This post has already been read 36 times!

Ghost job, offerte poco credibili, titoli professionali gonfiati e competenze che sembrano indispensabili fino al momento in cui un nuovo software le rende accessibili a tutti. Il mercato del lavoro contemporaneo produce una quantità crescente di informazioni, ma non tutti i segnali raccontano qualcosa di attendibile sulla domanda di competenze e sulle opportunità realmente disponibili.

La risposta non consiste nel smettere di osservare il mercato, ma nell’imparare a interpretarlo con un metodo diverso. Un professionista può costruire una dashboard personale del proprio capitale professionale, utilizzando indicatori che misurano la domanda effettiva delle competenze, la capacità di dimostrarle, la loro trasferibilità e il rischio che perdano valore nel tempo.

Il principio è simile a quello applicato nella Business Intelligence: non bisogna confondere le metriche di attività con i risultati che dovrebbero rappresentare. Un annuncio pubblicato non equivale a un’assunzione, una certificazione non dimostra automaticamente la capacità di produrre risultati e una competenza frequentemente richiesta non garantisce un vantaggio competitivo, soprattutto quando migliaia di candidati possiedono la stessa preparazione.

Per affrontare questa incertezza proponiamo un toolkit composto da cinque indicatori, un indice sintetico e un sistema di monitoraggio trimestrale. Non è un algoritmo che predice il futuro lavorativo, ma un modello di supporto alle decisioni che aiuta a capire dove si trova il proprio capitale professionale e quali interventi possono migliorarne la posizione.

Il mercato del lavoro è un sistema di segnali imperfetti

Immaginiamo di trovare un annuncio con questa descrizione: «Cerchiamo un AI Transformation Manager, esperienza minima dieci anni, conoscenza di Python, leadership, project management, cloud, machine learning e capacità di trasformare il business».

L’offerta riceve centinaia di candidature, ma dopo tre mesi risulta ancora pubblicata. Non sappiamo se l’azienda stia cercando davvero, se il processo di selezione sia bloccato, se il profilo richiesto sia troppo ampio oppure se l’annuncio serva soltanto a raccogliere candidature.

La ricerca di Hunter Ng sui cosiddetti ghost job, pubblicata nel 2025, ha individuato caratteristiche compatibili con annunci senza un’effettiva intenzione di assunzione in circa il 21% delle offerte analizzate. Il dato riguarda uno specifico campione e una metodologia di classificazione, quindi non può essere interpretato come la percentuale di annunci falsi presente nell’intero mercato del lavoro. Rimane comunque un’indicazione interessante sulla qualità delle informazioni che utilizziamo quando cerchiamo un’opportunità professionale.

Fonte: Hunter Ng, Ghost Jobs: An Analysis of Online Job Postings.

Il problema, tuttavia, non riguarda soltanto gli annunci che non corrispondono a una reale ricerca di personale. Anche un’offerta autentica può rappresentare in modo distorto la domanda di competenze, perché le aziende tendono a descrivere il candidato ideale attraverso elenchi molto estesi di requisiti, che non sempre corrispondono alle capacità effettivamente necessarie per svolgere il lavoro.

Il Joint Research Centre della Commissione europea evidenzia che gli annunci online rappresentano una fonte preziosa per analizzare le competenze richieste, ma non descrivono necessariamente l’intero mercato. Alcune professioni vengono pubblicizzate prevalentemente attraverso altri canali, mentre le competenze indicate negli annunci possono essere incomplete, ridondanti o influenzate dalle modalità con cui le aziende costruiscono le proprie descrizioni.

Fonte: European Commission – Joint Research Centre, Skills Intelligence from Online Job Advertisements.

Questa distinzione è fondamentale: il numero di annunci che menzionano una tecnologia non misura direttamente il numero di posti disponibili, così come la frequenza con cui una competenza compare nelle descrizioni non dimostra che essa rappresenti un requisito realmente discriminante nella selezione.

Il professionista dovrebbe quindi osservare non soltanto quanti annunci esistono, ma quali opportunità superano una verifica di attendibilità e quanto le competenze richieste siano coerenti con le responsabilità del ruolo.

È una differenza simile a quella tra un’azienda che misura il traffico del proprio sito e una che osserva quanti visitatori diventano clienti. Il traffico fornisce informazioni utili, ma non coincide con il risultato economico che l’impresa vuole ottenere.

Il professionista non deve misurare il proprio valore contando gli annunci, ma verificando quali segnali si trasformano in opportunità concrete.

Il capitale professionale: che cosa stiamo misurando?

