Was ist eine Skill-Ontologie?
Die Skill-Ontologie klingt kompliziert, ist aber ein praktisches Konzept, um Skills und ihre Beziehungen zueinander so zu beschreiben, dass Software auch verwandte Skills findet. Den Begriff Ontologie findet man in verschiedenen Kontexten, in der Informatik beschreibt er ein gemeinsames Vokabular für ein Fachgebiet: welche Begriffe es gibt und wie sie zueinander stehen, so festgehalten, dass Software damit arbeiten kann.
Ihr Gegenüber ist die Skill-Taxonomie, diese beschreibt meist, in welche Kategorie ein Skill gehört.
Ein kleines Beispiel, um den Unterschied greifbarer zu machen: ESCO ist die öffentliche Skill-Klassifikation der EU, in der knapp 14.000 Skills in 28 Sprachen hinterlegt sind. Wenn wir dort nach „cybersecurity“ suchen, bleibt die Liste ohne einen einzigen Treffer, und der Skill taucht erst auf, wenn wir „cyber security“ mit Leerzeichen eintippen. Besser sieht es bei „JavaScript Framework“ aus. Den Skill kennt ESCO und sortiert ihn unter die Software-Frameworks. Spezialisiertere Skills wie Vue.js oder Angular sucht man darunter aber vergeblich, und ob jemand mit Angular-Erfahrung schnell in Vue.js arbeiten könnte, ist nirgends hinterlegt. Damit ist die Grenze jeder Taxonomie beschrieben: Sie ordnet Skills ein, wie nah sie einander sind, bildet sie nicht ab.
In einer Arbeitswelt, in der Skills sich schneller denn je erneuern, wird diese Grenze zum Problem. Laut dem Future of Jobs Report 2025 des World Economic Forum werden sich 39 Prozent der heutigen Skill-Sets bis 2030 verändern oder veralten. Neue Skills tauchen in Stellenanzeigen, Projekten und Lebensläufen auf, lange bevor jemand sie in einen Katalog einträgt, und oft unter verschiedenen Namen.
Das ist kein reines HR-Thema, es betrifft genauso Führungskräfte und Mitarbeitende.
✦ Kurz gesagt
- Bedeutung: Eine Skill-Ontologie beschreibt Skills zusammen mit ihren Beziehungen, etwa Spezialisierung, Voraussetzung oder Ähnlichkeit, und hält fest, wie stark diese sind.
- Zweck: Sie macht Skill-Daten aus verschiedenen Quellen vergleichbar und ist die Grundlage für Skill Inference und Skill-Matching.
- Rollout: Am Anfang stehen die Anwendungsfälle, eine gemeinsame Definition von Skills und eine Person, die neue Einträge fachlich prüft.
Was unterscheidet eine Skill-Ontologie von einer Skill-Taxonomie?
Mit dem Pizza-Tutorial der University of Manchester lernen Informatik-Studierende seit rund 20 Jahren, wie Ontologien funktionieren. Auf keiner Pizza steht „vegetarisch“. Trotzdem findet die Suche die Margherita, denn Tomate zählt zu Gemüse, Mozzarella zu Käse, und vegetarisch ist alles ohne Fleisch und Fisch.
Und was hat das mit Kompetenzen zu tun?
Eine Ontologie kennt dieselben Skills wie eine Taxonomie, weiß aber mehr über sie. Um beim Beispiel oben zu bleiben: Sie weiß, dass „cybersecurity“ und „cyber security“ derselbe Skill sind. Und sie weiß, dass Angular und Vue.js so eng verwandt sind, dass sich jemand mit Angular-Erfahrung schnell in Vue.js einarbeitet. Eine Suche kann diesen Beziehungen folgen und findet zu einem Skill auch seine Nachbarn.
