Das paraguayische Arbeitsministerium nutzt ab 2018 JANZZ.technology’s Webplattform für die verbesserte Vermittlung von Arbeitssuchenden

Das Arbeitsministerium der Republik Paraguay hat die JANZZ.technology Plattform ParaEmpleo.mtess.gov.py ausgewählt, finanziert von der Interamerikanische Entwicklungsbank, zur Verbesserung der Arbeitsvermittlung in Paraguay unter Verwendung modernster Matching-Technologien, die auf der weltweit besten Berufsontologie basieren.

JANZZ.technology wurde ausgewählt, um den Arbeitsmarkt in Paraguay zu verbessern.

Das Ministerium für Arbeit, Beschäftigung und soziale Sicherheit (MTESS) der Republik Paraguay und das Unternehmen JANZZ.technology mit Sitz in der Schweiz haben das Kooperationsabkommen für den paraguayischen Arbeitsmarkt unterzeichnet. Dank dieser Vereinbarung startete das Schweizer Unternehmen sein erstes Projekt in Lateinamerika. Als Ergebnis wird JANZZ.technology ihre Plattform mit dem Namen ParaEmpleo.mtess.gov.py installieren, um die Vermittlung junger Arbeitssuchender zu verbessern. Der wirtschaftsgelehrte Guillermo Sosa, Arbeitsminister und Diego Rico, VP customer integration und stellvertretender CEO von JANZZ.technology, trafen sich, um die Details des Projekts abzuschließen und die verschiedenen Vorteile dieser innovativen Technologie zu besprechen, die neben Paraguay mehr als 150.000 Bewerber und Arbeitgeber in 40 verschiedenen Sprachen in 5 Ländern bedient.  Die Plattform durchbricht das Schema der Vermittlung durch Schlüsselwörter, indem sie Taxonomien, einen ontologischen Ansatz und Semantik, gekoppelt mit den besten Technologien, einbezieht. Dies ermöglicht, dass Arbeitssuchende und Arbeitgeber in mehreren Dimensionen, einschließlich Soft Skills, Training, Erfahrung, Verfügbarkeit und Geo-Location, zusammengebracht werden können. In die Plattform wurden mehr als 100000 Stunden manuelle Entwicklungszeit investiert, und die neue Version wird nun in Paraguay installiert.

Mit dieser neuen ParaEmpleo.mtess.gov.py Webplattform will MTESS die fortschrittlichste Technologie für das Job-Matching anbieten. Bis heute haben sich mehr als 25000 Bewerber in der PARAGUAY-Datenbank registriert. Sobald die Dienstleistung vollständig erstellt ist, werden diese jungen Menschen in der Lage sein, je nach ihren Kompetenzen und Fähigkeiten einen Arbeitsplatz zu finden. Diese Vereinbarung wird im Rahmen des „Program to Support Labor Insertion“ (PR-L1066) getroffen, das von der Interamerikanischen Entwicklungsbank im Rahmen eines Darlehensvertrags mit der Republik Paraguay finanziert wird.

JANZZ.technology ist der beste Partner für MTESS, da das Unternehmen über jahrelange Berufserfahrung verfügt, die es JANZZ.technology ermöglicht hat, umfangreiche Erfahrungen im Bereich der Berufsdaten mit effektiven Lösungen in Spanisch und für ihr umfassendes und mehrsprachiges Angebot an Standardklassifikationen zu sammeln. Das Unternehmen freut sich sehr über die Möglichkeit, an der Stärkung des Arbeitsmarktes in Paraguay teilzunehmen und hofft auf eine Zusammenarbeit mit MTESS.

Die Interamerikanische Entwicklungsbank (IDB)

Die Interamerikanische Entwicklungsbank ist eine der wichtigsten Hilfsquellen für langfristige Finanzierungen wirtschaftlicher, sozialer und institutioneller Projekte in Lateinamerika und der Karibik. Neben Krediten, Zuschüssen und Bürgschaften führt die IDB modernste Forschungsprojekte durch, um innovative und nachhaltige Lösungen für die dringlichsten Probleme in diesen Regionen zu finden. Die IDB wurde 1959 gegründet, um den Fortschritt in den Entwicklungsländern zu beschleunigen, und arbeitet täglich daran, das Leben zu verbessern.

Das Ministerium für Arbeit, Beschäftigung und soziale Sicherheit (MTESS)

Das Ministerium für Arbeit, Beschäftigung und soziale Sicherheit Paraguays hat die Aufgabe, die Arbeits-, Beschäftigungs- und Sozialversicherungspolitik zu bestimmen, die Arbeitsbedingungen und die Achtung der Grundrechte der Arbeitnehmer in einem demokratischen Rahmen zu verbessern und den sozialen Dialog zu überwachen. Herr Guillermo Sosa hat seit April 2014 das Amt des Ministers für Arbeit, Beschäftigung und soziale Sicherheit inne und war zuvor Büroleiter des Ministeriums.

JANZZ.technology

JANZZ.technology ist ein Technologie- und Beratungsunternehmen, das sich dem semantischen Skills- und Job-Matching sowie der Nutzung komplexer Daten zu Kompetenzen und Beschäftigung widmet. Es bietet White-Label-Produkte und SaaS-Lösungen für die Modellierung, Analyse und Nutzung von Big Data auf Jobportalen, in öffentlichen Organisationen wie Arbeitsämtern sowie Jobbörsen von Unternehmen. JANZZ.technology’s Produkte ermöglichen dank neuester semantischer Technologien ein präzises, mehrsprachiges Matching von Qualifikationen, Skills und Kompetenzen. Auf diese Weise werden Matching-Probleme auf den Arbeitsmärkten deutlich reduziert und große Datenmengen in intelligente Daten umgewandelt.

Wie matched man Mensch und Job für das perfekte Date?

Es ist eine wahre Schwierigkeit, Person und Person technologisch zu matchen und sie auf ein Date zu schicken. Genug Erwartungen müssen berücksichtigt werden. Haben sie ähnliche Interessen? Wohnen sie am selben Ort? Was sind ihre Ziele? Und dann gibt es noch genügend versteckte Erwartungen, wie beispielsweise an das Aussehen. Matching ist und bleibt ein komplexes Problem.

Daran ändert sich nichts, wenn es darum geht, die richtige Person und den richtigen Job zusammenzubringen. Selbst für Spezialisten mit jahrelanger Erfahrung ist Job- und Skillsmatching eine riesige Herausforderung. Wer und was passt gut zusammen? Woran macht man das fest? Täglich müssen die Fragen gut reflektiert beantwortet werden, um erfolgreich matchen zu können. Das erfordert gutes Wissen und gute Informationen und ist wie gesagt schon schwierig genug, wenn Menschen diese Aufgaben qualitativ hoch erfüllen sollen. Die Erwartungen von Arbeitgeber und potenziellem Arbeitnehmer sind hoch. Könnte nun eine Maschine, ein Algorithmus diese Erwartungen mehr als zufriedenstellend erfüllen?

Wie matcht man so komplexe Daten? Quelle: Getty Images.

