Data Analytics in der Personalentwicklung

Organisationen stehen vor einer dreifachen Transformation:

KI-Transformation,

Resilienz-Transformation,

Nachhaltigkeits-Transformation.

Alle drei erfordern dasselbe: Menschen, die die richtigen Fähigkeiten haben – und eine Organisation, die weiß, wo diese Fähigkeiten stehen, wo sie fehlen und wie sie sich entwickeln.

Das klingt selbstverständlich. Ist es aber nicht. Denn die Realität sieht in den meisten Organisationen so aus: Niemand weiß wirklich, welches Wissen in der Organisation vorhanden ist. Niemand weiß, wo die tatsächlichen Kompetenzlücken liegen – jenseits von Selbsteinschätzungs-Tabellen, die vor zwei Jahren mal befüllt wurden. Und niemand weiß, wie das implizite Erfahrungswissen der Belegschaft aussieht – das Wissen, das nirgendwo dokumentiert ist, aber täglich den Betrieb am Laufen hält.

Genau hier liegt die strategische Chance für L&D. Nicht in besseren Kursstatistiken. Nicht in schöneren Reporting-Dashboards. Sondern darin, die Datenbasis zu schaffen, auf der organisationale Intelligenz überhaupt erst möglich wird – einschließlich der KI-Assistenten, der adaptiven Lernpfade und der agentic Workflows, die gerade alle wollen, aber die ohne saubere Wissensbasis nicht funktionieren.

Dieser Artikel zeigt, wie das geht. Von den Grundlagen über konkrete Datenquellen bis hin zur Frage, welche KPIs wirklich zählen – und welche man getrost vergessen kann.

Um das Ganze greifbarer zu machen, begleiten wir die fiktive Novanta Bank, ein mittelgroßes Finanzinstitut mit 1.200 Mitarbeitenden, dessen L&D-Leiterin Sandra Kramer sich auf genau diesen Weg macht.

1 – Daten als Fundament organisationaler Intelligenz

Wenn wir heute über Data Analytics in L&D sprechen, geht es nicht mehr primär darum, die eigenen Angebote besser zu evaluieren. Es geht um etwas Grundlegenderes: Organisationen brauchen ein aktuelles, differenziertes Bild davon, was ihre Menschen können, wissen und wo die Entwicklungsrichtung liegt – weil auf dieser Datenbasis alles aufbaut, was mit KI, Automatisierung und neuen Arbeitsformen zusammenhängt.

Ein KI-Assistent für den Kundenservice ist nur so gut wie die Wissensbasis, auf der er operiert. Ein interner Talent Marketplace funktioniert nur, wenn die Skill-Profile aktuell und verifiziert sind. Agentic AI Workflows, die eigenständig Aufgaben lösen, brauchen strukturiertes Organisationswissen als Kontext. Und adaptive Lernpfade sind wertlos, wenn kein passender (adaptiver) Content zur Verfügung steht und die Skill-Profile veraltet sind.

Die Chance für L&D: Die Personalentwicklung entwickelt sich vom Trainingsanbieter zum Architekten der organisationalen Wissensbasis. Die Funktion, die weiß, welches Wissen und welche Skills vorhanden sind, wo es fehlt, wo es veraltet und wie es sich weiterentwickeln muss. Und die dafür sorgt, dass dieses Wissen strukturiert, aktuell und für KI-Systeme nutzbar ist.

Das ist ein tiefgreifender Rollenwechsel. Und er beginnt mit der Fähigkeit, Daten zu verstehen, zu erheben und strategisch zu nutzen.

Novanta Bank: Sandra Kramer stellt fest, dass drei strategische Initiativen der Bank – KI-gestützte Kundenberatung, interner Talent Marketplace und automatisiertes Onboarding – alle am selben Problem scheitern: Es gibt keine aktuelle, strukturierte Wissensbasis über die Skills und das Erfahrungswissen der Mitarbeitenden. Die IT hat die Technik. HR hat die Prozesse. Aber niemand hat die Daten. Sandra erkennt: Genau hier kann L&D den größten strategischen Hebel setzen.

2 – Was Daten sind – und warum das in der KI-Ära neu gedacht werden muss

Die klassische Datenpyramide – Daten, Information, Wissen, Handlung – bleibt als Grundmodell nützlich: Rohe Fakten (ein Klick, ein Zeitstempel, eine Zahl) werden durch Kontext zu Information, durch Erfahrung und Interpretation zu Wissen und durch Entscheidung zu Handlung. Soweit bekannt.

Aber in der KI-Ära verschiebt sich etwas Entscheidendes. KI-Systeme können mit Daten und Informationen arbeiten – aber sie können kein echtes Wissen generieren. Was sie können: aus großen Mengen an Informationen Muster erkennen, Zusammenhänge sichtbar machen und kontextbezogen agieren. Vorausgesetzt, die Datenbasis stimmt.

Das verändert die Perspektive auf Daten. Es geht nicht mehr nur darum, was wir aus Daten lernen – sondern auch darum, welche Daten KI-Systeme brauchen, um für die Organisation wirksam zu werden. Die Wissensbasis der Organisation – dokumentiert und undokumentiert – wird zum strategischen Asset.

