Wir begrüssen Trond Henning Olesen als unseren neuen VP of Customer Integration and Solution Sales

Trond Henning Olesen

Wir freuen uns, bekannt geben zu können, dass Trond Henning Olesen als neuer VP of Customer Integration and Solution Sales bei JANZZ.technology mit Sitz in San Francisco tätig sein wird. Er wird für alle Kunden in Nord- und Südamerika, EMEA und Asien verantwortlich sein.

Trond ist ein sehr erfahrener Stratege, Technologe und Startup-Enthusiast. Mit mehr als 20 Jahren globaler Erfahrung in Führung und Vertrieb in der Technologiebranche sowie einem Doktortitel in Informatik bringt Trond eine beeindruckende Erfolgsbilanz beim Aufbau kundenorientierter Teams, der Gründung neuer Unternehmen und der Erzielung operativer Erfolge mit.

Im Laufe seiner Karriere hat Trond Unternehmen von der Gründung bis zum erfolgreichen Börsengang aufgebaut und in unterschiedlichen Marktsituationen Spitzenwachstum, Turnarounds und hohe Kundenzufriedenheit erzielt. Er hat auch Großkunden betreut und komplexe Großprojekte auf der ganzen Welt gemanagt sowie Teams effektiv geführt, um grundlegende Veränderungen und Verbesserungen in Strategie, Prozess und Kundenorientierung herbeizuführen. Mit seinem umfassenden technischen und geschäftlichen Fachwissen hat Trond als Berater für Unternehmen wie LinkedIn und Purisma fungiert, indem er Mitarbeitende auf C-Level persönlich coachte und sie bei der Verbesserung ihrer Organisation, Prozesse und Mitarbeitenden unterstützte. Zuletzt war er Mitbegründer und CTO des Silicon-Valley-Startups VeraScore, wo er das technische Team leitete, sich an der Entwicklung beteiligte und die technische Leitung bei allen Vertriebsaktivitäten innehatte.

Trond ist begeistert von der hochleistungsfähigen, KI-gesteuerten Job-Matching-Technologie und den Arbeitsmarktlösungen, die das Schweizer Unternehmen JANZZ.technology Unternehmen und staatlichen Einrichtungen auf der ganzen Welt anbietet. In Zeiten großer struktureller Veränderungen auf dem Arbeitsmarkt ist Trond begeistert von der Möglichkeit, mit globalen Kunden zusammenzuarbeiten, um ihnen perfekt zugeschnittene digitale Lösungen für ein effektives Talent- und Arbeitsmarktmanagement zu bieten.

„Mit seiner Mischung aus einem starken technischen Hintergrund und Expertise in Strategie und Kundenerfolg ist Trond eine hervorragende Ergänzung für unser Team“, sagt Stefan Winzenried, CEO von JANZZ.technology. „Trond wird das Wachstum von JANZZ beschleunigen und unsere Mission, unseren Kunden einen besseren Service zu bieten, weiter vorantreiben. Wir freuen uns sehr, ihn an Bord zu haben.“

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

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.

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]:

  1. Analytisches Denken und Innovation
  2. Aktives Lernen und Lernstrategien
  3. Komplexe Problemlösung
  4. Kritisches Denken und Analyse
  5. Kreativität, Originalität und Initiative
  6. Führungskompetenz und sozialer Einfluss
  7. Einsatz, Überwachung und Steuerung von Technologie
  8. Design und Programmierung von Technologie
  9. Resilienz, Stresstoleranz und Flexibilität
  10. 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.

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.

 

JANZZ Integrated Labor Market Solution (ILMS)

 

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?

JANZZ im Gartner Hype Cycle für HCM Tech 2020 als Musteranbieter für Skills Ontologien genannt

Wir sind stolz, bekannt zu geben, dass JANZZ.technology von Gartner als Musteranbieter für Skills Ontologien im Hype Cycle für Personalmanagement-Technologie 2020 identifiziert wurde. Diese Anerkennung bestätigt den innovativen Ansatz unserer Lösungen für Unternehmen und öffentliche Arbeitsverwaltungen, die auf unserer einzigartigen mehrsprachigen Job- und Skills-Ontologie basieren.

Was ist der Gartner Hype Cycle?

Die Hype Cycles von Gartner liefern eine grafische Darstellung des Reifegrads und der Akzeptanz von Technologien und Anwendungen sowie deren potenzielle Relevanz für die Lösung echter Geschäftsprobleme und die Nutzung neuer Chancen. Die Hype Cycle-Methodik von Gartner gibt einen Überblick darüber, wie sich eine Technologie oder Anwendung im Laufe der Zeit entwickeln wird, und bietet damit eine fundierte Erkenntnisquelle für die Handhabung eines allfälligen Einsatzes im Kontext Ihrer spezifischen Geschäftsziele.[1]

JANZZ named as a Sample Vendor for Skills Ontologies in Gartner Hype Cycle for HCM Tech 2020

Die Skills Ontologien, die als sehr nützlich für den Personalmanagement (HCM) Bereich eingestuft werden, befinden sich derzeit in der ersten von fünf Phasen des Gartner Hype Cycle: dem sogenannten Innovationsschub (Innovation Trigger). Gartner beschreibt diese Phase als jene, in der „ein potenzieller Technologiedurchbruch die Dinge ins Rollen bringt. Frühe Proof-of-Concept-Geschichten und Medieninteresse lösen eine beachtliche Publicity aus. Oft gibt es noch keine brauchbaren Produkte und die kommerzielle Lebensfähigkeit ist nicht bewiesen.“ Wir haben vor über einem Jahrzehnt, im Jahr 2009, mit der Entwicklung unserer Skills Ontologie begonnen. Heute ist sie die umfassendste mehrsprachige Skills-Ontologie weltweit. Sie hat sich in den letzten Jahren mehrfach bewährt und wurde erfolgreich in verschiedenen Systemen jeder Grössenordnung eingesetzt.

