People Analytics und KI: Von HR-Berichten zu Prognosen

Von Kevin Kim · Aktualisiert am 11. Oktober 2026

People Analytics mit KI bedeutet, statistische Modelle und Modelle des maschinellen Lernens auf Belegschaftsdaten anzuwenden, um das HR vom Berichten dessen, was geschehen ist, zum Vorhersagen dessen zu führen, was wahrscheinlich geschieht, und zum Vorschlagen dessen, was dagegen zu tun ist. Ein Dashboard zur Mitarbeiterzahl sagt Ihnen, dass die Fluktuation im letzten Quartal 14 % betrug. Ein prädiktives Modell sagt Ihnen, welche Teams im nächsten Quartal wahrscheinlich Leute verlieren und welche Faktoren dahinterstehen. Eine präskriptive Schicht schlägt eine Maßnahme vor, etwa eine Gehaltsanpassung oder ein Gespräch mit der Führungskraft, und schätzt ihre Wirkung.

Dieser Leitfaden richtet sich an CHROs, HR-Direktoren und HR-Manager, die bereits Dashboards haben und wissen wollen, was der nächste Schritt wirklich umfasst: die Stufen, die Kompetenzen, drei konkrete Anwendungsfälle und die Grenzen, die entscheiden, ob eine Vorhersage sicher genug ist, um danach zu handeln. Für das Gesamtbild von KI im HR beginnen Sie mit dem Übersichtsleitfaden, KI im Personalwesen.

Wichtige Fakten

• Das bekannteste Reifegradmodell für People Analytics, von Bersin bei Deloitte Consulting (2017), hat vier Level. Die berichtete Verteilung der befragten Organisationen lag bei 14 % auf Level 1, 69 % auf Level 2, etwa 15 % auf Level 3 und 2 % auf Level 4 (Lumen Learning, mit Verweis auf das People Analytics Maturity Model von Bersin/Deloitte).
• Level 4 ist in diesem Modell durch KI-gestützte Echtzeit-Tools definiert, bei denen People Analytics fester Bestandteil von Entscheidungen in Business, HR und Management ist (dieselbe Quelle).
• Nach den US-Bundesrichtlinien zur Personalauswahl gilt eine Auswahlquote für jede Rasse, jedes Geschlecht oder jede ethnische Gruppe unter vier Fünfteln (80 %) der Quote der besten Gruppe im Allgemeinen als Hinweis auf nachteilige Auswirkung, und Daten mit kleinen Zahlen können unzuverlässig sein (29 CFR 1607.4).
• In New York City brauchen Arbeitgeber, die ein automatisiertes Tool für Beschäftigungsentscheidungen einsetzen, ein Bias-Audit innerhalb eines Jahres nach der Nutzung, eine öffentliche Zusammenfassung der Ergebnisse und vorab Mitteilungen an Bewerber und Beschäftigte (NYC DCWP).
• Die EU-Richtlinie zur Entgelttransparenz verlangt eine gemeinsame Entgeltbewertung, wenn die Berichterstattung eine durchschnittliche Entgeltlücke von mindestens 5 % zwischen Frauen und Männern in einer Beschäftigtenkategorie zeigt, die der Arbeitgeber nicht anhand objektiver, geschlechtsneutraler Kriterien rechtfertigen kann und nicht binnen sechs Monaten behoben hat (Richtlinie (EU) 2023/970, Artikel 10).

Die vier Fragen, die Analytik beantworten kann

Jedes People-Analytics-Tool beantwortet eine von vier Fragen, und KI verändert, welche davon Sie sich leisten können.

Die meisten HR-Teams sind in der ersten Zeile stark und in der dritten und vierten dünn aufgestellt. Das ist kein Talentversagen. Prädiktive Arbeit braucht saubere Historie über Systeme hinweg, und präskriptive Arbeit braucht Belege dafür, welche Maßnahmen Ergebnisse tatsächlich verändert haben, die die meisten Organisationen nie erfasst haben. Der Glossareintrag zu prädiktiver Analytik behandelt die zugrunde liegende Technik; hier konzentrieren wir uns darauf, wie sie auf Personaldaten angewendet wird.

