Qualitätsverbesserung im Personalwesen: Reduzieren der Fluktuation

Bei datengestützten Initiativen zur Qualitätsverbesserung denkt man meist zuerst an Produktionsbetriebe. Der Ansatz, Probleme mit Hilfe von Statistik und Datenanalyse zu lösen, ist jedoch so flexibel, dass er für alle geschäftlichen Prozesse genutzt werden kann. „Der Einsatz der Lean Six Sigma-Methodik im Transaktions- und Dienstleistungsbereich hat zugenommen“, erläutert Jeff Parks, Lean Six Sigma Master Black Belt. „Ich hatte z. B. die Gelegenheit, Qualitätsverbesserungsverfahren im Bereich Personalwesen anzuwenden.“ In einem kürzlich durchgeführten Lean Six Sigma-Projekt befasste sich Parks damit, den starken Personalabgang bei einem großen Hersteller von Maschinenteilen für die Luft- und Raumfahrt zu analysieren und zu reduzieren. Dabei nutzte er die leistungsstarken Werkzeuge der Minitab Statistical Software für die Datenanalyse.

Die Herausforderung

Jeff Parks, Lean Six Sigma Master Black Belt, löste mit der Minitab Statistical Software ein wichtiges Personalproblem bei einem großen Hersteller von Maschinenteilen für die Luft- und Raumfahrt.

Personalabgang oder Fluktuation, bezeichnet die Rate, mit der Mitarbeiter ein Unternehmen verlassen. Aufgrund der Kosten für die Einstellung und Einarbeitung von neuen Mitarbeitern können hohe Abgangsraten für Unternehmen problematisch und sehr teuer sein.

2009 hatte ein großer Hersteller von Maschinenteilen für die Luft- und Raumfahrtindustrie in Ohio, USA, normale Abgangsraten von 15–18 Prozent. Dies entsprach den allgemeinen Abgangsraten in produzierenden Unternehmen in dieser Region. Die Rezession in den USA 2009 traf jedoch mit einer Steigerung der Abgangsrate im Unternehmen zusammen, die auf über 30 Prozent stieg. In Anbetracht der hohen Arbeitslosenzahlen in der Region und im ganzen Land hatte das Management deutlich niedrigere Werte erwartet. „Die hohe Abgangsrate war äußerst problematisch“, so Parks, der die Qualitätsverbesserungsmaßnahmen des Unternehmens leitete. „Sie implizierte, dass im Unternehmen ein fundamentaleres Problem vorlag – eines, das die Personalabteilung nicht genau bestimmen konnte.“

Die Mitarbeiter der Personalabteilung in diesem Unternehmen führten normalerweise Abgangsgespräche, um zu erfahren, weshalb die Mitarbeiter das Unternehmen verließen. Auch wenn diese Gespräche häufig sehr aufschlussreich sind, gibt es keine Möglichkeit für solche Gespräche, wenn die Mitarbeiter ohne Vorwarnung kündigen. Und in einer Produktionsumgebung mit Bezahlung auf Stundenbasis und harter körperlicher Arbeit kam es häufig vor, dass Mitarbeiter ohne Vorwarnung kündigten und wenig oder keine Angaben zu den Gründen machten. Das Unternehmen hatte grundlegende Daten zu den Mitarbeitern zusammengetragen, die in den vergangenen zwei Jahren ihren Arbeitsplatz ohne Vorankündigung verlassen hatten, und Parks analysierte diese Daten, um Hinweise auf die Gründe für den plötzlichen Anstieg der Abgangsrate zu finden.

Einsatz von Minitab

Das Unternehmen hatte in einem Zeitraum von zwei Jahren 100 Mitarbeiter eingestellt. Von diesen Neueinstellungen hatten 32 ohne Vorwarnung gekündigt. Dem Unternehmen lagen grundlegende Informationen zu den neu eingestellten Mitarbeitern vor, u. a. Geschlecht, Position, Gehaltsklasse, Schicht, vorhandene Erfahrung in der Produktion und Länge des Arbeitswegs. Parks führte Hypothesentests in Minitab durch, um zu ermitteln, ob beim Anteil der Mitarbeiter, die gekündigt hatten, statistisch signifikante Unterschiede zwischen den Gehaltsklassen (Stundenbasis bzw. Lohn) und den Schichten (erste bzw. zweite Schicht) bestanden. Er hoffte, Muster beim Abgangsverhalten feststellen zu können. Die Analyse zeigte jedoch keine statistisch signifikanten Unterschiede bei den Anteilen der jeweiligen Variablen.

