nach oben

Erschienen in:

2022 | OriginalPaper | Buchkapitel

3. Verbesserung der Prognosequalität im Personalcontrolling

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

verfasst von : Olga Sagradov, David Müller

Erschienen in: Controlling & Innovation 2022

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

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.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

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!

Jetzt informieren

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!

Jetzt informieren

Vorheriges Kapitel Pflege 4.0 – Digitale Transformation eines Pflegeunternehmens

Nächstes Kapitel Wirkungsorientiertes Controlling

https://xgboost.readthedocs.io/en/latest/parameter.html.

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.

Barkalov, I. (2015). Effiziente Unternehmensplanung. Springer.CrossRef

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

Deutscher Wetterdienst. https://www.dwd.de.

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

IDG Research. (2018): Studie Predictive Analytics 2018. https://www.lufthansa-industry-solutions.com/de-de/newsroom-downloads/news/studie-predictive-analytics-2018-das-ende-der-bauchentscheidungen.

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

XGBoost Parameters. https://xgboost.readthedocs.io/en/latest/parameter.html.

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

Titel: Verbesserung der Prognosequalität im Personalcontrolling
verfasst von: Olga Sagradov
David Müller
Verlag: Springer Fachmedien Wiesbaden
Buch: Controlling & Innovation 2022
Print ISBN: 978-3-658-36483-0

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

Copyright-Jahr: 2022
DOI: https://doi.org/10.1007/978-3-658-36484-7_3