Wenn Klicks zu Erkenntnissen werden: Wie digitale Spuren den Arbeitsmarkt sichtbar machen

Alternative Daten: Neue Wege für die Arbeitsmarktforschung

Klicks, Suchanfragen, Stellenanzeigen, GPS-Signale: Der digitale Alltag hinterlässt Milliarden von Spuren. Für die Arbeitsmarktforschung, die Krisen, Künstliche Intelligenz und digitale Transformation rasch einordnen muss, werden sie zur Fundgrube, denn aktuelle Entwicklungen lassen sich damit deutlich schneller erfassen als mit klassischen Erhebungen.

Damit die Daten wissenschaftlich belastbar werden, braucht es allerdings neue Methoden sowie klare technische und rechtliche Regeln.

Wo klassische Daten an ihre Grenzen stoßen

Befragungen lassen sich flexibel auf aktuelle Fragen zuschneiden, sind aber aufwendig und teuer. Administrative Daten liefern enorme, standardisierte Mengen – bilden jedoch kaum ab, was außerhalb geregelter Prozesse geschieht, etwa Plattformarbeit oder berufliche Aktivität in sozialen Netzwerken.

Genau hier setzen alternative Daten an: Digitale Spuren sozialer und ökonomischer Prozesse, günstig, schnell und hochfrequent zu sammeln.

Drei Beispiele aus der Praxis

• Online-Stellenanzeigen spiegeln die tatsächliche Arbeitsnachfrage und verraten mehr als die Berufsbezeichnung: gefragte Kompetenzen, Aufgaben, Arbeitsbedingungen. Der IAB-Kompetenz-Kompass von Michael Stops und Kolleg*innen extrahiert solche Anforderungen systematisch aus Stellenanzeigen.
• Berufsdatenbanken wie das deutsche BERUFENET zeigen strukturellen Wandel innerhalb von Berufen, der in klassischen Statistiken oft unsichtbar bleibt.
  Darauf aufbauend sind Indikatoren entstanden, etwa zur Zugangsregulierung beruflicher Tätigkeiten (Basha Vicari, 2014), zum Anteil von Routine- und kognitiven Tätigkeiten (Katharina Dengler und Kolleg*innen, 2014; 2024 fortgeführt von Katharina Grienberger und weiteren zur Substituierbarkeit durch Maschinen) sowie thematische Indizes wie der »Greening Of Jobs«-Index (Markus Janser, 2018) oder der »Home Office Potential«-Indikator (Franziska Bruns und andere, 2025).
• Unternehmenswebsites geben Auskunft über Partnerschaften und strategische Ausrichtungen. Per Web-Scraping lassen sie sich nach Mustern durchsuchen, die auf KI-Einsatz hindeuten – ein internationales Team um Johannes Dahlke vom ZEW Mannheim hat das 2025 vorgeführt.

Vom digitalen Rauschen zum Datensatz

Digitale Spuren fallen als Nebenprodukt von Online-Aktivitäten an und sind roh meist ungeeignet für die Forschung. Zunächst braucht es die Datengewinnung: Weil offizielle Schnittstellen nicht immer verfügbar sind, entwickeln Forschende eigene Scraping-Algorithmen. Danach folgt das Data Cleaning – Duplikate, Testeinträge oder störender HTML-Code müssen heraus, sonst entstehen Scheinzusammenhänge.

Den Kern bildet die semantische Entschlüsselung: Bei Textdaten kommen Verfahren des Natural Language Processing zum Einsatz, von Wörterbuchmethoden bis zu Large Language Models, die menschliche Codierung ersparen, aber oft intransparent bleiben.

Bei Bild- und Geodaten erkennen KI-Modelle Muster in Pixelstrukturen, etwa Verkehrsströme auf Satellitenbildern. Verlässlicher werden die Ergebnisse durch Verknüpfung mit administrativen Daten zu hybriden, validierbaren Datensätzen.

Rechtliche und technische Hürden

Bevor der erste Datensatz vorliegt, muss die rechtliche Zulässigkeit geklärt sein: Datenschutz und Urheberrecht setzen enge Grenzen, selbst bei öffentlich zugänglichen Webdaten. Auch die Repräsentativität steht immer wieder auf dem Prüfstand, weil die Daten nicht kontinuierlich generiert werden – eine heute zuverlässige Quelle kann morgen versiegen. Hinzu kommen infrastrukturelle Grenzen: Klassische Forschungsumgebungen sind für solche Datenmengen selten ausgelegt, komplexe Software-Pipelines müssen dauerhaft gepflegt werden.

Und die Prozesskette selbst bleibt heikel, weil neuronale Netzwerke schwer nachvollziehbare Entscheidungen treffen und unbemerkt halluzinieren können – plausible, aber faktisch falsche Ergebnisse produzieren. Ohne erklärbare KI lässt sich wissenschaftliche Verlässlichkeit kaum garantieren.

Resümee

Trotz dieser Hürden wäre es kurzsichtig, auf das Potenzial alternativer Daten zu verzichten. Die Arbeitsmarktforschung ist gut beraten, eigene Data-Science-Kompetenzen aufzubauen und den Austausch mit der Informatik zu suchen.

Hybride Datensätze aus bewährten Referenzdaten und hochfrequenten digitalen Spuren machen schnellere Analysen möglich, ohne wissenschaftliche Standards preiszugeben.

In aller Kürze
Diese Zusammenfassung bezieht sich auf einen äußerst interessanten Beitrag im IAB-Forum von Michael Stops und Maria Sirvent (unten verlinkt), wo auch umfangreiche Literaturangaben zu finden sind. 

  VERWEISE  

• Alternative Daten – ein neuer Rohstoff für die Arbeitsmarktforschung ...