Künstliche Intelligenz (KI|AI) in HR: Wie man mittels maschinellem Lernen die Kündigungsabsicht von Mitarbeitern vorhersagt
Im September war ich (wie eigentlich in jedem Jahr) auf der Zukunft Personal zu Besuch. Meist bin ich danach tendenziell eher enttäuscht, weil ich nicht soviel Interessantes entdecke, wie ich mir vorab erhoffe. Der neue Hype scheint in diesem Jahr Künstliche Intelligenz zu sein. Das gipfelte bei meinem Messebesuch in einer Keynote, von Gary Kildare (Chief HR Officer, IBM Europe). Dort wurde ein Loblied auf IBMs künstliche Intelligenz namens Watson gesungen.
Tatsächlich haben mich manche Aussagen eher schmunzeln lassen. Allerdings finde ich die zugrundeliegende Technologie höchst spannend und sehe selbstverständlich auch die Anwendungsszenarien im HR-Bereich. Um mich selbst mit dem Themenfeld etwas abseits des Marketingsprechs zu befassen, habe ich den im letzten Monat (18. September 2017) publizierten Blogbeitrag von Matt Dancho im Detail nachvollzogen. Matt zeigt sehr anschaulich, wie man mit der offenen Statistiksoftware R ein künstliches neuronales Netz trainiert und anschließend zur Vorhersage der Kündigungsabsicht von Mitarbeitern verwendet. Einen toller Einstieg in KI-Techniken bietet übrigens auch diese Seite von Google.
Laut Matt ist „Maschinelles Lernen“ den traditionellen Methoden (z.B. Logistische Regression) überlegen. Die Vorhersagegenauigkeit sei besser. Zudem könne man besser die Faktoren bestimmen, die mit Kündigungsabsicht zusammenhängen. Nach meinen Literaturrecherchen kann ich dieser Aussage grundsätzlich zustimmen. Maschinelles Lernen ist ganz grob gesagt eine allgemeinere Form der logistischen Regression. Allerdings ist die Prognosequalität nicht für alle Datensätze besser und die Vorhersagegenauigkeit in vielen Fällen nur minimal höher. Trotzdem erweitert „Maschinelles Lernen“ (aka Deep Learning) das Methoden-Portfolio, insbesondere auch wegen der Verfügbarkeit von kostenfreien (open source) Bibliotheken für R.
Zu nennen sind zum einen das h2o-Package zur Entwicklung eines Vorhersagemodells. Zum zweiten verwendet Matt das lime-Package, um die relevanten Faktoren für die Vorhersage von Kündigungsabsicht extrahieren zu können.
Natürlich ist der Artikel sehr technisch und setzt einige Kenntnisse in R voraus, aber im Prinzip weiss man im Anschluss ungefähr, um was es beim „Maschinellen Lernen“ geht. Auf Basis eines frei verfügbaren Beispieldatensatzes lernen wir, wie wir ein neuronales Modell entwickeln können, mit dem Mitarbeiter mit hoher Kündigungsgefahr recht zuverlässiges identifiziert werden können. Der verwendete h2o-Algorithmus war zu 87% akurat. Die verwendete lime-Funktion identifizierte im Anschluss bestimmte Jobs (z.B. Vertriebsmitarbeiter), viele Überstunden und wenig Weiterbildungsangebot als zentrale Risikofaktoren für eine starke Kündigungsabsicht.
Ich habe auf jeden Fall Lust bekommen, meine Methoden-Kenntnisse im Bereich KI/AI auszubauen.
____
Foto: Many Wonderful Artists, Lizenz: Public Domain Mark 1.0