Il capitale professionale comprende le risorse che permettono a una persona di produrre valore attraverso il proprio lavoro e di mantenere questa capacità anche quando cambiano strumenti, organizzazioni e condizioni di mercato.

Possiamo rappresentarlo attraverso quattro componenti.

• Competenze: ciò che una persona conosce e sa fare, sia sul piano tecnico sia su quello organizzativo e decisionale.
• Evidenze: i risultati e i progetti che permettono di dimostrare concretamente quelle capacità.
• Trasferibilità: la possibilità di applicare le competenze in contesti, settori e organizzazioni differenti.
• Riconoscimento: la disponibilità del mercato a valorizzare economicamente e professionalmente il contributo prodotto.

Queste componenti non sono necessariamente allineate. Un professionista può possedere competenze tecniche avanzate senza riuscire a documentare i risultati ottenuti, oppure può avere una reputazione consolidata grazie a esperienze precedenti mentre alcune delle sue capacità stanno perdendo rilevanza.

Il capitale professionale non è quindi un patrimonio statico, ma una risorsa che si accumula, si trasforma e può perdere valore quando cambiano le condizioni tecnologiche ed economiche.

Per osservarne l’evoluzione proponiamo cinque indicatori, ciascuno dedicato a una dimensione specifica.

Demand Signal Score: distinguere la domanda dal rumore

Il primo indicatore misura la qualità dei segnali che suggeriscono l’esistenza di una domanda per una determinata competenza.

La distinzione è importante perché una tecnologia può comparire in moltissimi annunci senza che questo significhi necessariamente che esistano altrettante opportunità concrete.

Immaginiamo una professionista specializzata in Power BI che, durante un trimestre, individua 100 annunci contenenti il nome dello strumento. Dopo una verifica, 60 risultano pertinenti rispetto al ruolo desiderato, sufficientemente recenti e pubblicati da organizzazioni con un processo di selezione plausibile.

Possiamo calcolare il tasso di annunci verificati:

[math]\displaystyle \begin{aligned} V=\frac{\text{Annunci verificati}} {\text{Annunci analizzati}} \end{aligned}[/math]

Nel nostro esempio:

[math]\displaystyle \begin{aligned} V=\frac{60}{100}=0{,}60 \end{aligned}[/math]

Il risultato indica che il 60% degli annunci ha superato i criteri di verifica adottati. Non significa che tutti siano certamente destinati a un’assunzione, ma che una parte delle informazioni iniziali è stata filtrata attraverso criteri più rigorosi.

Per costruire un indicatore più articolato possiamo considerare tre componenti:

[math]\displaystyle \begin{aligned} D=0{,}4R+0{,}3C+0{,}3A \end{aligned}[/math]

dove:

• [math]R[/math] rappresenta la rilevanza degli annunci rispetto al ruolo professionale desiderato;
• [math]C[/math] misura la coerenza tra le competenze richieste e le responsabilità effettive;
• [math]A[/math] rappresenta l’attendibilità delle opportunità verificate.

Ogni componente viene normalizzata tra 0 e 1. I pesi sono scelte progettuali e possono essere modificati in funzione del settore e del mercato osservato.

Per esempio, una professionista che cerca un ruolo di marketing analytics dovrebbe attribuire maggiore rilevanza agli annunci che richiedono capacità di analisi, interpretazione dei dati e valutazione delle performance, piuttosto che a quelli che si limitano a menzionare genericamente strumenti digitali.

Il Demand Signal Score non misura quindi il numero assoluto di posti disponibili, ma la qualità e la coerenza delle informazioni raccolte sulla domanda professionale.

Per evitare interpretazioni eccessivamente ottimistiche è opportuno integrare gli annunci con altre fonti, come le pagine aziendali dedicate alle carriere, le comunicazioni dei recruiter, le statistiche ufficiali sulle vacancy e le informazioni provenienti dalle reti professionali.

Il punto non è costruire un indicatore perfetto, ma impedire che un elevato numero di annunci poco pertinenti venga interpretato come una forte domanda di mercato.

Skill Proof Index: quanto sai dimostrare?

Il secondo indicatore riguarda la capacità di trasformare una competenza dichiarata in un risultato osservabile.

Scrivere «conosco Python» nel curriculum rappresenta una dichiarazione. Presentare un progetto riproducibile, documentare il metodo utilizzato e spiegare i risultati ottenuti costituisce invece un’evidenza molto più concreta.

Per ogni competenza possiamo utilizzare una scala di valutazione da 0 a 4.

