Zusammenfassung:
This paper develops a large-scale algorithm‑based application to improve the match quality in the labor market. We use comprehensive administrative data on employment biographies in Germany to predict job match quality in terms of job stability and wages. The models are estimated with both machine learning (ML) (i.e., XGBoost) and common statistical methods (i.e., OLS, logit). Compared to the latter approach, we find that XGBoost performs better for pattern recognition, analyzes large amounts of data in an efficient way and minimizes the prediction error in the application. Finally, we combine our results with algorithms that optimize matching probability to provide a ranked list of job recommendations based on individual characteristics for each job seeker. This application could support caseworkers and job seekers in expanding their job search strategy.
Zusammenfassung (übersetzt):
Dieses Papier beschäftigt sich mit einer groß angelegten Datenanalyse um die Matching-Qualität auf dem Arbeitsmarkt zu untersuchen. Hierfür verwenden wir einen sehr umfangreichen administrativen Datensatz zu Arbeitsmarktbiographien in Deutschland. Die Schätzungen werden sowohl mit maschinellem Lernen (extreme gradient boosting), als auch mit traditionellen statistischen Methoden (OLS, logit) durchgeführt. Bei der Gegenüberstellung beider Methoden wird deutlich, dass maschinelles Lernen insbesondere in den Bereichen Mustererkennung, Analyse von sehr großen Datensätzen und Minimierung der Fehlerrate deutliche Vorteile gegenüber den herkömmlichen Methoden aufweist. Schließlich werden die Prognosen für Matching‑Qualität (Stabilität und Löhne) mit Matching‑Wahrscheinlichkeiten kombiniert. Anhand dieser Ergebnisse wird für jede arbeitssuchende Person eine Liste mit Berufsvorschlägen generiert. Damit können Arbeitsvermittlern und Arbeitssuchenden Alternativen aufgezeigt werden, wodurch sich ihr Suchverhalten auf dem Arbeitsmarkt erweitern könnte.