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/

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.

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

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

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

Ernsthaft unterschätzt: die Herausforderung der Skills-Extraktion

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

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

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

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