JobBarometer - Methodik

00:14 Das Jobbarometer ist das neue Tool des AMS und ich darf heute 00:17 unsere Methodik, aber auch die Datengrundlage davon vorstellen. 00:21 Grundlegend ist das AMS JobBarometer ein Tool, was Auskunft darüber gibt, welche Berufe sich in 00:25 Onlineinseraten wie entwickeln. Das heißt: 00:28 Was wird gesucht? Wie verändert sich die Tätigkeitenstruktur in den Berufen? 00:33 Wie werden die meisten Berufe nachgefragt? 00:35 Das heißt, wie viele Online 00:36 Inserate wurden über die Jahre gesucht und auch in den Bundesländern. 00:39 Zusätzlich haben wir auch eine Prognose, die wir für jeden Beruf, 00:42 den es in Österreich gibt, darstellen können. 00:45 Grundlegend hat das Jobbarometer ganz, ganz viele Inhalte. 00:48 Es geht um Textliches, es geht um zusätzliche Analysen. 00:51 Aber das Wichtigste sind unsere Daten, die aus dem Inseraten herauskommen. 00:56 Das heißt, die sind da für die Bundesländer, für die einzelnen Berufe, 01:00 die Entwicklung in den vergangenen Jahren, der Vergleich mit ähnlichen Berufen, 01:03 auch im Bundesländervergleich und natürlich, wie schon gesagt, 01:06 wie sich diese Berufsprofile über die Zeit auch verändern. 01:09 Ich denke, am besten ist es, wir gehen in aller Kürze 01:12 auf eine Detailseite in unserem Jobbarometer. 01:16 Was wir hier relativ schön sehen, 01:18 ist eine kurze Darstellung, wie ein Job 01:21 im Jobbarometer ausschaut und man hat mehrere Informationen. 01:24 Es sind unsere Daten dargestellt über die Zeit, 01:27 man hat die Daten über ähnliche Berufe, im Bundesländervergleich. 01:31 Man sieht schön, welche Kompetenzen gefragt sind und 01:34 das ist wahrscheinlich hier das Interessanteste. 01:37 Wir haben auch dieses Dreiergespann an Grafiken, die sich mit dem Trend 01:40 und der Bedeutung des Berufs auseinandersetzen. 01:43 Hier sehen wir ganz schön, dass dieser Job, 01:45 in diesem Fall Softwareentwickler, 01:49 einen sehr hohen Anteil am Inseratenaufkommen hat. 01:52 Das war im Jahr 2022 77.450 Inserate, die gesucht worden sind. 01:57 Der Anteil ist wie gesagt, hoch, 01:59 und die Prognose, die im Hintergrund läuft, ist sehr positiv. 02:02 Diese Prognose wir sehen das hier, ich zoom hinein, 02:05 ist eine Infografik, ein sogenannter Barometerwert, woher auch 02:09 der Name des Jobbarometer kommt. 02:11 Im Hintergrund ist natürlichnoch sehr viel mehr als nur 02:15 diese Informationsgrafik. 02:17 Zu den Daten: 02:18 Das ist nämlich das Wichtigste, was wir hier darstellen wollten. 02:20 Das Ganze ist sehr stark datengetrieben. 02:22 Wir schauen, dass wir Zeitreihen darstellen können, 02:24 die Vergleichbarkeit der Berufe darstellen können. 02:26 Und auch für die Prognose selbst, sind die Daten natürlich unerlässlich. 02:31 Und was das Ganze als Datenbasis hergibt, sind offene Stellen des AMS, 02:34 aber auch ergänzende Stellenangebote aus dem Internet, 02:37 die von unserem Data Provider, der Firma Text Kernel aus Holland, 02:41 mit den täglichen offenen Stellen vom AMS noch zusätzlich angereichert werden. 02:46 Und die durchsuchen Datenquellen aus dem Internet. 02:49 Das sind jetzt zum Beispiel die klassischen Karriereplattformen 02:51 nach Jobinseraten mit sogenannten Spidertechnologien. 02:55 Da gibt es zwei Unterschiedliche, 02:56 man hat jetzt Wildspider, die das Internet etwas breiter durchsuchen 03:00 und sogenannte Directspider, 03:03 die auf einzelne Seiten maßgeschneidert sind, 03:06 um dort die Informationsstrukturbesser abgreifen zu können. 