Dabei gibt es eine Unterscheidung, die für L&D besonders relevant ist: Explizites Wissen ist das, was in Dokumenten, Wikis, Handbüchern und Datenbanken steht. Es ist strukturiert und durchsuchbar. Implizites Wissen – oft auch tacit knowledge genannt – lebt in den Köpfen der Mitarbeitenden: Erfahrungswissen, Kontextwissen, Beziehungswissen, die "Gewusst-wie"-Kompetenz, die nirgendwo aufgeschrieben ist. Schätzungen gehen davon aus, dass 60-70% des organisationsrelevanten Wissens implizit ist.

Die zentrale Herausforderung: Genau dieses implizite Wissen ist das, was KI-Systemen fehlt – und was bei Fluktuation, Ruhestand oder Reorganisation verloren geht. L&D hat die einzigartige Möglichkeit, dieses Wissen systematisch zu erschließen, zu strukturieren und für die Organisation nutzbar zu machen.

Novanta Bank: Sandra rechnet nach: In den nächsten fünf Jahren gehen 280 Mitarbeitende in den Ruhestand – darunter 35 Senior-Beraterinnen und -Berater mit durchschnittlich 22 Jahren Erfahrung im Baufinanzierungsgeschäft. Ihr Wissen existiert nirgendwo außer in ihren Köpfen. Wenn es nicht systematisch erfasst wird, geht es verloren. Unwiederbringlich. Das will Sandra ändern.

3 – Zwei Datenwelten: Was L&D intern braucht – und was das Business interessiert

An diesem Punkt müssen wir klar unterscheiden. Es gibt zwei fundamental verschiedene Kategorien von Daten in L&D – und die Verwechslung der beiden ist einer der Hauptgründe dafür, dass Personalentwicklung in strategischen Diskussionen so wenig Gewicht hat.

Kategorie 1: Interne Steuerungsdaten – für die Optimierung der eigenen Arbeit

Diese Daten helfen L&D, die eigenen Angebote besser zu machen: Nutzungsraten, Abschlussquoten, Zufriedenheitswerte, Content-Engagement, Dropout-Analysen, Kosten pro Maßnahme. Natürlich brauchen wir diese Daten. Sie zeigen, welche Formate anschlussfähig sind, wo Lernende abspringen und wo das Angebot am Bedarf vorbeigeht. Aber – und das muss man klar sagen: Diese Zahlen interessieren außerhalb von L&D niemanden. Wie oft etwas angeklickt wurde, bewegt keine Geschäftsleitung. Das sind unsere Betriebsdaten. Nützlich, aber nicht strategisch.

Kategorie 2: Business-KPIs – die einzigen Zahlen, die wirklich zählen

Strategisch relevant wird L&D erst, wenn es auf die KPIs einzahlt, an denen die Fachbereiche und das Management gemessen werden. Und das sind keine L&D-Kennzahlen, sondern Geschäftskennzahlen:

• Produktivität: Bearbeitungszeit pro Vorgang, Output pro Mitarbeitender, Time-to-Resolution
• Qualität: Fehlerquoten, Reklamationsraten, Compliance-Verstöße, Audit-Ergebnisse
• Kundenzufriedenheit: NPS, CSAT, Erstlösungsquote, Kundenbindungsrate
• Time-to-Competency: Wie schnell sind neue Mitarbeitende eigenständig produktiv?
• Retention: Fluktuationsrate, insbesondere von Leistungs- und Wissensträgern
• Interne Mobilität: Stellenbesetzung durch interne Talente, Beförderungsraten
• Innovationsfähigkeit: Neue Initiativen, Prozessverbesserungen, eingereichte Ideen
• Wissenssicherung: Erfassungsgrad des kritischen Erfahrungswissens vor dem Ausscheiden von Expert:innen

Die Kernkompetenz, die L&D aufbauen muss: die eigenen Maßnahmen mit diesen Business-KPIs verknüpfen. Nicht: „Wir hatten 5.000 Kursabschlüsse." Sondern: „Die Beratungsteams, die am Peer-Learning-Format teilgenommen haben, zeigen eine um 18% höhere Kundenzufriedenheit und eine um 26% kürzere Bearbeitungszeit für Baufinanzierungen."

Das ist der Unterschied zwischen einer Abteilung, die Kosten produziert, und einer, die Wertschöpfung belegt.

Novanta Bank: Sandra geht zu Markus, dem Leiter des Privatkundenbereichs. Statt zu fragen „Welche Trainings braucht dein Team?", fragt sie: „Was sind deine drei wichtigsten Kennzahlen – und bei welcher davon könnten die Fähigkeiten deiner Leute einen Unterschied machen?" Markus' Antwort: Beratungszeit für Baufinanzierungen (zu lang), Erstlösungsquote bei Kundenanliegen (zu niedrig), Einarbeitungszeit neuer Berater (zu hoch). Drei konkrete Business-KPIs, an denen Sandra ihre Maßnahmen und deren Wirkung messen kann.

4 – Wo das organisationale Wissen wirklich liegt – Datenquellen jenseits des LMS

Hier trennt sich die Spreu vom Weizen. Denn wenn wir über Daten für L&D sprechen, denken die meisten sofort an LMS-Statistiken: Wer hat welchen Kurs abgeschlossen, wie lange hat jemand ein Video geschaut, welcher Test wurde bestanden. Diese Daten haben ihren Platz – für die interne Steuerung (Kategorie 1). Aber für die strategisch relevanten Fragen liegen die wirklich interessanten Daten ganz woanders.

