Opportunités et risques d’une politique du marché du travail guidée par les données

Comment les décisions guidées par les données peuvent-elles améliorer le service de l’emploi ? À travers l’exemple de la Suisse, ce projet a étudié les opportunités et les défis que présentent de tels modèles politiques.

  • Description du projet (projet de recherche achevé)

    Dropdown Icon

    Le projet a analysé l’efficacité des politiques de l’emploi en Suisse, et comment utiliser leurs effets de manière plus ciblée. À cette fin, l’équipe de recherche a développé un système de recommandations qui facilite l’orientation des chômeuses et chômeurs vers des cours ou des programmes plus adaptés en vue d’augmenter leurs chances de trouver un nouvel emploi. Elle a utilisé de nouvelles méthodes d’apprentissage automatique causal qui permettent de considérer des valeurs moyennes, mais aussi de reconnaître exactement quelles sont les mesures qui s’avèrent particulièrement efficaces pour tel ou tel groupe de personnes.

  • Contexte

    Dropdown Icon

    La recherche en matière de prise de décision guidée par les données a progressé ces dernières années dans le domaine économique. Il était important d’évaluer ces nouvelles méthodes jusqu’à présent très théoriques dans la pratique afin de pouvoir potentiellement les utiliser dans un contexte de placement réaliste.

  • Objectif

    Dropdown Icon

    L’objectif principal consistait à évaluer l’efficacité de la politique suisse du marché du travail et à mettre au point un système de recommandations fondé sur des algorithmes qui propose une affectation optimale de certaines personnes en recherche d’emploi à certains programmes.

  • Importance

    Dropdown Icon

    Le projet visait à répondre aux questions pratiques que posent les modèles de décision guidés par les données en matière d’emploi. Les scientifiques ont donc travaillé en étroite collaboration avec le Secrétariat d’État à l’économie (SECO), qui serait potentiellement chargé de leur mise en œuvre. L’apprentissage automatique causal et les algorithmes de décision ne sont pas réservés au marché du travail et pourraient être exploités dans d’autres domaines avec des processus décisionnels similaires.

  • Résultats

    Dropdown Icon

    Trois messages essentiels

    1. Utiliser l’apprentissage automatique causal afin de mieux comprendre quel programme public est efficace pour telle ou telle personne.
    2. Recourir à des algorithmes de décision guidés par les données pour améliorer l’affectation des personnes en recherche d’emploi à des programmes spécifiques.
    3. Il devrait idéalement exister un pipeline de décision fondé sur des données intégrées et actualisées : un flux de données continu ainsi qu’une actualisation semi-automatisée des résultats d’évaluation et des recommandations politiques qui en découlent.
  • Titre original

    Dropdown Icon

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