‚So clever I don’t understand a word of what I am saying‘ – Das Potenzial der KI im Umgang mit textbasierten Daten ist bei weitem nicht grenzenlos

2021-12-27/in Knowledge Base /von JANZZ.technology

Die oft geäusserte Angst, dass KI-Roboter kurz davor sind, in jeden Bereich unseres Lebens einzudringen und die Kontrolle zu übernehmen, ist zugegebenermassen verständlich, wenn man bedenkt, welche Fähigkeiten der KI bereits heute nachgesagt werden: Gastbeiträge für Zeitungen, Kundendienstanfragen bearbeiten, medizinische Diagnosen stellen, langjährige Fragestellungen der Biologiewissenschaften beantworten und vieles mehr – will man den Quellen Glauben schenken [1], [2]. Aber sind diese vermeintlichen Erfolge tatsächlich ein Beweis für unbegrenztes Potenzial? Werden KI-Systeme wirklich in der Lage sein, jede Aufgabe zu lösen, wenn sie nur genügend Zeit und Daten haben? Sie wollen das vielleicht nicht hören, aber die Antwort ist ein ganz klares NEIN. Zumindest nicht, wenn Forschung und Entwicklung an den rein datenbasierten Ansätzen festhalten, auf die sie derzeit so fixiert sind.

Zunächst einmal ist die künstliche Intelligenz nicht im Entferntesten mit menschlicher Intelligenz vergleichbar. Jedes KI-System ist eine ausgeklügelte Trickkiste, die uns Menschen vorgaukeln soll, dass das System die vorgelegte Aufgabe irgendwie versteht. Um also KI-Technologien zu entwickeln, die in irgendeinem Sinne intelligent sind, führt kein Weg daran vorbei, diese Technologien mit umfangreichem menschlichem Wissen zu füttern – was ein erhebliches Mass an menschlicher Arbeit erfordert und in absehbarer Zukunft auch erfordern wird. Infolgedessen – und auch das werden Sie womöglich nicht hören wollen – ist es eine schlicht eine Fehlinvestition, sich auf Softwarelösungen im HR- und Arbeitsmarktmanagement zu verlassen, die ausschliesslich auf Deep Learning (DL) oder anderen statistischen/Machine-Learning (ML) Ansätzen basieren. Und es ist nicht nur eine Geldverschwendung, sondern auch eine Frage der Ethik: Gerade im HR-Bereich ist die Verlässlichkeit von Daten und Auswertungen von entscheidender Bedeutung, da sie das Leben realer Menschen nachhaltig beeinflussen können. Allzu oft werden beispielsweise durchaus geeignete Kandidaten von KI-basierten Systemen wie ATS aussortiert, nur weil ihr Lebenslauf nicht exakt die im Filter angegebenen Schlüsselwörter enthält oder diese mit ‘falschen’ Zusammenhängen verbunden werden. Dies ist nur eines von vielen Beispielen dafür, wie echte Menschen von unzulänglicher KI betroffen sein können.

Künstlich – im Sinne von «fake»

Während Forscher KI-Systeme als solche definieren, die ihr Umfeld wahrnehmen und Massnahmen ergreifen, um die Chancen auf das Erreichen ihrer Ziele maximieren, ist die populäre Vorstellung von KI, dass sie sich der menschlichen Kognition annähern soll. Intelligenz wird in der Regel als die Fähigkeit definiert, zu lernen, zu verstehen und Urteile zu fällen oder Meinungen zu bilden, die auf Vernunft basieren, oder mit neuen oder schwierigen Situationen umzugehen. Die erfordert allerdings eine kognitive Schlüsselfähigkeit: das Speichern und Anwenden von sogenanntem Weltwissen (commonsense knowledge), also allgemeines Wissen, Kenntnisse und Erfahrungen über Umwelt und Gesellschaft. Wir Menschen eignen uns Weltwissen durch eine Kombination aus Lernen und Erfahrungen an. KI-Systeme sind hierzu bis jetzt schlicht nicht in der Lage und werden es in absehbarer Zeit auch nicht sein. Am deutlichsten werden diese Einschränkungen bei Methoden der Computerlinguistik zu NLP (natural language processing) und NLU (natural language understanding), die auf ML basieren. Denn Weltwissen ist absolut unerlässlich für das Verständnis natürlicher Sprache. Betrachten wir als Beispiel die folgende Aussage:

Charlie hat den Bus gegen einen Baum gefahren.

Nirgends in diesem Satz steht ausdrücklich, dass Charlie ein Mensch ist, dass dieser Mensch im Bus sass oder dass dies ein ungewöhnliches Verhalten ist. Und doch können wir dank unserem Alltagswissen ohne grosse Mühe diese und viele andere Schlussfolgerungen aus diesem einfachen Satz ziehen. Diese vom Linguisten Noam Chomsky als «Sprachkompetenz» bezeichnete Fähigkeit unterscheidet auf NLP und NLU trainierte Computersysteme grundlegend von der menschlichen Kognition. Während wir Menschen diese Sprachkompetenz bereits in jungen Jahren erwerben und dank dieser die Bedeutung beliebiger sprachlicher Ausdrücke erkennen können, werden rein datenbasierte KI-Modelle dies nie in gleichem Masse schaffen, da sie auf rein quantitativer Basis arbeiten: Ihre «Intelligenz» basiert auf statistischen Annäherungen und (teils sinnlosem) Auswendiglernen textbasierter Daten. ML_Systeme können zwar das Problem des Verstehens bisweilen umgehen und den Eindruck erwecken, dass sie sich intelligent verhalten – vorausgesetzt, sie werden mit genügend Daten gefüttert und die Aufgabe ist ausreichend eingegrenzt. Aber sie werden die Bedeutung von Wörtern nie wirklich verstehen; dazu fehlt ihnen schlicht die Verbindung zwischen Form (Sprache) und Inhalt (Bezug zur realen Welt) [1].

Genau deshalb kämpfen selbst die fortschrittlichsten KI-Modelle immer noch mit dieser Art von Aussagen: weil sie so viele implizite, oft wichtige Informationen und Kausalitäten beinhalten. So war beispielsweise GPT-3, ein hochmodernes KI-basiertes Sprachmodell (das den eingangs zitierten Zeitungsartikel verfasst hat), nicht in der Lage, die einfache Frage, ob ein Toaster oder ein Bleistift schwerer ist, korrekt zu beantworten [1]. Dies erinnert ein wenig an ein Zitat aus Oscar Wildes Die vornehme Rakete: „I am so clever that sometimes I don’t understand a single word of what I am saying“…

Ein Hauptgrund für diese Problematik liegt darin, dass Weltwissen eine kaum vorstellbare Anzahl von Fakten darüber enthält, wie unsere Welt funktioniert. Wir Menschen haben diese Fakten durch gelebte Erfahrung verinnerlicht und können sie beim Ausdrücken und Verstehen von Sprache einsetzen, ohne diese erstaunliche Fülle an Wissen je in schriftlicher Form festhalten zu müssen. Und gerade weil dieses implizite Wissen nicht systematisch erfasst wird, haben KI-Systeme keinen Zugang dazu – zumindest rein datenbasierte KI-Systeme nicht, Systeme also, die ausschliesslich auf statistischen/ML-Ansätzen basieren. Diese Systeme stehen vor unüberwindbaren Herausforderungen in Bezug auf Sprachverständnis. Denn sie ist «unerwartet».

Ein weiteres einfaches Beispiel: Bei einer statistischen Analyse von Wörtern, die mit dem englischen Wort pen (dt. Stift) verbunden sind, spuckt ein ML-System unter Umständen die Wörter Chirac und Jospin aus, weil diese Namen oft zusammen mit der französischen Politikerin Marie Le Pen genannt werden, welche natürlich nichts mit Schreibgeräten zu tun hat. Noch komplizierter wird es, wenn ein und derselbe Ausdruck je nach Kontext unterschiedliche Bedeutungen annimmt – zum Beispiel das Schloss. Rein auf ML basierende Systeme haben oft grosse Schwierigkeiten, die Nuancen solcher Alltagssprache zu erkennen, weil sie die Bedeutungen eines Wortes nicht speichern: die Verbindungen beruhen lediglich auf Koinzidenz, also gleichzeitiges Auftreten. In der rein datenbasierten Welt ist es also noch ein weiter Weg bis zur zuverlässigen NLU.

Keine KI ohne MI

Seit den 1950ern gibt es KI, und sie hat immer wieder Phasen des Hypes und der Desillusionierung durchlaufen. Derzeit befinden wir uns, zumindest in der Unterdisziplin NLU, wieder in der «Talsohle der Ernüchterung», wie Gartner es so treffend formuliert hat. Nichtsdestotrotz klammern sich viele noch an die grossen Versprechungen und veröffentlichen, preisen und investieren munter in rein datenbasierte KI-Technologien. Sich bei Anwendungen, die Sprachverständnis erfordern, vollständig auf ML-basierte Algorithmen zu verlassen, ist jedoch nichts als ein teurer Fehler. Wie wir bereits erläutert haben, ist es ein grosser Sprung von der automatisierten Verarbeitung von Textdaten (NLP) zum sinnvollen, menschenähnlichen Verstehen (NLU) dieser Information durch Maschinen. Daher werden viele Automatisierungspläne eine Illusion bleiben. Es ist höchste Zeit, auf ein Strategie umzusteigen, die diese anspruchsvollen Aufgaben erfolgreich bewältigen kann, indem sie künstliche Intelligenz effektiv durch menschliche Intelligenz erzeugt.

In unserem Kompetenzbereich hier bei JANZZ, dem (Re-)Strukturieren und Matching berufsbezogener Daten, wissen wir, dass viele automatisierte Aufgaben in Big Data ein erhebliches Mass an menschlicher Arbeit und Intelligenz erfordern. Unser Tool zum Parsen von Stellenanzeigen und Lebensläufen, JANZZparser!, seit jeher auf NLP und NLU – allerdings immer in Kombination mit menschlichem Input: Unsere Datenanalysten und Ontologie-Kuratoren trainieren sorgfältig und kontinuierlich die sprachspezifischen Deep-Learning-Modelle und passen sie immer wieder an. NLP-Aufgaben werden mit unserem hauseigenen, handverlesenen Korpus an Goldstandard-Trainingsdaten trainiert. Die geparsten Informationen werden standardisiert und kontextualisiert mithilfe unserer handkuratierten Ontologie JANZZon!, der weltweit umfassendsten mehrsprachigen Wissensdarstellung für berufsbezogene Daten. Diese maschinenlesbare Wissensbasis enthält Millionen von Konzepten wie Berufe, Skills, Spezialisierungen, Ausbildungen und Erfahrungen, die von unseren domänespezialisierten Kurator*innen entsprechend ihrer gegenseitigen Relationen manuell verknüpft werden. JANZZon! integriert sowohl datengestütztes Wissen aus echten Stellenanzeigen und Lebensläufen als auch Experteninformationen aus internationalen Taxonomien wie ESCO oder O*Net. Nur so können unsere Technologien ein Sprachverständnis entwickeln, das den Namen künstliche Intelligenz tatsächlich verdient. Generische Ausdrücke wie Flexibilität werden in den entsprechenden Kontext gesetzt, sei es im Sinne von Zeitmanagement, Denken, oder anderen Aspekten. Damit werden falsche Matches aufgrund von Überschneidungen im Wortlaut, aber nicht im Inhalt, wie etwa Research and Ontology Management Specialist mit Berufen wie in der untenstehenden Abbildung, in unseren wissensbasierten Systemen von den Matching-Ergebnissen ausgeschlossen. Durch die einzigartige Kombination von Technologie und menschlicher Intelligenz in maschinenlesbarer Form können bei der Verarbeitung berufsbezogener Daten äusserst genaue, zuverlässige und sprach- und kulturübergreifende Ergebnisse erzielt werden. Fehler wie im Beispiel mit dem Stift treten schlicht nicht auf, weil jeder Ausdruck konzeptionell mit den richtigen und relevanten Bedeutungen und Assoziationspunkten verknüpft ist.

Gutes Geld schlechtem hinterherwerfen

Dass wir mit unserer hybriden, wissensbasierten Methode, menschliche Intelligenz mit modernsten ML/DL-Methoden zu kombinieren, auf dem richtigen Weg sind, bestätigen nicht nur unsere eigenen Erfahrungen und die erfolgreiche Zusammenarbeit mit Unternehmen und öffentlichen Arbeitsverwaltungen (PES) weltweit, sondern wird auch von – nicht kommerziell-orientierten – NLU-Forschern allgemein anerkannt. Die skizzierten Probleme rund um die fehlende kognitive Komponente in rein datenbasierten KI-Systemen werden in den nächsten 50 Jahren nicht verschwinden. Sobald menschliche Sprache im Spiel ist, wird es immer unzählige Fälle geben, in denen ein dreijähriges Kind die richtige semantische Verbindung herstellen kann, während ein maschinell-gelerntes Tool entweder versagt oder dies nur mit absurd hohem Aufwand schafft. Obwohl wissensbasierte Systeme wie unsere zuverlässige und erklärbare Sprachanalyse liefern, sind sie in Ungnade gefallen, weil der manuelle Aufwand des Knowledge Engineering in der Forschung und Entwicklung als Flaschenhals empfunden wurde. Und die Suche nach anderen Möglichkeiten im Umgang mit der Sprachverarbeitung führte zum rein datenbasierten Paradigma. Heutzutage, unterstützt durch die immense Geschwindigkeit und Speicherkapazität von Computern, verlassen sich die meisten auf die Anwendung generischer ML-Algorithmen auf immer grössere Datensätze für sehr begrenzte Aufgaben. Seit diesem Paradigmenwechsel haben viele Entwickler*innen und Kund*innen viel Zeit und Geld in diese Systeme investiert. Da sie finanziell so stark eingebunden sind, sind sie oft schlicht nicht bereit zuzugeben, dass dieser Ansatz nicht die gewünschten Ergebnisse liefern kann, obwohl die Beweislage zunehmend ungünstig wird.

