El Ministerio de Trabajo, Empleo y Seguridad Social ha seleccionado a la paltaforma web Janzz para mejorar la insercion laboral de los postulantes paraguayos

El Ministerio de Trabajo de la República del Paraguay con financiamiento del Banco Interamericano de Desarrollo (BID) ha seleccionado la plataforma ParaEmpleo.mtess.gov.py de JANZZ.technology para mejorar la intermediación laboral en Paraguay, a través del uso de tecnología semántica y la mejor base laboral de datos del mundo.

El Ministerio de Trabajo, Empleo y Seguridad Social (MTESS) de la República del Paraguay y JANZZ.technology, con sede en Suiza, firmaron los contratos de colaboración en lo que atañe el mercado laboral paraguayo. Al dar este paso, la empresa de tecnología de Suiza inició su primer proyecto en Latinoamérica. JANZZ.technology instalará su plataforma denominada ParaEmpleo.mtess.gov.py para mejorar la colocación de jóvenes que buscan un empleo. El Maestro en Economía Guillermo Sosa, Ministro de Trabajo y el Lic. Diego Rico, vicepresidente de integración de clientes y director general adjunto de JANZZ.technology, se reunieron para ultimar detalles del proyecto y revisar las diversas ventajas que ofrece esta innovadora tecnología , que además de Paraguay da servicio a más de 150,000 postulantes y empleadores en 40 idiomas diferentes en 5 países.  La plataforma rompe el esquema de intermediación por coincidencia de palabras, incorporando la taxonomía, la ontología y la semántica, de la mano de las tecnologías exponenciales, que permiten a los sistemas por proximidad que buscadores de empleo y empleadores se encuentren en múltiples dimensiones incluyendo habilidades blandas, formación, experiencia, disponibilidad horaria y geográfica.  La Plataforma tiene más de 100,000 horas/hombre de desarrollo y trae su nueva versión al Paraguay.

A través de esta nueva ParaEmpleo.mtess.gov.py plataforma web, el MTESS quiere ofrecer la tecnología más avanzada para el Matching de empleos. A la fecha más de 25.000 postulantes se han registrado en la base de datos PARAGUAY PUEDE MAS. Una vez finalizada la puesta en marcha del servicio, estos jóvenes podrán acceder a empleos acordes a sus capacidades y habilidades. Este acuerdo se realiza dentro del marco del Programa de Apoyo a la Inserción Laboral (PR-L1066), financiado por el Banco Interamericano de Desarrollo, bajo contrato de préstamo con la Republica de Paraguay.

JANZZ.technology es el mejor socio para el MTESS dado que tiene años de trabajo que le han permitido acumular una amplia experiencia en el sector de datos sobre ocupación laboral con soluciones efectivas en español y por su oferta amplia y multilingüe de clasificaciones estándar. La empresa está muy entusiasmada con la oportunidad de participar en el fortalecimiento del mercado de trabajo en Paraguay y espera colaborar con el MTESS.

El Banco Interamericano de Desarrollo (BID)

El Banco Interamericano de Desarrollo es una de las principales fuentes de financiamiento a largo plazo para proyectos económicos, sociales e institucionales en América Latina y el Caribe. Además de préstamos, donaciones y garantías de crédito, el BID realiza proyectos de investigación de vanguardia para brindar soluciones innovadoras y sostenibles a los problemas más urgentes de nuestra región. Creado en 1959 para ayudar a acelerar el progreso en sus países miembros en vías de desarrollo, el BID trabaja día a día para mejorar vidas.

El Ministerio de Trabajo, Empleo y Seguridad Social (MTESS)

Las funciones del Ministerio de Trabajo, Empleo y Seguridad Social de Paraguay son determinar las políticas de trabajo, empleo y seguridad social, así como mejorar las condiciones de trabajo y el respeto de los derechos fundamentales del trabajador, dentro de un marco democrático; y controlar el diálogo social. El Maestro Guillermo Sosa ocupa el puesto de Ministro de Trabajo, Empleo y Seguridad Social desde el mes de abril del año 2014.

JANZZ.technology

JANZZ.technology es una empresa de tecnología y asesoría que se dedica al sector del matching semántico de habilidades y empleo, y a la utilización de datos complejos sobre competencias y empleo. Ofrece productos normales, de marca blanca y soluciones SaaS para modelar, analizar y utilizar los big data en portales de empleo, servicios públicos de empleo, así como en páginas de ofertas de trabajo de empresas. Los productos de JANZZ.technology permiten un matching multilingüe preciso de las cualificaciones, capacidades y competencias gracias a las últimas tecnologías semánticas. Así se reducen notablemente los problemas de matching de los mercados laborales y los big data se transforman en smart data.

¿Cómo se unió a la persona y al trabajo para lograr la cita perfecta?

Es muy complicado unir de forma tecnológica a dos personas y enviarlas a una cita. Hay que tener en cuenta bastantes expectativas. ¿Tienen intereses similares? ¿Viven en el mismo lugar? ¿Cuáles son sus objetivos? Y también hay bastantes expectativas ocultas, como por ejemplo, sobre el aspecto. El matching sigue siendo un problema complejo.

No cambia nada cuando se trata de unir a la persona adecuada con el trabajo adecuado. El matching de empleo y habilidades es un gran desafío incluso para los especialistas con muchos años de experiencia. ¿Quién y qué encaja bien? ¿En qué hay que fijarse? Todos los días hay que responder estas preguntas para poder realizar un matching eficaz. Se requiere un buen conocimiento y buena información, y, como ya se comentó, es bastante difícil cuando las personas tienen que realizar estas tareas con un alto nivel de calidad. Las expectativas de los empleadores y los potenciales empleados son altas. ¿Una máquina, un algoritmo, podría cumplir estas expectativas a la perfección?

¿Cómo se unen datos tan complejos? Fuente: Getty Images.

 

¿Es posible un buen matching?

Primero vamos a aclarar si es posible un buen matching. El matching es la asignación de atributos de dos unidades distintas, en nuestro caso se trata de un trabajo y una persona. De todos modos, esto por sí solo puede significar cosas muy diferentes en nuestro ámbito a analizar. En algunos empleos el análisis de si se encaja con el trabajo solo se refiere a si se es capaz de desempeñar el trabajo. Por ejemplo, si alguien está sano físicamente, debería poder recoger fresas. Sin embargo, también hay otros trabajos que requieren muchos certificados, especializaciones y experiencia. ¿Intenta realizar un matching con un cirujano neonatal?

A pesar de que los especialistas en personal conocen los pormenores a los que hay que prestar atención, el matching sigue siendo un problema muy complejo también para ellos. Los requisitos cambian constantemente. Las exigencias que se aplicaban ayer, hoy ya no se aplican y, de la misma manera, las de hoy ya no se aplican mañana. El trabajo no se mantiene como trabajo, la persona no se mantiene como persona y el mercado laboral no se mantiene como mercado laboral. ¿Quién habría necesitado hace un par de años un director de desarrollo digital? ¿Y quién habría tenido esta especialización en su curriculum vitae?

Y esto se complica mucho cuando una máquina es la que tiene que realizar esta tarea. Tiene que poder aplicar toda la experiencia y los conocimientos de los especialistas, prestar atención a los detalles y también tiene que reaccionar a los constantes cambios del mercado laboral. Los proveedores de este tipo de máquinas se centran en distintos datos para superar el complejo problema, por ejemplo, el título del empleo anterior del solicitante o sus habilidades. Un algoritmo compara los requisitos de un puesto de trabajo y los curriculum vitae, y así se realiza el matching. ¿Con eficacia?

 

Un albañil es un albañil – ¿un asesor comercial es un asesor comercial?

Como se ha comentado, en algunos casos el matching se realiza en base a los títulos de los empleos anteriores. Si el candidato tenía el puesto X en la empresa A, también puede ejercer el puesto X en la empresa B, ¿no? Antes, igual sí. Antes éramos médicos de cabecera, secretarios, abogados, albañiles, etc. En la actualidad somos asesores comerciales, ninjas de datos, gestores de instalaciones, etc. ¿Un asesor comercial es alguien que está en un comercio minorista y aconseja a los clientes? ¿O alguien que crea ofertas, realiza tareas y negocia contratos con clientes en el departamento de ventas? Los especialistas se hacen estas preguntas cuando leen los curriculum vitae. Y una máquina también tiene que poder considerar y entender esto.

Los títulos de los empleos también son demasiado genéricos con demasiada frecuencia. O, por el contrario, demasiado específicos, cuando se incluyen términos internos de la empresa en el título del empleo para describir una función – esto ocurre en la actualidad con algunos encargados. Sin una descripción detallada de las ocupaciones, a menudo estaríamos perdidos y no podríamos saber si un solicitante es en realidad adecuado para un puesto. O si el puesto es adecuado para el solicitante.

 

Es mejor fijarse en los conocimientos

En la actualidad, el título de un empleo tampoco basta para un buen matching. Los proveedores de matching de empleo también solucionan el problema del matching con otros parámetros – se fijan en las habilidades y competencias porque son el contenido de las descripciones de los títulos de empleo crípticos. El matching basado en habilidades o competencias es relevante y prometedor porque no solo tiene en cuenta un título que alguien una vez tuvo, sino también sus conocimientos, talentos y formación, se podría decir. También se contemplan las capacidades de un candidato y las capacidades necesarias para un empleo, y se unen.

En principio suena lógico: quiero un directivo que sea abierto, comunicativo, resolutivo y un buen líder. Encuentro a alguien que tiene estos términos en su curriculum vitae y con los que coincide. Las habilidades son puntos fiables para que una máquina sepa que esta es la coincidencia perfecta para mi vacante, ¿no?

Vamos a mirar con más detenimiento las habilidades. Las habilidades, así como las capacidades, resultan de mi conocimiento. Aristóteles dijo que el conocimiento es la verdad absoluta. Solo se puede lograr la verdad absoluta cuando se ha experimentado y comprobado el conocimiento. El conocimiento que se ha aprendido mediante la comunicación y el estudio  por parte de otros tiene que comprobarse, por lo que no puede ser la verdad absoluta. Entonces, cuando alguien me cuenta algo nuevo – ¿cómo puedo estar seguro de que es una historia verdadera?

Mientras yo no lo experimente – y no lo aplique – el conocimiento permanece incompleto. Una buena formación seguramente es un buen valor, no quiero negarlo. Pero hasta que no sepa cómo alguien ha empleado los conocimientos adquiridos, no se ha comprobado y no me da la oportunidad de aplicarlos. Cuando también se comprueba, me produce un beneficio, un margen de maniobra, en cierto punto, una parte del poder.

Si volvemos a mi ejecutivo, que es abierto, comunicativo y un buen líder, se resuelve el problema. ¿No podría ser que nuestros potenciales candidatos podrían ser gestores de la industria de la construcción, las finanzas o los textiles? Probablemente sin su experiencia, las vacantes se unirían con los tres puestos de trabajo, aunque cada puesto requiere la experiencia propia de su sector. Falta la experiencia relevante para relacionar con sentido las habilidades.

 

El conocimiento real necesita experiencia

Por el contrario, esto lo reconocieron otros proveedores de matching de empleos. Las habilidades tampoco bastan. Si quisiera realizar el matching de un determinado empleo, no solo necesito el campo Habilidades  – mis conocimientos según el curriculum vitae y la carta de presentación. Necesito los componentes de la experiencia. Solo con la experiencia se pueden deducir las relaciones como los sectores.

Además, nadie menciona todas las capacidades que tiene – pero la gente suele mencionar otra información relevante que puede ayudar en el matching. Del mismo modo, una empresa especifica poco las competencias que hacen falta en la descripción del puesto – y esto dificulta el matching. Cuando una descripción de un empleo se refiere a un «científico de datos», el empleador no menciona ni las habilidades «utilización de TI», ni «procesamiento de datos» porque parte de que esto ya se deduce por el título del empleo. Del mismo modo, un científico de datos probablemente indicaría en su curriculum vitae las habilidades más específicas que las que se deducen de los títulos de sus anteriores empleos. Pero si una persona tiene que unirse con un empleo según sus habilidades, la información de este parámetro de comparación es un factor ausente.

Cuando realizamos el matching solo en base a las habilidades, estoy seguro de que obtenemos resultados diferentes a cuando solo buscamos en base a los títulos del empleo. Pero este nivel no es suficiente para que las personas se incorporen finalmente a los puestos de trabajo, los solicitantes a las vacantes y los empleadores a los empleados. Necesitamos más.

 

Una buena formación no significa buenos modales

Las habilidades y la experiencia tampoco pueden determinar si el nuevo redactor encaja bien en el equipo. Usted no puede responder a si el nuevo cuidador llegará puntual al hospital o si el nuevo vendedor sabe negociar bien. En la actualidad no es de fiar alguien que no ponga en su curriculum vitae que sabe trabajar en equipo. Pero estas habilidades de gestión y la personalidad son tremendamente importantes para un buen matching. Un asesor debe llegar puntual a una cita con un cliente, un programador también tiene que ajustarse a un horario flexible. Del mismo modo, el programador también tiene que saber trabajar solo. Si el asesor no se dirige a los clientes de forma abierta, su empresa pierde oportunidades. Por lo tanto, la coincidencia es especialmente buena cuando se incluye la personalidad. Mi curriculum vitae indica muchísimos conocimientos que he adquirido. Pero tiene que tener importancia la manera en la que los he logrado.

