Использование интернет-сервисов по поиску работы для оценки влияния технологий на спрос на труд

Введение

Существует значительное количество исследований, посвященных изучению влияния новых технологий на общий объем трудовых ресурсов. Выводы и прогнозы исследователей можно условно разделить на две основные категории: сторонники технологического оптимизма утверждают, что процесс замещения трудовых ресурсов капиталом будет протекать быстрее, чем способность людей адаптироваться к новым технологическим условиям, в то время как сторонники технологического скептицизма считают, что трудовые ресурсы смогут успешно адаптироваться к изменениям.

Аргументация техно-оптимистов основывается на предположении, что автоматизация позволит организовать производственные процессы с минимальным участием человека. Согласно выводам, которые делают Д. Аджемоглу и П. Рестрепо, новые рабочие места, возникающие вследствие автоматизации, во-первых, значительно уступают в количестве замещаемым рабочим местам на уровне предприятия, а во-вторых, требуют принципиально иного уровня квалификации и набора навыков [4, стр. 1-45] В подтверждение своей гипотезы авторы исследовали, что в производствах, где растет доля роботов (капитала) доля работников (труда) уменьшается [5, 1-92].

Также можно выделить работу В. Маринуди и др. [13, c. 3-18], в которой авторы провели сегментирование трудовых задач в сельскохозяйственном секторе по осям рутинный-творческий, физический-умственный труд; а также сделали прогноз эффекта внедрения роботизации на эти задачи и профессии, которые подразумевают выполнение этих задач. Исследованием изменения структуры трудового капитала, в том числе под воздействием новых технологий, занимались В. Е. Гимпельсон, А. А.Зудина, Р. И Капелюшников [1, c. 1-148]

Вторая группа исследователей, техно-скептики, обосновывает маловероятность массовой безработицы, вызываемой автоматизацией. Исследования влияния новых технологий на безработицу, поляризации рынка труда и изменения его структуры на макроэкономическом уровне с использованием статистических методов проводилось такими учеными как Д. Аутор [7, с. 1553-1597], М. Диллиндер [9, с. 290-310], В.Даут [8, с. 1-63], и Г. Гретц [11, с. 753-768]. В этих исследованиях авторы отмечают увеличение совокупного спроса на труд после внедрения технологий в различных секторах экономики и в разные временные периоды.

Одной из первых попыток структурирования и систематизации методик и оценок влияния технологий на труд занимался Б. Мартенс [14, c. 5-33]. Прогнозированием и оценкой воздействия новых технологий в будущем занимались M. Арнтц [6, с. 254-280], К. Фрей [10, c. 254-280], Бессен Дж. [12, с. 5-55], Капелюшников Р. [2, с. 32-36], и Устюжанина Е.В. [3, с. 1788-1804]

Цель данной статьи состоит в том, чтобы оценить влияние технологий на спрос на труд используя данные сервиса по поиску работы в сети интернет. Для достижения этой цели необходимо выполнить ряд подзадач: (1) оценить качество данных, получаемых с сервисов поиска работы; (2) понять, какую информацию можно получить из этих данных, чтобы ответить на вопрос задачи; (3) произвести расчеты и обсудить, насколько они позволяют ответить на вопрос об оценке влияния технологий на спрос на труд.

Научная новизна данной работы состоит в использовании в анализе уникального набора данных из сервиса по поиску работы HeadHunter; а также использование LLM-модели (Chat GPT) для получения данных по требуемым в вакансиях технологических программах.

Оригинальность подхода состоит в создании системы показателей направления влияния новых технологий на совокупный спрос на труд, которая может помочь определить, приводит ли распространение новых технологий к росту спроса на труд или к его замещению; т.е. поможет понять, какой из прогнозных сценариев реализуется в конкретный момент времени.

Авторская гипотеза состоит в том, что обработка данных с сервисов по поиску работы вместе с возможностями LLM моделей по извлечению информации из текстовых данных позволит понять направление и величину влияния новых технологий на спрос на труд.

Методология сбора данных и их качество

Для анализа была использована база данных вакансий HeadHunter. Подключение к ней осуществлялось с помощью Hedhunter API, который предлагает сама компания.