Doch der hybride, wissensbasierte Ansatz, bei dem ML-basierte Elemente mit von Menschen erstellten semantischen Wissensdarstellungen kombiniert werden, kann die Leistung von Systemen, die auf Sprachverständnis angewiesen sind, erheblich verbessern. In unserem Fall kann unsere Technologie mit diesem Ansatz die Fallstricke rein datenbasierter Systeme vermeiden, die auf unkontrollierten KI-Prozessen, simplem Schlüsselwortabgleich und sinnlosen Extraktionen von an sich kontextarmen und schnell veralteten Taxonomien basieren. Stattdessen können unsere Matching- und Analyselösungen auf die Smart Data zurückgreifen, die von unserer Ontologie erzeugt werden. Diese kontextbasierte, ständig aktualisierte Wissensdarstellung kann auf vielfältige Weise für intelligente Klassifizierungs-, Such-, Matching- und Parsing-Prozesse sowie zahllose weitere Prozesse im Bereich berufsbezogener Daten genutzt werden. Gerade im Bereich der HR-Analytik erzielen unsere Lösungen überdurchschnittliche Ergebnisse, die weit über der Leistungsfähigkeit vergleichbarer Angebote liegen. Dank der gelieferten Insights sind Arbeitgebende in der Lage, fundierte Entscheidungen im Talentmanagement und in der strategischen Personalplanung zu treffen – auf der Grundlage intelligenter, zuverlässiger Daten.

Tun Sie das Richtige und tun Sie es richtig

Nicht zuletzt gibt es noch die ethischen Bedenken bei der Anwendung von KI auf Textdaten. Es gibt zahlreiche Beispiele, die zeigen, was passiert, wenn der Einsatz von ML-Systemen schiefgeht. So löste 2016 der Chatbot eines Softwareherstellers eine öffentliche Kontroverse aus, weil er nach einem ungewollten, kurzen Training durch Internet-Trolle beinahe sofort begann, sexistische und rassistische Beleidigungen von sich gab, anstatt wie geplant die NLP-Technologie des Unternehmens auf unterhaltsame und interaktive Weise zu demonstrieren. Die Herausforderung, eine KI zu entwickeln, welche die moralischen Werte der Menschheit teilt und zuverlässig danach handelt, ist eine äusserst komplexe (und möglicherweise unlösbare) Aufgabe. Angesichts des Trends, ML-Systeme immer häufiger mit realen Verantwortlichkeiten zu betrauen, ist dies jedoch eine dringende und ernstzunehmende Angelegenheit. Gerade in Bereichen wie Justizvollzug, Kreditwesen oder eben HR ist ein inadäquater Einsatz von KI und ML besonders heikel. Das Talent- und Arbeitsmarktmanagement beispielsweise wirkt sich direkt auf das Leben von Menschen aus. Daher muss jede Entscheidung im Detail begründet werden können; fehlerhafte, voreingenommene oder jegliche Blackbox-Automatisierung mit direktem Einfluss auf wichtige Entscheidungen in diesen Bereichen muss ausgemerzt werden. Diesen Standpunkt vertritt auch die Europäische Kommission in ihrem Whitepaper zu KI und den damit verbundenen zukünftigen Regulierungen, insbesondere im HR-Bereich. Tatsächlich würden fast alle hochgelobten KI-Systeme für Recruiting und Talentmanagement, die aktuell auf dem Markt sind – und vor allem aus den USA stammen – unter diesen geplanten Vorschriften hochkant durchfallen. Der Ansatz von JANZZ.technology ist derzeit der Einzige, der mit diesen regulatorischen Anpassungen kompatibel sein wird. Und dies hat sehr viel mit unserer Wissensdarstellung zu tun, die es uns ermöglicht, nicht nur eine KI-Technologie zu entwickeln, die dem Verstehen von Sprache sehr nahekommt, sondern eine tatsächlich erklärbare KI. Der Weg in die Zukunft besteht also letztlich in der Erkenntnis – in den Worten der NLU-Forscherin McShane: Es gibt keinen Flaschenhals, sondern einfach nur Arbeit, die getan werden muss.

Hier bei JANZZ.technology haben wir diese Arbeit für Sie bereits erledigt, dank Expert*innen mit diversem Hintergrund in Bezug auf Sprache, Erfahrung, Bildung, und Kultur. Ihr gebündeltes Wissen fliesst in unsere Ontologie JANZZon! ein und wird sowohl für Maschinen als auch für Menschen lesbar und verarbeitbar gemacht. Gemeinsam haben unsere Kurator*innen die bestmögliche und umfassendste Darstellung der stetig wachsenden Heterogenität des berufsbezogenen Wissens im Bereich von HR und Arbeitsmarktverwaltung. Dies ermöglicht mehrsprachige, modulare und vorurteilsfreie Lösungen für alle HR-Prozesse – und bringt Sie einen Schritt näher an wirklich intelligente HR- und Arbeitsmarktmanagement-Lösungen. Wenn Sie mehr über unsere Expertise und unsere Produkte erfahren oder von einer auf Ihre individuelle Situation zugeschnittenen Beratung profitieren möchten, kontaktieren Sie uns unter info@janzz.technology oder via Kontaktformular, besuchen Sie unsere Produktseite für öffentliche Arbeitsverwaltungen und folgen Sie unserer neuen Podcast-Serie.

[1] Toews, Rob. 2021. What Artificial Intelligence Still Can’t Do. URL: https://www.forbes.com/sites/robtoews/2021/06/01/what-artificial-intelligence-still-cant-do/amp/
[2] GPT-3 (Guardian). 2020. A robot wrote this entire article. Are you scared yet, human? URL: https://www.theguardian.com/commentisfree/2020/sep/08/robot-wrote-this-article-gpt-3

«Dr. Cab Driver»: Hohe Über- und Unterqualifikationsraten, trotz ‘Fortschritt’ in der Bildung

2021-10-20/in Knowledge Base /von JANZZ.technology

Wer kennt diese Situation? Auf der Uber-Fahrt zum Flughafen lässt man sich in ein Gespräch mit dem Fahrer verstricken und bevor man es richtig weiss, ist man mitten in einer Diskussion über die Möglichkeiten von Gentech-veränderten Bakterien für die Herstellung von Krebsmedikamenten. Es stellt sich schnell heraus: Hier sitzt eine äusserst gebildete Person auf dem Fahrersitz, welche ihre Ausbildung momentan doch eher begrenzt einsetzen kann. In Bezug auf dieses Thema zeigt ein neuer Bericht der Internationalen Arbeitsorganisation ILO nun, » Lesen Sie mehr über: «Dr. Cab Driver»: Hohe Über- und Unterqualifikationsraten, trotz ‘Fortschritt’ in der Bildung »

Follow-Up zu Equal Pay, oder; Das Monster in unserem Schrank das wir alle ignorieren

2021-09-23/in Knowledge Base, News /von JANZZ.technology

Dies ist ein Follow-Up zu unserem letzten Artikel über das Gender-Pay-Gap (GPG), in welchem wir besprochen haben, weshalb der Fokus auf ein geschlechtliches Lohngefälle nicht ausreichend ist und eine Verlagerung des Schwerpunkts auf das Konzept der Leistung begrüssenswert wäre. Als eine Art Weiterführung widmen wir uns hier dem Thema Fast Fashion und betrachten dieses allgegenwärtige ‘Monster’ in unserer aller Schränke ebenfalls unter dem Blickwinkel von Equal Pay.

Fehlende Initiative trotz bekannter Probleme

Wir alle wissen es oder müssten es wissen, würden wir nur kurz nachrechnen: In der Modeindustrie, so wie sie heute existiert, gibt es vielerlei Missstände. Wie sonst wäre es möglich, dass wir bei Zara ein Mehrfachpack T-Shirts für unter 30 Schweizer Franken kaufen können? Wenn man solche Preise auf die Kosten entlang der Lieferkette herunterbricht, also auf die (immer knapper werdenden) Ressourcen, den Herstellungsprozess, das Verpacken, Transport und Einfuhrzölle, sowie das Marketing, wird eines augenscheinlich. Nämlich, dass nebst der immensen Umweltbelastung riesige Abstriche bei der Entlöhnung der Hersteller, also Arbeiter*innen wie den Baumwollbauern und Kleiderfabrikangestellten gemacht werden müssen. Und in der Tat: Zahlreiche Studien dokumentieren, wie die in Niedriglohnländer ausgelagerte Arbeit Kosten verursacht, die nicht vom Preisschild dieser Kleidungsstücke ablesbar sind. Auch wenn die Daten und Schätzungen dazu immer noch relativ unübersichtlich sind, zeigen diese Investigationen einerseits eine grosse Belastung der Umwelt auf, etwa durch einen hohen Wasserverbrauch, das Vernichten überflüssiger Bestände oder das häufige Wegwerfen von Endprodukten durch Konsument*innen [1], [2]. Allein der CO2-Ausstoss der Fashion Industry wird jährlich weltweit auf 10 Prozent der totalen Kohlenstoffemissionen geschätzt, was unter Umständen mehr als jener der kommerziellen Luftfahrt ist [3]. Andererseits wird belegt, dass speziell bei ausgelagerten Herstellungsprozessen oft prekäre Konditionen vorherrschen, unter anderem aufgrund zum Leben unzureichender und verspäteter Lohnzahlungen oder unsicherer Arbeitsbedingungen, die zu einstürzenden Fabriken wie 2013 dem Rana Plaza in Bangladesch führen [4].

Sowohl mit Blick auf die Umweltbelastung als auch hinsichtlich der ausbeuterischen und gefährlichen Arbeitsbedingungen kann ein Bezug zur Diskussion um Equal Pay gemacht werden. Ein offensichtlicher Punkt ist, dass die Produktion von Mode im Sinne von ‘Fast Fashion’ ohne die unterbezahlte Arbeit von Fabrikarbeiter*innen unmöglich wäre, deren Leistung also ‘essentiell’ für das Funktionieren des dominanten Kleiderherstellungssystems ist und dennoch nicht angemessen entlöhnt wird. Der zweite Punkt betrifft den Umstand, dass wir – ähnlich wie bei den Pflegelöhnen – alle zumindest im Ansatz um diese Missstände und Probleme wissen, aber wenig bis gar nicht bereit sind, etwas dagegen zu unternehmen. Und zwar weder als Konzerne, als (welt)politische Akteure, noch als Individuen – zumindest nicht auf umfassende und dauerhafte Art und Weise. Zwar haben viele der grossen Modeunternehmen inzwischen irgendeine Form von ‘Conscious Fashion’ in ihren Katalog aufgenommen, jedoch werden diese Bemühungen bereits auch als unaufrichtige Marketing-Moves, sogenanntes ‘Greenwashing’ entlarvt. Während darüber debattiert wird, ob Werbung für Billigfleisch aus Nachhaltigkeitsgründen verboten werden sollte, schafft es bis heute kein Staat, eine obligatorische ‘Fashion-Tax’ auf den Kauf von Kleidung einzuführen, um mit der Abgabe die Kaufwut der Konsument*innen zu drosseln. Auf der Ebene des Individuums sind es insbesondere auch Zugehörige der als eher klimafreundlicheren und sozialbewussteren wahrgenommenen Jugend, die die Verkaufszahlen von Superbilligmode, sogenannter «Ultra Fast Fashion» wie jene des chinesischen Online-Händlers SHEIN ankurbeln [5]. Eine Studie der Universität Aarhus aus dem letzten Jahr bezeichnet die Situation treffend als «Fast Fashion Paradox»: Gemäss Umfragen stimmen die oftmals jungen Endkonsumenten zwar zu, dass Mode weniger ausbeuterisch werden sollte. Gleichzeitig nehmen sie sich aber selbst als komplett dem System ausgeliefert wahr und schieben die gesamte Verantwortung für nachhaltigeren und faireren Modekonsum den Herstellern zu [6]. Interessanterweise spiegelte eine Nachbefragung des Tagesanzeigers nach der Versenkung des CO2-Gesetezes ähnliche Grundgedanken bei jungen Vielfliegern, die das Flugzeug zu Ferienzwecken nutzt, wider [7].