Was ist eine Skills Ontologie?

Eine Skills Ontologie organisiert umfangreiche Sammlungen von Konzepten zu Fähigkeiten, Kompetenzen, Wissen und Erfahrung sowie die Beziehungen zwischen ihnen in einer Datenstruktur. Sie bietet eine Grundlage für KI-Anwendungen in Bereichen wie Talentakquise, Talententwicklung und Personalplanung. Zahlreiche Anbieter behaupten, dass sie eine Ontologie haben, während sie in Wirklichkeit nur über eine Taxonomie oder eine Bibliothek verfügen.[2] Bei JANZZ haben wir eine echte Ontologie, JANZZon!. Sie umfasst aber nicht nur Skills, sondern ist eine Job und Skills Ontologie. Das bedeutet, dass sie auch Berufe, Berufsbezeichnungen, Berufserfahrung, Ausbildungen und Qualifikationen, Branchen und vieles mehr umfasst. Der Abgleich von Skills allein ohne Berücksichtigung anderer Informationen wie Berufe/Funktionen kann zu äusserst ungenauen Ergebnissen führen. Ein Kassierer und eine Apothekerin, die beide im Detailhandel tätig sind, werden zwar gemeinsame Fähigkeiten haben, z. B. Fähigkeiten im Kundenservice, aber ihre Schlüsselqualifikationen, nämlich ihr Fachwissen und ihre Qualifikationen, unterscheiden sich grundlegend. Selbst wenn also alle anderen aufgeführten Fähigkeiten übereinstimmen, wäre es völlig unsinnig, einen Kassierer für eine Apothekerposition vorzuschlagen. Der Kontext ist essenziell und eine der wichtigsten Informationen, die unsere Job und Skills Ontologie liefert.

Darüber hinaus unterscheidet JANZZon! im Gegensatz zu anderen Skills Ontologien auf dem Markt zwischen verschiedenen Niveaus von Skills und deren Kontext. So ist beispielsweise das Niveau der Fähigkeiten, die für eine Junior-Position erforderlich sind, nicht dasselbe wie für einen Senior-Spezialisten, und die Fähigkeiten eines Projektleiters in der Anwendungsentwicklung sind nicht identisch mit denen eines Projektleiters in der Innenarchitektur. Diese Unterschiede werden in unserer Job- und Skills-Ontologie JANZZon! abgebildet und sind einer der treibenden Faktoren für die erstaunliche Genauigkeit unserer Job-Kandidaten-Matching- und Karrierepfad-Tools.

Schauen Sie unser Video über die JANZZ Ontologie

Warum nicht einfach bei Skills-Bibliotheken und Taxonomien bleiben?

Skills- oder Job-Bibliotheken, auf die sich viele Technologieanbieter immer noch verlassen, werden in erster Linie von Experten (oft Psychologen) erstellt, die Fähigkeiten und Qualifikationsniveaus in Bezug auf Jobkategorien oder Funktionen analysieren und klassifizieren. Diese Methoden sind arbeitsintensiv und begrenzt und konzentrieren sich oft auf funktionsübergreifende Fähigkeiten oder auf eine begrenzte Anzahl von berufsspezifischen technischen Fähigkeiten. Ausserdem sind diese Bibliotheken in der sich rasch verändernden Arbeitswelt fast immer veraltet, sobald sie fertiggestellt sind.

Das Hauptproblem dieser Bibliotheken ist jedoch, dass es so etwas wie ein Standard-Kompetenzprofil für einen bestimmten Beruf nicht gibt. Das bedeutet, dass Such- und Matching-Ergebnisse auf Basis von Skills-Bibliotheken meist bestenfalls enttäuschend sind. Mit der richtigen Skills Ontologie hingegen erhält man eine laufend aktualisierte, umfassende Datenbank, welche die Grundlage für eine Technologie bildet, die „die Erwartungen der Nutzer an die Relevanz der Stellensuche, das Matching von Kandidaten zu Funktionen und die Empfehlung von Lerninhalten transformiert.“[3]

