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

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

Fehlende Initiative trotz bekannter Probleme

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

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

‘Distance makes the heart grow colder’

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

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

Die Moral der (wahren und fortwährenden) Geschichte

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

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

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

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

 

 

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

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

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

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

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

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

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

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

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

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

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

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

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

Wackelige Daten – wackelige Ergebnisse

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

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

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

Herausforderungen von OJA-Daten

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

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

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

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

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

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

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

Ernsthaft unterschätzt: die Herausforderung der Skills-Extraktion

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

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

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

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

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

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?

Creative Associates International berichtet über UbicaNica.jobs

Creative Associates International berichtete über UbicaNica.jobs – unsere KI-gesteuerte Plattform zur vorurteilsfreien Jobvermittlung in Nicaragua. Ayan Kishore, Direktor von Creative’s Development Lab, sagt im Artikel: «Nicaragua hat nicht wirklich viele Möglichkeiten für jemanden, online zu gehen und einen Job zu finden. Wenn Sie also in Nicaragua sind, sehen Sie sich Zeitungen an oder sind auf Mundpropaganda angewiesen. Auf diese Weise erfahren die Menschen einfach nicht, welche Möglichkeiten sich im Rest der Welt bieten.» Dank der von JANZZ und den anderen Hauptakteuren des Projekts gelieferten Technologie hinter UbicaNica.jobs wird dies ein echter Wendepunkt für die Arbeitssuchenden des Landes sein, insbesondere für die Jugend. JANZZ.technology ist bestrebt, weiterhin zu Projekten beizutragen, die KI für soziale Zwecke nutzen und ethische und verantwortungsvolle Prinzipien anwenden, um so in mehr Regionen bessere soziale Dienste zu schaffen.

Klicken Sie hier, um den Artikel zu lesen.

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.

JANZZ.technology als eines der besten Tech-Startups in Zürich gelistet

Wir sind stolz darauf, dass Seedtable JANZZ als eines der 96 besten Tech-Startups 2020 in Zürich ausgewählt hat.

JANZZ hat in diesem Jahr intensiv an der Entwicklung und Implementierung von semantischer Technologie für Job Matching und CV Parsing gearbeitet und dabei stolze Fortschritte erzielt. Unsere Produkte und Lösungen werden inzwischen von mehreren öffentlichen Arbeitsverwaltungen auf der ganzen Welt sowie von grossen Privatunternehmen eingesetzt und von Organisationen wie der Weltbank, der IDB und der ILO unterstützt und empfohlen. Wir haben auch unser Team verstärkt und können nun unsere Lösungen in über 40 Sprachen anbieten.

Seedtable ist ein wöchentlicher Newsletter über europäische Tech-Unternehmen, der von über 12.000 Gründern, Investoren und Betreibern jede Woche gelesen wird. Er beurteilt Startups in ganz Europa nach den Qualitäten ihrer Gründer, der Wachstumsrate, der Finanzierung und dem Skalierbarkeitspotenzial.

Vielen Dank an Seedtable für einen inspirierenden Start ins neue Jahr!

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