Documentazione Tecnica e Architetturale

Career Intelligence Platform
per l'Orientamento Professionale Data-Driven

Dicembre 2025

Bozza 1.0 | Documento Confidenziale

Capitolo 1Introduzione a HR Trails

1.1 Cos'è HR Trails

HR Trails è una piattaforma di Career Intelligence progettata per supportare giovani professionisti (17-27 anni) in decisioni formative e di carriera ad alto impatto. A differenza degli approcci tradizionali basati su test attitudinali e valutazioni qualitative, HR Trails utilizza dati empirici del mercato del lavoro per generare benchmark quantitativi e predizioni evidence-based.

La piattaforma si fonda su tre pilastri metodologici:

• Analisi comparativa di percorsi formativi basata su outcome misurabili
• Skill gap assessment attraverso confronto con profili target reali
• Career path prediction mediante modelli statistici su traiettorie professionali

1.2 La Proposta di Valore

La piattaforma integra quattro dataset proprietari (skill mappings, career histories, compensation benchmarks, labour market trends) per generare cinque categorie di output:

• Confronti quantitativi tra percorsi formativi: quale università o corso offre i migliori outcome occupazionali per un determinato obiettivo professionale
• Skill Gap Analysis: quali competenze mancano rispetto ai profili di successo nel ruolo desiderato
• Benchmark retributivi: come si posiziona la propria retribuzione rispetto a profili comparabili
• Career Path Prediction: quali sono le traiettorie di carriera più probabili e come accelerarle
• Roadmap di upskilling personalizzate: quali skill acquisire per massimizzare le opportunità

1.3 Target di Riferimento

Il modello di segmentazione è articolato su tre coorti di utenti, differenziate per fase del lifecycle professionale:

1.4 Come Funziona

L'architettura operativa si articola in tre layer sequenziali (Figura 1):

Il sistema implementa un'interfaccia guidata basata su query strutturate, eliminando la necessità di competenze analitiche da parte dell'utente finale.

Capitolo 2Architettura della Piattaforma

2.1 User Experience Design

L'architettura della piattaforma implementa un modello modulare: ogni segmento di utenti accede a un set specifico di moduli di analisi, ciascuno dei quali interroga il database di workforce intelligence secondo parametri predefiniti (Figura 2).

Ciascun modulo esegue query predefinite sul database (filtri per segmento, ruolo, geografia, esperienza) e restituisce aggregazioni statistiche, confronti o gap analysis. L'utente può eseguire più moduli in sequenza per ottenere una vista completa delle proprie opportunità.

2.2 Segmento: Pre-Universitari

Il segmento pre-universitari richiede supporto decisionale nella fase di selezione del percorso formativo. I moduli disponibili implementano confronti multi-dimensionali basati su outcome misurabili post-laurea (placement rate, compensation, mobilità settoriale) derivati da coorti omogenee di dimensione statisticamente significativa (N > 500 per ateneo). L'approccio elimina bias soggettivi tipici dell'orientamento tradizionale, sostituendo valutazioni qualitative con benchmark quantitativi evidence-based.

Scenario

Marco, 18 anni, deve scegliere tra Economia alla Bocconi, Economia a Bologna, o Ingegneria Gestionale al Politecnico di Milano. Vuole capire quale percorso gli offrirà le migliori opportunità.

Moduli Disponibili

2.3 Segmento: Studenti / Neolaureati

Il segmento studenti/neolaureati si concentra sull'ottimizzazione dell'ingresso nel mercato del lavoro. I moduli eseguono analisi comparative tra il profilo dell'utente e profili target (skill gap analysis), benchmark retributivi per ruoli entry-level filtrati per geografia e settore, e pattern analysis su traiettorie di carriera post-laurea. Il sistema quantifica distanze skill-based mediante metriche normalizzate (distanza euclidea), restituendo roadmap di upskilling prioritizzate per massimizzare employability e compensation potential.

Scenario

Sara, 23 anni, neolaureata in Informatica al Politecnico di Milano, vuole capire su quali competenze investire per massimizzare le sue opportunità nella consulenza tech e quanto può aspettarsi come RAL iniziale.

Moduli Disponibili

2.4 Segmento: Giovani Professionisti

Il segmento giovani professionisti richiede strumenti di ottimizzazione della progressione di carriera. I moduli implementano benchmark retributivi basati su coorti filtrate per ruolo, esperienza, settore e geografia (±1 anno di tenure), analisi di fattibilità per transizioni inter-ruolo (skill gap + success rate + RAL delta), e assessment di readiness per avanzamenti verticali mediante confronto con profili seniority +1. Le distribuzioni percentilari permettono posizionamento preciso rispetto al mercato e identificazione di gap retributivi o competenze statisticamente significativi (> 1 deviazione standard).

