AI meets Learning

Die personalisierte Lernreise zum Data Scientist und Data Engineer: Mit dem Einsatz von künstlicher Intelligenz ging der österreichische Telekommunikationsanbieter A1 neue Wege im HR-Bereich. Wenn man neue Schritte wagt, ist eines garantiert – viele neue Erfahrungen und Learnings für die Zukunft. Und: A1 wurde für dieses Projekt mit dem HR-Excellence-Award in der Kategorie HR-Analytics & Technology ausgezeichnet.

1. Treiber oder Nachzügler der digitalen Transformation?

Zahlreiche Berichte und Studien sehen HR als einen der Haupttreiber der Digitalen Transformation. Wenn man es aus Sicht der Etablierung neuer, agiler Arbeitsweisen, der Entwicklung von sogenannten Future Skills oder auch der Gestaltung einer offenen, vertrauensbasierten Unternehmenskultur gemeinsam mit der Unternehmensführung sieht, stimme ich den Berichten zu.

Betrachtet man Digitalisierung jedoch aus der Perspektive des Einsatzes neuer Technologien sowie der Automatisierung analoger Prozesse, hinken HR-Abteilungen oftmals hinterher. Während immer innovativere, technologiebasierende Kundenerlebnisse geschaffen werden, herrschen intern oftmals noch Excel und manuelle Arbeitsschritte vor. Auch wenn die aktuelle Krise hier eine ungeplante und unvorhersehbare Beschleunigung brachte und viele MitarbeiterInnen nun tatsächlich mit VPN oder Vorstände mit digitalen Signaturen ausgestattet sind, wird die Kluft zwischen der Customer-Experience als Privatperson und der Employee-Experience, die wir in Unternehmen vorfinden, immer größer.

1.1. Gestern handeln, um heute attraktiv zu sein

Insbesondere bei jüngeren Generationen und vor allem bei Top-Talenten ist zu beobachten, dass die Arbeitgeberwahl zu einer noch bewussteren Entscheidung wird. Wo und wie ich meine Lebenszeit verbringe, hängt nicht mehr primär an der Zahl auf meinem Gehaltszetteln, sondern viel mehr daran, ob mein Job positiv zu meinem und dem Leben anderer beiträgt und meiner Persönlichkeitsentwicklung dient.

Im 21. Jahrhundert gewinnen andere Faktoren an Bedeutung, was wohl durch die aktuelle Krise bei vielen noch intensiviert wird. Um als Arbeitgeber attraktiv zu sein, rücken Themen wie

• Purpose – also ein größerer Sinn und die Suche nach einem Beitrag, den ich und/oder das Unternehmen an der Gesellschaft leisten, der über Gewinnmaximierung hinausgeht,
• Autonomy und Eigenverantwortung – also die Möglichkeit, frei entscheiden und mitgestalten zu können,
• Mastery – die Chance, mit und an seinen Tätigkeiten zu wachsen sowie
• Personalisierung eine immer wichtigere Rolle.

Letztere zwei Punkte – also lebenslanges Lernen und die Möglichkeit, dies zu personalisieren – waren unser Zündfunke und Antrieb, neue Wege im HR-Bereich zu wagen. Bei der Auswahl der Zielgruppe für unser Pilotprojekt betrachteten wir eine weitere Facette der Digitalisierung, und zwar den Aufbau essenzieller Skills.

1.2. Data als Schlüsselkompetenz

Während wir als Telekommunikations­unternehmen einerseits an der Attraktivität als zukunftsweisender und innovativer Arbeitgeber arbeiten, ist eine weitere Herausforderung der Aufbau wichtiger Advanced-Analytics-Kompetenzen. Im Gegensatz zu Digital-Leadern, hinken Telcos oftmals bei algorithmus-basiertem Arbeiten hinterher, wichtiges Know-How und Kernkompetenzen fehlen. Darüber hinaus sind Talente heiß umkämpft und teuer und die attraktiven Projekte sind bei Telcos – wenn überhaupt – im Backlog; die Devise lautet zuerst die Pflicht – also entrümpeln, aufräumen, automatisieren – und dann die Kür in Form von innovativen Projekten, Machine-Learning, Deep-Learning.

2. Data-Experten im Zentrum unseres Piloten „Match Your Skills“

Aus diesem Grund entschieden wir uns, genau in dem Bereich, in dem die Vorreiter der Digitalisierung zu finden sind, ein Pilotprojekt zu starten, das neue Technologien, Personalisierung und Lernen vereinen soll.

Unser Ziel war es, all jene KollegInnen zu identifizieren, die das Potenzial und die Motivation haben, sich in eine der beiden Job-Rollen – Data Scientist oder Data Engineer – zu entwickeln.

