Wir produzieren alle zwei Tage die Menge an Daten, die vorher insgesamt bis zum Jahr 2003 produziert wurde. Mit diesem Faktum schockierte der ehemalige CEO Googles, Eric Schmidt, schon 2010. Seitdem hat sich die Datenproduktion natürlich noch beschleunigt. Obwohl «Massendatenverarbeitung» zwar nichts Neues ist, ist erst in den letzten Jahren der Hype um den bekannteren Begriff «Big Data» richtig entfacht [1]. Doch viel zu schnell verlieren sich viele in diesem immer grösseren Daten-Dschungel und abstrusen Methoden.

 

Zufälle können nicht errechnet werden

Denn «Mehr Daten bedeutet eben nicht mehr Wissen», proklamiert Gerd Antes prägnant im Interview mit dem Tagesanzeiger. Der Mathematiker kritisiert den Rummel um Big Data Nutzung scharf, denn durch die Masse an Daten würden zufällige Korrelationen wahrscheinlicher. So zeigen der Pro-Kopf-Käsekonsum und die Anzahl Toter durch Verheddern im Bettlaken in den USA eine identische Kurve auf. Während eine maschinelle Analyse möglicherweise Rückschlüsse daraus gezogen hätte, erkennt ein menschlicher Wissenschaftler sofort, dass dies ein Zufall ist. [2]

Zufälle gibt es jedoch laut vielen Big Data Anhängern nicht mehr. Wenn genügend grosse Datenmengen verfügbar sind, meinen diese Anhänger nun, dass damit auch sämtliche Zusammenhänge vorausberechnet werden können.  Und zwar mithilfe von Machine oder Deep Learning sowie den richtigen Analysen. Die Erfahrung und verfügbaren Trainingssets (aus der Vergangenheit) würden dafür vollends ausreichen, und Fehlerbereiche aufgrund fehlender oder irrelevanter Daten gebe es kaum oder keine. Dieser Rückschluss ist doch überaus fatal. Natürlich können gewisse Bereiche, Zeiträume und Zusammenhänge, etc. für die etwas eher oder weniger wahrscheinlich eintritt, leichter erschlossen werden. Jedoch bedeutet dies noch lange nicht, dass deshalb keine Zufälle bzw. wesentliche Abweichungen möglich sind. Wie soll beispielsweise eine Analyse gesammelter Daten aus der Vergangenheit Verkehrsunfälle in der Zukunft präzise voraussagen?  Oder auch Krankheiten? Schliesslich sind Krankheitsverläufe – und damit digitale Daten von Patienten – längst nicht immer vollständig, einheitlich und aussagekräftig genug. [2]

Datenanalyse kann also lebensbedrohlich sein…

Gerade in der Medizin warnt nicht nur Gerd Antes vor dem Big Data und AI Hype. Wird eine falsche Behandlungsmethode aufgrund von Ergebnissen von Big Data Analysen und Machine Learning angewendet, können die Auswirkungen sehr gefährlich sein – für den Menschen, für das Portemonnaie und für die Reputation. Denn vielleicht werden bei dieser Riesenmenge an Daten die wahren Korrelationen und Ungereimtheiten gar nicht erst entdeckt. Korrelationen und Ungereimtheiten, die Leben bedrohen oder retten können. [2]

Erst kürzlich geriet IBM erneut in die Negativ-Schlagzeilen, als das Medienunternehmen STAT für einen Bericht IBM-interne Dokumente analysierte, welche konkludierten, dass Watson for Oncology wiederholt «unsichere und inkorrekte» Krebsbehandlungen empfohlen hatte. Ebenso besagten diese, dass IBM-Mitarbeiter und -Vorgesetzte davon in Kenntnis waren. Immerhin sei aufgrund dieser Empfehlungen noch kein nachgewiesener Todesfall aufgetreten, jedoch haben viele renommierte Spitäler beschlossen, die mehrere millionenteure Technologie nicht mehr einzusetzen. [3]

