我们调查佛兰德斯培训计划的异质就业效应。基于管理个人数据，我们使用针对多个规划的因果机器学习估计器——修正因果森林(MCF)，在不同聚合水平上分析规划效果。虽然在锁定期之后，所有的项目都有积极的效果，但我们发现不同项目和不同类型的失业者存在很大的差异。模拟结果表明，将失业人员分配到我们估计的最大化个人收益的项目中，可以显著提高效率。简化的规则，比如优先考虑就业能力较低的失业者(主要是新移民)，带来的收益约为更复杂规则的一半。