Scenario

Luca, 26 anni, lavora come Data Analyst in una PMI da 2 anni con RAL di 32k. Vuole capire se è pagato correttamente rispetto al mercato e se può fare il salto verso un ruolo di Data Scientist.

Moduli Disponibili

2.5 Output e Deliverable

L'output layer genera un Report Personalizzato strutturato in cinque sezioni:

• Executive Summary: raccomandazione principale con motivazione
• Analisi Comparativa: tabelle e grafici di confronto
• Skill Map: competenze richieste e gap identificati
• Career Paths: traiettorie tipiche a 1, 3, 5 anni
• Roadmap Actionable: passi concreti da intraprendere

La delivery avviene su due canali paralleli: interfaccia web interattiva con drill-down su dati granulari, e PDF statico ottimizzato per presentazioni executive.

Capitolo 3Career Intelligence Engine

3.1 Architettura del Modulo

Il Career Intelligence Engine (CIE) costituisce il nucleo elaborativo della piattaforma, implementando un'architettura a layer che integra tecniche di statistical computing, pattern recognition e optimization theory. Il sistema elabora i 9 moduli analitici del Capitolo 2 attraverso una pipeline multi-stage che combina operazioni di cohort construction, distributional analysis e predictive scoring.

L'engine garantisce latenze inferiori a 2 secondi (p95) attraverso l'utilizzo di materialized views pre-computate, columnar indexing su dimensioni chiave (ruolo, geo, seniority, skill) e strategie di query optimization basate su cost-based analysis. Le aggregazioni statistiche operano su coorti di dimensione N≥500 per garantire significatività statistica (confidence interval 95%, margin of error <5%).

L'architettura del CIE è organizzata in quattro layer funzionali interconnessi:

Descrizione dei Layer Funzionali

1. Input & Context Layer: riceve il profilo utente rappresentato come vettore di feature (skill possedute, background formativo, esperienza, geo) e i parametri della query. Applica validation rules e arricchimento contestuale (es. mapping di skill sinonimi, normalizzazione job titles).
2. Data Retrieval & Cohort Construction: esegue multi-dimensional filtering sul database di workforce intelligence utilizzando indici compositi ottimizzati. Il Cohort Builder garantisce dimensione minima N≥500 per significatività statistica. Temporal Windowing limita l'analisi a dati con freshness <30 giorni per ruoli dinamici, <90 giorni per analisi storiche.
3. Statistical Processing & Pattern Recognition: layer computazionalmente intensivo che implementa:
   • Distributional Analysis: calcolo di percentili, momenti statistici, kernel density estimation
   • Trajectory Modeling: identificazione di career paths ricorrenti tramite sequence mining
   • Correlation Mining: analisi di co-occorrenze tra skill, settori, transizioni di ruolo
4. Scoring & Ranking Engine: combina output statistici in score compositi utilizzando weighted aggregation. Il Confidence Weighting penalizza score derivati da coorti di dimensione ridotta o con alta varianza. Il Personalization Layer applica boost factor basati su preferenze utente esplicite e implicite.
5. Output Generation & Formatting: sintetizza risultati in report strutturati con sezioni narrative, visualization components (distribuzione, trend, confronti) e actionable insights estratti tramite template-based generation e rule-based highlighting di pattern rilevanti.

3.2 Algoritmi di Scoring

3.2.1 Path Compatibility Score (PCS)

3.2.2 Skill Gap Index (SGI)

3.2.3 University ROI Index (URI)

3.3 Modelli Predittivi

3.4 Elementi di Innovazione

Capitolo 4Architettura Tecnica

4.1 Overview del Sistema

L'architettura di HR Trails segue un modello three-tier con separazione netta tra presentation layer, business logic e data layer. Il sistema è progettato per garantire scalabilità orizzontale, manutenibilità e tempi di risposta contenuti (<2s per query complesse).

La comunicazione tra layer avviene tramite API RESTful con payload JSON. Il sistema implementa pattern di graceful degradation: in caso di indisponibilità di componenti non critici (es. cache), il servizio continua a operare con performance ridotte anziché fallire completamente.

4.2 Stack Tecnologico

La scelta dello stack tecnologico bilancia modernità, performance e pragmatismo implementativo, privilegiando tecnologie con ecosistemi maturi e community attive.