‘Distance makes the heart grow colder’

Selbstverständlich kann man nur mutmassen, aber ein miterklärender Faktor für dieses Fast Fashion Paradox scheint auch die geografische Distanz zu sein, die zwischen hiesigen Konsument*innen und Menschen in den am direktesten von der Modeindustrie betroffenen Gegenden liegt. Sowohl die ökologischen als auch die sozioökonomischen Auswirkungen belasten den Globalen Süden (noch) um ein Vielfaches stärker als die Industrieländer, sei es in Form von Giga-Müllhalden, deren Zersetzungsprozess Treibhausgase und giftige Chemikalien an Luft, Boden und Grundwasser abgeben oder eben von starker Unterbezahlung für in gefährlichen Verhältnissen geleistete Arbeit. Gleichzeitig sind wir im Globalen Norden aufgrund unseres Konsums aber überproportional verantwortlich für solche Auswirkungen. Was können wir aus unserer Perspektive heraus konkret tun, um etwas am Status Quo zu verbessern? Einige Vorschläge dazu existieren bereits, darunter das eigene Herunterschrauben des Fashionkonsums, das Kaufen von Secondhandkleidung oder die Rückkehr zu mehr Flickarbeit an beschädigten Stücken. Kurz gefasst, das möglichst strikte Befolgen der ‘5 Rs der Nachhaltigkeit’, angewandt auf den Bereich Fashion: Reduce (‘reduzieren’), Rewear (‘wiedertragen’), Repair (‘reparieren’), Resell (‘wiederverkaufen’) und Recycle (‘wiederverwenden’).

Nur eben: Zwar können diese Massnahmen langfristig die Nachfrage nach ‘Wegwerfmode’ senken und somit zumindest umwelttechnisch etwas bewirken. Doch allein (und sofortig) nützen sie Millionen von Fabrikarbeiter*innen in der Kleiderindustrie, die für ihre Arbeitsleistung bereits heute krass unterbezahlt werden, nicht. Dass sich bei der Herstellung von Fast Fashion in Bezug auf die Entlöhnung spezifisch Frauen in besonders benachteiligten Positionen befinden und unter tatsächlicher Gender-Diskriminierung leiden, wird immer wieder betont [8]. Darüber hinaus wird die Frage nach Equal Pay aber ebenfalls um den genannten Faktor der nationalen Grenzen und Distanzen, sowie teils das Vorherrschen rigoroser Gesellschaftshierarchien, die auf verschiedensten Parametern wie Religion, Ethnie oder Herkunft beruhen, in den Herstellungsländern verkompliziert. Eine einfache Lösung dieser (auch globalen) Probleme existiert nicht, schon gar nicht, wenn man sich die bereits erwähnten Einstellungen der Endkonsument*innen vor Augen führt. Nüchtern betrachtet sieht es vielmehr danach aus, als ob eine Mehrheit von uns die monströsen Auswirkungen von Fast Fashion bewusst in Kauf nimmt oder sie durch das Erwarten von immer noch tieferen Discounter-Preisen indirekt gar willentlich fördert. So gesehen schafft unsere physische Entfernung zu von Fast-Fashion-Folgen stärker betroffenen Ländern im besten Falle Apathie und im schlechtesten Falle Nichtanerkennung und Skrupellosigkeit.

Die Moral der (wahren und fortwährenden) Geschichte

Was das Beispiel von Fast Fashion aufzeigt, ist, dass wir uns als Endkonsument*innen alle unserer Doppelmoral bezüglich Lohngerechtigkeit innerhalb und fernab der eigenen Landesgrenzen bewusster sein könnten. Equal Pay erscheint bei einer strukturellen und internationalen Betrachtung schnell ‘nur’ noch als ein Aspekt von dem, was wir gemeinhin als soziale Gerechtigkeit bezeichnen. Es relativiert dabei die Sichtweise auf hiesige Diskussionen um Dinge wie das GPG, weil es (de facto) dringlichere und weitläufigere Probleme wie die hohe Umweltbelastung und Lohndumping in den Vordergrund drängt, die eigentlich prioritär angepackt werden müssten. Als kleine Klammer sei hier angemerkt, dass Fast Fashion tatsächlich lediglich ein Beispiel für diese Argumente ist; der Artikel hätte ebenso über die Elektronikbranche geschrieben werden können. Für beide Themen gilt nämlich: Das Verhalten vieler würde sich schnell ändern und positive Veränderungen herbeiführen, wenn wir mehr Verantwortung für unser Mitverschulden übernehmen müssten, gerade weil wir alle darin involviert sind.

Bietet die derzeitige Modebranche bei all ihren Nachteilen dennoch auch Potenzial für Positives? Klar. Aus Sicht der Arbeitsmärkte wäre ein Umkrempeln in Richtung gerechtere und sicherere Arbeitsbedingungen in der Kleiderindustrie, beispielsweise mittels vermehrter Förderung von Female Entrepreneurship in jetzigen Niedriglohnländern, durchaus möglich und wünschenswert [8]. Natürlich kann dies nicht von heute auf morgen geschehen. Die Frage scheint dabei aber vielmehr, ob es überhaupt jemals eine Bereitschaft aller involvierten Akteure geben wird, solch einen Wandel herbeizuführen und ob wir uns als globale Gesellschaft dauerhaft von diesem Monster in unserem Kleiderschrank verabschieden wollen.

Bei JANZZ liegt uns viel daran, dass unabhängig vom Standort die besten Jobkandidat*innen mit der besten Leistung in allen Einzelkriterien den besten Match erhalten und angemessen für ihre Arbeit entschädigt werden. Dies ist einer der vielen Gründe, warum wir ein vertrauensvoller Partner für eine stetig wachsende Zahl von Öffentlichen Arbeitsvermittlungen (PES) in verschiedenen Ländern weltweit sind. Wir entwickeln evidenzbasierte Lösungen und setzen diese bereits seit 2010 erfolgreich ein. Unsere Job- und Skill-Matching-Lösungen sind fair und diskriminierungsfrei und liefern komplett unvoreingenommene Ergebnisse gemäss den OECD-Grundsätzen zu KI.

Möchten Sie einen Schritt hin zu global gerechteren Arbeitsmärkten und Equal Pay für alle Menschen beitragen? Dann kontaktieren Sie uns unter info@janzz.technology oder besuchen Sie unsere Produktseite für PES.

[1] Niederberger, Walter. 2021. Je billiger die Kleider, desto höher die Kosten. URL: https://www.tagesanzeiger.ch/je-billiger-die-kleider-desto-hoeher-die-kosten-887753681235

[2] Wicker, Alden. 2020. Fashion has a misinformation problem. That’s bad for the environment. URL: https://www.vox.com/the-goods/2020/1/27/21080107/fashion-environment-facts-statistics-impact

[3] World Bank. 2019. How Much Do Our Wardrobes Cost to the Environment? URL: https://www.worldbank.org/en/news/feature/2019/09/23/costo-moda-medio-ambiente

[4] Nguyen, Terry. 2020. Fast fashion, explained. URL: https://www.vox.com/the-goods/2020/2/3/21080364/fast-fashion-h-and-m-zara

[5] Weber, Bettina. 2021. Die Jungen sind verrückt nach Ultra Fast Fashion. URL: https://www.tagesanzeiger.ch/generation-greta-ist-verrueckt-nach-ultra-fast-fashion-743901174085

[6] Rønholt, Nikolas und Malthe Overgaard. 2020. An Exploratory Study: The Fast Fashion Paradox. URL: https://www.researchgate.net/publication/341756158_An_Exploratory_Study_The_Fast_Fashion_Paradox

[7] De Carli, Luca und Lisa Aeschlimann. 2021. “Ich gehöre wohl zur Generation Easyjet». URL: https://www.tagesanzeiger.ch/ich-gehoere-wohl-zur-generation-easyjet-325086221442

[8] Iglesias, Teresia, Ellen Haverhals und Tatiana De Wée. 2021. The fashion industry needs to break with its gender and women’s rights problems. URL: https://www.fashionrevolution.org/the-fashion-industry-needs-to-break-with-its-gender-and-womens-rights-problems/

Equal Pay ‒ Oder wie wir endlich wieder aus der Gender-Pay-Trap herausfinden könnten…

2021-08-20/in Knowledge Base /von JANZZ.technology

Für die einen betitelt der Equal Pay Day die jährliche ‘Gratisarbeit der Frauen’, für andere kennzeichnet er eine ‘genderideologisch motivierte Lüge’ ‒ die Wahrheit sieht nochmals komplizierter aus. Dieser Artikel beleuchtet die Unbrauchbarkeit vieler Statistiken rund um Equal Pay und erklärt, weshalb beim Thema Lohngerechtigkeit der Fokus aufs Geschlecht zu kurz greift. Vielmehr täten wir in Bezug auf Entlöhnung gut daran, mehr Wert auf die tatsächliche individuelle Leistung zu legen.
Ist ein solcher Fokus aufs Geschlecht gerechtfertigt? » Lesen Sie mehr über: Equal Pay ‒ Oder wie wir endlich wieder aus der Gender-Pay-Trap herausfinden könnten… »

Wie steht es um die Zukunft des Schweizer Arbeitsmarkts nach COVID-19?

2021-07-22/in Knowledge Base /von JANZZ.technology

Die COVID-Krise hat die Schweizer Arbeitslandschaft im vergangenen Jahr auf vielschichtige Art und Weise geprägt. Kurzarbeit, Entlassungen, Arbeitslosigkeit, Jobknappheit nach der Ausbildung und die Angst vor dem Konkurs – all diese Themen beherrschten den Dialog tagein, tagaus. Was verraten uns aber aktuelle Publikationen über die nahe Zukunft des hiesigen Arbeitsmarktes?
Anfangs des vergangenen Jahres erlitt das Schweizer Arbeitsangebot einen wortwörtlichen Einbruch, gefolgt von sich abwechselnden Erholungs- und Rückgangsepisoden im Laufe von 2020. Eine Analyse aller im ersten Quartal 2021 publizierten Stellen auf den beliebtesten Jobportalen der Deutschschweiz beziehungsweise Westschweiz belegt nun allerdings, » Lesen Sie mehr über: Wie steht es um die Zukunft des Schweizer Arbeitsmarkts nach COVID-19? »

Zur Analyse von Skills-Daten. Können Sie den Gorilla sehen?

2021-05-20/in Knowledge Base, News /von JANZZ.technology

Dies ist der vierte und letzte Teil einer Serie von Beiträgen über Skills. Falls Sie es noch nicht getan haben, empfehlen wir Ihnen, zuerst die anderen Beiträge zu lesen: Lassen wir mal den Bullshit weg und Sorry Leute, aber «Microsoft Office» ist KEINE Kompetenz sowie Der vergiftete Apfel der «einfachen» Skills-Daten – sind Sie bereit, auf diesen süssen Geschmack zu verzichten?
Im dritten Beitrag dieser Serie haben wir die Herausforderungen und Chancen von Daten aus Online-Stellenanzeigen (OJA) diskutiert. » Lesen Sie mehr über: Zur Analyse von Skills-Daten. Können Sie den Gorilla sehen? »

Der vergiftete Apfel der «einfachen» Skills-Daten – sind Sie bereit, auf diesen süssen Geschmack zu verzichten?

2021-05-11/in Knowledge Base, News /von JANZZ.technology

Dies ist der dritte Teil einer Serie von Beiträgen über Skills. Wenn Sie es noch nicht getan haben, lesen Sie zuerst die anderen Beiträge:
Lassen wir mal den Bullshit weg und Sorry Leute, aber «Microsoft Office» ist KEINE Kompetenz.

Im zweiten Beitrag dieser Serie haben wir über Skills und die Probleme bei deren Definition und Spezifizierung gesprochen. Angenommen, wir können uns auf ein gemeinsames Verständnis dieser wertvollen neuen Währung einigen, dann besteht der nächste Schritt darin einen Weg zu finden, aussagekräftige Skills- und Job-Daten zu erzeugen.

Wackelige Daten – wackelige Ergebnisse

Big Data von Online-Jobplattformen oder professionellen Networking-Sites können eine Fülle von Informationen mit einer viel höheren Granularität liefern als die üblichen Daten, die von nationalen Statistikämtern in Umfragen erhoben werden – insbesondere in Bezug auf Skills. Ein Grund dafür ist, dass Arbeitgebende im Gegensatz zu gedruckten Anzeigen für Online-Stellenausschreibungen nicht nach Platz bezahlen müssen und daher detailliertere Informationen über die von ihnen benötigten Kenntnisse und Fähigkeiten bereitstellen können. Diese Online-Daten ermöglichen auch die Überwachung einer viel grösseren Stichprobe in Echtzeit, was für Analysten und politische Entscheidungsträger sehr wertvoll sein kann, um ein zeitnahes und detaillierteres Verständnis der Bedingungen und Trends auf dem Arbeitsmarkt zu entwickeln.

