Anwendungsfall · Individuelle KI

---

Von „Senior Software Engineer“ zur passenden KldB-Berufsuntergruppe in Sekunden

Wie freie Berufsbezeichnungen automatisch nach der KldB 2010 (Fassung 2020) klassifiziert werden

Berufsbezeichnungen werden häufig als Freitext erfasst.

Das können eindeutige Angaben wie „Bäcker“ oder „Zahnärztin“ sein, aber auch Bezeichnungen wie:

• Senior Software Engineer
• Küchenhilfe im Seniorenheim
• Mitarbeiter im technischen Kundenservice
• Selbstständiger Berater
• Kaufmännische Angestellte
• Head of Operations

Diese Angaben sind für Menschen meistens verständlich, lassen sich aber nicht ohne Weiteres statistisch auswerten oder mit anderen Daten vergleichen.

Dafür gibt es die Klassifikation der Berufe, kurz KldB. Sie ordnet Berufe einer einheitlichen hierarchischen Systematik zu und wird unter anderem in der Arbeitsmarkt- und Beschäftigungsstatistik, der Markt- und Sozialforschung sowie im Personalbereich verwendet.

Sie möchten Berufsbezeichnungen aus mehreren Ländern oder Sprachen klassifizieren? Dafür habe ich zusätzlich einen ESCO-Classifier zur internationalen Berufsklassifizierung entwickelt.

Das Problem: Die Berufsbezeichnungen müssen zunächst der richtigen KldB-Klasse zugeordnet werden.

Bei einigen wenigen Angaben kann das noch manuell gemacht werden. Bei tausenden oder hunderttausenden Berufsbezeichnungen wird daraus jedoch schnell eine sehr repetitive, zeitaufwendige und teure Aufgabe.

Warum eine einfache Stichwortsuche nicht ausreicht

Auf den ersten Blick klingt die Aufgabe einfach:

Man sucht nach der Berufsbezeichnung und übernimmt den passenden Code.

In der Praxis werden Berufe jedoch sehr unterschiedlich angegeben. Moderne Jobtitel, Abkürzungen, englische Bezeichnungen, Rechtschreibfehler und unspezifische Angaben machen eine reine Stichwortsuche schwierig.

Ein „Software Engineer“ kann beispielsweise auch als „Software Developer“, „Backend Engineer“, „Anwendungsentwickler“ oder „Programmierer“ bezeichnet werden.

Gleichzeitig können einzelne Wörter in vollkommen unterschiedlichen Berufen vorkommen. Ein Modell darf sich deshalb nicht nur an einzelnen Begriffen orientieren, sondern muss die Bedeutung der gesamten Berufsbezeichnung berücksichtigen.

Auch ein allgemeines LLM wie ChatGPT kann solche Zuordnungen grundsätzlich versuchen. Bei einer Klassifikation mit mehreren hundert Klassen sind die Ergebnisse jedoch nicht immer zuverlässig und konsistent. Zudem können Codes ausgegeben werden, die plausibel klingen, aber gar nicht existieren.

Für einen Prozess, der immer wieder gleich ablaufen und größere Datenmengen verarbeiten soll, ist das keine gute Grundlage.

Ein speziell trainierter KldB-Classifier

Ich habe deshalb einen KI-Classifier entwickelt, der freie Berufsbezeichnungen automatisch der KldB 2010 in der überarbeiteten Fassung von 2020 zuordnet.

Das Modell besteht aus zwei getrennten Ausgabeköpfen: Einer klassifiziert auf Ebene der vierstelligen Berufsuntergruppe, der andere auf Ebene des fünfstelligen KldB-Codes, der zusätzlich das Anforderungsniveau (zum Beispiel Fachkraft, Spezialist oder Experte) abbildet. Beide geben jeweils die drei wahrscheinlichsten Klassen aus.

Beispielsweise für die Eingabe „Senior Software Engineer“:

Zusätzlich kann für jeden Vorschlag eine Wahrscheinlichkeit beziehungsweise ein Confidence Score ausgegeben werden.

Dadurch lässt sich unterscheiden zwischen:

• eindeutigen Berufsbezeichnungen, die automatisiert übernommen werden können
• mehreren plausiblen Klassen, aus denen ein Mensch auswählen kann
• unsicheren Angaben, die gezielt geprüft werden sollten

Warum werden drei Vorschläge ausgegeben?

Nicht jede Berufsbezeichnung lässt sich eindeutig nur anhand des Jobtitels klassifizieren.

Bei „Software Engineer“ ist der fachliche Bereich beispielsweise relativ klar. Bei „Mitarbeiter Produktion“, „Consultant“ oder „Projektleiter“ fehlen dagegen wichtige Informationen über die tatsächliche Tätigkeit.

