Kurzbeschreibung

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.