Wenn wir jedoch mit Daten arbeiten, die online verfügbar sind, wie z. B. Online-Stellenanzeigen (OJA – online job advertisements) oder professionelle Profile (z. B. LinkedIn-Profile), müssen wir uns darüber im Klaren sein, dass diese Daten weder vollständig noch repräsentativ sind und daher müssen alle Ergebnisse immer mit Vorsicht interpretiert werden. Nicht nur wegen der offensichtlichen Tatsache, dass die Ergebnisse verzerrt sein werden, sondern vor allem wegen der Auswirkungen. Die Förderung bestimmter Skills auf Basis verzerrter Daten kann dem Arbeitsmarkt schaden: Wenn sich Arbeitnehmer auf den Erwerb dieser Skills konzentrieren – die naturgemäss aus Daten abgeleitet werden, die auf hochqualifizierte Fachkräfte ausgerichtet sind, z. B. in der IT-Branche und anderen Bereichen, die eine höhere Bildung erfordern –, ist es weniger wahrscheinlich, dass sie sich für Karrierewege entscheiden, die andere Skills beinhalten, die tatsächlich stark nachgefragt werden, z. B. im Handwerk, im Bauwesen, im Gesundheitswesen, in der Produktion usw. Und dies, obwohl die Digitalisierung in erster Linie besser ausgebildete Arbeitnehmer mit hohen Löhnen in den Industrieländern treffen wird, schlicht deshalb, weil es viel einfacher ist, zumindest einen Teil der Aufgaben in diesen Berufen zu digitalisieren oder zu automatisieren als in vielen Arbeiter- und Lehrberufen wie z. B. in der Schreinerei, der Pflege usw. Das Letzte, was man in der Arbeitsmarktpolitik will, ist, die ohnehin schon kritische Skill-Lücke in diesem Bereich zu verschärfen. Oder einen noch engeren Arbeitsmarkt für bestimmte Berufe, z. B. IT-Fachkräfte, zu schaffen.[1] Ebenso benötigen Bildungsanbieter, die ihre Lehrpläne an der Marktnachfrage ausrichten wollen, verlässliche Daten, um Skill-Lücken nicht zu verstärken, anstatt sie zu verringern. Und dennoch verlässt sich eine wachsende Zahl von öffentlichen Arbeitsverwaltungen auf diese oft wackeligen Daten für die Entscheidungsfindung und die Gestaltung der aktiven Arbeitsmarktpolitik.

So gibt es zum Beispiel mehrere Projekte, die darauf abzielen, alle verfügbaren OJA aus allen möglichen Quellen in einem bestimmten Arbeitsmarkt zu sammeln und zu analysieren und diese aggregierten Daten zu nutzen, um Empfehlungen zu geben, einschliesslich Prognosen zur zukünftigen Beschäftigungsfähigkeit und zum Skills-Bedarf. Aber die Skills werden typischerweise ohne jeden semantischen Kontext verarbeitet und präsentiert, was extrem irreführend sein kann.

Herausforderungen von OJA-Daten

Im Jahr 2018 veröffentlichte das ESSnet-Big-Data-Projekt des Europäischen Statistischen Systems einen Bericht über die Machbarkeit der Nutzung von OJA-Daten für die amtliche Statistik.[2] Ihre Schlussfolgerung lautete: «Die Qualitätsprobleme sind derart, dass es nicht klar ist, ob diese Daten in einer Weise integriert werden können, dass sie den von der amtlichen Statistik erwarteten Standards entsprechen.»

Werfen wir einen Blick auf einige der grundlegenden Herausforderungen von OJA-Daten.

Unvollständig und verzerrt: Nicht alle offenen Stellen werden online ausgeschrieben. Ein beträchtlicher Anteil der Stellen wird besetzt, ohne dass sie überhaupt ausgeschrieben werden (manche sagen etwa 20 %, andere behaupten bis zu 85 % der offenen Stellen). Von denen, die ausgeschrieben werden, werden nicht alle online veröffentlicht. CEDEFOP berichtete, dass 2017 der Anteil der online veröffentlichten Stellen in den EU-Ländern sehr unterschiedlich war und von fast 100 % in Estland, Finnland und Schweden bis hin zu unter 50 % in Dänemark, Griechenland und Rumänien reichte.[3] Darüber hinaus werden einige Arten von Stellen mit höherer Wahrscheinlichkeit online ausgeschrieben als andere. Und grosse Unternehmen oder solche, die verpflichtet sind, offene Stellen zu veröffentlichen, sind typischerweise statistisch überrepräsentiert, während kleine Unternehmen, die oft andere Kanäle wie Printmedien, Mundpropaganda oder Schilder in Schaufenstern bevorzugen, unterrepräsentiert sind. Ein weiterer relevanter Punkt ist, dass bestimmte Märkte so ausgetrocknet sind, dass es sich schlichtweg nicht lohnt, offene Stellen zu inserieren, und stattdessen spezialisierte Headhunter eingesetzt werden. Zusammengefasst bedeutet dies, dass die OJA-Daten nicht nur viele offene Stellen nicht erfassen, sondern auch nicht repräsentativ für den gesamten Arbeitsmarkt sind.[4]
Duplikate: In den meisten Ländern gibt es keine zentrale Quelle für OJA-Daten. In jedem Land gibt es zahlreiche Online-Stellenportale, von denen einige nur Originalanzeigen veröffentlichen, andere wiederum Anzeigen aus anderen Quellen, Hybridversionen, spezialisierte Seiten für bestimmte Branchen oder Karrierestufen usw. Um also eine angemessene Abdeckung zu gewährleisten, müssen die OJA-Daten im Allgemeinen aus mehreren Quellen bezogen werden. Dies führt unweigerlich zu vielen Duplikaten, die wirksam in den Griff bekommen werden müssen, um Arbeitsmarkttrends in der realen Welt zuverlässig messen zu können. So meldete das britische Nationale Statistikinstitut (NSI) in einem Projekt aus dem Jahr 2016 einen Duplikatanteil von 8–22 % je nach Portal und eine Gesamtduplizierungsrate von 10 %.[5] Im Rahmen des ESSnet-Big-Data-Projekts identifizierte das schwedische NSI 4–38 % Duplikate pro Portal und 10 % im zusammengeführten Datensatz.[6]
Uneinheitlicher Detaillierungsgrad: Bestimmte Stellenausschreibungen bieten deutlich mehr explizite Informationen zu den geforderten Skills als andere, etwa je nach Branche (z. B. Technik/IT) oder Land (z. B. aufgrund von Gesetzen oder kulturellen Gewohnheiten). Zudem werden implizite Informationen nur in geringem Umfang erfasst und sind trotz ihrer hohen Relevanz statistisch unterrepräsentiert. Ein Grund dafür ist, dass US-Datenanbieter oft nicht erkennen, wie einzigartig detailliert OJA in den USA sind, und daher davon ausgehen, dass dies überall der Fall ist und ihre Methoden auf diese Annahme stützen. Dies ist jedoch alles andere als korrekt. Zum Beispiel wird eine Stellenbeschreibung wie die folgende, die in den USA recht typisch ist, in europäischen Ländern oft auf «Durchführung aller Malerarbeiten in den Bereichen Instandhaltung, Umbau und Renovierung; Einhaltung von Sicherheits- und Qualitätsvorschriften; mindestens drei Jahre Erfahrung oder abgeschlossene Berufsausbildung» verkürzt. Darüber hinaus müssen in solchen Stellenanzeigen viele der geforderten Skills aus den aufgeführten Aufgaben oder Verantwortlichkeiten abgeleitet werden. Dies zeigt, wie wichtig es ist, implizite Informationen zu extrahieren.

Die Frage ist also, ob diese Probleme so gelöst werden können, dass dennoch aussagekräftige Daten erzeugt werden.

Die Antwort: mehr oder weniger. Beschränkungen der Repräsentativität können mit verschiedenen Ansätzen angegangen werden. Es gibt keine Einheitslösung, aber je nach verfügbaren Daten und spezifischem Arbeitsmarkt könnte eine statistische Gewichtung der Daten entsprechend der aus Arbeitskräfteerhebungen abgeleiteten Branchenstruktur vielversprechend sein, ebenso wie der Vergleich von Ergebnissen aus mehreren Datenquellen, um Robustheitsprüfungen durchzuführen, oder einfach die Fokussierung auf diejenigen Marktsegmente mit weniger problematischen Erfassungsbias.[7]

Probleme mit der Deduplikation können bis zu einem gewissen Grad technisch gelöst werden, und es gibt auf diesem Gebiet zahlreiche laufende Forschungsprojekte. Im Wesentlichen bestehen die meisten Methoden darin, gemeinsame Felder abzugleichen, Textinhalte zu vergleichen und dann eine Ähnlichkeitsmetrik zu berechnen, um die Wahrscheinlichkeit zu bestimmen, dass es sich bei zwei Stellenangeboten um Duplikate handelt. Einige Jobsuchaggregatoren versuchen auch, Duplikate selbst zu entfernen – mit unterschiedlichem Erfolg. Die Identifizierung von Duplikaten ist relativ einfach, wenn OJAs Backlinks zu einer Originalanzeige enthalten, da diese Links identisch sind. Andererseits stellen Stellenanzeigen, die auf mehreren Jobbörsen veröffentlicht wurden, eine grössere Herausforderung dar. Daher sollten idealerweise mehrere robuste Qualitätssicherungsprüfungen durchgeführt werden, z. B. eine manuelle Validierung über kleinere Datensätze.

Ernsthaft unterschätzt: die Herausforderung der Skills-Extraktion

Die dritte Herausforderung, der Detaillierungsgrad, scheint die am meisten unterschätzte zu sein. OJA aus den USA sind in der Regel viel detaillierter als anderswo. Viele Informationen werden explizit angegeben, die in OJA-Daten aus dem Vereinigten Königreich und anderen Ländern nur implizit vorhanden sind (z. B. durch Ausbildungsanforderungen oder Berufserfahrung abgedeckt) – oder überhaupt nicht angegeben werden. Aber selbst innerhalb der USA kann dies stark variieren.

Es ist klar, dass selbst wenn wir die Probleme bezüglich Repräsentativität und Duplikaten lösen können, die blosse Aufzeichnung der expliziten Daten immer noch zu höchst unzuverlässigen Nowcasts oder Prognosen führen wird. Stattdessen müssen sowohl die expliziten als auch die impliziten Daten extrahiert werden – zusammen mit ihrem Kontext. Um die Verzerrungen in den erfassten Daten zu reduzieren, müssen wir sie präzise und semantisch abbilden. Dies kann mit einer umfangreichen Wissensrepräsentation geschehen, die nicht nur Skills oder Jobs, sondern auch Ausbildungen, Arbeitserfahrungen, Zertifizierungen und mehr sowie erforderliche Niveaus und die komplexen Beziehungen zwischen den verschiedenen Entitäten umfasst. Auf diese Weise können wir mehr implizite Skills erfassen, die in den Vorgaben zu Ausbildung, Qualifikationen und Erfahrung verborgen sind. Darüber hinaus ist die höhere Granularität der OJA-Daten nur dann wirklich nützlich, wenn die extrahierten Skills bei der nachfolgenden Verarbeitung nicht zu sehr geclustert oder verallgemeinert werden, z. B. zu Begriffen wie «Projektmanagement», «digitale Fähigkeiten» oder «Gesundheitswesen» (siehe unseren vorherigen Beitrag), weil mit zu stark vereinfachten Klassifikationen oder Taxonomien gearbeitet wird, anstatt umfassende Ontologien mit einem hohen Detailgrad zu nutzen.

Und dann ist da natürlich noch die Frage, wie man die Daten analysiert. Darauf werden wir im nächsten Beitrag näher eingehen, aber für den Moment lässt sich so viel sagen: Selbst wenn wir in der Lage sind, das perfekte System für die Extraktion aller relevanten Daten aus OJAs (und Kandidatenprofilen, wenn man so will) einzurichten, stehen wir immer noch vor der Herausforderung, die Ergebnisse zu interpretieren – oder auch nur die richtigen Fragen zu stellen. Wenn es um Arbeitsmarktanalysen, Nowcasting und Prognosen, z. B. des Skills-Bedarfs, geht, verspricht die Kombination von OJA-Daten mit externen Daten, z. B. aus Umfragen der NSI, robustere Ergebnisse, da die OJA-Daten gegengeprüft und somit besser kalibriert, gewichtet und stratifiziert werden können. Relevante und zeitnahe externe Daten sind jedoch äusserst rar. Und wir stehen möglicherweise vor einem weiteren Problem. Es ist viel einfacher und billiger, Arbeitssuchende z. B. mit einem Online-SEO-Kurs umzuschulen oder weiterzubilden als mit einer beruflichen oder technischen Ausbildung im MIG/MAG-Schweissen. Vielleicht also, nur vielleicht, sind einige von uns gar nicht so sehr am wahren Skills-Bedarf interessiert…

[1] Laut der Umfrage der Manpower Group 2020 stehen IT-Positionen in den USA ganz oben auf der Liste der am schwersten zu besetzenden Stellen, aber nicht überall sonst. In einigen Ländern, darunter auch in entwickelten Ländern wie Grossbritannien und der Schweiz, stehen IT-Fachkräfte überhaupt nicht auf der Top-10-Liste.
[2] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/SGA2_WP1_Deliverable_2_2_main_report_with_annexes_final.pdf
[3] The feasibility of using big data in anticipating and matching skills needs, Section 1.1, ILO, 2020 https://www.ilo.org/wcmsp5/groups/public/—ed_emp/—emp_ent/documents/publication/wcms_759330.pdf
[4] Das ESSnet Big-Data-Projekt hat auch die Abdeckung der Daten untersucht; für die detaillierten Resultate siehe Anhänge C und G im Bericht von 2018..
[5] https://ec.europa.eu/eurostat/cros/content/WP1_Sprint_2016_07_28-29_Virtual_Notes_en
[6] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/WP1_Deliverable_1.3_Final_technical_report.pdf
[7] Siehe z. B. Kureková et al.: Using online vacancies and web surveys to analyse the labour market: a methodological inquiry, IZA Journal of Labor Economics, 2015 https://izajole.springeropen.com/track/pdf/10.1186/s40172-015-0034-4.pdf

«Arbeitslose Kandidat*innen werden keinesfalls berücksichtigt» – die Krux der Arbeitslosigkeit.

