📈 economics

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

यह अध्ययन एक व्याख्यात्मक श्रम बाजार इंटेलिजेंस फ्रेमवर्क प्रस्तावित करता है जो रणनीतिक कार्यबल नियोजन के लिए कौशल मांग की निरंतरता और रुझानों पर कार्रवाई योग्य, व्याख्या योग्य संकेत उत्पन्न करने हेतु मल्टी-फ्रीक्वेंसी डिकंपोजिशन और XGBoost फोरकास्टिंग का उपयोग करके 124,000 से अधिक लिंक्डइन जॉब पोस्टिंग का विश्लेषण करता है।

मूल लेखक: 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

प्रकाशित 2026-08-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: 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

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

नौकरी के बाजार की कल्पना एक विशाल, हलचल भरे समुद्र के रूप में करें। दशकों से, इन लहरों के बीच रास्ता खोजने की कोशिश करने वाले लोग—जैसे कि भर्ती करने वाली कंपनियां या सही कौशल सिखाने वाले स्कूल—पुराने, भारी नक्शों पर निर्भर रहे हैं। ये नक्शे, जिन्हें आधिकारिक श्रम सांख्यिकी कहा जाता है, सटीक तो हैं लेकिन धीमे हैं; वे पिछले महीने ली गई एक तस्वीर की तरह हैं, जो यह तो दिखाती है कि मछलियाँ कहाँ थीं, लेकिन यह नहीं कि वे अभी कहाँ तैर रही हैं। डिजिटल युग में, एक नए प्रकार का संकेत उभरा है: ऑनलाइन जॉब पोस्टिंग। इन्हें पानी की सतह पर उठने वाली वास्तविक समय की लहरों के रूप में समझें, जो तुरंत दिखाती हैं कि लहरें कहाँ टकरा रही हैं और धाराएँ कहाँ बदल रही हैं।

इन लहरों को समझने के लिए, वैज्ञानिक कुछ प्रमुख उपकरणों का उपयोग करते हैं। एक है पूर्वानुमान (forecasting), जो सरल शब्दों में यह अनुमान लगाने की कोशिश है कि पानी आगे कहाँ जाएगा, इस आधार पर कि वह पहले कैसे चला था। दूसरा है पर्सिस्टेंस (persistence), जो "चिपचिपाहट" के लिए एक फैंसी शब्द है। यदि एक लहर लंबे समय तक एक ही दिशा में चलती रहती है, तो उसमें उच्च पर्सिस्टेंस होता है; यदि यह हर सेकंड अपनी दिशा बदल देती है, तो यह अराजक है। अंत में, व्याख्यात्मकता (explainability) है। अतीत में, कंप्यूटर 'ब्लैक बॉक्स' की तरह काम करते थे, जो बिना कारण बताए उत्तर देते थे। अब, हम चाहते हैं कि वे एक मित्रवत मार्गदर्शक की तरह व्यवहार करें जो मानचित्र की ओर इशारा करे और कहे, "मुझे लगता है कि पानी इस दिशा में जा रहा है क्योंकि हवा यहाँ से चल रही है।" इन अवधारणाओं को समझना महत्वपूर्ण है क्योंकि यदि हम समुद्र के वास्तविक समय के संकेतों को पढ़ सकते हैं, तो हम उन नौकरियों के लिए भर्ती करना बंद कर सकते हैं जो खत्म हो रही हैं और उन नौकरियों के लिए प्रशिक्षण देना शुरू कर सकते हैं जो अभी-अभी उभरना शुरू हुई हैं।

यह अध्ययन, जिसका शीर्षक "ऑनलाइन जॉब पोस्टिंग से व्याख्या योग्य श्रम बाजार इंटेलिजेंस" है, कार्य के भविष्य को अधिक स्पष्टता के साथ देखने के लिए इसी डिजिटल समुद्र में गोता लगाता है। शोधकर्ताओं ने दिसंबर 2023 और अप्रैल 2024 के बीच लिंक्डइन (LinkedIn) से 124,000 से अधिक नौकरी विज्ञापनों का एक विशाल संग्रह एकत्र किया। केवल यह गिनने के बजाय कि कितनी नौकरियां पोस्ट की गईं, उन्होंने एक "साप्ताहिक कौशल मांग सूचकांक" बनाया, जो एक स्पीडोमीटर की तरह काम करता है कि नियोक्ता कोडिंग, बिक्री या स्वास्थ्य सेवा जैसे विशिष्ट कौशलों के लिए कितनी मांग कर रहे हैं।

फिर टीम ने एम्पिरिकल मोड डीकंपोजिशन (Empirical Mode Decomposition) नामक एक चतुर गणितीय तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास किसी गीत की एक अस्त-व्यस्त, शोर भरी रिकॉर्डिंग है। यह उपकरण रिकॉर्डिंग को विभिन्न परतों में अलग करता है: उच्च-पिच वाला शोर (अल्पकालिक शोर), रिदम सेक्शन (मध्यम अवधि के चक्र), और मुख्य धुन (दीर्घकालिक रुझान)। इन परतों को अलग करके, शोधकर्ता देख सके कि क्या नौकरी की मांग में उछाल केवल एक अस्थायी गड़बड़ी थी या एक नए, स्थायी रुझान की शुरुआत थी।

इसके बाद, उन्होंने "पर्सिस्टेंस" को मापने के लिए हर्स्ट विश्लेषण (Hurst Analysis) लागू किया। इसे एक कौशल के मोमेंटम की जांच करने के रूप में समझें। यदि किसी कौशल का पर्सिस्टेंस स्कोर उच्च (0.5 से ऊपर) है, तो इसका मतलब है कि यदि मांग बढ़ रही है, तो इसके बढ़ने की संभावना बनी रहेगी, जैसे पहाड़ से लुढ़कता हुआ एक हिमखंड। यदि स्कोर कम है, तो रुझान बेतरतीब ढंग से बदल सकता है। अध्ययन में पाया गया कि उनके द्वारा देखे गए लगभग सभी कौशलों में उच्च पर्सिस्टेंस था, जिसका अर्थ है कि श्रम की मांग अपने पथ पर टिकी रहती है न कि बेतरतीब ढंग से उछलती-कूदती है।

अगले क्या होने वाला है, इसकी भविष्यवाणी करने के लिए, उन्होंने XGBoost नामक एक मशीन लर्निंग मॉडल का उपयोग किया। हालाँकि, मॉडल को ब्लैक बॉक्स बनने देने के बजाय, उन्होंने इसमें SHAP जोड़ा, जो एक स्पॉटलाइट की तरह काम करता है, जो ठीक से दिखाता है कि किन कारकों ने भविष्यवाणी को प्रेरित किया। परिणाम बहुत ही स्पष्ट थे: मॉडल को अच्छे अनुमान लगाने के लिए जटिल डेटा की आवश्यकता नहीं थी; यह मुख्य रूप से इस बात पर निर्भर था कि पिछले सप्ताह कितनी मांग थी और उस मांग में कितनी तेजी से बदलाव आया था। मॉडल ने 0.386 की सटीकता (R²) हासिल की, जिसे लेखक यह नोट करते हुए पर्याप्त मानते हैं कि यह बाजार की दिशा को पहचानने के लिए पर्याप्त है, भले ही यह नौकरियों की सटीक संख्या की भविष्यवाणी न कर सके।

इस अध्ययन का सबसे रोमांचक हिस्सा यह है कि यह कौशलों को चार विशिष्ट समूहों में वर्गीकृत करता है, जो कच्चे डेटा को एक रणनीतिक मार्गदर्शिका में बदल देता है:

उभरते हुए कौशल (Emerging Skills): ये उभरते सितारे हैं। स्वास्थ्य सेवा (Healthcare) एकमात्र कौशल था जो इस श्रेणी में था, जिसने +54.6% की जबरदस्त विकास दर और 0.937 का बहुत उच्च पर्सिस्टेंस स्कोर दिखाया। यह सुझाव देता है कि स्वास्थ्य सेवा कर्मियों की एक मजबूत, संरचनात्मक आवश्यकता है जो केवल एक अस्थायी उछाल नहीं है।
लगातार लेकिन घटते हुए (Persistent but Declining): यह एक कठिन श्रेणी है। सूचना प्रौद्योगिकी (IT), बिक्री (Sales) और इंजीनियरिंग जैसे कौशलों ने उच्च पर्सिस्टेंस (यानी, रुझान मजबूत है) दिखाया, लेकिन रुझान नीचे की ओर था। उदाहरण के लिए, आईटी की मांग में 22.6% की गिरावट आई। अध्ययन का सुझाव है कि यह केवल एक अस्थायी मंदी नहीं बल्कि एक संरचनात्मक बदलाव है, जिसका अर्थ है कि कंपनियों को पुराने आईटी भूमिकाओं के लिए भर्ती करना बंद कर देना चाहिए और नई भूमिकाओं के लिए प्रशिक्षण देना शुरू करना चाहिए।
स्थिर (Stable): प्रबंधन (Management) और विनिर्माण (Manufacturing) जैसे कौशलों ने मामूली गिरावट दिखाई लेकिन वे इतने स्थिर और अनुमानित थे कि उन्हें स्थिर माना गया। वे विस्फोट नहीं कर रहे हैं, लेकिन वे गिर भी नहीं रहे हैं।
अस्थिर (Volatile): हालांकि यह शीर्ष परिणामों का मुख्य केंद्र नहीं है, लेकिन फ्रेमवर्क को उन कौशलों को पहचानने के लिए डिज़ाइन किया गया है जो बेतहाशा ऊपर-नीचे होते हैं, जिससे नियोक्ताओं को अल्पकालिक उछाल पर अत्यधिक प्रतिक्रिया न करने की चेतावनी मिलती है।

लेखक सावधानीपूर्वक नोट करते हैं कि ये निष्कर्ष एक अपेक्षाकृत कम समय (लग_लग 17 सप्ताह) पर आधारित हैं और एक विशिष्ट प्लेटफॉर्म (लिंक्डइन) से आते हैं, इसलिए वे "डिजिटल" नौकरी बाजार का प्रतिनिधित्व करते हैं न कि दुनिया की हर नौकरी का। उनका सुझाव है कि हालांकि मॉडल सटीक संख्याओं की भविष्यवाणी करने में पूर्ण नहीं है, लेकिन यह हमें यह बताने में उत्कृष्ट है कि हवा किस दिशा में चल रही है। वास्तविक समय के डेटा को इन स्पष्ट, व्याख्या योग्य श्रेणियों के साथ जोड़कर, यह अध्ययन स्कूलों, कंपनियों और सरकारों के लिए भविष्य की योजना बनाने का एक नया तरीका प्रदान करता है, यह सुनिश्चित करते हुए कि वे उस समुद्र के लिए जहाज न बनाएं जो अब अस्तित्व में नहीं है।

तकनीकी सारांश: ऑनलाइन जॉब पोस्टिंग से व्याख्यात्मक श्रम बाजार इंटेलिजेंस (Explainable Labor Market Intelligence)

समस्या विवरण
डिजिटलीकरण और आर्टिफिशियल इंटेलिजेंस द्वारा संचालित तीव्र संरचनात्मक परिवर्तन के कारण समकालीन श्रम बाजार में अनिश्चितता पैदा हो रही है, जो नियोक्ताओं, शैक्षणिक संस्थानों और नीति निर्माताओं के लिए एक चुनौती है। हालांकि पारंपरिक श्रम बाजार सांख्यिकी विश्वसनीय हैं, लेकिन वे समय संबंधी विलंब (temporal delays) से ग्रस्त हैं और उनमें तेजी से बदलते नियोक्ता मांग को पकड़ने के लिए आवश्यक सूक्ष्मता (granularity) का अभाव है। यद्यपि ऑनलाइन जॉब पोस्टिंग कौशल की मांग के वास्तविक समय के, सूक्ष्म संकेत प्रदान करती हैं, मौजूदा शोध अक्सर मुख्य रूप से भविष्य कहनेवाला सटीकता (predictive accuracy - त्रुटि मेट्रिक्स को कम करना) पर ध्यान केंद्रित करते हैं, जबकि रणनीतिक निर्णय लेने के लिए आवश्यक व्याख्यात्मकता (interpretability) की उपेक्षा करते हैं। इसके अलावा, वर्तमान दृष्टिकोण अक्सर श्रम मांग को एक एकल समग्र टाइम सीरीज़ (aggregate time series) के रूप में मॉडल करते हैं, जो अल्पकालिक बाजार शोर (अस्थायी उतार-चढ़ाव) और संरचनात्मक रुझानों (स्थिर गतिशीलता) के बीच अंतर करने में विफल रहते हैं। यह भेद करने में विफलता भ्रामक निष्कर्षों की ओर ले जा सकती है और प्रतिक्रियात्मक (reactive) के बजाय सक्रिय (proactive) कार्यबल नियोजन को बाधित कर सकती है। इसके अतिरिक्त, कई पूर्वानुमान मॉडल "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जो उन निर्णय लेने वालों के लिए उनकी उपयोगिता को सीमित करते हैं जिन्हें सिफारिशों को अपनाने से पहले पारदर्शी स्पष्टीकरण की आवश्यकता होती है।