Arbeitssysteme und Kollaborationstools

Microsoft Teams, Slack, Confluence, SharePoint, Notion, KI-Chatbots... – in diesen Systemen findet ein großer Teil der täglichen Wissensarbeit statt. Und sie enthalten eine Fülle an Informationen, die L&D nutzen kann, wenn man sie richtig liest. Wichtig dabei: Es geht ausdrücklich nicht um personenbezogene Überwachung. Es geht um Muster auf Themen- und Teamebene.

Beispiele: Welche Themen werden in Teams-Kanälen am intensivsten diskutiert – und wo gibt es auffällig wenig Austausch? Welche Confluence-Seiten werden am häufigsten aufgerufen – und welche sind seit Monaten unberührt? In welchen Themenbereichen entstehen die meisten Fragen und Support-Anfragen? Diese Informationen zeigen, wo in der Organisation Wissensbedarf, Unsicherheit oder Kompetenzlücken bestehen – ohne dass jemand einzeln durchleuchtet wird.

Projektmanagement-Tools

Asana, Jira, Monday, Trello – diese Systeme zeigen auf aggregierter Ebene, welche Themenfelder in der Organisation gerade Priorität haben, wo Projekte stocken und welche Fähigkeiten für aktuelle Initiativen gebraucht werden. Wenn ein Bereich massiv in KI-Projekte investiert, aber das Projektmanagement-Tool zeigt, dass die Durchlaufzeit dort doppelt so lang ist wie in anderen Bereichen, liegt möglicherweise ein Kompetenz-Gap vor. Nicht das Tool verrät dir das – aber die Muster in den Daten.

Meeting-Transkripte und Workshop-Dokumentationen

Mit Zustimmung der Teilnehmenden – und das ist im deutschen Kontext selbstverständlich Voraussetzung – können Meeting-Transkripte und aufgezeichnete Workshops eine wertvolle Wissensquelle sein. Nicht als Überwachungsinstrument, sondern als Möglichkeit, Erfahrungswissen zu dokumentieren, das sonst in der Echtzeitkommunikation verlorenginge. Tools, die solche Aufzeichnungen KI-gestützt auswerten und in strukturiertes Wissen überführen, werden gerade zu einem der wichtigsten Enabler für organisationale Intelligenz.

KI-gestützte Wissensbefragungen

Hier liegt einer der größten Hebel für L&D. Anstatt auf veraltete Selbsteinschätzungsbögen zu setzen, ermöglichen KI-basierte Systeme eine kontinuierliche, strukturierte Erfassung von implizitem Erfahrungswissen. Siara KI von eEight beispielsweise führt regelmäßige KI-Interviews mit Mitarbeitenden, um deren Wissen systematisch zu erfassen, zu verifizieren und daraus aktuelle Kompetenz- und Wissensprofile zu erstellen. Das kostet ca. 15 Minuten pro Woche pro Person – und liefert etwas, das keine Skill-Datenbank der Welt leisten kann: ein lebendes, aktuelles Bild dessen, was die Organisation tatsächlich weiß und kann.

Der besondere Wert: Diese erfassten Wissensprofile zeigen nicht nur, wo Stärken liegen, sondern auch wo die Wissenslücken, die Wissenskonzentrationen (Flaschenhälse – wenn kritisches Wissen nur bei einer Person liegt) und die Wissensverlustrisiken (wenn Wissensträger die Organisation verlassen) sind. Und genau diese Informationen bilden gleichzeitig die Grundlage für den Aufbau von KI-Assistenten, Wissensmanagement-Systemen und Performance-Support-Tools.

CRM-, ERP- und Ticketing-Systeme

Die Business-Systeme der Organisation enthalten die Daten, die L&D braucht, um Business-Impact zu zeigen: Kundenzufriedenheitswerte, Fehlerquoten, Bearbeitungszeiten, Umsatzentwicklung. Die Herausforderung: Zugang zu bekommen und die Verbindung zwischen Lernmaßnahme und Business-KPI herzustellen. Dazu braucht es Allianzen mit den Fachbereichen – ein Thema, auf das wir noch zurückkommen.

HR-Systeme

Das HRIS/HCM-System als „Single Source of Truth" für Stammdaten liefert den Rahmen: Fluktuation, Verweildauer, interne Mobilität, demografische Entwicklung. In Kombination mit Skill-Daten und Business-KPIs entsteht daraus ein strategisches Gesamtbild.

Novanta Bank: Sandra erstellt eine „Datenlandkarte" der gesamten Organisation. Das Ergebnis überrascht: Die Bank hat deutlich mehr relevante Daten, als sie dachte – aber sie liegen in 14 verschiedenen Systemen, die nicht miteinander verbunden sind. Die spannendsten Insights kommen nicht aus dem LMS, sondern aus der Analyse der Confluence-Nutzung (wo suchen Mitarbeitende am häufigsten nach Antworten?) und aus dem Ticketing-System des Kundenservice (welche Themenbereiche erzeugen die meisten Rückfragen?). Beide Quellen zeigen dasselbe: Unsicherheit bei regulatorischen Änderungen im Baufinanzierungsrecht. Ein klares Signal für L&D.