2021-05-06/in Breaking News, Knowledge Base /von JANZZ.technology

Damals, im Jahr 2008, als wir mit der Entwicklung unserer Lösungen begannen, lieferte die Arbeit von Diamond, Mortenson und Pissarides die wissenschaftliche Grundlage für unsere Job- und Skill-Matching-Technologie. Mit ihrer nobelpreisgekrönten Arbeitsmarkttheorie und dem DMP-Modell lieferten sie einen ersten kohärenten, vollständigen Rahmen, um Arbeitsmarktdynamiken auf strukturierte Weise zu betrachten. In ihrer Theorie werden Arbeitsmärkte als Märkte mit Suchfriktionen betrachtet: Arbeitskräfte suchen nach geeigneten Arbeitsplätzen und Unternehmen nach geeigneten Arbeitnehmenden, wobei beide erhebliche Zeit und Mühe investieren; Suchfriktionen sind der Prozess bzw. der Zeitfaktor des Matchings der beiden.

Das DMP-Modell selbst beschreibt die Suchaktivität der Arbeitslosen, das Einstellungsverhalten der Unternehmen und die Lohnbildung. Wenn Stellensuchende und Unternehmen zueinander finden, handeln sie Löhne aus basierend auf der Arbeitsmarktsituation: die Anzahl der Arbeitslosen und die Anzahl der offenen Stellen, sowie andere Faktoren wie z. B. wie lange es dauert, diese Stelle zu finden, die Arbeitslosenunterstützung der Stellensuchenden und welchen Wert diese dem Umstand beimessen, während der Suche nicht arbeiten zu müssen. Das Modell kann somit verwendet werden, um die Auswirkungen verschiedener Arbeitsmarktfaktoren auf die Arbeitslosigkeit, die durchschnittliche Dauer der Arbeitslosigkeit, die Anzahl der offenen Stellen und den Reallohn zu schätzen. Solche Faktoren können die Höhe der Arbeitslosenunterstützung sein, der reale Zinssatz, die Effizienz der Arbeitsämter, Einstellungs- und Entlassungskosten usw.

On-the-job-Suche und ihre Auswirkungen auf Arbeitsmarktdynamiken

Dieser theoretische Rahmen hat das Verständnis dafür, wie Mismatch-Probleme und eine fehlende Symmetrie zwischen verschiedenen Suchmechanismen und das daraus resultierende Ungleichgewicht zwischen Angebot und Nachfrage die Funktionsweise des Arbeitsmarktes beeinflussen, erheblich gefördert. Ein wesentlicher Aspekt des Arbeitsmarktes wird hier jedoch völlig ausser Acht gelassen, nämlich dass nicht alle Stellensuchenden arbeitslos sind. Der Grossteil der Literatur konzentriert sich seither dennoch ebenfalls auf Arbeitslose, nicht nur, weil das Standard-DMP-Rahmenwerk die On-the-job-Suche, also die Stellensuche durch Erwerbstätige, nicht einbezieht, sondern auch aufgrund der begrenzten Verfügbarkeit von Daten zur On-the-job-Suche. In jüngerer Zeit hat die Forschung jedoch begonnen, die On-the-job-Suche und Job-Leiter einzubeziehen. Die Idee einer Jobleiter ist, dass alle (potenziellen) Arbeitnehmenden sich darüber einig sind, welche Stellen im Sinne von Arbeits- und Lohnzufriedenheit wünschenswert sind und langsam die Jobleiter von «schlechten» oder unbefriedigenden Jobs zu «guten» Jobs durch Job-zu-Job-Übergänge erklimmen. Gelegentlich werfen negative Schocks sie von der Leiter und zurück in die Arbeitslosigkeit. Eine wachsende Zahl von Studien hat die Bedeutung der On-the-job-Suche und der damit verbundenen Jobleiter-Dynamik für die makroökonomischen Ergebnisse dokumentiert.[1] Einige argumentieren, dass der Arbeitsmarkt insofern segmentiert ist, als dass erwerbstätige und arbeitslose Stellensuchende wahrscheinlich nicht direkt miteinander um Stellen konkurrieren, weil sie unterschiedliche arbeitsrelevante Merkmale haben und sich auf unterschiedliche Stellen bewerben. Longhi und Taylor (2013) geben z. B. an, dass sich Arbeitslose nur auf «schlechte» Stellen und Erwerbstätige auf «gute» Stellen bewerben und daher nicht miteinander konkurrieren. Sie untersuchen jedoch nicht die Gründe für dieses Verhalten. Es könnte durchaus sein, dass die Ursache mit dem Suchverhalten der erwerbstätigen Arbeitskräfte oder damit verbundenen Dynamiken zusammenhängt. So stellen sie beispielsweise fest, dass ein grösserer Anteil der Arbeitslosen im Vergleich zu den Erwerbstätigen eine Teilzeitbeschäftigung «bevorzugt» und erklären, dass dies ihre Behauptung eines segmentierten Arbeitsmarktes stützt. Dabei ignorieren sie die Tatsache, dass es sich möglicherweise nicht um eine inhärente «Präferenz» handelt, sondern um eine höhere Flexibilität seitens der Arbeitslosen, die auf einer dringenderen Notwendigkeit beruht, überhaupt eine Beschäftigung zu finden. Obwohl sie sogar selbst anmerken, dass Teilzeitbeschäftigte eher weiterhin auf Stellensuche sind, und den Grund darin vermuten, dass Teilzeitstellen «in Bezug auf Arbeitsangebotspräferenzen unbefriedigend» sind. Ebenso stellen sie fest, dass die beiden Gruppen dazu neigen, unterschiedliche Suchmethoden zu verwenden, wobei Erwerbstätige sich mehr auf die Nutzung ihrer Netzwerke konzentrieren und Arbeitslose sich mehr auf Jobcenter und Arbeitsvermittlungen verlassen. Sie verwenden dies als weiteres Argument für ihre Schlussfolgerung, dass sich diese Gruppen nicht auf die gleichen Stellen bewerben, weil die über diese verschiedenen Kanäle verfügbaren Stellen unterschiedlich sind. Die Nutzung verschiedener Kanäle könnte aber eher damit zusammenhängen, dass mit zunehmender Dauer der Arbeitslosigkeit die persönlichen und beruflichen Netzwerke Stellensuchender schwinden und Arbeitslose stärker auf institutionelle Unterstützung angewiesen sind. Es bedeutet nicht unbedingt, dass sich Arbeitslose tatsächlich auf verschiedene Stellen bewerben wollen.

Tatsächlich kommt die Mehrheit der neueren Literatur zu dem Ergebnis, dass die On-the-job-Suche einen deutlichen Einfluss auf die makroökonomischen Ergebnisse und die Chancen arbeitsloser Stellensuchender auf dem Arbeitsmarkt hat. Moscarini und Postel-Vinay (2019) sowie Faccini und Melosi (2019) bringen die On-the-job-Suche mit der Inflation in Verbindung und argumentieren, dass bei einer Konzentration der Erwerbstätigkeit am unteren Ende der Jobleiter, typischerweise nach einer Rezession, erwerbstätige Arbeitskräfte nach einem besseren Job suchen. Wenn Arbeitnehmende auf der Jobleiter aufsteigen, wird der Arbeitsmarkt enger und erzeugt durch Lohnverhandlungen Inflationsdruck. Eeckhout und Lindenlaub (2019) stellen eine elegante Theorie auf, nach der das Suchverhalten erwerbstätiger Arbeitskräfte durch eine strategische Ergänzung zwischen On-the-job-Suche und Stellenausschreibung starke Arbeitsmarktschwankungen selbst bei Abwesenheit anderer Schocks erzeugt. Nach dieser Theorie kann der Arbeitsmarkt selbst Zyklen erzeugen, im Gegensatz zur langjährigen Annahme (basierend auf dem DMP-Modell), dass solche Zyklen nur durch exogene Schocks erzeugt werden können. Die Autoren stellen fest, dass aktive On-the-job-Suche die Qualität des Bewerbendenpools verbessert, was die Stellenausschreibung durch Unternehmen fördert, was wiederum die On-the-job-Suche attraktiver macht. Dies entspricht einem Wirtschaftsboom mit wenig Mismatch, reichlich Arbeitsplatzschaffung und niedriger Arbeitslosigkeit. Während einer Rezession hingegen ist der Anteil der On-the-job-Suchenden im Bewerbendenpool viel geringer. Infolgedessen haben die Unternehmen weniger Anreize, offene Stellen auszuschreiben, was zu einer niedrigen Matching-Rate für Arbeitnehmende führt, welche die Kosten der On-the-job-Suche nicht kompensieren kann, was wiederum zu hohem Mismatch und hoher Arbeitslosigkeit führt. Die Autoren zeigen, dass ihre Theorie, insbesondere das Suchverhalten der Erwerbstätigen, viele wichtige Arbeitsmarktphänomene erklären kann, einschliesslich grosser Schwankungen in der Arbeitslosigkeit und der Tatsache, dass die Arbeitslosenquote viel länger braucht, um sich zu erholen als offene Stellen und Produktivität, z. B. nach einer Rezession.

Es mag kontraintuitiv erscheinen, dass das Verhalten der Erwerbstätigen die Arbeitslosigkeit erklären könnte. Aber diese haben typischerweise einen Anteil von mehr als 90 Prozent an der Erwerbsbevölkerung und bewerben sich auf demselben Arbeitsmarkt wie die Arbeitslosen auf offene Stellen. Daher hat jede geringfügige Änderung in ihrem Verhalten tiefgreifende Auswirkungen auf die Arbeitslosigkeit insgesamt. Auch wenn sie viel weniger intensiv suchen als Arbeitslose, wird im Durchschnitt fast die Hälfte der neuen Stellen von Erwerbstätigen besetzt. Besonders am Ende einer Rezession verdrängen die erwerbstätigen Suchenden die Arbeitslosen. Wenn die Schaffung von Arbeitsplätzen wieder anzieht, gehen die Stellen überproportional an On-the-job-Suchende und nicht an die Arbeitslosen. Die neue Aktivität führt also zunächst zu besseren Stellen für Erwerbstätige, aber nicht zu besseren Aussichten für Arbeitslose.

Basierend auf einer Umfrage, die sich auf das Stellensuchverhalten unabhängig vom Erwerbsstatus konzentriert, finden Faberman et al. (2020) in den folgenden drei Fakten Belege für die Theorie von Eeckhout und Lindenlaub: (1) On-the-job-Suche ist allgegenwärtig und auf den unteren Sprossen der Jobleiter intensiver; (2) Erwerbstätige sind bei der Jobsuche etwa viermal effizienter als Arbeitslose [2]; und (3) Erwerbstätige erhalten qualitativ hochwertigere Jobangebote als Arbeitslose.

Das Stigma der Arbeitslosigkeit

Was diese theoretischen Modelle und Studien nicht erwähnen, ist, warum Erwerbstätige bei der Stellensuche erfolgreicher sind und hochwertigere Jobangebote erhalten als Arbeitslose. Vieles davon könnte mit dem Stigma der Arbeitslosigkeit – insbesondere der Langzeitarbeitslosigkeit [3] – zu tun haben. Das Zitat im Titel dieses Artikels stammt aus einer Stellenausschreibung von Sony Ericsson, und dieses Unternehmen ist mit dieser Haltung in bester Gesellschaft. Verschiedene Studien (z. B. die hier und hier oder hier beschriebenen) haben im Laufe der Jahre immer wieder gezeigt, dass Personalverantwortliche gegenüber arbeitslosen Bewerbenden voreingenommen sind und oft davon ausgehen, dass Arbeitslose faul, weniger produktiv und weniger kompetent sind als erwerbstätige Kandidat*innen mit ansonsten gleichen Eigenschaften. Eine Studie aus dem Jahr 2019 ergab, dass Personalverantwortliche aufgrund der stereotypen Wahrnehmung arbeitsloser Bewerbenden sogar deren Charakter verurteilen: arbeitslose Jobkandidat*innen werden im Vergleich zu den erwerbstätigen als weniger warmherzig, weniger vertrauenswürdig, weniger gutmütig, weniger freundlich und weniger aufrichtig angesehen. Kein Wunder, dass sich Arbeitslose mit „schlechten Jobs“ begnügen müssen – wenn sie überhaupt eine Anstellung finden.

