Produktivitätsprognose
Geben Sie die Mitarbeiterdaten ein, um die vorhergesagte Jahresproduktivität (EUR/FTE) zu berechnen.
Was-wäre-wenn-Analyse
Variieren Sie einen Parameter und beobachten Sie den Einfluss auf die Produktivität.
Basisprofil aus Tab 1 wird übernommen. Bitte dort zuerst ein Profil eingeben.
Team-Planung
Fügen Sie mehrere Mitarbeiter hinzu und forecasten Sie die Gesamtproduktivität.
Mitarbeiter hinzufügen
Modell-Transparenz
Leistungsmetriken, Feature-Importances und regulatorischer Kontext des eingesetzten Random-Forest-Modells.
0.824
Test R²
Random Forest (EU, getunt)
€169k
Test RMSE
EUR / FTE / Jahr
€120k
Test MAE
EUR / FTE / Jahr
0.688
Baseline R²
Lineare Regression
Feature Importance
Regulatorischer Kontext
Das Modell wurde bewusst auf GDPR Art. 9 / AGG §1-konforme Merkmale beschränkt. Folgende Attribute wurden aus dem finalen Modell ausgeschlossen:
-
Entfernt
Geschlecht (gender)
AGG §1 – kein diskriminierendes Merkmal -
Entfernt
Ethnische Zugehörigkeit (ethnicity)
GDPR Art. 9 – besondere Kategorie personenbezogener Daten -
Entfernt
Familiensituation (family_situation)
AGG §1 – keine arbeitsrechtliche Relevanz
Compliance-Kosten: −0.0 R² — kein messbarer Verlust an Vorhersagekraft
Modell-Parameter
| Algorithmus | Random Forest Regressor |
| max_depth | 12 |
| n_estimators | 300 |
| Zielvariable | log(productivity_eur_fte) |
| Features | 17 (EU-konform) |
| Trainingsdaten | 8.000 Mitarbeiter (80/20 Split) |
| CV-Strategie | 10-Fold auf Trainingsdaten |
| Regime | EU-compliant (GDPR / AGG / BDSG) |