NordiqFlow - Tech & Ekonomiska Modeller

Tre-Lagers Matchningsalgoritm

Dataflöde

CV / Profil

→

NLP Extraktion

→

Concept IDs

→

Graf-Traversering

→

Rankade Resultat

1

Semantisk Matchning

Extraherar kompetenser från ostrukturerad text (CV:er, jobbeskrivningar) och mappar dem till Arbetsförmedlingens taxonomi-ID:n.

Använder AF:s JobAd Enrichments API för NLP-extraktion
Matchar på concept_id, inte textsträngar
"Agile Coach" och "Scrum Master" → samma concept_id

# Extrahera kompetenser från CV-text
response = enrichments_api.extract(text=cv_text)
skills = [s['concept_id'] for s in response['skills']]
# skills = ['KDZ_123', 'ABC_456', ...]  # Taxonomi-IDs
                        

2

Graf-Traversering

Traverserar Arbetsförmedlingens substitutability-graf för att hitta karriärövergångar. BFS-algoritm med viktade kanter.

51,000+ förberäknade yrkes-till-yrkes-relationer
Substitutability-nivåer: Hög (75), Medium (50), Låg (25)
Expanderar kandidatens skills hierarkiskt (Python → Programmering)

# Hitta substitutability för ett yrke
transitions = substitutability_graph.get_transitions(
    occupation_id='butikschef_123',
    min_level=50  # Minst medium substitutability
)
# → [{'target': 'verksamhetsledare_456', 'level': 75}, ...]
                        

3

Prediktiv Scoring

Kombinerar matchningsdata med framtidsprognoser och lönestatistik för att ranka karriärvägar.

Integrerar Yrkesbarometerns 5-års efterfrågeprognos
Beräknar lönedelta mellan nuvarande och målyrke
Viktad composite score för slutrankning

Scoring-Formel

Score = 0.30×S + 0.30×M + 0.20×D + 0.10×K + 0.10×L

30% S = Substitutability (AF:s data)

30% M = Skill Match %

20% D = Efterfrågeprognos (Yrkesbarometer)

10% K = Nuvarande marknadssituation

10% L = Lönedelta (incitament)

Dataarkitektur

Arbetsförmedlingens API:er vi använder

API	Data	Användning
Taxonomy API	10,000 yrken, 8,000 skills	Semantisk matchning, hierarki-expansion
Substitutability	51,000+ övergångar	Karriärvägsrekommendationer
JobSearch API	Real-time jobblistningar	Marknadssituation, efterfrågan
Enrichments API	NLP-extraktion	CV-parsing, skill-extraktion
Yrkesbarometer	5-års prognoser	Efterfrågeprediktion
Historical Ads	10+ års jobbdata	Trendanalys, ML-träning

Nyckel-Datasets

Fil	Storlek	Innehåll
`substitutability-relations.json`	2.3 MB	Karriärövergångar med substitutability-nivå
`concepts-and-relations.json`	34 MB	Master-graf med alla relationer
`skills.json`	543 KB	8,000 "skill atoms" med taxonomi
`ssyk-level-4.json`	150 KB	430 svenska yrken (SSYK-4)

Ekonomisk Teori

NordiqFlow bygger på etablerad arbetsmarknadsteori, inklusive Nobel Prize-vinnande forskning.

Search & Matching Theory

DMP-modellen | Nobel Prize 2010

Förklarar varför arbetslöshet och lediga jobb existerar samtidigt. Matchningsfunktionen M = m(U, V) beskriver effektiviteten i att koppla ihop arbetssökande (U) med vakanser (V).

NordiqFlow-tillämpning

Vi förbättrar m() genom att reducera informationsasymmetri. Semantisk matchning minskar sökfriktioner.

Human Capital Theory

Gary Becker | 1964

Skiljer på generellt humankapital (värdefullt för många arbetsgivare) och specifikt (värdefullt för en). Jobbtitlar betonar specifikt kapital.

NordiqFlow-tillämpning

Vi extraherar "skill atoms" för att avslöja transfererbart generellt kapital. H = H_general + H_specific

Signaling Theory

Michael Spence | Nobel 1973

Jobbtitlar är "brusiga signaler" av produktivitet. "Marketing Manager" kan betyda SEO-specialist eller fullstack beroende på företag.

NordiqFlow-tillämpning

Ersätt brusig jobbtitel med preciserad skill-profil. I(produktivitet; skills) > I(produktivitet; titel)

Granularity Gap

NordiqFlow Insight

Arbetssökande beskriver skills specifikt ("Google Ads", "Python pandas"). Jobbposter beskriver generellt ("Digital marknadsföring", "Dataanalys").

NordiqFlow-tillämpning

Hierarkisk taxonomi-traversering bryggar granularitetsnivåer automatiskt.

Interaktiv Karriärgraf

Klicka och dra i noderna för att utforska hur olika yrken är kopplade till varandra. Varje linje representerar en möjlig karriärövergång baserat på kompetensöverlappar.

Karriärövergångar: Butikschef

Exempel på hur en butikschef kan övergå till närliggande yrken

Ditt nuvarande yrke

Hög matchning (75%+)

Medium matchning (50-74%)

Låg matchning (25-49%)

💡 Dra i noderna för att utforska grafen. Ju tjockare linje, desto starkare koppling.

Så flödar data genom systemet

Steg 1: Datainsamling

Varje natt hämtar vi färska data från Arbetsförmedlingens öppna API:er. Detta inkluderar nya jobbannonser, uppdaterade prognoser, och taxonomi-ändringar.