Livello	Evidenza disponibile
0	Nessuna evidenza documentabile
1	Conoscenza teorica verificabile
2	Esercizio o progetto didattico
3	Progetto applicativo documentato
4	Risultato verificato in un contesto reale

È importante precisare che il livello 0 non dimostra necessariamente l’assenza della competenza: indica semplicemente che non disponiamo ancora di un’evidenza sufficiente per documentarla.

Supponiamo che un data analyst voglia valutare quattro competenze.

Competenza	Livello di evidenza
SQL	4
Python	3
Power BI	3
Machine learning	1

Il punteggio medio è:

[math]\displaystyle \begin{aligned} SPI=\frac{4+3+3+1}{4}=2{,}75 \end{aligned}[/math]

Per rendere il risultato confrontabile con gli altri indicatori della dashboard possiamo normalizzarlo su una scala da 0 a 100:

[math]\displaystyle \begin{aligned} SPI_{100}=100\cdot\frac{SPI}{4} \end{aligned}[/math]

Nel nostro caso:

[math]\displaystyle \begin{aligned} SPI_{100}=100\cdot\frac{2{,}75}{4}=68{,}75 \end{aligned}[/math]

Il professionista ottiene quindi un punteggio di 68,75 su 100.

La media semplice presuppone che le distanze tra i livelli della scala siano sufficientemente comparabili, anche se le evidenze hanno natura qualitativamente diversa. Si tratta pertanto di una semplificazione utile per il monitoraggio, non di una misura oggettiva della competenza.

Inoltre, le competenze non hanno necessariamente lo stesso valore per tutti i ruoli. Se il data analyst vuole diventare analytics engineer, SQL e Python potrebbero essere più importanti del machine learning.

In questo caso possiamo utilizzare una media ponderata:

[math]\displaystyle \begin{aligned} SPI_w= 100\cdot \frac{\sum_{i=1}^{n}w_i p_i} {4\sum_{i=1}^{n}w_i} \end{aligned}[/math]

dove [math]p_i[/math] rappresenta il livello di evidenza della competenza, mentre [math]w_i[/math] è il peso attribuito alla sua importanza per il ruolo desiderato.

Il risultato rimane compreso tra 0 e 100.

La metrica suggerisce una domanda operativa: quale competenza dovrei trasformare in una prova concreta nel prossimo trimestre?

Un portfolio professionale non dovrebbe essere una collezione di esercizi e certificazioni, ma un insieme di evidenze che permettono a chi valuta un candidato di comprendere come affronta i problemi, quali strumenti utilizza e quali risultati è in grado di produrre.

Transferability Index: quanto vale una competenza fuori dal suo ambiente?

Una competenza può essere molto utile nel ruolo attuale e perdere gran parte del proprio valore quando cambia l’organizzazione.

Pensiamo a una professionista che conosce perfettamente un gestionale proprietario. All’interno della sua azienda riesce a lavorare con grande efficienza, ma potrebbe incontrare difficoltà nel trasferire questa conoscenza in un’altra organizzazione che utilizza strumenti differenti.

Al contrario, SQL, analisi statistica, progettazione dei processi, negoziazione e capacità di comunicare i risultati possono essere applicate in numerosi contesti.

La trasferibilità non coincide con la genericità. Una competenza trasferibile è una capacità che conserva una parte significativa della propria utilità anche quando cambiano gli strumenti, il settore o l’organizzazione.

Possiamo rappresentarla attraverso tre dimensioni:

[math]\displaystyle \begin{aligned} T=0{,}4S+0{,}3I+0{,}3P \end{aligned}[/math]

dove:

• [math]S[/math] misura la varietà dei settori nei quali la competenza può essere utilizzata;
• [math]I[/math] rappresenta la sua indipendenza da uno specifico strumento o fornitore;
• [math]P[/math] misura la possibilità di applicarla a problemi differenti.

Anche questi valori devono essere normalizzati tra 0 e 1.

Consideriamo un marketing analyst che conosce uno specifico software di attribuzione pubblicitaria. La sua competenza è utile, ma la trasferibilità dipende da quanto comprende i principi statistici e causali che stanno alla base dello strumento.

Se sa soltanto utilizzare il software, il suo valore può diminuire quando cambia la piattaforma. Se invece comprende i limiti dell’attribuzione, la costruzione dei gruppi di controllo, l’incrementalità e il problema dei confondenti, può trasferire queste conoscenze anche a strumenti differenti.

La tecnologia può cambiare rapidamente, mentre la capacità di formulare un problema, scegliere un metodo adeguato e verificare una soluzione tende a conservare utilità più a lungo.

Il Transferability Index serve proprio a distinguere le competenze legate a uno specifico ambiente da quelle che permettono di affrontare problemi professionali in contesti diversi.