5 – Daten als Grundlage für KI-Assistenten und Agentic Workflows

Das eigentliche Potenzial der KI liegt nicht in der Beschleunigung des Althergebrachten, sondern in der Chance, unsere Lernstrategien und unsere ganze Herangehensweise an Personalentwicklung auf ein neues Level zu heben. Das haben wir im Kontext der drei Stufen des KI-Wandels – Adoption, Adaption, Transformation (siehe: YouTube) – beschrieben: Die meisten PE-Abteilungen nutzen KI bisher auf der Stufe der Adoption, also um bestehende Prozesse effizienter zu machen – Content schneller erstellen, Chatbots in Trainings integrieren. Das ist wichtig, kratzt aber nur an der Oberfläche.

Die wirklich transformativen Anwendungen liegen auf den Stufen Adaption und Transformation – und sie alle brauchen Daten als Grundlage:

KI-gestützte Lernbegleitung – persönliche KI-Tutoren, die Mitarbeitende individuell und kontextbezogen unterstützen. Diese Tutoren sind nur so gut wie das organisationale Wissen, mit dem sie gefüttert werden. Ohne aktuelle Skill-Profile, ohne dokumentiertes Erfahrungswissen, ohne Verständnis der aktuellen Herausforderungen im jeweiligen Fachbereich bleiben sie generische Chatbots. Mit einer sauberen Wissensbasis werden sie zu echten Lernpartnern.

Performance-Support-Assistenten – KI-Systeme, die im Arbeitsfluss kontextuelle Hilfe bieten. Ein Berater, der gerade ein komplexes Finanzierungsprodukt strukturiert, bekommt genau in diesem Moment die relevanten Informationen, Fallbeispiele und regulatorischen Hinweise – nicht als Kurs, sondern als Just-in-time-Support. Die Voraussetzung: Das Erfahrungswissen der Organisation muss strukturiert und zugänglich sein.

Agentic AI Workflows – KI-Agenten, die eigenständig mehrstufige Aufgaben durchführen: von der Analyse eines Skill-Gaps über die Zusammenstellung passender Lernressourcen bis zur Erstellung einer individuellen Entwicklungsempfehlung. Oder im Wissensmanagement: ein Agent, der erkennt, dass ein bestimmtes Themengebiet in Teams-Diskussionen häufig auftaucht, die vorhandene Wissensbasis dazu prüft, Lücken identifiziert und proaktiv eine Aktualisierung vorschlägt.

Wissenssicherung bei Fluktuation – Wenn Wissensträger die Organisation verlassen, geht in den meisten Organisationen ihr implizites Erfahrungswissen unwiederbringlich verloren. Systematische Wissenserfassung – etwa durch KI-gestützte Interviews über Tools wie Siara KI – macht dieses Wissen dauerhaft verfügbar. Es wird Teil der organisationalen Wissensbasis, auf die zukünftige Mitarbeitende und KI-Assistenten zugreifen können.

Datengestützte Skill-Ökosysteme – Skills-basierte Organisationen brauchen aktuelle, verifizierte Skill-Profile. Der Unterschied zu früheren Kompetenzmanagement-Ansätzen: feingranulare Skills statt grober Kompetenzmodelle, KI-gestützte Erfassung statt manueller Pflege, kontinuierliche Aktualisierung statt einmaliger Erhebung. Auf dieser Basis werden interne Talent Marketplaces, intelligentes Staffing und datengestützte Karrierepfade möglich (auch hierbei kann Siara helfen).

Die Botschaft an L&D ist klar: Jede Minute, die heute in den Aufbau einer sauberen organisationalen Wissensbasis investiert wird, zahlt sich mehrfach aus – nicht nur für besseres Lernen, sondern für die gesamte KI-Strategie der Organisation.

Novanta Bank: Sandra pitcht dem Vorstand nicht ein L&D-Projekt, sondern ein Infrastruktur-Projekt: den Aufbau der organisationalen Wissensbasis der Bank. Erster Schritt: KI-gestützte Wissenserfassung bei den 45 Senior-Beratern, die in den nächsten Jahren in den Ruhestand gehen. Das erfasste Wissen wird gleichzeitig für drei Zwecke genutzt: als Grundlage für einen KI-Assistenten im Beratungsprozess, als Content für beschleunigte Onboarding-Programme und als verifizierte Skill-Profile für den internen Talent Marketplace. Ein Investment, drei Outputs. Das überzeugt.

6 – Datenschutz und Vertrauen im deutschen Kontext

Alles, was bisher beschrieben wurde, steht und fällt mit einer Voraussetzung: Es muss DSGVO-konform, ethisch vertretbar und mit dem Vertrauen der Mitarbeitenden vereinbar sein. Im deutschen Kontext heißt das: Freiwilligkeit, Transparenz und klare Grenzen.

Was rechtlich gilt: Die DSGVO mit dem Grundsatz der Datenminimierung und Zweckbindung. §26 BDSG für die Datenverarbeitung im Beschäftigungsverhältnis. Art. 22 DSGVO, der sicherstellt, dass bei datenbasierten Entscheidungen immer ein Mensch das letzte Wort hat. Und der EU AI Act, der seit 2024 KI-gestützte HR-Tools reguliert.

