Перейти к содержимому

Цифровая модель рынка труда (ЦМРТ)

Цифровая модель рынка труда – это комплекс программного обеспечения, осуществляющий тонкую аналитику российских вакансий и резюме, размещенных на линии времени с привязкой к каждому населенному пункту страны.

Сайты проекта:

  • Rutrud.com — выкладываются научно-популярные статьи с обзорами рынка труда и разноплановыми исследованиями для широкой аудитории.
  • Magucha.ru — статьи для экспертов с обсуждением тонкостей настройки глубокой аналитики рынка труда.
  • t.me/rutrud — телеграм-канал с заметками по разным исследованиям.

Содержание статьи:

Техническая информация

Проект запущен в 2020 году и с тех пор прошёл этапы значительных изменений: менялась программная архитектура проекта и функционал.

Уникальные особенности проекта:

  • Консолидация данных с разных job-порталов с последующей очисткой от дублей. Это позволяет уйти от «смещенной» точки зрения, преобладающей у работных сайтов. Так, на «HeadHunter» преимущественно размещаются вакансии белых и дорогих синих воротничков в городах-миллионниках, а на «Работа России» сдвиг в сторону рабочих профессий и малых городов.
  • Методика динамического определения активных соискателей. Если стандартный метод определения – это количество резюме, созданных или модернизированных за n-дней, то в «Цифровой модели» учитывается контекст профессии, ожидаемой заработной платы, уровня конкуренции в городе и так далее, поэтому для разных профессий и разных соискателей n-дней будет отличаться (от нескольких дней до нескольких месяцев).
  • Собственный язык чтения вакансий и резюме, который понимает «смысл» текста и читает все поля вакансии и резюме как цельный блок, а не дискретные значения (например, только названия вакансий и резюме).
  • Накопленный массив данных, представляющий собой «срезы» по датам, начиная с 2020 года.

Язык «Магуча» для чтения вакансий и резюме

Магуча — это программное обеспечение, позволяющее читать и «понимать» полный текст вакансий и резюме, размещаемых на российском рынке труда. Оно представляет собой надстройку (модуль) для языка программирования python на основе разработанной лингвистической модели.

Магуча читает весь текст вакансии или резюме как единую цельносмысловую конструкцию, а не дискретными обращениями к отдельным полям текста. Таким образом, программа оценивает всё содержимое в совокупности, чтобы понять и категорировать вакансию или резюме, даже если в их названии профессия указана неопределенно или ошибочно.

Магуча опирается на описание содержания труда и остальных данных для определения реальной профессии (специальности или должности), что актуально, когда наименование вакансии неполное или само название может содержать разные типы трудовой деятельности. Таких вакансий – десятки тысяч.

Архитектура цифровой модели рынка труда

Идеальная модель цифровизации на стыке рынка труда и образования

До середины 2022 года модель работала в формате агрегатора данных не только с рынка труда, но и интегрировала в единую модель данные Росстата, открытые данные налоговой (ФНС), Министерства просвещения (численность и структура выпускников вузов и колледжей), каталогов организаций и предприятий.

Порядка 150 источников данных обрабатывались и формировали точную структуру занятости: по населенным пунктам страны формировались цифровые профили организаций всех типов с указанием и структурой занятого населения, отдельно «подсвечивались» вакансии и резюме.

Были выделены три базовых функции цифровой модели:

  1. Режим «Анализ». Показывает любые отклонения в сравнении с однотипными населенными пунктами. Выявляет кадровые перекосы с учетом квалификационных требований. Сравнивает потребности рынка труда и существующую структуру профилей в системе профессионального образования. В общем анализе населенного пункта учитывает демографическую модель населенного пункта, средний социопортрет работника и соискателя.
  2. Режим «Прогнозирование». Позволяет моделировать структуру безработицы в случае сокращения (или расширения) рабочих мест у ключевых работодателей или по отраслевой принадлежности. Показывает расхождение между трендом формирующегося спроса и подготовкой студентов по конкретным программам профессионального образования. Отображает на линии времени демографические тренды и тренды кадровых перекосов.
  3. Режим «Консультирования». В автоматическом режиме определяет «голубые и красные океаны» по оценке уровня конкуренции для различных видов бизнеса в сегменте СМБ. Моделирует решения по кадровым перекосам в конкретных городах через анализ «избытков» специалистов в ближайших регионах, либо за счет поиска имеющихся специалистов смежных профессий со схожими требуемыми профессиональными качествами, то есть наиболее оптимальных для переобучения.

В первом полугодии 2022 года значимая часть данных от ФНС, Минфина, Минобрнауки, Минпросвещения и даже от отдельных колледжей и вузов, центров профессиональной переподготовки перестали публиковаться в открытом доступе.

Модель стала работать с перебоями: анализ потерял точность, а предиктивные модели перестали функционировать.

В итоге в 2023 году цифровая модель рынка труда была существенно переконструирована. Были разработаны несколько альтернативных архитектур, которые дополняли друг друга.