Skill Obsolescence Index: il rischio che il capitale perda valore

L’obsolescenza professionale non coincide necessariamente con la scomparsa di una professione o con l’eliminazione di una determinata tecnologia.

Spesso è un processo graduale: una competenza continua a essere utilizzata, ma perde potere differenziante perché viene automatizzata, diventa più semplice da acquisire oppure viene incorporata in strumenti accessibili a un numero crescente di professionisti.

Per misurare questo rischio proponiamo un indice basato su quattro fattori:

[math]\displaystyle \begin{aligned} O=0{,}35A+0{,}25V+0{,}20M+0{,}20E \end{aligned}[/math]

dove:

• [math]A[/math] rappresenta l’esposizione della competenza all’automazione;
• [math]V[/math] misura la velocità con cui cambiano gli strumenti e le tecnologie utilizzate;
• [math]M[/math] rappresenta la perdita di domanda osservata nel mercato di riferimento;
• [math]E[/math] misura l’erosione della capacità di distinguersi rispetto agli altri professionisti.

I quattro fattori sono normalizzati tra 0 e 1. Un valore vicino a 1 indica un rischio elevato di perdita di rilevanza.

La componente [math]E[/math] merita particolare attenzione perché una competenza può essere ancora molto richiesta e contemporaneamente perdere valore competitivo.

Se tutti i candidati sanno utilizzare lo stesso strumento, quella capacità può diventare una condizione di accesso alla professione anziché un elemento distintivo.

Il professionista che conosceva il software giusto

Marco lavora da otto anni nella reportistica aziendale. È rapido, preciso e conosce ogni dettaglio del sistema utilizzato dalla propria organizzazione.

Quando il reparto introduce una piattaforma di automazione, molte delle attività che svolgeva manualmente vengono eliminate o richiedono un intervento molto più limitato.

Marco non diventa improvvisamente meno competente, ma una parte del suo capitale professionale era legata a operazioni che ora richiedono meno tempo e producono un valore differenziante inferiore.

La risposta non dovrebbe consistere semplicemente nell’imparare un altro software, perché in questo modo rischierebbe di ripetere lo stesso investimento su una competenza altrettanto esposta al cambiamento tecnologico.

Sarebbe più utile sviluppare le capacità necessarie per progettare, controllare e interpretare i nuovi processi: qualità del dato, modellazione, analisi delle anomalie, valutazione dei risultati e comunicazione delle decisioni.

L’obsolescenza diventa così un segnale per riallocare il proprio investimento formativo, distinguendo ciò che continua a produrre valore da ciò che sta diventando una competenza sempre più standardizzata.

Non significa abbandonare tutto ciò che si conosce, ma evitare di concentrare l’intero capitale professionale su attività che possono essere automatizzate o replicate facilmente.

Opportunity Conversion Rate: dalle interazioni alle opportunità

Il quinto indicatore osserva la capacità del professionista di trasformare il proprio capitale professionale in opportunità concrete.

Una persona può possedere un buon portfolio, competenze richieste e un profilo aggiornato, ma non riuscire a ottenere colloqui. Il problema può dipendere dal posizionamento, dalla qualità del curriculum, dalla rete professionale, dalla geografia, dal livello di seniority o semplicemente dalle condizioni del mercato.

Per comprendere dove si trova la difficoltà è necessario distinguere le diverse fasi del processo.

Possiamo iniziare misurando la capacità di trasformare le candidature qualificate in colloqui:

[math]\displaystyle \begin{aligned} OCR_1= \frac{\text{Colloqui ottenuti}} {\text{Candidature qualificate}} \end{aligned}[/math]

Supponiamo che una professionista invii 40 candidature mirate e ottenga 8 colloqui:

[math]\displaystyle \begin{aligned} OCR_1=\frac{8}{40}=0{,}20 \end{aligned}[/math]

Il tasso di conversione è quindi del 20%.

Una seconda misura riguarda la capacità di trasformare i colloqui in offerte:

[math]\displaystyle \begin{aligned} OCR_2= \frac{\text{Offerte ricevute}} {\text{Colloqui sostenuti}} \end{aligned}[/math]

Se dagli 8 colloqui derivano 2 offerte:

[math]\displaystyle \begin{aligned} OCR_2=\frac{2}{8}=0{,}25 \end{aligned}[/math]

Il tasso di conversione dei colloqui in offerte è del 25%.

Questi due indicatori descrivono fasi differenti e aiutano a individuare problemi diversi. Un OCR iniziale basso può suggerire che il profilo non venga presentato in modo efficace oppure che le candidature non siano sufficientemente mirate. Un OCR finale basso può invece indicare una difficoltà nel dimostrare le competenze durante la selezione, un disallineamento rispetto al ruolo oppure una forte concorrenza.