Ein traditionelle HR-Ansatz wie beispielsweise virtuelle Auswahl­verfahren schied für uns als Option aus. Stattdessen bedienten wir uns der Expertise unseres externen Partners HR-Forecast und versuchten neue Wege mithilfe künstlicher Intelligenz zu gehen.

2.1. Ein agiler Projektansatz mit zahlreichen Feedbackschleifen ermöglichte flexibles Handeln

2.1.1. Phase 1, Optimization & Application

• Im ersten Schritt nutzten wir Advanced-Analytics, um mehr als 50.000 Job-Profile zu crawlen und mithilfe der gewonnen Daten unsere bisherigen Job-Profile des Data-Scientists und Data-Engineers zu optimieren. Betrachtet wurden im Hintergrund Kennzahlen wie Time-to-Hire und Häufigkeit der genannten Keywords. Die optimierten Job-Profile waren somit das Idealprofil und stellten die Basis für alle weiteren Schritte dar.
• Zeitgleich starteten wir unseren unternehmensweiten Aufruf mit dem Titel Match Your Skills – also, vergleiche deine Skills mit denen eines Data-Scientists oder Data-Enigneers. Diesem Aufruf folgten mehr als 150 KollegenInnen aus 6 Ländern.

2.1.1.1. Fazit Phase 1:

Als besonders wirksam in der Kommunikation an potenzielle TeilnehmerInnen stellte sich die direkte Ansprache durch das Top-Management heraus. Eingebettet in die Transformationsgeschichte, konnte mit diesem Projekt das Top-Management ein konkretes Angebot machen, das Menschen dabei unterstützt, kritische, zukunftsweisende Kompetenzen aufzubauen.

Zugleich war aufgrund der Neuartigkeit des Projektes und der Unklarheit, was die beinahe gehypte „Data-Welt“ in sich birgt, auch Zurückhaltung zu erkennen. Transparenz und Offenheit durch das Management aber auch das Projektteam waren somit Grund­voraussetzung, um Sicherheit zu geben, insbesondere bezüglich der eigenen Datensicherheit. Wir wählten daher eine sehr persönliche Sprache und offene Kommunikation, um den Mensch hinter der Technologie ein Gesicht zu geben und spürbar zu machen.

2.1.2. Phase 2, Adaption & Skill-Matching

• In der nächsten Phase wurden wieder mithilfe eines Algorithmus der Lebenslauf und die Trainingshistorie aller TeilnehmerInnen in ein Kompetenzprofil umgewandelt. Die umgewandelten Skills konnten dann manuell bewertet (Beginner, Intermediate, Expert) sowie fehlende Kompetenzen ergänzt werden.
• Nach der Adaption der Skills konnte nun das eigene Profil dem des Data-Scientists und Data-Engineers gegenüberstellt werden, um so seine ganz persönliche Skill-Lücke zu ermitteln.
• Die Vielfalt und Diversität der TeilnehmerInnen spiegelte sich auch im Matching-Score wider. Die Bandbreite reichte von 4 % bis 89 % skill-fit.

2.1.2.1. Fazit Phase 2:

Ein Algorithmus kann Vorschläge machen, aber der Mensch ist nach wie vor gefragt, um die Entscheidung zu treffen. Manuelle Schritte sind auch in Zeiten von Automatisierung noch gefragt und notwendig.

An dieser Stelle hatten wir einen wichtigen Meilenstein unseres Piloten erreicht. Um die Teilnehmer mit ihrer Skill-Lücke jedoch nicht allein zu lassen, gingen wir noch einen Schritt weiter und über das Skill-Matching hinaus und starteten ein erneutes Experiment basierend auf folgender Frage: Lassen sich mithilfe von AI die fehlenden Skills in einen Lernpfad umwandeln?

2.1.3. Phase 3, Personalisiertes Lernen

• Um einen personalisierten und individuellen Lernpfad erstellen zu können, fütterten wir das System von HR-Forecast mit mehr als 70.000 Online-Kursen aus mehr als 5 Online-Lernplattformen gefüttert.
• Basierend auf der persönlichen Skill-Lücke und der Wichtigkeit des jeweiligen Skills für den künftigen Job, bekam jeder Teilnehmer/jede Teilnehmerin seine/ihre ganz persönliche Kurs-Liste, die ebenfalls wieder mittels eines Dashboards abgerufen werden konnte. Ausgestattet mit der Lizenz für die bevorzugte Lernplattform, starteten 70 KollegInnen, die tatsächlich in mittelbarer Zukunft einen Job-Wechsel anstreben, ihre ganz persönliche Lernreise.

