Anwenderbericht GermanPersonnel

Digitaler Wandel im Mittelstand

| Autor / Redakteur: Christian Oberstädt und Michael Althaus / Nico Litzel

Ein automatisiertes Empfehlungswesen gehört zu den datenbasierten Kundenservices, die bei GermanPersonnel den Wandel zur Data Driven Company begleiten.
Ein automatisiertes Empfehlungswesen gehört zu den datenbasierten Kundenservices, die bei GermanPersonnel den Wandel zur Data Driven Company begleiten. (Bild: Oraylis / GermanPersonnel)

GermanPersonnel ist ein mittelständisches Tech-Unternehmen, das sich mitten in der digitalen Transformation befindet. Dabei lässt sich feststellen, dass der Weg zur Data Driven Company meist kein gerader ist. Gefragt ist ein agiles Vorgehen, bei dem Ziele umpriorisiert werden können und sich die Verantwortlichen von Misserfolgen nicht aus der Bahn werfen lassen.

Datenbasierte Entscheidungen, Prozesse und Produkte sind zum maßgeblichen Wettbewerbsfaktor geworden. So machen sich Unternehmen allerorts auf den Weg zur „Data Driven Company“. Aber wie gelingt der Wandel? Was sind die Erfolgsfaktoren? Wo liegen die Stolpersteine? Sicherlich gibt es nicht das eine Patentrezept für eine erfolgreiche digitale Transformation. Wie sich eine datengetriebene Organisation aufbauen und ausgestalten lässt, hängt von vielen Faktoren ab, wie etwa der Branche, den jeweiligen Produkten oder auch den internen Strukturen und Voraussetzungen.

Umso mehr erscheint es lohnenswert, sich den Einzelfall genauer anzuschauen. Die E-Recruiting-Spezialisten GermanPersonnel sind in diesem Zusammenhang ein Beispiel für den Wandel eines agilen Mittelständlers. Das Tech-Unternehmen mit 75 Mitarbeitern hat bereits frühzeitig erkannt, dass die Daten aus elektronischen Recruiting-Prozessen ein enormes Potenzial für das Geschäft bieten. Infolgedessen haben die Verantwortlichen bereits 2017 den bewussten Entschluss gefasst, sich zu einer „Data Driven Company“ weiterzuentwickeln.

Ausgangssituation: Daten + Bauchgefühl

GermanPersonnel bietet seinen Kunden Software und Services zur Unterstützung der Mitarbeitersuche im Internet. Das Unternehmen arbeitet mit großen Personaldienstleistern und Jobportalen zusammen. Das Kernprodukt bildet eine Software, mit der die Kunden von GermanPersonnel Stellenanzeigen erstellen und in Jobbörsen platzieren sowie eingehende Bewerbungen managen können. Die daraus resultierenden Daten wurden ursprünglich nur punktuell genutzt, beispielsweise für die Weiterentwicklung von Geschäftsprozessen, Produkten und Algorithmen zur intelligenten Kanalauswahl. Auch eine erste Statistik zu den geschalteten Stellenanzeigen wurde in die Software integriert. Neben den verfügbaren Daten flossen zu diesem Zeitpunkt aber immer noch die vorhandene Expertise zur Erwartungshaltung der Kunden sowie eine Prise Bauchgefühl in Entscheidungen ein.

Auf diese Weise hat sich das Unternehmen spezielle Alleinstellungsmerkmale am Markt für E-Recruiting verschafft. Gleichzeitig war den Verantwortlichen bewusst, dass man sich mit diesem Leistungsspektrum nicht dauerhaft von der wachsenden Konkurrenz wird abheben können. Daher wurden neue Ziele formuliert, wie automatische Empfehlungen bei der Erstellung von Stellenanzeigen sowie Vorhersagen über die zu erwartende Bewerberzahlen auf eine bestimmte Stellenanzeige. Darüber hinaus sollten Daten auch intern, etwa im Rahmen eines umfassenden Reportings, von allen Mitarbeitern genutzt werden. Der Startschuss für den Weg zur datengetriebenen Organisation war damit gefallen.