| Skill-Taxonomie | Skill-Ontologie | |
|---|---|---|
| Beschreibt | in welche Kategorie ein Skill gehört | Skills mit ihren Beziehungen, etwa Spezialisierung, Voraussetzung oder Ähnlichkeit |
| Schreibweisen, Sprachen, Synonyme | getrennte Einträge | ein Skill |
| Nähe zweier Skills | nicht abgebildet | Stärke der Beziehung |
| Die Suche findet | nur exakte Treffer | auch verwandte Skills |
Davon hängt die Qualität der Skill-Daten ab. Skills stehen heute in Profilen, Lebensläufen, Stellenbeschreibungen, Projektlisten und Lernsystemen, und jede Quelle benennt sie anders. Erst die Ontologie führt diese Einträge zusammen:
- Schreibweisen: „cybersecurity“ und „cyber security“ meinen denselben Skill.
- Sprachen: „Projektmanagement“ heißt auf Englisch „Project Management“.
- Synonyme: „Software Engineering“ und „Software Development“ beschreiben dieselbe Tätigkeit.
Aus verstreuten Einträgen werden so Daten, die sich vergleichen und auswerten lassen.
✦ Unser Learning
Findet die Suche nur exakte Treffer, legen Menschen mit anderer Wortwahl lieber eine fast identische Kompetenz neu an. Zeigt sie über die Ontologie auch verwandte Kompetenzen, nehmen sie den bestehenden Eintrag. Das reduziert Dubletten deutlich.
Wie im Begriff Ontologie drinsteckt, geht es im Kontext von Skills um logische Beziehungen zwischen den unterschiedlichen Hierarchiestufen. Beziehungen können meinen, dass Wörter semantisch verwandt sind, wie in den Beispielen oben. Klassische Beziehungen unter Skills sind:
- Spezialisierung: Python ist eine Spezialisierung von Programmieren.
- Teil eines Ganzen: Pivot-Tabellen sind ein Teil von Excel.
- Voraussetzung: Grundlagen der Statistik sind eine Voraussetzung für Datenanalyse.
- Ähnlichkeit: Angular hat Ähnlichkeiten mit Vue.js.
Dabei kommt es auf die Richtung an. Python-Kenntnisse schließen Programmieren ein. Steht dagegen nur Programmieren im Profil, sagt das noch nichts darüber, ob jemand mit Python arbeiten kann. Eine gute Ontologie hält beide Richtungen getrennt fest.
Darüber hinaus wichtig ist die Stärke einer Beziehung. Gemessen wird sie zum Beispiel daran, wie schnell jemand mit dem einen Skill im anderen produktiv wird. Zwischen den Paketmanagern npm und yarn sind das Stunden, zwischen React und Vue.js zwei bis vier Wochen. Welche Arten von Beziehungen es gibt und wie sie im Katalog zusammenspielen, beschreibt Christophe Vantighem ausführlich in seiner Anleitung zum Kompetenzkatalog.
Wie verbessert eine Skill-Ontologie Skill Inference und Skill-Matching?
Jetzt fragt man sich vielleicht, warum das Ganze? Die Antwort liegt darin, wie Skill-Daten in Unternehmen entstehen. Sie kommen von zwei Seiten und aus vielen Quellen.
Was Menschen mitbringen, steht in Lebensläufen, Performance Reviews, Feedbackprozessen, Projekten, Weiterbildungen und Selbsteinschätzungen. Was das Unternehmen braucht, steht in Stellenanzeigen, in der Rollenarchitektur und in bestehenden Taxonomien.
Nur spricht keine dieser Quellen dieselbe Sprache. Im Lebenslauf steht „Cyber Security“, die Stellenanzeige verlangt „IT-Sicherheit“, und die Excel-Liste des Teams führt „Cybersecurity“ auf Stufe 3 von 5.
✦ Gemeinsame Skill-Ebene
Bevor sich aus diesen Daten etwas ablesen lässt, müssen sie bereinigt werden. Die Ontologie ordnet jede Schreibweise, jede Sprache und jedes Synonym einem Skill im Katalog zu und weiß, dass Cybersecurity eine Spezialisierung von IT-Sicherheit ist. So entsteht eine gemeinsame Skill-Ebene, auf der Profile und Rollen auf dieselben Skills zeigen.