Per completare l’analisi possiamo osservare anche le interazioni professionali qualificate, come i contatti con recruiter, le conversazioni esplorative e le richieste di collaborazione. Queste attività dovrebbero però essere registrate separatamente, evitando di mescolare eventi che appartengono a fasi differenti del processo.

I tassi di conversione non devono essere confrontati automaticamente tra professionisti diversi, perché settore, ruolo, seniority e modalità di selezione influenzano fortemente i risultati.

Sono invece particolarmente utili quando vengono confrontati con lo storico personale, mantenendo stabili i criteri di rilevazione.

Se il tasso di conversione delle candidature scende dal 20% al 10%, mentre la domanda verificata e le evidenze professionali rimangono stabili, il problema potrebbe non essere l’obsolescenza tecnica, ma il modo in cui il valore viene comunicato o il tipo di opportunità selezionate.

La dashboard serve proprio a evitare diagnosi affrettate.

Career Capital Score: combinare gli indicatori senza perdere informazioni

A questo punto disponiamo di cinque indicatori che descrivono aspetti differenti del capitale professionale.

Indicatore	Dimensione osservata	Scala
D	Domanda verificata	0–100
P	Evidenze delle competenze	0–100
T	Trasferibilità	0–100
O	Rischio di obsolescenza	0–100
C	Conversione delle opportunità	0–100

Per ottenere una sintesi possiamo costruire un indice composito che chiameremo Career Capital Score (CCS):

[math]\displaystyle \begin{aligned} CCS=0{,}25D+0{,}25P+0{,}20T+ 0{,}15(100-O)+0{,}15C \end{aligned}[/math]

Tutti gli indicatori entrano nella formula su una scala da 0 a 100. L’obsolescenza viene invertita perché un rischio elevato deve ridurre il punteggio complessivo, mentre un rischio contenuto deve contribuire positivamente.

La formula attribuisce un peso maggiore alla domanda verificata e alla capacità di dimostrare le proprie competenze. La trasferibilità contribuisce a ridurre la dipendenza da un singolo contesto, mentre la conversione osserva la capacità di trasformare le risorse professionali in opportunità.

I pesi sono ipotesi progettuali, non coefficienti stimati attraverso una regressione su dati occupazionali. Non rappresentano probabilità di assunzione e non consentono di prevedere quanto una persona guadagnerà o quanto tempo impiegherà a trovare lavoro.

Esiste inoltre un limite statistico da considerare: alcuni indicatori possono essere correlati. Per esempio, un portfolio più convincente può aumentare la conversione delle candidature, mentre una competenza trasferibile può contribuire a migliorare la domanda osservata in più settori. La somma ponderata non elimina queste dipendenze e non deve essere interpretata come una misura indipendente di cinque fattori.

Il CCS serve a rendere esplicite le priorità e a osservare il cambiamento nel tempo. Per questo deve essere sempre accompagnato dai singoli indicatori, evitando che un unico numero nasconda debolezze importanti.

Un esempio numerico

Consideriamo una professionista che lavora nel marketing e vuole orientarsi verso un ruolo di marketing analytics.

La sua dashboard presenta questi valori:

Indicatore	Punteggio
Domanda verificata D	70
Prove P	55
Trasferibilità T	80
Obsolescenza O	40
Conversione C	30

Applicando la formula:

[math]\displaystyle \begin{aligned} CCS={}&0{,}25(70)+0{,}25(55)\\ &+0{,}20(80)+0{,}15(60)\\ &+0{,}15(30) \end{aligned}[/math]

Otteniamo:

[math]\displaystyle \begin{aligned} CCS=60{,}75 \end{aligned}[/math]

Il punteggio è quindi pari a 60,75 su 100.

La domanda di mercato è discreta, la trasferibilità delle competenze è buona e il rischio di obsolescenza non appare particolarmente elevato. Le due aree più deboli sono invece la capacità di dimostrare le competenze e la conversione delle interazioni professionali.

La decisione razionale non consiste necessariamente nell’iscriversi a un altro corso, perché il problema potrebbe essere la mancanza di evidenze applicative più che una carenza di conoscenze.

Un intervento coerente potrebbe prevedere la realizzazione di un progetto di marketing analytics, con dati, metodo, analisi delle performance e interpretazione manageriale dei risultati. Il progetto dovrebbe poi essere documentato e utilizzato per aggiornare il posizionamento professionale, verificando nel trimestre successivo se il tasso di conversione delle candidature è migliorato.