Aufbau einer einheitlichen Datenbasis

Nach der Festlegung der fachlichen Ziele wurde ein externer Partner für die technische Umsetzung hinzugezogen. Bereits eine erste Analyse von Ist- und Soll-Situation führte zu Tage, dass GermanPersonnel zwar über umfangreiche Datenbestände verfügte, sich diese aber – mangels Struktur – nicht für übergreifende Auswertungen eigneten. Ein definiertes Datenmanagement gab es also nicht. Entsprechend hätten sich die anvisierten Ziele nur begrenzt umsetzen lassen. So mussten die Beteiligten bereits zum Einstieg eine wegweisende Entscheidung treffen: Werden die verfügbaren Datentöpfe weiterhin autark behandelt, um schnell – aber dafür eingeschränkt – neue Erkenntnisse zu gewinnen? Oder sollte man sich die Zeit für eine Konsolidierung nehmen und mit einem Data Warehouse (DWH) eine valide Grundlage für die Umsetzung der verschiedenen, datengetriebenen Anforderungen schaffen?

Die Beteiligten entschieden sich für letztere Variante. In der Folge wurde auf Basis modularer Services ein modernes Cloud-DWH mit Schichtenarchitektur aufgebaut. Dadurch bietet sich einerseits die Möglichkeit, unterschiedliche Ressourcen für Weiterentwicklungen ganz nach Bedarf in Anspruch zu nehmen. Andererseits kann die Lösung mit der Anzahl der Kunden und bereitgestellten Kennzahlen flexibel wachsen. Nicht zuletzt ließ sich das neue System ohne weiteres an die bestehende Infrastruktur anbinden. Das galt nicht nur für vorhandene Datenquellen.

Erste Testläufe mit den Stellenanzeigen-Statistiken zeigten, dass über die Cloud-Services auch sehr einfach Schnittstellen zur Verknüpfung des Software-Produktes bereitgestellt werden konnten. Vor diesem Hintergrund eröffnete sich die Möglichkeit, bereits kurzfristig neue Kundenstatistiken aufzusetzen, die weitaus performanter und detaillierter als die ursprünglichen Versionen waren. Dabei werden die Quelldaten automatisiert und tagesaktuell im DWH aufbereitet. Ein multidimensionaler Cube ermöglicht den schnellen Abruf der Daten und liefert entsprechende Berichte. Über die angesprochenen Schnittstellen lassen sich diese Berichte nahtlos in die GermanPersonnel-Software wie auch kundeneigene Anwendungen einbetten. Dadurch kann der Nutzer im Rahmen seiner gewohnten Arbeitsabläufe die Performance seiner Stellenanzeigen auswerten und zusätzliche Erkenntnisse gewinnen, ohne zwischen unterschiedlichen Anwendungen hin- und herspringen zu müssen. Gleichzeitig sorgt ein individuelles Berechtigungskonzept dafür, dass der Nutzer nur auf die für ihn relevanten Daten Zugriff erhält.

Agil zum Ziel

Der zuvor beschriebene Arbeitsschritt deutet bereits an, dass Agilität eine Grundvoraussetzung für den erfolgreichen Wandel zur „Data Driven Company“ ist. Denn: Wie bei BI- und Big-Data-Projekten üblich, lassen sich die komplexen Anforderungen niemals vollständig vorhersehen und planen. Ein klassisches Projektmanagement sowie sequenzielle Entwicklungsmethoden sind daher eher hinderlich und führen selten zu den gewünschten Ergebnissen. Entsprechend haben bei der digitalen Transformation von GermanPersonnel alle Beteiligten konsequent agile Vorgehensweisen genutzt, wobei der Fokus auf einer an Scrum angelehnten Methodik lag. Auf diese Weise konnten neue Erkenntnisse, Wünsche und Änderungen schnell und flexibel in die Lösung einfließen. Gleichzeitig ließen sich einzelne Funktionen – wie eben die Statistiken –frühzeitig in Betrieb nehmen.