Was KI dem alten Analytik-Werkzeugkasten hinzufügt

HR-Analysten führen seit Jahrzehnten Regressionen durch. KI ersetzt diese Arbeit nicht. Sie erweitert sie auf vier Arten.

Mehr Datentypen. Klassische Analysen leben von strukturierten Feldern: Betriebszugehörigkeit, Gehaltsstufe, Gehalt, Bewertung. Moderne Modelle können auch Text nutzen, etwa Kommentare aus Engagement-Umfragen, Notizen aus Austrittsgesprächen und Stellenbeschreibungen, und daraus nutzbare Merkmale gewinnen. Damit wird unstrukturiertes Feedback zählbar.

Mehr Variablen gleichzeitig. Eine logistische Regression mit zehn Eingaben lässt sich leicht erklären. Ein Gradient-Boosting-Modell kann Hunderte wechselwirkender Signale gewichten und prognostiziert oft besser, um den Preis, schwerer interpretierbar zu sein.

Schnellere Aktualisierung. Statt einer jährlichen Studie kann ein Modell die Belegschaft monatlich oder wöchentlich neu bewerten, sodass eine Führungskraft ein verändertes Risiko sieht, bevor das Kündigungsschreiben kommt.

Zugang in natürlicher Sprache. Eine Führungskraft kann eine Frage in einfachen Worten stellen und ein Diagramm erhalten, was den Kreis derer erweitert, die die Daten nutzen. Das ist die generative Schicht über der prädiktiven, und sie bringt ihr eigenes Risiko selbstsicherer, aber falscher Antworten mit.

In den Begriffen des ACE Framework bewegt sich People Analytics von Analyze (Dashboards und Diagnosen) zu Predict (Prognosen und Scores), mit einem Muster aus Bewertung und Weiterleitung, das den richtigen Fall an die richtige Person schickt.

Ein Reifegradmodell, das Sie zitieren können

Das am häufigsten zitierte Rahmenwerk ist das Reifegradmodell für People Analytics von Josh Bersin und Deloitte Consulting, 2017 veröffentlicht. Seine vier Level, mit dem Anteil der befragten Organisationen, den Bersin für jedes berichtete, sind bei Lumen Learning zusammengefasst. Grundgesamtheit und Stichprobengröße werden dort nicht genannt, betrachten Sie die Prozentwerte also als grobes Bild der Verteilung statt als aktuellen Benchmark.

Zwei Dinge an diesem Modell sind nützlich. Erstens beschreibt es Reife als Geschäftsintegration, nicht nur als technische Raffinesse. Ein Team auf Level 4 ist nicht das mit dem ausgefeiltesten Algorithmus. Es ist das, dessen Analyse Entscheidungen außerhalb des HR verändert. Zweitens verortet es KI ausdrücklich auf der obersten Sprosse, was bedeutet, dass das Fundament (Level 2 und 3) eine Voraussetzung ist, kein optionales Aufwärmen.

Eine praktische Art, sich einzuordnen:

• Wenn Ihre Führung jeden Monat noch denselben Bericht verlangt und niemand danach handelt, sind Sie auf Level 2, unabhängig von der Software, die Sie besitzen.
• Wenn Sie HR-Daten ohne manuelles Projekt mit Umsatz-, Kunden- oder Betriebsdaten verbinden können, bewegen Sie sich in Richtung Level 3.
• Wenn das Ergebnis eines Modells verändert, was Führungskräfte diese Woche tun, und Sie verfolgen, ob es gewirkt hat, nähern Sie sich Level 4.

Die Qualität der darunterliegenden Daten entscheidet, wie weit Sie aufsteigen können, weshalb der Schwesterleitfaden zu HR-Datengrundlagen für KI vor jeder Modellarbeit wichtig ist.

Drei durchgerechnete Beispiele

Dies sind illustrative Szenarien. Die Zahlen sind erfunden, um die Logik zu zeigen, und stammen nicht von einem realen Unternehmen.

Beispiel 1: Fluktuationsrisiko

Das Ziel. Herausfinden, wo in den nächsten sechs Monaten bedauerte Fluktuation wahrscheinlich ist, früh genug, um zu handeln.