Was praktisch möglich ist – und was nicht: Personenbezogene Auswertungen von E-Mail-Verkehr, Chat-Verläufen oder Kalendereinträgen – das kann man in Deutschland vergessen, und das ist auch gut so. Was hingegen geht und wofür es bewährte Praxis gibt: Aggregierte Themenanalysen auf Team- oder Bereichsebene (welche Themen erzeugen die meisten Fragen?). Freiwillige KI-Interviews zur Wissenserfassung, bei denen die Mitarbeitenden selbst entscheiden, was sie teilen. Freiwillige Skill-Assessments und Peer-Einschätzungen. Die Auswertung von Kundenfeedback und Business-KPIs, die ohnehin erhoben werden. Meeting-Transkripte und Workshop-Dokumentationen mit expliziter Zustimmung der Teilnehmenden.

Der entscheidende Faktor ist Vertrauen. Und Vertrauen entsteht durch Haltung, nicht durch Compliance-Dokumente. Konkret: Den Betriebsrat frühzeitig als Co-Designer einbinden – nicht als Genehmigungsinstanz, sondern als Gestalter. Klare Governance: Wer hat Zugriff auf welche Daten? Und das Wichtigste: Daten als Empowerment, nicht als Kontrolle. Im Sinne einer humanzentrierten Transformation müssen die Technologien so gestaltet werden, dass die Selbststeuerung bei den Lernenden bleibt. Persönliche Learning Dashboards und Skill-Profile gehören den Mitarbeitenden. Aggregierte Insights gehören der Organisation. Diese Trennung ist nicht verhandelbar.

Novanta Bank: Sandra investiert drei Monate in eine Betriebsvereinbarung zu Learning Analytics und Wissenserfassung – zusammen mit Betriebsratsvorsitzendem Thomas. Die Vereinbarung definiert klar: Keine personenbezogene Leistungsüberwachung. Alle Wissenserfassungen freiwillig. Individuelle Skill-Profile nur für die Person selbst und (auf Wunsch) die Führungskraft sichtbar. Aggregierte Auswertungen auf Bereichsebene für strategische Planung. Diese Klarheit zahlt sich aus: Die Teilnahmebereitschaft an den KI-Interviews liegt bei 87%.

7 – Von der Analyse zur Wirkung – wie wir aus Daten Entscheidungen machen

Daten zu haben ist der Anfang. Sie zu analysieren und daraus Handlung abzuleiten ist die eigentliche Kunst. Dabei hilft ein Stufenmodell, das zeigt, wo man steht und was als Nächstes kommt:

Descriptive Analytics – Was ist passiert? Die Grundstufe: Reporting, Dashboards, Zeitverläufe. Welche Themen erzeugen Wissensbedarf? Wo liegen die größten Skill-Gaps? Wie hat sich die Einarbeitungszeit verändert? Die meisten L&D-Abteilungen, die überhaupt datengestützt arbeiten, stehen hier.

Diagnostic Analytics – Warum ist es passiert? Zusammenhänge erkennen: Korreliert die hohe Fehlerquote in Abteilung X mit einem bestimmten Wissenslücken-Muster? Hängt die Fluktuation im Vertrieb mit der fehlenden Entwicklungsperspektive zusammen? Hier beginnt der strategische Mehrwert – und hier braucht es die Verbindung zwischen L&D-Daten und Business-Daten.

Predictive Analytics – Was wird wahrscheinlich passieren? Antizipation: Welche Skills werden in 12 Monaten kritisch? Wo droht Wissensverlust durch demografische Entwicklung? Welche Teams sind für die nächste Transformationswelle am wenigsten vorbereitet? Auf Basis der durch KI-Interviews und Skill-Assessments erfassten Wissensprofile lassen sich solche Prognosen deutlich fundierter erstellen als auf Basis von Bauchgefühl.

Prescriptive Analytics – Was sollten wir tun? Die Zielstufe: KI-gestützte Empfehlungen für Maßnahmen. Automatisierte Personalisierung von Entwicklungspfaden. Proaktive Hinweise an Führungskräfte, wenn in ihrem Bereich ein Wissenslücken-Risiko entsteht. Für die meisten noch Zukunft – aber eine, die durch saubere Datenbasis deutlich näher rückt.

Der Werkzeugkasten dafür muss nicht teuer sein: Excel reicht für den Start. Power BI oder Tableau für fortgeschrittenes Reporting. Die eigentliche Herausforderung ist nicht das Tool, sondern die Frage dahinter und der Zugang zu den richtigen Datenquellen.

Novanta Bank: Sandras erste echte Analyse verknüpft drei Datenquellen: die erfassten Wissensprofile der Beratungsteams (aus den Siara KI-Interviews), die Kundenzufriedenheitswerte (aus dem CRM) und die Bearbeitungszeiten (aus dem Core-Banking-System). Das Ergebnis: Berater:innen mit verifiziertem Tiefenwissen in Förderprogrammen und KfW-Produkten zeigen 31% kürzere Beratungszeiten und 22% höhere Kundenzufriedenheit. Das ist kein L&D-Report – das ist ein Business-Insight, der direkte Personalentwicklungsmaßnahmen begründet.

8 – Wie New Learning-Prinzipien messbar werden

An dieser Stelle kommt eine Frage, die viele L&D-Professionals beschäftigt: Wie misst man den Impact von Formaten, die sich bewusst von klassischen Trainings unterscheiden? Peer Learning, Community-basiertes Lernen, Working-out-Loud, selbstgesteuertes Lernen im Arbeitsfluss – all das lässt sich nicht über Abschlussraten und Testscores erfassen. Aber es lässt sich messen.

