Project

Back to overview

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

English title Chances and risks of data-driven decision making for labour market policy
Applicant Lechner Michael
Number 187301
Funding scheme NRP 77 Digital Transformation
Research institution Schweizerisches Institut für Empirische Wirtschaftsforschung
Institution of higher education University of St.Gallen - SG
Main discipline Economics
Start/End 01.05.2020 - 30.04.2024
Approved amount 442'587.00
Show all

Keywords (2)

Optimal policy analysis; Policy decision making with machine learning

Lay Summary (German)

Lead
Datengetriebene Entscheidungsmodelle gelten als Zusage einer effizienten digitalen Gesellschaft. Die Forschungsgruppe um Prof. Michael Lechner an der HSG untersucht in diesem Projekt, welche Chancen und Risiken die datengetriebenen Entscheidungsmodelle für die Arbeitsvermittlung darstellen können.
Lay summary
In diesem Projekt untersuchen wir, ob datengetriebene Entscheidungsmodelle zur Unterstützung in der Arbeitsvermittlung verwendet werden könnten. Solche Entscheidungsmodelle werden bereits im grossen Stil von führenden Technologieunternehmen wie Google oder Facebook verwendet. Es ist jedoch nicht klar, ob und in welchem Ausmass diese auch in politikrelevanteren Umgebungen von Nutzen sein können. Im Zuge dieses Projekts wollen wir herausfinden, welche Chancen sich durch eine zielgerichtete Adaption dieser Methoden für die Arbeitsmarktvermittlung ergeben, im Sinne der Entwicklung von Entscheidungshilfen für Personalberatende. Diese Methoden werden jedoch zuerst auf Herz und Nieren geprüft um zu verstehen, welchen Einfluss die Wahl der Datenbasis, die Formulierung der Ziele des Algorithmus und das sich stetig wandelnde ökonomische Umfeld auf die Qualität der datengetriebenen Entscheidungsmodelle haben.

In den letzten Jahren machte die Forschung Fortschritte zu datengetriebenen ökonomischen Entscheidungen. Der reine theoretische Charakter der neuesten Forschung verlangt eine praktische Bewertung der Methoden in einem realistischen Kontext, bevor sie implementiert werden.

Das Ziel des Projekts ist systematisch zu analysieren, ob die neuesten Methoden des maschinellen Lernens Entscheidungen verbessern können und wie ein datengetriebenes Entscheidungsmodell sorgfältig implementiert werden kann, damit die Ziele des Entscheidungsträgers bestmöglich umgesetzt werden.

Das Projekt will praktische Fragen beantworten, die bei einer Implementierung datengetriebener Entscheidungsmodelle für die Arbeitsvermittlung entstehen. Um dies sicherzustellen, gibt es eine enge Kooperation mit dem SECO, das für eine Implementierung in der Schweiz zuständig wäre. Die Ergebnisse werden sich jedoch nicht nur auf den Arbeitsmarkt beschränken, sondern auch in anderen Gebieten mit ähnlichen Entscheidungsprozessen anwendbar sein.
Direct link to Lay Summary Last update: 31.01.2020

Responsible applicant and co-applicants

Employees

Associated projects

Number Title Start Funding scheme
166999 Causal analysis with Big Data 01.04.2017 NRP 75 Big Data

Abstract

The steadily increasing computer power and the recent availability of Big Data triggered rapid developments of powerful prediction methods. These methods enable the prediction of outcomes with unprecedented accuracy. However, these purely predictive methods are of limited use for decision making, because they are not build to inform about the action that should be taken to reach specific goals. However, the latter would provide tremendous benefits to decision makers, e.g., in politics, the industry or medicine. The proposed project investigates this issue in the context of active labour market policies in Switzerland. Its main objective is to evaluate the chances and risks of such data-driven decision making in the assignment of active labour market policies. The project offers a critical and rigorous assessment of the performance of these methods and their implicit but often value dependent assumptions. Furthermore, it extends existing methods and identifies the required data for their best performance.
-