 

¿Aunar esfuerzos?

Y si un CV encaja demasiado a la perfección con una vacante, no se piensa mucho tiempo que este solo pueda ser perfecto en el contexto. Las habilidades y la personalidad de un nuevo empleado completan una red con habilidades y personalidades de los compañeros de trabajo. Si soy el único ingeniero de software de una empresa, tengo que ser todoterreno y tomar iniciativas propias. Si trabajo en un equipo con dos personas más, una sabe más del campo X, la otra del campo Y, las habilidades se complementan y la colaboración logra algo nuevo. Con frecuencia puedo ofrecer ayuda y me pueden pedir que me integre en un equipo. Los compañeros también influyen en el matching perfecto. Si esto también se toma en serio, hay que realizar el matching con los CV de los empleados.

Quien todavía piense que se puede hacer un matching solo en base a un parámetro (título del empleo, habilidades, experiencia o personalidad), debería reconocer que esto solo sale bien con mucha suerte. Cuando un algoritmo tiene que resolver un problema complejo, un buen matching se parece a la aguja encontrada en el pajar.

Entonces, ¿hemos llegado al final del camino?

Todavía no. Confucio afirmó: «La experiencia es una linterna que llevamos en la espalda y que solo alumbra el camino ya recorrido.»

Hemos probado nuestro conocimientos, aportado otras ventajas, quizás somos puntuales y fiables. Nos guiamos por las habilidades de gestión requeridas. Esto nos permite garantizar un buen funcionamiento con seguridad. Cumplimos todas las fechas de entrega, tratamos bien a todos los clientes y los empleados llegan puntuales siempre a su puesto. En realidad, ahora todo tiene que estar claro.

 

¿Qué fortalece la empresa?

La empresa «solo» se asegura realmente cuando todo siempre corresponde a lo que se exige. No hemos hecho nada nuevo. Hacer algo nuevo requiere buenos conocimientos y a menudo mucha experiencia. Sobre todo se necesita creatividad literal y semántica.

El diccionario de Cambridge describe la creatividad como «la capacidad de producir ideas originales y extraordinarias o de hacer algo nuevo o imaginativo»1. Por consiguiente nos da la tercera perspectiva de algo que se escapa de nuestro conocimiento y experiencia, quizás también se podría describir como «think out of the box». Trabajar con creatividad no supone un enfoque artístico, sino romper las normas. Rebelarse. Dar un golpe en la mesa y deshacer las situaciones estancadas. Nuevo y diferente, quizás un poco intimidante.

Albert Einstein dijo: «La creatividad es la inteligencia divirtiéndose»2. El creativo es el que se divierte desarrollando una empresa y no el que cumple un catálogo de requisitos de forma clásica, ve la empresa de forma diferente. La creatividad es el bien más valioso en una época con tantos cambios. Los que no se adapten durante la digitalización, no pueden continuar y se quedan atrás. Necesitamos empleados que tengan una perspectiva general. Necesitamos empleados que den seguridad a la empresa. Y necesitamos empleados que nos muestren algo nuevo, totalmente especial en estos tiempos. En la actualidad la creatividad es la habilidad más importante.

La creatividad, la intuición, las emociones y todos los opuestos al pensamiento lógico, analítico y razonable (que podrían considerarse como nuestro conocimiento y nuestra experiencia) suelen ejecutarse en la mitad derecha del cerebro. Quizás ha escuchado la teoría de que se puede ser un «pensador del hemisferio derecho» o «pensador del hemisferio izquierdo». Los investigadores determinaron que se trata de un mito. Aunque algunas funciones están situadas en un lado del cerebro, los mejores resultados se obtienen cuando los dos lados del cerebro trabajan juntos en complejas redes.3

Cuando quiero crear un nuevo producto, me ayuda conocer los procesos de fabricación y el material necesario. Mi experiencia también me ayuda al planificar un nuevo producto. Mi talento organizativo favorece el proceso. Pero la idea para crear un nuevo producto resulta de mi creatividad. Cuando se es bueno en algo, se obtienen los mejores resultados de todos los participantes: conocimientos, experiencia, personalidad y creatividad.

 

La despedida del matching perfecto

Vamos a decirlo claro: no se puede resolver el problema con ningún matching basado en competencias, habilidades, etc. porque el problema es demasiado complejo. El matching está impulsado por expectativas y estas cambian constantemente.

Por lo tanto, sencillamente no hay una coincidencia perfecta porque es imposible superar las expectativas. Nunca se pueden cumplir las expectativas igual de bien para todos, puesto que son muy subjetivas. También existe la posibilidad de incluir todas las dimensiones en la medida de lo posible para lograr una aproximación máxima al matching perfecto.

Los resultados de la cultura actual del matching con trozos de datos, como un par de habilidades o títulos de empleo crípticos, acaban una y otra vez con la calidad de la máquina. El matching con trozos de datos es como caminar en la oscuridad. Los que piensen que se puede realizar un matching con trozos de datos, con palabras clave casuales, están muy lejos de la coincidencia perfecta. Como ya se ha indicado, sencillamente faltan otros parámetros relevantes para una asignación de alta calidad.

Solo se puede lograr una aproximación máxima con algoritmos complejos cuando se renuncia a los trozos de datos y se intenta incluir todas las dimensiones, como hace el cerebro para crear algo nuevo: las habilidades, la experiencia, la personalidad y, sí, con prudencia, también el título del empleo anterior. La máquina introduce todas las dimensiones, las evalúa una a una y determina una ponderación. Cuando estas dimensiones se representan con una ponderación adecuada, se logra un buen punto de partida para unir de forma tecnológica a la persona y al empleo, se adaptan todas las dimensiones y, por lo tanto, las expectativas, e intentan lograr la máxima aproximación posible a la coincidencia perfecta.

Incluso con los procesos de matching de JANZZ.technology, bien concebidos y desarrollados, y mejorados durante años, es complicado englobar todas las dimensiones en las medidas adecuadas. Las expectativas se pueden representar en gran parte, pero una parte permanece siempre cerrada. Si, por ejemplo, se gestiona a una persona en paro, gran parte de sus expectativas es la gestión en sí. Si se realiza un matching con ingenieros, existe la expectativa de que la horquilla salarial encaje con los empleos anteriores. Se pueden representar otras expectativas cuando está claro que existen. También nos podemos aproximar a la coincidencia perfecta. Se descarta caminar en la oscuridad con trozos de datos. Al final, probablemente no puede existir la cita perfecta. Pero quizás sí una nueva invitación a otra.

 

Fuentes:

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.].