Auf dieser Ebene setzt Skill Inference an. Sie sorgt für aktuelle Daten, auch wenn niemand sein Profil von Hand pflegt.
Die Software leitet Skills aus den vorhandenen Quellen ab, für Profile etwa aus Lebensläufen und Projekten, für Rollen aus Stellenbeschreibungen. Über die Beziehungen der Ontologie kommen Hinweise auf benachbarte Skills dazu. Abgeleitete Skills bleiben aber Vorschläge, die Mitarbeitende und Führungskräfte bestätigen oder korrigieren.
Stehen beide Seiten auf derselben Ebene, bringt Skill-Matching sie zusammen: Menschen mit Rollen, Projekten, Weiterbildungen oder internen Stellen, über ihre Skills statt über Jobtitel. Mit einer Ontologie zählen dabei auch verwandte Skills, und jeder Treffer lässt sich nachvollziehen.
In der Projektbesetzung verlangt ein Projekt zum Beispiel Spring Boot und Vue.js, beides auf Stufe 3. Gefunden wird ein Profil mit Spring Boot und Angular, ebenfalls auf Stufe 3. Eine reine Taxonomie sieht nur, dass Vue.js fehlt, und kommt auf 50 Prozent. Über die Ähnlichkeit zwischen Angular und Vue.js passt das Profil zu 87,5 Prozent und steht weit oben in der Trefferliste.
In der Weiterbildung zeigt die Nähe zweier Skills, wie groß ein Lernschritt ist. Mit Java-Erfahrung ist jemand in Kotlin nach wenigen Tagen produktiv, in Python erst nach ein bis drei Monaten. Für Kotlin reicht damit ein kurzer Einstieg, für Python lohnt eine längere Weiterbildung.
Bei neuen Stellen lässt sich die Anforderung breiter fassen. Verlangt eine Rolle Programmieren, findet die Suche über die Spezialisierungen auch Menschen mit Python oder Java im Profil, obwohl niemand Programmieren wortgleich eingetragen hat.
Davon profitiert nicht nur HR:
- Führungskräfte sehen, wer im Unternehmen eine Aufgabe übernehmen könnte, auch in anderen Abteilungen.
- Mitarbeitende sehen, welche Projekte, Stellen und Weiterbildungen mit ihren Skills erreichbar sind.
- HR bekommt Daten, mit denen sich Lücken über das ganze Unternehmen vergleichen lassen.
Was braucht der Rollout einer Skill-Ontologie?
In vielen Unternehmen lebt eine Skill-Taxonomie in Excel. Jedes Team führt eigene Listen, mit eigenen Begriffen und eigenen Stufen, und auf Unternehmensebene lässt sich daraus kaum etwas ablesen, und gar nichts vergleichen.
Wie weit Unternehmen insgesamt sind, zeigen drei Zahlen aus aktuellen Studien.
Viele Unternehmen matchen also schon nach Skills, aber nur wenige haben den Katalog und die zentralen Daten, auf denen ein Matching verlässlich läuft. Wie weit HR beim Einsatz von KI kommt, erklärt die Kienbaum-Studie allein mit der Reife der HR-IT, Größe und Branche spielen keine messbare Rolle.
Dazu kommen die Hürden, die Deloitte in der Studie „The skills-based organization“ gemessen hat. Ganz vorn stehen eingefahrene Denkweisen und Praktiken mit 46 Prozent, gefolgt von der Schwierigkeit, mit sich ändernden Skill-Anforderungen Schritt zu halten, mit 32 Prozent. Beim Tempo hilft eine Ontologie, die neue Skills automatisch einordnet und mit den bestehenden verknüpft. Eingefahrene Praktiken ändern sich nur durch Entscheidungen, die vor dem Rollout fallen.