 

Ist gutes Matching möglich?

Klären wir zuerst, ob ein gutes Matching überhaupt möglich ist. Matching ist die Zuordnung von Attributen von zwei verschiedenen Einheiten, in unserem Fall sind es nun Job und Mensch. Allerdings kann das allein in unserem beleuchteten Bereich sehr unterschiedliche Dinge bedeuten. In manchen Jobs bedeutet die Analyse, ob man zum Job passt, nur die Frage, ob man arbeitsfähig ist. Sobald man beispielswiese körperlich gesund ist, sollte Erdbeeren sammeln möglich sein. Jedoch gibt es auch andere Jobs, die eine Fülle an Zertifikaten, Spezialisierungen und Erfahrungen erfordern. Versuchen Sie doch mal von jetzt auf gleich einen Neonatalchirurgen zu matchen?

Personal-Spezialisten kennen schon die kleinsten Feinheiten, die beachtet werden müssen und dennoch bleibt Matching auch für sie ein hochkomplexes Problem. Denn die Voraussetzungen ändern sich ständig. Anforderungen, die gestern galten, gelten heute nicht mehr und gleichwohl gelten die heutigen nicht mehr morgen. Job bleibt nicht Job, Mensch nicht Mensch und Arbeitsmarkt nicht Arbeitsmarkt. Wer hätte vor ein paar Jahren einen Director Digital Development gebraucht? Und wer hatte schon diese Spezialisierung in seinem Lebenslauf stehen?

Und nun wird es doch um Weiten komplexer, wenn eine Maschine so eine Aufgabe übernehmen soll. Sie muss nun all die Erfahrung und das Wissen des Spezialisten genauso anwenden können, auf Kleinigkeiten achten und sie muss ebenso immer wieder auf Veränderungen des Arbeitsmarktes reagieren. Anbieter von solchen Maschinen fokussieren sich auf unterschiedliche Daten, um das komplexe Problem zu überwinden, beispielsweise ehemalige Jobtitel von Bewerbern oder ihre Skills. Ein Algorithmus vergleicht nun Stellenanforderungen und Lebensläufe, und schon wird gematcht. Erfolgreich?

 

Maurer gleich Maurer – Sales Consultant gleich Sales Consultant?

Einige matchen wie gesagt aufgrund von ehemaligen Jobtiteln. Wenn der Kandidat Position X bei Firma A hatte, kann er doch auch Position X bei Firma B ausüben oder? Früher vielleicht ja. In früherer Zeit waren wir Hausärzte, Sekretäre, Anwälte, Maurer etc. pp. Heute sind wir Sales Consultants, Data Ninjas, Facility Manager, etc. Ist nun ein Sales Consultant jemand, der in einem Detailhandelsgeschäft steht und Kunden berät? Oder jemand, der im Vertrieb Offerten erstellt, Aufträge aufnimmt und mit Kunden Verträge verhandelt? Diese Fragen stellen sich schon Spezialisten, wenn sie Lebensläufe anschauen. Und nun soll eine Maschine das auch noch erfassen und verstehen können.

Jobtitel sind also viel zu häufig zu generisch. Oder wiederum viel zu spezifisch, wenn unternehmensinterne Begriffe in Jobtitel einfliessen und somit eher eine Funktion bezeichnen – so sind doch alle heutzutage irgendwelche Manager. Ohne nähere Beschreibung der Beschäftigungen wären wir häufig verloren und könnten nicht wissen, ob ein Bewerber nun wirklich für eine Stelle geeignet ist. Oder ob die Stelle für den Bewerber geeignet ist.

 

Schaut lieber auf die Kenntnisse

Ein Jobtitel reicht heute also nicht aus für gutes Matching. Also lösen andere Jobmatching Anbieter das Matching-Problem mit anderen Parametern – sie schauen auf die Skills und Kompetenzen, da diese ja Inhalt der Beschreibungen für die zu kryptischen Jobtitel sind. Skills-based oder Competence-based Matching ist aussagekräftiger und vielversprechender, weil es nicht nur einen Titel berücksichtigt, den jemand einmal hatte, sondern auch sein Wissen, seine Talente, Einsichten und Bildung, könnte man sagen. Man betrachtet also die Fähigkeiten eines Kandidaten und die Fähigkeiten, die für einen Job benötigt werden, und matched diese.

Grundsätzlich klingt das logisch: Ich wünsche mir eine Führungskraft, die aufgeschlossen, kommunikativ, führungsstark und gut in der Problemlösung ist. Ich finde jemanden, der diese Begriffe in seinem Lebenslauf hat und mit denen übereinstimmt. Sind nun also Skills verlässliche Punkte, damit eine Maschine weiss, dass dies der perfekte Match zu meiner Vakanz ist?

Schauen wir mal genauer auf Skills. Skills, also Fähigkeiten, resultieren aus meinem Wissen. Aristoteles sagte, Wissen sei die absolute Wahrheit. Absolute Wahrheit kann nur erlangt werden, wenn man das Wissen selbst erlebt hat und somit erprüft. Wissen, dass ich durch Kommunikation und Studium von anderen gelernt habe, muss verifiziert werden und kann daher nicht die absolute Wahrheit sein. Denn wenn mir jemand etwas Neues erzählt – wie kann ich sicher sein, dass das eine wahre Geschichte ist?

Solange ich es also nicht erlebt – und entsprechend angewendet habe – bleibt das Wissen unvollständig. Sicherlich ist gute Bildung ein großer Wert, dies möchte ich nicht bestreiten. Aber bevor ich nicht weiss, wie jemand das erworbene Wissen genutzt hat, ist es nicht erprüft und gibt mir nicht die Möglichkeit, ein Nutzen daraus zu ziehen. Erst wenn es also erprüft ist, bringt es mir einen Vorteil, einen gewissen Handlungsspielraum, gewissermassen einen Teil der Macht.

Wenn wir zu meiner Führungskraft zurückkehren, die aufgeschlossen, kommunikativ, führungsstark und gut darin ist, Probleme zu lösen. Könnte es dann nicht sein, dass unsere potenziellen Kandidaten Manager in der Bau-, Finanz- oder Bekleidungsindustrie sein könnten? Ohne ihre Erfahrungen wäre die Vakanz wahrscheinlich zu allen drei Stellen gematcht worden, obwohl jede Stelle ihre eigene Branchenerfahrung voraussetzt. Es fehlt an relevanten Erfahrungen, um die Fähigkeiten in eine sinnvolle Beziehung zu setzen.

 

Wahres Wissen braucht Erfahrung

Dies erkannten wiederum andere Jobmatching-Anbieter. Skills reichen ebenfalls nicht aus. Wenn ich einen bestimmten Beruf matchen möchte, brauche ich nicht nur den Bereich Fähigkeiten – meine Kenntnisse laut Lebenslauf und Anschreiben. Ich brauche auch den Komponenten Erfahrung. Nur mit Erfahrung lassen sich eben Beziehungen wie Branchen erschliessen.

