People Analytics und Workforce Planning
Time-to-Fill und Time-to-Hire-Analyse mit Engpass-Benchmark und Recruiting-Funnel
anymize.ai pseudonymisiert ATS-Daten (Greenhouse, Personio, softgarden, SAP/Workday Recruiting) und erzwingt k≥5 für Funnel-Cohorts. Die KI generiert KPI-Berechnungen (Time-to-Fill, Time-to-Hire, Cost-per-Hire, Funnel-Conversion), Engpass-Cluster-Detection (> 1,5x Konzern-Median) und Benchmark-Vergleich mit LinkedIn Future of Recruiting (STD-0044) + BA-Engpass (STD-0055). AGG-konforme Maßnahmen-Empfehlungen — keine demografische Funnel-Selektion (BAG 8 AZR 74/25).
Schwierigkeit: Fortgeschritten · 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.
Anwendungsbereich
Worum geht es hier?
Time-to-Fill ist die zentrale Recruiting-Effizienz-KPI und gleichzeitig der wichtigste Indikator für Engpass-Drift. Der UC verknüpft Workforce-Planning (UC-M-HR-024) und Recruiting-Spezifika auf der People-Analytics-Schiene. LinkedIn Future of Recruiting 2025 (STD-0044): Time-to-Hire ist Top-3-KPI; BA-Engpassanalyse 2024 (STD-0055): 163 Engpassberufe mit strukturell verlängerter Besetzdauer.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- People-Analytics-Lead, Talent-Acquisition-Lead, HR-Controlling, CHRO, Hiring Manager (informiert).
- Seniorität
- Fortgeschritten — Recruiting-Funnel-Kennzahlen + Benchmarking.
- Unternehmensgröße
- Konzern, gehobener Mittelstand, KMU > 250 MA mit institutionalisiertem Recruiting.
- Spezifische Kontexte
- Engpassberufe (Pflege, IT, Bau, Engineering — STD-0055); Hochvolumen-Recruiting (Retail, Logistik); Standorte mit angespanntem Arbeitsmarkt.
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
LinkedIn Future of Recruiting 2025 (STD-0044): Time-to-Hire ist Top-3-KPI; ~1 Tag/Woche Zeit-Entlastung durch KI-Tools. DGFP-Recruiting-Benchmark (SRC-0275): 90 % der HR-Teams nutzen KI für Stellenanzeigen. BA-Fachkräfteengpassanalyse 2024 (STD-0055): 163 Engpassberufe. Regulatorisch: BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21) — KI-Tool mit Bewerber-Daten mitbestimmungspflichtig; § 26 BDSG (Bewerber-Daten Klasse A); DSGVO Art. 22 (keine Auto-Personalentscheidungen aus Funnel-Daten); DSGVO Art. 35 DPIA; AGG + BAG 8 AZR 74/25 (120 k EUR Altersdiskriminierung) — Funnel darf keine mittelbar diskriminierende Steuerung enthalten; EU AI Act Annex III Nr. 4 bei Recruiting-Entscheidungs-Kopplung Hochrisiko. anymize.ai pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe; Benchmarks (LinkedIn, DGFP, BA-Engpass) als strukturierte Eingabe verhindern LLM-Halluzinationen.
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Reporting-Zyklus
1–2 PT
Monatlich Steuerung + quartalsweise Reporting.
Kosten-Hebel
5–15 %
Realistisch: 5–15 % Time-to-Fill-Reduktion durch frühe Identifikation von Engpass-Clustern (plausibilisiert). Jeder Tag offener Engpass-Stelle = Produktivitäts-Ausfall + Zeitarbeits-Kosten.
Vertraulichkeit
Bewerber Klasse A
anymize.ai pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen vor LLM-Übergabe.
Erkennungsrate
>95 %
Benchmarks (LinkedIn, DGFP, BA-Engpass) als strukturierte Eingabe; nicht aus LLM-Wissen.
So gehen Sie vor
Der Workflow Schritt für Schritt
DPIA + BR-Information vor Pipeline.
Mensch
DSGVO Art. 35 · BetrVG § 80
ATS-Export (Greenhouse, Personio, softgarden, SAP/Workday Recruiting): Stellen-Eröffnung, Bewerbungs-Eingang, Stage-Übergänge, Vertragsunterzeichnung, Funktion, Standort, Tarif-Bucket. Keine Klar-Bewerber-Namen, keine Geburtsdaten, keine Foto-Daten.
Mensch + Plattform
§ 26 BDSG · AGG · DSGVO Art. 9
Datenklassifikation: Funnel-Aggregate Klasse A; Pseudonymisierung mit anymize.ai.
anymize
§ 26 BDSG · DSGVO Art. 5
k-Anonymität k≥5 für Funnel-Cohorts (Funktion × Standort × Quartal).
anymize
DSGVO Art. 5
KI-KPI-Berechnung: Time-to-Fill, Time-to-Hire, Cost-per-Hire, Funnel-Conversion je Stage.