कार्यप्रणाली
यह अध्ययन एक व्याख्यात्मक श्रम बाजार इंटेलिजेंस (LMI) फ्रेमवर्क प्रस्तावित करता है जो बड़े पैमाने पर, असंरचित ऑनलाइन जॉब पोस्टिंग्स को कार्रवाई योग्य, बहु-आवृत्ति (multi-frequency) कौशल मांग पूर्वानुमानों में परिवर्तित करता है। यह फ्रेमवर्क 1,23,849 लिंक्डइन जॉब पोस्टिंग्स के डेटासेट का उपयोग करता है जो दिसंबर 2023 से अप्रैल 20ने 2024 (17 सप्ताह) तक वैश्विक स्तर पर एकत्र किए गए हैं। कार्यप्रणाली सात क्रमिक चरणों में आगे बढ़ती है:

डेटा अधिग्रहण और प्रीप्रोसेसिंग: कच्चे जॉब टेक्स्ट को NLP तकनीकों (लोअरकेसिंग, टोकनाइजेशन, लेमेटाइजेशन, स्टॉप-वर्ड एलिमिनेशन) का उपयोग करके साफ और मानकीकृत किया जाता है।
कौशल निष्कर्षण और मानकीकरण: असंरचित टेक्स्ट को एक मानकीकृत कौशल वर्गीकरण (taxonomy) से मैप किया जाता है, जिससे एक बाइनरी इंडिकेटर मैट्रिक्स बनता है जहाँ कौशलों की पहचान जॉब दस्तावेजों में की जाती है।
साप्ताहिक कौशल मांग सूचकांक (SDI) निर्माण: कौशल उल्लेखों को सामान्यीकृत साप्ताहिक टाइम-सीरीज डेटा में एकत्रित किया जाता है। SDI की गणना प्रति 1,000 कुल पोस्टिंग्स में एक विशिष्ट कौशल की आवश्यकता वाली पोस्टिंग्स की संख्या के रूप में की जाती है, जिससे क्रॉस-टेम्पोरल तुलना संभव होती है।
बहु-आवृत्ति अपघटन (EMD): गैर-स्थिर (non-stationary) SDI टाइम सीरीज़ को एम्पीरिकल मोड डीकंपोजिशन (EMD) का उपयोग करके विभिन्न आंतरिक मोड फंक्शन्स (IMFs) में विभाजित किया जाता है, जो विभिन्न टेम्पोरल फ्रीक्वेंसी (अल्पकालिक अस्थिरता, मध्यम अवधि के चक्र) और एक अवशेष दीर्घकालिक रुझान (residual long-term trend) का प्रतिनिधित्व करते हैं। यह क्षणिक शोर को संरचनात्मक बदलावों से अलग करता है।
बहु-आवृत्ति हर्स्ट विश्लेषण: मूल श्रृंखला और प्रत्येक अपघटित घटक के लिए रिसकेल्ड रेंज (R/S) विश्लेषण का उपयोग करके हर्स्ट एक्सपोनेंट ( $H$ ) का अनुमान लगाया जाता है।
- $H > 0.5$ : निरंतर व्यवहार (ट्रेंड निरंतरता)।
- $H \approx 0.5$ : रैंडम वॉक व्यवहार।
- $H < 0.5$ : एंटी-परसिस्टेंट व्यवहार (मीन रिवर्जन/अस्थिरता)।
व्याख्यात्मक पूर्वानुमान (XGBoost + SHAP): एक XGBoost रिग्रेशन मॉडल समग्र मांग में साप्ताहिक परिवर्तन ( $\Delta y_{t+1}$ ) की भविष्यवाणी करता है। इसमें लैग्ड डिमांड, मोमेंटम, रोलिंग स्टैटिस्टिक्स और एग्रीगेट हर्स्ट एक्सपोनेंट्स जैसे फीचर्स शामिल हैं। पारदर्शिता सुनिश्चित करने के लिए, भविष्यवाणियों को डिकंपोज़ करने और विशिष्ट इनपुट फीचर्स को पूर्वानुमान परिवर्तनों के लिए जिम्मेदार ठहराने हेतु SHAP (SHapley Additive exPlanations) लागू किया जाता है।
LMI जनरेशन: आउटपुट को चार कार्रवाई योग्य श्रेणियों में संश्लेषित किया जाता है: उभरते हुए (Emerging) (सकारात्मक विकास + निरंतरता), स्थिर/निरंतर (Persistent/Stable) (उच्च निरंतरता + स्थिर/सकारात्मक विकास), अस्थिर (Volatile) (एंटी-परसिस्टेंस या उच्च-आवृत्ति प्रभुत्व), और घटते हुए (Declining) (नकारात्मक विकास + निरंतरता)।