Darüber hinaus erwähnt niemand alle Fähigkeiten, die er besitzt – aber sehr oft andere relevante Informationen, die beim Matching helfen können. Ebenso wenig spezifiziert ein Unternehmen in der Stellenausschreibung alle Kompetenzen, die es braucht – und das erschwert das Matching. Denn wenn eine Stellenausschreibung für einen „Data Scientist“ verfasst wird, wird der Arbeitgeber wohl unter den Fähigkeiten „IT-Nutzung“ oder „Datenverarbeitung“ unerwähnt lassen, da er davon ausgeht, dass dies bereits aus der Berufsbezeichnung ersichtlich ist. Ebenso würde ein Data Scientist in seinem Lebenslauf wahrscheinlich eher spezifischere Fähigkeiten angeben als diejenigen, die sich aus seinen vorherigen Berufsbezeichnungen ergeben. Aber wenn eine Person nach Fähigkeiten gematcht werden soll, dann ist die Information für diesen Abgleich-Parameter ein wahrer fehlender Faktor.

Wenn wir nur auf der Grundlage von Fähigkeiten matchen, bin ich sicher, dass wir andere Ergebnisse erzielen werden, als wenn wir nur nach Berufsbezeichnungen suchen. Aber dieses Niveau reicht nicht aus, um die Menschen endlich an die Arbeitsplätze, die Bewerber an die Positionen und die Arbeitnehmer an die Arbeitgeber heranzuführen. Wir brauchen mehr.

 

Gute Ausbildung bedeutet nicht gute Manieren

Denn Skills und Erfahrungen können weiterhin nicht sagen, ob der neue Texter gut ins Team passt. Sie können nicht beantworten, ob der neue Pfleger pünktlich im Spital erscheint oder der neue Einkäufer gut verhandeln kann. Wer ist schon heute kein Teamplayer mehr oder gibt einfach mal im Lebenslauf an, unzuverlässig zu sein? Aber gerade diese Soft Skills, die Persönlichkeit sind unglaublich wichtig für einen guten Match. Ein Berater muss pünktlich zum Kundentermin erscheinen, ein Programmierer kann auch mit Gleitzeit eingestellt werden. Ebenso könnte der Programmierer eigenbrötlerisch daherkommen. Wenn der Berater aber nicht offen auf die Kunden zugehen kann, hat seine Firma bald keine mehr. Dementsprechend wird ein Match erst wirklich gut, wenn ebenfalls die Persönlichkeit mit einbezogen wird. Mein Lebenslauf gibt sehr viele Erkenntnisse darüber, was ich alles gemacht habe. Aber wie ich es gemacht habe, muss ebenfalls eine Rolle spielen.

 

Gemeinsam an einem Strang?

Und wenn dieser eine CV nun allzu perfekt auf die Vakanz passt, dann ist noch lange nicht bedacht, dass dieser nur im Kontext wirklich perfekt sein kann. Denn die Skills und Persönlichkeit eines neuen Mitarbeiters ergänzen ja ein Netz mit Skills und Persönlichkeiten der Arbeitskollegen. Bin ich der einzige Software-Ingenieur in einem Betrieb, muss ich eher ein Allrounder sein und leicht die Eigeninitiative ergreifen. Werde ich in ein Team mit zwei anderen eingestellt, kennt sich einer im Feld X besser aus, der andere in Feld Y, Skills ergänzen sich gegenseitig und die Zusammenarbeit erschafft wieder etwas Neues. Ich kann häufiger um Hilfe bitten und bin gleichzeitig gefragt, mich gut in einem Team einfügen zu können. Die beteiligten Peers beeinflussen den perfekten Match also ebenfalls. Wenn man es also genau nimmt, müssten ebenso die CVs der Mitarbeiter gematcht werden.

Wer jetzt noch meint, man könnte aufgrund nur einem Parameter (Jobtitel, Skills, Erfahrungen oder Persönlichkeit) matchen, mag erkennen, dass das nur im Glücksfall wirklich gut funktioniert. Gerade wenn ein Algorithmus so ein komplexes Problem lösen soll, erscheint ein gutes Matching wie die gefundene Nadel im Heuhaufen.

Also, sind wir am Ende der Strasse?

Noch nicht. Konfuzius traf die Aussage: „Erfahrung ist wie eine Laterne im Hintergrund; sie erhellt immer nur das Stück Strasse, das wir bereits hinter uns haben.“

Wir haben unser Wissen getestet, uns und andere Vorteile gebracht, wir sind vielleicht pünktlich und zuverlässig. Wir folgen den geforderten Soft Skills. Das lässt uns sicher gut den laufenden Betrieb sichern. Alle Deadlines werden eingehalten, alle Kunden gut behandelt und die Mitarbeiter sitzen stets pünktlich an ihrem Platz. Jetzt müsste doch eigentlich alles geklärt sein.

 

Was stärkt den Betrieb wirklich?

Aber wenn alle stets dem entsprechen, was verlangt wird, dann bleibt der Betrieb doch eher „nur“ gesichert. Wir haben nichts Neues geschaffen. Neues zu schaffen, erfordert gute Kenntnisse und oft viel Erfahrung. Vor allem aber braucht man buchstäblich und semantisch Kreativität.

Das Cambridge Wörterbuch beschreibt Kreativität als „die Fähigkeit, originelle und ungewöhnliche Ideen zu produzieren oder etwas Neues oder Phantasievolles zu schaffen“¹. Im Grunde genommen gibt sie uns den dritten Blick auf etwas, das über unser Wissen und unsere Erfahrung hinausgeht, man könnte es vielleicht auch als „Think out of the box“ bezeichnen. Mit Kreativität ist also nicht der künstlerische Ansatz gemeint, sondern das Rule-breaking. Das sich Auflehnen. Auf den Tisch hauen und somit festgefahrene Verhältnisse auflösen. Neu und anders, vielleicht gar ein wenig angsteinflössend.

Albert Einstein sagte: „Kreativität ist Intelligenz, die Spass hat.“² Der Kreative ist also der, der Spass daran hat, den Betrieb aufzurollen und nicht der, der klassisch den Anforderungskatalog erfüllt, er schaut anders auf den Betrieb. Kreativität ist das höchste Gut in einer Zeit, in der sich so viel wendet. Denn wer sich während der Digitalisierung einfach anpasst, kommt nicht mit und schon gar nicht weiter. Wir brauchen die Mitarbeiter, die den Überblick halten. Wir brauchen die Mitarbeiter, die den Betrieb sichern. Und wir brauchen genauso die Mitarbeiter, die uns Neues aufzeigen, ganz besonders in diesen Zeiten. Kreativität ist die heute wohl wichtigste Fähigkeit.