Der entscheidende Vorteil einer Skills Ontologie im Vergleich zu Skills Bibliotheken oder Taxonomien ist, dass sie Synonyme sowie ähnliche und verwandte Skills verknüpft. Dies verbessert die Suche und das Matching dramatisch, indem es die unterschiedlichen Vokabularien der verschiedenen Akteure, Stellenausschreibungen und Kandidaten-/Mitarbeiterprofile in eine gemeinsame Sprache übersetzt und den Suchbegriffen einen Kontext gibt. Infolgedessen können klassische stichwortbasierte Ansätze durch eine semantische Suche ersetzt werden, bei der das System die Bedeutung der Suchbegriffe versteht, anstatt stur Zeichenketten zu vergleichen.[4] Gibt man beispielsweise den Begriff CEO ein, so schliesst das ontologiebasierte System Ergebnisse wie Assistent des CEOs aus. Bei der Eingabe des Begriffs Mechaniker schlägt es präzisere Begriffe wie Automechaniker oder Bootsmechaniker vor. Und die besten Leute für den Job können viel genauer identifiziert werden – ohne das Getümmel von ungeeigneten Kandidaten oder das Risiko, dass Top-Kandidaten durch die Maschen gleiten.

Darüber hinaus können unsere ontologiebasierten Systeme implizite Skills in Berufen vom Schildermaler bis zum Cybersecurity Project Manager erkennen und diese Skills nutzen, um zufriedenstellendere Ergebnisse zu liefern – nicht nur bei Jobs und Kandidaten, sondern auch beim Profiling, bei Gap-Analysen und beim Career Pathing. Das in unserer Skills-Ontologie gespeicherte Kontextwissen ist auch der Schlüssel zu unserem hochperformanten Job- und Lebenslauf-Parser.

Pionierlösungen in der HCM-Technologie

Die meisten der derzeit auf dem Markt erhältlichen ontologiebasierten HCM-Anwendungen sind noch recht unausgereift, und es gibt keine Einheitslösung für alle. Stattdessen bedarf es einer Kombination von verschiedenen Modellen und Ansätzen. Wir bei JANZZ.technology verfügen bereits über eine gut etablierte Skills Ontologie sowie hoch präzise Technologien für semantische Suche und Matching, Gap-Analysen, Profiling und Job- und CV-Parsing. Wir sind jedoch bestrebt, unsere Lösungen kontinuierlich zu verbessern und zu erweitern. Daher sind wir sehr aktiv in der Forschung und Entwicklung tätig und entwickeln unaufhörlich bahnbrechende Technologien, um neue Herausforderungen zu meistern. Unsere Mission ist es, die HCM-Erfahrung zu verbessern, indem wir effiziente und hochleistungsfähige Lösungen ohne Kompromisse anbieten.

Und warum sind wir dem Gartner Hype Cycle so weit voraus? Weil wir 2008 angefangen haben, lange bevor irgendjemand über KI und Wissensrepräsentationen gesprochen hat, lange bevor Google und die Märkte erkannt haben, dass fortschrittliche KI-Lösungen ohne Ontologien einfach nicht realisierbar sind. Deshalb haben wir heute einen Vorsprung von mehreren Jahren.

Nutzen Sie diesen und integrieren Sie unsere Job und Skills Ontologie über unsere unkomplizierten APIs in Ihre Anwendungen. Kontaktieren Sie uns unter info@janzz.technology, um herauszufinden, wie wir Ihre Arbeit mit unseren innovativen ontologiebasierten Lösungen transformieren können.

[1] Aus dem Englischen übersetzt von Gartner Methodologies, “Gartner Hype Cycle,” 2020. https://www.gartner.com/en/research/methodologies/gartner-hype-cycle
[2] Für ein besseres Verständnis des grundlegenden Unterschieds zwischen Ontologien und Taxonomien lesen Sie unseren Beitrag: https://janzz.technology/ontology-and-taxonomy-stop-comparing-things-that-are-incomparable/
[3] Poitevin, H., „Hype Cycle for Human Capital Management Technology, 2020“, Gartner. 2020.
[4] Für weitere Informationen zu diesem Thema fordern Sie ein Exemplar unseres Whitepapers „Keyword vs. ontologiebasiertes, semantisches Matching“ per E-mail oder Kontaktformular an.

JANZZ Job-Matching-Plattform ParaEmpleo von der IDB als KI-Erfolgsgeschichte hervorgehoben

Die IDB ist ein wichtiger Treiber für künstliche Intelligenz als Werkzeug zur Bewältigung der Herausforderungen auf den Arbeitsmärkten in Lateinamerika und der Karibik (LAC). Im Rahmen der Studien der IDB-Initiative fAIr LAC hat sie kürzlich einen interessanten Bericht über die Nutzung von KI für die Arbeitsvermittlung in öffentlichen Arbeitsverwaltungen (PES) veröffentlicht. Dieses technische Papier gibt einen Überblick über die wichtigsten Aspekte, die von öffentlichen Arbeitsverwaltungen berücksichtigt werden, wenn sie sich für den Einsatz von KI entscheiden, und diskutiert die Vorteile und Risiken der Implementierung von KI-basierten Lösungen für öffentliche Arbeitsverwaltungen.

