Methodik & Quellen

So funktioniert CVCoach.

Jede Engine in fünf Feldern: was sie misst, woher die Daten kommen, auf welchem Prinzip sie basiert, wo wir sie einsetzen und wie wir sie validieren. Ohne Black-Box.

CSE — Core Self-Evaluations

insightsWas misst es?: Erfasst, wie du auf dich selbst schaust: Selbstwert, Zutrauen in die eigenen Fähigkeiten, das Gefühl, deinen Weg zu steuern, und emotionale Stabilität.
databaseWoher kommen die Daten?: Aus einem geprüften Fragebogen mit zwölf Aussagen, den du selbst beantwortest. Nicht aus deinem Lebenslauf — wie du über dich denkst, steht dort nicht drin. Ohne Antworten zeigen wir keinen Wert.
scienceAuf welchem Prinzip basiert es?: Core Self-Evaluations nach Judge, Locke & Durham (1997). Eingesetzt wird die deutschsprachige ACSES (Brückner 2020), abgeleitet aus der frei nutzbaren Core Self-Evaluations Scale (Judge et al. 2003): 12 Aussagen, einfaktorielle Struktur.
deployed_codeWo nutzen wir es im Produkt?: Wird im Living Profile gezeigt und ordnet ein, wie du deinen nächsten Schritt angehst.
verifiedValidierung & Konfidenz: Berichtete interne Konsistenz der eingesetzten Fassung: α = .82. Kein Vergleich mit anderen Personen — dafür fehlen Schweizer Vergleichswerte, und wir erfinden keine. Halb beantwortet ergibt keinen Wert.

CAAS — Laufbahn-Anpassungsfähigkeit

insightsWas misst es?: Erfasst vier Stärken im Umgang mit beruflichem Wandel: Vorausdenken, Steuern, Neugier und Zutrauen.
databaseWoher kommen die Daten?: Aus einem geprüften Fragebogen mit zwölf Aussagen, den du selbst beantwortest. Ohne Antworten bleibt die Karte leer.
scienceAuf welchem Prinzip basiert es?: Career Construction Theory (Savickas). Eingesetzt wird die Kurzform CAAS-SF (Maggiori, Rossier & Savickas 2017), entwickelt an 2'800 deutsch- und französischsprachigen Erwachsenen in der Schweiz.
deployed_codeWo nutzen wir es im Produkt?: Zeigt im Living Profile, worauf du dich stützen kannst und wo ein kleiner Schritt am meisten bewirkt.
verifiedValidierung & Konfidenz: Berichtete interne Konsistenz α = .90 (Gesamtwert), Subskalen .77–.83. Messäquivalenz zwischen deutscher und französischer Fassung nachgewiesen — Voraussetzung dafür, beide Sprachen überhaupt vergleichen zu dürfen.

RIASEC — Holland-Interessen-Modell

insightsWas misst es?: Modelliert deine beruflichen Interessen entlang sechs Dimensionen: Realistisch, Investigativ, Künstlerisch, Sozial, Unternehmerisch, Konventionell.
databaseWoher kommen die Daten?: Aus 60 Tätigkeiten, die du selbst bewertest — wie sehr würde dich das reizen. Solange der Fragebogen nicht beantwortet ist, zeigen wir kein Interessen-Profil. Aus dem Lebenslauf lässt sich nicht ablesen, was jemand gerne tut.
scienceAuf welchem Prinzip basiert es?: Holland-Theorie der beruflichen Interessen (Holland 1959/1997); die sechs Dimensionen bilden ein Hexagon. Eingesetzt wird der deutsche O*NET Interest Profiler Short Form (Roemer et al. 2023, CC BY 4.0) — Übersetzung des frei verfügbaren Originals des US-Arbeitsministeriums.
deployed_codeWo nutzen wir es im Produkt?: Trägt das Interessen-Kapitel im CareerRadar und fliesst in die Rollen-Passung ein. Ohne Beantwortung nutzt die Passung ersatzweise ein internes Signal aus dem Lebenslauf — das wird nie als dein Interessen-Profil ausgegeben.
verifiedValidierung & Konfidenz: Interne Konsistenz aller sechs Skalen ω ≥ .80, Hexagon-Struktur in zwei Stichproben bestätigt (Roemer et al. 2023). Die RIASEC-Profile der BERUFE stammen weiterhin aus dem Konsens dreier Quellen — O*NET 29 (US), Berufenet (DE) und berufsberatung.ch (CH).

Trajectory Engine — Beschäftigungs-Wachstum pro Beruf

insightsWas misst es?: Prognostiziert pro Beruf einen Wachstums-Score (0–1) für die voraussichtliche Beschäftigungs-Entwicklung — wachsendes Feld, stabil oder rückläufig. Markt-Druck und KI-Exposition werden bewusst als separate Dimensionen ausgewiesen.
databaseWoher kommen die Daten?: Historische BFS-SAKE-Beschäftigung via Eurostat: primär ISCO-2-Untergruppen 2011–2024 (41 Gruppen), Fallback ISCO-1-Hauptgruppen 2002–2024 (9 Gruppen). Das Trainings-Fenster ist auf maximal 11 Jahre limitiert.
scienceAuf welchem Prinzip basiert es?: Reine Linear-Trend-Extrapolation der ISCO-Beschäftigung — bewusst kein Multi-Signal-Composite. Die ursprüngliche Composite-Hypothese (Trend + Markt-Druck + KI gemischt) wurde in Sprint H3.2/H3.2b über vier Robustheits-Tests und ein 27-Parameter-Grid systematisch falsifiziert (Diebold-Mariano p > 0.3) und entfernt. Markt-Druck und KI bleiben separate Score-Dimensionen.
deployed_codeWo nutzen wir es im Produkt?: Speist den Beschäftigungs-Ausblick im CareerRadar und den Trend-Slot der Befund-Aussage. Markt-Druck (Skills-Knappheit) und KI-Exposition zeigen wir bewusst getrennt — sie fliessen nicht in den Wachstums-Score ein.
verifiedValidierung & Konfidenz: Backtest LT.7.4 auf BFS-LFS-Aggregat (neun ISCO-1-Hauptgruppen, Schweiz): Training 2018–2021 → Test 2024, RMSE 6.51%. Ein zusätzlicher KI-Modifier (α=0.4 / β=0.3) verschlechterte die Prognose leicht (RMSE 6.85%) — die Multi-Signal-Composite-Hypothese wurde über mehrere Robustheits-Tests falsifiziert und entfernt. Längere Trainings-Fenster verzerren den Trend durch alte Strukturbrüche wie die Finanzkrise 2008.

Marktwert-Index

insightsWas misst es?: Ordnet dein Profil in den Schweizer Arbeitsmarkt ein anhand Sektor-Nachfrage, regionalem Lohnband und Vakanzen.
databaseWoher kommen die Daten?: BFS Lohnstrukturerhebung (LSE) und BFS-Beschäftigung pro Sektor und Region, KOF Swiss Job Tracker (wöchentlicher Stelleninserate-Index pro ISCO und Kanton, ETH Zürich), Adecco Fachkräftemangel-Index und UZH Skills-Mismatch-Monitor.
scienceAuf welchem Prinzip basiert es?: Gewichteter Index aus Nachfrage (0.35), Knappheit (0.25; Adecco FKM + UZH SMM) und Profil-Reife (0.40), verdichtet auf eine Skala 0–100.
deployed_codeWo nutzen wir es im Produkt?: Steht als eigenständiger 0–100-Index bereit; das CareerRadar-Scoring nutzt derzeit einen einfacheren sektor-basierten Markt-Score. Der vollständige Index ist gebaut, aber noch nicht ins CareerRadar-Scoring verdrahtet.
verifiedValidierung & Konfidenz: Laufend nachgeführt: KOF Swiss Job Tracker wöchentlich, Adecco-Quartalsberichte, BFS-Lohn- und Beschäftigungsdaten jährlich. UZH Skills-Mismatch-Monitor fliesst über die Living Occupation Profiles ein.

KI-Exposition pro Beruf — 3-Layer-Konsens

insightsWas misst es?: Schätzt für jeden Beruf, welcher Anteil der Tätigkeit von KI ersetzt oder verstärkt werden kann — getrennt nach drei Konzepten: LLM-Exposition (Text-KI), klassische Automation und Visual-AI-Exposition.
databaseWoher kommen die Daten?: Konsens aus sechs unabhängigen, peer-reviewten AI-Disruption-Signalen: Eloundou et al. 2023 (GPT-4-Labels und Human-Labels), Frey & Osborne 2017 (Future of Employment) sowie Felten, Raj & Seamans 2021 (AIOE-General, AIOE-Language, AIOE-IG). Übertragung auf ESCO via O*NET-Crosswalk.
scienceAuf welchem Prinzip basiert es?: Drei thematische Konzept-Layer (LLM-Exposition, klassische Automation, Visual-AI), pro Layer ein Konsens aus mehreren Studien plus Spread (Unsicherheit) und eine Klasse (low / medium / high). Eine Concept-Tag-Validation verhindert konzeptionelles Mischen der Layer.
deployed_codeWo nutzen wir es im Produkt?: Erscheint im CareerRadar als KI-Ausblick-Kapitel (3-Layer-Cards) und im Schweizer Markt-Index als KI-Exposition.
verifiedValidierung & Konfidenz: Alle Quellen peer-reviewt (Eloundou, Felten, Frey-Osborne). Über vier Robustheits-Tests und ein 27-Parameter-Grid (Diebold-Mariano p > 0.3) zeigte sich, dass KI-Signale die Beschäftigungs-Prognose nicht verbessern — sie werden daher getrennt vom Wachstums-Score als eigenständige, qualitative Risiko-Dimension geführt, nicht als Wachstums-Treiber. Die Konsens-Engine dokumentiert Spread und Methodologie-Note pro Layer.

CV-Extraktion

insightsWas misst es?: Liest aus deinem hochgeladenen CV die strukturierten Karriere-Daten: Stationen, Rollen, Skills, Verantwortungs-Indikatoren und Zeitliche Verteilung.
databaseWoher kommen die Daten?: Aus deiner hochgeladenen CV-Datei (PDF, DOC, DOCX). Das Parsen der Datei passiert im Upload-Schritt; die Analyse arbeitet auf dem extrahierten Rohtext. Wir nutzen keine externen Quellen für CV-Daten.
scienceAuf welchem Prinzip basiert es?: Strukturierte Extraktion mit Sprach-Modell-Unterstützung in die Felder, die die Engines brauchen: Stationen, Rollen, Skills, Verantwortungs-Indikatoren und zeitliche Verteilung.
deployed_codeWo nutzen wir es im Produkt?: Grundlage für den Markt-Match: Ohne CV-Daten lässt sich kein Beruf zuordnen und keine Rolle vergleichen. Selbstbild, Anpassungsfähigkeit und Interessen kommen ausdrücklich NICHT aus dem CV — die beantwortest du in geprüften Fragebogen, sonst zeigen wir dazu nichts.
verifiedValidierung & Konfidenz: Spot-Checks gegen manuelle CV-Annotationen. Bei unklarem oder unleserlichem Input liefern wir eine leere Extraktion mit Hinweis, statt zu raten.

Scoring-Methodik

insightsWas misst es?: Wie die einzelnen Engine-Outputs zu einem Gesamt-Befund verdichtet werden.
databaseWoher kommen die Daten?: Aus der CV-Extraktion, dem sektor-basierten Markt-Score, deinem beantworteten Interessen-Profil (falls beantwortet) und deinen Antworten im Career Check. Selbstbild und Anpassungsfähigkeit fliessen NICHT in die Rangfolge ein — sie sind eine Selbsteinschätzung, kein Passungsmass, und werden nur als Deutung gezeigt. Die Trajectory-Engine läuft eigenständig und fliesst nicht ins Scoring.
scienceAuf welchem Prinzip basiert es?: Gewichtete Komposition der Engine-Signale — aber nicht für alle gleich: Deine Antworten im Career Check verschieben die Gewichte (wem Lohn wichtig ist, bei dem zählt der Lohn-Aspekt mehr; wer unter Zeitdruck steht, bei dem zählt die schnelle Erreichbarkeit mehr). Zusätzlich gelten harte Rahmen aus deinen Angaben: Lohn-Untergrenze, gewünschtes Pensum und Arbeitssprache werden gegen echte Schweizer Stelleninserate geprüft und werten Rollen ab, die sie reissen. Konkrete Gewichte und Schwellen bleiben intern.
deployed_codeWo nutzen wir es im Produkt?: Treibt die Befund-Aussage in jedem Service-Report und die Reihenfolge der Empfehlungen.
verifiedValidierung & Konfidenz: Parity- und Golden-Master-Regressionstests gegen einen Gold-Label-Datensatz sichern die Konsistenz (kein A/B-Test im Feld). Ein Quality-Gate prüft mit 10 Checks die Qualität des generierten Report-Texts.

Datenquellen-Übersicht

insightsWas misst es?: Alle externen Quellen, die in CVCoach einfliessen — in einer Liste.
databaseWoher kommen die Daten?: Statistik & Markt: BFS Lohnstrukturerhebung (LSE) und Beschäftigungs-Szenarien, Eurostat (Beschäftigung, Vakanzen), KOF Swiss Job Tracker und KOF-Indikatoren (ETH Zürich), Adecco Swiss Job Market Index (Fachkräftemangel) und UZH Skills-Mismatch-Monitor. Berufsklassifikationen: ESCO v1.2.1 (EU), O*NET 29.1 (US), Berufenet (BfA, DE) und berufsberatung.ch (CH). KI-Exposition: Eloundou et al. 2023, Felten, Raj & Seamans 2021, Frey & Osborne 2017.
scienceAuf welchem Prinzip basiert es?: Wir bevorzugen öffentliche, offizielle und peer-reviewte Quellen. SECO Job-Room ist als Ergänzung vorgesehen, aber noch nicht aktiv (benötigt Business-Credentials).
deployed_codeWo nutzen wir es im Produkt?: Pro Methode oben gelistet — jede Engine zeigt, welche Quellen sie nutzt und welche bewusst NICHT genutzt werden.
verifiedValidierung & Konfidenz: Update-Frequenz pro Quelle dokumentiert: KOF Job Tracker wöchentlich, Eurostat und Adecco quartalsweise, BFS jährlich, KI-Studien statisch (Publikations-Jahr). Das Ziel, jede Konstante im Code auf eine Quelle rückzuführen, ist für einige CSE-/RIASEC-Konstanten noch offen.

homeCVCoach