Und diese voreingenommene Perspektive findet sich nicht nur bei Personalverantwortlichen, sie scheint auch unter Forschern weit verbreitet zu sein. So ist der Kern der Theorie von Eeckhout und Lindenlaub die implizite Annahme, dass erwerbstätige Stellensuchende attraktiver und wertvoller seien als arbeitslose (aktive On-the-job-Suche verbessert die Qualität des Bewerberpools). Auch das DMP-Modell geht von einer stigmatisierten Sichtweise der Arbeitslosigkeit aus: Das Ergebnis, dass höhere Arbeitslosenunterstützung die Arbeitslosenquote erhöht, beruht auf der Annahme, dass ein höheres Einkommen durch Sozialleistungen die Motivation der Arbeitslosen zur Stellensuche und damit zum erfolgreichen Wiedereinstieg in den Arbeitsmarkt verringert. Zugespitzt formuliert geht das Modell davon aus, dass arbeitslose Arbeitskräfte Freizeit der Arbeit vorziehen (also faul sind) und schiebt ihnen die Schuld zu (ein motivierter Arbeitsloser könnte jederzeit einen Job finden).

Dies und die Tatsache, dass Studien zeigen, dass Langzeitarbeitslosigkeit auch zu langfristigen Schäden wie lebenslang niedrigeren Löhnen, vermehrten Gesundheitsproblemen, geringerer Lebensqualität und verminderter Lebenserwartung sowie einem erhöhten Selbstmordrisiko führt, zeigt deutlich, dass arbeitslose Stellensuchende geschützt werden sollten und dass die Anstrengungen verstärkt werden sollten, um weitere Arbeitslosigkeit zu verhindern und Langzeitarbeitslosigkeit einzudämmen. Ein kleiner, aber einfacher Schritt liegt bereits auf der Hand: die Förderung von Lösungen, die diese Vorurteile zumindest in den ersten Schritten des Auswahlprozesses von Kandidat*innen verhindern, indem Arbeitsvermittlungssysteme eingesetzt werden, die den Erwerbsstatus verschleiern. Viele der aktuellen Systeme und Plattformen, die von öffentlichen Arbeitsverwaltungen angeboten werden, bieten jedoch nur Zugang für arbeitslose Stellensuchende. Diese Systeme sind selten erfolgreich, oft werden sie von Unternehmen und potenziellen Arbeitgebenden kaum genutzt. Und das Stigma der Arbeitslosigkeit ist ein Hauptgrund für dieses Problem. Um langfristig tragfähig zu sein und arbeitslosen Stellensuchenden eine echte Chance auf eine Rückkehr ins Arbeitsleben zu bieten, muss eine gute PES-Plattform das gesamte Universum an Arbeitskräften und Experten aus allen Bereichen, Branchen und Kompetenzen umfassen.

Eine blosse Einführung der richtigen Software löst natürlich – entgegen der Behauptung einiger Softwareanbieter – weder das Problem der Diskriminierung von Arbeitslosen vollständig, noch kann sie die Arbeitslosigkeit allein verringern. Es handelt sich hierbei natürlich um ein komplexes Problem, das von vielen Faktoren abhängt und von verschiedenen Seiten angegangen werden muss. Dennoch können solche Lösungen als wirksamer Bestandteil einer gut durchdachten Arbeitsmarkt- und Anti-Diskriminierungspolitik dienen.

Wir bei JANZZ setzen nicht nur auf schnelle Marketing-Schlagzeilen, sondern entwickeln evidenzbasierte Lösungen und setzen diese bereits seit 2010 erfolgreich ein. Unsere Job- und Skill-Matching-Lösungen sind fair und diskriminierungsfrei und liefern völlig unvoreingenommene Ergebnisse gemäss den OECD-Grundsätzen zur KI. Das garantiert, dass jene*r Kandidat*in mit der besten Eignung in allen Einzelkriterien den besten Match erhält – unabhängig vom Erwerbsstatus oder anderen nicht relevanten Merkmalen wie Herkunft, Alter oder Geschlecht. Das ist einer der vielen Gründe, weshalb wir vertrauenswürdiger Partner einer stetig wachsenden Zahl von öffentlichen Arbeitsverwaltungen auf der ganzen Welt sind.

Wenn Sie diesen ersten Schritt machen wollen, um den Kreislauf zu durchbrechen und zu einem gerechteren Arbeitsmarkt für Arbeitslose beizutragen, kontaktieren Sie uns unter info@janzz.technology oder besuchen Sie unsere Produktseite für öffentliche Arbeitsverwaltungen.

[1] Christensen et al., (2005), Cahuc, Postel-Vinay, and Robin (2006), and Bagger and Lentz (2019), among others,
[2] Hätten sich die Autoren nur auf die Übergangsraten verlassen – ein in der Literatur üblicher Ansatz aufgrund fehlender Daten zum Aufwand der Arbeitssuche – hätten sie das gegenteilige Ergebnis von Fakt (2) gefunden, nämlich dass die Arbeitslosen etwa siebenmal effizienter sind.
[3] In den USA ist Langzeitarbeitslosigkeit definiert als (aktive) Arbeitslosigkeit von mehr als 6 Monaten, in der EU von mehr als 12 Monaten.

Sorry Leute, aber «Microsoft Office» ist KEINE Kompetenz.

2021-04-29/in Breaking News, Knowledge Base, News /von JANZZ.technology

Eine der prominentesten Schlagwörter rundum Beschäftigung, Beschäftigungsfähigkeit und Personal- oder Arbeitskräftemanagement ist Kompetenzen oder auf Neudeutsch: Skills. Es gibt eine Menge Lärm um dieses Konzept und seine verwandten Schlagworte wie Upskilling, Umschulung, Kompetenz-Matching, Qualifikationslücken, Antizipation des Kompetenzbedarfs und so weiter. Man findet unzählige Publikationen und Beiträge, die erklären, warum Kompetenzen so wichtig sind, wie man Angebot und Nachfrage von Kompetenzen analysiert, wie man aktive, kompetenzbasierte Arbeitsmarktpolitik entwickelt, wie Mitarbeiterkompetenzen verwaltet und entwickelt werden – ebenso wie die vielen Webseiten mit Listen der «gefragtesten Kompetenzen des Jahres». Wir stimmen sicherlich zu, dass Kompetenzen und Fähigkeiten immer wichtiger werden, oder wie es in einem der Gartner Hype Cycles 2020 heisst,

Skills sind […] die neue Währung für Talent. Sie sind ein grundlegendes Element für das Management der Belegschaft in jeder Branche. Eine verbesserte und automatisierte Erkennung und Bewertung von Skills ermöglicht eine deutlich höhere organisatorische Agilität. In unsichere Zeiten oder bei starkem Wettbewerb können sich jene Unternehmen mit besseren Skills-Daten schneller anpassen […]. Dies verbessert die Produktivität und vermeidet Kosten durch verbesserte Planungszyklen.[1]

Dies gilt nicht nur für Humankapital-Management in Unternehmen, sondern auch für Arbeitsmarktmanagement durch staatliche Institutionen. Wenn man bedenkt, wie global wichtig diese Konzepte sind, sollte es eine klare oder zumindest gemeinsame Vorstellung davon geben, was diese wertvolle Währung ist. In einem Grossteil der online geposteten kompetenzbezogenen Inhalte gibt es jedoch ein durchdringendes Muster von begrifflicher Mehrdeutigkeit, mangelnder Spezifizität und fehlender Prägnanz. Deshalb haben wir im letzten Beitrag, wo wir einige Beispiele für den Lärm rund um Jobs und Kompetenzen besprochen haben, zu einer faktenbasierten Diskussion aufgerufen. In diesem Beitrag wollen wir den Grundstein für eine solche Diskussion legen.

Grundlagen der Statistik

Zur Erinnerung aus dem letzten Beitrag: Wann immer man versucht zu verallgemeinern, läuft man Gefahr an Relevanz zu verlieren. Trotz der ganzen Globalisierung ist die Welt in Regionen aufgeteilt. Und jede Region hat ihre ganz eigene Wirtschaftslandschaft und ihren individuellen Skills-Bedarf. Einige Regionen sind starker auf bestimmte Branchen fokussiert als andere, und selbst wenn man Regionen mit ähnlichen Branchen vergleicht, können Skills-Bedarf und -Lücken erheblich variieren, wie in verschiedenen Studien und Berichten bereits gezeigt wurde (zum Beispiel hier und hier). Es wird also nie eine auf globaler Ebene aussagekräftige Liste von Top Skills geben. Problemlösungskompetenzen, Blockchain, App-Entwicklung und andere “Top Skills”, die auf verschiedenen Websites propagiert werden, sind schlicht nicht für alle Tätigkeiten auf der ganzen Welt relevant. Hinzu kommt, dass es extrem schwierig ist, aussagekräftige, repräsentative Daten aus Online-Profilen und Stellenausschreibungen zu erzeugen. In der Regel sind die online erhobenen Daten verzerrt, bestimmte Gruppen sind unterrepräsentiert, andere massiv überrepräsentiert. Zum Beispiel zeigen die meisten repräsentativen Erhebungen trotz des ganzen Lärms um die scheinbar so wichtigen, sich beschleunigenden «digitalen Kompetenzen», dass die Arbeitsmärkte in der EU und der USA ein im Allgemeinen niedriges bis moderates Niveau an digitalen Kompetenzen erfordern, wobei etwa 55 bis 60 Prozent der Jobs einfache Textverarbeitung oder Dateneingabe und E-Mail-Versand beinhalten. 10-15 Prozent benötigen keine IT-Kenntnisse. Und nur etwa 10-15 Prozent verlangen ein fortgeschrittenes IT-Niveau.[2] Dies allein zeigt, dass all diese Veröffentlichungen über die wichtigsten Kompetenzen der Zukunft usw. bestenfalls sehr irreführend sind.

Um fundierte Analysen durchzuführen und zu antizipieren, welche Skills in Zukunft benötigt werden oder vorherzusagen, wie sich diese Anforderungen verändern werden (welche Skills an Bedeutung gewinnen und welche obsolet werden), oder einfach um zielgerichtetes Skills-Matching durchzuführen, müssen wir zunächst in der Lage sein, die heutigen Skills richtig zu erkennen, verstehen, zuzuordnen und zu klassifizieren. Wir werden die Herausforderungen (und Stärken!) von online verfügbaren Skills- und Jobdaten im nächsten Beitrag ausführlicher diskutieren. Vorher müssen wir uns auf einen noch grundlegenderen, aber absolut entscheidenden Aspekt konzentrieren: Wir müssen klären, was wir mit Skills meinen. Oder mit Fähigkeiten und Kompetenzen.

Um ehrlich zu sein, es kursieren so viele verschiedene Definitionen, dass es ziemlich schwer ist, den Überblick zu behalten, und das ist einer der Hauptgründe, warum die meisten Ansätze und Big-Data-Auswertungen kläglich scheitern. Umso wichtiger ist es, dass wir uns auf ein gemeinsames Verständnis dieser neuen Währung einigen.

Was genau ist ein Skill?

O*NET definiert Skills (oder Kompetenzen) als entwickelte Fähigkeiten, die das Lernen, den schnelleren Erwerb von Wissen oder die Durchführung von Aktivitäten, die stellenübergreifend auftreten, erleichtern.[3] Skills werden von Fähigkeiten, Wissen und technologischen Fertigkeiten und Werkzeugen unterschieden und O*NET bezieht sich allgemein nur auf direkt stellenbezogene oder übertragbare Kompetenzen und Kenntnisse. ESCO hingegen definiert Skills als die Fähigkeit, Wissen anzuwenden und Know-how zu nutzen, um Aufgaben zu erledigen und Probleme zu lösen. Ausserdem kennt ESCO nur die Hauptkategorie Kompetenzen, welche – im Gegensatz zu O*NET – auch Einstellungen und Werte beinhaltet. In beiden Klassifizierungssystemen gibt es erhebliche Überschneidungen zwischen den verschiedenen (Unter-)Kategorien. Indeed hingegen fasst alle diese Konzepte einfach unter dem Begriff Skill zusammen:

Skill ist ein Begriff, der das Wissen, die Kompetenzen und die Fähigkeiten zur Durchführung von betrieblichen Aufgaben umfasst. Skills werden durch Lebens- und Arbeitserfahrungen entwickelt und können auch durch Studium erlernt werden.[4]

Es ist klar, dass diese Diskrepanzen in der Definition von Kompetenzen zu Diskrepanzen in der Datenerfassung und -analyse führen, was wiederum die Robustheit jeder Extrapolation auf der Grundlage dieser Daten beeinträchtigt. Aber nehmen wir der Einfachheit halber an, dass es eine universelle Definition gibt. Wir betrachten im Folgenden jegliche Fähigkeit oder Fertigkeit, die im Job nützlich ist, als eine Kompetenz, oder synonym: Skill.

