Billet technique : Comment la��AGD a dA�veloppA� des algorithmes pour les demandeurs da��emploi

2 commentaires sur Billet technique : Comment la��AGD a dA�veloppA� des algorithmes pour les demandeurs da��emploi
Billet technique : Comment la��AGD a dA�veloppA� des algorithmes pour les demandeurs da��emploi

L’une des missions importantes de l’Administrateur gA�nA�ral des donnA�es est de soutenir la diffusion dans l’Etat des datasciences au service de l’action publique. ComplA�tant l’ouverture des donnA�es publiques, des modA?les et des codes source, certains des algorithmes dA�veloppA�s par l’AGD sont ainsi des ressources mises A� disposition de tous, permettant A� des innovateurs d’inventer de nouveaux services ou aux administrations de les rA�utiliser.

EngagA� comme toute la DINSIC dans la transformation numA�rique de l’action publique, l’AGD soutient le dA�veloppement de solutions concrA?tes (La Bonne BoA�te, La Bonne Formation, projets de l’incubateur de services numA�riques), et les dA�marches d’open innovation.A�

AA�ce titre, l’A�quipe collabore depuis plusieurs semaines avec Bayes Impact France, qui a lancA� Bob Emploi, un service permettant da��accompagner le demandeur da��emploi dans ses recherches, en lui faisant des recommandations d’actions A� engager.

GrA?ce A� la stratA�gie d’Etat-plateforme, Bob Emploi a pu utiliser certaines API dA�veloppA�es par la DINSIC, notamment pour la Bonne BoA�te, et des algorithmes ont A�tA� dA�veloppA�s en collaboration avec les A�quipes de Bayes Impact.
Trois actions ont ainsi A�tA� identifiA�es permettant d’A�largir le pA�rimA?tre de recherche da��un demandeur da��emploi :A�

  • Changer de mA�tier
  • Modifier son salaire de rechercheA�
  • Changer deA�dA�partement

Deux algorithmes ont A�tA� dA�veloppA�s par l’AGD : un algorithme de recommandation pour ajuster son salaire de recherche et un algorithme de recommandation pour explorer da��autres mA�tiers. Le premier est dA�jA� en production dans la��application Bob Emploi et le second y seraA�intA�grA� prochainement.

Comment fonctionne la��algorithme de recommandation salariale ?

Lorsque la��on recherche une offre da��emploi, le choix da��une revendication salarialeA�na��est pas toujours A�vident. Si ce salaire recherchA� est trop A�levA�, il peut cacher une grande partie des offres. L’algorithme confronte le salaire de recherche du demandeur da��emploi A� la distribution des salaires dans la base des offres da��emploi et permet da��envoyer un signal A� un demandeur da��emploi qui se couperait da��une partie trop importante du marchA�.

La��algorithme repose sur la��idA�e qua��il y a un arbitrage entre la baisse de salaire que la��on est prA?t A� accepter et le nombre da��offres auxquelles on a accA?s. A�La��objectif est de pouvoir envoyer un signal A� la��utilisateur du type : En baissant de 4,5% votre salaire de recherche, vous aurez accA?s A� 150% da��offres supplA�mentaires.

Cette recommandation sa��appuie sur la maximisation da��un score qui dA�pend positivement du nombre da��offres da��emploi supplA�mentaires auxquelles donne accA?s une baisse du salaire de recherche et nA�gativement de la baisse de salaire engendrA�e. AprA?s plusieurs essais, ca��est la fonction suivante qui a A�tA� retenue [Voir notebook sur les scores] :

 

\Large{\mathbf{score(\Delta O)=\frac{\sqrt(\Delta S)}{\Delta O}}}

 

avec \mathbf{\Delta O} = Taux d’offres d’emploi accessibles supplA�mentaires.

et \mathbf{\Delta S} = Taux de baisse de salaire.

La��algorithme est calculA� A� partir de la��ensemble des offres da��emploi collectA�es par PA?le Emploi sur les six derniers mois. Il est calculA� en fonction du mA�tier, en utilisant le rA�fA�rentiel ROME de PA?le Emploi, et par niveau da��expA�rience.

Exemple sur Bob Emploi

pasted_image_at_2016_11_14_05_58_pm

Comment fonctionne la��algorithme de recommandation des mA�tiers ?