Il valore del CCS non sta quindi nel giudicare se 60,75 sia un punteggio buono o cattivo, ma nell’individuare il punto sul quale conviene intervenire.

Come costruire una dashboard trimestrale

Un sistema di misurazione personale deve essere abbastanza semplice da poter essere aggiornato con regolarità. Se richiede un’intera giornata di lavoro ogni mese, probabilmente verrà abbandonato.

La proposta è una revisione trimestrale basata su una finestra di osservazione di 90 giorni, un registro delle evidenze e cinque indicatori aggiornabili.

Prima di raccogliere i dati è necessario definire il mercato di riferimento. Un data analyst che cerca lavoro nel settore finanziario in Lombardia non dovrebbe confrontare i propri risultati con gli annunci internazionali per specialisti di machine learning, perché i due mercati hanno caratteristiche differenti.

Il perimetro dovrebbe comprendere:

• ruolo professionale desiderato e ruoli adiacenti;
• settore economico;
• area geografica e possibilità di lavoro da remoto;
• livello di seniority;
• competenze principali e competenze complementari.

Una volta definito il perimetro, si possono raccogliere le informazioni attraverso portali di lavoro, siti aziendali, comunicazioni dei recruiter, statistiche ufficiali e reti professionali.

Gli annunci duplicati o ripubblicati devono essere identificati, per evitare di contare più volte la stessa opportunità. Anche le fonti utilizzate e i criteri di verifica devono rimanere sufficientemente stabili tra un trimestre e l’altro.

Per lo Skill Proof Index è utile mantenere un registro delle evidenze nel quale annotare competenza, progetto, risultato, data e possibilità di verifica. In questo modo il punteggio non dipende soltanto dalla percezione soggettiva del professionista.

La tabella di lettura trimestrale

Consideriamo una simulazione nella quale una professionista migliora progressivamente la propria posizione nel mercato.

Indicatore	1° trimestre	2° trimestre	3° trimestre	4° trimestre
Domanda verificata D	60	65	70	75
Skill Proof Index P	40	50	60	70
Trasferibilità T	65	70	75	80
Obsolescenza O	55	50	45	40
Conversione C	20	25	30	35
Career Capital Score	47,75	54,00	60,25	66,50

Esempio simulato: i valori illustrano un possibile percorso di miglioramento e non rappresentano una previsione statistica.

Il Career Capital Score del primo trimestre è calcolato come segue:

[math]\displaystyle \begin{aligned} CCS={}&0{,}25(60)+0{,}25(40)\\ &+0{,}20(65)+0{,}15(45)\\ &+0{,}15(20) \end{aligned}[/math]

[math]\displaystyle \begin{aligned} CCS=47{,}75 \end{aligned}[/math]

Nel quarto trimestre, applicando la stessa formula ai nuovi valori, il punteggio raggiunge 66,50.

Il miglioramento deriva dall’aumento delle evidenze professionali, dalla maggiore trasferibilità e dalla riduzione del rischio di obsolescenza, mentre anche la conversione delle opportunità cresce.

Non tutti i cambiamenti, tuttavia, sono necessariamente il risultato delle azioni individuali. L’aumento della domanda verificata potrebbe dipendere da una variazione del mercato, dall’apertura di nuove opportunità o da un cambiamento nelle tecnologie utilizzate dalle aziende.

Questo porta a una regola essenziale: distinguere gli indicatori controllabili da quelli influenzabili e da quelli esterni.

• Controllabili: aggiornamento del portfolio, formazione, documentazione dei risultati e sviluppo di nuove competenze.
• Influenzabili: rete professionale, qualità delle candidature, posizionamento e conversione delle interazioni.
• Esterni: domanda settoriale, congiuntura economica, politiche di assunzione e trasformazioni tecnologiche.

Una dashboard che attribuisce automaticamente ogni cambiamento alle proprie azioni rischia di diventare un sistema di autoinganno. Per interpretare correttamente i risultati bisogna osservare anche il contesto nel quale sono stati raccolti.

Come interpretare i risultati: quattro situazioni differenti

Il Career Capital Score sintetizza le informazioni, ma le decisioni devono partire dall’analisi dei singoli indicatori.

Situazione	Interpretazione	Decisione
Domanda alta, prove basse	Competenza richiesta ma poco dimostrata	Costruire un portfolio applicativo
Domanda bassa, trasferibilità alta	Competenze utilizzabili in altri contesti	Esplorare ruoli e settori adiacenti
Domanda alta, obsolescenza alta	Mercato attivo ma competenza fragile	Sviluppare capacità complementari
Prove alte, conversione bassa	Valore documentato ma poco riconosciuto	Rivedere posizionamento e canali

Questa matrice è più utile di una classifica personale perché permette di collegare le informazioni raccolte a un intervento concreto.