Die Analyse von generischen Fähigkeiten ergibt generische Antworten

Es reicht bei weitem nicht aus, nur eine formale Definition eines Skills festzulegen. Abgesehen davon, dass diese immer noch viel Raum für Interpretation zulässt, gibt es auch auf der Ebene der individuellen Skills viele Unklarheiten. Eine Schwierigkeit ist die Granularität, die sich in den verschiedenen Sammlungen stark unterscheidet. So umfasst die ESCO-Taxonomie derzeit ca. 13’500 Skills-Konzepte, O*NET weniger als 9’000 (tatsächlich sind davon lediglich 121 keine Skills vom Typ «kann Werkzeug/Maschine/Software/Technologie XY bedienen») und unsere Ontologie JANZZon! über 1’000’000. Natürlich hängt der gewünschte Detaillierungsgrad vom jeweiligen Kontext ab. Aber für viele moderne Anwendungen der Skills-Analyse, wie z.B. kompetenzbasiertes Job-Matching, Berufsberatung usw., ist ein gewisser Detaillierungsgrad entscheidend, um sinnvolle Ergebnisse zu erzielen. Nehmen Sie die Liste der «Top-10-Skills für 2025», die vom Weltwirtschaftsforum veröffentlicht wurde [5]:

Analytisches Denken und Innovation
Aktives Lernen und Lernstrategien
Komplexe Problemlösung
Kritisches Denken und Analyse
Kreativität, Originalität und Initiative
Führungskompetenz und sozialer Einfluss
Einsatz, Überwachung und Steuerung von Technologie
Design und Programmierung von Technologie
Resilienz, Stresstoleranz und Flexibilität
Argumentation, Problemlösung und Ideenfindung

Je nach Kontext, z.B. Branche oder Tätigkeit, werden diese Skills sehr unterschiedlich verstanden. Sie sind daher zu allgemein oder unspezifisch, um beim Matching oder für aussagekräftige Statistiken von Nutzen zu sein. In der Tat sind sie für viele Berufe kaum relevant. Oder wie oft sehen Sie diese Skills in Stellenausschreibungen? Andere generische Skills, die oft in prognostischen Top-10-Listen und Empfehlungen vorkommen, sind ähnlich problematisch, zum Beispiel:

Digitale Kompetenzen: Was genau sind diese Kompetenzen? Gehört dazu die Bedienung digitaler Geräte wie Smartphones oder Computer oder der Umgang mit dem Internet? Erwarten wir, dass jemand mit diesen Fähigkeiten in der Lage ist, auf Social Media zu posten, oder wirklich weiss, wie man professionell mit Social Media Accounts umgeht? Ergibt es Sinn, Skills wie Kenntnisse über komplexe Building-Information-Modelling-Anwendungen in Immobilienentwurf und -planung unter digitalen Fähigkeiten zusammenzufassen?

Projektmanagement Skills: Auch dies ist fast völlig nutzlos, wenn es so aus dem Zusammenhang gerissen wird. Viele Arbeitnehmende verfügen auf irgendeiner Ebene über Projektmanagementkenntnisse, aber es ist äusserst schwierig, dieses Wissen über verschiedene Rollen oder Branchen hinweg zu vergleichen oder zu kategorisieren. Beispielsweise unterscheidet sich das individuelle Projektmanagement-Wissen erheblich zwischen Vorarbeiter*innen auf einer grossen Tunnelbaustelle, Projektmanager*innen kleiner IT-Anwendungen, Kampagnenmanager*innen im öffentlichen Sektor und Prozessingenieur*innen oder Eventmanager*innen. Es ist klar, dass Projektmanager nicht einfach in die Baubranche wechseln können, wenn die Veranstaltungsbranche zum Erliegen kommt. Es ist also unsinnig, all diese Variationen in einer einzigen “matchbaren” Kompetenz zusammenzufassen.

Mehrdimensional denken

Eine präzise Beschreibung eines Skills bedeutet nicht nur, den Skill und seinen Kontext klar zu identifizieren, das Niveau der Fähigkeiten ist ebenso relevant. Das Niveau der Englischkenntnisse, das von Hilfsarbeiter*innen auf einer Baustelle verlangt wird, ist sicherlich nicht dasselbe wie das von Übersetzer*innen. Eine robuste Definition von Niveaus zu entwerfen, birgt jedoch auch Herausforderungen: Was bedeutet «gutes» oder «sehr gutes» Wissen, und was zeichnet einen «Experten» in einem bestimmten Skill aus? Handelt es sich z. B. um theoretisch erworbenes Wissen oder um Wissen, das bereits in einem realen beruflichen Umfeld angewendet wurde? Im Gegensatz zu anderen Bereichen von Big Data sind Skalen und Validierungen – sofern vorhanden – nicht unbedingt verbindlich. So verzichten viele Anbieter dieser Art von Daten einfach komplett auf Niveaus. Damit geht eine grosse Menge an Informationen verloren, die nicht nur für Job-Matching und Berufsberatung höchst relevant wären, sondern auch für die Analyse des Kompetenzbedarfs, etwa als Grundlage für Personal- oder Arbeitsmarktmanagement. Haben wir nun einen Mangel an hochqualifizierten Fachkräften oder an Mitarbeitern mit Grundkenntnissen? Offensichtlich werden sich die geeigneten Massnahmen je nach Antwort stark unterscheiden.

Sagen, was man meint

Granularität in Bezug auf die Identifizierung des Kontexts und des Niveaus einer Fähigkeit sind sicherlich wichtig. Das Hauptproblem ist jedoch die Klarheit. Eine der immer wiederkehrenden Top-10-Skills, die in Stellenausschreibungen fast überall auf der Welt verlangt wird, ist nahezu immer als Microsoft Office aufgeführt. Dies mag auf den ersten Blick ziemlich spezifisch erscheinen. Aber was bedeutet der Ausdruck tatsächlich? Technisch gesehen handelt es sich bei MS Office um eine Software-Familie, die in verschiedenen Paketen mit unterschiedlicher Auswahl an Anwendungen erhältlich ist, die sich im Laufe der Zeit ändern. Derzeit besteht sie aus neun Anwendungen: Word, Excel [6], PowerPoint, OneNote, Outlook, Publisher, Access, InfoPath and Skype for Business. Wenn also eine Person «MS Office Skills» besitzt, bedeutet dies, dass sie all diese Anwendungen nutzen kann? Wohl kaum. Und was bedeutet es überhaupt, eine Anwendung nutzen zu können? Laut ESCO können Personen, die «Microsoft Office nutzen» können,

auf kompetentem Niveau mit den Standardprogrammen von Microsoft Office arbeiten. Ein Dokument erstellen und einfache Formatierungen vornehmen, Seitenumbrüche einfügen, Kopf- oder Fusszeilen erstellen und Grafiken einfügen. Automatisch generierte Inhaltsverzeichnisse erstellen und Serienbriefe aus einer Adressdatenbank (meist in Excel) zusammenführen. Automatische Tabellenkalkulationen erstellen, Bilder erstellen und Datentabellen sortieren und filtern.[7]

Viele denken wohl, dass sie «MS Office nutzen» können – bis sie diese Definition lesen. Wie es scheint, ist es wahrscheinlicher, dass man sich als fähigen Anwender oder fähige Anwenderin identifiziert, je weniger man über das volle Potenzial einer Anwendung weiss. Dies wird noch deutlicher, wenn wir PowerPoint betrachten, eine Anwendung, die überraschenderweise nicht im ESCO Skill «Microsoft Office nutzen» enthalten ist. Stattdessen wird dies als «Präsentationssoftware verwenden» bezeichnet. Es gibt unzählige Anwendungen zur Erstellung von Präsentationen, von denen viele ganz anders als PowerPoint funktionieren und daher andere Kenntnisse oder zusätzliche Fähigkeiten erfordern: Prezi, Perspective, Powtoon, Zoho Show, Apple Keynote, Slidebean, Beautiful.ai, um nur einige zu nennen. Und doch wird die Kompetenz «Präsentationssoftware verwenden» in ESCO nur vage beschrieben als:

Softwaretools verwenden, um digitale Präsentationen zu erstellen, die verschiedene Elemente wie Diagramme, Bilder, Text und andere Multimediaelement kombinieren.[8]

Abgesehen davon, dass es viele Instanzen von Präsentationssoftware gibt: Wenn es sich um einen Skill im Sinne einer Fertigkeit oder Fähigkeit handelt, die im Job nützlich ist, sollte man erwarten, dass «Präsentationen erstellen» impliziert, dass die Person brauchbare oder gar gute Präsentationen erstellen kann. Neben vielen anderen Fertigkeiten gehört dazu auch die Fähigkeit, Informationen auf das Wesentliche zu destillieren, sowie ein Sinn für Ästhetik und die Fähigkeit, Geschichten zu erzählen (Storytelling). Doch mit genügend Selbstvertrauen könnte eine Person, der diese impliziten Skills fehlen, dennoch denken, dass sie sogar grossartige Präsentationen erstellen kann.

Ausserdem: Was Arbeitgebende meinen, wenn sie diese Skills verlangen, variiert erheblich. Wer in einem Kleinstunternehmen der alten Schule nach einer Bürohilfe sucht, hat womöglich eine ganz andere Vorstellung von MS Office Skills als ein Grossunternehmen, das Marketingspezialisten sucht. Letztendlich führt der Versuch, den Begriff «Microsoft Office» als Skill zu interpretieren, zu derart viel Rätselraten, dass dessen Aussagekraft vergleichbar mit jener des Begriffs «Hammer-Kompetenzen» wird. Wir alle können mehr oder weniger mit einem Hammer umgehen, aber bedeutet das nun, dass jede*r von uns in einem Beruf arbeiten kann, der mit Hämmern zu tun hat? Natürlich nicht.

Mein Mathelehrer sagte immer: Wenn Sie etwas anderes meinen, müssen Sie etwas anderes sagen. Das könnte mal ein guter Anfang sein.

(Selbst-)Einschätzung vs. Realität

Wie oben erwähnt, weicht das Selbstbild vieler Menschen von der Realität ab, was dazu führt, dass sie ihre Skills (Hämmern, Erstellen von Präsentationen oder jede andere Kompetenz) zum Teil unter- oder überschätzen. Hinzu kommt die Tatsache, dass das Abschliessen eines Kurses oder einer Ausbildung, die eine Reihe von Kompetenzen vermitteln soll, nicht automatisch bedeutet, dass wir diese Kompetenzen auch besitzen, d.h., dass wir sie in einem Job produktiv anwenden können. Ausserdem haben viele ungenutzte Skills ein Verfallsdatum. Und doch, wenn wir uns erst einmal daran gewöhnt haben, eine bestimmte Kompetenz auf unserem Lebenslauf aufzuführen, wird sie selten wieder entfernt, egal wie lange sie nicht genutzt wurde. Bereits wenn wir uns die Frage stellen: «Kann ich das in meinem Job produktiv einsetzen?», könnte das einen grossen Beitrag dazu leisten, unser projiziertes Bild näher an die Realität zu rücken. Wenn wir das wollten. Genauso wie die Einigung auf eine Definition von Skills, eine Standardisierung von Skills-Bezeichnungen und -Niveaus oder einfach nur eine spezifischere und präzisere Ausdrucksweise uns ein klareres gemeinsames Verständnis dieser wertvollen Währung vermitteln könnte. Wenn wir das wollten. Und dann können wir uns den Herausforderungen der Erzeugung intelligenter Daten zuwenden – die wir im nächsten Beitrag untersuchen werden.

[1] Poitevin, H., “Hype Cycle for Human Capital Management Technology, 2020”, Gartner. 2020. (aus dem Englischen übersetzt)
[2] Danke an Konstantinos Pouliakas von CEDEFOP für diesen Hinweis.
[3] https://www.onetcenter.org/content.html
[4] https://www.indeed.com/career-advice/career-development/what-are-skills
[5] http://www3.weforum.org/docs/WEF_Future_of_Jobs_2020.pdf
[6] Für unsere Ansicht zu Excel, lesen Sie den letzten Beitrag.
[7] http://data.europa.eu/esco/skill/f683ae1d-cb7c-4aa1-b9fe-205e1bd23535
[8] http://data.europa.eu/esco/skill/1973c966-f236-40c9-b2d4-5d71a89019be

Wenn nicht jetzt, wann dann? Die Digitalisierung öffentlicher Arbeitsverwaltungen in Zeiten von COVID – und was sie kostet.