Kreativität, Intuition, Emotionen und alle Gegensätze zu logischem, analytischem, vernünftigem Denken (welches als unser Wissen und unsere Erfahrung betrachtet werden könnte) werden oft auf der rechten Gehirnhälfte beschrieben. Sie haben vielleicht von der Theorie gehört, dass man ein „Rechts-“ oder „Links-Denker“ sein kann. Doch Forscher fanden heraus, dass es sich hierbei um einen Mythos handelt. Auch wenn einige Funktionen mehr auf einer Seite des Gehirns platziert sind, sind die Ergebnisse am besten, wenn beide Gehirnseiten in komplexen Netzwerken zusammenarbeiten.³

Wenn ich ein neues Produkt erschaffen will, hilft mir das Wissen über die Produktionsprozesse und das benötigte Material. Meine Erfahrung in der Planung eines neuen Produktes hilft mir ebenfalls. Mein Organisationstalent unterstützt den Prozess. Aber die Idee, ein neues Produkt zu erschaffen, entspringt meiner Kreativität. Wenn man also gut in etwas ist, dann kommt das beste Ergebnis von allen Beteiligten: Wissen, Erfahrung, Persönlichkeit und Kreativität.

 

Abschied vom perfekten Match

Sagen wir es doch mit klaren Worten: Es kann kein competence-based, skills-based, etc. pp-based matching geben, denn das Problem ist zu komplex. Matching ist getrieben von Erwartungen und Erwartungen wechseln ständig.

Dementsprechend gibt es schlichtweg keinen perfekten Match, denn es ist unmöglich Erwartungen zu überkommen. Erwartungen können nie für alle gleich gut erfüllt werden, den sie sind sehr subjektiv. Also gibt es nur die Möglichkeit, weitestgehend alle Dimensionen mit einzubeziehen, um eine grösstmögliche Annäherung an den perfekten Match zu erzielen.

Die Ergebnisse der heutigen Kultur des Matchings mit Datenfetzen wie ein paar Skills oder kryptischen Jobtiteln werden immer und immer wieder die Qualität der Maschine zerschlagen. Matching mit Datenfetzen ist ein Tapsen im Dunkeln. Wer glaubt mit Datenbruchstücken, mit willkürlichen Keywords matchen zu können, nähert sich kein Stück dem Perfect Match. Denn wie bereits aufgezeigt, fehlen einfach weitere relevante Parameter für die qualitativ hohe Zuordnung.

Man kann mit komplexen Algorithmen nur eine grösstmögliche Annäherung schaffen, wenn man Abstand von Datenbruchstücken nimmt und versucht alle Dimensionen einzubeziehen, wie auch das Gehirn beim Erschaffen von Neuem: Skills, Erfahrung, Persönlichkeit und ja, vorsichtigerweise auch ehemalige Jobtitel. Die Maschine zieht alle Dimensionen ein, bewertet sie einzeln und gibt ihnen eine Gewichtung. Wenn diese Dimensionen mit einer adäquaten Gewichtung abgebildet sind, ist erst einmal ein guter Startpunkt erreicht, um technologisch Mensch und Job zusammenbringen, alle Dimensionen und damit Erwartungen sind angepasst und versuchen somit die grösstmögliche Annäherung an den perfect Match zu erzielen.

Auch mit den gut durchdachten und jahrelang entwickelt und verbesserten Matchingprozessen von JANZZ.technology ist es schwierig alle Dimensionen im richtigen Masse einzubeziehen. Denn Erwartungen können grossteilig abgebildet werden, ein Teil bleibt jedoch immer verschlossen. Sollen beispielweise Arbeitslose vermittelt werden, ist ein Grossteil der Erwartung, dass sie vermittelt werden. Sollen Ingenieure gematcht werden, gibt es die Erwartung, dass das Salärband zu früheren Beschäftigungen passt. Weitere Erwartungen können abgebildet werden, wenn denn klar ist, dass sie bestehen. Entsprechend können auch wir uns auch nur dem Perfect Match annähern. Doch ein reines Wankeln im Dunkeln mit Datenbruchstücken ist ausgeschlossen. Am Ende wird es wahrscheinlich nicht das perfekte Date sein. Aber vielleicht eine neue Einladung zu einem weiteren.

 

Quellen:

¹ Cambridge Dictionary (2017). Creativity. Abgerufen von: http://dictionary.cambridge.org/dictionary/english/creativity [2017.11.02].

² Einstein, Albert (1930). Mein Weltbild. Wie ich die Welt sehe.

³ Nielsen JA, Zielinski BA, Ferguson MA, Lainhart JE, Anderson JS (2013). An Evaluation of the Left-Brain vs. Right-Brain Hypothesis with Resting State Functional Connectivity Magnetic Resonance Imaging. PLoS ONE8(8): e71275. https://doi.org/10.1371/journal.pone.0071275

Sahoo, Anadi (2017). Knowledge, Experience & Creativity. Abgerufen von: https://www.linkedin.com/pulse/knowledge-experience-creativity-dr-anadi-sahoo/ [2017.11.03.].

Lost in Big Data?
Die fehlgeleitete Vorstellung, das Datenuniversum zu beherrschen.

“. . . In diesem Reich erreichte die Kunst der Kartographie eine solche Perfektion, dass die Karte einer einzigen Provinz die Fläche einer gesamten Stadt und die Karte des Reichs die Fläche einer gesamten Provinz bedeckte. Mit der Zeit waren diese unzumutbaren Karten nicht mehr zufriedenstellend, sodass die Kartographengilden eine Karte des Reichs anfertigten, deren Größe der des Reichs entsprach und welche diesem Punkt für Punkt entsprach.[…]”

Übersetzung nach „Del rigor en la ciencia“ (Über die Genauigkeit von Wissenschaft)
Jorge Luis Borges

Borges Geschichte folgt der Vorstellung eines Reiches, das besessen von der Idee ist, eine perfekte Abbildung der Welt zu schaffen. Das fiktive Reich hat sich voll und ganz der Aufgabe verschrieben, eine Karte zu erstellen, die mit dem Territorium des Reichs Punkt für Punkt übereinstimmt. Heute komme ich nicht umhin, zu denken, dass wir uns in einer sehr ähnlichen Umgebung befinden: Daten verändern die Welt, in der wir leben und wie wir diese wahrnehmen, in tiefgreifender Weise. Wir befinden uns inmitten einer Datenrevolution, die so groß, allumfassend und neu ist, dass sie in Gänze kaum zu erfassen ist. Die Auswirkungen von Daten machen sich auf einer immensen Bandbreite bemerkbar; wir möchten Big Data nutzen, um ganze Industrien zu revolutionieren, von Marketing und Vertrieb bis zu Wettervorhersagen, von medizinischen Diagnosen bis zu Lebensmittelverpackungen, von der Aufbewahrung von Dokumenten und der Verwendung von Software bis zur Kommunikation. Tatsächlich sind wir sehr ähnlich zu Borges fiktivem Reich zu der Überzeugung gelangt, dass wir, je mehr Daten wir sammeln und auswerten können, desto mehr Wissen über die Welt und die darin lebenden Menschen gewinnen. Wie töricht der Datenwahnsinn doch geworden ist.