Открытая (бесплатная) база данных HeadHunter содержит информацию об открытых на момент подключения вакансиях. Каждая из вакансий может быть описана большим количеством различных параметров, которые задает компания. Одним из важных параметров вакансии является её профессиональная группа, определяемая компанией.

Подключение позволяет забирать не более 2000 вакансий по каждой из профессиональных групп. На апрель 2024 в базе данных было представлено 174 профессиональные группы для периода. Сбор данных происходил в начале и конце рассматриваемых месяцев, с дальнейшим удалением дубликатов.

Также подключение дает доступ к агрегированной информации по количеству вакансий в разбивке по регионам РФ. В этом случае выгружается полная информация о количестве вакансий; ограничения только в периодах, за которые эти данные могут быть получены.

Ограничение в 2000 вакансий несет в себе риск того, что данные по профессиональным группам, в которых на сервисе имеется больше вакансий, могут не быть репрезентативной выборкой этой группы, а следовательно результаты анализа не могут быть применены в полной мере на эту группу. Невозможно обойти данное ограничение (по крайней мере, в бесплатной версии), однако можно оценить степень этого риска с помощью агрегированной информации о вакансиях. Чем выше доля выгружаемых 2000 вакансий от общего количества вакансий в группе, тем ниже риск низкой репрезентативности. Для проверки обозначенных гипотез, этот риск можно принять и игнорировать.

Отдельно стоит отметить риски ограничения репрезентативности при использовании одного источника данных. В рамках статьи используется только база данных HeadHunter. Сервис HeadHunter является одним из крупнейших сервисов по поиску работы, и соответственно данных по вакансиям. Однако это не решает проблему репрезентативности. В базе данных платформы находятся вакансии компаний, которые посчитали, что платформа позволит наиболее эффективно найти соискателей на эти вакансии. Это означает, что у разных категорий вакансий существуют разные каналы привлечения соискателей. Так, для найма курьеров (таксистов и многих других) Яндекс использует свои ресурсы: рекламу для соискателей в своих продуктах, отдельные сайты для публикации вакансий и отклика на неё. Это справедливо для многих крупных работодателей России. Также существуют отдельные категории профессий и работ, вакансии на которые публикуются только на бумажных носителях.

Дальнейший анализ и выводы могут быть применимы только к конкретной платформе (HeadHunter), или к сегменту людей, которые используют эту платформу в качестве основного.

Методология расчетов будет описана далее по тексту по мере необходимости.

Работа разбита на несколько логических разделов. Вначале будет дана характеристика использованных данных и способ их получения. Во втором разделе будет рассмотрено сравнение спроса на труд по профессиональным ролям между Москвой и остальной Россией. На третьем этапе будет представлен анализ зарплаты работников в зависимости от разных параметров вакансий (опыт работы, уровню квалификации, роли в компании и др.). В четвертой части будет представлена визуализация поляризации работников (вакансий) по уровню зарплат. В последнем разделе будет представлена попытка оценки уровня зарплаты от навыков, указываемых в вакансиях.

Сравнение структуры рынка труда Москвы и остальной России

Предположение о том, что с развитием технологий доля профессий, связанных с творческим и умственным трудом, будет расти можно проверить, сравнив структуру рынка вакансий в Москвой и остальной России. При этом будем опираться на следующие предположения.

Основное предположение, позволяющее сделать сравнение, состоит в том, что в столице технологии появляются раньше и распространяются быстрее, по сравнению с остальной Россией. В Москве сильнее развиты институты по созданию, тестированию, адаптации и распространению новых технологий - они обеспечиваются такими элементами как: ведущие университеты (и научные организации), штаб-квартиры крупнейших компаний, цифровая инфраструктура города, квалифицированный человеческий капитал. Распространение технологий далее идет от столицы к остальным регионам. Исходя из этого предположения можно рассматривать Москву и остальную Россию как условные временные периоды «до» и «после».

В таблице 1 представлены результат расчетов. В первой колонке указано количество вакансий по Москве для каждой профессиональной роли. Во второй колонке указана доля профессиональной роли от общего количества вакансий в Москве. Такой же подход был использован для заполнений колонок для России и России без Москвы.