Peer Learning und Communities – Der Impact zeigt sich in der Vernetzungsdichte (wie intensiv tauschen sich Teams aus?), in der Geschwindigkeit der Problemlösung (wie schnell finden Mitarbeitende Antworten auf Fachfragen?) und in der Qualität der Ergebnisse (machen vernetzte Teams weniger Fehler?). Auf aggregierter Ebene – nicht personenbezogen – lassen sich aus Kollaborationstools wie Teams oder Slack Muster ablesen: Welche Communities sind aktiv? Wo entsteht cross-funktionaler Austausch? Wo gibt es Wissensilos?

Selbstgesteuertes Lernen – Statt zu messen, ob jemand einen Kurs abgeschlossen hat, wird gemessen, ob sich die Fähigkeit verändert hat. Skill-Profile, die durch regelmäßige KI-Interviews aktualisiert werden, zeigen Kompetenzentwicklung über die Zeit – unabhängig davon, über welchen Weg jemand gelernt hat. Das ist ein radikaler Wechsel: Weg von der Messung des Inputs (Stunden im Kurs) hin zur Messung des Outcomes (Kann die Person es jetzt?).

Lernen im Arbeitsfluss – Wenn Performance-Support-Assistenten im Einsatz sind, zeigt die Nutzungsanalyse (auf Themenebene, nicht personenbezogen), wo die Organisation am meisten Unterstützungsbedarf hat. Das ist gleichzeitig ein Sensor für Wissenslücken und eine Grundlage für die Priorisierung von Entwicklungsmaßnahmen.

Produktive Fehlerräume – Eines der wirksamsten Lerndesign-Prinzipien: Lernende, die zunächst mit Aufgaben konfrontiert werden, die über ihrem aktuellen Können liegen, zeigen in der Forschung signifikante Lernvorteile gegenüber instruktionsbasiertem Lernen. Messbar wird das über die Veränderung der Performance-KPIs in den Wochen nach der Maßnahme – und über die Qualität der Lösungsansätze, die in solchen Formaten entstehen.

Die gemeinsame Logik all dieser Ansätze: Wir messen nicht die Lernaktivität, sondern die Wirkung auf die Arbeit. Und wir nutzen dafür Daten, die im Arbeitskontext ohnehin entstehen – angereichert durch systematische Wissenserfassung.

Novanta Bank: Sandra führt ein Peer-Learning-Format ein, bei dem erfahrene und neue Berater:innen in Tandems zusammenarbeiten. Die Messung: nicht ob die Tandems sich treffen (das wäre interne Steuerung), sondern ob die neuen Berater:innen schneller eigenständig produktiv werden. Das Ergebnis nach sechs Monaten: Die Einarbeitungszeit im Privatkundenbereich sinkt von 9 auf 5,5 Monate. Das ist der Business-KPI, der zählt.

9 – Wie du anfängst

Alles vorher Gesagte kann erschlagend wirken. Deshalb: Der Einstieg muss nicht groß sein. Er muss richtig sein.

Schritt 1 – Start with a Business Question. Nicht mit einem Tool, nicht mit einem Dashboard, nicht mit der Frage „welche Daten könnten wir sammeln". Geh zu einem Fachbereich. Frag: Was sind eure drei wichtigsten Kennzahlen? Welche davon könnten durch Kompetenzen eurer Leute beeinflusst werden? Wie messen wir gemeinsam, ob eine Entwicklungsmaßnahme darauf einzahlt?

Schritt 2 – Erstelle eine Datenlandkarte. Welche Systeme gibt es in deiner Organisation? Welche Daten enthalten sie? Wer hat Zugriff? Denke dabei weit über das LMS hinaus: Confluence, Teams, Jira, CRM, Ticketing, HR-Systeme.

Schritt 3 – Beginne mit der Wissenserfassung. Starte mit einer überschaubaren Gruppe – idealerweise Wissensträger, die bald die Organisation verlassen oder deren Expertise für aktuelle strategische Initiativen kritisch ist. KI-gestützte Interview-Systeme wie Siara KI machen das mit minimalem Aufwand skalierbar.

Schritt 4 – Pilotiere einen Business-KPI-Link. Ein Team. Eine Maßnahme. Ein Business-KPI. Messe vorher (Baseline), führe die Maßnahme durch, messe nachher. Dokumentiere sauber. Das Ergebnis ist dein erster Proof of Concept.

Schritt 5 – Baue Allianzen. Du brauchst die IT für Datenzugang und Schnittstellen. Finance für die ROI-Sprache. Den Betriebsrat für Vertrauen und Governance. Und den Fachbereich als Partner – nicht als Auftraggeber, sondern als Co-Designer.

Schritt 6 – Skaliere, was wirkt. Aus dem Piloten Learnings ziehen, Methodik verfeinern, nächsten Bereich angehen.

Die PE der Zukunft braucht dafür die Rolle des „Data Miner" – eine Kompetenz, die Daten nicht nur analysiert, sondern verbindet: digitale Kompetenz, Marktforschungskompetenz, Analyse- und Präsentationskompetenz. Das muss keine einzelne Person sein – es kann ein verteiltes Skill-Set im Team sein. Entscheidend ist, dass es diese Fähigkeit gibt.

Und ein wichtiger Grundsatz: Kaufe kein Tool, bevor du weißt, welche Frage du beantworten willst. Die meisten Start-Analysen gelingen mit Excel. Die Toolentscheidung kommt nach der Methodenentscheidung.