Es herrscht mittlerweile die Überzeugung vor, dass Big Data umsetzbare Erkenntnisse zu nahezu jedem Aspekt des Lebens liefern können. Philip Evans und Patrick Forth widersprechen dem: „Informationen werden durch grundlegend neue Methoden der künstlichen Intelligenz verstanden und verwendet, die darauf abzielen, über Algorithmen, die auf massive, verrauschte Datensätze zurückgreifen, Erkenntnisse zu gewinnen. Da größere Datensätze zu besseren Erkenntnissen führen sind Big Data eine gute Sache“ (Übersetzung nach ihrem gemeinsamen Artikel in bcg.perspectives). In Übereinstimmung mit diesen Zeilen wird unser Datenhunger immer größer und unser digitales Ökosystem schürt diese Entwicklung: Sensoren, Connected Devices, Social Media und eine wachsende Anzahl an Clouds produzieren kontinuierlich neue Daten, die wir sammeln und auswerten können. Laut einer Studie der International Data Corporation (IDC) wird sich das digitale Universum alle zwei Jahre verdoppeln. Zwischen 2005 und 2020 vergrößerte sich das Datenvolumen um den Faktor 300 auf 40 Zettabyte an Daten. Ein Zettabyte hat 21 Nullen. In dieser Welt des exponentiellen Datenwachstums geht die angestrebte Anhäufung von Daten ungebremst weiter. So wie in Borges fiktivem Reich ist die äußere Maßstabsgrenze ein Verhältnis von 1:1, eine vollständige digitale Abbildung unserer Welt.

Unternehmen wie IBM oder LinkedIn nähern sich dieser Grenze bereits heute mit großen Schritten an. IBM trainiert sein kognitives Rechensystem namens Watson darauf, buchstäblich jede Frage beantworten zu können. Hierzu sammelt IBM Watson ungeahnte Datenmengen, um einen beeindruckenden Informationskorpus anzulegen. Das Unternehmen erwarb vor kurzem für 2,6 Milliarden $ das Unternehmen Truven Health Analytic, das seine Gesundheitssparte um einen wichtigen Speicher mit Gesundheitsdaten von tausenden Krankenhäusern, Arbeitgebern und föderalen Regierungen in den USA erweitert. Es handelte sich dabei um den viertgrößten Erwerb eines Gesundheitsdatenunternehmens seit dem 10-monatigen Bestehen von IBM Watson. Dies zeigt, wie wichtig die digitale Kartierung von Patienten, Diagnosen, Behandlungen und Krankenhäusern für das künstliche Intelligenzsystem des Computerriesen ist. Die Vision von LinkedIn ist gleichermaßen ambitioniert: es wird „Economic Graph“ geschaffen, nichts geringeres als eine digitale Kartierung der Weltwirtschaft. Die Karte soll ein Profil von allen 3 Milliarden Mitgliedern der globalen Arbeiterschaft beinhalten. Alle Unternehmen, alle ihre Produkte und Dienstleistungen, die von den Unternehmen gebotenen Wirtschaftschancen und die Skills, die zum Erreichen dieser Chancen erforderlich sind, sollen digital abgebildet werden. Außerdem soll ein digitaler Auftritt für alle höheren Bildungseinrichtungen der Welt integriert werden. Aber die Bestrebungen der beiden Unternehmen sind nur die Spitze des Eisbergs. Ihr Vorhaben, eine vollständige digitale Abbildung der jeweiligen Felder zu erstellen, steht symbolisch für die allgemeinere Bestrebung eine allgegenwärtige Informationsgesellschaft zu schaffen.

Die Visionen von Unternehmen wie IBM Watson und LinkedIn erwecken daher bereits eine Welt zum Leben, die Borges Vorstellungen entspricht. Die Macht der Big Data überträgt die kartographischen Ziele von dem Reich aus Borges Geschichte und erschafft diese neu. Die Welt wird zu einem Bezugspunkt ihrer selbst. Die digitale Abbildung unserer Welt nimmt schnell an Fahrt auf und an den äußeren Rändern fangen Abbildung und Realität bereits an, übereinzustimmen. Die Welt und das Bild, das wir von ihr haben, konvergieren. Plötzlich finden wir uns in einer Welt wieder, die erstaunliche Ähnlichkeit zu Borges Reich hat.

Wie töricht – Borges Geschichte geht so weiter, dass der Sinn einer solchen massiven Kartierung in Frage gestellt wird. Eine Karte im Maßstab von 1:1 ist, sei es kartographisch oder digital, ist wahrscheinlich nicht so wertvoll wie gedacht.

„[…] Die nachfolgenden Generationen, die dem Kartographiestudium nicht so zugewandt waren, wie es ihre Vorfahren gewesen waren, stellten fest, dass riesige Karten nutzlos wären und überließen diese schonungslos der Witterung durch Sonne und Winter. In den Wüsten des Westens gibt es noch heute zerfetzte Überreste dieser Karte, auf der Tiere und Bettler leben; im ganzen Land ist kein anderes Relikt vom Fachgebiet der Geographie zu finden.“

In Borges fiktiver Welt entsorgten die kommenden Generationen die Karte ihrer Vorväter, da sie nicht von dem gleichen Ehrgeiz wir ihre Vorfahren erfasst waren und erkannt hatten, dass eine Karte im Maßstab von 1:1 unnütz wäre. Sie überließen die Karte dem Zerfall und das einzige, was übrig blieb, waren die „zerfetzten Überreste“ von der Karte ihrer Vorfahren. Die Feststellung, dass eine Karte im Maßstab von 1:1 praktisch nutzlos ist, spiegelt auch unsere Erfahrung mit dem expandierenden Datenuniversum wieder.  Professor Patrick Wolfe, Executive Director des Big Data Institute des University College of London warnt: „die Rate, in der wir Daten generieren, übersteigt rasant unsere Fähigkeit, diese analysieren zu können.” Derzeit werden nur etwa 0,5% aller Daten ausgewertet und Wolfe meint, dass diese Prozentzahl weiter sinken wird, da mehr Daten gesammelt werden. Wir beginnen also, die Unbrauchbarkeit der von uns geführten Massen von Daten zu realisieren. Anstatt durch Daten exponentiell mehr Wissen über die Welt zu gewinnen, schaffen wir eine Entität, die aufgrund ihrer bloßen Größe droht in Vergessenheit zu geraten.

Um unsere ständig wachsende digitale Sammlung vor dem selben Schicksal wie Borges Karte zu bewahren – die von den uns nachfolgenden Generationen als zerfetzter Überrest verkommt – ist es von entscheidender Bedeutung, umsetzbare Erkenntnisse aus diesen Informationen zu gewinnen. Dementsprechend wird die Fähigkeit, diese Massen gesammelter Daten vollständig zu verstehen und relevante Erkenntnisse daraus abzuleiten, heute und vor allem in Zukunft der ultimative Wettbewerbsvorteil sein.