Исходя из данных таблицы можно сделать несколько выводов. Первый заключается в том, что наибольший спрос по всей РФ (и Москве) имеет место на специалистов по продажам, врачей, поваров, курьеров, водителей. С точки зрения характеристик труда, это сфер услуг с высокой долей неопределенности в задачах, а также низкоквалифицированный труд.

Таблица 1. Топ 20 профессиональных ролей по количеству вакансий в Москве и РФ.

Профессиональная роль	Москва		Россия		Россия без Москвы
	Количество вакансий	Доля по столбцу	Количество вакансий	Доля по столбцу	Количество вакансий	Доля по столбцу
Другое	22 821	10,83%	149 345	12,07%	126 524	12,32%
Менеджер по продажам, менеджер по работе с клиентами	20 373	9,67%	112 531	9,09%	92 158	8,98%
Продавец-консультант, продавец-кассир	16 284	7,73%	103 319	8,35%	87 035	8,48%
Водитель	5 690	2,70%	62 068	5,02%	56 378	5,49%
Бухгалтер	6 520	3,09%	37 959	3,07%	31 439	3,06%
Врач	3 948	1,87%	34 699	2,80%	30 751	3,00%
Оператор call-центра, специалист контактного центра	1 750	0,83%	32 418	2,62%	30 668	2,99%
Повар, пекарь, кондитер	4 629	2,20%	32 353	2,61%	27 724	2,70%
Инженер-конструктор, инженер-проектировщик	5 303	2,52%	28 066	2,27%	22 763	2,22%
Программист, разработчик	10 093	4,79%	25 362	2,05%	15 269	1,49%
Кладовщик	3 603	1,71%	24 612	1,99%	21 009	2,05%
Разнорабочий	1 434	0,68%	21 774	1,76%	20 340	1,98%
Слесарь, сантехник	1 643	0,78%	21 673	1,75%	20 030	1,95%
Администратор	4 826	2,29%	21 551	1,74%	16 725	1,63%
Курьер	3 203	1,52%	20 614	1,67%	17 411	1,70%

Источник: Данные HeadHunter, авторские расчеты

Второй вывод, что в Москве больше всего нерутинных, творческих, аналитических профессий: у них наибольший вес как внутри Москвы, так и в общем зачете по России.

Сегментация имеющихся вакансий по: роли в компании, уровню квалификации, по квадрантам творческий-рутинный-умственный-ручной

Второй группой сигналов об изменениях рынка труда могут стать данные о зарплатах. Согласно гипотезе техно-скептиков (появление и развитие новых рабочих мест) новые технологии будут приводить к росту спроса на специалистов, которые их используют, что должно отражаться на росте зарплат этих профессионалов. Рассматривая данные сервисов по поиску работы были получены оценки предлагаемых работодателями зарплат.

Для данного и последующих разделов данные необходимо было дополнительно обработать. В результате из 164 тыс. вакансий на HeadHunter за декабрь 2023 и январь 2024 были отобраны только вакансии, которые соответствуют следующим критериям:

1) Имеют полную занятость

2) Отмечены как полный день

3) Указана зарплата больше МРОТ

После применения критериев было получено 70 тыс. вакансий. Сильное различие между исходным и итоговым набором данных объясняется несколькими проблемами с данными:

a) Ошибки в базе данных (например, зарплата 7 руб. в месяц)

b) Неверное описание вакансии работодателем (зарплата указывается за смену, а вакансия отмечается как полная занятость и полный день (а не сменная занятость)

c) Во многих вакансиях зарплата не указывается

Эти вакансии неравномерно распределены между 174 профессиональными ролями, которые выделяет HeadHunter. Вакансии были сгруппированы по профессиональной роли, категории опыта, занятости. Для каждой такой группы была найдена средняя зарплата и количество вакансий в группе. Далее внутри каждой профессиональной роли была рассчитана доля каждого сегмента по количеству вакансий. Разное требование по опыту влияет на зарплату в вакансии.

Поскольку нам важно получить среднюю оценку влияния технологий на зарплату, нам не так важно, в каком именно сегменте опыта это происходит. Поэтому для каждой роли нужно найти усредненную взвешенную зарплату. После этого для каждой профессиональной роли была проведена ручная разметка дополнительных сегментов: роль в компании, относится ли вакансия к ИТ, уровень требуемой квалификации. Основным критерием определения вакансии к определенному сегменту - экспертная оценка.