Eine KI sollte in solchen Fällen nicht so tun, als wäre das Ergebnis eindeutig.

Die Ausgabe der drei wahrscheinlichsten Klassen verbindet deshalb Automatisierung mit menschlicher Kontrolle. Sichere Fälle können direkt verarbeitet werden. Bei unsicheren Fällen bekommt der Bearbeiter eine kleine, bereits sinnvoll sortierte Auswahl.

Das spart einen großen Teil der manuellen Suche, ohne eine unrealistische Genauigkeit von 100 Prozent zu versprechen.

Wo kann der KldB-Classifier eingesetzt werden?

Ein automatischer KldB-Classifier ist überall dort interessant, wo viele Berufsbezeichnungen als Freitext vorliegen.

Typische Anwendungsfälle:

• Markt- und Sozialforschung: Offene Angaben zur beruflichen Tätigkeit automatisch codieren
• Arbeitsmarktforschung: Stellenanzeigen und Befragungsdaten nach Berufsgruppen auswerten
• HR und Lohnabrechnung: Bei der Ermittlung der passenden Tätigkeitsschlüssel unterstützen
• Jobbörsen: Unterschiedliche Jobtitel einer einheitlichen Berufssystematik zuordnen
• Recruiting: Stellen und Kandidatenprofile vergleichbar machen
• Workforce Analytics: Uneinheitliche interne Stellenbezeichnungen standardisieren
• Datenmigration: Historische Berufsangaben nachträglich klassifizieren
• Forschung und Statistik: Große Datensätze automatisiert für weitere Analysen aufbereiten

Interessant ist das insbesondere für Unternehmen und Institute, bei denen solche Daten regelmäßig und in größeren Mengen anfallen.

Große Datenmengen in kurzer Zeit verarbeiten

Der große Vorteil liegt nicht nur in der Geschwindigkeit einer einzelnen Klassifizierung.

Das Modell kann auch tausende oder hunderttausende Berufsbezeichnungen automatisiert verarbeiten. Wo eine vollständig manuelle Codierung Tage oder Wochen dauern kann, können die Ergebnisse mit dem Classifier in kurzer Zeit bereitgestellt werden.

Menschen müssen anschließend nicht mehr jede einzelne Berufsbezeichnung von Grund auf recherchieren. Stattdessen konzentrieren sie sich auf die Fälle, bei denen das Modell unsicher ist oder mehrere Klassen ähnlich wahrscheinlich sind.

So lassen sich Geschwindigkeit und Kosten deutlich reduzieren, während die Ergebnisse konsistent nach der gleichen Systematik erzeugt werden.

Bereitstellung als Datei, API oder Webanwendung

Der KldB-Classifier kann abhängig vom Anwendungsfall unterschiedlich bereitgestellt werden.

Mögliche Varianten:

• Klassifizierung einer vorhandenen Excel- oder CSV-Datei
• API zur Integration in eine bestehende Software
• interne Webanwendung zum Hochladen und Prüfen von Daten
• direkte Integration in einen bestehenden Verarbeitungsprozess
• lokale Bereitstellung innerhalb der eigenen Infrastruktur

Die Ergebnisse können neben den KldB-Codes auch die Klassenbezeichnungen, Wahrscheinlichkeiten und weitere Informationen zur Klassifikation enthalten.

Welche Variante sinnvoll ist, hängt unter anderem von der Datenmenge, der Häufigkeit der Nutzung und der vorhandenen Systemlandschaft ab.

KldB oder ESCO?

Die KldB bildet den deutschen Arbeitsmarkt besonders detailliert ab und eignet sich unter anderem für Markt- und Sozialforschung, Arbeitsmarktstatistik und HR-Prozesse in Deutschland.

ESCO ist auf die europaweite Vergleichbarkeit von Berufen ausgerichtet und eignet sich insbesondere für internationale Jobbörsen, Recruiting-Plattformen und mehrsprachige HR-Daten. Für solche Fälle habe ich einen eigenen ESCO-Classifier entwickelt.

Eigene Berufsbezeichnungen kostenlos prüfen lassen

Sie haben einen Datensatz mit Berufsbezeichnungen und möchten wissen, ob sich eine automatische KldB-Klassifizierung für Sie lohnt?

In einem kostenlosen Erstgespräch betrachten wir den Anwendungsfall, die vorhandenen Daten und die gewünschte Bereitstellungsform.

Anhand einiger repräsentativer Beispiele kann ich zeigen, welche Ergebnisse der Classifier für Ihre Daten liefert und wie viele Fälle voraussichtlich automatisiert verarbeitet werden können.

Bei Bedarf kann die Lösung anschließend an Ihren konkreten Prozess angepasst und als Datei-Auswertung, API oder Webanwendung bereitgestellt werden.