मुख्य परिणाम

निरंतरता गतिशीलता (Persistence Dynamics): विश्लेषण किए गए सभी शीर्ष कौशलों ने निरंतर व्यवहार ( $H > 0.5$ $H > 0.5$ ) प्रदर्शित किया, जो इंगित करता है कि श्रम मांग रैंडम उतार-चढ़ाव के बजाय ट्रेंडिंग पैटर्न का पालन करती है।
- हेल्थकेयर (Healthcare) ने सबसे मजबूत निरंतरता ( $H = 0.937$ ) और उच्चतम विकास दर (+54.6%) दिखाई, जिसे उभरते हुए (Emerging) के रूप में वर्गीकृत किया गया है।
- इन्फॉर्मेशन टेक्नोलॉजी (IT), सेल्स (Sales), और इंजीनियरिंग (Engineering) ने उच्च निरंतरता ( $H > 0.62$ ) दिखाई लेकिन नकारात्मक विकास दर (-13.7% से -28.6% के बीच) दर्ज की, जिसे घटते हुए (Declining) के रूप में वर्गीकृत किया गया। यह अस्थायी मंदी के बजाय संरचनात्मक संकुचन को दर्शाता है।
- मैनेजमेंट (Management) और मैन्युफैक्चरिंग (Manufacturing) ने मध्यम नकारात्मक विकास के साथ उच्च निरंतरता ( $H > 0.78$ ) दिखाई, जो स्थिर (Stable) श्रेणी में आते हैं।
पूर्वानुमान प्रदर्शन: XGBoost मॉडल ने साप्ताहिक समग्र मांग परिवर्तन की भविष्यवाणी करने में 0.386 का $R^2$ प्राप्त किया। लेखक नोट करते हैं कि प्राथमिक उद्देश्य शुद्ध पॉइंट-फोरकास्ट सटीकता को अधिकतम करने के बजाय व्याख्यात्मक इंटेलिजेंस उत्पन्न करना है।
व्याख्यात्मकता (SHAP): फीचर महत्व विश्लेषण से पता चला कि हालिया मांग स्तर (Recent Demand Level) (Lag 1) और डिमांड मोमेंटम (Demand Momentum) (Delta Lag 1) पूर्वानुमानों के प्राथमिक चालक हैं, जिसके बाद अल्पकालिक रुझान (3-सप्ताह का रोलिंग मीन) आते हैं। यह पुष्टि करता है कि श्रम मांग में मजबूत ऑटोकोरिलेशन होता है।
अपघटन अंतर्दृष्टि (Decomposition Insights): बहु-आवृत्ति विश्लेषण से पता चला कि जबकि अवशेष रुझान (residual trends) अक्सर $H \approx 1.0$ के करीब पहुँच जाते हैं (जो लगभग नियतात्मक संरचनात्मक बदलावों को दर्शाता है), उच्च-आवृत्ति घटक (IMF_1) भी मध्यम निरंतरता ( $H \approx 0.6-0.8$ ) दिखाते हैं, जो यह सुझाव देता है कि अल्पकालिक स्पाइक्स भी मीन रिवर्जन के बजाय ट्रेंड-फॉलोइंग व्यवहार का पालन करते हैं।

महत्व और योगदान
यह शोध पत्र साहित्य और अभ्यास में तीन मुख्य योगदान का दावा करता है:

पद्धतिगत एकीकरण (Methodological Integration): यह बहु-आवृत्ति अपघटन (EMD), हर्स्ट-आधारित निरंतरता विश्लेषण, और व्याख्यात्मक मशीन लर्निंग (XGBoost + SHAP) को एक एकीकृत ढांचे में एकीकृत करता है। यह शुद्ध भविष्य कहनेवाला इंजीनियरिंग से रणनीतिक व्याख्यात्मकता (strategic interpretability) की ओर एक बदलाव है, जिससे क्षणिक शोर को संरचनात्मक रुझानों से अलग करना संभव होता है।
सैद्धांतिक संचालन (Theoretical Operationalization): यह डिजिटल लेबर मार्केट एनालिटिक्स और व्याख्यात्मक कार्यबल विश्लेषण (Explainable Workforce Analytics) को एक एकीकृत ढांचे में संचालित करता है। यह प्रदर्शित करता है कि श्रम मांग के संकेत विशुद्ध रूप से स्टोकेस्टिक नहीं हैं बल्कि उनमें शोषण योग्य संरचनात्मक जानकारी होती है, जो ह्यूमन कैपिटल थ्योरी को गतिशील डिजिटल श्रम बाजारों के संदर्भ में विस्तारित करती है।
व्यावहारिक इंटेलिजेंस जनरेशन: यह कार्रवाई योग्य इंटेलिजेंस श्रेणियाँ (Emerging, Persistent, Volatile, Declining) उत्पन्न करता है जो सीधे रणनीतिक संसाधन आवंटन में सहायता करती हैं। पारदर्शी, व्याख्यात्मक संकेतों प्रदान करके, यह फ्रेमवर्क एचआर रणनीतिकारों, मार्केटिंग विश्लेषकों और नीति निर्माताओं को प्रतिक्रियात्मक भर्ती से हटकर सक्रिय प्रतिभा प्रबंधन, पाठ्यक्रम संरेखण और पुनर्कौशल (reskilling) पहल की ओर बढ़ने में सक्षम बनाता है।

सीमाएं और दायरा
लेखक कुछ सीमाओं को स्वीकार करते हैं:

कालिक दायरा (Temporal Scope): डेटासेट केवल 17 सप्ताह का है, जो दीर्घकालिक चक्रीय पैटर्न या बहु-वर्षीय संरचनात्मक परिवर्तनों की पहचान करने की क्षमता को सीमित करता है। रिपोर्ट किए गए हर्स्ट एक्सपोनेंट्स को अल्पकालिक निरंतरता के संकेतक के रूप में व्याख्यायित किया गया है।
डेटा स्रोत: लिंक्डइन पोस्टिंग्स पर निर्भरता अनौपचारिक श्रम बाजारों, छोटे व्यवसायों और सीमित ऑनलाइन भर्ती गतिविधि वाले व्यवसायों का कम प्रतिनिधित्व कर सकती है।
कौशल प्रतिनिधित्व: नियोक्ताओं के बीच शब्दावली में भिन्नता और मौजूदा वर्गीकरणों के भीतर तेजी से विकसित हो रही दक्षताओं का संभावित अपूर्ण प्रतिनिधित्व।
बाह्य कारक (Exogenous Factors): पूर्वानुमान ढांचा ऐतिहासिक मांग पैटर्न पर निर्भर करता है और इसमें मैक्रोइकॉनॉमिक स्थितियों, नियामक परिवर्तनों या भू-राजनीतिक घटनाओं जैसे बाह्य चरों को स्पष्ट रूप से शामिल नहीं किया गया है।

अध्ययन इस निष्कर्ष पर पहुँचता है कि हालांकि यह फ्रेमवर्क श्रम बाजार के शुरुआती संकेतों के लिए एक मजबूत आधार प्रदान करता है, भविष्य के शोध को दीर्घकालिक चक्रीय पैटर्न की पहचान करने के लिए समय के दायरे को बढ़ाने, मैक्रोइकॉनॉमिक संकेतकों को एकीकृत करने और कारण व्याख्या (causal interpretation) को बेहतर बनाने के लिए स्किल ऑन्टोलॉजी मैपिंग को परिष्कृत करने की आवश्यकता है।

इसी तरह के और पेपर