Следует пояснить, что каждую группу вакансий, определяемых колонками «сектор ИТ» и «Роль в компании», можно представить в виде распределений зарплат: по каждому из этих распределений можно рассчитать среднее, минимальное и максимальное значения, что и было сделано (см. таблицу 2).

Таким образом, 174 профессиональные роли можно сгруппировать в несколько сегменты, что упрощает анализ имеющихся данных.

Таблица 2. Описательная статистика по сегментам

сектор ИТ	Роль в компании	Кол-во вакансий	Средняя зарплата	Минимальная Средняя Зарплата	Максимальная Средняя Зарплата
1	Специалист	4 342	155 957	103 219	215 147
	Руководители	168	242 555	239 385	245 725
	Топ-менеджмент	112	278 325	278 325	278 325
Всего		4 622	175 661	103 219	278 325
0	Специалист	67 215	100 394	61 915	176 306
	Работник	28 348	81 457	55 676	120 061
	Менеджер	14 117	104 849	67 642	151 793
	Продажи	10 313	161 163	92 189	280 744
	Руководители	7 822	153 235	85 921	265 398
	Не указано	1 387	96 627	96 627	96 627
	Топ-менеджмент	1 285	289 368	193 085	413 162
Всего		130 487	116 990	55 676	413 162
Итого		135 109	122 077	55 676	413 162

Источник: Данные HeadHunter, авторские расчеты

Подробнее по расчетным колонкам таблицы:

В колонке «Средняя зарплата» рассчитана среднее значение по средневзвешенным зарплатам профессиональных ролей.

В колонке «Минимальная Средняя зарплата» и «Максимальная Средняя зарплата» рассчитаны минимальное и максимальное значение по средневзвешенным зарплатам профессиональных ролей.

Из таблицы следует, что (1) занятые в ИТ профессиях в среднем зарабатывают больше, чем в не ИТ профессиях, за исключением топ-менеджеров. Следует отметить, что в какой-то определенной не ИТ роли (или для какой-то конкретной вакансии) зарплата может быть выше - здесь сравниваются 2 бинарные категории: ИТ и не ИТ.

Также следует, что за хороших специалистов роли «продаж» компании готовы платить большие зарплаты, сопоставимые с зарплатами работников ИТ (то же для сегментов руководителей и топ-менеджеров). Об этом можно косвенно судить исходя из разницы между максимальной и минимальной зарплаты работников продаж и специалистов ИТ. Эта разница почти в 2 раза меньше для ИТ специалистов, чем для продаж; что сигнализирует о большем уровне риска (неустойчивости) в продажах

Визуализация поляризации работников по зарплатам

Третий тип сигналов, который был получен в результате анализа данных сервиса по поиску работы - косвенная оценка поляризации работников по уровню дохода. Согласно гипотезев среднесрочном периоде технологии будут приводить к поляризации работников по уровню квалификации (уровню освоения технологий), что должно будет отражаться в поляризации зарплат.

Определение перцентилей зарплат. Вакансии были отсортированы от наименьшего к наибольшему перцентилю по уровню зарплаты. По каждой вакансии было определено к какому сегменту перцентиля она относится: для этого использовали децили от 0 до 90%, и далее отдельные перцентили для 95%, 97%, 99%. Далее была найдена средняя зарплата для каждого из сегментов перцентилей - визуализация представлена на рис. 1.

Рисунок 1. Средняя зарплата по перцентилям зарплат

Источник: Данные HeadHunter, авторские расчеты

Видим, что средняя зарплата крайних правых перцентилей намного выше, чем средняя зарплата крайних левых.

Примечательно, что темп прироста зарплат относительно стабилен до 80 перцентиля. После этого переход в более дальние сегменты сопровождается более резким ростом зарплаты.

Далее были рассмотрены распределение вакансий (их количества) по перцентилям зарплат: для каждого перцентиля (сегмента) было посчитано количество вакансий в нем. Визуализация представлена на рис. 2.

