Zielsetzung
JobRadar Deutschland ist ein eigenständig entwickeltes End-to-End-Datenprojekt zur Automatisierung der Jobsuche im deutschen Arbeitsmarkt. Das System kombiniert Datenextraktion über eine offizielle REST API, NLP-basiertes Relevanz-Scoring und KI-gestützte Dokumentengenerierung zu einer vollständigen Pipeline.
Die zentrale Fragestellung: Wie lässt sich der Aufwand einer strukturierten Jobsuche durch Datenpipelines und KI von mehreren Stunden auf wenige Minuten reduzieren — ohne dabei Qualität und Ehrlichkeit der Bewerbungsunterlagen zu opfern?
Architektur & Methodik
Das System besteht aus drei aufeinander aufbauenden Modulen, die sequenziell ausgeführt werden:
Datenextraktion — Bundesagentur für Arbeit API
Verbindung zur offiziellen REST API über OAuth2-Authentifizierung. Suche nach 10 relevanten Suchbegriffen × 6 Städte in der Stuttgart-Region plus Remote-Stellen. Automatische Deduplizierung über die Referenznummer und Speicherung in PostgreSQL.
NLP-Relevanz-Scoring
Gewichtetes Keyword-Matching gegen 30+ relevante Skills mit individuellen Punktgewichten. Klassifizierung jeder Stelle in High / Medium / Low / Not relevant. Bonus-Punkte für direkte Jobtitel-Keywords im Stellentitel.
KI-gestützte Dokumentengenerierung — Claude API
Liest Top-Stellenangebote aus der Datenbank und sendet Stellenbeschreibung plus Lebenslauf-Basis an die Claude API. Generiert ein angepasstes Profil und ein individuelles Anschreiben — mit strikten Regeln gegen Übertreibung und KI-Stil. Zwei Checkpoint-Stufen ermöglichen manuelle Kontrolle vor der Word-Erstellung.
Bewerbungs-Tracking — Excel
Manuelles Tracking aller gesendeten Bewerbungen mit Dropdown-Feldern für Status und Portal. Automatische KPIs für Antwortquote, Tage ohne Antwort und Verteilung nach Unternehmen — alles in einem integrierten Excel-Dashboard.
Output & Ergebnisse
Marktüberblick Dashboard
Das Dashboard zeigt auf einen Blick den Stand des Arbeitsmarktes für Data-Analytics-Profile in der Region Stuttgart. Von 1.118 extrahierten Stellenangeboten sind 87 hoch relevant — gefiltert per NLP-Scoring nach Skills, Jobtitel und Kategorie. Ergänzt wird die Analyse durch die Verteilung nach Stadt, nachgefragten Skills und einem Ranking der relevantesten Stellenangebote mit direktem Bezug zum Zielprofil.
Generierte Bewerbungsunterlagen
Pro Stelle generiert das System zwei Word-Dokumente: einen Lebenslauf mit angepasstem Profil für die konkrete Stelle sowie ein Anschreiben im menschlichen Stil — ohne KI-Floskeln, mit ehrlicher Darstellung der tatsächlichen Erfahrung.
Zentrale Erkenntnisse
API-Daten allein reichen nicht — NLP macht den Unterschied
Von 1.118 extrahierten Stellenangeboten sind nur 54 (4,8%) wirklich relevant für das Zielprofil. Ohne NLP-Scoring müssten alle manuell gesichtet werden. Das Scoring reduziert den Prüfaufwand um über 95%.
KI-Generierung braucht strikte Grenzen
Ohne klare Regeln im Prompt tendieren KI-Modelle dazu, Erfahrungen zu übertreiben und generische Formulierungen zu verwenden. Die Lösung: explizite Verbotslisten, Checkpoint-Reviews und ein CV-Basis-Dokument das als einzige Wahrheitsquelle dient.
Automatisierung ersetzt nicht das Urteilsvermögen
Das System entscheidet nicht — es bereitet vor. Jede Bewerbung wird manuell freigegeben, jedes Dokument vor dem Versand geprüft. Die Automatisierung spart Zeit bei repetitiven Aufgaben und schafft Raum für die wichtigen Entscheidungen.