تشخیص شکاف مهارتی: پیش از قدم بعدی شغلی‌تان دقیقاً بفهمید چه چیزی را باید یاد بگیرید
چرا این پرامپت اهمیت دارد
Professionals routinely spend months on generic upskilling — a Python course here, a stats refresher there — without checking whether any of it maps to what a specific target role actually requires. A LinkedIn Learning survey found the average employee spends 24 minutes a week on self-directed learning, but without a gap analysis tied to a real target, much of that time goes toward skills that don't move the needle on the next promotion or job application, and critical gaps go unaddressed until they surface in an interview.
ما از آن برای چه استفاده می‌کنیم
A data analyst with 4 years of SQL experience is applying for a senior analyst role that requires Python ETL pipelines and A/B testing design — two skills the job posting lists as core requirements but that aren't in their current toolkit. They have 5 hours a week and 90 days before they plan to apply.
پرامپت
Role: You are a skills-development coach who has reviewed thousands of job postings and helped professionals close specific, measurable skill gaps rather than chase vague self-improvement. Context: I currently work as [YOUR CURRENT ROLE] with [X YEARS] of experience. My current skill set includes: [LIST YOUR KEY SKILLS, TOOLS, AND EXPERIENCE]. I am targeting this specific role or opportunity: [PASTE JOB POSTING, PROMOTION CRITERIA, OR TARGET ROLE DESCRIPTION]. I have [AVAILABLE TIME PER WEEK, e.g., 5 hours] to invest in closing gaps over the next [TIMEFRAME, e.g., 90 days]. Task: Compare my current skill set against the target role's actual requirements. Produce a gap analysis that separates what I already have from what I'm missing, then build a time-boxed learning plan to close the highest-priority gaps within my stated timeframe and weekly time budget. Constraints: - Do not list generic advice like "improve communication skills" — every gap must be specific and tied to something in the target role description. - Rank gaps by how much they would actually block me from getting or succeeding in the role, not by how interesting they are to learn. - Respect my stated weekly time budget. If the gaps can't realistically close in the timeframe given that budget, say so explicitly and tell me which gaps to defer. - Distinguish between gaps I can close through self-study versus gaps that require hands-on practice, a mentor, or real project experience — self-study alone won't fix all of them. - Do not recommend paid courses or certifications by brand name unless I specifically ask; prioritize free or already-accessible resources first. Output format: 1. **Strengths That Transfer** — skills I already have that map directly to the target role, with the specific requirement each one satisfies. 2. **Critical Gaps** (ranked) — for each: what's missing, why it matters for this specific role, and whether it's closable via self-study or requires practice/mentorship. 3. **Nice-to-Haves** — lower-priority gaps worth noting but not blocking. 4. **[TIMEFRAME] Learning Plan** — week-by-week or milestone-by-milestone breakdown that fits my stated weekly time budget, with a concrete, checkable deliverable at each milestone (not just "study X"). 5. **Reality Check** — one paragraph on whether this timeline is realistic given the gaps found, and what to deprioritize if time runs short.
نتیجه
**Strengths That Transfer** - 4 years of SQL and dashboarding (Looker) directly satisfies the posting's "proficiency in BI tooling" requirement — no gap here. - Experience presenting metrics to non-technical stakeholders maps to "communicate insights to leadership," listed as a core responsibility.
**Critical Gaps (ranked)** 1. **Python for data pipelines (blocking).** The posting requires "building and maintaining ETL pipelines in Python," and your experience is SQL-only. This is self-study closable — Python's pandas/SQL overlap is substantial, so this isn't starting from zero, but it needs deliberate practice, not just reading. 2. **A/B testing statistical design (blocking).** The role owns experimentation strategy; you've only consumed test results, not designed them. This requires some self-study (power analysis, sample size calculation) but the sequencing and pitfalls are best learned by running a real test — pure reading won't be convincing in an interview. 3. **Stakeholder-level experiment readouts (moderate).** You present dashboards well, but translating a null or ambiguous A/B result into a confident recommendation is a distinct skill. Closable through deliberate practice: write 3 mock experiment readouts this month using public datasets.
**Nice-to-Haves** - Familiarity with Airflow (mentioned once in the posting, not emphasized) — defer unless time allows after the above three.
**90-Day Learning Plan** - Weeks 1–3 (5 hrs/week): Python fundamentals focused on pandas, not general syntax tutorials. Deliverable: rebuild one of your existing SQL reports as a Python script. - Weeks 4–6: A/B testing design — power analysis, minimum detectable effect, common pitfalls. Deliverable: design (not run) a full test plan for a hypothetical feature change at your current company. - Weeks 7–9: Run an actual small experiment if your current role permits, or use a public dataset to simulate one end-to-end. Deliverable: one complete experiment readout, written as if presenting to leadership. - Weeks 10–12: Buffer and portfolio polish. Combine the Python script and experiment readout into two concrete work samples you can reference in interviews.