Ebenso entscheidend ist eine teamorientierte Firmenkultur, die eine enge Zusammenarbeit über Abteilungs- und auch Unternehmensgrenzen hinweg vorsieht und fördert. So hat im konkreten Fall der laufende, interdisziplinäre Austausch zwischen Product Ownern, UI-Spezialisten und Entwicklern – sowohl auf Seiten des Unternehmens als auch des Dienstleisters – einen wichtigen Beitrag zum Projekterfolg geleistet. Teilweise wurden Abteilungen gezielt an einen Tisch gebracht, um zu klären, an welchen Stellen Daten ergänzt oder verknüpft werden müssen. Zielsetzung war es, über die prozessualen Anpassungen den Wert der Informationen weiter zu steigern. Die Rolle des Moderators übernimmt in solchen Situationen idealerweise derjenige, der eine ganzheitliche Sicht auf die Daten hat. Das kann ein Product Owner oder BI-Spezialist sein. Hier war es der Dienstleister.

Anforderungen flexibel priorisieren

Mit dem DWH als stabiler Grundlage wollten sich die Projektbeteiligten nunmehr auf die Vorhersage von Klicks und Bewerberzahlen anhand der Eigenschaften einer geplanten Stellenanzeige konzentrieren. Zu diesem Zweck haben Data Scientists des Dienstleisters verschiedene Modelle auf Basis von Eingangsdaten, wie etwa Beruf, Region, Zeitpunkt der Schaltung, Sprache und gewünschte Kompetenzen, trainiert. Der Titel der Stellenanzeigen wurde als GloVe-Modell abgebildet. Für die Analyse des kompletten Inhaltes wurde ein Topic-Modell gewählt. Die Prognose selbst erfolgte über das Gradient-Boosting-Framework XGBoost – grundsätzlich eine bewährte Kombination.

Gemäß der agilen Prämisse gingen die Akteure beim Training iterativ vor. Zwischenergebnisse wurden immer wieder mit der Erwartungshaltung – und auch dem Bauchgefühl – der Anforderer abgeglichen. Dabei zeigt sich jedoch, dass die Vorhersagen nicht die gewünschten Erfolgsquoten erreichten. Weitere Analysen führten zu Tage, dass die Qualität vor allem der Klickdaten für einen solchen Ansatz noch nicht genügte.

Diese Erkenntnis war nur bedingt ein Rückschlag auf dem Weg zur Data Driven Company. Dank des agilen Ansatzes konnten die Anforderungen im Backlog relativ einfach umpriorisiert werden. Denn wie sich im Zuge weiterer Tests herausstellte, war die Datenqualität vollkommen ausreichend für die Umsetzung eines Empfehlungswesens sowie des internen Reportings. Infolgedessen konzentrierte sich der Dienstleister vorerst auf diese Aufgaben. Parallel startete GermanPersonnel ein unabhängiges Projekt, bei dem die Datenqualität weiter verbessert werden sollte. Derweil wurde die Vorhersage von Erfolgskennzahlen für Stellenanzeigen bis auf Weiteres ausgesetzt.

Automatische Empfehlungen für den Kunden

„Empfehlungswesen“ bedeutet für GermanPersonnel, dass der Kunde während der Erstellung von Anzeigen automatisiert Tipps zu deren Optimierung erhält. Es kann sich um inhaltliche Hinweise handeln, etwa hinsichtlich der Formulierung und Länge von Titeln oder der Gestaltung von Anzeigentexten. Ebenso werden aber auch Ratschläge zur Anzeigenplatzierung sowie möglichen Verbesserungspotenzialen durch kostenpflichtige Kampagnen gegeben. Für den Aufbau dieses Empfehlungswesens haben die Entwickler umfangreiche Datenbestände zu vergangenen Stellenschaltungen herangezogen, die aufbereitet im DWH vorlagen. Anhand eines hinterlegten Sets von Bewertungskriterien – wie Inhalt, Schaltungsort und Schaltungszeitraum – wurden zunächst die Schaltungen herausgefiltert, die für den Anwendungszweck grundsätzlich geeignet erschienen. Mithilfe der Performance-Daten wurden noch besonders positive und negative Ausreißer aussortiert. Abschließend haben die Beteiligten die verbliebenen Anzeigendaten mittels Indexberechnung nach Häufigkeit, Zeitraum und Erfolg gewichtet und in vordefinierte Cluster eingeordnet, auf die die Kundenanwendung nunmehr zugreift.

