People Analytics und Workforce Planning

Employee-Lifetime-Value-Schätzung mit Retention-/Ramp-up-Modell — DSGVO-Art.-22-konform

ELTV ist die finanzielle Spitze des People-Analytics-Trichters. anymize.ai pseudonymisiert Funktionsfamilien-Aggregate (k≥5); ELTV operiert STRIKT auf Funktionsfamilien-Ebene, NIE auf Individual-Ebene — bleibt damit unterhalb der DSGVO-Art.-22-Schwelle. EuGH C-634/21 SCHUFA + C-203/22 Dun & Bradstreet als regulatorische Leitplanken; DPIA + BR-Anhörung Pflicht.

In 30 SekundenWas anymize hier leistetIn 5 MinutenPrompt zum KopierenIn 30 MinutenVollständiger Workflow
Mit anymize startenBeispiel ansehen

Schwierigkeit: Spezialist · Datenklasse: Beschäftigtendaten · Letztes Review:

Zur Orientierung gedacht. Die personalrechtliche Würdigung im Einzelfall bleibt selbstverständlich bei Ihnen — KI-Outputs sind vor jeder Verwendung zu prüfen. Mehr dazu am Ende.

01

Anwendungsbereich

Worum geht es hier?

KI in People Analytics und Workforce Planning

ELTV ist die finanzielle Spitze des People-Analytics-Trichters. Anders als Retention-Risk-Scoring (UC-M-HR-022) auf Individualebene operiert ELTV auf Funktionsfamilien-Aggregaten und bleibt damit unterhalb der DSGVO-Art.-22-Schwelle. Bersin Deloitte People Analytics Maturity 2024 (SRC-0290): ELTV-Modelle nur in Bersin-Stufe 4 (1–2 % Unternehmen) etabliert.

02

Für wen passt das?

Zielgruppe und Kontext

Rolle
People-Analytics-Lead, HR-Business-Partner Senior, CHRO, CFO-Office (Personalkosten), Datenschutzbeauftragter HR.
Seniorität
Senior — wegen DSGVO-Art.-22-Brisanz + Modell-Komplexität.
Unternehmensgröße
Konzern und gehobener Mittelstand mit etabliertem People-Analytics-Setup. KMU < 250 MA nur mit dezidierter Vorsicht.
Spezifische Kontexte
Sinnvoll in wissensintensiven Funktionen mit längerem Ramp-up (Engineering, Sales, Beratung). Ungeeignet, wenn ELTV individuell zur Vergütungsentscheidung herangezogen würde — dann DSGVO Art. 22 mit voller Härte.
03

Die Situation in der Personalabteilung

So bringen Sie Tempo und Sorgfalt zusammen

Personalkosten sind in vielen Unternehmen größter Kostenblock. Investitionen in Recruiting (CpH, UC-V-HR-ANA-011), Onboarding, Development und Retention konkurrieren um Budget. ELTV (HR-Pendant zum Customer Lifetime Value): erwarteter Wertbeitrag eines durchschnittlichen Mitarbeitenden in einer Funktionsfamilie über die erwartete Betriebszugehörigkeit, abzüglich Personal- und Onboarding-Kosten. Formel: ELTV ≈ (Avg. Tenure − Ramp-up) × Avg. Jahres-Wertbeitrag − Onboarding-Kosten − Offboarding-Kosten. Drei regulatorische Schichten: DSGVO Art. 22 + EuGH C-634/21 SCHUFA (wenn ELTV individuell zugerechnet und in Entscheidungen einfließt, ist es Profiling); EuGH C-203/22 Dun & Bradstreet (Transparenzpflicht für Scoring-Logik); BetrVG § 87 Abs. 1 Nr. 6 + § 94 Beurteilungsgrundsätze. anymize.ai garantiert: ELTV nur als Funktionsfamilien-Aggregat (k≥5), nie als Individual-Score; nur als Investitions-Steuerungs-Indikator, nie als Vergütungs-/Beförderungs-Eingangsgröße.