GPT / Claude / Gemini in anymize
Berechnungs-Aggregation
KI-Trend-Analyse: 12M-Verlauf je Funktion × Standort; Engpass-Sensitivität (BA-STD-0055-Bezug); Benchmark-Vergleich (LinkedIn, DGFP).
GPT / Claude / Gemini in anymize
Trend-Erkennung · externe Referenz
Hiring-Manager-/TA-Lead-Review: Plausibilisierung gegen operative Erfahrung; AGG-Sanity-Check der Maßnahmen-Empfehlungen.
Mensch
Halluzinations-Kontrolle · AGG
BR-Vorabinformation; Bericht-Distribution an TA-Lead, CHRO, Hiring Manager.
Mensch
BetrVG § 80
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe.
- Erzwingt k≥5 für Funnel-Cohorts (Funktion × Standort × Quartal).
- Benchmarks (LinkedIn Future of Recruiting, DGFP, BA-Engpass) als strukturierte Eingabe — nicht aus LLM-Wissen.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als TA-Lead tun
- DPIA + BR-Information vor Pipeline; bei Recruiting-Entscheidungs-Kopplung FRIA (EU AI Act Art. 27).
- Plausibilisierung der KPIs gegen operative Erfahrung; AGG-Sanity-Check (keine demografische Funnel-Steuerung).
- Engpass-Cluster mit > 1,5x Konzern-Median identifizieren; Querbezug zu Workforce-Planning (UC-V-HR-ANA-004).
- Drift-Monitoring monatlich; bei > 2x Benchmark-Abweichung Eskalation an CHRO + Workforce-Planning.
Daten-Input
Funnel-Aggregate je Cohort, Stage-Übergangs-Zeiten, Cost-per-Hire (Klasse A). Branchen-Benchmarks (LinkedIn, DGFP — Klasse B). BA-Engpass-Indikator (Klasse C, öffentlich). Verboten: Klar-Bewerber-Namen, Geburtsdaten, Fotos, Lebenslauf-Klartexte.
Output-Kontrolle
Pseudonymisiertes k-anonymes Aggregat geht an die KI. Re-identifizierte KPI-Übersichts-Tabelle, 12M-Trend, Benchmark-Vergleich, Engpass-Cluster-Liste, Funnel-Conversion-Auffälligkeiten und AGG-konforme Maßnahmen-Empfehlungen kommen zurück.
Freigabeprozess
DPIA + BR-Information, k-Anonymitäts-Verifikation, TA-Lead + People-Analytics-Lead + CHRO-Freigabe, monatliches Drift-Monitoring.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + BR-Information vor Pipeline.
2. ATS-Export + Benchmarks (LinkedIn, DGFP, BA-Engpass als strukturierte Liste) in anymize einfügen.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. AGG-Sanity-Check; TA-Lead-Plausibilisierung; Drift-Monitoring monatlich.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt eine Recruiting-Funnel-KPI-Analyse für
ein deutsches Unternehmen. Eingabe: pseudonymisierte ATS-Daten (k≥5) — Funnel-Stages,
Time-to-Fill, Time-to-Hire, Cost-per-Hire, Funktion × Standort × Quartal. Externe
Benchmarks: LinkedIn Future of Recruiting 2025 (STD-0044), BA-Fachkräfteengpassanalyse
2024 (STD-0055), DGFP-Recruiting-Benchmark (SRC-0275).
# Role (R)
Du agierst als Talent-Acquisition-Analyst mit Kenntnis von BetrVG § 87 Abs. 1 Nr. 6
(BAG 1 ABR 20/21), § 80, § 26 BDSG, DSGVO Art. 22, AGG, BAG 8 AZR 74/25 (120.000 EUR
Altersdiskriminierung), EU AI Act Annex III Nr. 4 (Hochrisiko bei Recruiting-
Entscheidungs-Kopplung).
# Action (A)
1. KPI-Berechnung je Funktion × Standort × Quartal: Time-to-Fill, Time-to-Hire,
Cost-per-Hire, Funnel-Conversion (Apply→Screen→Interview→Offer→Sign).
2. 12M-Trend mit Q-zu-Q-Bewegungen.
3. Benchmark-Vergleich mit LinkedIn / DGFP / BA-Engpass-Indikator.
4. Engpass-Cluster-Detection (Funktion × Standort mit Time-to-Fill > 1,5x Konzern-Median).
5. Funnel-Conversion-Auffälligkeiten (Stage-Drop > 1,5x Konzern-Schnitt).
6. Hypothesen-Bildung mit `HYPOTHESE:`-Präfix.
7. Maßnahmen-Empfehlungen Prozess-Ebene (Sourcing, Interview-Effizienz, Offer-Quote);
keine demografisch-diskriminierenden Empfehlungen.