La NAV selecciona la tecnología basada en ontologías de JANZZ para modernizar su plataforma del mercado laboral.

La oficina de asistencia social y trabajo noruega (NAV) ha seleccionado a la empresa tecnológica suiza JANZZ en un procedimiento de licitación pública para suministrar los componentes para su nueva plataforma del mercado laboral. JANZZ se ha impuesto frente a empresas internacionales de la competencia en un procedimiento de licitación pública y apoyará a la NAV con su especialización en los datos sobre competencias y empleo.

En el marco de su agenda de mejora de la transición hacia el empleo de las personas desempleadas, la NAV acaba de inventar su plataforma de empleo de autoservicio. La NAV tiene la intención de ofrecer un servicio transparente para que todos los interesados del mercado laboral puedan usarlo con los mismos requisitos. Esto hará el mercado laboral noruego todavía más transparente y permitirá un regreso más rápido al empleo a todas las personas desempleadas.

La nueva plataforma del mercado laboral también servirá como fuente de conocimiento sobre el mercado laboral noruego. La recopilación, el enriquecimiento y el análisis de datos e información sobre empleos y competencias es el núcleo de la visión estratégica de la NAV y será una parte fundamental de la futura plataforma. Mediante el análisis de datos se logra un sistema de conocimiento sostenible y dinámico que beneficia al mercado laboral.

Con su tecnología de matching basado en ontologías, JANZZ ofrece la base perfecta para que la NAV construya una plataforma nueva, innovadora y sostenible. La ontología de empleo y competencias de JANZZ es una base de datos semántica global de títulos de empleos, competencias y formaciones. Entiende los matices de los curriculum vitae y las ofertas de trabajo, y puede ayudar a que se relacionen. En combinación con el motor de matching de empleo semántico, ayudará a la NAV a proporcionar resultados de búsqueda y sugerencias de empleo más relevantes y transparentes, y a obtener conocimientos más precisos sobre el mercado laboral.

Acerca de la NAV

La oficina de asistencia y social y trabajo noruega (NAV) da trabajo a aproximadamente 19.000 empleados (aprox. 14.000 empleados del Estado y 5.000 empleados municipales).

La NAV se fundó el 1 de julio de 2006. Los municipios y el gobierno cooperan para ofrecer buenas soluciones en el ámbito de los servicios sociales y laborales a la sociedad con 456 oficinas en las 19 provincias administrativas de Noruega.

La NAV es responsable de un tercio del presupuesto nacional noruego. La oficina administra distintos programas de cribado y empleo (es decir, prestaciones por desempleo, seguro por incapacidad, prestaciones por enfermedad, subsidio por hijos, subsidio por familiares dependientes y pensiones).

Objetivos principales respecto al mercado laboral:

  • Más personas activas y con empleo, menos beneficiarios de prestaciones
  • Un mercado de trabajo con un buen funcionamiento y una mayor participación laboral
  • Una sociedad inclusiva que garantice a todos la posibilidad de participar
  • Servicios sociales y de empleo integrales y eficientes

Objetivos secundarios respecto al mercado laboral:

  • Puestos de trabajo inclusivos
  • Que las empresas y servicios puedan completar sus vacantes con empleados cualificados
  • Que las personas con discapacidad puedan participar de forma activa en la vida laboral
  • Servicios e información a medida de las necesidades y circunstancias de los usuarios

Más información en www.nav.no

Sobre JANZZ.technology

JANZZ.technology es una empresa de tecnología y asesoría que se dedica al sector del matching semántico de habilidades y empleo, y a la utilización de datos complejos sobre competencias y empleo. Ofrece productos normales, de marca blanca y soluciones SaaS para modelar, analizar y utilizar los big data en portales de empleo, servicios públicos de empleo, así como en páginas de ofertas de trabajo de empresas. La última tecnología semántica permite un matching multilingüe preciso de cualificaciones, capacidades y competencias. Así se reducen notablemente los problemas de matching de los mercados laborales.

Más información enwww.janzz.technology

Lost in Big Data?
La idea equivocada que domina el universo de los datos.

«. . . En aquel Imperio, el Arte de la Cartografía logró tal Perfección que el mapa de una sola Provincia ocupaba toda una Ciudad, y el mapa del Imperio, toda una Provincia. Con el tiempo, estos Mapas Desmesurados no satisficieron y los Colegios de Cartógrafos levantaron un Mapa del Imperio, que tenía el tamaño del Imperio y coincidía puntualmente con él.[…]»

«Del rigor en la ciencia»
Jorge Luis Borges

La historia de Borges imagina un Imperio adicto a la idea de crear una representación perfecta de su mundo. El Imperio ficticio se ha enfrascado totalmente en la tarea de crear un mapa que coincida con su terreno punto a punto. Hoy no puedo evitar pensar que nos encontramos en un ambiente muy similar: los datos están cambiando profundamente nuestro mundo y la manera que tenemos de percibirlo. Nos encontramos en medio de una revolución de datos tan grande, dominante y joven que cuesta abarcarla entera. El impacto de los datos se está extendiendo a una escala realmente masiva; tratamos de usar los big data para transformar industrias completas, desde el marketing y las ventas hasta las predicciones meteorológicas, desde los diagnósticos médicos hasta los envases alimenticios y desde el almacenamiento de documentos y el uso de software hasta la comunicación. En realidad, como en el Imperio ficticio de Borges, hemos llegado a creer que cuantos más datos recopilemos y analicemos, mejor conoceremos al mundo y a las personas que lo habitan. Qué ingenuos nos hemos vuelto los maníacos de los datos.

En la actualidad prevalece la convicción de que los big data proporcionan un conocimiento práctico de casi cualquier aspecto de la vida. Philip Evans y Patrick Forth impugnan que «la información se comprende y aplica con medios básicamente nuevos de inteligencia artificial que buscan el conocimiento mediante algoritmos que emplean conjuntos de datos masivos y ruidosos. Como los mayores conjuntos de datos producen un mejor conocimiento, lo grande es hermoso» (de su artículo conjunto en bcg.perspectives). En este sentido, nuestra hambre de datos aumenta de forma constante y nuestro ecosistema digital la impulsa: los sensores, los dispositivos conectados, las redes sociales y un número creciente de nubes que producen continuamente nuevos datos para que los recopilemos y analicemos. Según un estudio de la International Data Corporation (IDC), el universo digital será casi el doble cada dos años. Desde 2005 a 2020, el volumen de datos crecerá en un factor de 300, hasta 40 zettabytes de datos. Un zettabyte tiene 21 ceros. En este mundo de crecimiento exponencial de datos, la ambición de acumular datos no conoce límites. Como en el Imperio ficticio de Borges, el límite externo es la escala de 1:1, una representación digital completa de nuestro mundo.

