Durch Datenwissen Fehltage verringern

Bei den Schweizerischen Bundesbahnen sind Kennzahlen im HR längst etabliert. Fachverantwortlicher Urban Studer berichtet über bewährte Kennzahlen und weshalb nur interpretierte Zahlen etwas nützen.

Dank People Analytics Mitarbeitende besser verstehen: Die Fallbeispiele zeigen, dass sich hiermit auch die Ursachen für Langzeitabsenzen gebessert werden können. (Bild: iStock)

«Daten sind per se nutzlos», sagt Urban Studer, Leiter Strategie, Steuerung & Entwicklung von Arbeitsmarktfähigkeit, Gesundheit & Soziales der SBB. «Nur interpretierte Daten sind Information und nur über längere Zeit geprüfte Informationen schaffen Wissen.» Dabei stützt er sich auf den Analytics Circle. «Ohne ihn funktioniert es nicht.»

Doch welche Kennzahlen haben sich bei den SBB bewährt? «Über die Jahre hinweg sicher verschiedene Kennzahlen zu Fehltagen», sagt Urban Studer. Diese hätten monetäre Auswirkungen und seien auch relevant, um etwa die Verfügbarkeit des Personals einzuschätzen. Um zu aussagekräftigen Ergebnissen zu kommen, müssten Fehltage aber über mehrere Jahre hinweg analysiert werden. «Auswertungen nur über ein bis zwei Jahre können zu Fehlinterpretationen führen», weiss Studer. «Die Auswertung von Langzeitabsenzen – kumulierte Fehltage von mehr als drei Monaten – über mehrere Jahre liefert dagegen belastbare Erkenntnisse und führt zu Einsparungen.» So konnten die Kosten pro Langzeitabsenz-Fall seit 2006 bei den SBB praktisch halbiert werden, «was der kontinuierlichen Datenanalyse und den schrittweise daraus abgeleiteten zielgruppenspezifischen Massnahmen zu verdanken ist.»

Der Datenexperte

Schwerpunkt_Poeple_Analytics_HR_in_Kennzahlen_Urban_Studer_SBB_web.jpg

Urban Studer ist Leiter Strategie, Steuerung & Entwicklung von Arbeitsmarktfähigkeit, Gesundheit & Soziales der SBB.

So hätten die SBB etwa ein Case Management eingeführt. «Schon das beeinflusste die Langzeitabsenzen», sagt Studer. «Später kam ein Präsenzmanagement hinzu: Bei diesem werden Führungskräfte durch Fachspezialisten gecoacht, um die Rückkehr von Mitarbeitenden nach Absenzen optimal zu unterstützen.» Eingeführt wurden zudem eine Anlaufstelle «psychische Gesundheit», Massnahmen zur Förderung der Arbeitsmarktfähigkeit und Arbeitsgestaltung sowie Pensionierungsmodelle. «Dass dies zu einem massiven Rückgang unserer Langzeitabsenzen führte, können wir heute mit Daten darlegen.»

Altersgruppenspezifische Analysen über Absenzen

Inzwischen analysieren Urban Studer und sein Team Fehltage auch altersgruppenspezifisch. Die Daten zeigten zwar, dass ältere Mitarbeitende im Durchschnitt zu mehr Fehltagen neigen als jüngere. Jedoch seien es nur wenige ältere Mitarbeitende, die ausgesprochen lange Absenzen aufweisen. «Deshalb wäre es völlig falsch, alle älteren Mitarbeitende in einen Topf zu werfen.» Besorgniserregend empfindet Studer bei seinen derzeitigen Analysen eher, dass die Kurz- sowie die Langzeitabsenzen bei den Jungen in den letzten Jahren leicht, aber stetig steigen.

Beim Interpretieren von Daten darf es für Studer in diesen Fällen nicht bleiben. «Wir müssen kontinuierlich und ausdauernd handeln. Hätten wir nicht in den letzten Jahren auf unsere Datenanalysen gehört und entsprechende Massnahmen eingeleitet, hätten wir heute 27 Prozent mehr Fehltage und befänden uns in verschiedenen Berufsgruppen auf gleich hohem Niveau wie teils vergleichbare Unternehmen in den entsprechenden Branchen im In- und im nahen Ausland.

Mit interdisziplinären Kompetenzen Brücken schlagen

Seit 2019 arbeitet der Bereich Arbeitsmarktfähigkeit, Gesundheit & Soziales der SBB mit einem «Proof of Concept» zu «Engaged, Healthy and Performing», das die vier Stufen des Analytics Circle umsetzt. «Damit können wir zeigen, wie die Engagement-, Gesundheits- und Leistungs-KPIs einer ausgewählten Organisationseinheit im Vergleich zu anderen aussehen und wo Handlungsbedarf besteht. Mithilfe von Simulationen eruieren wir, was passiert, wenn bestimmte Massnahmen ergriffen würden.» Dafür brauche man nicht nur ein Kennzahlen-Dashboard, sondern auch HR-Fachspezialisten, die diese Daten interpretieren und geeignete Massnahmen einleiten.

Für Urban Studer sind dafür drei grundlegende Rollen mit entsprechenden Kompetenzen notwendig:

Data Engineers, um das Datenfundament zu erstellen und zu pflegen.
Data Scientists als methodische und mathematische Spezialisten für Analytics, das heisst für die Datenanalyse und die Erarbeitung von Modellen.
Für eine effektive Dateninterpretation und das Schaffen von Wissen braucht es schliesslich «Data and HR-Expertise Intertwiners», die zwischen den Data Engineers und Data Scientists sowie themenspezifischen HR-Fachspezialisten sprachliche und konzeptionelle Brücken schlagen können. «So wird aus Daten Wissen. Das erlaubt, Entscheidungen abzuleiten.»