# Format (F)
- KPI-Übersichts-Tabelle | Funktion | Standort | TtF | TtH | CpH | Conversion |.
- Trend-Block (12M).
- Benchmark-Vergleich-Block.
- Engpass-Cluster-Liste.
- Hypothesen nummeriert.
- Maßnahmen-Empfehlungen 3–5 Bullets.
# Target Audience (T)
TA-Lead, CHRO, Hiring Manager. Sachlich, datenbasiert, AGG-konform. Keine demografisch-
selektiven Aussagen.So sieht der Input aus
Pseudonymisierter Eingabetext
Eingabe (aggregiert, k≥5):
Recruiting-Funnel Q1 2026:
TtF (Tage) TtH (Tage) CpH (EUR) Apply→Sign Conv.
Software-Engineering 78 52 7.200 2,1 %
Customer Success 45 32 3.800 4,2 %
Sales B2B 58 42 4.500 3,1 %
Operations 28 18 1.900 8,4 %
HR 52 38 3.200 5,1 %
12M-Trend (Konzern-Median TtF): 2025 Q1: 48 d → 2026 Q1: 58 d
Standort-Highlights (n≥5):
- Software-Engineering Hauptsitz TtF: 72 d
- Software-Engineering Berlin TtF: 89 d (auffällig)
- Software-Engineering München TtF: 84 d
Externe Benchmarks:
- LinkedIn Future of Recruiting 2025 (STD-0044): DACH-Tech TtF Median ~65 d
- BA-Engpass (STD-0055): Engineering = Engpassberuf
- DGFP-Recruiting-Benchmark (SRC-0275): TtF Median über Branchen ~45 dSo liefert anymize zurück
Der KI-Entwurf
## Recruiting-Funnel-Analyse Q1 2026
### KPI-Übersicht
| Funktion | TtF (d) | TtH (d) | CpH (EUR) | Apply→Sign |
|---|---|---|---|---|
| Software-Engineering | 78 | 52 | 7.200 | 2,1 % |
| Customer Success | 45 | 32 | 3.800 | 4,2 % |
| Sales B2B | 58 | 42 | 4.500 | 3,1 % |
| Operations | 28 | 18 | 1.900 | 8,4 % |
### Benchmark-Vergleich
- Engineering 78 d vs. LinkedIn DACH-Tech Median 65 d → +13 d über Benchmark.
BA-Engpass (STD-0055) = Engineering Engpassberuf, daher höhere Werte strukturell erwartet.
- Operations 28 d vs. DGFP-Median 45 d → deutlich besser; Operations kein Engpass.
### Engpass-Cluster (Time-to-Fill > 1,5x Konzern-Median 58 d)
1. Software-Engineering Berlin: 89 d.
2. Software-Engineering München: 84 d.
3. Software-Engineering Hauptsitz: 72 d.
### Hypothesen
1. HYPOTHESE [[VALIDIERUNG ERFORDERLICH]]: Software-Engineering Berlin TtF 89 d
reflektiert lokalen IT-Engpass-Markt.
2. HYPOTHESE: Niedrige Apply → Screen Conversion 22 % kann mit zu strikter
Skill-Listen-Definition zusammenhängen.
### Maßnahmen-Empfehlungen (Prozess-Ebene, AGG-konform)
1. Stellenanzeigen-Skill-Review Engineering (Must-have-Reduktion auf 5–7).
2. Sourcing-Diversifizierung Berlin/München (LinkedIn Talent Insights, Stack Overflow Jobs).
3. Interview-Effizienz-Audit Engineering.
4. Reskilling-Pipeline aus angrenzenden Funktionen (Querbezug UC-V-HR-ANA-004).
5. Engpass-Cluster monatliches Re-Forecast.Was das HR-Recht verlangt
Pflichten — und wie anymize sie abdeckt
AGG + BAG 8 AZR 74/25 (SRC-0217, SRC-0256) — demografische Funnel-Steuerung verboten
Funnel-Optimierung darf nicht selektiv nach Alter, Geschlecht, Herkunft steuern. Mitigation: AGG-Sanity-Check; D&I-Review.
§ 26 BDSG (SRC-0215) — Bewerber-Daten sensibel
Klar-Bewerber-Daten dürfen nicht in LLM. Mitigation: anymize.ai-NER vor LLM.
BetrVG § 87 (BAG 1 ABR 20/21, SRC-0257)
Recruiting-Funnel-KI mitbestimmungspflichtig. Mitigation: Betriebsvereinbarung.