Наблюдаем довольно специфичную поляризацию. Видим, что распределение вакансий по перцентилям зарплат равномерно для 80% вакансий - до 80 перцентиля спрос (количество вакансий) в сегментах сопоставим. Однако, начиная с 90 и выше - количество вакансий резко сокращается. Анализируя распределение вакансий вместе со средними зарплатами по перцентилям, можно сказать, что при сохранении такой динамики будет увеличиваться финансовый разрыв между вакансиями в сегментах до 90 перцентиля и сегментах после.

Рисунок 2. Распределение вакансий по перцентилям зарплат

Источник: Данные HeadHunter, авторские расчеты

Скорее всего, это уже происходило и происходит некоторое продолжительное время. Это должно проявляться в том, что у последнего дециля объем сбережений (располагаемых средств) будет больше. Следующим шагом нужно определить, могут ли являться технологии ключевым фактором такого разделения.

Попытка оценки влияния требуемых технологических компетенций вакансии и на зарплату

Четвертый и важнейший тип данных, который можно получить из сервисов по поиску работы, является соответствие зарплат и требуемых технологий. С помощью этого можно проверить гипотезы о влиянии технологий на спрос на труд: увеличивают ли они зарплаты работников, происходит ли поляризация по технологическим навыкам, происходит ли замещение низко-технологичных работ, увеличивается ли количество технологических вакансий.

Однако эти данные представлены в неструктурной текстовой форме сложной для обработки и анализа. Для решения этой проблемы было использовано подключение к сервисам больших языковых моделей (LLM-модели, например ChatGPT).

Из базы данных HeadHunter было получено полное описание вакансии - что заполняют работодатели в требованиях. Это выглядит в форме неструктурированного текста: невозможно применить алгоритм, который бы позволил достать из описаний тысяч вакансий: навыки, программы и названия технологий.

Далее сервису ChatGPT по каждой вакансии передается текстовое описание вакансии, из которой нужно достать описание технологий. В рамках этой задачи было сделано несколько итераций по формулированию задачи для ChatGPT - таким образом, чтобы получать стабильный постоянный результат, отправляя этой программе десятки тысяч описаний вакансий. Финальный текстовый запрос:

"Извлеките элементы технологического стека, упомянутые в описании вакансии. Технология указывает на то, что вам необходимо программное обеспечение для выполнения этой задачи. (пример: 'Excel;SQL;1С - НЕ ВКЛЮЧАЙТЕ ПРИМЕР В ВЫВОД!). Исключите "мягкие" навыки. Используйте ';' в качестве разделителя между элементами, которые вы извлекаете. Обеспечьте лаконичный вывод в пределах 150 лексем. Верните текст, содержащий навыки".

В качестве описаний вакансий использовались вакансии, в которых (1) указана профессиональная роль «Аналитик», (2) указывается зарплата, (3) подразумевается полная занятость полный день.

В результате для каждой вакансии был получен список программ и технологий, которые запрашиваются в работе. Пример результата алгоритма представлен ниже.

Рисунок 3. Результат работы алгоритма по одной из вакансий

Источник: результат обработки авторского скрипта

По изображению видно, что даже несмотря на указания в текстовом запросе, алгоритм все равно выдал элементы, которые не относятся к технологиям и программам: прогнозирование, оптимизация, анализ кода. Поэтому, после получения списков программ от ChatGPT (из всех вакансий), все элементы были вручную размечены по следующим категориям: language (иностранные языки), domain_knowledge (сюда были отнесены специфические акронимы типа МСФО, LTV, ARPU - это не технологии, но частые акронимы, подразумевающие использование технологий и методик из финансов и менеджмента), business_architecture (всё, что связано с проектированием бизнес-процессов), office_program (такие как MS Office), special_software (например, 1-С), coding (языки программирования), visualization (инструменты визуализации такие как Tableau), other (всё остальное, шум от ChatGPT), experience_cat (этот параметр был получен из HeadHunter)

В результате по каждой из вакансий была получена бинарная оценка категорий навыков: есть (1) или нет (0) категории навыка в описании вакансии. Такая структура данных позволила применить линейную регрессию для оценки влияния параметров (категорий) на среднюю зарплату: полученные коэффициенты представлены на рис. 4.

