Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Digitalisierung im Krankenhauscontrolling Read chapter Read first chapter

2022 | OriginalPaper | Chapter

3. Verbesserung der Prognosequalität im Personalcontrolling

Praktisches Beispiel der Anwendung von multiplen linearen Regressionsmodellen, Regressionsbäumen und Extreme Gradient Boosting zur Vorhersage der krankheitsbedingten Abwesenheit

Authors : Olga Sagradov, David Müller

Published in: Controlling & Innovation 2022

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Für das langfristige Bestehen eines Unternehmens ist es notwendig, schnell und gezielt auf ständige Umweltveränderungen zu reagieren. Die Reaktionsgeschwindigkeit auf zukünftige Veränderungen hängt von der Fähigkeit des Unternehmens ab, mögliche Szenarien für die Entwicklung der internen sowie externen Umgebung vorherzusagen. Die Controlling-Abteilungen, welche regulär kurz-, mittel- und langfristige Prognosen vorbereiten müssen, erhalten heutzutage neue Möglichkeiten in der Auswahl der Forecast-Instrumentarien. Die Regressionsmodelle sowie Predictive Analytics und vor allem Machine Learning stellen keine neuen Analysemethoden dar, jedoch finden sie eher selten Anwendung in Controlling und Planung der Unternehmen. Einer der möglichen Anwendungsbereiche der fortgeschrittenen Analytics im Unternehmenscontrolling stellt die Krankheitsanalyse bzw. -vorhersage dar. Mit dem Ausfall der Arbeitskräfte sind abhängig von der Unternehmenstätigkeit hohe Kosten verbunden. Steigende Aufmerksamkeit zum Thema Gesundheitsmanagement in Unternehmen fordert ebenso die Erstellung aussagekräftiger Analytics, um die entsprechenden Maßnahmen strategisch zu planen. Anhand von Daten eines ostdeutschen Großunternehmens beantworten die Autoren die Frage, wie sich die Prognosequalität des Krankheitsstandes mittels Regressionsmodellen und Predictive Analytics verbessern lässt. Abschließend sind aus dem Beitrag der Nutzen und die Herausforderungen der Anwendung von fortgeschrittenen Prognosemethoden im Personalcontrolling zu entnehmen.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Pflege 4.0 – Digitale Transformation eines Pflegeunternehmens
next chapter Wirkungsorientiertes Controlling
Footnotes
Literature
Agrawal, A., & Choudhary, A. (2019). Health services data: Big data analytics for deriving predictive healthcare insights. In A. Levy, S. Goring, C. Gatsonis, B. Sobolev, E. van Ginneken, & R. Busse (Hrsg.), Health services evaluation (S. 3–18). SpringerCrossRef
Akter, S., & Wamba, S. F. (2016). Big data analytics in E-commerce: A systematic review and agenda for future research. Electron Markets, 26(2), 173–194.
Al Farraj, O., Al Zubi, A., & Tolba, A. (2019). Optimized feature selection algorithm based on fireflies with gravitational ant colony algorithm for big data predictive analytics. Neural Computing and Applications, 31(5), 1391–1403.CrossRef
Amani, F. A., & Fadlalla, A. M. (2017). Data mining applications in accounting: A review of the literature and organizing framework. International Journal of Accounting Information Systems, 24, 32–58.CrossRef
Antipov, E. A., & Pokryshevskaya, E. B. (2020). Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values. Journal of revenue and pricing management, 19(5), 355–364.CrossRef
Apte, C. V., Natarajan, R., Pednault, E. P. D., & Tipu, F. A. (2002). A probabilistic estimation framework for predictive modeling analytics. IBM Systems Journal, 41(3), 438–448.CrossRef
Arifuzzaman, M., Gazder, U., Alam, M. S., Sirin, O., & Mamun, A. A. (2019). Modelling of asphalt’s adhesive behaviour using classification and regression tree (CART) analysis. Computational intelligence and neuroscience, 2019, 1–7.CrossRef
