Соодветното поврзување на понудата со побарувачката на пазарот на труд претставува предуслов за негова поголема ефикасност. Брзиот технолошки развој им наметнува потреба на компаниите постојано да го унапредуваат својот човечки капитал, односно да вработуваат работници кои со своите вештини ќе одговорат на идните конкурентни предизвици. Работниците, од своја страна, континуирано вложуваат во своите вештини и на тој начин ја подобруваат својата атрактивност на пазарот на труд. Во овој контекст, за антиципирање на идните потреби за вештини сѐ повеќе се користат податоци во реално време и т.н. големи податоци (big data). Големите податоци се големи и комплексни збирки од структурирани, неструктурирани или полуструктурирани податоци кои континуирано се зголемуваат во текот на времето. Расположливоста на овие податоци овозможува поголем примерок и зачестена фреквенција во споредба со традиционалните анкети. Друга предност е потпирање врз интернетот како извор на податоци, со што се надминува потребата од прибирање податоци на терен и овозможува брзо добивање резултати.

Истражувачите на пазарот на труд сѐ повеќе ги препознаваат можностите што ги нудат големите податоци во анализа на понудата и побарувачката за вештини и компетенции. Аналитиката на големи податоци за слободните работни места кои се прибираат од порталите за онлајн огласување има потенцијал за подобрување на можностите за поврзување на понудата со побарувачката и во иднина може да стане главен извор за разузнавање на пазарот на труд (Labour market intelligence). Огласите за слободни работни места прецизно ги отсликуваат тековните потреби на работодавците, со оглед на тоа што компаниите објавуваат огласи кога имаат потреба од нови вработувања.

Системот за генерирање податоци кај овие алатки вообичаено се состои од четири фази: прибирање податоци, претпроцесирање, екстракција на информации и нивна класификација. Прибирањето податоци започнува со селекција на соодветни веб-страници каде што работодавците и барателите на работа споделуваат заедничка терминологија во однос на занимања, вештини, ниво на образование, искуство и сл. Работодавците објавуваат онлајн огласи со специфични барања за вештини за да ги привлечат потребните работници, додека пак барателите на работа креираат онлајн профили (резимеа) со опис на вештините кои ги поседуваат за да им се доближат до потенцијалните работодавци. Алтернативно, како извор на податоци за барателите на работа може да се користи регистарот на невработени од агенциите за вработување. Предност во користењето на ваквиот регистар е неговата добро дефинирана структура и широк опфат на податоци за барателите на работа. Вообичаено, ваквите регистри содржат податоци за персонални карактеристики како што се: пол, возраст, место на живеење, ниво на образование, претходно работно искуство, историја на невработеност, учество во активни мерки за вработување и сл.

Следната фаза се состои во симнување на податоците од идентификуваните веб-страници со користење специјални техники за екстракција на информации од содржините на огласите за вработување (web scraping, web crawling). За максимирање на квалитетот на добиените информации, веб-страниците се рангираат и им се дава приоритет согласно информациите што ги обезбедуваат. По симнувањето на податоците, потребно е нивно претпроцесирање, што главно опфаќа прочистување на податоцитe (за отстранување на непотребните информации) и дедуплицирање (за отстранување на огласите што се повторуваат) со оглед на тоа што голем број огласи истовремено се објавуваат на повеќе портали. Доколку тие се сметаат за различни, тогаш побарувачката за специфично занимање на пазарот на труд непотребно би се преценила. Откако податоците се „прочистени“, следува екстракцијата на информации и нивната класификација. Притоа се користат алгоритми на машинско учење (machine learning) со цел поврзување на содржината од симнатите огласи за работни места со стандардните класификации за образование, вештини, дејности и сл. Така, на пример, ESCO/ISCO класификација се користи за занимања и вештини, NACE класификација за секторите на економска активност (дејности), NUTS е номенклатура за територијални единици, а ISCED е меѓународна стандардна класификација за нивоа на образование. Алтернативно, може да се развијат приспособени класификации од информациите во огласите за работни места, како на пример: вид на договор, типови вештини, висина на плата и сл. На тој начин би се вклучиле термини кои сѐ уште не се опфатени во постојните класификации, со што би се обезбедиле корисни информации за технологиите, работните места и вештините што допрва доаѓаат. Такви се, на пример, дигиталните и зелените вештини кои континуирано се усовршуваат и во иднина ќе доминираат на пазарите на труд.