JANZZ freut sich, dass ihr Projekt ParaEmpleo – eine semantische Job Matching Plattform, die in Zusammenarbeit mit dem paraguayischen Ministerium für Arbeit, Beschäftigung und soziale Sicherheit (MTESS) realisiert wurde – als „Erfolgsgeschichte bei der Integration von KI“ bezeichnet wird. Es ist bisher das einzige Projekt dieser Art in Lateinamerika und der Karibik, und JANZZ.technology ist sehr interessiert daran, weitere Lösungen für öffentliche Arbeitsverwaltungen zu implementieren, die KI für soziale Zwecke einsetzen, um bessere soziale Dienstleistungen zu schaffen und mehr Menschen eine Perspektive zu bieten.

Lesen Sie den IDB-Bericht Artificial Intelligence for Job Seeking : How to Enhance Labor Intermediation in Public Employment Services hier.

Ausbildungszonen – Ein Brückenschlag zwischen Qualifikationen und Anforderungen beim Online Job Matching

Wer Online-Stellenvermittlungsdienste nutzt, ist zweifellos schon auf offensichtliche oder gar lächerliche Fehltreffer, sogenannte «Mismatches» gestossen. Viel dieser Mismatches sind auf unzureichende Verarbeitung der ausbildungsbezogenen Informationen zurückzuführen. Wenn beispielsweise ein Job-Matching-Algorithmus nur das Niveau der Ausbildung beachtet (z.B. Bachelor-, Master- oder Sekundarabschluss), kann es durchaus passieren, dass einem Reiseberater eine Stelle als IT-Spezialist vorgeschlagen wird. Beide verfügen über einen Studienabschluss, aber – und das ist der entscheidende Punkt – in einem anderen Kontext. Darüber hinaus gewinnen kürzlich absolvierte Kurse oder Zertifikate auf niedrigerem Niveau mit der Zeit an Bedeutung, wenn sie die Berufserfahrung ergänzen, und machen damit die höchste abgeschlossene Ausbildung in vielen Fällen allmählich überflüssig. Und doch beruht bei solchen Algorithmen das Matching von Arbeitsuchenden mit 20 Jahren Berufserfahrung primär auf einem 20 Jahre zurückliegenden Universitätsabschluss anstatt auf neueren und relevanteren Weiterbildungen.

Um diesen Herausforderungen zu entgegenzutreten, hat JANZZ.technology das Konzept der Ausbildungszonen geschaffen, also Cluster von Ausbildungen, die einen Bezug zu einem bestimmten Berufsfeld wie „Tourismus“ oder „Informatik“ haben. Diese Art der Rekombination von Diplomen, Schulungen und anderen Ausbildungen auf verschiedenen Ebenen und aus verschiedenen Ausbildungsfeldern bietet eine wesentlich realistischere Darstellung von Berufsfeldern und kann, wenn sie in einem Matching-Algorithmus verwendet wird, deutlich bessere Matching-Ergebnisse zwischen der Ausbildung von Kandidat*innen und den entsprechenden Anforderungen einer Stelle erzielen.

Ausbildungszonen sind dann am rentabelsten, wenn eine Stellenbeschreibung beliebte generische Ausdrücke wie «hat eine Ausbildung im Bereich…» enthält. Gleichwohl sind sie gut geeignet, Matching-Algorithmen dabei zu unterstützen, die wachsende Zahl von Kandidat*innen mit nichtlinearen Ausbildungswegen genauer zu erfassen, indem sie präzisere Profile der spezifischen Kenntnisse, Kompetenzen und Fähigkeiten der Kandidat*innen liefern. Die Ausbildungszonen von JANZZ bieten eine effektivere Kategorisierung von Ausbildungen nach Berufsfeldern und schaffen so die Grundlage für solidere, genauere Matches.Um mehr über Ausbildungszonen zu erfahren, lesen Sie unser White Paper:

Ausbildungszonen—Ein Brückenschlag zwischen Qualifikationen und Anforderungen beim Online Job Matching

Berufliche Chancengleichheit beginnt beim anonymisierten Bewerbungsverfahren

Die Schweiz gilt bei vielen Tourist*innen als beliebtes Reiseziel. Wie würden sie das Land aber sehen, wenn sie hier lebten und einen Job suchen müssten?

Relativ hohe Gehälter sind ein Hauptmotivationspunkt für ausländische Arbeitskräfte, wenn sie sich dazu entscheiden, eine Beschäftigung in der Schweiz zu suchen. Zahlen vom Bundesamt für Statistik (BFS) zeigen, dass die Anzahl an Grenzgänger*innen steigt und im Jahr 2020 332’177 Personen beträgt [1]. Das BFS berichtet ebenfalls, dass die Anzahl der Personen mit ausländischer Staatsangehörigkeit, welche aktiv im Schweizer Arbeitsmarkt involviert sind, sich Ende 2019 auf 1.6 Millionen belief [2], was die Anzahl ausländischer, in der Schweiz lebender Arbeitnehmer*innen bei 1.3 Millionen ansetzt – rund ein Viertel der Erwerbstätigen des Landes.

Im Vergleich zur Anzahl Schweizer Erwerbstätigen sind die Anstellungsquoten bei ausländischen Arbeitnehmer*innen viel tiefer. Eine neue Studie impliziert, dass bei männlichen Migranten während ihrem ersten Jahr die Anstellungsrate ungefähr 16% tiefer ist als jene bei Männern, die in der Schweiz geboren wurden. Bei den Frauen beläuft sich dieser Unterschied sogar auf 37%. Auch wenn sich dieser Abstand mit der Zeit verringert, sind die Anstellungsquoten von ausländischen Arbeitskräften nach fünf Jahren in der Schweiz noch 4% (Männer) bzw. 13% (Frauen) tiefer als jene der Schweizer*innen [3].