Die Daten. Betriebszugehörigkeit, Zeit seit der letzten Beförderung, Position des Gehalts im Band, Wechsel der Führungskraft, Ergebnisse der Engagement-Umfragen, Historie der internen Mobilität und, bei manchen Teams, Indikatoren der Arbeitslast.

Das Modell. Ein Klassifikator, der mit früheren Austritten und Verbleibenden trainiert wurde, gibt eine Risikowahrscheinlichkeit pro Person oder, sicherer, pro Team aus. Das erste nützliche Ergebnis ist selten der Score selbst. Es ist die Liste der Treiber, zum Beispiel: „Teams mit einem Wechsel der Führungskraft im letzten Jahr und ohne Beförderung in 30 Monaten zeigen die höchsten Austrittsquoten.“

Was Sie damit tun. Nutzen Sie das Risiko auf Teamebene, um Gespräche und Budget zu priorisieren, nicht um Einzelpersonen zu etikettieren. Ist das modellierte Risiko eines Teams hoch, sind ein Gespräch eine Ebene höher und eine Gehaltsüberprüfung für Personen unterhalb der Bandmitte vernünftige erste Schritte. Messen Sie dann: Sank das Risiko oder die tatsächlichen Austritte im Vergleich zu einem vergleichbaren Team, das die Maßnahme nicht erhielt? Dieser letzte Schritt macht aus Vorhersage Präskription.

Worauf Sie achten sollten. Ein Score, der mit einer Führungskraft geteilt wird, kann zur sich selbst erfüllenden Prophezeiung werden. Hört eine Führungskraft „hohes Abwanderungsrisiko“, investiert sie womöglich nicht mehr in die Person, was das Gehen wahrscheinlicher macht. Halten Sie individuelle Scores im HR oder aggregieren Sie sie.

Beispiel 2: Recruiting-Funnel

Das Ziel. Verstehen, wo der Funnel gute Bewerber verliert, und die Time-to-Fill prognostizieren.

Die Daten. Quelle, Zeitstempel der Phasen, Recruiter, Lücken bei der Terminplanung von Gesprächen, Angebotsergebnisse und Feedback der einstellenden Führungskraft.

Das Modell. Die deskriptive Analyse findet oft schon allein den großen Gewinn: eine Phase, in der Bewerber neun Tage auf einen Termin warten. Ein prädiktives Modell prognostiziert dann die Time-to-Fill nach Rolle und Standort oder schätzt, welche Stellenanforderungen wahrscheinlich stocken. So können Sie das Sourcing bei den langsamen vorziehen.

Was Sie damit tun. Beheben Sie die stockende Phase, verteilen Sie die Last der Recruiter neu und planen Sie den Zeitpunkt von Einstellungen mit dem Finanzbereich anhand von Prognosespannen statt einzelner Daten.

Worauf Sie achten sollten. Wenn Sie ein Modell nutzen, um Bewerber zu reihen oder zu bewerten, betreten Sie regulierten Boden. Nehmen Sie die US-Vier-Fünftel-Richtlinie als einfache Prüfung: Vergleichen Sie die Auswahlquoten der Gruppen in jeder Phase. Angenommen, 40 % einer Gruppe kommen weiter und 25 % einer anderen. Das Verhältnis beträgt 0,625, deutlich unter 0,8, was ein Signal zur Untersuchung ist, auch wenn die Bundesrichtlinie zugleich festhält, dass Ergebnisse auf Basis kleiner Zahlen womöglich nicht zuverlässig sind (29 CFR 1607.4). In New York City brauchen automatisierte Tools für Einstellungs- oder Beförderungsentscheidungen ein Bias-Audit, eine öffentliche Zusammenfassung und eine Vorabmitteilung (NYC DCWP).

Beispiel 3: Entgeltgleichheit

Das Ziel. Entgeltunterschiede finden, die sich nicht durch Rolle, Stufe, Standort, Leistung oder Betriebszugehörigkeit erklären lassen.

Die Daten. Grundgehalt, Bonus, Gehaltsstufe, Jobfamilie, Standort, Betriebszugehörigkeit, Leistungsbewertung und demografische Felder, soweit rechtmäßig vorhanden.