Insofern sind in diesem Bereich erste Anzeichen eines Umdenkens sowie eines wieder etwas rationaleren Vorgehens zu erkennen. Schliesslich ist auch der noch vor 2-3 Jahren scheinbar grenzenlose Hype um IBM‘s Wundercomputer Watson im Bereich Medizin wieder am Abklingen. Viele weitere, ähnliche Anwendungsgebiete werden folgen. Spätestens, wenn es wieder mehr um Fakten, belastbare Ergebnisse und Relevanz geht, und weniger um grossspurige Selbstvermarktung sowie vollmundige Versprechungen der bekannten globalen Tech-Konzerne und deren oft noch sehr experimentellen Produkte. Sicher ist, dass die vorgängig beschriebenen Erkenntnisse und Learnings aus der Medizin nahezu 1:1 auf den digitalen HR-Markt zu übertragen sind, wo diese beispielsweise beim Matching von Jobs und Talenten Anwendung finden.

 

Vertrauenswürdiges Wissen kommt von Experten

Schon vor über fünf Jahren provozierte Cornel Brücher mit seinem Werk «Rethink Big Data» und bezeichnete die Big Data Anhänger als Narren. [2] Wir bei JANZZ haben schon von Anfang an dies sehr ähnlich gesehen. So ist es schlichtweg nicht möglich, Wissen im Umfeld von Jobs und CV’s, komplexerer Occupation Data etc. mit Machine Learning allein zu erlangen. Alle, die etwas anderes behaupten, liegen nachweislich falsch. Und diese Behauptungen bleiben falsch und nutzlos, egal, wie oft man die gleichen Ideen und Produkte wieder neu anpreist und vermarktet. Und selbst dann noch, wenn noch viel mehr Geld als bereits bis anhin in diese Technologien investiert wird.

Deswegen und trotz der vielen Investitionen sind die Ergebnisse, die auf dieser immer gleichen Herangehensweise basieren, immer noch weitgehend unzureichend, und haben sich darüber hinaus während der letzten Jahre kaum noch weiter verbessert. Und zwar unabhängig davon, wie gross die dafür verwendeten Datensätze z.B. bei LinkedIn, IBM & Co. auch sein mögen. Die Ergebnisse aus Machine Learning werden nicht nur immer fehlerbehafteter je mehr Faktoren und Variablen und damit komplizierte Regeln und Relationen hinzukommen, es resultieren daraus auch diese falschen Korrelationen oder zeitweise sogar vermeintliche Kausalität. Knowledge Graphs, bzw. Ontologien dagegen schaffen die Möglichkeit, Wissen in einer sehr tiefgehenden und strukturierten Art und Weise abzubilden und zu nutzen. Dadurch, dass das Wissen von Experten in ihrem Bereich strukturiert abgelegt und verbunden ist – und nicht durch Informatiker berechnet, die nun mal Experten im Programmieren sind, aber beispielsweise nicht in der Medizin oder in unterschiedlichen Ingenieurberufen oder Investmentbanking-Bereichen etc.,  – ist das Wissen von Knowledge Graphs sehr gut überprüfbar und vertrauenswürdig. Eine wichtige Eigenschaft, die beim Errechnen aus Machine Learning fehlt. Da Knowledge Graphs die Zusammenhänge zwischen vielen verschiedenen Bereichen verstehen, können nur diese relevante und präzise Suchergebnisse und Empfehlungen liefern. So zum Beispiel im Bereich Occupation Data: Weil ein Knowledge Graph den Unterschied und die Zusammenhänge zwischen Kompetenzen, Erfahrungen, Funktionen, Spezialisierungen und Ausbildung erkennt, weiss dieser, dass für Jobtitel «J» mit Ausbildung «A», Kompetenz «K» wichtig ist. Nehmen wir als Beispiel einen «Senior Cloud Architect»: Ein Knowledge Graph erkennt diesen Jobtitel und weiss, dass beispielweise das Masterstudium «Computer Science» eines Tages zu diesem Titel führen könnte, wenn der Bewerber gleichzeitig beispielsweise die Kompetenz «Cloud Solution Development», sowie einige Jahre Berufserfahrung nachweisen kann.