Es gibt viele Gründe weshalb ausländische Arbeitnehmer*innen Nachteile im Arbeitsmarkt ihres Ziellandes erfahren. Ein wichtiger betrifft die sogenannten kompatiblen Kompetenzen, was sowohl Human-, als auch Sozialkapital beinhaltet. Im Vergleich zu Schweizerinnen und Schweizern sind neuankommende Arbeitnehmende im Hinblick auf diese Fähigkeiten im Gastland oft benachteiligt. Sie sind in der Regel weniger vertraut mit den örtlichen Gepflogenheiten und haben seltener eine anerkannte Berufsausbildung oder Zertifizierung. Zudem fehlt es ihnen oftmals an Informationen über ihre Arbeitsmarktchancen, zum Beispiel über lokale Netzwerken oder Erwartungshaltungen von Arbeitgeber*innen, die bei der Arbeitssuche nützlich sind. Glücklicherweise nehmen diese Nachteile ab, je länger man sich im Gastland aufhält [4].

Die Amtssprache ist eine weitere Fertigkeit die je nach Land und, im Falle der Schweiz sogar je nach Landesteil, variiert. Das Beherrschen der Landessprache(n) ist ein wichtiger Faktor für den Erfolg auf dem örtlichen Arbeitsmarkt. Die vier offiziellen der Schweiz sind Deutsch, Französisch, Italienisch und Rätoromanisch. Gemäss unseren Schätzungen, die auf mehr als 10 Jahren Erfahrung in der Analyse von Berufsdaten basieren, beträgt die durchschnittliche Anzahl der von Schweizer Arbeitgebern verlangten Sprachen 2 bis 2.5: eine oder zwei lokale Sprachen kombiniert mit Englisch. Für Muttersprachige einer der Landessprachen sind dies Kenntnisse in einer oder zwei Fremdsprachen – beides gehört zum Standardlehrplan an Schweizer Schulen. Für ausländische Arbeitskräfte, zumindest für die rund 60%, der Personen, die nicht Muttersprachlerinnen und Muttersprachler einer dieser vier Sprachen sind, sind diese Anforderungen um einiges anspruchsvoller.

Vergleicht man die Kompetenzen und das Qualifikationsniveau zwischen Schweizer und ausländischen Arbeitnehmenden, ist der Anteil der Personen mit Hochschulbildung vergleichbar zwischen den zwei Gruppen. Jedoch ist der Anteil der geringqualifizierten Arbeitskräfte bei Ausländer*innen viel höher im Vergleich zu Schweizer*innen. Sowohl bei hochqualifizierten als auch bei geringqualifizierten Arbeitskräften ist das Beherrschen der Landessprache oftmals ein vernachlässigbarer Faktor. Beispielsweise ist Englisch für Arbeiter wie Bauarbeiter und Hausmeister meist irrelevant, und von Nicht-Muttersprachlern werden oft nur Grundkenntnisse einer lokalen Sprache verlangt. Auf der anderen Seite sind lokale Sprachen für Arbeiter in internationalen Unternehmen, Universitäten und anderen internationalen Institutionen und Organisationen, in denen Englisch gang und gäbe ist, nicht unbedingt unerlässlich.

Im Hinblick auf ausländische Arbeitnehmer*innen mit mittleren Fähigkeits- und Qualifikationsprofilen besteht jedoch ein Nachteil punkto sprachliche Wettbewerbsfähigkeit gegenüber einheimischen Arbeitskräften, weil auf diesem Niveau viele Stellen die Beherrschung einer Amtssprache und mehrerer anderen Sprachen gefordert ist. Mittelhoch-qualifizierte Positionen gibt es gleichzeitig am meisten in der Schweiz und sie werden mehrheitlich von Schweizer Arbeitnehmer*innen besetzt.

Nebst den beschriebenen Gründen von potentiell niedrigeren Human- und Sozialkapital-Levels ist die Diskrimination am Arbeitsplatz weiterhin ein wichtiger Erklärungsfaktor wenn es um Unterschiede in der Anstellung von einheimischen und ausländischen Arbeitskräften geht. In einer neuen Metaanalyse über Diskrimination beim Anstellungsverfahren, welche 43 experimentellen Studien während 25 Jahren anschaute, ist herausgekommen, dass die Diskriminierung ethnischer Minderheitengruppen noch immer an der Tagesordnung ist. [5]

In einem Experiment kam heraus, dass Personalverantwortliche Bewerber*innen mit nicht-schweizerischem Hintergrund und ‘ausländisch klingendem’ Namen eher auswählten, wenn diese ihren Lebenslauf ‘aufgehellt’ (whitened) hatten indem sie angaben, nur die Landessprache fliessend zu sprechen und keine kulturelle Verbundenheit gegenüber ihrem Herkunftsland zeigten. Es wurde geschlossen, dass Lebensläufe, die mehrere Zeichen der Verbundenheit mit der eigenen Herkunftskultur vermittelten, in einer starken Sanktionierung aufgrund angenommener ‘tieferer Produktivität’ resultierten. [6] Kinder von Immigrantenfamilien, die aber Schweizer Qualifikationslevels und Doppelbürgerschaft besitzen, müssen 30% mehr Bewerbungen versenden, um bei Bewerbungen auf Lehrstellen eine Einladung zum Vorstellungsgespräch zu erhalten. [7].

