📈 economics

Explainable Labor Market Intelligence from Online Job Postings: Multi-Frequency Skill Demand Monitoring and Forecasting

Este estudio propone un marco de inteligencia del mercado laboral explicable que analiza más de 124.000 ofertas de empleo de LinkedIn mediante la descomposición de multifrecuencia y el pronóstico con XGBoost para generar señales accionables e interpretables sobre la persistencia y las tendencias en la demanda de habilidades para la planificación estratégica de la fuerza laboral.

Autores originales: ahmad adi, Mona Anjali Bire, Brigita Bowaire, La Fajrin, Lod Insyur, Maria Florensia Lay, Muhamad Mubarok, Fajar Muhammad, Dara Muliyani, Nilam Rostyana, Jarwoko Saputro, Krishna Setiadi, Chaterina Su

Publicado 2026-08-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: ahmad adi, Mona Anjali Bire, Brigita Bowaire, La Fajrin, Lod Insyur, Maria Florensia Lay, Muhamad Mubarok, Fajar Muhammad, Dara Muliyani, Nilam Rostyana, Jarwoko Saputro, Krishna Setiadi, Chaterina Suweni

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mercado laboral como un océano gigante y bullicioso. Durante décadas, las personas que intentan navegar estas aguas —como las empresas que buscan contratar o las escuelas que intentan enseñar las habilidades adecuadas— han dependido de mapas viejos y pesados. Estos mapas, llamados estadísticas oficiales de la fuerza laboral, son precisos pero lentos; son como una fotografía tomada el mes pasado, que muestra dónde estaban los peces, pero no dónde están nadando ahora mismo. En la era digital, ha surgido un nuevo tipo de señal: las ofertas de empleo en línea. Piensa en ellas como las ondulaciones en tiempo real sobre la superficie del agua, que muestran instantáneamente dónde están rompiendo las olas y dónde se están desplazando las corrientes.

Para dar sentido a estas ondulaciones, los científicos utilizan algunas herramientas clave. Una es el pronóstico (forecasting), que es simplemente intentar adivinar hacia dónde irá el agua basándose en cómo se movió antes. Otra es la persistencia, una palabra elegante para la "pegajosidad". Si una ola sigue rodando en la misma dirección durante mucho tiempo, tiene una alta persistencia; si cambia de dirección cada segundo, es caótica. Finalmente, está la explicabilidad. En el pasado, las computadoras solían actuar como cajas negras, dando respuestas sin decir por qué. Ahora, queremos que actúen como un guía amable que señala el mapa y dice: "Creo que el agua va en esta dirección porque el viento sopla desde aquí". Comprender estos conceptos es importante porque, si podemos leer las señales en tiempo real del océano, podemos dejar de contratar para empleos que están desapareciendo y empezar a capacitarnos para los que apenas están comenzando a crecer.

Este estudio, titulado "Inteligencia del Mercado Laboral Explicable a partir de Ofertas de Empleo en Línea", se sumerge en ese océano digital para ver si podemos predecir el futuro del trabajo con mayor claridad. Los investigadores recopilaron una colección masiva de más de 124,000 anuncios de empleo de LinkedIn, recolectados entre diciembre de 2023 y abril de 2024. En lugar de solo contar cuántos empleos se publicaron, construyeron un "Índice Semanal de Demanda de Habilidades", que actúa como un velocímetro para medir cuánto están solicitando los empleadores ciertas habilidades específicas, como programación, ventas o atención médica.

Luego, el equipo utilizó un truco matemático ingenioso llamado Descomposición de Modos Empíricos (Empirical Mode Decomposition). Imagina que tienes una grabación ruidosa y desordenada de una canción. Esta herramienta separa la grabación en diferentes capas: la estática de alta frecuencia (ruido a corto plazo), la sección rítmica (ciclos a medio plazo) y la melodía principal (la tendencia a largo plazo). Al separar estas capas, los investigadores pudieron ver si un pico en la demanda de empleo era solo un fallo temporal o el inicio de una nueva y duradera tendencia.