Auch wenn sich bereits viele für die Umwandlung von Big Data in smarte oder intelligente Daten aussprechen, hat sich bislang keine brauchbare Lösung hervorgetan, um diesen Wandel wirklich realisieren zu können. Die angewandte Mathematik, die natürliche Verarbeitung von Sprache und das Maschinenlernen halten sich die Waage und verdrängen jedes andere Tool, das ggf. zur Anwendung gebracht wird. Die Idee besteht darin, dass bei einer ausreichenden Menge an Daten die Zahlen für sich sprechen. Oder in den Worten von Evans und Forth: „Big Data sind eine gute Sache“. Diese Idee verändert die Kultur des Silicon Valley und im Weiteren auch die zahlreicher anderer Unternehmungen auf der Welt.

Andere Methodologien wie Ontologien, Taxonomien und Semantiken finden bei dem aktuellen Entdeckergeist überhaupt keine Berücksichtigung. Die angewandte Mathematik, das Maschinenlernen und die prädiktive Analytik stehen hierbei für Größe, Ontologien, Taxonomien und Semantiken stehen für Bedeutung und Verständnis. Und auch wenn letztgenannte Kategorie im Vergleich zu den Dimensionen der zuerst genannten Kategorien weniger bedeutsam erscheinen mag, ist die Semantik nicht weniger wichtig, um die Wettbewerbstauglichkeit von Unternehmen zu bestimmen. Nach dem exponentiellen Wachstum des digitalen Universums in den vergangenen Jahren, haben wir einen Komplexitätsgrad erreicht, der die Einführung eines tiefgreifenden Verständnisses der vorliegenden Daten erforderlich macht. Dies ist etwas, was nicht dadurch geschafft werden kann, dass noch mehr Daten gesammelt werden oder dass ein Algorithmus implementiert wird. Ironischerweise ist es somit ein Richtungswandel, der weg von dem Motto „Big Data sind eine gute Sache“ führt, welcher das ganze Potenzial der Big Data zur Geltung bringen kann.

 

ESCO: Wir erwarteten eine Ontologie – wir bekamen eine enttäuschende Begriffsammlung

Da waren fast vier Jahre vergangen. Solange haben wir gewartet – gespannt, was da von der EU vollmundig angekündigt wurde. Immer gespannt, ob es altbekannte Probleme von Klassifikationssystemen löst.
Die Klassifizierung der Europäischen Union für berufsbezogene Daten nennt sich „ESCO“ (European Skills, Competences, Qualifications and Occupations). Klassifizierungen haben bisher alle Staaten je für sich gelöst, wie ROME in Frankreich oder KLdB in Deutschland oder CP in Italien. Meist basieren sie auf der Mutter aller Klassifizierungen, die International Standard Classification of Occupation (ISCO) der Internationalen Arbeitsorganisation um 1960. Vergleichbar sind diese jedoch nicht unbedingt – verschiedene Zahlen, Buchstaben und unterschiedlich viele Taxonomiestufen können die Klassifizierungen unterscheiden.

janzz_esco_unsatisfied

Andere Klassifizierungssysteme waren zu allererst zu Statistikgründen entwickelt worden. Damit konnte man also Berufe mit Identifikationsnummern in Gruppen zusammenfassen und so Zahlen erheben, das Verständnis für die einzelnen Berufe haben diese Systeme jedoch nicht ausgebaut. Denn die Gruppenzusammenstellungen waren häufig viel zu weit gefasst, zu generisch. Beispielsweise sind sämtliche Fachärzte in einer Gruppe zusammengestellt, und diese Gruppe ist aber nur mit einem einzigen Set an Skills für alle Fachärzte beschrieben. Dies bedeutet also, dass ein Onkologe mit genau den gleichen Fertigkeiten wie ein Gastroenterologe, ein Gynäkologe oder ein Pathologe beschrieben wird. Laut den Taxonomien haben sie somit genau die gleichen Kenntnisse, ihre Spezialisierungen erkennt man nur an ihrem Titel. Mit so ungenauen Beschreibungen kann man also sicher nicht besser einzelne Jobtitel verstehen.

Die EU wollte ESCO nicht als ein weiteres viel zu vages Gerüst fertigen, vielmehr sollte ein einheitliches Verständnis für Berufe, Fähigkeiten, Kenntnisse und Qualifikation erschaffen werden, über 26 Sprachen hinweg, damit Arbeitgeber, Arbeitnehmer und Bildungsinstitutionen besser die gegenseitigen Bedürfnisse und Anforderungen verstehen. Durch die freie Mobilität könnten sich so Qualifizierungslücken und die Arbeitslosigkeit in verschiedenen Mitgliedsstaaten ausgleichen, wie der Juncker meint [1].

Nun wurde fast vier Jahre seit der Testversion gearbeitet. Alle möglichen Stakeholder sollten beteiligt sein wie Arbeitsämter, Karriereberater, Statistiker, Wissenschaftler…, um diese Klassifizierung in 26 Sprachen zu erschaffen. Knapp vier Jahre wurde getestet, erweitert, verändert, überarbeitet… Und nun sitze ich hier an meinem PC, tippe als Fertigkeit „Word“ ein und die Datenbank erkennt den Begriff nicht. Einziger Alternativvorschlag: WordPress, wohl nicht sehr verwandt. Tippe ich „PowerPoint“ zeigt sich gähnende Fehlanzeige, die Datenbank erkennt den Begriff nicht, er ist nicht hinterlegt.

Gut, versuchen wir es ‘mal bei Indeed. Allein in Deutschland finde ich mit dem Suchbegriff „PowerPoint“ über 13000 Jobinserate, in Frankreich und im Vereinigten Königreich rund 8000. Europaweit ist PowerPoint jedoch nicht als Skill klassifiziert. Kein Platz unter 13485 Skills im ESCO. Soll ein Arbeitnehmer einen potenziellen Arbeitgeber also insoweit besser verstehen, dass PowerPoint keine wichtige Kenntnis für eine Beschäftigung darstellt?
Zugegebenermassen erkennt die Datenbank schon „Microsoft Office nutzen“, wenn „Microsoft“ eingegeben wird, weiter geht das semantische Verständnis der Datenbank jedoch nicht. Denn «Textverarbeitungsprogramme verwenden» ist sogar als eigenständige Fertigkeit ohne Verbindung zu Microsoft Office hinterlegt, keine der beiden Fertigkeiten schlagen sich als Synonym vor.

ESCO gibt an, ganze 2942 Berufen zu erkennen. Interessant dabei ist, dass das System einen „Logistikkoordinator Schienenverkehr“ [2] schon erkennt und auch gewisse alternative Schreibweisen anbietet, den Logistiker² jedoch nicht. Hier und dort finden sich immer wieder Berufe mit ähnlichen Krankheiten. Zudem wird als alternative Bezeichnung für eine/einen „Parteimitarbeiter/in“ auch “PR-Mitarbeiter/in“² vorgeschlagen. Nur um ein Beispiel zu nennen für eine fehlerhafte Jobtitel-Alternative.