Baechle, C., & Agarwal, A. (2017). A framework for the estimation and reduction of hospital readmission penalties using predictive analytics. Journal of Big Data, 4, 1–15.CrossRef
Bankhofer, U., & Vogel, J. (2008). Datenanalyse und Statistik. Eine Einführung für Ökonomen im Bachelor. Gabler.
Berea, A. (2017). Predictive Analytics. In L. Schintler & C. McNeely (Hrsg.), Encyclopedia of big data. Springer.
Bingham, N. H., & Fry, J. M. (2010). Regression. Linear models in statistics. Springer.
Blackburn, R., Lurz, K., Priese, B., Göb, R., & Darkow, I.-L. (2015). A predictive analytics approach for demand forecasting in the process industry. International transactions in operational research, 22(3), 407–428.CrossRef
Bortz, J., & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler. Springer.CrossRef
Budgaga, W., Malensek, M., Pallickara, S., Harvey, N., Breidt, F. J., & Pallickara, S. (2016). Predictive analytics using statistical, learning, and ensemble methods to support real-time exploration of discrete event simulations. Future Generation Computer Systems, 56, 360–374.CrossRef
Burow, L., Gerards, Y., & Demmer, M. (2017). Effektiv und effizient steuern mit Predictive Analytics. Controlling & Management Review, 9, 48–56.CrossRef
Buschbacher, F. (2016). Wertschöpfung mit Big Data Analytics. Controlling & Management Review, Sonderheft, 1, 40–45.CrossRef
Chamoni, P., & Gluchowski, P. (2017). Business Analytics – State of the Art. Controlling & Management Review, 4, 8–17.CrossRef
Chong, A. Y. L., Li, B., Ngai, E. W. T., Ch’ng, E., & Lee, F. (2016). Predicting online product sales via online reviews, sentiments, and promotion strategies. International Journal of Operations & Production Management, 36(4), 358–383.CrossRef
Christ, O., & Ebert, N. (2016). Predictive Analytics im Human Capital Management: Status Quo und Potentiale. HMD Praxis der Wirtschaftsinformatik, 53(3), 298–309.CrossRef
Cinar, E. M., Hienkel, T., & Horwitz, W. (2019). Comparative entrepreneurship factors between north mediterranean and North African countries: A regression tree analysis. The Quarterly Review of Economics and Finance, 73, 88–94.CrossRef
Diez-Olivan, A., Del Ser, J., Galar, D., & Sierra, B. (2019). Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0. Information Fusion, 50, 92–111.CrossRef
Erichsen, J. (2019). Controlling – Digitalisierung, Automatisierung und Disruption verändern Aufgabenfelder und Anforderungen nachhaltig. In T. Kümpel, K. Schlenkrich, & T. Heupel (Hrsg.), Controlling & Innovation 2019 (S. 1–22). Springer.
Friedl, G., Hofmann, C., & Pedell, B. (2015). Kostenrechnung. Vahlen.
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232.CrossRef
Ghandar, A., Michalewicz, Z., & Zurbruegg, R. (2016). The relationship between model complexity and forecasting performance for computer intelligence optimization in finance. International Journal of Forecasting, 32(3), 598–613.CrossRef
Griva, A., Bardaki, C., Pramatari, K., & Papakiriakopoulos, D. (2018). Retail business analytics: Customer visit segmentation using market basket data. Expert Systems with Applications, 100, 1–16.CrossRef
Gupta, D., & Rani, R. (2019). A study of big data evolution and research challenges. Journal of Information Science, 45(3), 322–340.CrossRef
Hänsch, R., & Hellwich, O. (2017). Random Forests. In C. Heipke (Hrsg.), Photogrammetrie und Fernerkundung (S. 603–643). Springer.CrossRef
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.CrossRef