En la actualidad, empresas como IBM o LinkedIn ya están presionando este límite. IBM está formando a su sistema informático cognitivo llamado Watson para que pueda contestar virtualmente a cualquier pregunta. Para lograrlo, IBM Watson está recopilando una cantidad de datos sin precedentes para crear un impresionante corpus de información. La empresa acaba de adquirir Truven Health Analytics por 2,6 mil millones de $ en efectivo, proporcionando a su unidad de salud un inmenso depósito de datos sobre salud de miles de hospitales, empleados y gobiernos estatales de EE. UU. Fue la cuarta gran adquisición de una empresa de datos sanitarios en los 10 meses de vida de IBM Watson, lo que muestra la importancia que una representación digital de los pacientes, diagnósticos, tratamientos y hospitales tiene para el sistema de inteligencia artificial del gigante de la informática. La visión de LinkedIn es igual de ambiciosa: están creando Economic Graph, nada menos que una cartografía digital de la economía global. Aspira a incluir un perfil de cada uno de los 3 mil millones de miembros de la población activa mundial. Pretende representar digitalmente a todas las empresas, sus productos y servicios, las oportunidades económicas que ofrecen y las capacidades necesarias para obtener esas oportunidades. Y planea incluir una presencia digital para todas las organizaciones de educación superior del mundo. Sin embargo, los esfuerzos de las dos empresas son solo la punta del iceberg. Su empeño por crear una representación digital completa de sus respectivos campos es emblemático de una aspiración más general que va en la actualidad hacia un estado de información ubicua.

Las visiones de empresas como IBM Watson y LinkedIn ya evocan el mundo imaginado por Borges. Los poderes de los big data están convergiendo y recreando las ambiciones cartográficas del Imperio de su historia. Este mundo se está convirtiendo en referencial de sí mismo. La representación digital de nuestro mundo se está expandiendo deprisa y en los límites exteriores, la representación y la realidad están empezando a coincidir. El mundo y nuestra imagen de él están convergiendo. De repente nos encontramos en un mundo que guarda una semejanza alarmante con el Imperio de Borges.

Qué disparate – la historia de Borges continúa, cuestionando el propósito de una representación tan inmensa. Ya sea cartográfico o digital, un mapa a escala 1:1 puede que no sea tan útil como se piensa.

«[…] Menos Adictas al Estudio de la Cartografía, las Generaciones Siguientes entendieron que ese dilatado Mapa era Inútil y no sin Impiedad lo entregaron a las Inclemencias del Sol y los Inviernos. En los Desiertos del Oeste perduran despedazadas Ruinas del Mapa, habitadas por Animales y por Mendigos; en todo el País no hay otra reliquia de las Disciplinas Geográficas.»

En el mundo ficticio de Borges, las siguientes generaciones tiraron el mapa de sus antepasados porque no sentían la misma ambición que sus ancestros y reconocieron que el mapa a escala 1:1 era inútil. Dejaron que se descompusiera y solo quedaron las «despedazadas ruinas» del mapa de los antepasados. La comprensión de que un mapa a escala 1:1 no tiene sentido en la práctica también recuerda a nuestra experiencia con el universo de los datos en expansión.  El profesor Patrick Wolfe, director ejecutivo del Big Data Institute de la University College of London, advierte de que «la tasa en la que generamos datos supera rápidamente nuestra capacidad para analizarlos.» En la actualidad solo se analiza aproximadamente el 0,5 % de todos los datos y Wolfe afirma que este porcentaje disminuye a medida que se recopilan más datos. También estamos empezando a darnos cuenta de la inviabilidad de las masas de datos que estamos manejando. En lugar de ganar de manera exponencial más conocimiento sobre nuestro mundo con los datos, estamos creando una entidad que está en peligro de caer en el olvido por su gran tamaño.

Para evitar que nuestra colección digital que se acumula constantemente sufra la misma suerte que el mapa de Borges – que las generaciones venideras la dejen en despedazadas ruinas –, es esencial crear una inteligencia práctica a partir de ella. Por consiguiente, la capacidad para entender de verdad la total complejidad de las masas de los datos recopilados y para producir un conocimiento relevante de ellos será la ventaja competitiva definitiva; esto es válido en la actualidad y todavía lo será más en el futuro.

Mientras que muchos ya proponen la conversión de los big data en smart data o intelligent data, todavía no ha surgido ninguna solución clara sobre cómo lograr realmente esta transformación. Hoy en día, las matemáticas aplicadas, el procesamiento del lenguaje natural y el aprendizaje automático tienen el mismo peso en la balanza y sustituyen a cualquier otra herramienta que se pueda aplicar. Es la idea de que con suficientes datos, los números hablan solos. Repitiendo lo que dijeron Evans y Forth, «lo grande es hermoso». Esta idea conforma la cultura de Silicon Valley y, por extensión, la de muchas empresas de todo el mundo.

Otras metodologías como las ontologías, las taxonomías y la semántica se ignoran totalmente en el espíritu de descubrimiento actual. Mientras que las matemáticas aplicadas, el aprendizaje automático y el análisis predictivo representan el tamaño; las taxonomías y la semántica representan el significado y la comprensión. Y mientras que las segundas pueden parecer insignificantes en comparación con las dimensiones de las primeras, no desempeñan un papel menor al determinar la salud competitiva de las empresas. Tras el crecimiento exponencial del universo digital en los últimos años, hemos llegado a un grado de complejidad que requiere la introducción de un conocimiento profundo de las materias en cuestión. Esto es algo que no se logrará recopilando todavía más datos ni implementando un algoritmo. Irónicamente, es un cambio de dirección que se aleja del «lo grande es hermoso» y podría aprovechar todo el potencial de los big data.

 

ESCO: Esperábamos una ontología – recibimos una decepcionante recopilación de términos

Han pasado casi cuatro años. Este tiempo hemos esperado lo que la UE anunció sin vacilar. Hemos esperado siempre que se solucionaran los conocidos y antiguos problemas de los sistemas de clasificación.
La clasificación de la Unión Europea para datos laborales se llama «ESCO» (European Skills, Competences, Qualifications and Occupations). Hasta entonces todos los países desarrollaron sus clasificaciones, como ROME en Francia, KLdB en Alemania o CP en Italia. La mayoría se basan en el modelo de todas las clasificaciones, la Clasificación Internacional Uniforme de Ocupaciones (CIUO) de la organización internacional del trabajo en 1960. Sin embargo, esto no tiene por qué ser comparable – las clasificaciones pueden distinguir entre distintos números, letras y diferentes niveles de taxonomía.