 

Auch Google vertraut bei Occupation Data auf Experten bzw. auf einen Knowledge Graph

Dies proklamierte schliesslich auch Google, als das Unternehmen ihren Knowledge Graph «Google Cloud Jobs API» lancierte, worauf ihre Google for Jobs Suche aufbaut (Siehe „Google Launches its Ontology-powered Jobs Search Engine. What Now?“). Google erkannte damals, dass ein Ontologie-basierter Ansatz bessere Suchergebnisse liefert. Bei einer semantischen Suche, die sich auf das Wissen eines Knowledge Graphs stützt, kämen bei einer Suche eines «Admin Assistant» keine Ergebnisse hinzu, die nur dem Suchwort ähnlich sind, wie «HR Admin» oder «Software Admin». Gleichermassen könnte eine Big Data Analyse womöglich zufällige Korrelationen ermitteln und somit ganz andere, dritte Jobs vorschlagen, die lediglich ähnliche Kompetenz-Anforderungen aufweisen (so benötigen sicherlich sowohl Ingenieure als auch Büroangestellte Wissen über Microsoft Office).

Den Unterschied und damit wahrlich die Jobsuche und das allgemeine Verständnis für Berufe und ihre Zusammenhänge zu kennen, geht also meist nur mit einem Knowledge Graph. So erläuterte Matt Moore, Produktmanager der Google Cloud, den Sinn und Grund für die Google Cloud Jobs API: «Wir wollen allen Arbeitgebern und Bewerbern bessere Erfahrungen bei der Jobsuche ermöglichen. Denn seien wir ehrlich: Die richtigen Personen einzustellen, ist das Wichtigste, was Unternehmen tun müssen.« [4]

 

Nur Menschen verfügen über die nötigen Menschenkenntnisse…

Und da stellt sich die Frage, wem man wirklich vertrauen kann, wenn es um die wohl wichtigste Aufgabe geht: die Auswahl des Personals. Eine unendliche Geschichte: Nach dem Lebenslauf beurteilt, war der Bewerbende der perfekte Kandidat/die perfekte Kandidatin, doch menschlich passte es dann leider überhaupt nicht. Solche Schlussfolgerungen zu ziehen, die die verfügbaren (digitalen) Daten nicht suggerieren, bewegt sich auf einer Ebene, auf der HR-Spezialisten, sprich Menschen am Zug sind. Technologische Tools können Lebensläufe nach offensichtlichen Erkenntnissen wie Ausbildung, Skills, Erfahrung, etc. verwalten und ranken, falls die Datenflut beherrschbar ist und vor allem korrekt ausgewertet wird. Auch der beste Kandidat auf dem Papier kann durch die grossen Mengen an falsch interpretierten oder unverstandenen Kriterien plötzlich in der Menge verschwinden. Und CV Nr. 1 gehört eben nicht immer dem besten Kandidaten, bzw. der besten Kandidatin. Im festen Glauben daran, auch diesen letzten Rest Faktor Mensch endgültig aus den Prozessen zu verbannen, versuchen immer mehr Techfirmen und Start-ups diese Dimension noch zu digitalisieren und dank künstlicher Intelligenz zu beherrschen. Wiederum mit meist untauglichen Methoden und noch bevor die eigentlich prozessfähigen, bestehenden, digitalen Daten richtig verwendet und ausgewertet worden wären. Eine Tatsache, worüber sich die Spezialisten und führenden Anbieter von Technologien, die sich schon seit einigen Jahren mit seriösen und belastbaren Prozessen und Produkten im digitalen HR befassen, grundsätzlich einig sind. Und nicht erst seit Google auch in dieses Marktsegement eingetreten ist. [5]

 

Big Data begrenzt Wissensentwicklung

Mehr Daten bedeuten meist also wirklich nicht mehr Wissen. Wissen muss strukturiert, abgelegt und validiert werden. Und fachkundige Menschen müssen dafür involviert sein. Es ist somit Vorsicht geboten, bei der Bekämpfung der Datenflut, welche sich am Ende nicht mehr strukturieren lässt und zufällige Korrelationen ergibt. Alexander Wissner-Gross, Wissenschaftler an der Harvard University und am Massachusetts Institute of Technology (MIT), hat es interessant zusammengefasst: «Die vielleicht wichtigste Nachricht unserer Zeit ist, dass Datensätze – nicht Algorithmen – der entscheidende begrenzende Faktor für die Entwicklung der künstlichen Intelligenz auf menschlicher Ebene sein könnten.» [6]