# Nattlig datahämtning (pseudo-kod)
for api in [taxonomy, jobsearch, forecasts]:
    data = api.fetch_updates(since=yesterday)
    database.upsert(data)
    log.info(f"Updated {len(data)} records from {api.name}")
                

Steg 2: Graf-byggning

Vi bygger en kunskapsgraf där yrken är noder och kompetensrelationer är kanter. Denna graf möjliggör snabba traverseringar för karriärrekommendationer.

# Grafstruktur (Neo4j Cypher)
(butikschef:Occupation {id: 'SSYK_5221'})
    -[:CAN_TRANSITION {strength: 85}]->
(verksamhetsledare:Occupation {id: 'SSYK_1312'})

# Traversera för att hitta karriärvägar
MATCH path = (start)-[:CAN_TRANSITION*1..3]->(target)
WHERE start.id = 'current_occupation'
RETURN path ORDER BY relationship_strength DESC
                

Steg 3: Realtids-scoring

När en användare frågar om karriärvägar, kombinerar vi graf-traversering med realtidsdata om arbetsmarknad och löner för att ranka resultaten.

# Realtids-scoring
def score_career_path(current, target):
    base_score = graph.get_substitutability(current, target)
    demand_multiplier = forecasts.get_demand(target)
    salary_delta = salaries.get_delta(current, target)

    return (
        0.30 * base_score +
        0.30 * skill_match +
        0.20 * demand_multiplier +
        0.10 * market_situation +
        0.10 * normalize(salary_delta)
    )
                

Maskininlärning & AI

NLP för CV-parsing

JobAd Enrichments API

Arbetsförmedlingen har tränat en NLP-modell på miljontals svenska jobbtexter. Vi använder deras API för att extrahera kompetenser från ostrukturerad text.

Exempel

"Jag har jobbat med Google Ads i 3 år" → Extraherar: digital_marketing, google_ads, ppc

Graf-baserad rekommendation

Graph Neural Networks

Karriärövergångar modelleras som en graf där vi kan använda algoritmer som PageRank och Node2Vec för att hitta dolda samband.

Teknisk approach

BFS-traversering med viktade kanter. Substitutability-värden fungerar som kantvikter för kortaste-väg-beräkningar.

Efterfrågeprediktion

Time Series Forecasting

Med 10+ års historisk jobbdata kan vi träna modeller som predicerar framtida efterfrågan per yrke och region.

Datakälla

Yrkesbarometern + Historical Ads API ger tillräckligt med träningsdata för ARIMA/Prophet-modeller.

Skill Gap Analysis

Set Operations + Ranking

Beräknar vilka kompetenser som saknas för ett målyrke och rankar dem efter hur många jobb de "låser upp".

Formel

Gap = Required_skills - User_skills
Importance(skill) = Count(jobs_unlocked_by_skill)

Planerad Tech Stack

Backend

Neo4j - Grafddatabas för taxonomi och relationer
FastAPI - Python API-layer
Pinecone/Weaviate - Vektorlagring för semantisk sökning

Frontend

Next.js - React-ramverk
D3.js - Interaktiva visualiseringar
Vercel - Deployment

Data Pipeline

AF Open APIs - Datakälla
ClickHouse - Time-series för historik
Apache Airflow - Orkestrering

🧠💡

Förenklad Förklaring

Inte så bra på matte eller teknik? Ingen fara! Här förklarar vi hur NordiqFlow fungerar med enkla ord och vardagliga exempel.

🗺️ Tänk dig en karta över alla jobb

Föreställ dig att alla yrken i Sverige är städer på en karta. Mellan städerna går det vägar – vissa är motorvägar (lätt att byta), andra är grusvägar (svårare). NordiqFlow visar dig vilka vägar som finns och vilken som är snabbast för just dig.

Problemet idag: När du söker jobb på Platsbanken är det som att söka på Google Maps men bara få se städer som heter exakt det du skrev. Skriver du "butikschef" ser du bara "butikschef" – inte att du faktiskt kan ta en genväg till "verksamhetsledare" eller "projektledare" som ligger precis bredvid.

1

Du berättar vad du kan

Ladda upp ditt CV eller berätta om din erfarenhet

2

Vi hittar dina "byggstenar"

AI plockar ut dina kompetenser – ledarskap, kundservice, budget, etc.

3

Vi jämför med alla jobb

Vilka jobb kräver samma byggstenar som du redan har?

4

Du får en rankning

"85% match! Du saknar bara 2 saker för detta jobb."

🧩 LEGO-analogin

Tänk på kompetenser som LEGO-bitar. Du har kanske: röd bit (ledarskap), blå bit (kundservice), grön bit (Excel). Ett jobb som "Verksamhetsledare" kräver: röd, blå, grön, och gul bit (vårderfarenhet).

NordiqFlow säger: "Du har 3 av 4 bitar! Du behöver bara skaffa den gula biten (en kort kurs) så är du klar."

Det smarta: Arbetsförmedlingen har redan räknat ut vilka jobb som liknar varandra. De har över 51,000 sådana "genvägar" i sin databas. Men de visar dem inte för dig! NordiqFlow tar den gömda datan och gör den synlig och användbar.

📊 Varför procentsatser?

När vi säger "85% match" menar vi: "Av alla saker det här jobbet kräver, har du redan 85% av dem." Det är som ett recept där du redan har de flesta ingredienserna hemma – du behöver bara handla några få saker till.

Kortfattat: Vi visar dig jobb du aldrig visste att du kunde ta – och exakt vad du behöver lära dig för att ta dem.