Hazen, B. T., Skipper, J. B., Boone, C. A., & Hill, R. R. (2018). Back in business: Operations research in support of big data analytics for operations and supply chain management. Annals of Operations Research, 270, 201–211.
Huang, T., Bergman, D., & Gopal, R. (2019). Predictive and Prescriptive Analytics for Location Selection of Add-On Retail Products. Production and Operations Management, 182(1), 1858–1877.
Huuang, W. E. I., Lai, K. K., Nakamori, Y., Wang, S., & Yu, L. (2007). Neural networks in finance and economics forecasting. International Journal of Information Technology & Decision Making, 6(1), 113–140.CrossRef
Ibrahim, N. F., & Wang, X. (2019). A text analytics approach for online re-tailing service improvement: Evidence from Twitter. Decision Support Systems, 121, 37–50.CrossRef
Iffert, L. (2016). Predictive Analytics richtig einsetzen. Controlling & Management Review, Sonderheft, 1, 16–23.CrossRef
Israeli, A., Rokach, L., & Shabtai, A. (2019). Constraint learning based gradient boosting trees. Expert Systems with Applications, 128, 287–300.CrossRef
Jalali, S. M. J., & Park, H. W. (2018). State of the art in business analytics: Themes and collaborations. Quality & Quantity, 52, 627–633.
Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer.CrossRef
Jung, H. (2017). Personalwirtschaft. De Gruyter.
Karppi, T. (2018). “The Computer Said So”: On the ethics, effectiveness, and cultural techniques of predictive policing. Social Media + Society, 4(2), 1–9.
Kashyap, H., Ahmed, H. A., Hoque, N., Roy, S., & Bhattacharyya, D. K. (2016). Big data analytics in bioinformatics: Architectures, techniques, tools and issues. Network Modeling and Analysis in Health Informatics and Bioinformatics, 5(1), 1–28.
Kent, E. L. (2014). Text analytics – techniques, language and opportunity. Business Information Review, 31(1), 50–53.CrossRef
Kohn, W. (2005). Statistik. Datenanalyse und Wahrscheinlichkeitsrechnung. Springer.
Koslowski, F. (1995). Personal-Controlling - Grundlagen und funktionale Bausteine. In B. R. A. Sierke & F. Albe (Hrsg.), Branchenübergreifende Erfolgsfaktoren (S. 385–395). Gabler.CrossRef
Kridel, D., & Dolk, D. (2013). Automated self-service modeling: Predictive analytics as a service. Information Systems and e-Business Management, 11(1), 119–140.
Krishen, A., & Petrescu, M. (2017). Marketing analytics: From practice to academia. Journal of Marketing Analytics, 5(2), 45–46.
Lantz, B. (2013). Machine Learning with R. Packt Publishing.
Leventhal, B. (2010). An introduction to data mining and other techniques for advanced analytics. Journal of Direct, Data and Digital Marketing Practice, 12(2), 137–153.CrossRef
Li, B., Yu, Q., & Peng, L. (2019). Ensemble of fast learning stochastic gradient boosting. Communications in Statistics - Simulation and Computation, 11(7), 1–13.
Lu, J., Chen, W., Ma, Y., Ke, J., Li, Z., Zhang, F., & Maciejewski, R. (2017). Recent progress and trends in predictive visual analytics. Frontiers of Computer Science, 11(2), 192–207.CrossRef
Malik, M. M., Abdallah, S., & Ala’raj, M. (2018). Data mining and predictive analytics applications for the delivery of healthcare services: A systematic literature review. Annals of Operations Research, 270, 287–312.
Matthes, J. (2016). Predictive Analytics im Marketing mit moderner Systemarchitektur. Information - Wissenschaft & Praxis, 67(5–6), 346–348.
Nalchigar, S., & Yu, E. (2018). Business-driven data analytics: A conceptual modeling framework. Data & Knowledge Engineering, 117, 359–372.CrossRef
Nobre, J., & Neves, R. F. (2019). Combining principal component analysis, discrete wavelet transform and XGBoost to trade in the financial markets. Expert Systems with Applications, 125, 181–194.CrossRef