A continuación, aplicaron el Análisis de Hurst para medir la "persistencia". Piensa en esto como verificar si una tendencia tiene impulso. Si una habilidad tiene un puntaje de persistencia alto (por encima de 0.5), significa que si la demanda está subiendo, es probable que siga subiendo, como una bola de nieve rodando por una colina. Si el puntaje es bajo, la tendencia podría oscilar aleatoriamente. El estudio encontró que casi todas las habilidades que analizaron tenían una alta persistencia, lo que significa que la demanda laboral tiende a mantenerse en su camino en lugar de saltar de un lado a otro al azar.

Para predecir qué pasaría después, utilizaron un modelo de aprendizaje automático llamado XGBoost. Sin embargo, en lugar de dejar que el modelo fuera una caja negra, añadieron SHAP, una herramienta que actúa como un reflector, mostrando exactamente qué factores impulsaron la predicción. Los resultados fueron reveladores: el modelo no necesitaba datos complejos para hacer buenas conjeturas; se basó principalmente en cuánta demanda hubo la semana pasada y con qué rapidez cambió esa demanda. El modelo logró una precisión (R²) de 0.386, lo que los autores señalan como suficiente para detectar la dirección del mercado, incluso si no predice el número exacto de empleos.

La parte más emocionante del estudio es cómo categoriza las habilidades en cuatro grupos distintos, convirtiendo los datos brutos en una guía estratégica:

Habilidades Emergentes: Estas son las estrellas en ascenso. La Atención Médica fue la única habilidad en esta categoría, mostrando una tasa de crecimiento masiva de +54.6% y un puntaje de persistencia muy alto de 0.937. Esto sugiere una necesidad estructural y fuerte de trabajadores de la salud que no es solo un pico temporal.
Persistentes pero en Declive: Esta es una categoría complicada. Habilidades como la Tecnología de la Información (TI), Ventas e Ingeniería mostraron una alta persistencia (lo que significa que la tendencia es fuerte), pero la tendencia era a la baja. Por ejemplo, la demanda de TI cayó un 22.6%. El estudio sugiere que esto no es un bache temporal, sino un cambio estructural, lo que significa que las empresas deberían dejar de contratar para roles antiguos de TI y empezar a capacitarse para los nuevos.
Estables: Habilidades como la Gestión y la Manufactura mostraron ligeros descensos, pero eran tan constantes y predecibles que se consideran estables. No están explotando, pero tampoco se están desplomando.
Volátiles: Aunque no son el foco principal de los resultados principales, el marco está diseñado para detectar habilidades que suben y bajan drásticamente, advirtiendo a los empleadores que no reaccionen exageradamente ante picos a corto plazo.

Los autores advierten cuidadosamente que estos hallazgos se basan en una ventana de tiempo relativamente corta (unas 17 semanas) y provienen de una plataforma específica (LinkedIn), por lo que representan el mercado laboral "digital" más que todos los empleos del mundo. Sugieren que, aunque el modelo no es perfecto para predecir números exactos, es excelente para decirnos hacia dónde sopla el viento. Al combinar datos en tiempo real con estas categorías claras y explicables, el estudio ofrece una nueva forma para que las escuelas, las empresas y los gobiernos planifiquen el futuro, asegurando que no construyan un barco para un mar que ya no existe.

Resumen Técnico: Inteligencia del Mercado Laboral Explicable a partir de Publicaciones de Empleo en Línea

Planteamiento del Problema
El mercado laboral contemporáneo está experimentando una rápida transformación estructural impulsada por la digitalización y la inteligencia artificial, lo que genera incertidumbre para empleadores, instituciones educativas y responsables de políticas públicas. Si bien las estadísticas tradicionales del mercado laboral son fiables, sufren de retrasos temporales y carecen de la granularidad necesaria para capturar los cambios rápidos en la demanda de los empleadores. Aunque las publicaciones de empleo en línea ofrecen señales en tiempo real y granulares de la demanda de habilidades, la investigación existente se centra principalmente en la precisión predictiva (minimizar las métricas de error), descuidando la interpretabilidad requerida para la toma de decisiones estratégicas. Además, los enfoques actuales suelen modelar la demanda laboral como una única serie temporal agregada, sin distinguir entre el ruido del mercado a corto plazo (fluctuaciones transitorias) y las tendencias estructurales (dinámicas persistentes). Esta falta de distinción puede conducir a conclusiones erróneas y a una planificación de la fuerza laboral reactiva en lugar de proactiva. Asimismo, muchos modelos de pronóstico operan como "cajas negras", lo que limita su utilidad para los tomadores de decisiones que requieren explicaciones transparentes antes de adoptar recomendaciones.

