我们调查弗拉芒培训项目的异质性就业效应。基于行政个体数据，我们使用修正因果森林(MCF)分析不同聚合水平上的程序效果，这是一种用于多个程序的因果机器学习估计器。尽管所有项目在锁定期之后都有积极影响，但我们发现，不同项目和不同类型的失业人员存在很大的异质性。模拟表明，按照我们的估计，将失业者分配到能够最大化个人收益的项目中，可以大大提高效率。简化的规则，比如优先考虑低就业能力的失业者(大多数是最近的移民)，导致了更复杂规则所获得收益的一半左右。