Разработка алгоритма анализа вакансий на рынке труда по данным из открытых источников

Во вводном разделе статьи авторы обосновывают актуальность разработки методического инструментария анализа вакансий на рынке труда в условиях современной технологической революции, существенно повышающей требования к профессиональным знаниям и опыту работающего персонала и меняющей соотношение между традиционными и новыми профессиями.
В основном разделе публикуемых результатов исследования для оценки текущей ситуации на рынке труда и востребованности ныне существующих профессий приведен алгоритм анализа вакансий по большим массивам данных из открытых источников при помощи математико-статистического инструментария и методов машинного обучения с использованием языка программирования Python и аналитической платформы IBM SPSS modeler. Алгоритм включает в себя: парсинг данных о вакансиях, анализ вакансий по основным критериям, кластеризация вакансий по уровню заработной платы и построение нейросетевой модели – многослойного персептрона зависимости заработной платы от ряда предикторов. Следует отметить, что разработанный алгоритм, по мнению авторов, является универсальным, так как может быть использован для анализа больших данных из любого открытого источника (на определенный момент времени).
Результаты анализа позволят исследователям и специалистам управленческих структур более реалистично оценить текущую ситуацию на рынке труда, образовательным учреждениям корректировать программы обучения в соответствии с современными требованиями работодателей, работодателям принимать решения по вопросам развития компетенций в своей сфере деятельности и проводить сравнительный анализ имеющих спрос вакансий по количественным и качественным характеристикам, а соискателю увидеть востребованность вакансий на рынке труда и необходимость развития новых навыков.

1. Атлас новых профессий 3.0./ под ред. Д. Варламовой, Д. Судакова. М.: Интеллектуальная Литература, 2020. 456 с.

2. Хохлова А.Н. Парсинг вакансий на рынке труда из открытых источников / X Международная научно-практическая конференция имени А.И. Китова «Информационные технологии и математические методы в экономике и управлении» (ИТиММ-2020). 15–16 октября 2020 г.: сборник статей. Москва: ФГБОУ ВО «РЭУ им. Г.В. Плеханова», 2020. С. 253–259.

3. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др. /под ред. И.С. Енюкова. М.: Финансы и статистика, 1989. 215 с.

4. Dangeti P. Statistics for Machine Learning. Packt Publishing Ltd., 2017. 442 p.

5. Gutierrez D.D. Machine Learning and Data Science: An Introduction to Statistical Learning Methods with R. Technics Publications, 2015. 282 p.

6. Кун М., Джонсон К. Предиктивное моделирование на практике. СПб: Питер, 2019. 640 с.