Für den Rollout selbst zählen sechs Voraussetzungen, in dieser Reihenfolge:
- Anwendungsfälle zuerst: Christophe Vantighem empfiehlt in seinen Tipps für einen erfolgreichen Rollout, gestützt auf zehn Jahre Erfahrung mit Einführungen, erst die Anwendungsfälle festzulegen und dann die Taxonomie. Steht fest, ob es um Projektbesetzung, Weiterbildung oder interne Mobilität geht, klärt sich auch, wie fein ein Skill definiert sein muss.
- Eine gemeinsame Definition: Ein Skill beschreibt, was eine Person kann, nicht eine Aufgabe, ein Zertifikat oder ein Persönlichkeitsmerkmal. Lässt sich zu einem Skill keine konkrete Schulung mehr benennen, ist er zu fein unterteilt.
- Beschriebene Stufen: Beim Matching zählt neben der Beziehung auch die Stufe. Jede Stufe braucht deshalb eine kurze Beschreibung, die in jedem Team dasselbe bedeutet.
- Bestehende Taxonomien als Basis: Ein gemeinsamer Katalog muss nicht bei null anfangen. ESCO oder die Open Skills von Lightcast mit über 34.000 Skills liefern eine Grundlage, die eigenen Rollen und Begriffe kommen dazu.
- KI-Vorschläge mit fachlicher Prüfung: Schon ein Katalog mit 1.000 Skills enthält fast 500.000 mögliche Paare, deshalb schlagen Sprachmodelle Beziehungen und ihre Stärke vor. Prüfen sollten sie Menschen, die das Fachgebiet kennen, denn HR kann den Prozess steuern, aber selten beurteilen, ob eine technische Kompetenz richtig benannt und eingeordnet ist.
- Ein sichtbarer Nutzen: Mitarbeitende fragen sich beim Ausfüllen ihres Profils: Was habe ich davon? Die Akzeptanz steigt, sobald ein ausgefülltes Profil zu passenden Weiterbildungen, Projekten oder internen Stellen führt, und genau das leistet eine Ontologie, weil sie auch verwandte Skills berücksichtigt.
✦ Unser Learning
Leg die Struktur des Katalogs fest und besetze die Prüfrolle von Tag eins an, mit fest eingeplanter Zeit. Wo das am Anfang fehlte, kam später der Großteil der wiederkehrenden Reibung her.
Häufige Fragen zur Skill-Ontologie
Welche Beziehungen kennt eine Skill-Ontologie?
Klassische Beziehungen unter Skills sind Spezialisierung, Teil eines Ganzen, Voraussetzung und Ähnlichkeit. Python ist zum Beispiel eine Spezialisierung von Programmieren.
Wofür braucht man eine Skill-Ontologie?
Eine Skill-Ontologie macht Skill-Daten aus verschiedenen Quellen vergleichbar und ist die Grundlage für Skill Inference und Skill-Matching.
Wie hilft eine Skill-Ontologie beim Skill-Matching?
Eine Suche kann den Beziehungen folgen und findet zu einem Skill auch seine Nachbarn. Mit einer Ontologie zählen dabei auch verwandte Skills, und jeder Treffer lässt sich nachvollziehen.
Womit fängt der Rollout einer Skill-Ontologie an?
Am Anfang stehen die Anwendungsfälle, eine gemeinsame Definition von Skills und eine Person, die neue Einträge fachlich prüft.
Wie nutzt Teammeter eine Skill-Ontologie?
In Teammeter heißt die Ontologie SkillNexus. Für jeden neuen Skill schlägt die KI verwandte Skills vor und bewertet jede Beziehung mit zwei Werten, einem für jede Richtung. Auf Wunsch kommen neue Skills, die Mitarbeitende anlegen, erst nach einer Freigabe in den gemeinsamen Katalog.
Suchst du in Teammeter nach Personen mit bestimmten Skills, siehst du neben den exakten Treffern auch Profile mit verwandten oder ähnlichen Skills, jeweils mit einem Prozentwert, der zeigt, wie gut sie passen. In einer Demo zeigen wir dir, wie das mit deinen Rollen und Skills aussieht.