Die Gewährleistung gleicher Beschäftigungschancen für Grenzgänger*innen und ausländische Arbeitnehmende auf dem Arbeitsmarkt ist sowohl für diese als auch für die Gesellschaft des Ziellandes vorteilsbringend. Der Zugang zum örtlichen Arbeitsmarkt erhöht die gesellschaftliche Teilhabe, was ein wichtiger Bestandteil der Integration sein kann. Gleichzeitig verringert bezahlte Arbeit die Abhängigkeit von Sozialhilfe. Bei JANZZ.technology sind wir überzeugt, dass anonymisierte Bewerbungsverfahren Diskriminierung weitgehend reduzieren und Chancengleichheit aktiv steigern können. Um mehr über die anonymisierten Verfahren von JANZZ.jobs zu erfahren, wenden Sie sich bitte an sales@janzz.technology

 

 

 

[1] FSO. 2020. Foreign cross-border commuters by gender, canton of work and age class. URL: https://www.bfs.admin.ch/bfs/en/home/statistics/work-income/employment-working-hours.assetdetail.13647546.html

[2] FSO. 2020. Employed persons (domestic concept) total number and in full-time equivalents by gender and nationality, gross and seasonally adjusted values. Quarterly and yearly averages. URL: https://www.bfs.admin.ch/bfs/en/home/statistics/work-income/employment-working-hours/employed-persons/trend-number-employed-persons.assetdetail.13327120.html

[3] Favre, S.; Föllmi, R:; Zweimüller, J.: Immigration, return migration and integration from a labour market perspective. In: A Panorama of Swiss Society 2020 Migration-Integration-Participation, Federal Statistics Office, Neuchãtel, 2020

[4] Friedberg, R.: You can’t take it with you? Immigrant assimilation and the portability of human capital, Journal of Labor Economics 18:2: 221–252, 2000

[5] Zschirnt, E.; Ruedin, D.: Ethnic discrimination in hiring decisions: A meta-analysis of correspondence tests 1990–2015, Journal of Ethnic and Migration Studies, Taylor & Francis, Milton Park, Abingdon, Vol. 42, Iss. 7, pp. 1–19, 2016

[6] Auer, D.: Drivers of immigrant employment in Switzerland, University of Lausanne, 2018

[7] Fossati, F.; Liechti, F.; Auer, D.; Bonoli, G.: Discrimination Multipliers, How immigrants’ integration affects labour market disadvantage, MIM Working Paper Series 17:2, Malmö Institute for Studies of Migration, Diversity and Welfare (MIM) Malmö University, Malmö, 2017

Gesucht: 1’000’000 Lebensläufe

Versuchen Sie den besten Lebenslauf zu schreiben, um Recruiter zu beeindrucken und Ihren Traumjob zu bekommen? Wissen Sie, dass auf ein einziges Jobangebot durchschnittlich 250 Bewerbungen folgen und Sie nur eine zweiprozentige Chance haben auf ein Bewerbungsgespräch eingeladen zu werden? Ja, bloss zwei Prozent. Nun fragen Sie sich vielleicht wie Recruiter diese zwei Prozent auswählen. Nun, die meisten benutzen eine Talent Management Software, um Lebensläufe zu prüfen. Diese sortiert die Hälfte schon mal aus. Autsch. Das könnte auch Ihren Lebenslauf treffen und der Grund dafür sein, dass Sie jeweils bloss eine Standardabsage und Dankesemail erhalten.

Wir bei JANZZ.technology sind dabei eine Alternativlösung aufzubauen, welche es ermöglicht, jeden Lebenslauf von einer künstlichen Intelligenz beurteilen zu lassen. Was noch wichtiger ist: Jede/-r Bewerber/-in erhält ein individualisiertes Feedback vom System, welches fehlende Fähigkeiten (Gründe, warum Sie den Job nicht bekommen haben) erläutert und auch Vorschläge macht für Weiterbildungen (die Ihre Chancen erhöhen), sodass Sie sie künftig besser qualifiziert sind für den Job.

Darum bitten wir Sie, uns dabei zu unterstützen den Algorithmus für maschinelles Lernen zu verbessern. So können Sie uns helfen, das menschliche Element zur künstlichen Intelligenz hinzuzufügen:

  • Schicken Sie Ihren Lebenslauf an info@janzz.technology. Sie können Ihre persönlichen Daten weglassen, um ihre Privatsphäre zu schützen.
  • Sprache: Wir suchen Lebensläufe auf Französisch, Italienisch, Englisch, Deutsch, Griechisch, Norwegisch, Niederländisch, Portugiesisch, andere in der EU verwendeten Sprachen, Koreanisch, Chinesisch, Japanisch, Thailändisch, Indonesisch, Malaysisch, Vietnamesisch und Arabisch.
  • Format: Beliebig. Vom regulären zweiseitigen Word Dokument bis hin zu den kreativsten und erfinderischsten Kreationen.
  • Wir versprechen niemals Spam zu versenden und wir werden Ihren Lebenslauf auch nie für andere Zwecke einsetzen. Wir werden ihn löschen, nachdem er seinen Zweck erfüllt hat.

