DearEmployee - Mental Health in Unternehmen

DearEmployee - Mental Health in Unternehmen
25.08.2020

Ausgangssituation und Methodik:

Die DearEmployee GmbH ist ein aus der Freien Universität Berlins ausgegründetes StartUp. Das fachkompetente Team trat an, um Unternehmen darin zu unterstützen, gesunde und motivierende Arbeitsbedingungen für ihre Mitarbeiter:innen zu schaffen. Über die Plattform können Unternehmen mit Hilfe psychischer Gefährdungsbeurteilungen fortlaufend und wissenschaftlich Belastungen am Arbeitsplatz messen und maßgeschneiderte Gesundheitslösungen für Ihre Mitarbeiter:innen finden. Durch die passgenauen Maßnahmen lassen sich einfach und effektiv Gesundheitskosten reduzieren sowie die Mitarbeiterperformance und Arbeitgeberattraktivität steigern. Der Service von DearEmployee ermittelt die psychische Arbeitsbelastung, die Gesundheit, Motivation und Bindung der Arbeitnehmer:innen von Unternehmen (Pflicht entspr. ISO-Norm 10075-3). 

Das BIFI führte die wissenschaftliche Validierung und Weiterentwicklung des Befragungs- und Auswertungsmoduls, die Kriteriumsvalidierung des Assessment-Fragebogens und die Verfeinerung des Auswertungsalgorithmus als Leistungsergänzung ggü. Unternehmen durch. Außerdem wurde ein neues Modell zur Erhebung von CutOff-Werten für die Gefährdungseinstufung aufgestellt und entwickelten eine Modellierung für den individuellen Return On Invest einer Maßnahme. 


Umsetzung der Studie:

Nicht selten treffen StartUps geniale Ableitungen aus den ihnen vorliegenden Daten. Gerade, wenn die Daten und dazugehörigen Algorithmen den Mehrwert ihres Produktes oder Service darstellen, lohnt es sich, die Berechnungsvorschriften mithilfe von ‘Advanced Statistics’ zu optimieren und an einer größeren Stichprobe zu validieren.

Für DearEmployee wurde daher ein Datenmodell entwickelt und überprüft, damit Ableitungen aus den Unternehmensinformationen belastbarer vorgenommen werden konnten. Der vorliegende Case zeigt beispielhaft, wie in solchen Projekten vorgegangen wird. Zum Schutz des Wettbewerbsvorteils unserer Klientin wurden die Inhalte verändert.


Der Datensatz umfasste 48 einzelne Items, die zur Vorhersage der abhängigen Variable ‘Psychische Gesundheit’ (aber auch Motivation und Bindung) herangezogen werden können. In einer einfachen multiplen Regression zeigen allerdings nur 8-10 Items einen statistisch signifikanten Effekt.

Eine Verdichtung der Items zu Faktoren ist sinnvoll, um den Informationsgehalt einer Vielzahl von Items in das Regressions-Model einzubeziehen. Zur Bestimmung der Faktoren wurde eine Explorative Faktorenanalyse (EFA) angewandt, sowie inhaltliche Überlegungen zw. BIFI und Klientin angestellt. 


Ergebnisse:


Die Netzwerkanalyse zeigt, wie die verschiedenen Konstrukte im Zusammenhang zueinander stehen. Die Faktorenanalyse zeigt, wie sich Faktoren definieren lassen, also aus welchen Variablen sie sich als übergeordnete Wirkvariable zusammensetzt. Diese Informationen sind wertvoll, um Faktoren inhaltlich interpretieren zu können.




Schlussfolgerung:


Die Anwendungsorientierung für DearEmployee steigt mit dem neuen, validen Datenmodell erheblich! Als Ergebnis sind Aussagen dazu möglich, welcher Treiber (in Wechselwirkung mit den anderen) welchen Beitrag zur Psychischen Gesundheit leistet. Den Unternehmen kann also nun gemeldet werden, welche Hebel am schnellsten Einfluss auf die Psychische Gesundheit haben.

Auch neue Faktoren ergaben in den Berechnungen ein ebenfalls gutes Modell. Die Faktoren für die Multiple Lineare Regression werden aus den Daten gewonnen und bei theoretischen Ungereimtheiten interpretativ angepasst. Die Varianzaufklärung ist überdurchschnittlich hoch.

Die ad-hoc aufgestellte Unterschiedshypothese “verschiedene Wirkzusammenhänge je Tätigkeit” konnte nicht bestätigt werden. Die aufgedeckten Muster waren enorm stabil. Dies bewirkt eine breite Anwendbarkeit des Modells, auch über unterschiedliche Unternehmensbereiche hinweg.

Die Berechnungsvorschrift für den ROI (Return on Investment, also die Rückmeldung an das erfasste Unternehmen, wann sich eine Personalentwicklungsmaßnahme ausgezahlt haben wird) verfeinert sich mit dem aufgestellten Modell über die Zeit.



Mehrwert:

DearEmployee konnte mit den Resultaten der statistischen Forschungs- und Entwicklungsstudie ihren Kunden konkrete Maßnahmen in priorisierter Reihenfolge vorschlagen, die den größten Hebel auf die Psychische Gesundheit, Motivation und Bindung ihrer eigenen Mitarbeiter:innen haben würden. 

Dies ist ein bisher einzigartiger Mechanismus am Markt - vergleichbar mit dem patentierten Matching-Algorithmus etablierter Partnersuch-Plattformen. Wissenschaftliche Methoden dienten hier dazu, ein Alleinstellungsmerkmal in der Scoring- und Matching-Logik zu entwickeln und statistisch abzusichern.