O diagnóstico de lacuna de competências: descubra o que você realmente precisa aprender antes da próxima função
Porque é que este prompt importa
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.
Para que o usamos
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.
Resultado
**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.
A maioria dos planos de capacitação fracassa por um motivo banal: não estão ligados a nada específico. As pessoas fazem um curso de Python, um workshop de liderança, uma revisão de estatística — todas habilidades razoáveis em abstrato, mas sem qualquer garantia de que correspondam ao que uma função-alvo real realmente exige. Este prompt corrige isso ao forçar uma comparação direta entre o que você tem e o que uma vaga específica ou critérios de promoção realmente pedem.
Por que cada seção do prompt existe
O Papel apresenta a IA como um coach que já viu milhares de vagas de emprego — isso importa porque afasta o modelo de conselhos de pôster motivacional e o direciona para o cruzamento de requisitos, uma tarefa mais mecânica e muito mais útil.
A seção de Contexto exige três informações específicas: suas competências atuais, o texto real da função-alvo (não uma descrição vaga dela) e seu orçamento de tempo real. Colar o texto literal da vaga de emprego, em vez de resumi-lo você mesmo, é importante — resumir introduz seus próprios pontos ciegos sobre o que realmente é exigido.
As Restrições são as que fazem o trabalho mais importante neste prompt. Proibir conselhos genéricos («melhore sua comunicação») obriga cada lacuna a remeter a um texto específico da função-alvo. Classificar pela gravidade do bloqueio, e não pelo interesse pessoal, mantém o plano honesto — a lacuna que você acha mais interessante de aprender não é necessariamente a que está entre você e a função. E forçar a distinção entre lacunas que podem ser fechadas por autoestudo e lacunas que exigem prática real evita o erro comum de achar que ler sobre o design de A/B testing é o mesmo que tê-lo realmente projetado.
O que faz o formato de saída funcionar
A estrutura de cinco seções — pontos fortes, lacunas críticas, itens desejáveis, cronograma e verificação de realidade — reflete a forma como um bom gestor ou mentor realmente estruturaria um feedback: começar pelo que está funcionando, classificar o que falta pela importância, e encerrar com uma avaliação honesta de se o plano é viável. A seção de Verificação de Realidade é a que a maioria dos prompts ignora, e é exatamente ela que evita que este resultado seja apenas um discurso motivacional genérico — um modelo que sempre diz «sim, você consegue fazer isso em 90 dias» não é útil. Um que diz «esta lacuna específica é a arriscada, aqui está seu plano alternativo» é.
Como reaproveitar bem este prompt
Execute este prompt novamente cada vez que avaliar uma nova função, não apenas uma vez por ano. O campo da função-alvo deve mudar constantemente — cole uma vaga de emprego diferente, outros critérios de promoção, ou até as expectativas declaradas em uma avaliação de desempenho, e obtenha a cada vez uma análise de lacunas nova e específica, em vez de um plano genérico de aprendizagem e desenvolvimento que não corresponde a nenhuma oportunidade concreta.