ESCO soll nun auf 26 Sprachen laufen. Ja und Nein, finde ich heraus. Ja, die Jobtitel sind auf 26 Sprachen verfügbar, ja, die Kenntnisse ebenfalls. Die Erklärung eines Begriffs findet sich jedoch immer nur auf Englisch, welches heissen soll, dass ein Titel übersetzt werden kann in alle Sprachen, die Jobbeschreibung jedoch nicht. Sie verbleibt immer in der englischen Sprache verfasst. Ist nun fraglich, ob ein Arbeitgeber aus Frankreich den Beruf seines schwedischen Bewerbers besser versteht ohne Definition auf seiner Landessprache Französisch. Oder ob er versteht, ob die Klassifizierung wirklich mit seiner Vakanz übereinstimmt.

Ganz abgesehen davon, dass die Qualifikationen nur auf einer einzigen Sprache zugänglich sind: Griechisch. Auch die detaillierten Beschreibungen sind nur in dieser Landessprache auffindbar. Hiermit versteht ein Arbeitgeber eines anderen Mitgliedstaates jedenfalls seinen Bewerber nicht besser, selbst wenn dieser aus Griechenland stammen sollte. ESCO meldet selbst dazu, dass die Qualifikationen von den Mitgliedsstaaten geliefert werden müssen und zeitweise integriert werden. Da haben sich 27 Mitgliedsstaaten aber ziemlich viel Zeit gelassen.

Nun muss ich zusammenfassen, ich bin mehr als nur leise enttäuscht. Fast vier Jahre habe ich gewartet seitdem ich auf dem ESCO Kongress zusammen mit anderen die mannigfaltigen Möglichkeiten von Ontologien erklärt habe. Aber es ist keine Ontologie entstanden, vielmehr eine Taxonomie oder Sammlung an Begriffen. 2942 Berufe, 13485 Kenntnisse und 672 (griechische) Qualifikationen wurden in ESCO integriert, klassifiziert. ESCO hat vermeintlich finanziell und ganz sicher zeitlich immens investiert für diese Entwicklung. Aber ob das nun der Durchbruch zu Juncker’s Zielsetzung ist, ist grundlegend fraglich.

Und die Frage ist jetzt: Was machen wir nun? Hoffen und weitere vier Jahre warten bis ESCO vielleicht die Ansprüche des HR-Bereichs und der Public Employment Services erfüllen könnte? Oder vielleicht lieber nach einer Alternative umschauen? Wie wäre es beispielsweise mit einer Alternative, die eine wahre Ontologie mit semantischer Erkennung darstellt. Die erkennt, dass ein/e Parteimitarbeiter/in nicht das gleiche wie ein/e PR-Mitarbeiter/in macht. Die weiss, dass MS Word die gleiche Fertigkeit wie Microsoft Word oder Textverarbeitung darstellt. Und die viele Sprachen vollständig enthält. Wer weiss, vielleicht gibt es so etwas ja bereits. Vielleicht könnte eine Onlinerecherche danach erfolgreich sein. Zum Beispiel auf http://janzz.technology.

[1] ESCO (2015). ESCO strategic framework. Vision, mission, position, added value and guiding principles. Brüssel.

[2] Für diese Recherche wurde nur die Online-Datenbank von ESCO genutzt.

 

NAV wählt die Ontologie-basierte Technologie von JANZZ für die Modernisierung seiner Arbeitsmarkt Plattform.

Das Norwegische Arbeits- und Sozialamt (NAV) hat das Schweizer Technologie Unternehmen JANZZ in einem öffentlichen Ausschreibungsverfahren ausgewählt, Komponenten für seine neue Arbeitsmarktplattform zu liefern. JANZZ hat sich im Ausschreibungsverfahren gegen internationale Konkurrenz durchgesetzt und wird NAV mit seiner Expertise in Berufs- und Kompetenzdaten unterstützen.

Im Rahmen seiner Agenda zur Verbesserung des Übergangs von Arbeitssuchenden in Beschäftigung erfindet NAV seine Self-Service Job Plattform neu. NAV beabsichtigt, einen transparenten Service für alle Stakeholder des Arbeitsmarktes anzubieten, den alle unter den gleichen Voraussetzungen nutzen können. Dies soll den norwegischen Arbeitsmarkt noch transparenter machen und eine schnellere Rückkehr in eine Beschäftigung für alle Arbeitssuchenden ermöglichen.

Zudem soll die neue Arbeitsmarkt Plattform als Wissensquelle über den norwegischen Arbeitsmarkt dienen. Das Sammeln, Anreichern und Analysieren von Daten und Informationen zu Berufen und Kompetenzen ist der Kern von NAV’s strategischer Vision und wird ein integraler Bestandteil der zukünftigen Plattform sein. Durch die Datenanalysen soll ein nachhaltiges und dynamisches Wissenssystem geschaffen werden, das dem Arbeitsmarkt zu Gute kommt.

Mit seiner Ontologie-basierten Matching Technology, JANZZ bietet die ideale Grundlage für NAV um eine innovative und nachhaltige neue Plattform zu bauen. Die Berufs- und Kompetenzontologie von JANZZ ist eine umfassende semantische Datenbank von Job Titeln, Kompetenzen und Ausbildungen. Sie versteht die Nuancen von Lebensläufen und Stellenanzeigen und kann helfen zwischen diesen zu übersetzen. In Kombination mit der semantischen Job Matching Engine, wird sie NAV helfen, relevantere und transparentere Suchresultate und Jobvorschläge zu liefern und genauere Einblicke in den Arbeitsmarkt zu erlangen.

Über NAV

Das Norwegische Arbeits- und Sozialamt (NAV) beschäftigt ungefähr 19 000 Mitarbeitende (ungefähr 14 000 Staatsangestellte und 5 000 Gemeindeangestellte).

NAV wurde am 1. Juli 2006 gegründet. Gemeinden und die Regierung kooperieren um der Gesellschaft durch 456 Dienststellen in allen 19 Verwaltungsprovinzen Norwegens gute Lösungen im Bereich der Sozialdienste und Arbeitsvermittlung anzubieten.

NAV ist verantwortlich für einen Drittel des norwegischen Staatshaushalts. Das Amt verwaltet verschiedene Vorsorge- und Beschäftigungsprogramme (nämlich Arbeitslosengeld, Invalidenversicherung, Krankengeld, Kinderzulage, Zulage für pflegende Angehörige und Pension).

Hauptziele in Bezug auf den Arbeitsmarkt:

  • Mehr Menschen aktiv und in Beschäftigung, weniger Leistungsempfänger
  • Ein gut funktionierender Arbeitsmarkt mit hoher Erwerbsbeteiligung
  • Eine inklusive Gesellschaft die allen die Möglichkeit zur Teilnahme versichert
  • Umfassende und effiziente Sozialdienste und Arbeitsvermittlung

Sekundäre Ziele in Bezug auf den Arbeitsmarkt:

  • Inklusive Arbeitsplätze
  • Unternehmen und Vermittlungen können Stellen mit qualifizierten Mitarbeitenden füllen
  • Menschen mit Beeinträchtigung können aktiv am Arbeitsleben teilnehmen
  • Dienstleistungen und Informationen zugeschnitten auf die Bedürfnisse und Umstände der Benutzer

Mehr Informationen unter www.nav.no

Über JANZZ.technology

JANZZ.technology ist ein Technologie- und Beratungsunternehmen, das im semantischen Skills- und Job-Matching und der Nutzung komplexer Berufs- und Kompetenzdaten tätig ist. Es bietet Standard-, White Label-Produkte und SaaS-Lösungen für die Modellierung, Analyse und Nutzung von Big Data auf Jobportalen, staatlichen Arbeitsmarkt-Plattformen sowie firmeneigenen Karriere-Seiten. Anhand der neusten semantischen Technologien wird ein sprachübergreifendes, präzises Matching von Qualifikationen, Fähigkeiten und Kompetenzen ermöglicht. Dadurch können Matching-Probleme in Arbeitsmärkten massgeblich verringert werden.