Bitte helfen Sie uns dabei diese Nachricht zu verbreiten und wir werden Sie über die eingegangene Anzahl and Lebensläufen auf dem Laufenden halten.

JANZZ.jobs, eine White-Label-Lösung mit anonymisierten Bewerbungsverfahren

Studien [1],[2] haben gezeigt, dass ein Verfahren, welches von Anfang an anonymisiert ist, Voreingenommenheit weitgehend vorbeugen und die Chancengleichheit deutlich verbessern kann. Hier bei JANZZ.technology basieren wir seit 2010 die Struktur unserer Anwendungen auf dem anonymisierten Verfahren. JANZZ.jobs ist eine White-Label-Lösung, die darauf ausgelegt ist, Verzerrungen während der ersten Schritte des Bewerbungsprozesses zu vermeiden, indem die persönlichen Daten der Benutzer verborgen werden. Es werden zwei Profile erstellt, damit persönliche Informationen von jobbezogenen Informationen getrennt werden können. Das berufsbezogene Profil enthält alle Informationen, die für den Matching-Prozess relevant sind, wie z.B. Beruf, Fähigkeiten, Soft Skills, Ausbildung, Erfahrung, Verfügbarkeit, Gehalt und so weiter. Dieses Profil ist bereits von Anfang an zugänglich. Das persönliche Profil, das Informationen wie Name, Geschlecht, Nationalität, Geburtsdatum, Familienstand, Porträtbild usw. enthält, wird nur nach Zustimmung des Benutzers freigegeben und wird nicht für das Job-Matching verwendet.

Zusätzlich zu diesem anonymisierten Verfahren kann die einzigartige semantische Matching-Engine von JANZZ.jobs dank den Technologien von JANZZ Stellen und Kandidaten anhand der Ähnlichkeit von Begriffen, so wie von Synonymen und andere Beziehungen suchen und matchen. Dies steht im Gegensatz zu der reinen Stichwortsuche. Auch das Level der Fähigkeiten wird verglichen und rätselhafte Berufsbegriffe werden anhand des Kontexts bestimmt. Des Weiteren werden auch Lückenanalysen und vieles mehr durchgeführt. (Um mehr über semantisches Matching zu erfahren, lesen Sie bitte unseren früheren Artikel JANZZ.technology – providing semantic technologies powered by ontology )

Diese White-Label-Lösung wird derzeit von mehreren öffentlichen Arbeitsverwaltungen (PES, Public Employment Services) auf der ganzen Welt eingesetzt. Unsere Kunden entscheiden sich für JANZZ.jobs, weil:

  • die Plattform anhand modernster modularer Elemente anpassbar ist und sie deshalb die unterschiedlichen Anforderungen von PES aller Grössenordnungen erfüllen kann,
  • der Prozess zur Einrichtung einer solchen Plattform schnell, einfach und kostengünstig ist und sie insbesondere für öffentliche Arbeitsverwaltungen, welche von Grund auf neu aufgebaut werden, eine ideale Lösung ist,
  • die Lösung mit der jahrelangen Erfahrung vieler anderer PES-Kunden aus der ganzen Welt getestet und gebaut wurde und sich als stabil, zuverlässig und effizient erwiesen hat
  • und weil die SaaS-Lösung JANZZ.jobs der PES den Unterhalt einer eigenen IT-Abteilung erspart. Stattdessen können sie sich bei der Verwaltung der Datenbanken auf das professionelle Team von JANZZ verlassen und automatisch von den Updates und Upgrades von JANZZ.technologie profitieren.

___________________________________________________________________________________

User Story: Wie ein Land in Mittelamerika in kürzester Zeit sein System zur Arbeitssuche aufbaute

Aufgrund des ungünstigen wirtschaftlichen Umfelds kämpft unser Kunde, ein Land in Mittelamerika, mit steigenden Arbeitslosenquoten – insbesondere unter den Jugendlichen. Wir haben an einem lokalen Projekt mitgearbeitet, welches darauf abzielt, das private System der technischen Berufsausbildung (TVET, Technical Vocational Education and Training) des Landes zu stärken und den Jugendlichen vor Ort die Fähigkeiten zu vermitteln, die sie für einen erfolgreichen Eintritt in den Arbeitsmarkt benötigen. Unsere Mission war es eine moderne Plattform zu schaffen, die alle Talente und Arbeitsmöglichkeiten des Landes bündelt und so erfolgreich Menschen und Arbeitsplätze zusammenbringt kann.