Видим, что средняя зарплата по выборке составляет 40 000 рублей. Наибольший вклад в увеличение зарплаты в данном наборе данных вносят: параметр business_architecture (напомним, что это компетенции, связанные с проектированием бизнес-процессов) и параметр «опыт работы».

После применения линейной регрессии получили следующую сводную таблицу по результатам.

Таблица 3. Результаты применения линейной регрессии

Переменная	Коэффициент	Стандартная ошибка	t-значение	P>t
const	40 270	16 000	2,51	0,01
language	-5 161	19 500	-0,27	0,79
domain_knowledge	1 093 751	11 600	0,42	0,67
other	-8 269	7 961	-1,04	0,30
business_architecture	38 900	9 487	4,10	0,00
office_program	-37 080	7 545	-4,91	0,00
special_software	2 322	7 552	0,31	0,76
coding	10 150	7 247	1,40	0,16
visualization	-7 037	9 303	-0,76	0,45
experience_cat	50 740	5 363	9,46	0,00

Источник: авторские расчеты

Показатель Adjusted R-squared показал, что модель объясняет 47.5% вариации в данных. Также видим, что 6 параметров показывают p-value выше распространенного порога в 0.05, т.е. не являются значимыми. Следующим шагом убираем из модели линейной регрессии параметры, которые не достигли статистически значимого результата. После этого обновляем расчеты.

Таблица 4. Уменьшенная модель линейной регрессии

Переменная	Коэффициент	Стандартная ошибка	t-value	P>t
const	36 230	13 900	2,61	0,01
business_architecture	40 910	9 189	4,45	0,00
office_program	-34 910	7 087	-4,93	0,00
experience_cat	51 100	5 311	9,62	0,00

Источник: авторские расчеты

В результате в финальной модели у нас остается 3 наиболее важных фактора, влияющих на величину заработной платы вакансий из категории аналитик: (1) требования к знанию программ по проектированию бизнес-процессов, (2) требования к знанию офисных программ (Excel), (3) требования к опыту работы. На изображении 6 представлены коэффициенты полученной модели.

Согласно этой модели средняя зарплата без влияния 3 указанных выше факторов равна 36 тыс. руб. Знание программ по проектированию бизнес процессов увеличивает зарплату на 41 тыс. руб., увеличение категории опыта (нет опыта, 1-3 лет, 3-6 лет, более 6 лет) увеличивает зарплату на 51 тыс. руб. за каждый следующий уровень; а знание офисных программ уменьшает зарплату на 34 тыс. руб..

Последнее утверждение может показаться странным, однако если посмотреть на распределение зарплат в зависимости от наличия требований знания офисных программ можно заметить, что в вакансиях с более высокими зарплатами не прописывается требование знания офисных программ.

Рисунок 4. Распределение зарплат в зависимости от наличия требования к знанию Офисных программ в описании вакансии

Источник: авторские расчеты

И это характерно для вакансий, где требуется больший объем опыта.

Рисунок 5. Распределение зарплат в зависимости по требованиям знания Офисных программ и сегмента опыта в описании вакансии

Источник: авторские расчеты

Если же взять случайную вакансию, где не указываются офисные программы, но предлагается высокая зарплата, то можно увидеть, что знание офисных программ подразумевается, хотя и не указывается прямым текстом. Например, текст с требованиями по вакансии Маркетолог-аналитик c предлагаемой зарплатой в 150 тыс. руб. выглядит следующим образом:

«...проведение сплит-тестирования писем, анализ их эффективности. Анализ эффективности рекламных кампаний и качества трафика. Оперативная "работа над ошибками" на основе проведенного анализа. Изучение и анализ рынка (спрос, конкуренты, общая конъюнктура интернет-рынка в данной нише) ... Для нас важно: Умение генерировать целевой поток лидов Знание UNIT-экономики и умение ее просчитывать»

Из описания вакансии следует, что отчетность и расчет unit-экономики будет производиться именно в Excel (или любом другом сервисе электронных таблиц), что является офисной программой. После проверки ряда случайных вакансий, была выявлена та же проблема.