Mehr Informationen unter www.janzz.technology

Arbeitsmarkt Insights – Auswertung von «Datenschatztruhen» im Trend

Die fortschreitende Digitalisierung des Arbeitsmarktes hat unglaubliche Datenmengen geschaffen, deren Analyse zu mehr Transparenz im Arbeitsmarkt und besseren Entscheidungsgrundlagen für Unternehmen beitragen könnten. Eine wichtige Voraussetzung für aussagekräftige Arbeitsmarkt Insights ist ein semantischer Graph, der die komplexen Verhältnisse von Berufen und Kompetenzen digital abbildet und somit die Erkennung von komplexen Sachverhalten in Arbeitsmarkt Daten ermöglicht.

Durch das Internet hat sich nahezu jedes Arbeitsumfeld in den letzten 15 Jahren strukturell verändert, so auch das HR und Recruiting. Grosse Jobplattformen, Firmen und Career Websites und berufliche Netzwerke sind gekommen. Die Stellenanzeige hat ihren Weg von Printmedien in die digitale Welt gefunden. Zudem haben Automatisierung, Big Data und Social-Media-Recruiting die Personalsuche verändert. Das Recruiting verlagert sich immer mehr in den digitalen Raum und dieser Vorgang schafft vor allem eins: Daten.

Nie zuvor standen Personalabteilungen so viele Daten über Bewerbende, Mitarbeitende und deren Kompetenzen zur Verfügung. Die Auswertung dieser Datenschätze bietet ungeahnte Möglichkeiten, Einblicke in den firmeneigenen Talentpool zu bekommen. Auch ausserhalb von Firmen haben sich solche Datenschätze angehäuft: Jobportale, Soziale Netzwerke, Software Anbieter und Suchmaschinen sammeln ebenfallst Daten rundum Jobsuche, Ausbildung und Kompetenzprofile. Die Daten werden immer öfter nicht nur für die Optimierung der eigenen Seite oder Rekrutierungsprozesse verwendet, sondern auch als aufbereite Analyse des Arbeitsmarktes veröffentlicht oder in neue Produkte integriert.

Ein spannendes Beispiel ist die neulich erschienene Analyse des schweizer Stellenmarktes von Job Cloud. In Zusammenarbeit mit der ZHAW hat Job Cloud die Studie Market Insights lanciert. Dabei wurden die Daten vom User Verhalten auf den Portalen jobs.ch und jobup.ch ausgewertet. Die Verhaltensstudie ermöglicht einen direkten Vergleich zwischen ausgeschriebenen Inseraten und Klicks von Jobsuchenden. Das Userverhalten wurde nach unterschiedlichen Gesichtspunkten analysiert: unter anderem Branche, Berufsgruppe, Hierarchiestufe, Beschäftigungsgrade und Tages- und Wochenzeiten. Laut Prof. Dr. Frank Hannich von der ZHAW zeigen die «JobCloud Market Insights» detailliert auf, welche Berufsgruppen oder Branchen am beliebtesten beziehungsweise vom Fachkräftemangel am stärksten betroffen sind und machen regionale Unterschiede zwischen der Deutsch- und der Westschweiz aus.

Während bisher Arbeitsmarkt Insights vor allem auf Umfragen, also Meinungen und Absichten, beruhten, entstehen durch die wachsenden Datenmengen immer mehr Möglichkeiten, tiefergehende und zuverlässigere Erkenntnisse zu gewinnen. Dabei werden verschiedene Aspekte des Arbeitsmarktes nun messbar: Lohnniveaus, Ausbildungsniveau, Verhalten von Jobsuchenden und der Wert von zusätzlichen Kompetenzen und Kenntnissen können auf Grund der bereits gesammelten Daten analysiert werden. Die Einblicke aus diesen Analysen schaffen eine bessere Entscheidungsgrundlage für Personalabteilungen und Ausbildungsinstitute und sorgen für mehr Transparenz für alle auf dem Arbeitsmarkt. Das Potenzial von Arbeitsmarkt Analytics ist gross und noch lang nicht ausgeschöpft.

Viele Unternehmen, die sich auf Arbeitsmarkt Analytics spezialisieren, konzentrieren sich auf die Aggregation und Extraktion von Arbeitsmarktdaten. Zum Beispiel sammeln sie Millionen online Stellenanzeigen (vor allem in grösseren Märkten, ist die Aggregation aus mehreren Quellen entscheidend, um einen aussagekräftigen Datensatz zusammenzutragen), und extrahieren daraus die für den Job gefragten Kompetenzen, Ausbildungen und Erfahrungen. Auch Softwareunternehmen und berufliche Netzwerke, die bereits einen riesigen Satz von Mitarbeiter- oder Mitgliederdaten zur Verfügung haben, müssen daraus zuerst die für eine Analyse relevanten Daten extrahieren. Dabei gilt, je strukturierter die Daten angelegt sind, desto einfacher.

Desweiteren ist es wichtig die komplexen Zusammenhänge in den Arbeitsmarktdaten zu verstehen und in die Datenanalyse miteinbeziehen zu können. Zum Beispiel muss erkannt werden, dass es sich sowohl bei Microsoft Dynamics, Sage und Odoo als auch bei SAP Business One, Oracle Netsuite und Kronos um ERP Systeme handelt. Denn ohne diese Verbindung, können keine übergeordneten Fragen, wie zum Beispiel, für welche Berufe ERP Kenntnisse besonders gefragt sind, beantwortet werden.

semantischer Knowledge Graph

Um solche Verbindungen digital abzubilden und somit in eine Datenanalyse miteinbeziehen zu können, sind semantische Systeme unentbehrlich. Zusammenhänge zwischen Berufen, Fähigkeiten, Technologien und Ausbildungen können in Knowledge Graphs, die zusammen eine Ontologie formen, abgelegt werden. Im globalen Arbeitsmarkt sind Ontologien wie JANZZon!, die mit einem sprach-und länderübergreifenden Ansatz erstellt wurden, besonders wertvoll. Denn sie ermöglichen die Analyse und den Vergleich von Arbeitsmarktdaten über Ländergrenzen hinweg. Ontologien können daher entscheidend dazu beitragen, das volle Potenzial von Datenschatztruhen im Arbeitsmarkt Bereich auszuschöpfen und wertvolle Einsichten zu bekommen.