DSGVO Art. 22 (SRC-0240)
Keine automatischen Personalentscheidungen aus Funnel-Daten. Mitigation: human-in-the-loop.
EU AI Act Annex III Nr. 4 (SRC-0231) — Recruiting-KI Hochrisiko
Mitigation: FRIA bei breitem Einsatz; Modell-Karte; menschliche Aufsicht.
Halluzinations-Risiko bei Benchmark-Interpretation
LLM kann falsche Benchmark-Zahlen erfinden. Mitigation: Benchmarks als strukturierte Eingabe (nicht LLM-Wissen).
Schatten-KI durch Recruiter
Public-ChatGPT mit Bewerber-Daten = § 26 BDSG-Verstoß. Mitigation: KI-Policy; anymize-Workflow als Standard.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Recruiting-Funnel-Daten enthalten Bewerber-Klar-Daten (§ 26 BDSG); anymize.ai pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe. k-Anonymität k≥5 für Funnel-Cohorts technisch erzwungen. Benchmarks (LinkedIn Future of Recruiting, DGFP-Recruiting-Benchmark, BA-Engpass-Indikator) als strukturierte Eingabe — verhindert LLM-Halluzinationen. Verarbeitung in deutschen Rechenzentren (Hetzner), AVV nach Art. 28 DSGVO. BetrVG § 87 Abs. 1 Nr. 6 (BAG 1 ABR 20/21) Mitbestimmung; § 80 BR-Information. DSGVO Art. 22 keine Auto-Entscheidung; DSGVO Art. 35 DPIA. AGG §§ 1, 3, 7 + BAG 8 AZR 74/25 (120 k EUR): Funnel-Auswertung darf keine mittelbar diskriminierende Steuerung enthalten — AGG-Sanity-Check Pflicht. EU AI Act Annex III Nr. 4 + Art. 26 bei Recruiting-Entscheidungs-Kopplung Hochrisiko; FRIA Art. 27 bei breitem Einsatz.
Was anymize konkret leistet
- Pseudonymisiert Bewerber-IDs, Hiring-Manager-Namen, Funktions-Codes vor LLM-Übergabe.
- Erzwingt k≥5 für Funnel-Cohorts.
- Benchmarks als strukturierte Eingabe — verhindert LLM-Halluzinationen.
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Native ATS-Plattform-KI (Greenhouse Analytics, Workday Recruiting, SAP SuccessFactors Recruiting); DIY-Pipeline; LinkedIn Talent Insights als Benchmark.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert — was Sie souverän entscheiden
Vor dem KI-Aufruf
- DPIA + BR-Information dokumentiert?
- k-Anonymität k≥5 für Funnel-Cohorts?
- anymize.ai-Pseudonymisierung vor LLM?
- Benchmarks als strukturierte Eingabe (nicht LLM-Wissen)?
Nach der KI-Antwort
- AGG-Sanity-Check des Outputs (keine demografisch-selektiven Empfehlungen)?
- Engpass-Cluster mit BA-STD-0055-Bezug zitiert?
- Hypothesen mit Validierungs-Marker?
- Maßnahmen-Empfehlungen prozess-/nicht personenbezogen?
Vor Distribution
- AVV mit anymize-Anbieter und Cloud-LLM?
- KI-Inventar nach EU AI Act Art. 26; ggf. FRIA Art. 27?
- TA-Lead + CHRO-Freigabe?
- Drift-Monitoring monatlich; Halluzinations-Kontrolle?
Typische Fehlermuster — und wie anymize gegensteuert
- →KI gibt demografisch-selektive Empfehlungen („mehr Männer einstellen”) — AGG-Sanity-Check fängt das ab.
- →KI erfindet Benchmark-Zahlen aus eigenem Wissen — strukturierte Eingabe verhindert das.
- →KI extrapoliert von Engpass-Clustern auf Konzern-weite Maßnahmen — Cohort-Markierung erzwingen.
- →KI ignoriert BA-Engpass-Klassifikation — der Prompt zwingt zum expliziten Engpass-Indikator-Zitat.
- →KI gibt automatische Hiring-Entscheidungen — Prompt verbietet Auto-Personalentscheidungen.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen — Mitbestimmung und Datenschutz
- Mitbestimmung Recruiting-KI
- BR-Information
- Bewerber-Daten
- Datenminimierung
- Keine Auto-Entscheidung
- Folgenabschätzung
AGG und EU AI Act
- Diskriminierungsverbot
- 120.000 EUR Altersdiskriminierung
- Microsoft 365 + § 87 BetrVG
- Hochrisiko bei Recruiting
- KI-Inventar
Studien und Plattformen
- Time-to-Hire Top-3-KPI
- 163 Engpassberufe
- Recruiting-Benchmark DE
- 19 % KI-Adoption
- Plattform-Belege
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.
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.