Novanta Bank – 12 Monate später: Sandra hat drei Piloten abgeschlossen. Die Einarbeitungszeit im Privatkundenbereich ist von 9 auf 5,5 Monate gesunken. Die Beratungszeit für Baufinanzierungen von 4,2 auf 3,1 Stunden. Die Compliance-Verstöße in den pilotierten Bereichen um 34% zurückgegangen. Alle drei Ergebnisse in der Sprache des Business dokumentiert und präsentiert. Das L&D-Budget wurde um 40% erhöht. Sandra sitzt im monatlichen Strategie-Meeting des Vorstands. Und das Wissen der 45 Senior-Berater? Es steckt jetzt in einem KI-Assistenten, der das gesamte Beratungsteam im Arbeitsfluss unterstützt.

10 - Die Rolle des L&D Data Specialist

Es gibt eine Frage, die in fast jedem Gespräch über Data Analytics in L&D auftaucht: Wer macht das eigentlich? Und die Antwort ist nicht: ein Data Scientist.

Im Buch „New Work braucht New Learning" haben wir die Rolle des „Digital Miner" beschrieben – eine Supportfunktion innerhalb der PE, ohne die in einer komplexer werdenden Umwelt kaum noch fundierte, qualitative Entscheidungen getroffen werden können.

Diese Rolle wird jetzt konkret. Und sie braucht einen klareren Namen: L&D Data Specialist.

Was diese Rolle auszeichnet, ist gerade nicht ein rein technisches Profil. Der entscheidende Unterschied zu einem klassischen Data Analyst: Ein L&D Data Specialist versteht den Kontext. Er oder sie versteht, wie Organisationen lernen, wie Menschen sich entwickeln, welche Dynamiken in Teams wirken – und übersetzt dieses Verständnis in die richtigen Fragen an die Daten. Nicht die Technik ist der Engpass, sondern die Fähigkeit, Daten im Organisationskontext zu lesen.

Rollenprofil: L&D Data Specialist

Purpose: Aufbau, Pflege und strategische Nutzung der organisationalen Wissens- und Datenbasis als Grundlage für evidenzbasierte Personalentwicklung und KI-gestützte Lern- und Arbeitsunterstützung.

Kernaufgaben:

Die erste Kernaufgabe ist das Daten-Scouting: Identifikation relevanter Datenquellen in der gesamten Organisation – weit über L&D-Systeme hinaus. Welche Systeme gibt es? Welche Daten enthalten sie? Wie können diese für Lernstrategie und Wissensmanagement nutzbar gemacht werden? Die Datenlandkarte der Organisation ist das Werkstück dieser Aufgabe.

Die zweite Kernaufgabe ist die Wissenserfassung und -strukturierung: Koordination der systematischen Erfassung von implizitem Erfahrungswissen – ob durch KI-gestützte Interviews, Workshop-Dokumentationen oder strukturierte Wissenstransfer-Prozesse. Das Ziel: eine lebendige, aktuelle Wissensbasis, die sowohl für Menschen als auch für KI-Systeme nutzbar ist.

Die dritte Kernaufgabe ist die Business-KPI-Verknüpfung: Aufbau der Verbindung zwischen L&D-Maßnahmen und Geschäftskennzahlen. Das erfordert Allianzen mit Fachbereichen, Finance und IT – und die Fähigkeit, in der Sprache des Business zu argumentieren.

Die vierte Kernaufgabe ist die Analyse und Interpretation: Nicht nur Dashboards bauen, sondern die Muster in den Daten lesen und in strategische Empfehlungen übersetzen. Was sagen uns die Daten über den Zustand der Organisation? Wo entstehen Risiken? Wo liegen Chancen?

Die fünfte Kernaufgabe ist die Daten-Governance: Sicherstellung von Datenschutz, ethischen Standards und Transparenz. Betriebsvereinbarungen mitgestalten, Zugriffsrechte definieren, Vertrauen aufbauen.

Kompetenzprofil – vier Dimensionen:

Organisationsverständnis (40%) – Das ist die wichtigste Dimension und der Grund, warum diese Rolle nicht einfach an die IT oder an externe Data Scientists ausgelagert werden kann. Ein L&D Data Specialist versteht, wie die Organisation funktioniert: Wie lernen Teams? Wo entsteht Wissen? Wo geht es verloren? Welche kulturellen Dynamiken beeinflussen Lernbereitschaft und Wissensteilung? Ohne dieses Verständnis bleiben Datenanalysen oberflächlich. Die richtigen Fragen stellen zu können ist wichtiger als die Fähigkeit, komplexe Abfragen zu programmieren.

Methodenkompetenz (25%) – Grundlagen der Datenanalyse: Korrelation vs. Kausalität verstehen, Basisstatistik, Umgang mit qualitativen und quantitativen Methoden, Interviewführung, Survey-Design. Keine Promotion in Statistik nötig – aber die Fähigkeit, Daten kritisch zu lesen und methodisch sauber zu arbeiten.

Digitale Kompetenz (20%) – Excel auf solidem Niveau, Grundverständnis von BI-Tools wie Power BI oder Tableau, Verständnis von Datenarchitekturen und APIs (nicht programmieren, aber verstehen, was möglich ist), souveräner Umgang mit KI-Tools für Analyse und Wissenserfassung.