Un professionista con un punteggio basso non deve necessariamente studiare di più. Potrebbe dover cambiare mercato, rivedere il proprio posizionamento, migliorare la comunicazione dei risultati oppure orientarsi verso ruoli nei quali le sue competenze siano maggiormente riconosciute.

Il punteggio diventa così una domanda operativa: quale intervento ha maggiori possibilità di migliorare la mia posizione professionale, considerando le risorse e il tempo disponibili?

Due professionisti, lo stesso mercato

Immaginiamo due analisti di dati, Anna e Luca, che lavorano in un settore nel quale le competenze Python sono molto richieste.

Anna ha seguito diversi corsi, possiede certificazioni e conosce numerose librerie. Il suo curriculum contiene un elenco articolato di strumenti e tecnologie, mentre le sue esperienze applicative sono descritte prevalentemente attraverso le attività svolte.

Luca conosce meno librerie, ma ha sviluppato tre progetti: un sistema di controllo della qualità dei dati, un modello di previsione e un’analisi causale di una campagna commerciale. Per ciascun progetto ha documentato le ipotesi, le scelte metodologiche, i risultati e i limiti dell’analisi.

Quando partecipano a una selezione, entrambi dichiarano competenze simili, ma Luca può mostrare come ha affrontato un problema, quali verifiche ha effettuato, quali difficoltà ha incontrato e come ha interpretato i risultati.

Anna può dimostrare di aver studiato, mentre Luca può documentare l’applicazione delle proprie conoscenze a problemi concreti.

La differenza non implica che il portfolio garantisca un’assunzione, perché la selezione dipende anche da esperienza, seniority, contesto aziendale e qualità delle candidature concorrenti. Significa però che Luca riduce la distanza tra una dichiarazione e una prova, rendendo più semplice per il selezionatore valutare il suo contributo potenziale.

La dashboard di Anna dovrebbe suggerire un investimento nella produzione di evidenze applicative, mentre quella di Luca potrebbe indicare la necessità di migliorare la trasferibilità delle competenze, la rete professionale o il posizionamento.

Il mercato è lo stesso, ma le decisioni più utili per i due professionisti non devono necessariamente coincidere.

Il rischio più sottile: ottimizzare la dashboard invece della carriera

Ogni indicatore può essere manipolato, anche involontariamente, quando il professionista comincia a concentrarsi sul punteggio anziché sul risultato che dovrebbe rappresentare.

Se misuriamo il numero di corsi completati, potremmo diventare molto efficienti nel completare corsi senza aumentare la nostra capacità di risolvere problemi. Se misuriamo il numero di candidature, potremmo inviarne sempre di più, riducendo la qualità delle opportunità selezionate. Se contiamo le competenze dichiarate nel curriculum, potremmo aggiungere strumenti senza migliorare la capacità di produrre risultati.

È il problema associato alla legge di Goodhart: quando una misura diventa un obiettivo, tende a perdere parte della propria utilità come indicatore del fenomeno che dovrebbe descrivere.

Per questo la dashboard deve essere accompagnata da una revisione qualitativa, nella quale il professionista possa verificare se i miglioramenti numerici corrispondono a cambiamenti reali.

Ogni trimestre dovrebbe quindi essere possibile rispondere ad alcune domande:

• Quale risultato concreto ho prodotto?
• Quale competenza ho utilizzato per ottenerlo?
• Quale evidenza posso mostrare a un’altra persona?
• Quale parte del mio lavoro potrebbe essere automatizzata?
• Quale competenza rimarrebbe utile se cambiassi azienda?
• Quali decisioni sto prendendo sulla base di annunci non sufficientemente verificati?

Non tutte le risposte devono essere trasformate in numeri, perché alcuni aspetti del valore professionale dipendono dal contesto e richiedono una valutazione qualitativa.

Una dashboard serve a orientare il giudizio, non a sostituirlo.

Collegare la dashboard al Role Validation Score 2.0

La dashboard del capitale professionale completa il lavoro sul Role Validation Score 2.0, perché i due strumenti affrontano due problemi differenti ma strettamente collegati.

Il Role Validation Score risponde alla domanda: questo ruolo professionale esiste davvero, presenta una domanda credibile e merita un investimento di tempo e formazione?

La dashboard personale affronta invece una domanda successiva: considerando il mio capitale professionale attuale, quanto sono preparato a occupare quel ruolo?

La combinazione dei due strumenti permette di costruire una matrice decisionale.