4.2.1 Frontend

4.2.2 Backend

4.2.3 Infrastruttura

4.3 Data Layer e Storage

Il data layer implementa una strategia di storage ibrida ottimizzata per i diversi pattern di accesso ai dati della piattaforma.

4.3.1 Database Primario (PostgreSQL)

PostgreSQL gestisce i dati strutturati core con uno schema normalizzato (3NF) per le entità principali e denormalizzato per le tabelle di aggregazione pre-computate.

4.3.2 Materialized Views

Per garantire latenze <2s anche su query complesse, il sistema utilizza materialized views pre-computate per le aggregazioni più frequenti:

• university_outcomes: metriche aggregate per ateneo/corso (RAL mediana, placement rate, etc.)
• role_skill_matrix: skill più frequenti per ogni ruolo, con pesi
• career_transitions: probabilità di transizione ruolo→ruolo con tempi medi
• compensation_percentiles: distribuzioni RAL per ruolo/geo/seniority

Le materialized views vengono refreshate con cadenza giornaliera (off-peak hours) tramite job schedulati, garantendo dati freschi senza impattare le performance in produzione.

4.3.3 Caching Strategy

Redis implementa una strategia di caching multi-livello:

• Query cache (TTL 1h): risultati di query frequenti con parametri comuni
• Session cache (TTL 24h): profilo utente e preferenze durante la sessione
• Computation cache (TTL 6h): risultati di scoring algorithms per evitare ricalcoli

4.4 Sicurezza e Privacy

Data la natura sensibile dei dati trattati (informazioni professionali, retribuzioni), il sistema implementa controlli di sicurezza multi-livello conformi a GDPR e best practice di settore.

4.4.1 Data Protection

• Encryption at rest: tutti i dati su database sono cifrati (AES-256)
• Encryption in transit: TLS 1.3 per tutte le comunicazioni
• Anonimizzazione: i profili individuali sono aggregati; nessun dato permette l'identificazione diretta di persone specifiche nelle analisi
• Data minimization: vengono conservati solo i datapoint strettamente necessari per le funzionalità della piattaforma

4.4.2 Access Control

• Authentication: sistema passwordless con magic link o OAuth 2.0 (Google, LinkedIn)
• Authorization: RBAC (Role-Based Access Control) per pannello admin
• API Security: rate limiting, API key rotation, request signing
• Audit logging: tracciamento di tutte le operazioni sensibili

4.4.3 Compliance GDPR

Capitolo 5Integrazione Dati

HR Trails opera su un dataset proprietario di workforce intelligence che viene alimentato, arricchito e sincronizzato attraverso una pipeline di data integration strutturata. Questo capitolo descrive la fonte dati principale, il catalogo dei datapoint disponibili, i flussi di sincronizzazione e i meccanismi di quality assurance.

5.1 Origine dei Dati

HR Trails usufruisce della base dati di SkillSherpa, piattaforma di data provisioning che raccoglie informazioni pubbliche sul mercato del lavoro. SkillSherpa fornisce la materia prima: dati grezzi su profili professionali, percorsi di carriera e offerte di lavoro.

Il valore aggiunto di HR Trails sta in ciò che avviene dopo l'acquisizione dei dati grezzi. La piattaforma trasforma informazioni non strutturate in intelligence azionabile attraverso:

Il lavoro di HR Trails sui dati:

• Arricchimento: calcolo di metriche derivate come seniority, proficiency stimata, career velocity e trend di settore
• Modellazione: applicazione degli algoritmi di scoring (PCS, SGI, URI) e dei modelli predittivi descritti nel Capitolo 3
• Quality Assurance: validazione, deduplicazione e controllo di coerenza su ogni dato in ingresso

In sintesi: SkillSherpa fornisce i dati grezzi, HR Trails li trasforma in insight di valore per studenti, professionisti e career counselor.

5.2 Catalogo Datapoint

Il dataset di HR Trails comprende cinque macro-categorie di datapoint, ciascuna con specifiche caratteristiche di copertura, granularità e frequenza di aggiornamento.

5.2.1 Dati Educativi

5.2.2 Dati Professionali

5.2.3 Competenze

5.2.4 Compensation

5.2.5 Metriche Aggregate

Oltre ai datapoint individuali (anonimizzati e aggregati), il sistema pre-computa metriche aggregate per università, ruolo, settore e geografia:

• Placement rate: % occupati a 6/12 mesi dalla laurea
• Time-to-employment: mediana giorni dalla laurea al primo impiego
• Career velocity: tempo mediano tra livelli di seniority
• Retention rate: % che rimane nello stesso settore a 3 anni
• Transition probability: P(ruolo B | ruolo A) con confidence interval

5.3 Flusso di Sincronizzazione

Il data layer di HR Trails viene alimentato attraverso una pipeline ETL (Extract-Transform-Load) con sincronizzazione incrementale per minimizzare latenza e costi computazionali.