In nur 90 Tagen wurde die Plattform JANZZ.jobs als White-Label-Produkt implementiert und wird nun als SaaS-Lösung betrieben, um unserem dabei Kunden zu helfen:

  • eine Job-Matching-Plattform von Grund auf schnell und kostengünstig zu verwirklichen,
  • die Wirtschaft anzukurbeln und die Gesellschaft zu stärken, indem die Talente und Arbeitsplätze des Landes hervorgehoben und so besser gematcht werden,
  • lokale Bildungseinrichtungen bei der Arbeitsmarktanalyse zu unterstützen, damit die Profile der Absolventen und die Lehrpläne besser auf die Nachfrage des Arbeitsmarktes angepasst werden können
  • Zugang zu Informationen über lokale TVET-Zentren, Ausbildung und Stipendien, Tipps für Interviews und Lebensläufe usw. anzubieten, um die Chancen der Nutzer auf dem Arbeitsmarkt zu verbessern,
  • ein anonymisiertes Matching-System von Bewerbungen einzuführen, um die Chancengleichheit für seine Bürger/-innen beim Bewerbungsprozess zu verbessern.

_______________________________

Wie die öffentlichen Arbeitsverwaltungen sehen sich auch viele kleine und mittlere Personalvermittlungsagenturen mit knappen Ressourcen und dem steigenden Bedarf nach einer automatisierten Lösung für die Suche und das Matching von Spitzenkandidaten konfrontiert. Das Ziel ist es, sich auf einen kleineren Pool von Kandidaten zu konzentrieren, welche tatsächlich für die offenen Stellen qualifiziert sind. Daher erhalten wir auch Anfragen von Personalvermittlungsagenturen. Diese sind die führenden Personalvermittlungsunternehmen in bestimmten Branchen, die sich auf C-Level-Positionen für globale Kunden spezialisiert haben. Mit der innovativen Technologie und den vollständig anpassbaren Lösungen von JANZZ kann JANZZ.jobs auf die spezifischen Bedürfnisse kleiner bis mittelgrosser Personalvermittlungsagenturen zugeschnitten werden und ihnen dabei helfen, ihr Geschäft weiterzubringen. Sie profitieren von:

  • einer schnellen Markteinführung dank der Lancierung einer modernen und leistungsfähigen Plattform, welche das Unternehmen belebt,
  • einer vollständig personalisierten Brand Experience mit Firmenlogos, Farben und E-Mail-Vorlagen,
  • verkehrsbasierter Kostengenerator zur Maximierung der Einnahmen,
  • Job-Matching in Echtzeit in über 40 Sprachen und vielem mehr.

  ___________________________________________________________________________________

User Story: Personalvermittlungsagentur im Gesundheitswesen, der Medizintechnik und in der Pharmaindustrie sucht nach Lösungen, um ihre Kunden besser zu unterstützen

Einer unserer Kunden ist eine Personalvermittlungsagentur, die spezialisiert ist auf den Life Science- und Gesundheitssektor in Europa. Sie besteht aus einem kleinen Team von weniger als 10 Personen. Normalerweise verbringen die Talent Acquisition Managers 50% ihrer ohnehin knappen Zeit mit der Suche und Analyse von Lebensläufen. Sie sind der Überzeugung, dass sie ihren Kunden besser geeignete Kandidaten liefern könnten, wenn sie einen Teil dieser Zeit für die Durchführung von ausführlichen Interviews mit einer kleineren Anzahl qualifizierter Kandidaten verwenden würden. Aus diesem Grund war unser Kunde an einer Rekrutierungsplattform interessiert, um schnell und effizient geeignetes Fachpersonal zu finden.

Durch den Einsatz von JANZZ.jobs hat unser Kunde die Bearbeitungszeit seiner Acquisition Managers nachhaltig verkürzt. Dank des anonymisierten Verfahrens, das die Privatsphäre der Kunden umfassend schützt, hat sich die Qualität geeigneter Bewerbungen inzwischen erhöht durch:

  • deutlich präziseres und mehrsprachiges Matching von Bewerbern und Stellenangeboten verglichen mit traditionellen Stellenplattformen,
  • erhöhte Transparenz für die Bewerber/-innen bei Ablehnung einer Bewerbung,
  • eine verbesserte Vermittlung, welche auf Fähigkeiten basiert; offene Stellen sind nur für geeignete Kandidaten/-innen sichtbar und es ist auch nur ihnen möglich Kontakt aufzunehmen.

_______________________________

Um mehr über die anonymisierten Verfahren von JANZZ und den Aufbau Ihrer individualisierter Rekrutierungslösung zu erfahren, wenden Sie sich bitte an sales@janzz.technology

 

 

[1] Ines Böschen, Dr.Ramona Alt, Annabelle Krause, Dr. Ulf Rinne and Prof. Dr. Klaus F. Zimmermann. 2012. Pilot project ‘Depersonalised application procedures’. URL: https://www.antidiskriminierungsstelle.de/SharedDocs/Downloads/DE/publikationen/AnonymBewerbung/Kurzfassung-Abschlussbericht-anonym-kurz_englisch.pdf?__blob=publicationFile&v=4

[2] Eva Heinimann and Ralf Margreiter. 2008. Anonyme Bewerbung: Ein Zürcher Pilotprojekt für mehr Chancengleichheit und innovative Lehrlingsselektion. URL: https://www.panorama.ch/pdf/bba4814b.pdf