04

Was Sie davon haben

Zeit, Wert, Vertraulichkeit

Steuerungs-Hebel

0,5–2 %

Schwer quantifizierbar; bessere Investitionsentscheidungen in Retention vs. Recruiting vs. Development. Plausibler Personalkosten-Steuerungs-Hebel 0,5–2 % im Wirkkreis.

Vertraulichkeit

Funktionsfamilien-Aggregate

ELTV strikt aggregiert; kein Individual-Mapping — bleibt unterhalb DSGVO-Art.-22-Schwelle. Pseudonymisierung + k≥5 + Aggregat-Hardening Pflicht.

Risiko-Hebel

kritisch

ELTV-Modell mit Individual-Bezug = sofortige DSGVO-Art.-22-Verletzung; EuGH-SCHUFA + Dun-&-Bradstreet-Linie. Halluzinierte KI-Zahlen ohne Verifikation strategisch verheerend.

Erkennungsrate

>95 %

Pseudonymisierungs-Spot-Check; Output strikt aggregiert; DSGVO-Art.-22-Hardening explizit.

05

So gehen Sie vor

Der Workflow Schritt für Schritt

1

DPIA für ELTV-Modell; BR-Information BetrVG § 92, ggf. § 87. DSB-Sign-off.

Mensch (DSB + BR)

DSGVO Art. 35 · Mitbestimmung

2

Funktionsfamilien-Cluster definieren (5–20 Cluster); k≥5 je Cluster prüfen.

Mensch

Datenschutz · statistische Validität

3

Datenextraktion: Tenure-Verteilung, Ramp-up-Schätzungen aus Performance-Daten, Personalkosten je Cluster, Onboarding-/Offboarding-Kostenproxys.

Mensch (mit System)

Datenbasis

4

Datenklassifikation: Individuelle Tenure-Daten = Klasse A; Funktionsfamilien-Mediane = Klasse C.

Mensch

§ 26 BDSG

5

k-Anonymitäts-Check (k≥5) + Aggregation auf Funktionsfamilie × Standort × Erfahrungslevel. Pseudonymisierung: Funktions-Codes, Standort-Codes, Personalkosten-Bands → Platzhalter.

Mensch + anymize

Re-Identifikationsschutz · DSGVO Art. 28

6

KI-gestützte ELTV-Berechnung: Wertbeitrag-Proxy + Ramp-up + Tenure + Fluktuationskosten → ELTV je Cluster.

GPT / Claude / Gemini in anymize

Geschwindigkeit

7

Modell-Verifikation (Pflichtschritt): Plausibilität ELTV ggü. Branchen-Benchmarks; Sensitivitätsanalyse Ramp-up ±20 %, Tenure ±10 %.

Mensch

Halluzinationsrisiko · Robustheit

8

DSGVO-Art.-22-Hardening: Kein Individual-Mapping; nur Funktionsfamilien-Aggregate für Steuerungs-Output. CHRO-/CFO-Review.

Mensch

Compliance · strategische Validität

9

BR-Anhörung Output (BetrVG § 92); revisionssichere Ablage.

Mensch

Mitbestimmung

06

Womit Sie arbeiten

So setzen Sie anymize konkret ein

Was anymize tut

  • Pseudonymisiert Funktionsfamilien-Aggregate vor LLM-Übergabe.
  • Erzwingt k≥5 je Funktionsfamilie × Cluster; bei kleinen Cohorts Aggregation.
  • Aggregat-Hardening: Output strikt auf Funktionsfamilien-Ebene; kein Individual-Mapping.
  • Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.

Was Sie als People-Analytics-Lead tun

  • DPIA + DSB-Sign-off VOR Modell-Aufbau; BR-Anhörung BetrVG § 92 + § 87.
  • Funktionsfamilien-Cluster definieren; Wertbeitrag-Proxys mit Finance abstimmen.
  • Sensitivitätsanalyse durchführen; Plausibilität gegen Visier/Bersin-Benchmarks.
  • DSGVO-Art.-22-Hardening: Output explizit nicht für Vergütungs-/Beförderungs-Entscheidungen freigeben.