Metodología
El estudio propone un marco de Inteligencia del Mercado Laboral (LMI, por sus siglas en inglés) Explicable que transforma publicaciones de empleo en línea masivas y no estructuradas en pronósticos de demanda de habilidades accionables y de multifrecuencia. El marco utiliza un conjunto de datos de 123,849 publicaciones de empleo de LinkedIn recopiladas globalmente desde diciembre de 2023 hasta abril de 2024 (17 semanas). La metodología avanza a través de siete etapas secuenciales:

Adquisición y Preprocesamiento de Datos: El texto bruto de los empleos se limpia y estandariza mediante técnicas de PLN (conversión a minúsculas, tokenización, lematización, eliminación de palabras vacías o stop-words).
Extracción y Estandarización de Habilidades: El texto no estructurado se mapea a una taxonomía de habilidades estandarizada, creando una matriz de indicadores binarios donde las habilidades se identifican en los documentos de los empleos.
Construcción del Índice de Demanda de Habilidades (SDI) Semanal: Las menciones de habilidades se agregan en series temporales semanales normalizadas. El SDI se calcula como el número de publicaciones que requieren una habilidad específica por cada 1,000 publicaciones totales, lo que permite la comparación intertemporal.
Descomposición de Multifrecuencia (EMD): La serie temporal no estacionaria del SDI se descompone mediante la Descomposición de Modos Empíricos (EMD) en Funciones de Modo Intrínseco (IMF) que representan diferentes frecuencias temporales (volatilidad a corto plazo, ciclos a medio plazo) y un residuo de tendencia a largo plazo. Esto aísla el ruido transitorio de los cambios estructurales.
Análisis de Hurst de Multifrecuencia: Se estima el exponente de Hurst ( $H$ ) para la serie original y cada componente descompuesto utilizando el Análisis de Rango Rescalado (R/S).
- $H > 0.5$ : Comportamiento persistente (continuidad de la tendencia).
- $H \approx 0.5$ : Comportamiento de paseo aleatorio.
- $H < 0.5$ : Comportamiento antipersistente (reversión a la media/volatilidad).
Pronóstico Explicable (XGBoost + SHAP): Un modelo de regresión XGBoost predice los cambios semanales en la demanda agregada ( $\Delta y_{t+1}$ ). Las características incluyen la demanda rezagada, el impulso (momentum), estadísticas móviles y exponentes de Hurst agregados. Se aplica SHAP (Explicaciones de Shapley Aditivas) para descomponer las predicciones, atribuyendo los cambios en el pronóstico a características de entrada específicas para garantizar la transparencia.
Generación de LMI: Los resultados se sintetizan en cuatro categorías accionables: Emergente (crecimiento positivo + persistencia), Persistente/Estable (alta persistencia + crecimiento estable/positivo), Volátil (antipersistencia o dominancia de alta frecuencia) y Decreciente (crecimiento negativo + persistencia).