03:09 Die Daten werden gespeichert und werden klassifiziert. 03:12 Das heißt hier werden Jobtitel, aber auch Berufstexte, 03:16 die dann nach Kompetenz abgesucht werden, nach der Systematik 03:20 des Berufsinformationssystem des AMS klassifiziert und normiert. 03:25 Zusätzlich werden diese Daten aber auch dedupliziert, 03:29 das bedeutet, mehrfache Inserate werden bereinigt, weil es natürlich sein kann, 03:32 dass dieser gleiche Job auf sehr vielen Stellenplattformen gesucht wird. 03:37 Wir überprüfen diese Daten, bereinigen sie noch ein Stück weit, aber vor allem 03:41 kommen diese Daten bei uns als Content auf die Website, aber eben auch 03:45 als Datenbasis für unsere Prognose. Wie so etwas ausschaut, 03:50 dafür gehen wir vielleicht ganz kurz auf eines unserer Dashboards, 03:52 wo wir schön sehen können, 03:54 die Daten selbst sind im Tool jährlich dargestellt. 03:57 Das sind Jahresdaten für uns, weil auch die Prognose dann über die Zeit 04:01 länger geht. 04:02 Aber natürlich sind die Daten hochfrequent. 04:04 Wir haben das als Tagesdaten zur Verfügung 04:06 und man kann sich hier sehr schön anschauen, 04:08 wie die Inserate nach Wochen ausschauen, wie die Inserate 04:11 in den Bundesländern verteilt sind, an welchen einzelnen Tagen hier 04:15 zum Beispieldie Inserate besonders oft geschaltet werden. 04:17 Aber auch, was die meisten Inserate waren, 04:20 das heißt, was sind jetzt besonders wichtige Berufe 04:24 in Inseraten, die gefunden worden sind, was man hier schön sieht. 04:31 Das Ganze kommt bei uns dann in diesen Barometer Wert, 04:35 deswegen ja auch Jobbarometer, der die Prognose umfasst. 04:39 Diese Jobprognose hat im Endeffekt drei verschiedene Stufen. 04:43 Die erste Stufe sind die Daten selbst, auf die ich hier schon eingegangen bin. 04:47 Die zweite Stufe sind Ähnlichkeitsverhältnisse, 04:49 weil es durchaus interessant ist,auch ähnliche Berufe und deren Entwicklung 04:53 mit betrachten zu können. 04:55 Und das Dritte, diese Stufe geht im Endeffekt darum, 04:58 dass man auch andere Datenquellen, auch Literatur, auch qualitative 05:02 Informationen in die Prognosemit einfließen lassen kann. 05:05 Das Ganze ist ein Bajon Vektor autoregressives Model, 05:09 welches für die Schätzung genutzt wird und dann in weiterer Folge 05:13 für den Barometer in eine Infografik übersetzt wird. 05:17 Natürlich gibt es da auch nochregelmäßige Validierungen, 05:19 denn schon am Anfang des Projektshaben wir uns angeschaut, 05:21 wie diese Methode auch gegen andere Zeitreihen Ansätze performen würde. 05:25 Und das ist ein sehr guter Ansatz, um dieser Komplexität auch gerecht 05:29 werden zu können. 05:30 Ich bin schon drauf eingegangen, 05:31 die Datengrundlage sind Jobinseratedaten von Text Kernel, 05:35 die täglich und automatisiert aus dem Internet abgegriffen werden, 05:38 normalisiert werden, dedupliziert werden. 05:40 Und wir betrachten dann die Zeitreihe der relativen Bedeutung 05:44 am gesamten Inseratenmarkt von diesen Berufen. 05:47 Das ist die Datengrundlage. 05:49 Darauf ist die Zeitreihen Komponente basiert. 05:52 Dann schaut man sich an nach der Systematik des Berufsinformationssystems, 05:57 was sind verwandte Berufe mit Näheverhältnissen 06:00 und wie haben die sich entwickelt? 