Daten-Input

Funktionsfamilien-Mediane (Tenure, Personalkosten, Ramp-up-Phase, Performance-Proxys), Fluktuationskosten je Cluster aus UC-V-HR-ANA-011.

Output-Kontrolle

Pseudonymisiertes Aggregat geht an die KI. Re-identifizierte ELTV-Formel, Funktionsfamilien-Tabelle (8 Spalten), Sensitivitätsanalyse-Tabelle (±20 % Ramp-up, ±10 % Tenure), Investitions-Empfehlungen und DSGVO-Hardening-Check-Zeile kommen zurück.

Freigabeprozess

DPIA + DSB-Sign-off, k-Anonymität, Sensitivitätsanalyse, BR-Anhörung § 92 + ggf. § 87/§ 94, CHRO + CFO-Office-Freigabe, Output explizit nicht für Vergütungs-/Beförderungs-Entscheidungen.

07

Die KI-Anweisung

Prompt zum Kopieren

So nutzen Sie diesen Prompt:

1. DPIA + DSB-Sign-off VOR Modell-Aufbau; BR-Anhörung BetrVG § 92 + § 87.

2. Funktionsfamilien-Aggregate (k≥5) in anymize einfügen — Pseudonymisierung läuft automatisch.

3. Diesen Prompt anhängen, „Thinking-Modus” wählen.

4. Sensitivitätsanalyse durchführen; DSGVO-Art.-22-Hardening explizit; CHRO + CFO-Office-Freigabe; Output explizit NICHT für Vergütungs-/Beförderungs-Entscheidungen.

Empfohlener Reasoning-Modus in anymize: Thinking-Modus.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt die ELTV-Schätzung für ein deutsches Unternehmen mit BetrVG-Mitbestimmung. Der Input ist auf Funktionsfamilien-Aggregaten (k≥5) pseudonymisiert: Funktions-Codes, Standort-Codes und Personalkosten-Bands durch [[Kategorie-Hash]]-Platzhalter. ELTV ist NIE individuell — strikt aggregiert.

# Role (R)
Du agierst als People-Analytics-Lead mit ELTV-/Workforce-Value-Modellierungs-Kompetenz, Finance-Brücke und HR-Compliance-Sensibilität. Du kennst DSGVO Art. 22 (SRC-0240) + EuGH C-634/21 SCHUFA (SRC-0266) + EuGH C-203/22 Dun & Bradstreet (SRC-0267) als regulatorische Leitplanken, BetrVG § 87 Abs. 1 Nr. 6 + § 92 + § 94, Bersin People Analytics Maturity 2024 (SRC-0290).

# Action (A)
1. ELTV-Formel zitieren: ELTV = (Avg. Tenure − Ramp-up) × Avg. Jahres-Wertbeitrag − Onboarding-Kosten − Offboarding-Kosten.
2. Je Funktionsfamilie berechnen: Tenure-Median, Ramp-up-Phase-Median, Wertbeitrag-Proxy, Personalkosten-Median, Fluktuationskosten.
3. ELTV-Tabelle je Funktionsfamilie + Spreizung Min/Max.
4. **Sensitivitätsanalyse**: Ramp-up ±20 %, Tenure ±10 % → ELTV-Range.
5. **Investitions-Empfehlungen**: Welche Funktionsfamilie hat höchsten ELTV-Hebel durch Retention vs. Recruiting vs. Onboarding-Verkürzung?
6. **DSGVO-Art.-22-Hardening-Check**: Bestätige, dass kein Individual-Mapping erfolgt; alle Aussagen Aggregat-Niveau.
7. Kennzeichnung: jede Zahlen-Aussage mit [HRIS] oder [Finance] taggen.