Vielversprechend ist also vor allem der Inhalt des Wissens, nicht die Menge an Daten, woraus dieses Wissen entzogen werden soll. Und vielversprechend bzw. beruhigend ist, dass letztendlich in vielen wichtigen Bereichen wie der Medizin oder der Personalauswahl nur Experten oder auf echter Expertise basierende Tools zuverlässig und richtig urteilen können. All das macht den ganzen Hype um Big Data und AI im HR bereits etwas erträglicher. Und unsere Mission bei JANZZ.technology „We turn Big Data into Smart Data“ aktueller denn je.

 

[1] Brücher, Cornel. 2013. Rethink Big Data. Frechen: MITP-Verlag.

[2] Straumann, Felix. «Vieles ist blankes Marketing». Big Data. In: Tagesanzeiger (2018), Nr. 168, S. 32.

[3] Spitzer, Julie. 2018. IBM’s Watson recommended “unsafe and incorrect” cancer treatments, STAT report finds. URL: https://www.beckershospitalreview.com/artificial-intelligence/ibm-s-watson-recommended-unsafe-and-incorrect-cancer-treatments-stat-report-finds.html [2018.08.01].

[4] Aus Video: Google Cloud Platform. 2017. Google Cloud Jobs API: How to power your search for the best talent (Google Cloud Next ’17). URL: https://www.youtube.com/watch?v=Fr_8oNKtB98 [2018.08.03].

[5] Watson, Christine. 2018. RecTech is creating more – not less – need for the human touch. URL: http://www.daxtra.com/2018/08/03/rectech-creating-more-need-for-human-touch/?utm_content=75449136&utm_medium=social&utm_source=twitter [2018.08.09].

[6] Alexander Wissner-Gross. 2016. Datasets Over Algorithms. URL: https://www.edge.org/response-detail/26587 [2018.07.27].

Es ist das dominierende Thema heutzutage in den digitalen HR-Prozessen: Wie können für das Matching effizientere, zeitgemässere sowie bessere Tools und Technologien entwickelt werden, welche die vielseitigen Aufgaben und Herausforderungen kundenorientierter lösen. Die Spreu vom Weizen zu trennen, ist dabei schon eine sehr anspruchsvolle Aufgabe. Wenn die technologische Wahl in der heutigen Zeit nicht bereit ist, die Zukunft mitzugestalten, hat dies starke Auswirkungen auf das Matching. Vor allem aber werden Probleme in der Zukunft forciert. Denn Matching bedeutet Verständnis. Verständnis dafür, welchen Herausforderungen sich ein Arbeitsmarkt stellen muss. Alle Anbieter von Job-Matching-Technologien sind der Meinung, sie seien in der Lage, die Arbeitssuchenden zu vermitteln und somit den Arbeitsmarkt zu beleben. Doch es gibt nicht den Arbeitsmarkt. Jeder Arbeitsmarkt hat seine Charakteristiken und nur weil möglichst viele Menschen schnell vermittelt sind, ist es damit noch nicht getan: Es sind nämlich andere, vielschichtige Probleme, denen wir ins Auge blicken müssen. Aus diesem komplexen Thema wurden vier Problemfelder ausgewählt, welche aufzeigen, warum es nicht nur um reine Vermittlung geht. Und warum im Jetzt vorgebeugt werden muss, um die Probleme in der Zukunft abzuschwächen.

1) Heute Vollbeschäftigung, morgen Gap

Ist Arbeitslosigkeit zurzeit überhaupt ein Problem in der westlichen Welt?
Denn kaum war die erste Woche des Jahres vergangen, kamen die neuen Zahlen des US-amerikanischen Arbeitsmarktes heraus. Diese näherten sich stark der vollen Beschäftigung (definiert als drei Prozent Arbeitslosigkeit) mit einer Arbeitslosenquote von 4.1 %, nachdem 250,000 neue Jobs im letzten Monat des Jahres 2017 gezählt worden sind. Der niedrigste Wert seit 17 Jahren. Mark Zandi, Chefökonom der Marktforschungsinstitution “Moody’s Analytics”, nannte den amerikanischen Arbeitsmarkt «bald so gut wie er sein kann». Viele westliche Länder haben im Moment ähnlich niedrige Zahlen aufzuweisen. Deutschland und die Schweiz liegen gar unter vier Prozent, Norwegen nur knapp höher und der EU-Durchschnitt ist der niedrigste seit zehn Jahren. Selbst das Vereinigte Königreich ist in dieser Hinsicht noch nicht vom Brexit getroffen worden. Planen die Arbeitsämter nun lange Ferien?