Das Modell. Eine Regression sagt das Entgelt anhand legitimer Faktoren voraus und betrachtet dann das Residuum nach Gruppe. Werden Frauen in derselben Jobfamilie, Stufe und am selben Standort im Schnitt um mehrere Prozent unter dem vom Modell Vorhergesagten bezahlt, ist dieses Residuum Ihre unerklärte Lücke. Maschinelles Lernen kann Mehrwert schaffen, indem es Wechselwirkungen findet, die ein einfaches Modell übersieht, etwa eine Lücke, die nur in einer Region nach einer Reorganisation auftritt.

Was Sie damit tun. Präskriptive Analyse ist der naheliegende nächste Schritt: Modellieren Sie die Kosten, markierte Lücken nach verschiedenen Regeln zu schließen (bis zur Bandmitte, bis zur Modellvorhersage, über zwei Zyklen), und wählen Sie gemeinsam mit dem Finanzbereich eine aus.

Worauf Sie achten sollten. Die Regulierung macht daraus von guter Praxis eine Pflicht. In der EU müssen Arbeitgeber Entgeltlücken zwischen den Geschlechtern nach einem von der Größe abhängigen Zeitplan melden, und eine Lücke von mindestens 5 % in einer Beschäftigtenkategorie, die nicht gerechtfertigt ist und nicht binnen sechs Monaten behoben wird, löst eine gemeinsame Entgeltbewertung aus (Richtlinie (EU) 2023/970). Beschäftigtenkategorien müssen sorgfältig definiert werden. Ein Modell, das stillschweigend eine verzerrte Eingabe nutzt, etwa das frühere Gehalt, reproduziert die Lücke, die es finden soll.

Die wichtigsten Grenzen

Vorhersagen im HR tragen mehr Risiko als Vorhersagen über Maschinen oder Lagerbestände, weil die bewertete Einheit ein Mensch ist.

Kleine Stichproben. Ein Unternehmen mit 400 Beschäftigten hat vielleicht 40 Austritte im Jahr. Teilen Sie das nach Abteilung, Stufe und Grund auf, und Sie haben eine Handvoll Fälle pro Zelle. Modelle, die auf winzigen Stichproben trainiert werden, überanpassen sich und erzeugen selbstsicheres Rauschen. Die Bundesrichtlinien zur Personalauswahl machen denselben Punkt für Tests auf nachteilige Auswirkung: Unterschiede auf Basis kleiner Zahlen sind womöglich statistisch nicht aussagekräftig (29 CFR 1607.4). Praktische Lösungen sind, mehrere Jahre zusammenzufassen, auf Team- oder Segmentebene vorherzusagen, Spannen zu berichten und bereit zu sein zu sagen: „Nicht genug Daten.“

Proxys für geschützte Merkmale. Geschlecht, Rasse oder Alter aus den Daten zu entfernen, entfernt sie nicht aus dem Modell. Die Postleitzahl kann für die ethnische Herkunft stehen, Lücken im Lebenslauf für Geschlecht oder Sorgearbeit, das Abschlussjahr für das Alter. Testen Sie Ergebnisse nach Gruppen, auch wenn diese Felder vom Training ausgeschlossen sind, und halten Sie fest, was Sie getestet haben. Das Konzept behandelt Verzerrung in KI.

Erklärbarkeit. Eine HR-Führungskraft muss womöglich einer Mitarbeiterin, einem Betriebsrat oder einer Aufsichtsbehörde erklären, warum jemand markiert wurde. „Das Modell hat es gesagt“ hält nicht stand. Bevorzugen Sie Modelle und Werkzeuge, die zeigen können, welche Faktoren einen Score bestimmt haben, und dokumentieren Sie, wofür der Score verwendet werden darf und wofür nicht. Das Glossar zu erklärbarer KI erläutert die Optionen.

Regulatorische Einstufung. Nach dem EU AI Act sind KI-Systeme, die für Einstellung oder Auswahl und für die Steuerung arbeitsbezogener Beziehungen bestimmt sind, in Anhang III als Hochrisiko aufgeführt. Der AI Act Service Desk der Kommission nennt ein Tool für Job-Matching und Ranking als Beispiel und hält fest, dass sich ein System, das Profiling durchführt, nicht auf die Ausnahmen von Artikel 6 Absatz 3 berufen kann (EU AI Act Service Desk). Ein Dashboard, das nur Austritte zählt, ist etwas anderes als ein Modell, das Menschen für eine Beförderung reiht. Wissen Sie, welches von beiden Sie betreiben.