Kommunikation und Stakeholder-Management (15%) – Die Fähigkeit, Daten in Geschichten zu übersetzen. Einen CFO in drei Minuten überzeugen. Mit dem Betriebsrat Vertrauen aufbauen. Fachbereiche als Partner gewinnen. Ohne diese Kompetenz bleiben die besten Analysen in der Schublade.

Woher kommt diese Person?

Die gute Nachricht: Es muss keine Neueinstellung sein. In vielen L&D-Teams gibt es Menschen, die ein natürliches Interesse an Daten, Mustern und Zusammenhängen mitbringen. Oft sind es diejenigen, die schon heute die unbequemen Fragen stellen: „Woher wissen wir eigentlich, dass das wirkt?" Diese Menschen brauchen keine Data-Science-Ausbildung – sie brauchen methodisches Rüstzeug, Zugang zu Datenquellen und die organisationale Legitimation, diese Rolle auszufüllen.

Die Rolle kann auch als verteiltes Skill-Set im Team aufgebaut werden: Eine Person bringt die analytische Stärke mit, eine andere das Stakeholder-Management, eine dritte die technische Kompetenz. Entscheidend ist, dass die Funktion existiert und strategisch verankert ist – nicht als Nebenprojekt, sondern als Kernaufgabe.

Wo die Rolle im Team sitzt:

Der L&D Data Specialist ist eine Querschnittsfunktion. Er oder sie arbeitet den anderen L&D-Rollen zu – dem Strategen, dem Lerndesigner, dem Community Manager, dem Lerncoach – und liefert die Evidenzbasis für deren Entscheidungen. Gleichzeitig ist die Rolle die Brücke zu IT, Finance und den Fachbereichen. In der Praxis heißt das: regelmäßig in Fachbereichs-Meetings sitzen, nicht nur in L&D-Meetings. Die Daten kommen von draußen – also muss die Rolle auch draußen präsent sein.

Novanta Bank: Sandra besetzt die Rolle intern: Lisa, bisher zuständig für Evaluationen und Reporting, bringt das analytische Mindset mit und kennt die Organisation seit acht Jahren. Sandra investiert in eine dreimonatige Weiterbildung zu People Analytics und BI-Tools – und gibt Lisa den Auftrag, 30% ihrer Zeit in den Fachbereichen zu verbringen. Nach sechs Monaten ist Lisa die Person, die in der Bank als Erstes angerufen wird, wenn ein Bereichsleiter wissen will, ob ein Kompetenzproblem hinter einer schlechten Kennzahl steckt.

11 – Daten sind eine Sprache – und die Voraussetzung für alles, was kommt

Die zentrale Erkenntnis dieses Artikels lässt sich in zwei Sätzen zusammenfassen:

Data Analytics in der Personalentwicklung ist nicht die Fähigkeit, die eigene Arbeit besser zu messen. Es ist die Fähigkeit, die organisationale Wissensbasis zu erschließen und damit die Grundlage für alles zu schaffen, was KI-gestütztes Arbeiten und Lernen in Zukunft möglich macht.

L&D wird damit vom Trainingsanbieter zum Architekten der organisationalen Intelligenz. Das ist kein Buzzword – das ist eine konkrete, strategische Positionierung, die durch Daten belegt und durch Wirkung legitimiert wird.

Dabei gilt: Nicht alles messen, was messbar ist. Das messen, was zählt. Und was zählt, bestimmt nicht L&D – sondern das Business.

Gleichzeitig – und das bleibt die Leitplanke – dürfen Daten nie zum Kontrollinstrument werden. Eine datenorientierte Lernkultur ist eine, in der Daten die Eigenverantwortung der Individuen stärken und es ihnen ermöglichen, ihr Lernen und ihre Leistung selbstbestimmt zu gestalten. Die Erfüllung der psychologischen Grundbedürfnisse nach Autonomie, Kompetenzerleben und sozialer Zugehörigkeit darf durch Technologie nicht in den Hintergrund treten – sie muss durch Technologie unterstützt werden.

Wir stehen am Anfang einer Entwicklung, in der die Qualität der organisationalen Wissensbasis zum Wettbewerbsfaktor wird. Die Organisationen, die jetzt anfangen, diese Basis aufzubauen – systematisch, ethisch, datengestützt –, werden in drei Jahren die strategisch relevanten PE-Abteilungen haben. Und die KI-Assistenten, die tatsächlich funktionieren. Und die Mitarbeitenden, die sich wirksam weiterentwickeln können.

Daten sind nicht das Gegenteil von Menschlichkeit. Sie sind ein Werkzeug, um das, was Menschen können und wissen, sichtbar, verbindbar und wirksam zu machen.

12 - Daten in der PE –

Power Circle im New Learning Lab

Wir planen im New Learning Lab einen Power Circle zum Thema „Daten in der Personalentwicklung" – einen geschützten Raum für PE-Professionals, die gemeinsam an genau diesen Fragen arbeiten wollen: Welche Daten brauchen wir wirklich? Wie verknüpfen wir Lernmaßnahmen mit Business-KPIs? Wie bauen wir eine organisationale Wissensbasis auf? Und wie gestalten wir die Rolle des L&D Data Specialist in unseren Teams?

Wenn du Interesse hast, dann melde dich gerne über LinkedIn bei Jan Foelsing oder über die Homepage des New Learning Lab.