Таким образом, выявили еще один недостаток или усложнение, связанные с текстовыми данными: работодатели указывают не все используемые технологии и программы в работе, а критически необходимые; такие требования, как офисные программы, особенно для позиций с высокими требованиями по опыту, подразумеваются в описании вакансии, но напрямую не указываются.

Заключение

По результатам проделанной работы в рамках текущих данных можно сделать несколько выводов, которые применимы к сервису поиска вакансий HeadHunter:

1) в Москве больше всего нерутинных, творческих, аналитических профессий: у них наибольший вес как внутри Москвы, так и в сумме по России.

2) Наибольший спрос по всей РФ (и Москве) на специалистов по продажам, врачам, поварам, курьерам, водителям - сфера услуг с высокой долей неопределенности в задачах и низкая, как правило, квалификация.

3) Занятые в ИТ профессиях в среднем зарабатывают больше, чем в не ИТ профессиях, за исключением топ-менеджеров. Отметим, что в какой-то определенной не ИТ роли зарплата может быть выше - здесь сравниваются 2 бинарные категории: ИТ и не ИТ.

4) За хороших специалистов по продажам компании готовы платить большие зарплаты, сопоставимые с зарплатами работников ИТ (то же для сегментов руководителей и топ-менеджеров). Об этом можно косвенно судить исходя из разницы между максимальной и минимальной зарплатами работников продаж и специалистов ИТ. Эта разница почти в 2 раза меньше для ИТ специалистов, чем для продаж, что сигнализирует о большем уровне риска (неустойчивости) в продажах.

5) Наблюдается поляризацию работников по уровню зарплат. Распределение вакансий по перцентилям зарплат равномерно для 80% вакансий - до 80 перцентиля спрос (количество вакансий) в сегментах сопоставим. Однако, начиная с 90 и выше - количество вакансий резко сокращается, а средняя зарплата резко растет.

6) Наиболее сильными факторами, определяющими размер зарплаты в профессиональной роли «Аналитик» (по критериям HeadHunter) - опыт работы и знание программ, связанных с проектированием бизнес-процессов.

Также можно сделать вывод по возможностям досок объявлений для оценки влияния технологий на спрос на труд. Напомним исходное предположение по возможностям анализа досок объявлений: спрос на труд на досках объявлений будет проявляться в вилке зарплат, количестве вакансий по разным отраслям/профессиональным ролям.

По результатам работы видим, что предположение подтвердилось. Более структурно, аналитическую пользу от досок объявлений можно сформулировать следующим образом:

- Позволяют оценить распределение вакансий разных категорий между развитыми и догоняющими регионами в конкретный момент времени; таким образом, можно косвенно оценивать степень технологизации экономики между регионами; а также косвенно проверять аргумент о перетоке трудовых ресурсов в менее технологически развитые регионы.

- Для вакансий с указанными зарплатами позволяет оценивать поляризацию рынка труда (сторона спроса) по уровню зарплат, по уровню квалификации, принадлежности к ИТ сфере, и по другим срезам. Стоит заметить, что срезы: их критерии, разметка - должна быть проведена вручную.

- Для вакансий с указанными зарплатами, по которым получается получить описания требований, можно вычленять дополнительные параметры с помощью алгоритмов LLM (Chat GPT). Эти параметры (в дополнение к имеющимся) позволяют применять регрессионные модели с большим количеством параметров, оценивая важность этих параметров в размер зарплаты. Однако при этом необходимо учитывать стоимость применения сервиса (Chat GPT).

Основной проблемой остается качество данных в базе данных HeadHunter:

а) Сегментация вакансий по профессиональным ролям, скорее всего, работает не корректно: в группу аналитиков помещаются, как обычные сотрудники аналитики, так и руководители аналитики (что еще уместно), а также бизнес-архитекторы, которых уместнее выделить в отдельный сегмент.

б) В указании зарплат могут быть допущены ошибки (которые зачастую даже не совпадают с отображением на сайте)

в) Работодатели указывают не полные требования к вакансии. Несмотря на то, что это не является проблемой работы самого HeadHunter, это тоже влияет на данные и результаты анализа

г) Ограничения HeadHunter по выгрузке данных: невозможно выгрузить более определенного количества строк за один запрос. Выгрузка случайных вакансий так же невозможна