# Format (F)
- ELTV-Formel-Zeile
- Funktionsfamilien-Tabelle
- Sensitivitätsanalyse-Tabelle
- Investitions-Empfehlungen — 3–5 Bullets
- DSGVO-Hardening-Check-Zeile
- Niemals Individualnamen oder kleine Cluster (k<5)

# Target Audience (T)
CHRO + CFO-Office (Investitions-Diskussion). Aggregierte Steuerungs-Größen, DSGVO-konform, sensitivitäts-bewusst.
08

So sieht der Input aus

Pseudonymisierter Eingabetext

Funktionsfamilien-Aggregate nach anymize-Pseudonymisierung. Strikt aggregiert; kein Individual-Mapping.
ELTV-Daten Unternehmen [[UN-a3f9]] (Konzern, 8.500 MA, B2B-SaaS)
Funktionsfamilien-Aggregate Q1/2026 (k≥5 je Cluster verifiziert)

Cluster 1: [[Funktion-Sales-Account-Exec-b2e7]]
- Headcount: 142
- Median Tenure: 3,2 Jahre
- Ramp-up bis 80 % Quota: 9 Monate
- Median Jahres-Wertbeitrag (Quota erreicht): 1,2 Mio EUR Bookings
- Median Personalkosten + Variable: 145.000 EUR
- Onboarding-Kosten: 24.000 EUR; Offboarding-Kosten: 38.000 EUR

Cluster 2: [[Funktion-Engineering-Senior-c4d1]]
- Headcount: 218
- Median Tenure: 4,8 Jahre
- Ramp-up bis Full Productivity: 6 Monate
- Median Wertbeitrag-Proxy: 320.000 EUR
- Median Personalkosten: 105.000 EUR
- Onboarding 18.000; Offboarding 22.000

Branchen-Benchmark Visier (SRC-0311): ELTV B2B-SaaS Sales 1,8–3,2 Mio EUR; Engineering 0,8–1,4 Mio EUR.
09

So liefert anymize zurück

Der KI-Entwurf

KI-Output nach Re-Identifikation. ELTV strikt auf Funktionsfamilien-Ebene; DSGVO-Hardening-Check explizit.
## Employee Lifetime Value Q1/2026 — Funktionsfamilien-Aggregate

**Formel:** ELTV = (Avg. Tenure − Ramp-up) × Avg. Jahres-Wertbeitrag − Onboarding-Kosten − Offboarding-Kosten. Alle Werte sind Funktionsfamilien-Mediane (k≥5); keine Individual-Aussagen.

### ELTV je Funktionsfamilie

| Cluster | Tenure (J) | Ramp-up (J) | Wertbeitrag/J (EUR) | Onboarding | Offboarding | **ELTV netto** |
|---|---|---|---|---|---|---|
| [[Funktion-Sales-b2e7]] | 3,2 | 0,75 | 1.200.000 | 24.000 | 38.000 | **2.878.000** [HRIS] |
| [[Funktion-Engineering-c4d1]] | 4,8 | 0,50 | 320.000 | 18.000 | 22.000 | **1.336.000** [HRIS] |

### Sensitivitätsanalyse (±20 % Ramp-up, ±10 % Tenure)
| Cluster | ELTV netto | Range Min | Range Max |
|---|---|---|---|
| Sales | 2.878.000 | 2.530.000 | 3.224.000 |
| Engineering | 1.336.000 | 1.180.000 | 1.490.000 |

Sales reagiert am stärksten auf Tenure-Veränderung; Engineering robuster.

### Investitions-Empfehlungen
1. **Sales-Retention prioritär**: 1 Jahr ELTV-Hebel ≈ 1,2 Mio EUR pro Sales-Rep; Retention-Investment zahlt sich überproportional aus.
2. **Engineering-Onboarding kürzen**: Ramp-up 6 → 4 Monate spart 53.000 EUR/Hire bei 30 Hires/Jahr ≈ 1,6 Mio EUR/Jahr.
3. **CS-Retention nicht zu teuer**: standardisierte Retention-Programme genügen.

