Graph-Clustering- und Vorhersagemodelle für DISC-basierte Persönlichkeits- und Kompetenzanalysen

Warum Ihre Arbeitsplatzzahlen eine Geschichte erzählen

Die meisten Organisationen sammeln Unmengen an Informationen über ihre Mitarbeitenden: Ergebnisse von Persönlichkeitstests, Fähigkeiten, Rollen und sogar selbstberichtete Belastung. Diese Studie zeigt, wie sich diese verstreuten Daten zu einer Landkarte verknüpfen lassen, die aufzeigt, wie Beschäftigte einander ähneln, versteckte Gruppen offenbart und Hinweise darauf gibt, wer sich am Arbeitsplatz unter Druck fühlen könnte. Sie konzentriert sich auf das verbreitete DISC-Persönlichkeitsmodell und stellt eine einfache, aber wichtige Frage: Wie weit lassen sich von typbasierten Persönlichkeitsberichten bis hin zu nützlichen, datengetriebenen Erkenntnissen über Stress und Team-Bedarf gelangen — und wo liegen die Grenzen?

Von Farbkennzeichnungen zu Verbindungsmustern

Die Forschenden gehen vom DISC-Modell aus, das Menschen nach allgemeinen Verhaltensstilen gruppiert, etwa durchsetzungsstark, beziehungsorientiert, beständig oder detailorientiert. In einer Universitätseinheit hatten 195 Mitarbeitende eine DISC-basierte Einschätzung abgegeben, die außerdem 17 beruflich relevante Fähigkeiten bewertete, markante Stärken und schwächere Merkmale aufführte und das Stressniveau erfasste. Statt diese Profile als isolierte Werte zu behandeln, betrachtete das Team jede Person als Punkt in einem Netzwerk, wobei die Nähe zwischen zwei Personen davon abhängt, wie ähnlich ihre Fähigkeiten, Rollen und Merkmale sind.

Eine Karte davon, wer wem ähnelt

Um dieses Netzwerk zu erstellen, kombinierten die Autorinnen und Autoren drei Arten von Ähnlichkeit. Sie maßen, wie ähnlich sich Personen bei ihren Fähigkeitsbewertungen waren, wie viele ihrer organisatorischen Angaben übereinstimmten (etwa Einheit oder Aufgabentyp) und wie stark die Überschneidung in ihren Merkmalbeschreibungen war. Diese drei Komponenten wurden zu einem einzelnen Ähnlichkeitswert für jedes Paar von Mitarbeitenden verschmolzen. Jede Person wurde dann mit den ähnlichsten Kolleginnen und Kollegen verbunden, wodurch ein Netz entstand, in dem dickere Verbindungen größere Ähnlichkeit bedeuten. Ein Community-Detection-Algorithmus durchsuchte dieses Netz nach natürlichen Clustern — Gruppen von Menschen, die untereinander enger verbunden sind als mit dem Rest der Organisation.

Versteckte Gruppen und ihr Stressprofil

Das resultierende Netzwerk war weit entfernt von zufällig. Die Methode entdeckte sechs Gemeinschaften von Mitarbeitenden, jeweils mit einer eigenen Mischung aus DISC-Stilen und Stressniveaus. Einige Gruppen enthielten viele „Organisatoren“ oder „Analytiker“, während andere gemischter waren. Die Studie fand, dass sich diese Cluster auch in der Verteilung unterschiedlicher Stressniveaus unterschieden, was darauf hindeutet, dass Kombinationen aus Verhaltensstil, Fähigkeiten und Rollenkontext tendenziell zusammen auftreten. Das bietet Personalarbeitende eine Möglichkeit, Interventionen auf Gruppenebene zu bedenken, etwa gezielte Schulungen oder die Überprüfung der Arbeitsbelastung für bestimmte Cluster, statt sich nur auf einzelne Personen isoliert zu konzentrieren.

Versuch, Stress aus Profilen vorherzusagen

Die Forschenden gingen anschließend vom Kartieren zur Vorhersage über. Mit einer verbreiteten Machine-Learning-Methode namens Random Forest versuchten sie, die Stresskategorie jeder Person (niedrig, mittel, hoch oder hoch und klar arbeitsbezogen) aus DISC-Typ, Fähigkeiten, Merkmalen und organisatorischen Angaben zu schätzen. Das Modell schnitt besser ab als reines Raten, jedoch nicht so gut wie eine sehr einfache Strategie, immer die Mehrheitsklasse vorherzusagen, die niedrigen Stress war. Mit anderen Worten: In den Persönlichkeits- und Kompetenzdaten steckt ein gewisses Signal, aber vieles von dem, was Stress bestimmt, liegt offenbar anderswo — etwa wechselnde Deadlines, private Lebensereignisse oder veränderte Teambeziehungen, die in dieser einmaligen Erhebung nicht erfasst wurden.

Was wirklich Druck im Job verursacht

Auch mit seinen Grenzen hob das Vorhersagemodell einige aufschlussreiche Muster hervor. Bei den wichtigsten Eingangsvariablen zur Unterscheidung der Stressniveaus fanden sich Fähigkeitsbewertungen, die mit Vertriebszielen und Kundenkontakt verknüpft sind. Das entspricht gängigen Erfahrungen: Rollen, bei denen Ergebnisdruck und Kundenkontakt zentral sind, bringen oft zusätzlichen Druck mit sich. Die Studie führte außerdem eine separate Übung durch, um Kompetenz-Gruppenlabels zu „vorhersagen“ und erzielte nahezu perfekte Werte — doch hier waren die Ziel-Labels im Wesentlichen aus denselben Informationen konstruiert, die als Eingaben verwendet wurden, ein klassisches Beispiel für Informationsleckage, das auf dem Papier beeindruckend wirkt, sich aber nicht verallgemeinert.

Warum das für Menschen und Teams wichtig ist

Für die allgemeine Leserschaft lautet die Kernbotschaft: Persönlichkeitstests und Fähigkeitsbewertungen können mehr leisten, als Sie in eine einfache Buchstaben-Kategorie einzuordnen; richtig kombiniert, können sie zeigen, wie Sie im größeren Gefüge Ihres Arbeitsplatzes eingeordnet sind. Zugleich warnt die Studie vor Übervertrauen: Stress lässt sich nicht verlässlich aus einem Persönlichkeitsdiagramm ablesen. Netzwerkartige Ähnlichkeitskarten können Organisationen helfen, sinnvolle Gruppen zu erkennen und über Training oder Ausgewogenheit in Teams nachzudenken, aber ernsthafte Entscheidungen über Wohlbefinden benötigen reichhaltigere, fortlaufende Informationen und vor allem direkte menschliche Gespräche.

Zitation: Samanta, S., Allahviranloo, T., Mrsic, L. et al. Graph clustering and prediction models for DISC-based personality and competency analysis. Sci Rep 16, 10186 (2026). https://doi.org/10.1038/s41598-026-41013-4

Schlüsselwörter: Arbeitsplatzstress, Persönlichkeitsbewertung, Teamdynamik, organisatorische Analytik, Mitarbeiterkompetenzen