Rückkopplungsschleifen. Lernt ein Modell aus früheren Beförderungen, die selbst verzerrt waren, empfiehlt es mehr vom Gleichen. Prüfen Sie die Trainingslabels, nicht nur den Modellcode.

Entscheidungen, die einen Menschen brauchen. Ein Score ist eine Eingabe. Halten Sie bei jeder Entscheidung, die Gehalt, Rolle oder Beschäftigung einer Person betrifft, einen Menschen verantwortlich und halten Sie seine Begründung fest. Das Muster beschreibt Human-in-the-Loop, und das AI Risk Management Framework des NIST, am 26. Januar 2023 veröffentlicht, bietet eine freiwillige Struktur (Govern, Map, Measure, Manage) für den Umgang mit diesen Risiken (NIST AI RMF). Die Verantwortung für Richtlinien gehört unter KI-Governance.

Die Kompetenzen, die ein People-Analytics-Team braucht

Sie brauchen kein Data-Science-Labor, um zu beginnen, aber Sie brauchen eine Mischung.

Die letzte Zeile ist die, die Organisationen auslassen. Eine Führungskraft, die den Unterschied zwischen einer Wahrscheinlichkeit und einer Vorhersage nicht kennt, wird beides falsch verwenden. KI-Kompetenz für HR Business Partner und Führungskräfte aufzubauen ist ebenso wichtig, wie einen Analysten einzustellen.

Ein sinnvoller Weg von Berichten zu Prognosen

1. Korrigieren Sie zuerst die deskriptive Schicht. Eine Definition von Mitarbeiterzahl, Fluktuation und Time-to-Fill, abgestimmt zwischen HR, Finanzbereich und Fachbereichen. Vorhersagen auf uneinheitlichen Definitionen verstärken die Uneinheitlichkeit.
2. Wählen Sie eine wertvolle Frage mit geringem Risiko. Treiber der Fluktuation auf Teamebene und das Timing im Recruiting-Funnel sind gute Starter. Vermeiden Sie Entscheidungen auf Individualebene mit rechtlichen Folgen, bis die Governance steht.
3. Beginnen Sie einfach. Ein transparentes Modell, das Führungskräfte verstehen, schlägt eine Blackbox, die sie ignorieren. Fügen Sie Komplexität nur hinzu, wenn sie eine messbare Verbesserung bringt.
4. Testen Sie vor dem Start auf Fairness. Vergleichen Sie Ergebnisse über Gruppen, prüfen Sie auf Proxys und halten Sie das Ergebnis fest.
5. Entscheiden Sie die Maßnahme, bevor Sie den Score bauen. Wenn niemand etwas anders macht, sobald sich der Score ändert, bauen Sie ihn nicht.
6. Messen Sie die Wirkung. Vergleichen Sie behandelte und unbehandelte Gruppen und verfolgen Sie das Geschäftsergebnis, nicht nur die Modellgenauigkeit.
7. Prüfen Sie nach Plan. Modelle driften, wenn sich Belegschaft, Arbeitsmarkt oder Ihre Richtlinien ändern.

Häufige Fallstricke

• Ein Prognose-Tool kaufen, bevor die Daten bereinigt sind. Das Modell wird sprachgewandt und falsch sein.
• Einzelpersonen bewerten, wenn Teams genügen würden. Aggregation ist bei kleinen Stichproben sowohl genauer als auch sicherer.
• Korrelation als Hebel behandeln. Wenn Remote-Arbeitende seltener gehen, heißt das nicht, dass erzwungene Remote-Arbeit die Austritte senkt.
• Den Business Partner auslassen. Eine Analyse, die das HR liebt und die der Fachbereich ignoriert, ist Level-2-Arbeit im Level-4-Kostüm.
• Vergessen, dass Beschäftigte das Thema sind. Seien Sie klar darüber, welche Daten Sie nutzen, warum und wie lange Sie sie aufbewahren.