Für die Umsetzung wurde wieder ein iterativer Ansatz gewählt und mit einem prototypischen Vorgehen kombiniert. Das heißt: Die Projektbeteiligten haben direkt einen vertikalen Durchstich vorgenommen. Neben dem produktiven System wurde eine den fachlichen Anforderungen entsprechende Teststrecke aufgebaut, die die notwendigen Daten zusammenführt. Die Daten wurden nach Bedarf aufbereitet und zum einen den Entwicklern der Oberfläche über Schnittstellen bereitgestellt. Zum anderen konnten fachliche Tester über einen einfachen Cube die Validität der Ergebnisse prüfen. In diesem Kontext arbeitete wieder ein interdisziplinäres Team aus Product Owner, UI-Spezialisten, Entwicklern und BI-Experten eng zusammen.

Beim vertikalen Durchstich haben die Beteiligten parallel zum produktiven System eine Teststrecke aufgebaut, die den betreffenden Anwendungsfall von den Quelldaten bis zur Analyseoberfläche vollständig durchspielt.
Beim vertikalen Durchstich haben die Beteiligten parallel zum produktiven System eine Teststrecke aufgebaut, die den betreffenden Anwendungsfall von den Quelldaten bis zur Analyseoberfläche vollständig durchspielt. (Bild: Oraylis)

Durch dieses Vorgehen ließen sich die relevanten Quelldaten direkt fachlich bewerten. Gleichzeitig bestand die Möglichkeit, die Umsetzung in der -Anwendung zu prüfen. So bedurfte es nur weniger Iterationen und Anpassungen, bis der Prototyp in das DWH übernommen und für die Kunden als Service bereitgestellt werden konnte – ein wichtiges Erfolgserlebnis auf dem Weg zur Data Driven Company.

Alle Mitarbeiter arbeiten mit Daten

Parallel wurde mit dem gleichen Ansatz das interne Reporting vorangetrieben. Der Fokus lag auf der Anbindung von weiteren Quellsystemen, wie zum Beispiel CRM und ERP. Prozessanpassungen ermöglichten zusätzliche, gewinnbringende Datenverknüpfungen zwischen verschiedenen Systemen. So ließen sich beispielsweise Verkaufschancen im CRM mit Rechnungen im ERP verbinden. Über den multidimensionalen Cube erhalten die Mitarbeiter von GermanPersonnel nunmehr einen Rundumblick auf den Kunden, der beispielsweise für das Churn-Management genutzt werden kann. Neben solchen Kundenanalysen lassen sich auch Marktanalysen vornehmen, die unter anderem der Planung von Kontingenten bei Jobbörsen dienen. Auch ein Umsatzforecast sowie erste Governance-Strukturen wurden in diesem Kontext etabliert. Alles in allem können sich die Mitarbeiter stärker auf ihre eigentlichen Aufgaben konzentrieren, da sie nun einen deutlich vereinfachten Zugriff auf weitaus größere Datenbestände haben.