По комплетирање на процесот на класификација на податоците, можно е складирање на обработените податоци во повеќедимензионална база на податоци за натамошна навигација и анализа. Тоа вклучува развој на согледувања во тековните и новите технологии, работните места и вештините кои ги побаруваат работодавците. Целта на анализата на податоците е идентификување на шеми (patterns) во специфичен репрезентативен формат со користење соодветни техники за машинско учење. Оваа фаза, исто така, вклучува и анализа на податоците со процесирање на природен јазик (natural language processing) со цел да се екстрахира информација од текст. Притоа, вештините можат да се класифицираат и организираат во различни групи и категории. Хиерархијата на податоци вообичаено следи структура на дрво, каде што вештините се комбинираат на вертикално и хоризонтално ниво во зависност од конкретната аналитичка намена. Освен тоа, со користење на алатките на вештачка интелигенција (artificial intelligence) може да се идентификуваат шеми и да се добие сеопфатно спознавање за побаруваните вештини. Имено, вештачката интелигенција може да ги идентификува трендовите кои допрва доаѓаат, истакнувајќи ги вештините чија побарувачка е во пораст и да ги следи поместувањата на пазарот на труд во текот на времето. Целта е да се утврди усогласеноста меѓу понудата и побарувачката за вештините преку дефинирање индикатори за неусогласеност. Индикаторите за неусогласеност во вештините можат да се применат за мерење на дисбаланси кај различни занимања, дејности и региони и натамошно информирање на засегнатите страни.

Сепак, при интерпретација и користење на големите податоци од огласите за работни места треба да се биде внимателен бидејќи примерокот може да не е репрезентативен, што произлегува од фактот што значителен број работни места не се огласуваат на интернет. Имено, потребите од вештини кои се екстрахирани од онлајн огласите за работни места во голема мера се одликуваат со отклонувања во поглед на покриеноста на секторите, занимањата и географската распределба. Натаму, мошне е тешко да се прави споредување „еден спрема еден“ меѓу огласите за работни места и реалните слободни работни места бидејќи компаниите може да објавуваат повеќе огласи од постојни слободни позиции со цел да добијат повеќе апликации. Барањата за вештини кои се наведуваат во онлајн огласите за работни места често пати ги отсликуваат напорите на компаниите да привлечат работници со посакувани вештини, а не вистинските барања за профилите на занимања. На пример, вештините кои се специфични за конкретното работно место може да се подразбираат за гарантирани, а наместо тоа, акцентот да биде ставен врз трансверзални вештини, што создава искривена слика за потребните вештини за конкретното работно место.

Резултатите добиени со разузнавање на пазарот на труд можат да бидат корисни за широк круг на потенцијални корисници, како што се: аналитичари на пазарот на труд, менаџери, креатори на политики и сл. Аналитичката перспектива може да опфати распределба на вештините во однос на занимање, дејност, образование, како и просторна и временска димензија. За оваа намена, се развиваат разновидни алатки како што се интерактивни прикази и контролни табли (dashboards) со цел обезбедување на потребните информации што може да се приспособат според потребите на корисникот. Понатаму, идентификуваните дисбаланси кај вештините и работните места кои тешко се пополнуваат можат да се користат како сигнали за креаторите на политики особено во сферата на образованието и активните мерки. Имено, преку следење на побарувачката за вештини, во постојните курикулуми на средно стручно и високо образование може да се вклучат нови наставни дисциплини, додека за занимањата кои допрва доаѓаат, може да се развијат целосно нови профили. Освен тоа, итните потреби за конкретни вештини и компетенции може да се задоволат со дизајнирање и изведување обуки за невработени во рамките на системот за активни мерки на пазарот на труд.

Потребно е да се нагласи дека некои сектори, како што е производство на обновлива енергија и ИТ-секторот, се соочуваат со ургентна потреба од работници со специфични зелени и дигитални вештини и компетенции. Во овој контекст, работодавците може да се соочат со намалена продуктивност како резултат на недостигот на потребните вештини што потенцијално води кон загуба на конкурентноста. Доколку ваквата незадоволена потреба од вештини и натаму продолжи да расте, компаниите може брзо да го екипираат персоналот преку формирање интерни центри за обуки. Освен тоа, менаџментот за човекови ресурси може да има корист од користење информации од овие анализи при планирање на идните инвестирања во дејностите кои бараат екстензивни дигитални и зелени вештини. Користењето на техниките за разузнавање на пазарот на труд има низа предности во креирањето индикатори за понуда и побарувачка за вештини, како и за нивна неусогласеност. Најголема предност на овој метод е користење податоци во реално време, што е особено значајно во денешни услови на брзи технолошки промени. Од друга страна, главната критика на овие методи е во нивниот „екстерен“ карактер бидејќи фокусот е врз анализата на потребите од вештини за слободните работи места и оспособеноста со вештини кај барателите на работа. За да се добие целосна претстава за неусогласеноста во вештините, би требало да се анализира и состојбата кај постојните вработени, што би можело да се добие доколку овој пристап се надополни со податоци од компаниите.

Автор: проф. д-р Димитар Николоски, Економски факултет - Прилеп, УКЛО