Модель архитектуры «Дерево вакансий»

Основанием модели являются «цифровые двойники» организаций-работодателей, чьи вакансии появляются на российских job-сайтах. Кадровая активность каждого работодателя представлена на линии времени «ветками» открывающихся и закрывающихся (а иногда постоянно открытых) вакансий.

Описание архитектуры на сайте проекта Rutrud.

Подобная архитектура данных помогла решить множество методологических задач по аналитике рынка труда, таких как «скорость закрытия вакансий», «нестабильные работодатели», «количество рабочих мест» и других. Описание ряда исследований представлено ниже.

Модель матричной архитектуры «Линия времени / населенные пункты»

Эта модель — основная «рабочая лошадка» для большинства исследований:

  • На линии времени загружаются срезы очищенных данных* с требуемой для конкретного исследования периодичностью. Для одних проектов нужны квартальные срезы, для других еженедельные – методологию определяет руководитель исследовательского проекта.
  • Далее выбирается масштаб географии. Можно консолидировать данные на уровне всей страны или регионов, а можно на уровне региональных центров и малых городов, в том числе и на уровне сельской местности.
  • Затем проводятся настройки анализа и обработки данных под методологию конкретного исследования. Например, берутся вакансии и соискатели с графиком работы только на полный день и т.п. Методологические нюансы по настройкам описаны здесь.

* Источники данных и методология очистки описаны на странице rutrud.com/idrm.

Модель «От линии времени к океану»

Эта модель находится в разработке (по состоянию на 2026 год). Образное название символизирует парадигмальный переход: если раньше язык Магуча позволял прочитать (и понять) весь текст вакансии и резюме целостно, как «одну фразу», а сами вакансии и резюме были на линии времени, то сейчас мы работаем над тем, чтобы поднять уровень целостности до всего среза вакансий и резюме. Но это тоже промежуточная задача.

Цель проекта: загрузить все накопленные срезы данных («океан данных») как единоцелостный объект для машинной обработки.

Предполагается, что результатом будут более достоверные данные по рыночным циклам; по взаимосвязи экономических и социальных факторов, влияющих на динамику рынку труда, а также новая линейка предиктивных (предсказательных) моделей.

Краткий перечень типовых исследований рынка труда

Регулярный краткий отчет по рынку труда за прошедший месяц

Размещается на главной странице сайта Rutrud.com. С 2025 года включает в себя данные:

  • Абсолютное значение вакансий и резюме (уникальных активных соискателей) на конец месяца.
  • Индексы активности работодателей и соискателей.
  • Предлагаемая и ожидаемая заработная платая (средняя и медианная) по городам – региональным центрам страны.
  • Социопортрет соискателя: соотношение полов, возрастов, образования.

Скорость закрытия вакансий

При использовании архитектуры «Дерево вакансий» наглядно видно, как работодатели открывают и закрывают вакансии на линии времени. Если сравнить однотипные вакансии по одинаковым профессиям (при прочих равных условиях, таких как: тождественная структура спроса и предложения, численность населенного пункта, требования квалификации, условия оплаты труда), то можно вывести среднюю и медианную скорость закрытия таких вакансий. А также факторы, влияющие на скорость закрытия.

Подробное описание исследования и примеры по различным вакансиям:
rutrud.com/average-time-to-fill-a-position-2024

Структура работодателей

Это простое распределение количества вакансий между работодателями, но оно демонстрирует уязвимости российского рынка труда. Небольшое количество компаний размещает подавляющее большинство вакансий.

Подробнее можно посмотреть в материале:
rutrud.com/who-owns-labor-market-2025

Факторы «преимущества» работодателей

Это «обратная» сторона исследования о средней скорости закрытия вакансий. Были выделены факторы, которые делают hr-стратегии одних работодателей более эффективными в сравнении с другими стратегиями. Учитывались такие параметры как:

  • Площадки размещения вакансий.
  • Степень детализации и непосредственно суть в описании компании.
  • Степень детализации описаний условий работы, обязанностей и т.п.
  • Социальные пакеты и бонусы.

Стабильные и нестабильные работодатели и отрасли

Несколько субъективная аналитика: какие отрасли и работодатели ведут «хаотичные» hr-стратегии, выпадающие из общей канвы и трендов. Механизм представляет методологический интерес для определения явных «фейковых» и мошеннических «вакансий», необычных «всплесков» рекрутинговых агентств, сбои коммуникаций между федеральными проектами и государственными job-площадками.

Интересно, что модель масштабируема от работодателей к отраслевым группам. В этом режиме она показывает «пульс активности» отрасли на линии времени. Есть отрасли с ровным стабильным пульсом активности работодателей и есть отрасли с весьма неровной «кардиограммой».

Таксономия профессий и должностей

Анализ миллионов вакансий и резюме за несколько лет позволил вывести вертикальную иерархическую структуру, а также «разметить» должные атрибуты. Итогом исследования стала модель таксономии, подробно описанная на странице crcg.ru/taxonomy-of-professions.