Resultos Clave

Dinámicas de Persistencia: Todas las habilidades analizadas exhibieron un comportamiento persistente ( $H > 0.5$ $H > 0.5$ ), lo que indica que la demanda laboral sigue patrones de tendencia en lugar de fluctuaciones aleatorias.
- Salud (Healthcare) mostró la mayor persistencia ( $H = 0.937$ ) y la tasa de crecimiento más alta (+54.6%), clasificada como Emergente.
- Tecnologías de la Información (IT), Ventas e Ingeniería mostraron alta persistencia ( $H > 0.62$ ) pero tasas de crecimiento negativas (que oscilan entre -13.7% y -28.6%), clasificadas como Decrecientes. Esto indica una contracción estructural en lugar de una caída temporal.
- Gestión (Management) y Manufactura mostraron alta persistencia ( $H > 0.78$ ) con un crecimiento negativo moderado, clasificadas como Estables.
Desempeño del Pronóstico: El modelo XGBoost logró un $R^2$ de 0.386 en la predicción de los cambios semanales en la demanda agregada. Los autores señalan que el objetivo principal es generar inteligencia interpretable en lugar de maximizar la precisión del pronóstico puntual.
Explicabilidad (SHAP): El análisis de importancia de características reveló que el Nivel de Demanda Reciente (Lag 1) y el Impulso de la Demanda (Delta Lag 1) son los principales impulsores de los pronósticos, seguidos por las tendencias de corto plazo (media móvil de 3 semanas). Esto confirma que la demanda laboral exhibe una fuerte autocorrelación.
Perspectivas de la Descomposición: El análisis de multifrecuencia reveló que, si bien las tendencias residuales suelen acercarse a $H \approx 1.0$ (lo que indica cambios estructurales casi deterministas), los componentes de alta frecuencia (IMF_1) también mostraron una persistencia moderada ( $H \approx 0.6-0.8$ ), lo que sugiere que incluso los picos de corto plazo suelen seguir un comportamiento de seguimiento de tendencia en lugar de una reversión a la media.

Significancia y Contribuciones
El artículo reclama tres contribuciones principales a la literatura y la práctica:

Integración Metodológica: Integra la descomposición de multifrecuencia (EMD), el análisis de persistencia basado en Hurst y el aprendizaje automático explicable (XGBoost + SHAP) en un marco unificado. Esto cambia el paradigma de la ingeniería puramente predictiva hacia la interpretabilidad estratégica, permitiendo la separación del ruido transitorio de las tendencias estructurales.
Operacionalización Teórica: Operacionaliza la Analítica del Mercado Laboral Digital y la Analítica de la Fuerza Laboral Explicable en un marco unificado. Demuestra que las señales de demanda laboral no son puramente estocásticas, sino que contienen información estructural explotable, extendiendo la Teoría del Capital Humano al contexto de los mercados laborales digitales dinámicos.
Generación de Inteligencia Práctica: Genera categorías de inteligencia accionables (Emergente, Persistente, Volátil, Decreciente) que apoyan directamente la asignación estratégica de recursos. Al proporcionar señales transparentes y explicables, el marco permite a los estrategas de RR. HH., analistas de marketing y responsables de políticas pasar de una contratación reactiva a una gestión de talento proactiva, alineación curricular e iniciativas de reskilling.

Limitaciones y Alcance
Los autores reconocen varias limitaciones:

Alcance Temporal: El conjunto de datos cubre solo 17 semanas, lo que limita la capacidad de identificar patrones cíclicos a largo plazo o cambios estructurales plurianuales. Los exponentes de Hurst reportados se interpretan como indicadores de persistencia a corto plazo.
Fuente de Datos: La dependencia de las publicaciones de LinkedIn puede subrepresentar los mercados laborales informales, las pequeñas empresas y las ocupaciones con actividad de reclutamiento en línea limitada.
Representación de Habilidades: Las variaciones en la terminología entre empleadores y la posible representación imperfecta de competencias que evolucionan rápidamente dentro de las taxonomías existentes.
Factores Exógenos: El marco de pronóstico se basa en patrones históricos de demanda y no incorpora explícitamente variables exógenas como condiciones macroeconómicas, cambios regulatorios o eventos geopolíticos.

El estudio concluye que, si bien el marco proporciona una base sólida para las señales tempras del mercado laboral, la investigación futura debe extender el alcance temporal, integrar indicadores macroeconómicos y refinar el mapeo de la ontología de habilidades para mejorar la estandarización y la interpretación causal.

Resumen Técnico: Inteligencia del Mercado Laboral Explicable a partir de Publicaciones de Empleo en Línea

Más como este