2.1.3.1. Fazit Phase 3:

Selbstge­steuertes Lernen und Constant-Learning sind nur zwei der vielen Buzzwords, die uns im L&D-Bereich über die letzten Jahre begleiten. An dieser Stelle sei gesagt: viele von uns haben nicht gelernt, wie man lernt. Ein selbst-motiviertes Re-Skilling neben dem eigentlichen Job verlangt viel Disziplin, einen hohen Grad an Eigenverantwortung und eine klare Perspektive – also die Aussicht, was ich mit dem Wissen machen werde.

2.2. Online doesn‘t go without offline

Laufende Feedbackschleifen mit den TeilnehmerInnen ließen rasch erkennen, dass trotz eines konkreten Lernpfades etwas fehlt – und zwar die Interaktion, Reflektion und auch Orientierung. Letzteres erscheint womöglich ein wenig unlogisch, hatte doch jeder Teilnehmer/jede Teilnehmerin einen konkreten Lernpfad, den es zu absolvieren gab. Das Problem bei einem komplexen Thema wie Advanced-Analytics ist jedoch, dass aufgrund der vielen Bäume der Wald nicht zu erkennen war.

Anders ausgedrückt: der Algorithmus erstellte zwar eine umfangreiche Liste an einzelnen Lernvorschlägen, doch das Big Picture sowie die Zusammenhänge waren unklar. Mit welchem Skill starte ich, wie tief muss ich in die Materie eintauchen? Und was mache ich mit dem Wissen? Da wir den Lernpfad aufgrund eines Idealbildes erstellen ließen, wurden die Lerninhalte auch entsprechend vorgeschlagen. In der Praxis wird das Profil jedoch nicht 1:1 gelebt und manch ein Skill wird selbst von langjährigen Data-Scientists oder Data-Engineers so im Alltag nicht angewendet.

Ich bin überzeugt: obwohl es bereits zahlreiche, sehr gute Online-Kurse im Bereich Advanced-Analytics gibt, verlangt diese neue, für viele unbekannte Welt eine zusätzliche Begleitung – insbesondere bei Neulingen im Data-, Programming- und Statistikbereich.

2.2.1. Lernbegleitung und Praxis­bezug durch erfahrene Experten

Neben der Klarheit über Zusammenhänge und der Interpretation des Gelernten, hatte die praktische Anwendung des neuen Wissens einen hohen Stellen­wert für uns. Nachdem wir unterschiedliche Social-Learning-Formen wie Mentoring oder ein Buddy-Programm angedacht hatten, entschieden wir uns, die Online-Lernreise um zwei weitere, essenzielle Elemente zu erweitern: die Mitarbeit an tatsächlichen Use-Cases sowie regelmäßige Check-Ins mit HR- und Data-Scientists sowie Data-Engineers.

2.2.1.1. Use-Case-Mitarbeit

Das gesamte Projekt war in enger Zusammenarbeit mit den Data-Fachbereichen aufgesetzt, insbesondere dieser Schritt. Gemeinsam mit dem Team Advanced-Analytics ermöglichten wir Interessierten über einen Zeitraum von drei bis sechs Monaten an Advanced-Analytics-Projekten in den Bereichen Marketing, Consumer, Network, Process-Automation sowie Finance mitzuarbeiten. Dies brachte nicht nur den Vorteil, Gelerntes direkt anzuwenden und von Projektmitgliedern in der Praxis zu lernen, es brachte auch helfende Hände im Advanced-Analytics-Bereich, wo – wie eingangs bereits erwähnt – die Ressourcen knapp sind.

Es entstand sogar eine Win-Win-Win-Situation – für den Lernenden, den AA-Bereich und den „Heimat“-Bereich des Teilnehmers, da neue Erkenntnisse in den eigenen Fachbereich zurückgebracht werden. So erlangte beispielsweise der Controller im Roaming-Prediction-Projekt neue Erkenntnisse über Modeling, die er im eigenen Fachbereich teilen und anwenden kann. Was somit passiert, ist eine indirekte Digitalisierung jener Fachbereiche, die womöglich (noch) nicht im Fokus der unternehmensweiten Digitalisierungs-Strategie liegen.

2.2.1.2. Checkins

Ein weiteres Lernwerkezug, dessen wir uns bedienen, sind regelmäßige, mehrstündige Check-Ins, in denen TeilnehmerInnen des jeweiligen Landes zusammenkommen, um Gelerntes zu reflektieren und interpretieren und offene Fragen zu klären. Zusätzlich ermöglichen praktische Übungen anhand von Beispielen aus dem Data-Science-Alltag die Verknüpfung mit unserem Business und erzeugen somit einen nachhaltigen Lerneffekt.