Hoffentlich nicht. Denn deswegen zu denken, dass sich diese Staaten keine Sorgen um ihren Arbeitsmarkt machen müssten, ist ein Trugschluss. Jeder Arbeitsmarkt stellt sein Arbeitsministerium vor seine eigenen Herausforderungen, weshalb Arbeitsämter immer gut zu tun haben. Und um nun die Public Employment Services grundlegend zu unterstützen, reicht nicht nur eine reine Vermittlungslösung. Es bedarf vor allem an weitreichend fundiertem Wissen über die Arbeitsmärkte und ihren vielfältigen Herausforderungen, von denen zurzeit in allen Ecken der Welt unterschiedliche lauern.

Hierzu zählt aktuell allen voran die Digitalisierung: Der europäische Arbeitsmarkt ist an vielen Orten zwar nahe an der Vollbeschäftigung, doch aufgrund dieses Trends können die Beschäftigten zu leicht in der Zukunft ersetzt werden. Wer braucht einen Taxifahrer, sobald der Wagen selbst zum Chauffeur wird? Und wer braucht eine Putzhilfe, wenn das Reinigen Roboter übernehmen, die selbst in engsten Ecken säubern? Zwischen den Jobs mit niedrigerem Qualifikationsniveau gibt es jedoch grosse Unterschiede. So können Reinigungen viel leichter von Maschinen übernommen werden als beispielsweise komplizierte Näharbeiten. Es sind also nicht alle Jobs mit niedriger Qualifikation gefährdet – jedoch viele. Und nicht nur diese. Denn auch Mitarbeitende mit höherer Ausbildung kann man ersetzen, da Computer die Statik von Gebäuden, Logistik- oder Produktionsprozesse wesentlich genauer berechnen und verbessern können. Ebenso gilt ein Computer als immer verlässlicher und vor allem risikoaverser als der lebendige Finanzberater in der Bankfiliale nebenan, da er nun mal aufgrund von Fakten und nicht Emotionalität entscheidet.

Diese komplexen Herausforderungen lassen sich nicht einfach mit reiner Vermittlung lösen, denn auch wenn jemand vermittelt werden konnte, könnte dieser Job in naher Zukunft durch die Digitalisierung verschwinden. Wenn der Verbrennungsmotor bald pensioniert und vom Elektromotor abgelöst wird, sind wesentlich weniger Kräfte nötig, denn für die Herstellung eines Elektromotors bräuchte man nur noch vier Mitarbeiter anstatt sieben. Die drei Überflüssigen werden nun also arbeitslos, und um diese wieder zu vermitteln, darf nicht nur zugeschaut und abgewartet werden.

 

2) Die Schere öffnet sich

Schaut man bestimmte Berufsgruppen an, lässt sich das Gegenteil als Herausforderung erkennen. Während einige Berufe verschwinden, werden gleichzeitig in anderen Bereichen händeringend Kräfte gesucht. Die Medien bewerfen sich mit immer höheren Zahlen: 7000 offene Stellen für Pflegekräfte in der Schweiz, 100000 Ingenieure in Deutschland vermisst. Wie soll durch die Vermittlung ein Bedarf gedeckt werden, für den es keine Kräfte gibt?

