Chancen und Risiken datengetriebener Arbeitsmarktpolitik

Dank steigender Rechenleistung und immer grösserer Datensätze können Maschinen genaue Vorhersagen treffen und sogar komplexe Entscheidungsprobleme wie zum Beispiel "Welches Produkt könnte Ihnen im Online Shop gefallen" lösen. Solche datengetriebene Entscheidungsmodelle werden bereits im grossen Stil von Technologieunternehmen wie Google oder Facebook verwendet. Es ist jedoch unklar, ob und in welchem Ausmass sie auch in politikrelevanteren Umgebungen nützlich sein können. Wir wollen herausfinden, welche Chancen sich durch eine zielgerichtete Anwendung dieser Methoden für die Arbeitsmarktvermittlung ergeben: Können die Modelle Entscheidungshilfen für Personalberatende hervorbringen? Welchen Einfluss haben etwa die Wahl der Datenbasis oder die Formulierung der Ziele des Algorithmus auf die Qualität der datengetriebenen Entscheidungen?

In den letzten Jahren machte die Forschung Fortschritte in Bezug auf datengetriebenen Entscheidungen im Bereich der Wirtschaft. Bisher hatte diese Forschung einen stark theoretischen Charakter, darum ist es wichtig, dass die neuen Methoden vor einem potenziellen Einsatz in einem realistischen Kontext der Arbeitsvermittlung praktisch bewertet werden.

Das Ziel des Projekts ist es, systematisch zu analysieren, ob die neuesten Methoden des maschinellen Lernens Entscheidungen verbessern können. Wir wollen aufzeigen, wie ein datengetriebenes Entscheidungsmodell sorgfältig eingesetzt werden kann, damit die Ziele des Entscheidungsträgers bestmöglich umgesetzt werden.

Das Projekt will praktische Fragen beantworten, die beim Einsatz datengetriebener Entscheidungsmodelle für die Arbeitsvermittlung entstehen. Diese Fragen sind auch dem Staatssekretariat für Wirtschaft (Seco) als potenziellem Umsetzer der Modelle wichtig. Daher werden wir mit diesem eng zusammenarbeiten. Unsere Ergebnisse werden sich jedoch nicht nur auf den Arbeitsmarkt beschränken, sondern auch in anderen Gebieten mit ähnlichen Entscheidungsprozessen anwendbar sein.

Chances and risks of data-driven decision making for labour market policy