06:02 Das heißt, auch das kann einen Informationsgehalt haben. 06:04 Aus zwei Gründen. 06:06 Denn einerseits basiert die Normalisierung auf Machine Learning Ansätzen, 06:10 und sie ist auch als Menschnicht immer leicht, 06:12 diese Inserate tatsächlich einem Job zuzuordnen. 06:14 Manchmal könnte hier mehreres passen, 06:16 das heißt, diese Information 06:17 können wir mit einbeziehen, aber auch, dass man sagen kann, 06:21 es ist nicht unplausibel zu denken, dass ähnliche Berufe 06:24 durchaus ähnliche Entwicklungstrajektoren aufweisen können. 06:28 Dementsprechend ist diese Informationauch nicht unwichtig. 06:31 Das heißt, verwandte Berufe sind hier ebenfalls eine wichtige Bedeutung 06:35 in unserer Prognose. 06:36 Und der letzte Teil ist jetzt eben das Spannende, 06:39 da ist einerseits ein wissenschaftlicher Redaktionsprozess im Hintergrund, 06:43 wofür die Berufe in Literatur, anderen Datenquellen, vielleicht auch in 06:47 internationalen Prognosen betrachtet werden und in diesem Redaktionsteam 06:52 dann als Annahme, als sogenannte A-Priori steady-state Values definiert werden. 06:57 Das heißt, das Ganze wird definiert als Mittelwert. 06:59 Wie entwickelt sich das Ganze auf einer Fünfer Skala, die auf Basis 07:03 der alten Daten von der letzten Periode schaut, 07:07 was wäre ein Wert, der zum Beispiel positiv steigt? 07:09 Was wäre ein Wert, der tendenziell negativ steigt? 07:12 Das wäre dann der Mittelwert, aber auch die Sicherheit im Redaktionsprozess. 07:17 Das heißt im Endeffekt, wie sicher ist sich der wissenschaftliche Redakteur, 07:21 dass diese Schätzung, diese A-Priori-Annahme durchaus stichhaltig ist? 07:25 Denn diese Varianz und da kommen wir später 07:27 noch dazu spielt dann auch eine große Rolle, 07:31 wie die Prognose geprägt wird von den qualitativen Daten. 07:34 Da könnte ich jetzt wieder ein weiteres Dashboard herzeigen. 07:37 Hier sehen wir zum Beispiel die Konjunkturkomponente, die wir haben. 07:40 Wir können uns anschauen, 07:41 wie sich die Arbeitslosigkeitentwickelt hat, 07:43 die auch nach 07:44 unterschiedlichen Merkmalen zu betrachten ist, zum Beispiel nach Geschlecht. 07:47 Man könnte dann aber auch sagen,wie sich die Stellenanzeigen entwickelt haben. 07:50 Aber auch wenn wir jetzt an Corona denken, zum Beispiel 07:52 die Kurzarbeitszahlen, die durchaus nicht unspannend sind, 07:55 und all das sind durchaus Informationen, 07:57 die wir einfließen lassen können und die wir über diesen qualitativen Prozess 08:01 eigentlich gut einbinden können 08:03 in diesen Bajon Vektor 08:05 autoregressiven Model. 08:07 Das Kunststück ist aber eigentlich die Literatur im Hintergrund, 08:11 denn hier haben wir diesen 08:12 ganze Redaktionsprozessin einer Wissensdatenbank abgespeichert, 08:15 wo wir wirklich zu den Berufen auch einzelne Trends darstellen können. 08:20 Das heißt, 08:20 wir haben hier diese Datenbank,die jetzt als Netzwerk dargestellt werden 08:24 kann,wo einzelne Berufe auch darstellbar sind. 08:27 Man kann auf die draufklicken, man sieht dann gleich okay, 08:30 welche globalen Trends wirkenauf diese Berufe. 08:33 Kann dann aber auch 08:34 wenn ich mir einen Trend direkt anschaue, zum Beispiel wie hier Industrie 4.0, 08:36 auf welche Berufe wirkt sichder zum Beispiel aus? 08:40 Geht es immer nach Obergruppen oder der European Green Deal? 08:42 Oder eben der Fachkräftemangel, der sich natürlich auf sehr vieles, 08:45 vor allem angebotsseitig auswirkt. 