**Reality Check** Given a 5-hour weekly budget, this plan is realistic but tight — the A/B testing gap is the riskiest because it depends on having something real to test, which you don't fully control. If you can't access a live experiment by week 7, substitute a simulated analysis using a public A/B testing dataset (several exist on Kaggle) rather than letting the plan stall. Defer Airflow entirely; it's mentioned once and isn't worth the time against two blocking gaps.
اکثر برنامه‌های ارتقای مهارت به یک دلیل ساده شکست می‌خورند: به هیچ هدف مشخصی گره نخورده‌اند. افراد یک دورهٔ Python می‌گذرانند، در یک کارگاه رهبری شرکت می‌کنند، یا آمار را از نو مرور می‌کنند؛ همهٔ این‌ها فی‌نفسه مهارت‌های منطقی‌ای هستند، اما هیچ تضمینی وجود ندارد که با آنچه یک نقش شغلی واقعی نیاز دارد هم‌خوانی داشته باشند. این پرامپت با وادار کردن شما به یک مقایسهٔ مستقیم میان آنچه دارید و آنچه یک آگهی شغلی یا معیارهای ارتقای مشخص واقعاً می‌خواهد، این مشکل را حل می‌کند.
چرا هر بخش از این پرامپت وجود دارد
نقش (Role) هوش مصنوعی را در قالب مربی‌ای تعریف می‌کند که هزاران آگهی شغلی دیده است؛ این نکته مهم است چون مدل را از توصیه‌های انگیزشی و کلیشه‌ای دور می‌کند و به سمت تطبیق دقیق با الزامات شغلی می‌برد که کاری عملی‌تر و مکانیکی‌تر است.
بخش زمینه (Context) سه ورودی مشخص را اجباری می‌کند: مهارت‌های فعلی شما، متن واقعی نقش هدف (نه توضیحی کلی و مبهم از آن) و بودجهٔ زمانی واقعی شما. کپی کردن متن اصلی آگهی شغلی، به‌جای خلاصه کردن آن با زبان خودتان، اهمیت دارد؛ چون خلاصه‌سازی نقاط کور شما را دربارهٔ آنچه واقعاً لازم است وارد تحلیل می‌کند.
محدودیت‌ها (Constraints) بیشترین نقش را در این پرامپت ایفا می‌کنند. ممنوع کردن توصیه‌های کلی («مهارت ارتباطی‌تان را بهتر کنید») باعث می‌شود هر شکاف به متنی مشخص در نقش هدف ارجاع داده شود. رتبه‌بندی بر اساس میزان «مانع‌تراشی» به‌جای میزان جذابیت، برنامه را صادقانه نگه می‌دارد — شکافی که یادگیرفتنش برایتان جذاب‌تر به نظر می‌رسد، لزوماً همان چیزی نیست که میان شما و آن نقش شغلی ایستاده است. و اجبار به تفکیک میان شکاف‌هایی که با خودآموزی قابل پر کردن‌اند و شکاف‌هایی که نیاز به تمرین عملی دارند، از این اشتباه رایج جلوگیری می‌کند که خواندن دربارهٔ طراحی A/B testing را معادل تجربهٔ واقعی طراحی آن بدانیم.
چه چیزی باعث کارآمدی ساختار خروجی می‌شود
ساختار پنج‌بخشی — نقاط قوت، شکاف‌های حیاتی، موارد مفید اما غیرضروری، جدول زمانی، و بررسی واقع‌گرایانه — دقیقاً شبیه شیوه‌ای است که یک مدیر یا مربی خوب بازخورد می‌دهد: شروع با آنچه خوب پیش می‌رود، رتبه‌بندی موارد ناقص بر اساس میزان اهمیت‌شان، و پایان با یک ارزیابی صادقانه از این‌که آیا برنامه واقعاً قابل اجراست یا نه. بخش بررسی واقع‌گرایانه (Reality Check) همان بخشی است که اغثر پرامپت‌ها از قلم می‌اندازند، و دقیقاً همین بخش است که این خروجی را از یک توصیهٔ انگیزشی عمومی متمایز می‌کند — مدلی که همیشه می‌گوید «بله، می‌توانید این را در ۹۰ روز انجام دهید» کاربردی نیست؛ مدلی که می‌گوید «این شکاف خاص، ریسک اصلی است، و این هم برنامهٔ جایگزین شما» واقعاً مفید است.
چطور از این پرامپت به‌درستی دوباره استفاده کنیم
این پرامپت را هر بار که نقش شغلی تازه‌ای را ارزیابی می‌کنید اجرا کنید، نه فقط سالی یک‌بار. فیلد نقش هدف قرار است دائماً تغییر کند — یک آگهی شغلی دیگر، یک معیار ارتقای شغلی متفاوت، یا حتی انتظارات بیان‌شده در یک ارزیابی عملکرد را جایگزین کنید و هر بار یک تحلیل شکاف تازه و دقیق بگیرید، به‌جای یک برنامهٔ کلی آموزش و توسعه که به هیچ فرصت مشخصی مرتبط نیست.