Se desarrollaron otros sistemas de clasificación principalmente por motivos estadísticos. Así también se pudo agrupar los empleos con números de identificación en grupos y obtener cifras, pero estos sistemas no ampliaron la comprensión de cada empleo porque las formaciones de grupos solían ser demasiado amplias y genéricas. Por ejemplo, se reunió a todos los médicos especialistas en un grupo y este grupo describe a todos los médicos especialistas con un único conjunto de habilidades. Por lo tanto, se describe a un oncólogo con exactamente los mismos conocimientos que a un gastroenterólogo, a un ginecólogo o a un patólogo.  Según las taxonomías tienen exactamente los mismos conocimientos, sus especializaciones solo se reconocen con un título. Con descripciones tan imprecisas no se puede entender bien cada título de ocupación.

La UE no quería elaborar la ESCO como otra estructura demasiado vaga, sino que quería lograr una comprensión común para los empleos, las capacidades, los conocimientos y las cualificaciones en 26 idiomas para que los empleadores, los empleados y las instituciones de formación comprendieran mejor las necesidades y los requisitos mutuos. Con la libre movilidad se pudieron comparar las carencias de cualificación y el paro en distintos Estados miembros, como afirma Juncker [1].

Se ha trabajado casi cuatro años desde la versión de prueba. Todos los posibles interesados, como los servicios de empleo, los orientadores de estudios, los estadísticos, los científicos… tuvieron que participar para crear esta clasificación en 26 idiomas. Casi durante cuatros se probó, amplió, modificó, procesó… Y ahora me siento delante del ordenador, introduzco en habilidad «Word» y la base de datos no reconoce el término. Sugerencia alternativa: WordPress, pero no se parece mucho. Escribo «PowerPoint», aparece un aviso de error rotundo, la base de datos no reconoce el término, no se ha incluido.

Bueno, vamos a probar otra vez. Solo en Alemania encuentro más de 13.000 ofertas de trabajo con el término de búsqueda «PowerPoint», en Francia y en el Reino Unido unas 8.000. Sin embargo, en Europa Powerpoint no se clasifica como una habilidad. No está entre las 13.485 habilidades de la ESCO. ¿Un empleado también debe entender que para un potencial empleador PowerPoint no es un conocimiento importante para una ocupación?
Hay que admitir que la base de datos reconoce «Utilizar Microsoft Office» si se introduce «Microsoft», pero la base de datos no llega a la comprensión semántica. Puesto que «Utilizar programas de procesamiento de texto» está incluido como una habilidad independiente sin conexión con Microsoft Office, no se sugiere ninguna de las dos habilidades como sinónimo.

La ESCO presume de reconocer 2.942 empleos. Es interesante que el sistema reconoce un «coordinador logístico de transporte ferroviario» [2], y también ciertas alternativas de escritura, pero no reconoce responsable de logística². Aquí y allá se encuentran una y otra vez empleos con problemas similares. Además, como denominación alternativa a un/una «empleado/a del partido», también se propone «empleado/a de RR. PP.»², por nombrar solo un ejemplo de una alternativa a un nombre de un empleo errónea.

En la actualidad ESCO funciona en 26 idiomas. Sí y no, me parece. Sí, los nombres de los empleos están disponibles en 26 idiomas, sí, los conocimientos también. Pero la explicación de un término solo está en inglés, lo que significa que un título se puede traducir a todos los idiomas, pero la descripción del trabajo no. Siempre está escrita en inglés. Es discutible que un empleador de Francia entienda mejor el trabajo de su solicitante sueco sin la definición en su idioma nacional, francés. O que entienda que la clasificación no coincide con su vacante.

Además, las cualificaciones solo están disponibles en un solo idioma: griego. Las descripciones detalladas también solo se pueden encontrar en este idioma nacional. Un empleador de otro Estado miembro no entiende bien a su solicitante si este procede de Grecia. La ESCO avisa de que los Estados miembros tienen que entregar las cualificaciones e integrarlas de forma regular. Se ha dejado bastante tiempo a 27 Estados miembros.

Puedo decir que estoy más que un poco decepcionado. He esperado casi cuatro años desde que expliqué con otros compañeros las múltiples posibilidades de las ontologías en el congreso de la ESCO. Pero no se ha creado ninguna ontología, ni mucho menos una taxonomía ni recopilación de términos. La ESCO incluye y clasifica 2.942 empleos, 13.485 conocimientos 672 cualificaciones (en griego). La ESCO ha invertido presuntamente dinero y seguramente mucho tiempo en este desarrollo. Sin embargo, es muy cuestionable que este sea el objetivo de Juncker.

Y la pregunta es: ¿qué hacemos ahora? ¿Tenemos esperanzas y esperamos otros cuatros años hasta que la ESCO quizás cumpla sus promesas para el ámbito de los RR. HH. y los servicios públicos de empleo? ¿O quizás es mejor buscar una alternativa? Cómo sería, por ejemplo, una alternativa que representara una ontología de verdad con reconocimiento semántico, que reconociera que un/a empleado/a de un partido no es lo mismo que un empleado/a de RR. PP., que supiera que MS Word no es la misma habilidad que Microsoft Word o procesamiento de texto, y que contuviera totalmente muchos idiomas. Quién sabe, igual ya hay algo así. Quizás un estudio online podría tener éxito. Por ejemplo en http://janzz.technology.

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

[2] Para estos estudios solo se usó la base de datos online de la ESCO.

Google lanza su buscador de trabajo apoyado en la ontología. ¿Y ahora qué?

Esta semana, el panorama de la búsqueda de trabajo en línea ha ganado un significativo añadido con amplias implicaciones. En consonancia con su recientemente anunciada iniciativa “Google para trabajos”, Google ha lanzado una nueva función de búsqueda de trabajo a la derecha de sus páginas de resultados de búsquedas que le permite buscar trabajo a través de prácticamente todas las principales bolsas de trabajo en línea. La nueva iniciativa de Google no sólo tiene el potencial de alterar el mercado de búsqueda de trabajo en línea, sino que el modelo de datos subyacente de la iniciativa, una ontología ocupacional, podría cambiar también totalmente la naturaleza de las búsquedas de trabajo y de candidato. Deberíamos saberlo, puesto que hemos estado trabajando con ontologías ocupacionales desde hace 8 años.

El avance de Google en el dominio de la búsqueda de trabajo amenaza a muchos de los actores existentes. No sólo porque la función probablemente centrará más búsquedas de usuarios en la propia página de Google, sino también porque la calidad del buscador de Google probablemente superará a otros servicios debido a la ontología ocupacional que Google ha construido. Otros buscadores de trabajo en línea tendrán que considerar cuidadosamente cómo seguir adelante ante el movimiento de Google. Algunos podrán asociarse a Google. Otros tendrán que buscar soluciones en otro lugar. Para estos últimos, les podemos ofrecer una incluso más amplia ontología ocupacional y habilidades.