Ouahilal, M.,El Mohajir, M., Chahhou, M., & El Mohajir, B. E. (2016). A Comparative Study of Predictive Algorithms for Business Analytics and Decision Support systems: Finance as a Case Study. In abstracts of the International Conference on Information Technology for Organizations Development (IT4OD). Fez, Morocco, 30 March-1 April 2016.
Pappas, I. O., Mikalef, P., Giannakos, M. N., Krogstie, J., & Lekakos, G. (2018). Big data and business analytics ecosystems: Paving the way towards digital transformation and sustainable societies. Information Systems and e-Business Management, 16(3), 479–491.
Popovič, A., Hackney, R., Tassabehji, R., & Castelli, M. (2018). The impact of big data analytics on firms’ high value business performance. Information Systems Frontiers, 20(2), 209–222.CrossRef
Prince, J. T. (2019). A paradigm for assessing the scope and performance of predictive analytics. Information Economics and Policy, 47, 7–13.CrossRef
Razzak, M. I., Imran, M., & Xu, G. (2020). Big data analytics for preventive medicine. Neural Computing and Applications, 32, 4417–4451.CrossRef
Ren, L., Zhang, L., Wang, H., & Guo, Q. (2019). An Extreme Gradient Boosting Algorithm for Short-Term Load Forecasting Using Power Grid Big Data. In Proceedings of 2018 Chinese Intelligent Systems Conference. Springer.
Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management accounting research: Status and future focus. International Journal of Accounting Information Systems, 29, 37–58.CrossRef
Sammut, C., & Webb, G. I. (2010). Encyclopedia of machine learning. Springer.CrossRef
Schäffer, U. (2017). Predictive Analytics macht Planung und Steuerung flexibler. Controlling & Management Review, 61, 34–40.CrossRef
Schawel, C., & Billing, F. (2018). Top 100 Management Tools. Springer Gabler.CrossRef
Schmidt, et al. (2020). Clinging to Excel as a Security Blanket: Investigating Accountants’ Resistance to Emerging Data Analytics Technology. Journal of Emerging Technologies in Accounting, 17(1), 33–39.CrossRef
Song, Y.-Y., & Lu, Y. (2015). Decision tree methods: Applications for classification and prediction. Shanghai archives of psychiatry, 27(2), 130–135.
Strohmeier, S., Piazza, F., & Neu, C. (2015). Trends der Human Resource Intelligence und Analytics. In S. Strohmeier & F. Piazza (Hrsg.), Human Resource Intelligence und Analytics (S. 339–367). Springer.
Tonnesen, C. T. (2002). Die Balanced Scorecard als Konzept für das ganzheitliche Personalcontrolling. Springer.CrossRef
Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: A revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77–84.CrossRef
Wang, Q., Luo, Y., & Han, X. (2019). Research on estimation model of the battery state of charge in a hybrid electric vehicle based on the classification and regression tree. Mathematical and Computer Modelling of Dynamical Systems, 25(4), 376–396.CrossRef
Zhang, C., Zhang, Y., Shi, X., Almpanidis, G., Fan, G., & Shen, X. (2019). On incremental learning for gradient boosting decision trees. Neural Processing Letters, 50(1), 957–987.CrossRef
Zhu, X., Seaver, W., Sawhney, R., Ji, S., Holt, B., Sanil, G. B., & Upreti, G. (2017). Employee turnover forecasting for human resource management based on time series analysis. Journal of Applied Statistics, 44(8), 1421–1440.CrossRef
Metadata
Title
Verbesserung der Prognosequalität im Personalcontrolling
Authors
Olga Sagradov
David Müller
Copyright Year
2022
Book
Controlling & Innovation 2022

Print ISBN: 978-3-658-36483-0

Electronic ISBN: 978-3-658-36484-7

Copyright Year: 2022

DOI
https://doi.org/10.1007/978-3-658-36484-7_3