Validità del ruolo	Capitale professionale	Strategia
Alta	Alto	Candidatura e negoziazione
Alta	Basso	Piano di sviluppo mirato
Bassa	Alto	Ricerca di ruoli alternativi
Bassa	Basso	Evitare investimenti prematuri

Il caso più rischioso è quello di un ruolo molto pubblicizzato ma poco validato, nel quale il professionista investe mesi di formazione senza aver verificato l’esistenza di una domanda concreta.

Il Role Validation Score riduce il rischio di inseguire una promessa professionale poco credibile, mentre la dashboard permette di valutare il punto di partenza e di individuare le competenze sulle quali conviene investire.

La distinzione è importante perché non sempre il problema consiste nel possedere competenze insufficienti. A volte il professionista è preparato per un ruolo che offre poche opportunità, oppure dispone di capacità molto richieste ma non riesce a dimostrarle nel processo di selezione.

Il capitale professionale come processo dinamico

Il valore di una competenza dipende dal contesto nel quale viene utilizzata. Una capacità può essere molto richiesta oggi, diventare ordinaria domani e acquisire nuovamente importanza in un ambiente diverso.

La trasformazione tecnologica, soprattutto attraverso l’intelligenza artificiale e l’automazione, rende questa dinamica ancora più evidente. Alcune attività diventano accessibili a un numero maggiore di persone, mentre altre richiedono capacità di interpretazione, verifica e integrazione che non possono essere valutate semplicemente contando gli strumenti conosciuti.

Per questo la misurazione del capitale professionale deve essere periodica e collegata alle decisioni individuali.

Il processo può essere rappresentato attraverso un ciclo di controllo:

[math]\displaystyle \begin{aligned} \text{Osservazione} \rightarrow \text{Misurazione} \rightarrow \text{Decisione} \rightarrow \text{Evidenza} \rightarrow \text{Revisione} \end{aligned}[/math]

Il professionista osserva il mercato, raccoglie informazioni sulle competenze richieste, valuta le proprie capacità, sceglie dove investire e verifica successivamente se le azioni intraprese hanno prodotto risultati.

È un processo simile a quello utilizzato nei sistemi di controllo aziendale, nei quali gli indicatori non servono soltanto a descrivere la situazione corrente, ma soprattutto a individuare scostamenti e correggere le decisioni.

La differenza è che il capitale da proteggere e sviluppare non è quello di un’impresa, ma quello di una persona.

 

Misurare per non delegare il proprio futuro

Il mercato del lavoro non è necessariamente falso, ma è un sistema complesso nel quale convivono informazioni incomplete, incentivi divergenti e segnali difficili da interpretare.

Gli annunci non sono contratti, i titoli non dimostrano automaticamente le competenze, le certificazioni non equivalgono a risultati e una tecnologia frequentemente richiesta non rappresenta necessariamente un vantaggio competitivo.

La dashboard personale nasce per affrontare questa incertezza attraverso cinque prospettive complementari: il Demand Signal Score aiuta a verificare la qualità della domanda, lo Skill Proof Index misura le evidenze disponibili, il Transferability Index valuta la possibilità di cambiare contesto, lo Skill Obsolescence Index segnala le competenze esposte alla perdita di valore e l’Opportunity Conversion Rate osserva la capacità di trasformare il proprio capitale professionale in opportunità concrete.

Il Career Capital Score riunisce queste informazioni in una misura sintetica, utile soprattutto quando viene confrontata con i risultati dei trimestri precedenti e accompagnata dall’analisi dei singoli indicatori.

La questione centrale, tuttavia, non è stabilire quanto valga una persona attraverso un numero, ma capire quali capacità siano ancora rilevanti, quali possano essere dimostrate e dove sia più conveniente investire tempo e risorse.

La carriera non è una sequenza di titoli da accumulare, ma un sistema di capacità da mantenere rilevanti, dimostrabili e trasferibili.

Il mercato può esagerare la domanda, attribuire importanza eccessiva a determinate tecnologie oppure non riconoscere immediatamente competenze che diventeranno importanti in futuro. Il professionista non può controllare tutte queste dinamiche, ma può costruire un metodo per distinguere i segnali dalle aspettative, verificare il proprio posizionamento e modificare le decisioni quando le condizioni cambiano.

La dashboard non promette di eliminare l’incertezza né di prevedere il prossimo cambiamento del mercato del lavoro. Offre qualcosa di più concreto: la possibilità di affrontarlo con informazioni organizzate, evidenze verificabili e decisioni meno dipendenti dalle promesse contenute in un annuncio online.

Pubblicità