Welchen Beruf die Menschen lernen möchten, deckt sich also immer weniger mit der Nachfrage. Von Beginn der Kindheit an gibt es eine sehr grosse Freiheit bei der Wahl zum Beruf: Fast jeder kann nahezu selbstbestimmt wählen, welche Karrierelaufbahn er einschlagen möchte. Diese Freiheit führt dazu, dass es einerseits häufig gewählte und andererseits sehr selten gewählte Karrierewege gibt. Und schliesslich stehen wir vor einer Schere, die zwischen diesen beiden Gruppen mehr und mehr auseinandergeht. In vielen attraktiven Berufen wird es immer schwieriger, den Lebensunterhalt über vier bis fünf Jahrzehnte zu sichern, und da wir immer länger arbeiten, ist gerade dieser Aspekt sehr wichtig. Wie viele Meeresbiologen werden wohl in der Schweiz wirklich benötigt? Und während die gutausgebildeten Meeresbiologen arbeitslos verbleiben, unterschreiben Ingenieure Arbeitsverträge noch lernend im Hörsaal lernen. Ein Trauerspiel.

Dies sollte als Ansporn für eine neue Aufgabe sowohl für Politik, Gesellschaft, Universitäten als auch für alle weiteren beteiligten Parteien gesehen werden: Wir haben einen Bedarf, also machen wir den Bedarfsbereich attraktiv. Es ist Zeit, dass Einfluss genommen wird auf die Ausbildung und die Karriereplanung. Nicht nur in der Not reagieren, sondern gezielt vorbeugen. Was kann getan werden, damit junge Menschen Ausbildungen wählen, die unbedingt benötigt werden? Es muss in die Zukunft geschaut werden. Begrenzen wir stark frequentierte Studiengänge in einem stärkeren Rahmen? Fördern wir Personen, die unattraktive Ausbildungen wählen?

Natürlich könnte man die Löhne von Berufen wie in der Pflege schlichtweg substantiell erhöhen, um diese attraktiver zu machen. Aber wer soll das bezahlen, wenn die Konsumenten nicht bereit sind, mehr zu zahlen? Solange Produkte und Dienstleistungen immer günstiger werden, können die Löhne auch nicht gesteigert werden – und das sorgt dafür, dass die Erträge nicht ausreichen und der Job als unattraktiv gilt. Auf diese Art und Weise kann aktuell also ein Job nicht attraktiver gemacht werden.

Bei solchen Herausforderungen ist es nicht sinnvoll, schlichtweg über Vermittlungsstrategien, ganz gleich ob technologisch oder nicht technologisch, nachzudenken. Denn auch dieses Problem ist nicht mit reiner Vermittlung gelöst. Vielmehr sollte man darauf hinarbeiten, dass sich Angebot und Nachfrage decken. Es müssen neue Modelle geschaffen werden, um auf aktuelle Trends und Gaps reagieren zu können. Die Gapanalyse zeigt, dass der Mangel immer grösser wird und zwar in allen Märkten. Und dies lässt sich leider nicht mit Migration klären, obwohl sich daraus zurzeit insbesondere in Europa viele Möglichkeiten entwickeln.

 

3) Abwanderung als einziger Ausweg

Denn leider gibt es sogar ganze Regionen, in denen die Erträge von Arbeit einfach nicht reichen. In diesen Teilen der Erde fühlen sich die Menschen, als müssten sie wegziehen, um Arbeit zu finden. In Litauen beispielsweise gibt es in fast jeder Familie jemanden, der im Ausland arbeitet, denn die Menschen können dort von ihren Löhnen bei steigenden Lebenshaltungskosten kaum leben. Das kleine Land hat deswegen in den letzten 15 Jahren über eine halbe Million Menschen verloren- eine grosse Anzahl bei einer Gesamtbevölkerung von unter drei Millionen. Vor allem junge Menschenverlassen das Land entweder schon vor oder gleich nach dem Studium. Zurück bleibt eine Gesellschaft, die umso schneller altert.

Oder schauen wir uns die Bevölkerung von Indonesien an: über eine Viertelmilliarde Menschen. Diese findet ihren Arbeitsmarkt sicher interessant, denn die Wirtschaft im Land ist stark wachsend. Doch umso mehr wächst die Bevölkerung – jedes Jahr um drei Millionen Menschen, also so viele wie in den Städten Berlin oder Madrid leben. Dabei ist über die Hälfte unter 30 Jahre alt. Diese vielen jungen Menschen benötigen irgendwann alle eine Arbeitsstelle. Auch hier sehen viele die Abwanderung als nötigen Ausweg. Und auch in solchen Fällen müssen neue Modelle geschaffen werden, Modelle die Angebot und Nachfrage wieder auf ganz andere Weise ausgleichen. Man kann keinen Menschen vermitteln, wo schlichtweg kein Job verfügbar ist.