Muchas personas han empezado ya su búsqueda de trabajo en Google. Pero con la nueva función, tendrán una experiencia muy diferente en Google de aquí en adelante. Antes, las búsquedas de trabajo de Google, tales como “trabajos de minorista”, producía una lista de enlaces a páginas webs como Indeed y ZipRecruiter. La gente hacía clic en uno de los enlaces principales y continuaba su búsqueda en su página seleccionada. Sin embargo, la nueva función de Google contendrá significativamente más tráfico de búsqueda en la propia página de Google, ya que la nueva función de Google mostrará una lista de trabajos en un recuadro encima de los tradicionales resultados de búsqueda de la web. La información llegará de las páginas web de los especialistas en búsqueda de trabajo como Glassdoor y LinkedIn y directamente de las secciones de empleos de muchas otras páginas webs de empresas. Los buscadores de trabajo harán clic en las nuevas entradas y Google les mostrará más información sobre el puesto. Un botón de “Lea más” le llevará a la página del trabajo o a la aplicación móvil donde se originó la entrada.

Problemas de las bolsas de trabajo
Mientras que Google al principio se asocia con algunos de los mayores actores en la búsqueda de trabajo, incluyendo CareerBuilder, Monster, LinkedIn y Glassdoor, la nueva iniciativa de Google también inyecta una gran incerteza en los modelos de negocios de muchos actores en el mercado de reclutamiento. La mayoría de los afectados directamente son recopiladores de trabajo como Indeed. Chris Russell, un consultor de tecnología de reclutamiento y de páginas de trabajo en RecTech Media, declaró a SHRM que “igual que aquél, Indeed ya no puede llamarse el ‘Google para trabajos’.” Otros expertos en tecnología de reclutamiento van incluso más allá diciendo que “Indeed podría necesitar otros 10 años más para convertirse en una idea tardía, pero se está engañando a sí misma si piensa que no es un momento DEFCON 1” (SHRM). El tráfico SEO de Indeed se reducirá ciertamente a medida que Google tome los principales lugares en los resultados de búsqueda, arrebatando el estado real en línea que actualmente tiene Indeed. Además, las empresas se podrían ver alentadas a poner menos trabajos en las bolsas de trabajo, donde a menudo tienen que pagar, ya que Google recoge los anuncios directamente de sus portales de trabajo.

Pero esto es sólo para resumir brevemente algunas de las maneras en las cuales la nueva iniciativa de Google podría afectar el status quo de la búsqueda de trabajo en línea. Habría muchas otras cosas más a considerar y Google está también por supuesto ligada a varios de los actores existentes desde sus otras fuentes de ingresos, en particular su negocio de los anuncios, relaciones que Google podría no querer perturbar. En cualquier caso, el cambio más significativo podría estar en el modelo de datos subyacente y en el enfoque que Google ha usado para construir su solución: la ontología ocupacional. Mientras que las ontologías llevan existiendo desde hace tiempo, nunca se han utilizado a gran escala. La iniciativa de Google ha puesto las ontologías ocupacionales en el centro de atención, lo que podría finalmente alterar la manera en la que las empresas y los proveedores de tecnología abordan el problema de la combinación de personas y trabajos.

El problema de la combinación de personas y trabajos adecuados
El problema empresarial más difícil continúa siendo la combinación de la persona adecuada con el trabajo adecuado. Esto tiene varias razones. En primer lugar, muchos de los criterios que determinan si una posición es adecuada para una persona, tales como la personalidad y el estilo de vida, no están integrados en las descripciones de trabajo. En segundo lugar, muchas descripciones de trabajo están limitadas, anticuadas y a menudo mal redactadas. En tercer lugar, los empresarios utilizan un lenguaje diferente para describir los mismos trabajos. Para cualquier trabajo, hay cientos de títulos de trabajo diferentes, que provocan que las búsquedas de trabajo o candidato sean inexactas y confusas. Esto ha llevado a un desequilibrio en el mercado de trabajo: los empresarios dicen que todavía tienen problemas para cubrir sus vacantes. Mientras tanto, las personas que buscan trabajo no saben si hay un trabajo disponible a la vuelta de la esquina, puesto que los buscadores de trabajo tienen problemas para detectar lo que realmente quieren decir los anuncios de trabajo.

Entrada de la ontología ocupacional 
Aquí es donde entra la ontología ocupacional. Una ontología ocupacional funciona como una piedra de Rosetta entre la persona que busca trabajo y el empresario: agrupa títulos de trabajo similares, competencias, formaciones, etc., y así ayuda a entender los matices de los CVs y las ofertas. Una ontología agrupa títulos de trabajo similares en familias de trabajo para construir un “universo” de trabajos verdaderamente útil y que se pueda buscar, organizado por disciplinas y dominio funcional. Comprendiendo las relaciones entre el contenido del trabajo, las competencias, la experiencia y la formación, la ontología ocupacional ayuda a ofrecer más resultados de búsqueda y recomendaciones relevantes.

Por lo tanto, una ontología ocupacional ofrece una mayor ayuda tanto a la persona que busca trabajo como al empresario. Cuando se integra en una plataforma de trabajo, permite a los usuarios obtener los resultados de búsqueda que están buscando sin tener que preocuparse de si sus criterios de búsqueda son demasiado amplios o demasiado reducidos. Por contraste con el buscador Boolean / basado en palabras claves, una búsqueda basada en la ontología proporcionará resultados para cosas que usted no buscaba explícitamente, pero que están relacionadas con sus criterios de búsqueda.

Por ejemplo, incluso un simple trabajo como “conductor de camiones” aparece en miles de expresiones diferentes, dependiendo de la empresa. FedEx Express llama a los conductores mensajeros, FedEx Office los llama mensajeros de ciudad en el mismo día y FedEx Freight los llama conductores de ciudad. Cada uno de ellos utiliza un lenguaje diferente para describir el mismo trabajo. En una búsqueda normal de trabajo de “conductor de camiones” no aparecerían estos trabajos. Sin embargo, una ontología sabe que estos trabajos son muy similares y que puede incluir todos ellos y muchos más en los resultados de una búsqueda de trabajo.

¿Y ahora qué?
Construir una ontología es una empresa enorme, pero beneficiará a nuestra economía y a toda la sociedad si se aplica adecuadamente. Los clientes iniciales de Google se han entusiasmado por los éxitos que han logrado al utilizar la búsqueda de trabajo de Google. Del mismo modo, nuestros clientes se han sorprendido por las grandes mejoras que han podido realizar con nuestro gráfico de conocimiento (JANZZon!). Google ha construido hasta el momento una ontología ocupacional en inglés. En los últimos 8 años, hemos construido una ontología ocupacional en 8 idiomas que recoge universos de trabajo de regiones tan diversas como Estados Unidos, Alemania, Noruega y Oriente Medio. Hemos aprendido que a medida que la dimensión de la ontología crece, se multiplican tanto su complejidad como su valor.