08:47 Aber eben wie hier die Bock die man eben anschauen kann 08:50 und was damit für interessante Veränderungen verknüpft sind. 08:55 Genau. 08:55 Und all diese Informationen sind da gespeichert und werden dann vom Redakteur 09:00 übersetzt in eine qualitative Annahme, 09:03 die man dann übersetzen kann, in eine Verteilung. 09:06 Und das schauen wir uns auch ganz kurz an 09:10 Was man hier sieht, ist eine Grafik, wo drei Verteilungen sind. 09:14 Wir haben die Likelihood Verteilung aus den Daten, 09:16 der schwarz gepunktete Bereich. 09:19 Das wäre quasi, was man aus einer Prognose mit reinen Zeitreihen erwarten würde. 09:24 Dann hat man die A-Priori Verteilung und diese A-Priori Verteilung, 09:28 das ist die grau gestrichelte Linie, die in diesem Fall zum Beispiel 09:31 tendenziell negativ wäre und auch relativ sicher, 09:34 weil man hat hier eine relativ spitze Verteilung, wenn man so will. 09:37 Man sieht da recht schön, 09:38 dass dann diese A-Priori Annahme die Prognose durchaus beeinflusst, 09:43 weil die goldene Kurve die A-Posteriori-Verteilung, woraus 09:46 dann der Prognosewert gesampelt wird, 09:48 ist jetzt noch weiter nach links gerückt, als die Daten es vorschlagen würden. 09:53 Und natürlich und das ist jetzt nur eine kleine Darstellung zur Illustration, 09:56 je stärker wir hier diese Kurven verändern, 10:00 man kann sie verschieben, 10:01 aber man kann auch die Varianz dieser Verteilung durchaus verändern. 10:06 Wenn jetzt diese Varianz größer ist, 10:08 das heißt, wenn es zum Teil sogarkomplett uninformativ geworden ist, 10:12 dann degradiert dieses gesamte Modell zu den klassischen Zeitreihen Modell, 10:15 also zu einem normalen Vektorautoregressiven Modell. 10:18 Das andere hingegen wäre, wenn ich zum Beispiel sehr genau wüsste, 10:22 wie sich ein Beruf entwickelt. 10:23 Man könnte jetzt zum Beispielan Planstellen in der Justiz denken, 10:27 wenn man wüsste, 10:28 hier gibt es jetzt eine gewisse Nachfrage in den kommenden Jahren 10:30 und die ist auch relativ fix ausgeschrieben, 10:33 dann könnte man hier eine sehr spitze Verteilung, 10:35 also mit einer sehr, sehr geringen Varianz darstellen, 10:38 in welche Richtung sich diese ganze Nachfrage entwickeln wird. 10:42 Wenn man aber jetzt gleichzeitig annimmt, dass bedenkt, wo man eine Nische hat, 10:46 wo vielleicht 10:46 in internationalen Studien zu diesem Job kaum Informationen zu finden sind, 10:50 dann könnte man so eine Verteilung haben, 10:52 wo man einfach nur eine ganz, ganz flache Gleichverteilung annimmt, 10:55 wo man einfach keinen Erkenntnisgewinn daraus zieht 10:57 und wo die A-Posteriori-Verteilung 11:00 nichts anderes ist als die Liklihood Verteilung aus den Daten. 11:03 Und alle Fälle dazwischen sind eben möglich, 11:06 wobei sich die finale Prognose entsprechend verschiebt. 11:13 Und was das Ganze dann darstellt, 11:15 das ist eben schon aus dem Barometer heraus, was sich ergibt. 11:18 Man sieht eine blaue Graphen, sieht also bei uns einen Zeitreihen wert. 11:22 Dieser wird prognostiziert und dann in die Infografik in den Barometer Wert 11:27 übersetzt, der dann wiederum auf der Homepage aufscheint. 11:32 Aber ich darf Sie einladen, sich selbst mit den Jobbarometer zu beschäftigen, 11:34 selbst ein bisschen herumzuspielen 11:36 und wünsche viel Spaßund viel Erfolg mit unserem Jobbarometer.