Цифровая таксономия профессий и должностей

Это программное решение, которое в автоматическом режиме группирует базу вакансий по динамически настраиваемой глубине таксономии. Анализируется не название вакансий, а сумма факторов, включающая в себя условия труда и должностные обязанности, указанные в вакансии.

Это позволяет таксономически различать вакансии, имеющие одинаковые названия и внешние схожие условия (например, город и размер оплаты труда), но принципиально разные по требованиям к качествам и реальным условиям труда.

Например, два одинаковых названия «продавец-кассир» в одном городе и с одинаковой зарплатой. Программа «заглядывает» глубже и распознает, что один продавец-кассир нужен в магазин автозапчастей, а другой — в рыбный цех. Названия схожи, но первому продавцу нужно работать в теплых условиях и разбираться в очень большом ассортименте технических устройств, что требует хорошей памяти. А второму продавцу нужна выносливость — работа в холодном цехе с тяжелой мороженной рыбой занятие не для каждого.

Пользователь сам выбирает глубину для кластеризации (длину и ширину таксономической цепи). Пороговое значение – полная уникальность каждой вакансии при взвешивании всех оцениваемых параметров.

Цифровая таксономия помогает исследовать профессиональные нюансы и тренды; используется как проверочная модель для предиктивных гипотез.

Реальная динамика заработных плат

Под словом реальная подразумевается динамика заработных плат относительно средней динамики по городу или по профессиональному типу.

Допустим, в каком-то городе мы видим рост зарплаты учителей за последние два года. Но когда мы смотрим на этот рост относительно роста всех зарплат в этом городе, то становится очевидным, что реальная зарплата снижается, относительно всех других, хотя на графике она стремится вверх.

Подробное описание и примеры на странице rutrud.com/real-dynamics-of-wages-2024.

Сколько людей работает не по специальности

Посчитали точные цифры по выпускникам учебных заведений, которые не ищут работу по полученной специальности. В ходе исследования обнаружили три фактора, которые влияют на подобный выбор: 

  • предлагаемая зарплата относительно среднего конкретного города;
  • востребованность профессии в данном городе;
  • индекс конкурентности среди других соискателей.

Также посмотрели, кто больше склонен хранить верность своей профессии – мужчины или женщины. И в каких профессиях эта склонность в целом выше, несмотря на неблагоприятные факторы.

Подробнее и с примерами на rutrud.com/people-not-by-profession-2023.

Структура спроса и предложения рынка труда

Модель показывает распределение конкретных профессий среди вакансий (спрос) и резюме (предложение) по сферам деятельности и между собой внутри сферы.

Выглядит интерактивная панель так:

Цифровая модель рынка труда - структура спроса и предложения

При нажатии на сегмент появляются конкретные профессии и процент их состава.

Отдельно выбирается населенный пункт. Опционально можно выбрать дату, чтобы посмотреть динамику изменений. Если мы видим, как на протяжении нескольких лет сокращается какая-то сфера (например, образование) — то стоит посмотреть внимательнее, что происходит. Сравнить динамику спроса и предложения (обычно, если растет один сегмент спроса – то сужается сегмент предложения, и наоборот). И обязательно проанализировать абсолютные числа.

Update: в связи с ростом популярности сервиса возникли технические проблемы на нашей стороне. Диаграмма, размещенная на сайте Rutrud, временно не работает (либо показывает данные по всей стране в целом, что является «средней температурой» и нерелевантно).

В настоящее время (2026 год) мы выносим этот сервис на отдельный сайт со свободным доступом. Вы можете оставить в форме ниже свой e-mail для получения однократного уведомления о запуске сервиса.

Анализ по конкретным профессиям и должностям

Иногда мы описываем конкретные профессии. Однако, ракурсы исследований могут отличаться, так что все разборы профессий не типовые.

Вот примеры:

Социологические портреты соискателей

В эту категорию попадает множество небольших исследований с разным фокусом: от небольшой группы в небольшом городе до обобщений на уровне страны.

Из опубликованных материалов:

Как меняются профессии (тренды рынка труда)

Это серия очень различных исследований, так как существует большое количество методологических решений и моделей отслеживания трендов.

Например, можно смотреть как меняются наименования орудий труда в описании вакансий и резюме. На примере появления нейросетей в вакансиях.

Или проанализировать, как меняются ключевые слова и выражения в описаниях профессий и в описаниях должностных обязанностей. Просто тут. Сложнее здесь.

Краткий обзор других исследований

В материале rutrud.com/research-2023-2024.

Посмотреть историю проекта через презентации и выступления

2020 год

Тезисы доклада к выступлению на Всероссийской научно-практической конференции «Сопровождение профессионального самоопределения детей и молодежи: проблемы, достижения, пути развития» (2020)

2023 год

Видеодоклад «Цифровая модель рынка труда» для семинара «Форсайт труда и профессии будущего» Социологического института РАН (Октябрь 2023 г.).

2024 год

Видеодоклад «Цифровая модель рынка труда» для VI Всероссийской научно-практической конференции с международным участием «Цифровая дидактика профессионального образования и обучения», Москва (Апрель 2024 г.).