Ahora bien, mientras que la función de trabajo de Google es un gran paso hacia una mejor calidad de búsqueda de trabajo, no es una solución adecuada para todos los actores en el mercado de trabajo. Algunos, como Indeed, están notablemente excluidos de trabajar con Google por razones competitivas, otros, como los servicios de empleo público y los proveedores de sistemas HCM, podrían tener mayores necesidades de seguridad de datos y de personalización y, por último, la función de Google sólo está disponible por el momento en inglés. Así, pues, ¿dónde deberían buscar las empresas soluciones para asegurarse un rápido avance tecnológico?

Licenciando una ontología propia
Algunas empresas han intentado construir una ontología propia, pero han fracasado a la hora de mantenerla debido a la falta de un conocimiento especializado y recursos insuficientes o medios financieros. En los últimos años, han aparecido muchos cementerios digitales en el área de datos ocupacionales. La solución más fácil es licenciar una ontología ocupacional como servicio de nube. La ontología ocupacional JANZZon! ofrece esta posibilidad y da a las empresas y a los servicios públicos la oportunidad de conectarse a una gran cantidad de información de vacantes y habilidades y para usarla para sus aplicaciones existentes. JANZZon! está actualmente disponible en 9 idiomas (estamos trabajando para llegar hasta los 40) y se extiende sobre todas las industrias y familias de trabajo. Es la ontología más completa disponible hoy en día. ¿Y por qué no lo intenta nadie más que Google ??

Perspectivas del mercado laboral – Análisis de la «abundancia de datos» de tendencia

La progresiva digitalización del mercado laboral ha logrado cantidades de datos increíbles, cuyo análisis podría proporcionar más transparencia en el mercado laboral y una mejor base para la toma de decisiones para las empresas. Un importante requisito para obtener una perspectiva significativa del mercado laboral es una gráfica semántica que reproduzca de forma digital las complejas relaciones de los empleos y las competencias, y de este modo permita reconocer situaciones complejas en los datos del mercado laboral.

En los últimos 15 años, internet ha cambiado la estructura de casi todos los entornos laborales y los sectores de los RR.HH. y la contratación no son una excepción. Las grandes plataformas de empleo, los sitios web de empresas y empleo, y las redes laborales se han sumado a esta tendencia. El anuncio de trabajo ha encontrado su camino desde los medios impresos hasta el mundo digital. Además, la automatización, los big data y la contratación por redes sociales han modificado la búsqueda de personal. La contratación se traslada cada vez más al espacio digital y este proceso desarrolla sobre todo algo: datos.

Los departamentos de personal nunca antes dispusieron de tantos datos sobre los solicitantes, los empleados y sus competencias. El análisis de estos conjuntos de datos ofrece posibilidades insospechadas para formarse ideas en la reserva de talentos de la empresa. Fuera de las empresas también se acumulan estas cantidades de datos: los portales de empleo, las redes sociales, los proveedores de software y los buscadores recopilan datos sobre la búsqueda de empleo, la formación y los perfiles de competencias. Cada vez con más frecuencia, los datos no solo se emplean para optimizar la propia página o para los procesos de contratación, sino que también se publican como análisis del mercado laboral o se integran en nuevos productos.

Un ejemplo interesante es el análisis presentado recientemente sobre el mercado laboral suizo de Job Cloud. Job Cloud ha difundido el estudio Market Insights en colaboración con la ZHAW. Se analizaron los datos del comportamiento de los usuarios en los portales jobs.ch y jobup.ch. Este estudio sobre el comportamiento permite una comparación directa entre los anuncios publicados y los clics de las personas que buscan empleo. El comportamiento de los usuarios se analizó según distintos aspectos, como los sectores, las categorías laborales, el nivel de jerarquía, el grado de ocupación y las horas del día y de la semana. El Prof. Dr. Frank Hannich de la ZHAW afirma que las «JobCloud Market Insights» ofrecen detalles sobre qué grupos profesionales o campos se ven más afectados por la falta de personal especializado y señalan diferencias regionales entre la Suiza francófona y la germanófona.

Mientras que las perspectivas del mercado laboral existentes hasta ahora se basaban sobre todo en encuestas, gracias a las cantidades de datos en aumento, cada vez hay más posibilidades para adquirir conocimientos profundos y fiables. En la actualidad se pueden medir distintos aspectos del mercado laboral: el nivel salarial, el nivel de formación, el comportamiento de las personas que buscan empleo y el valor de las competencias y conocimientos adicionales se pueden analizar en base a los datos que ya se han recopilado. Los conocimientos resultantes de estos análisis proporcionan una mejor base para la toma de decisiones para los departamentos de personal y los institutos de formación, y aportan más transparencia a todos en el mercado laboral. El potencial del análisis del mercado laboral es grande y está lejos de agotarse todavía.

Muchas empresas especialistas en el análisis del mercado laboral se centran en la agregación y extracción de los datos del mercado laboral. Por ejemplo, recopilan millones de ofertas de empleo online (sobre todo en los mercados más grandes, la agregación de varias fuentes es decisiva para reunir un conjunto de datos significativo) y extraen las competencias, la formación y la experiencia requeridas para el empleo. Las empresas de software y las redes laborales que ya disponen de una inmensa cantidad de datos de los empleados o miembros, también tienen que extraer los datos relevantes para un análisis. Por lo tanto, cuanto más estructurados están los datos, más sencillo es.

Además, es importante entender las complejas relaciones de los datos del mercado laboral y poder incluirlas en el análisis de datos. Por ejemplo, hay que reconocer que tanto Microsoft Dynamics, Sage y Odoo, como SAP Business One, Oracle Netsuite y Kronos son sistemas ERP. Sin esta conexión, no se podrían responder las preguntas más relevantes, como por ejemplo, para qué empleos se requieren conocimientos de ERP.

Los análisis semánticos son imprescindibles para representar de forma digital estas conexiones y poder incluirlas en un análisis de datos. Las relaciones entre empleos, capacidades, tecnologías y formaciones se pueden realizar en gráficas de conocimiento que juntas forman una ontología. En el mercado laboral global las ontologías como JANZZon!, que se creó con un enfoque que va más allá de los idiomas y países, son especialmente valiosas porque permiten analizar y comparar los datos del mercado laboral a través de las fronteras. Las ontologías pueden ser cruciales para aprovechar todo el potencial de la abundancia de datos del mercado laboral y obtener una valiosa comprensión.