Le diagnostic d'écart de compétences : découvrez ce que vous devez vraiment apprendre avant le prochain poste
Pourquoi ce prompt est important
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.
À quoi nous l'utilisons
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.
Prompt
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.
Résultat
**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.
La plupart des démarches de montée en compétences échouent pour une raison banale : elles ne sont rattachées à rien de concret. On suit un cours de Python, un atelier de leadership, une remise à niveau en statistiques — des compétences raisonnables dans l'abstrait, mais sans aucune garantie qu'elles correspondent à ce qu'exige réellement un poste cible précis. Ce prompt corrige cela en imposant une comparaison directe entre ce que vous possédez et ce que demande réellement une offre d'emploi ou des critères de promotion spécifiques.
Pourquoi chaque section du prompt existe
Le Rôle présente l'IA comme un coach ayant vu des milliers d'offres d'emploi — c'est important car cela éloigne le modèle des conseils de style affiche motivationnelle pour l'orienter vers une mise en correspondance des exigences, une tâche plus mécanique et bien plus utile.
La section Contexte impose trois éléments précis : vos compétences actuelles, le texte réel du poste cible (et non une description vague de celui-ci), et votre budget-temps réel. Coller le texte exact de l'offre d'emploi, plutôt que de le résumer vous-même, est important — résumer introduit vos propres angles morts sur ce qui est réellement exigé.
Les Contraintes font le plus gros du travail dans ce prompt. Interdire les conseils génériques (« améliorez votre communication ») oblige chaque écart à se rattacher à un texte précis du poste cible. Classer selon la gravité du blocage plutôt que selon l'intérêt personnel garde le plan honnête — l'écart que vous trouvez le plus intéressant à combler n'est pas forcément celui qui vous sépare réellement du poste. Et imposer une distinction entre les écarts comblables par l'autoformation et ceux qui exigent de la pratique évite l'erreur courante de croire que lire sur la conception d'un test A/B testing équivaut à en avoir réellement conçu un.
Ce qui rend le format de sortie efficace
La structure en cinq parties — points forts, écarts critiques, compétences secondaires, calendrier, vérification de réalisme — reproduit la façon dont un bon manager ou mentor structurerait réellement un retour : commencer par ce qui fonctionne, classer ce qui manque selon son importance, et conclure par une évaluation honnête de la faisabilité du plan. La section Vérification de réalisme est celle que la plupart des prompts omettent, et c'est elle qui empêche ce résultat de n'être qu'un discours motivationnel générique — un modèle qui répond toujours « oui, vous pouvez y arriver en 90 jours » n'est pas utile. Un modèle qui dit « cet écart précis est le point à risque, voici votre solution de repli » l'est.
Comment bien réutiliser ce prompt
Relancez ce prompt chaque fois que vous évaluez un nouveau poste, pas seulement une fois par an. Le champ du poste cible est conçu pour changer constamment — collez une autre offre d'emploi, une autre grille de promotion, ou même les attentes formulées dans un entretien d'évaluation, et obtenez chaque fois une analyse d'écarts nouvelle et précise, plutôt qu'un plan de formation générique qui ne correspond à aucune opportunité particulière.