我们调查了佛兰德培训计划的异质就业效应。基于行政个人数据，我们使用修正因果森林(MCF)分析了不同聚集水平上的计划效果，这是一种用于多个计划的因果机器学习估计器。虽然所有方案在锁定期后都有积极影响，但我们发现方案和失业类型之间存在很大的差异。模拟表明，将失业人员分配到我们估计中确定的个人收益最大化的计划中，可以大大提高效率。简化的规则，例如优先考虑低就业能力的失业者，主要是最近的移民，所带来的收益大约是更复杂规则所带来收益的一半。