Die Anwerbung neuer Mitarbeiter folgt keinen klaren Regeln, und eine gute Leistung in der Vergangenheit bedeutet nicht automatisch dasselbe für die Zukunft.
Faktoren wie kulturelle Übereinstimmung und persönliche Umstände spielen eine wichtige Rolle bei einer erfolgreichen Einstellung.
Doch dass es keine festen Regeln gibt, muss nicht bedeuten, dass die wissenschaftliche Grundlage fehlt. Personalexperten können ihre Chancen auf die Einstellung erfolgreicher Kandidaten mit einer einfachen Datenanalyse sogar erheblich steigern.
Mit der CART®-Funktion in Minitab benötigen sie außerdem keine Statistikkenntnisse, um einen „Anwerbungsbaum“ zu erstellen.
Die richtigen Mitarbeiter für den Vertrieb einzustellen, ist für jedes Unternehmen äußerst wichtig. Die meisten Unternehmen können bei Vertriebsmitarbeitern ihre Investition erst nach den ersten 6 bis 18 Monaten wieder erwirtschaften.
Außerdem können die Opportunitätskosten eines schlechten Vertriebsmitarbeiters den Einstellungsprozess noch teurer machen.
Versetzen wir uns in die Lage eines Personalexperten bei einem Hersteller von medizinischen Geräten. Der Vertriebsmitarbeiter für eines der am meisten verkauften Geräte soll ersetzt werden. Daher ist es wichtig, schnell zu agieren und den richtigen Kandidaten zu finden.
Der Vorteil bei einer solchen Betrachtung von Vertriebsmitarbeitern liegt darin, dass es messbare Werte gibt.
Die einfachste Möglichkeit ist, das Vertriebsteam in zwei Gruppen aufzuteilen: Gruppe 1 enthält die Mitarbeiter, die die jährliche Quote erfüllen, und Gruppe 2 diejenigen, bei denen das nicht der Fall ist.
Sie können die Mitarbeiter auch nach Wachstumszahlen oder Profitabilität oder einer anderen Leistungskennzahl aufteilen, die für Ihr Team geeignet ist.
Betrachten Sie dann weitere messbare Eigenschaften, z. B. Erfahrung, Hintergrundwissen, Zeugnisnoten oder sogar Charaktereigenschaften.
Im Beispiel unten wurden die folgenden Merkmale ausgewählt: Erfahrung bei Einstellung (in Jahren), Hintergrund im Gesundheitswesen, binär definiert (mit 1 für „Ja, hat bereits Vertriebserfahrung im medizinischen Bereich“ und 0 für „Nein, hat keine Vertriebserfahrung im medizinischen Bereich“), Durchschnittsnote im College und Persönlichkeitsmerkmale (von 5 für sehr extrovertiert bis 1 für sehr introvertiert).
Wenn wir die Analyse in der Minitab Statistical Software mit dem CART®-Klassifikationsbaum ausführen, erhalten wir einige sehr interessante Informationen.
Mit dem CART®-Befehl in Minitab wird der optimale Baum ausgewählt (d. h. der ideale Entscheidungsbaum), um den besten Kandidaten für eine Anwerbung zu ermitteln.
Informationen zur binären Antwort
Baumdiagramm
Durch die Ergebnisse erhalten wir einige interessante Einblicke.
Zunächst können wir den Entscheidungsbaum betrachten, der zeigt, dass der ideale Kandidat eine Persönlichkeitseinstufung unter 4,5 und eine Durchschnittsnote über 3,15 hat.
Im Vertrieb, wo die Persönlichkeit äußerst wichtig für den Erfolg ist, hat also nicht die extrovertierteste Person die besten Erfolgschancen.
Unser Modell zeigt, dass Bewerber mit einer Einstufung von 5 möglicherweise zu forsch für diese Position und daher nicht die erste Wahl sind.
Außerdem ist interessant, dass die Gruppen durch eine Durchschnittsnote über 3,15 getrennt werden. Es wäre daher denkbar, in der Stellenbeschreibung keine Durchschnittsnote von 3,0 als Mindestwert anzugeben, sondern die Suche zu präzisieren.
Wenn Sie die relative Variablenwichtigkeit betrachten, sind Persönlichkeit und Durchschnittsnote die wichtigsten Faktoren für diese Position.
Auffällig ist, dass der Hintergrund im Gesundheitswesen den geringsten Einfluss auf den Erfolg hat. Beim Anwerben von Kandidaten für den Vertrieb müssen Sie sich also nicht auf Personen mit entsprechenden Vorkenntnissen beschränken.
Es empfiehlt sich immer auszuwerten, wie gut die Antwortvariable mit dem Modell klassifiziert werden kann.
Dies ist zwar ein komplexerer Schritt, aber Sie können damit die Zuverlässigkeit Ihres Modells steigern. Lassen Sie sich vom Namen „Konfusionsmatrix“ nicht verwirren.
Dies ist einfach eine Tabelle, die zeigt, wie gut das Modell die Antwortvariable prognostizieren konnte.
Konfusionsmatrix
Mit unserem Modell wurde richtig prognostiziert, dass ein Kandidat seine Quote erfüllen würde, während er bei den Testdaten die Quote in 93,1 % der Fälle erfüllte.
Außerdem wurde korrekt prognostiziert, dass eine Person die Quote nicht erfüllen würde, was tatsächlich in 95,4 % der Fälle zutraf. Dies ist also ein hervorragend geeignetes Modell, um das Anforderungsprofil für Bewerber weiter zu konkretisieren!
Auch Sie können ganz einfach ein datengestütztes Kandidatenprofil erstellen.
Wie Sie gesehen haben, dauert es nur wenige Minuten, das Modell zu generieren und auszuwerten.
Jetzt können Sie sich darauf konzentrieren, Bewerber nach den wirklich wichtigen Kriterien zu kategorisieren und nicht nach Gefühl.
Möchten Sie mehr über die Klassifikations- und Regressionsbäume erfahren? Sprechen Sie mit uns >