Vor allem aber ist ein Bewusstsein für die eigenen Daten sowie deren Bedeutung für andere Unternehmensbereiche gewachsen. Aussagen, wie „Was müssen wir bei der Datenpflege berücksichtigen, damit andere effektiver damit arbeiten können?“ zeugen davon, dass die Anerkennung des Wertes von datenbasierten Informationen immer weiter steigt. Vielmehr noch entwickelt sich über das gesamte Unternehmen hinweg eine Datenkultur, die eine grundlegende Voraussetzung für den Wandel zur Data Driven Company darstellt. Als Konsequenz wird auch das bis dato so wichtige Bauchgefühl zunehmend durch Ableitungen aus verfügbaren Daten abgelöst. Mittlerweile dient diese altbewährte Entscheidungsinstanz hauptsächlich als Qualitätssicherungsfaktor – das heißt: widerspricht das Bauchgefühl, wird der Fall lediglich noch einmal genauer geprüft. Letztendlich entscheidungsrelevant sind jedoch die aus den Daten gewonnenen Erkenntnisse.

Nicht zuletzt ist man gegenwärtig im Begriff, das auf dem bisherigen Weg gewonnene Know-how im Unternehmen nachhaltig zu verankern. Das Unternehmen baut dedizierte Ressourcen auf, die sich mit den Themen Reporting und Analysen auseinandersetzen. Mitarbeiter aus den Fachbereichen werden zu Data Analysten bzw. Data Scientists weitergebildet, die einerseits Daten fachlich verstehen und andererseits diese mit den entsprechenden Self-Service-Werkzeugen analysieren können.

Fazit

Soweit zum Status quo. Es ist ersichtlich, dass GermanPersonnel das große Ziel einer datengetriebenen Organisation noch nicht vollständig erreicht hat. Es gilt nach wie vor, erforderliches Know-how in das Unternehmen zu implementieren. Ebenso existiert noch keine umfassende Data Governance. Das fehlende Regelwerk kann bislang durch die teamorientierte Firmenkultur aufgefangen werden. Spätestens aber bei einem künftigen Wachstum muss der Umgang mit Daten im Unternehmen genauer festgeschrieben werden. Darüber hinaus steht auch das selbstgesteckte Ziel einer Erfolgsprognose für Stellenanzeigen – und damit die Erweiterung datengetriebener Kundenservices – noch aus. Hier ist gegenwärtig der Einsatz von Snowplow für die Messung von Impressionen, Klicks und Konversionen angedacht.

Nimmt man indes die von der BARC im Jahr 2016 formulierten Erfolgsfaktoren für datengetriebene Unternehmen als Maßstab, so erfüllt GermanPersonnel bereits viele der erforderlichen Voraussetzungen. Hierzu zählt nicht nur eine Firmenkultur, die einerseits eine interdisziplinäre Zusammenarbeit befördert und andererseits den Wert datenbasierter Informationen für operative wie strategische Zwecke umfassend anerkennt. Auch die unumgänglichen, agilen Entwicklungsmethoden sind sowohl im Unternehmen als auch beim Dienstleister fest verankert. Dies ermöglicht nicht nur die erforderlichen Feedbackschleifen. Vielmehr lassen sich etwaige Innovationen schnell bewerten, wobei die Operationalisierung der Anforderungen – und damit der Mehrwert für den Kunden oder interne Abläufe – stets im Fokus steht. Zudem hat das Unternehmen bereits frühzeitig die Vorgaben der DSGVO umgesetzt und damit ein klares Bekenntnis zum Datenschutz geschaffen. Die Richtlinien werden bei der Umsetzung aller datengetriebenen Anforderungen berücksichtigt.

Mit dem modernen Cloud-DWH wurde schließlich eine passende technische Grundlage geschaffen, um unternehmensweit den mehrwertigen Umgang mit Daten zu ermöglichen und immer weiter auszubauen. Self-Service-Werkzeuge sowie entsprechende Schulungen für die Mitarbeiter runden diesen Ansatz ab. Greifbare Erfolge in Form von performanten Detailstatistiken und einem Empfehlungswesen für Kunden sowie einem umfassenden internen Reporting bestätigen das bisherige Vorgehen. Somit sind gute Voraussetzungen gegeben, um den Weg zur Data Driven Company bis zum Ziel konsequent weiterzuverfolgen.

Ergänzendes zum Thema
 
Die Autoren

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46216662 / Best Practices)