Pour dA�finir un algorithme de recommandation de mA�tiers, il faut trois A�lA�ments :

  • une mA�trique qui permette de mesurer ce que la��on veut maximiser ou minimiser.
  • un graphe qui indique les transitions potentielles entre les mA�tiers
  • un modA?le qui permette da��indiquer la��espA�rance de la mA�trique en fonction des diffA�rents scA�narios envisagA�s.

A partir da��un A�chantillon du Fichier historique des demandeurs da��emploi de PA?le Emploi recensant la��ensemble des A�pisodes da��inscription A� PA?le Emploi, une mA�trique mesure le pourcentage de temps moyen passA� en catA�gorie A par demandeur da��emploi sur une pA�riode donnA�e.

Pour le graphe des mA�tiers, les mA�tiers connexes dA�finis dans le rA�fA�rentiel ROME de PA?le Emploi sont utilisA�s. Ce rA�fA�rentiel permet de connaA�tre les transitions possibles entre les mA�tiers rA�pertoriA�s dans le rA�fA�rentiel.

A partir de lA�, on peut calculer pour chaque mA�tier dans chaque rA�gion et pour chaque catA�gorie da��A?ge, le pourcentage de temps passA� en catA�gorie A au cours de cette pA�riode.

 

Exemple de recommandations-mA�tiers pour une rA�gion franA�aise, tous A?ges confondus.

Prenons la��exemple da��un demandeur da��emploi pour un poste en StratA�gie commerciale. Sans prendre en compte l’A?ge de la��individu, voici le tableau renvoyA� par la��algorithme :

reco_marketing

Chaque ligne correspond A� une option potentielle gA�nA�rA�e A� partir du graphe des ROME. Ainsi, un demandeur da��emploi capable da��occuper un poste en « StratA�gie commerciale » devrait supposA�ment A?tre capable de postuler pour des postes en a�?Marketinga�?, en a�?Promotion des ventesa�? ou en a�?Management relation clientA?lea�?. A�En comparant le temps passA� au chA?mage au cours des 6 derniers mois, la��algorithme a dA�tectA� que les demandeurs da��emploi en Marketing ont passA� 20.6% de temps en moins au chA?mage que ceux cherchant un poste en a�?StratA�gie commercialea�?. Si le demandeur da��emploi est prA?t A� considA�rer da��autres mA�tiers, ca��est donc vers un poste en a�?Marketinga�? que la��algorithme l’oriente.

Exemple de recommandations-mA�tiers pour une rA�gion franA�aise et par tranche da��A?ge.

Lorsque suffisamment de donnA�es sont disponibles, la��algorithme affine la recommandation par tranche da��A?ge. Ca��est le cas ici pour un demandeur da��emploi en a�?PA?tisserie, confiserie, chocolaterie et glaceriea�? de 26 ans dans une rA�gion franA�aise. La��algorithme explore quatre options potentielles donnA�es par le graphe des ROME : a�?Vente en gros de produits fraisa�?, a�?Boulangerie-viennoiseriea�?, a�?Personnel de cuisinea�? et a�?Conduite da��A�quipement de production alimentairea�?.

boulangerie

Au regard du tableau, les demandeurs da��emploi ayant entre A�25 et 35 ans en a�?Ventes en gros de produits fraisa�? ainsi qua��en a�?Boulangerie-viennoiseriea�? ont passA� 44.62% (resp. 10.28%) de temps en moins au chA?mage que ceux en a�?PA?tisserie, confiserie, chocolaterie et glaceriea�?. Ces deux mA�tiers seront donc recommandA�s par notre algorithme pour les demandeurs da��emploi de cette tranche da��A?ge, dans cette rA�gion spA�cifique.

Les algorithmes ainsi que les notebooks sont disponibles sur GitHub.

A�

À propos de l'auteur:

Data Scientist @ Etalab Twitter: @FlorianGauthier

2 Commentaires

  1. Comment l’AGD a développé d...  - 23/11/2016 - 17:53
    /

    […] L’une des missions importantes de l’Administrateur général des données est de soutenir la diffusion dans l’Etat des datasciences au service de l’action publique.  […]

Haut de page