evidoria

← Retour à la liste

Bonne pratique Importée

Big Data for Labour Market Intelligence en Tunisie — des offres d'emploi classées par apprentissage automatique pour la planification de l'EFP

Tunisie · Tunis · Voir le profil de Tunisie · Voir le profil de Tunis

Preuves: Descriptif / auto-déclaré Top 56% 47/100 · Demandez à Evidence Copilot à propos de cette pratique

L'European Training Foundation (UE) collecte les offres d'emploi en ligne tunisiennes et les classe par apprentissage automatique en codes ISCO, ESCO, NACE et ISCED, alimentant un tableau de bord public censé orienter l'EFP. La méthode et ses biais sont publiés ; les effets, non.

37,535
Offres d'emploi tunisiennes analysées dans le document de travail initial (1 Apr-30 Sep 2020)
52% >19,000 ads
Part des offres provenant de TANITJOBS
15% ~5,500 ads
Part des offres provenant de JORA
13% ~4,800 ads
Part des offres provenant de KEEJOB
6% ~2,200 ads
Part des offres provenant d'EMPLOINAT
26%
Annonces ne précisant pas le type de contrat
42.4%
Contrats permanents au niveau de compétence 'Professionnels'
31.5%
Contrats permanents aux niveaux de compétence inférieurs
23,000,000
Total des offres collectées sur l'ensemble du programme (since 2019, as of June 2025)
10,000,000
Offres retenues après dédoublonnage (as of June 2025)
6 Egypt, Morocco, Tunisia, Kenya, Ukraine, Georgia
Pays couverts
5
Programmes de renforcement des capacités menés (2019-2024)
45
Vidéos de formation produites
Big Data for Labour Market Intelligence en Tunisie — des offres d'emploi classées par apprentissage automatique pour la planification de l'EFP

Détails

Maturité
Établie
Promoteur
European Training Foundation (ETF)
Période
2019–ongoing
Mots-clés
labour-market intelligence, machine learning, natural language processing, VET planning, skills anticipation, online job vacancies

Contexte

Big Data for Labour Market Intelligence est géré par la Fondation européenne pour la formation (ETF, une agence de l'UE basée à Turin) pour le compte du ministère tunisien de la Formation professionnelle et de l'Emploi, en collectant des offres d'emploi en ligne et en les classant via le TAL et l'apprentissage automatique selon les codes ISCO-08, ESCO 1.1.1, NACE et ISCED-2011 afin d'alimenter des tableaux de bord publics d'anticipation des compétences et de planification de l'EFP. La Tunisie a été l'un des deux premiers projets pilotes à pleine échelle, en ligne depuis 2020.

Objectifs

Fournir des données d'anticipation des compétences pour orienter l'offre d'enseignement et de formation professionnels, en s'alignant sur la méthodologie Skills-OVATE du Cedefop afin que les résultats soient comparables entre pays.

Activités

Les partenaires techniques Lightcast et CRISP (Università degli Studi di Milano-Bicocca) ont construit le pipeline de classification. Le document de travail de l'ETF sur la Tunisie (16 novembre 2020) analyse 37 535 offres collectées entre le 1er avril et le 30 septembre 2020 (environ 52 % via TANITJOBS, 15 % via JORA, 13 % via KEEJOB et 6 % via EMPLOINAT). D'ici juin 2025, le programme élargi avait atteint 23 millions d'offres collectées (10 millions après dédoublonnage) dans six pays — Égypte, Maroc, Tunisie, Kenya, Ukraine et Géorgie — avec cinq programmes de renforcement des capacités menés entre 2019 et 2024 et 45 vidéos de formation produites.

Résultats

26 % des annonces ne précisaient pas le type de contrat ; les contrats permanents représentaient 42,4 % des annonces au niveau de compétence 'Professionnels', contre 31,5 % aux niveaux de compétence inférieurs. Rien de ce qui a été publié ne montre combien de programmes, de qualifications ou de services d'orientation d'EFP tunisiens ont réellement été modifiés grâce aux tableaux de bord.

Conclusions

Il s'agit d'une infrastructure de données bien documentée et honnêtement nuancée — l'ETF divulgue son propre biais d'échantillonnage, l'exclusion du travail indépendant et sa dépendance à une expertise spécialisée — mais son effet éducatif en aval reste non mesuré, et l'appropriation opérationnelle en Tunisie n'a pas pu être confirmée, ce qui risque de maintenir le système dépendant des bailleurs plutôt qu'institutionnalisé.

Mise en œuvre
Coût indicatif
Élevé (500 k€–5 M€) — Run by an EU agency (ETF) with specialist technical partners (Lightcast, CRISP/Milano-Bicocca) across six countries; likely a high-cost specialist data-science infrastructure, though no line-item budget is published.
Délai jusqu’aux résultats
Long (> 3 ans) — Live in Tunisia since 2020 with monthly data collection continuing as of 2025; the wider six-country programme has run since 2019 with capacity-building through 2024.
Personnel et compétences
European Training Foundation (ETF) — programme ownership, Lightcast (technical partner), CRISP, Università degli Studi di Milano-Bicocca (technical partner), Tunisia's Ministère de la Formation Professionnelle et de l'Emploi (national counterpart)

Conditions de réussite

  • Specialist NLP/machine-learning expertise and technical partners to build and maintain the classification pipeline
  • Alignment with an established methodology (Cedefop Skills-OVATE) for cross-country comparability
  • Use of published, standard classification schemes (ISCO-08, ESCO 1.1.1, NACE, ISCED-2011) for interoperability
  • Capacity-building programmes and training videos for national analysts and ministry staff

Modes d’échec courants

  • Online-vacancy sampling bias — some sectors are over-represented, others entirely absent
  • Web advertisements are not representative of self-employment, a serious gap in a labour market with large informal/self-employed segments
  • Operational ownership inside Tunisia could not be confirmed, risking the system remaining donor-run rather than institutionalised
  • No published evidence of how many VET programmes or qualifications were actually revised as a result of the dashboards

Kit de réplication

Artefacts réutilisables de cette pratique — tels que publiés par leurs sources.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles