AVA Predictive Modeling
AVA Predictive Modelling implementiert modernste Methoden des maschinellen Lernens bei der AVA Bern
Steckbrief
- Beteiligte Departemente Wirtschaft
- Institut(e) Institut Applied Data Science & Finance
- Forschungseinheit(en) Applied AI Research & Solutions
- Strategisches Themenfeld Themenfeld Humane Digitale Transformation
- Förderorganisation Andere
- Laufzeit (geplant) 01.12.2024 - 30.09.2025
- Projektleitung Prof. Dr. Branka Hadji Misheva
- Projektmitarbeitende Julius Kooistra
- Schlüsselwörter Öffentliche Arbeitsvermittlung, XAI, maschinelles Lernen, digitale Transformation, Clustering, prädiktive Analyse
Ausgangslage
Das Amt für Arbeitslosenversicherung (AVA) Bern unterstützt arbeitslose Bürger*innen aktiv bei ihrer Wiedereingliederung in den Arbeitsmarkt und bei finanziellen Leistungen. Es besteht aus der Arbeitslosenkasse (ALK), die mit Versicherungsleistungen die durch Arbeitslosigkeit verursachte finanzielle Notlage überbrückt, und den Regionalen Arbeitsvermittlungszentren (RAV), die mit regelmässigen Gesprächen und einer breiten Palette von Angeboten bei der Arbeitssuche helfen, um eine schnelle und dauerhafte Integration in den Arbeitsmarkt zu ermöglichen. Dieses Projekt untersucht das Potenzial des maschinellen Lernens, um die Dienstleistungen von AVA zu verbessern, indem es Muster identifiziert und die Dauer der Arbeitslosigkeit anhand von AVA-eigenen Daten vorhersagt. Durch die Nutzung von KI-gesteuerten Erkenntnissen sollen die Berater*innen bei der Entscheidungsfindung unterstützt, die Ressourcenzuweisung optimiert und letztendlich die durchschnittliche Dauer der Arbeitslosigkeit verringert werden. Ein effizienterer Wiedereingliederungsprozess kommt sowohl den Arbeitslosen zugute, indem er das Vertrauen und die Selbstständigkeit wiederherstellt, als auch der AVA, indem er die finanzielle Belastung der öffentlichen Kassen verringert. Durch diese Zusammenarbeit wollen wir zu einem effektiveren, datengesteuerten Ansatz für die Arbeitsvermittlung beitragen, der sowohl für den Einzelnen als auch für die Gesellschaft als Ganzes nachhaltige Vorteile gewährleistet.
Vorgehen
Um dieses Projekt erfolgreich abzuschliessen, wird eine umfassende Datenpipeline entwickelt und integriert, die eine automatisierte, standardisierte Datentransformation von neuen Kundendaten ermöglicht. Diese Pipeline besteht aus vier Schlüsselkomponenten: Vorverarbeitung, Clustering, Vorhersage und Erklärungen. Sie nutzt modernste Methoden und Technologien, um die Entscheidungsprozesse von AVA zu optimieren. - Vorverarbeitung: Bereinigt den Datensatz, generiert neue Merkmale und fasst redundante Informationen durch einen strukturierten Mapping-Prozess zusammen. Dies gewährleistet die Konsistenz der Daten und die volle Kontrolle über die Transformationen. - Clustering: Gruppiert Kunden auf der Grundlage mathematischer Ähnlichkeit im transformierten Datensatz und ermöglicht so gezielte Arbeitsmarktmassnahmen, die auf spezifische Kundenprofile zugeschnitten sind. - Vorhersage: Bewertet die Wahrscheinlichkeit von Langzeitarbeitslosigkeit und kennzeichnet Kund*innen als «gefährdet», wenn ihre Wahrscheinlichkeit einen vordefinierten Schwellenwert überschreitet. Dies ermöglicht eine effektivere Ressourcenzuweisung. - Erläutern: Nutzt Shapley-Werte, um Modellentscheidungen zu interpretieren, so dass die Berater einen klaren Einblick erhalten, warum ein Kunde auf eine bestimmte Weise eingestuft wird. Dies erhöht die Transparenz und das Vertrauen in KI-gesteuerte Empfehlungen. Durch die Integration dieser KI-gestützten Pipeline kann AVA Arbeitslose proaktiv unterstützen, die Effizienz
Ergebnisse
In enger Zusammenarbeit mit AVA Bern haben wir detaillierte Profile für die identifizierten Kundencluster entwickelt. Anhand dieser Profile hat die AVA intern einen Rahmen von massgeschneiderten Arbeitsmarktmassnahmen erstellt, der die Zuordnung zu bestimmten Kundenprofilen ermöglicht. Um die Vorhersagegenauigkeit zu verbessern, haben wir das Risikoklassifizierungsmodell optimiert, um sicherzustellen, dass weniger gefährdete Personen fälschlicherweise als „nicht gefährdet» eingestuft werden. Dadurch wird die Wahrscheinlichkeit minimiert, dass Personen übersehen werden, die möglicherweise dringend Unterstützung benötigen, was letztendlich dazu beiträgt, die Langzeitarbeitslosigkeit zu verringern. Durch die Kombination von Clustering und prädiktiver Analyse haben wir verschiedene Risikogruppen identifiziert, wobei einige Kundensegmente einen deutlich niedrigeren und andere einen deutlich höheren Anteil an Langzeitarbeitslosigkeit aufweisen. Diese Erkenntnisse helfen der AVA, ihren Ansatz für die Ressourcenzuweisung und Interventionsstrategien zu verfeinern. Schliesslich haben wir die wichtigsten Triebkräfte der Langzeitarbeitslosigkeit auf individueller, Cluster- und Bevölkerungsebene identifiziert. Auf individueller Ebene unterstützen diese Faktoren personalisierte Arbeitsmarktinterventionen, während die Erkenntnisse auf Cluster- und Bevölkerungsebene zur Entwicklung proaktiver, datengestützter arbeitsmarktpolitischer Massnahmen beitragen.
Ausblick
Die erstellten Cluster- und Vorhersagemodelle bieten eine solide Grundlage für verfeinerte und proaktive Interventionen, die dazu beitragen, die Dauer der Arbeitslosigkeit zu verkürzen und die Ressourcenallokation zu optimieren. Dieses Projekt hat zu einer fruchtbaren Zusammenarbeit mit AVA Bern geführt, einschliesslich des unten verlinkten Projekts Map of Job Offers (MOJO).