 

4) Einen Job haben, ist nicht genug

Aber selbst wenn Jobs verfügbar sind, reichen reine Vermittlungsstrategien nicht aus. So versuchen einige südamerikanische Arbeitsmärkte neben vielen anderen Herausforderungen wie Kriminalität, Drogenmissbrauch und Intransparenz von Geldflüssen, «Unterbeschäftigung» zu bekämpfen. Ein Begriff, der nicht für Arbeitslosigkeit steht, sondern für zu wenig Arbeit und zu wenig Stunden. Von den geringen Löhnen kann dann kein vernünftiger Lebensstandard gesichert werden. Selbst nach den vielseitigen, nachhaltigen Bemühungen der Arbeitsministerien bleibt die Situation auf den Arbeitsmärkten kompliziert. In Paraguay beispielsweise liegt die Arbeitslosenquote bei etwa neun Prozent, ein ähnlicher Wert wie in hochentwickelten Ländern wie Frankreich oder Finnland. Doch was sagt dieser Wert aus? Durch die Unterbeschäftigung, und immer noch viele Tagesbeschäftigte, tauchen so einige Bürger dementsprechend nicht in der Arbeitslosenquote auf, denn sie haben ja einen Job. Die Arbeitslosenquote sagt also nur wenig darüber aus, ob ein vernünftiger Lebensstandard in einem Staat oder einer Region gesichert ist.

 

Reagieren anstatt abwarten

Ja, die Arbeitslosenquoten sind niedrig. Aber eine niedrige Quote rettet keinen Arbeitsmarkt. Jeder Arbeitsmarkt hat zusätzlich sein spezifisches Problem, auf welches ganz unterschiedlich reagiert werden muss. Und es kommen noch viele weitere hinzu: Wie vermittelt man Menschen über 50? Wie platziert man hochqualifizierte Flüchtlinge? Grundsätzlich ist absehbar, dass wenn PES nicht adaptieren, und somit möglichst viele Herausforderungen meistern, werden grosse Probleme dafür sorgen, dass die PES ihre Daseinsberechtigung verlieren. Es muss nun reagiert und Diskussionen müssen gestartet werden. Diskussionen, die datenbasiert sind und somit die richtigen Tools und Technologien benötigen. Aber nur die Tools und Technologien bereitzustellen, wird nicht mit Erfolg gekrönt sein. Eine ausgeprägte Expertise hingegen, die über ein Jahrzehnt entwickelt wurde, weiss genau, welches Problemfeld, an welcher Stelle und auf welche Art und Weise angegangen werden soll und somit auch, wie die Tools richtig eingesetzt werden müssen. Gleichzeitig braucht es jemanden, der genau diese ansehnliche Expertise frühzeitig einsetzt. Es ist nur eine Frage der Zeit, wann die Arbeitslosigkeit wieder steigt, vor allem bei den Jugendlichen. Wenn das richtige, grundlegende Verständnis für Probleme dieser Art vorhanden ist, können die Möglichkeiten frühzeitig erkannt und mit den richtigen Lösungsstrategien abgestimmt werden. Zudem müssen die spezifischen Anforderungen des Arbeitsmarktes in Erfahrung gebracht, berücksichtigt und im Heute angewendet werden, kurz: Es muss im Jetzt reagiert werden. Ich frage mich, warum Politik, Gesellschaft sowie Bildungsinstitutionen, etc. noch dastehen und zuschauen. Sie sollten sich JETZT mit Spezialisten besprechen, die über eben diese Expertise verfügen. Denn es gibt Spezialisten, die sich täglich mit allen genannten und ungenannten Herausforderungen von Arbeitsmärkten auseinandersetzen, sie reflektieren und analysieren. Die Spezialisten stehen mit ihrem Wissen bereit – bei JANZZ.technology.

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

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

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

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

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

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

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

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

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

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

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

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