### DSGVO-Hardening-Check
Alle Aussagen sind Funktionsfamilien-Aggregate (k≥5 verifiziert). Kein Individual-Mapping. Output nicht für Vergütungs-/Beförderungs-Entscheidungen verwendbar (DSGVO Art. 22, SRC-0240; EuGH C-634/21, SRC-0266).
10

Was das HR-Recht verlangt

Pflichten — und wie anymize sie abdeckt

DSGVO Art. 22 (SRC-0240)

Verbot vollautomatischer Einzelfallentscheidungen. ELTV NIE als Individual-Score in Vergütungs-/Beförderungs-Entscheidungen einfließen lassen.

EuGH C-634/21 SCHUFA (07.12.2023, SRC-0266)

Erstellen eines Scores kann bereits als automatisierte Entscheidung gelten — Aggregat-Bezug strikt halten.

EuGH C-203/22 Dun & Bradstreet (27.02.2025, SRC-0267)

Transparenz-Pflicht für Scoring-Logik; Geschäftsgeheimnis entbindet nicht.

BetrVG § 87 Abs. 1 Nr. 6 + § 94 (SRC-0211, SRC-0227, SRC-0257)

Mitbestimmung; bei Individual-Wertbeitrag § 94 (Beurteilungsgrundsätze) zwingend.

BetrVG § 92 (SRC-0212)

Personalplanung — quartalsweise Info-Pflicht.

DSGVO Art. 35 DPIA (SRC-0243)

ELTV-Modell ist DPIA-pflichtig.

EU AI Act (SRC-0231)

Annex III Nr. 4 greift, sobald ELTV in HR-Entscheidungen einfließt.

11

Datenschutz und Vertraulichkeit

So funktioniert das mit anymize

Rechtsgrundlage Art. 6 Abs. 1 lit. f DSGVO + § 26 BDSG (berechtigtes Interesse strategische Personalplanung). Art. 28 DSGVO AVV. Art. 35 DPIA zwingend; DSB-Sign-off. Datenklassen: Individuelle Tenure/Vergütung = Klasse A; Funktionsfamilien-Aggregate (k≥5) = Klasse C. anymize.ai pseudonymisiert vor LLM-Übergabe; strikt aggregierte Verarbeitung; Aggregat-Hardening verhindert Individual-Mapping. DSGVO Art. 22 + EuGH C-634/21 SCHUFA + EuGH C-203/22 Dun & Bradstreet als Leitplanken. BetrVG § 87 Abs. 1 Nr. 6 + § 92 + § 94 Mitbestimmung. EU AI Act Annex III Nr. 4 sobald ELTV in Entscheidungen einfließt. Output explizit nicht für Vergütungs-/Beförderungs-Entscheidungen freigegeben.

Was anymize konkret leistet

  • Pseudonymisiert Funktionsfamilien-Aggregate; Aggregat-Hardening verhindert Individual-Mapping.
  • Erzwingt k≥5 je Funktionsfamilie × Cluster.
  • Output strikt auf Funktionsfamilien-Ebene — bleibt unterhalb DSGVO-Art.-22-Schwelle.
  • Verarbeitung in deutschen Rechenzentren (Hetzner).
  • Alternative: Visier Vee Workforce-Value-Modul, Workday Illuminate, ChartHop Strategic-Workforce-Planning, Microsoft Presidio als On-Premise-Pseudonymisierung.
12

Sicherheitscheck vor der Veröffentlichung

Was anymize liefert — was Sie souverän entscheiden

Vor Modell-Aufbau

  • DPIA dokumentiert + DSB-Sign-off?
  • BR-Information (BetrVG § 92) + ggf. Mitbestimmung (§ 87/§ 94) geprüft?
  • k-Anonymitäts-Check (k≥5) je Funktionsfamilie × Cluster?
  • Pseudonymisierungs-Spot-Check?

Nach der KI-Antwort

  • ELTV strikt aggregiert; kein Individual-Mapping?
  • Sensitivitätsanalyse durchgeführt (Ramp-up ±20 %, Tenure ±10 %)?
  • Plausibilität gegen Branchen-Benchmark (Visier, Bersin)?
  • EuGH-Transparenz-Anforderung erfüllt (Modell-Logik dokumentiert)?