Kurzer Exkurs: Die Check-Ins der Data-Scientists sind so beliebt, dass wir laufend weitere Anfragen bekommen und daher aktuell ein Format für eine offene Zielgruppe aufzusetzen, um das Verständnis für daten-basiertes Arbeiten zu verbreiten. Dabei erlernen Data-Scientists nicht nur didaktische Skills, sie lernen auch die Fachbereiche, mit denen sie in Use-Cases regelmäßig kooperieren, besser kennen.

3. Retro-Perspektiv

Im letzten Abschnitt möchte ich unsere bisherigen Learnings und Überlegungen teilen.

3.1. Strategisches Skill-Planung mal anders

Jahrzehntelang gab es in Unternehmen Projekte, die Klarheit in strategisches „Workforce-“ und „Skill-Planning“ bringen sollten. Ein ewig präsenter Wunsch vieler Top-Manager: welche Jobs fallen in naher Zukunft weg, welche Skills benötigen wir und wen können wir wohin entwickeln. Die Erfahrung – auch in unserem Unternehmen – hat gezeigt, dass sich die in solche Projekte gesteckten Hoffnungen nicht zur Gänze erfüllt haben. Der Output erschien dem getätigten Aufwand gegenüber nicht adäquat.

Neue Technologien bieten die Möglichkeit, hier eine unternehmensweite Bottom-Up-Strategie zu wählen. Mit diesem Ansatz gelang es uns

1. eine klare Richtung hinsichtlich gefragter Skills vorzuge­geben.
2. Eigenverantwortung ( Autonomy) zu fordern und fördern; wie eingangs erwähnt, ein wichtiges Element, um Motivation und Engagement hoch zu halten.

3. Personen in Ecken zu finden, in denen man normalerweise nicht suchen würde. Beispielsweise arbeitet eine sehr ambitionierte Teilnehmerin operativ an der Service-Line und betreut unsere KundenInnen telefonisch. Uns freut es ganz besonders, hier neue Chancen geschaffen zu haben. Dank dem Einsatz neuer Technologien, konnten ALLE Menschen mitmachen und wir können sie in ihrer Entwicklung unterstützen, egal ob 4 % oder über 80 %. Denn auch dies ist nur durch den Einsatz von digitalen Lernwegen möglich.

3.2. Lernkultur bewusst formen

Abschließend möchte ich auf das Thema digitales Lernen nochmals genauer eingehen.

Zu Beginn des Projektes strebten wir eine reine Digital-Lernstrategie an. Ziel war es, dass KollegInnen selbstmotiviert und mit der nötigen Lernlizenz die vorgeschlagenen Online-Kurse absolvieren. Das tun sie bestimmt auch – aber nicht alle, nicht in dem notwendigen Tempo und nicht ohne Unterstützung. Manch einem würde wohl ein regelmäßiger Austausch mit einem Online-Tutor reichen, andere wiederum brauchen eine intensivere Begleitung mit Zwischenzielen, Lernaufgaben und klaren Empfehlungen.

Um den Sprung in die digitale Lernwelt zu schaffen, muss in meinen Augen ein wichtiges Augenmerk auf das Thema „Lernen lernen“ gelegt werden. Neben Fokus und sehr viel Selbstdisziplin des Lerners, sind von Seitens L&D neue Ansätze gefragt. Mediendiversität ist notwendig, um unterschiedliche Lerntypen anzusprechen. Soziale Aspekte wie das Gemeinschaftsgefühl, das wir von Schule und Trainings kennen, müssen neu integriert werden.

Diverse Apps und auch viele Onlinekurse zeigen, dass es gelingen kann, in dem man Reflexion, Anwendung und Feedback bewusst integriert. Ich bin daher überzeugt, dass Tools (und offensichtlich auch Krisen) helfen, alte Gewohnheiten zurücklassen, aber sie ersetzen nicht die intrinsische Motivation, um Neues zu lernen; erkennt man also nicht den Nutzen des Neuen, übt und wiederholt es nicht, fällt man rasch in Alt-Bekanntes zurück.

Der Beitrag ist in CFOaktuell (Heft 4/2020) erschienen. Mehr Infos unter: www.cfoaktuell.at

Weiterbildungstipp

Certified HR-Controller | Human Resources transparent steuern und erfolgreich einsetzen
Wann? Start am 01. März 2021 | Wo? Munich Business School, Elsenheimerstraße 61, 80687 München | Info und Anmeldung