2021-02-25/in Breaking News, Knowledge Base, News /von JANZZ.technology

Die aktuelle weltweite Pandemie hat den Arbeitsmarkt in einen Zustand nie dagewesener Turbulenzen katapultiert. Nach Angaben der OECD waren die Auswirkungen auf Arbeitsplätze allein in den ersten drei Monaten zehnmal so gross wie in der Finanzkrise 2008. Ganze Branchen wie das Gastgewerbe, die zivile Luftfahrt und der Kultursektor wurden hart getroffen, was zu einem massiven Verlust von Arbeitsplätzen und einem Einbruch der Einkommen von Selbstständigen führte. Auf der anderen Seite haben E-Commerce und Supermärkte, Kurier- und Logistikdienste, Hersteller von Lebensmitteln oder Hygieneprodukten, Pharmazeutika und andere floriert und neue Möglichkeiten geschaffen, indem sie ihre Belegschaft massiv ausbauten. Auch wenn einige dieser Jobs nur vorübergehender Natur sind, können sie für diejenigen, die auf ein Einkommen angewiesen sind, lebensrettend sein.

Angesichts dieser Turbulenzen sahen sich die öffentlichen Arbeitsverwaltungen (PES) einem historischen Stresstest gegenüber: Sie wurden mit einer Anzahl neuer Arbeitssuchender überschwemmt, die weit über das hinausgeht, wofür ihre oft veralteten Systeme typischerweise ausgelegt sind – wenn es solche Systeme überhaupt gibt. Da die Jugend mit der Streichung von Einstiegsjobs und Ausbildungsplätzen zu kämpfen hat und Niedriglohnempfänger, Frauen, ethnische Minderheiten sowie Selbstständige und informell Beschäftigte zu den am stärksten von der Krise Betroffenen gehören, wurden bestehende Schwachstellen offengelegt und Ungleichheiten verstärkt. Mehr denn je müssen die öffentlichen Arbeitsverwaltungen nun neue Wege finden, um ihren Bürgern in dieser Krise und in Zukunft bestmöglich zu dienen. Diese gefährdeten Gruppen müssen so schnell wie möglich wieder mit guten Arbeitsplätzen in Kontakt gebracht werden, um potenziell langanhaltende Folgeschäden zu vermeiden. Und die öffentlichen Arbeitsverwaltungen müssen auf weitere Verschiebungen und Turbulenzen auf dem Arbeitsmarkt mit innovativen digitalen Lösungen vorbereitet sein, die dazu beitragen, die Widerstandsfähigkeit des Arbeitsmarktes zu stärken, indem sie Effizienz und Skalierbarkeit sicherstellen sowie kreative Vermittlungslösungen und wertvolle, zeitnahe Einblicke bieten – in den Arbeitsmarkt und für Arbeitsuchende und Arbeitgebende.

Selbst wenn die öffentliche Arbeitsverwaltung eines Landes gerade erst aufgebaut wird, ist jetzt der richtige Zeitpunkt, um eine digitale Transformation einzuleiten. In der Tat wird es wohl nie einen besseren Zeitpunkt geben – besonders für Länder, die gerade erst anfangen. Eine gut durchdachte Lösung erfordert keine perfekte Ausgangssituation. Sie bedarf keiner grossen Menge an hauseigenen Daten oder gar einer gut organisierten PES. Sie funktioniert gut in Märkten mit nur wenigen hochqualifizierten Fachkräften und unterstützt Übergänge von der informellen zur formellen Wirtschaft. Darüber hinaus spielt die Wahl eines Mobile-First-Ansatzes, der auf Selbstbedienungsfunktionen statt auf ein schwerfälliges Expertensystem ausgerichtet ist, die Stärken einer der am stärksten von der Pandemie betroffenen Gruppen aus: junge Menschen, die es gewohnt sind, die Dinge selbst in die Hand zu nehmen, Informationen zu finden und ihre Optionen mit ihren Geräten zu entdecken. Die digitale Transformation hat begonnen und wer Teil davon sein will, muss jetzt handeln.

Um eine effektive Digitalisierung in diesen herausfordernden Zeiten zu gewährleisten, sollten PES nach Lösungen mit folgenden Eigenschaften suchen:

Vollständiges Profil-Matching auf Basis von Ontologien für eine grössere Vielfalt an passenden Vermittlungslösungen

Anstatt nur Jobtitel zu vergleichen, können Arbeitssuchende auf der Grundlage ihres vollständigen Profils aus Fähigkeiten, Ausbildung, Berufserfahrung und vielen weiteren relevanten Kriterien abgeglichen werden. Dies wird insbesondere denjenigen helfen, die aufgrund von zusammenbrechenden Wirtschaftssektoren nach neuen Arbeitsmöglichkeiten suchen müssen, bei denen ein Matching auf Basis von Jobtiteln allein ineffektiv ist. Darüber hinaus hilft die Verwendung von auf den Arbeitsmarkt spezialisierten Ontologien, die mit länderspezifischen Inhalten angereichert sind, bei der Identifizierung von verborgenen Fähigkeiten auf der Grundlage von Ausbildung und Erfahrung. Dies kann die Profile der Arbeitssuchenden signifikant verbessern und somit die Suche nach geeigneten Stellen und Kandidaten erweitern, während die Genauigkeit der Treffer deutlich erhöht wird.

Durchsuchbare Profile von Stellensuchenden und einfache Rekrutierungsprozesse für verbesserte Sichtbarkeit und virtuelle Mobilität

Wenn Stellensuchenden eine Plattform geboten wird, auf der sie sich mit einem durchsuchbaren, gut strukturierten Profil präsentieren können, erhöht dies ihre Sichtbarkeit und gibt ihnen die Möglichkeit, von potenziellen Arbeitgebenden gefunden zu werden. Um Vorurteile zu vermeiden, sollte das offene Profil nur berufsbezogene Informationen enthalten. Die Integration der ersten Schritte des Auswahl- und Einstellungsprozesses ins System reduziert die Notwendigkeit, persönlich zu reisen, bis sich eine echte Gelegenheit bietet. Diese Funktionen verbessern sowohl die Sichtbarkeit als auch die virtuelle Mobilität der Arbeitssuchenden, was besonders für gefährdete Gruppen wie Geringverdiener oder informell Beschäftigte und Minderheiten sowie in Zeiten von vermehrter Fernarbeit und -anstellungsprozessen wichtig ist.

Einfach zu bedienende Rekrutierungsprozesse ermutigen auch kleinere Unternehmen, von der informellen Kandidat*innensuche, z. B. durch Mundpropaganda, auf die Online-Stellenausschreibung umzusteigen und so ihr Unternehmen und ihre offenen Stellen für einen breiteren Pool von Arbeitssuchenden sichtbar zu machen.

Nicht-diskriminierendes, erklärbares Matching für vorurteilsfreie und transparente Ergebnisse

Matching-Prozesse müssen erklärbar und überprüfbar sein, um Transparenz und Verantwortlichkeit zu gewährleisten. Ausserdem sollten die Lösungen so gestaltet sein, dass standardmässig der Kandidat oder die Kandidatin mit der besten Eignung in allen Einzelkriterien das beste Matching erhält – unabhängig von Geschlecht, ethnischer Zugehörigkeit, einer etwaigen Behinderung oder anderen persönlichen Merkmalen. So wird sichergestellt, dass alle Arbeitssuchenden die gleichen Chancen haben, auch Jugendliche, Frauen und Minderheiten.

Gap-Analyse für eine gezielte Berufs- und Laufbahnentwicklung

In Zeiten dramatischer Verschiebungen auf dem Arbeitsmarkt sind viele Arbeitssuchende gezwungen, sich neu zu orientieren und den Beruf komplett zu wechseln. Indem sie den bestmöglichen Match zu den aktuell verfügbaren Positionen ermitteln und fehlende Fähigkeiten, Ausbildungen oder andere relevante Kriterien identifizieren, können Gap-Analysen helfen, einen Weg aus der Beschäftigungskrise zu finden. Basierend auf Echtzeit-Arbeitsmarktdaten und umfassenden Ontologien können sie zur Beratung einzelner Arbeitsuchenden oder sogar zur Neuausrichtung ganzer Belegschaften aus verschwindenden Berufen oder Sektoren eingesetzt werden.

Intelligente Arbeitsmarktdaten zur Erkennung von Echtzeitverschiebungen und Arbeitsmarktschocks

In einem turbulenten Arbeitsmarktumfeld mit schnellen und unvorhersehbaren Veränderungen können intelligente, in Echtzeit gelieferte Arbeitsmarktinformationen sowie gut konzipierte Intelligence-Management-Tools den entscheidenden Unterschied ausmachen. Verarbeitet mit einer leistungsfähigen Arbeitsmarkt-Ontologie können diese Daten bessere, genauere und zeitnahe Erkenntnisse liefern – der Schlüssel zu effektivem Management und schneller Reaktion.

Die Systeme von JANZZ bieten alle diese Eigenschaften und mehr. Wir können zwar keine Arbeitsplätze schaffen, aber wir können Ländern dabei helfen, die Auswirkungen von COVID-19 auf den Arbeitsmärkten zu glätten und die öffentlichen Arbeitsverwaltungen bei einer digitalen Transformation zu begleiten, um effizienter und nachhaltiger zu werden. Wir können Unterstützung bieten beim Übergang vom Vermuten zum Wissen, was nötig ist, um so vielen Menschen wie möglich wieder eine Beschäftigung zu geben. Zum Beispiel können öffentliche Arbeitsverwaltungen unsere integrierte Arbeitsmarktlösung JANZZilms! nutzen, um in Schlüsselbereichen Massnahmen zu ergreifen und rasch mit zeitnahen Strategien zu reagieren, die einen echten Effekt haben.

Seit Anfang März 2020 konnten wir beweisen, wie leistungsfähig und skalierbar unsere Systeme sind. In einem grossen europäischen Land waren fast 10 Prozent der arbeitenden Bevölkerung aufgrund der Auswirkungen der Pandemie gezwungen, sich beim Arbeitsamt zu melden. Zu Beginn der Krise wurde das für etwa 30’000 Anmeldungen pro Jahr ausgelegte System innerhalb weniger Wochen mit fast 400’000 Anmeldungen gesättigt. Obwohl niemand in der Planungsphase mit einem solchen Szenario gerechnet hatte, verarbeiteten unsere Systeme nahezu das zehnfache Volumen an Transaktionen ohne Probleme. Performance und Stabilität der Systeme blieben in dieser wichtigen Zeit stets voll erhalten. Darüber hinaus war die nationale Arbeitsverwaltung dank des intuitiven und intelligenten Designs in der Lage, sowohl die Kapazitäten für die Arbeitsberatung zu erhöhen als auch die durchschnittliche Zeit bis zur Wiedereingliederung in den Markt zu reduzieren. Auf diese Weise konnten wir einen wertvollen Beitrag zu den Bemühungen der Regierung leisten, fast 400’000 Arbeitssuchende im Land schnell und effizient zu registrieren, zu beraten und wieder zu integrieren.

Schnelle und effiziente Umsetzung – ohne Überraschungen

Unsere agilen Methoden führen immer wieder zu herausragenden Produkten – termin- und budgetgerecht entwickelt. Die Standardlösungen können in 120 – 180 Tagen realisiert werden, oder in 90 Tagen in einer Sprache, die wir schon einmal eingesetzt haben. Dies bietet einen hervorragenden Mehrwert in Bezug auf Implementierung, Betrieb und Wartung. Darüber hinaus sind die Preise über mehrere Jahre fixiert, um finanzielle Planbarkeit zu gewährleisten. So kostet beispielsweise die Komplettlösung JANZZilms! mit allen Komponenten wie Matching und Gap-Analyse, Profiling, Ontologie, mehreren Sprachen, Parsing, Dashboards und vielem mehr bei bis zu einer Million Nutzern rund 1 USD pro Nutzer und Jahr nach Implementierung. Da es sich um eine komplette SaaS-Lösung handelt, sind keine weiteren Investitionen für die Systeme und Hardware etc. notwendig. Bei grösseren Systemen mit bis zu 5 Millionen Nutzern in allen Rollen (z. B. Arbeitsberater, Arbeitssuchende, Unternehmen und Jobanbieter, Drittanbieter wie Bildung etc.) sinkt der Preis auf ca. 60–70 US Cent pro Nutzer und Jahr. Bei noch grösseren Systemen sinkt der Preis schnell unter 50 US Cent pro Jahr.

Zudem laufen unsere Lösungen in sicheren, GDPR-konformen Cloud-Umgebungen, die sich perfekt für jede IT-Infrastruktur eignen, auch für einfachere Setups in Schwellenländern. Sie bieten überdies hervorragende Benutzerfreundlichkeit für alle Anwender – von Digital Natives bis hin zu Technik-Neulingen, auf mobilen Geräten und kleinen Bildschirmen sowie mit langsamen Internetverbindungen.

Für weitere Informationen darüber, wie unsere Dienstleistungen und Lösungen dazu beitragen können, die Widerstandsfähigkeit Ihres Arbeitsmarktes zu stärken, besuchen Sie unsere Produktseite für öffentliche Arbeitsverwaltungen oder kontaktieren Sie uns unter info@janzz.technology. Wenn nicht jetzt, wann dann?