Vor Freigabe

  • Output explizit nicht für Vergütungs-/Beförderungs-Entscheidungen freigegeben?
  • AVV mit LLM-Provider liegt vor?
  • CHRO + CFO-Office-Freigabe?
  • Revisionssichere Ablage?

Typische Fehlermuster — und wie anymize gegensteuert

  • →KI bricht ELTV auf Individual-Ebene herunter — Aggregat-Hardening + strikte Cohort-Markierung im Prompt.
  • →KI gibt deterministische ELTV-Werte ohne Sensitivität — der Prompt erzwingt Sensitivitätsanalyse.
  • →KI vermischt Wertbeitrag-Proxy mit echtem Umsatz — Kennzeichnung [HRIS] vs. [Finance] erzwingen.
  • →KI gibt Empfehlungen für individuelle Vergütungs-Entscheidungen — der Prompt verbietet das explizit.
  • →KI vergisst EuGH-Transparenz-Anforderung — Modell-Karte mit Komponenten + Gewichtungen zwingend.
13

Rechtsgrundlagen

Normen, Urteile, Belege

Primärnormen — DSGVO Art. 22 und EuGH-Leitplanken

  • Verbot automatisierter Einzelfall-Entscheidung
  • Score-Erstellen kann Art.-22-Fall sein
  • Transparenz-Pflicht Scoring-Logik
  • Folgenabschätzung zwingend
  • AVV mit LLM-Provider
  • Beschäftigtendatenverarbeitung

BetrVG und EU AI Act

  • Mitbestimmung KI-Tool
  • Personalplanung
  • Beurteilungsgrundsätze
  • Microsoft 365 + § 87 BetrVG
  • Hochrisiko sobald ELTV in Entscheidungen

Studien

  • ELTV nur in Bersin-Stufe 4 (1-2 % Unternehmen)
  • ELTV B2B-SaaS-Branchen-Benchmark
  • Fluktuationskosten 50–150 % Jahresgehalt
  • 19 % KI-Adoption

Stand: · Nächste Überprüfung:

Hinweis zur Nutzung

Zur Orientierung — nicht als Ersatz für die HR-Letztverantwortung

Diese Anleitung beschreibt einen Arbeitsablauf, den Sie mit anymize umsetzen können. Sie ist zur Orientierung gedacht und ersetzt weder die personalrechtliche Würdigung im Einzelfall noch eine arbeits- oder mitbestimmungsrechtliche Prüfung. Welche Rechtsprechung einschlägig ist, wie der Sachverhalt arbeitsrechtlich zu bewerten ist, welche Entscheidungen in Ihrem konkreten Fall richtig sind — das bleibt selbstverständlich bei Ihnen und Ihrer HR-Letztverantwortung.

KI-Outputs müssen vor jeder Verwendung HR-fachlich geprüft werden. Insbesondere personenbezogene Entscheidungen (Einstellung, Beförderung, Kündigung) dürfen nicht allein auf KI-Empfehlungen gestützt werden (DSGVO Art. 22, EU AI Act Art. 26). anymize gewährleistet die Vertraulichkeit der Beschäftigtendaten gegenüber dem KI-Anbieter; die fachliche Richtigkeit und die rechtliche Verantwortung liegen in Ihrer Hand.

Jetzt starten.
14 Tage kostenlos testen.

Alle Modelle. Alle Features. Keine Kreditkarte.

Kostenlos startenWie es funktioniert

Wir sind überzeugt von anymize. Und wir wissen: Bei einem KI-Werkzeug, das Mandanten-, Patienten- oder Mitarbeiter-Daten berührt, reicht ein Demo-Video nicht. Deshalb 14 Tage voller Zugang – alle Modelle, alle Features, keine Kreditkarte. Genug Zeit, um sicher zu sein, bevor du uns vertraust.

Dein KI-Arbeitsplatz wartet.