Mit Minitab-Diagrammen konnte Parks die vom Unternehmen erfassten Rohdaten zu abgegangenen Mitarbeitern grafisch darstellen. Das Histogramm oben zeigt die Verteilung der Länge des Arbeitswegs bei neu eingestellten Mitarbeitern über einen Zeitraum von zwei Jahren.

Parks ging jedoch noch weiter. Er untersuchte die Rohdaten genauer und bemerkte, dass viele der Mitarbeiter, die gekündigt hatten, Frauen mit Erfahrung im Produktionsbereich und unterschiedlich langen Arbeitswegen waren. Er analysierte mit Minitab, ob Geschlecht, Erfahrung in der Produktion oder Arbeitsweg damit korrelierten, dass ein Mitarbeiter das Unternehmen verlassen hatte. In diesem Fall war die Antwortvariable, die Parks auswerten wollte (Kündigung oder keine Kündigung), binär und konnte nur zwei mögliche Werte annehmen. Mit der leistungsstarken binären logistischen Regressionsanalyse in Minitab konnte Parks statistische Modelle entwickeln, um zu prognostizieren, welche Variablen die Wahrscheinlichkeit für eine Kündigung erhöhten.

Die Analyse zeigte, dass die Länge des Arbeitswegs statistisch signifikant war. Die Ausgabe der Minitab-Analyse enthielt eine Regressionsgleichung, mit der Parks die Wahrscheinlichkeit einer Kündigung auf der Grundlage der Länge des Arbeitswegs in Meilen prognostizieren konnte. Mit der Gleichung analysierte er Entfernungen von bis zu 30 Meilen und stellte fest, dass die Länge des Arbeitswegs bis zu der Marke von 12 Meilen nur geringe Auswirkungen auf die Wahrscheinlichkeit einer Kündigung hatte. Bei 12 Meilen nahm die Wahrscheinlichkeit für eine Kündigung um mehr als 18 Prozent zu. „Und bei 13 Meilen, was einer Pendelzeit von 30–45 Minuten entspricht, stieg die Wahrscheinlichkeit für eine Kündigung steil auf über 92 Prozent an“, bemerkt Parks. „Wenn der Arbeitsweg länger als 13 Meilen ist, ist es fast sicher, dass ein Mitarbeiter kündigt.“

Mit Hilfe der leistungsstarken logistischen Regressionsanalyse konnte Parks die Faktoren herausarbeiten, die bei den Mitarbeitern korrelierten, die das Unternehmen ohne Vorankündigung verlassen hatten.

Ergebnisse

Die Personalabteilung dieses Herstellers stellte das Bewerbungsverfahren für Arbeitsplätze in der Produktion anhand der Ergebnisse von Parks’ Analyse um. Es wurde genauer auf die Länge des Arbeitswegs für die Bewerber geachtet, und diese Angaben wurden bei der Entscheidung über eine Einstellung berücksichtigt.

In Parks Augen erklären die Daten das scheinbare Paradox zwischen steigenden Abgangsraten bei gleichzeitig hoher Arbeitslosigkeit. „Die Analyse schien zu implizieren, dass sich die Menschen während der Rezession auf sehr viele Stellen bewarben, weil die wirtschaftliche Lage so schlecht war“, erläutert Parks. „Doch wenn sie dann feststellten, dass das Pendeln sehr anstrengend sein konnte, suchten sie schnell nach anderen Arbeitsstellen und kündigten daher häufig.“

Parks verwendet Minitab seit über 15 Jahren und ist besonders angetan davon, dass die Software von Benutzern mit unterschiedlichsten Vorkenntnissen und unterschiedlichen Hintergründen eingesetzt werden kann. „Mit Minitab konnte ich Hunderte von Belts mit wenig Statistikkenntnissen unterrichten und Qualitätsverbesserungsprojekte in den unterschiedlichsten Geschäftsbereichen durchführen“, erläutert er. „In Bezug auf Benutzerfreundlichkeit und die Leistungsfähigkeit der Statistikfunktionen ist es das beste Statistikpaket auf dem Markt.“