5.3.1 Estrazione (Extract)

• Frequenza: incrementale giornaliera per profili attivi; full refresh settimanale
• Delta detection: identificazione di record modificati tramite hash comparison
• Rate limiting: rispetto dei limiti delle fonti per evitare blocchi

5.3.2 Trasformazione (Transform)

La fase di trasformazione applica una serie di operazioni di normalizzazione e arricchimento:

• Job title normalization: mapping di ~50.000 varianti verso ~500 ruoli standardizzati
• Company entity resolution: deduplicazione e linking di entità aziendali
• Skill extraction: NLP per estrazione skill da descrizioni testuali
• Proficiency scoring: calcolo score multi-fattore per ogni skill
• Compensation estimation: applicazione modello predittivo per stima RAL

5.3.3 Caricamento (Load)

• Upsert strategy: insert or update per gestire modifiche incrementali
• Index rebuild: aggiornamento indici ottimizzato (concurrent reindex)
• Materialized view refresh: ricalcolo aggregazioni post-load
• Cache invalidation: invalidazione selettiva cache Redis per dati modificati

5.3.4 Scheduling

5.4 Data Quality e Validation

La qualità dei dati è essenziale per generare insight affidabili. Il sistema effettua controlli automatici su ogni dato in ingresso.

5.4.1 Validation Rules

Ogni record viene verificato automaticamente:

• Campi obbligatori: controllo che tutti i dati richiesti siano presenti
• Valori plausibili: es. anni di esperienza tra 0 e 50
• Coerenza dei riferimenti: le aziende e università citate devono esistere nel sistema
• Sequenza temporale: le date devono essere in ordine logico (es. laurea prima del primo impiego)
• Eliminazione duplicati: identificazione e unione di record doppi

5.4.2 Quality Metrics

Il sistema monitora costantemente la qualità dei dati con soglie di allarme:

5.4.3 Anomaly Detection

Il sistema rileva automaticamente dati sospetti o incoerenti:

• Valori anomali: numeri troppo distanti dalla media (es. stipendio 10x la norma)
• Variazioni improvvise: cambiamenti insoliti nei pattern dei dati
• Combinazioni improbabili: es. ruolo di CEO a 22 anni

I record sospetti vengono segnalati per verifica manuale e, se confermati errati, esclusi dalle statistiche per mantenere l'affidabilità dei benchmark.

Capitolo 6Roadmap di Sviluppo

Lo sviluppo di HR Trails segue un approccio incrementale strutturato in tre fasi, ciascuna con obiettivi specifici e deliverable misurabili. Ogni fase costruisce sulle fondamenta della precedente, permettendo validazioni progressive del prodotto.

6.1 Fase 1: Design & User Experience

La prima fase è dedicata alla progettazione dell'esperienza utente e alla definizione dell'identità visiva del prodotto. L'obiettivo è creare tutti gli asset di design necessari per le fasi successive.

Output Fase 1

Al termine della Fase 1 saranno disponibili:

• Homepage pubblica online su hrtrails.net
• Wireframe navigabili dell'intera customer journey
• Mockup ad alta fedeltà di tutte le interfacce utente
• Documentazione del design system per lo sviluppo

6.2 Fase 2: Proof of Concept

La seconda fase trasforma i design della Fase 1 in un prodotto funzionante, collegato a un dataset di dimensioni limitate. L'obiettivo è validare l'esperienza utente e la fattibilità tecnica prima dell'integrazione con il database completo.

Output Fase 2

Al termine della Fase 2 sarà disponibile un prototipo funzionante che permette di:

• Navigare l'intera piattaforma con dati reali (dataset limitato)
• Testare tutti i flussi utente end-to-end
• Validare l'esperienza utente con utenti di test
• Identificare eventuali problemi tecnici prima della produzione

6.3 Fase 3: Production & Go-to-Market

La terza fase prepara la piattaforma per il lancio sul mercato, integrando il database completo fornito da SkillSherpa e implementando l'infrastruttura API necessaria per operare in produzione.

Output Fase 3

Al termine della Fase 3 la piattaforma sarà pronta per il go-to-market con:

• API completamente operative sul database SkillSherpa
• Piattaforma scalabile e performante per il traffico di produzione
• Infrastruttura sicura e conforme alle normative privacy
• Sistema di monitoring per garantire affidabilità e uptime

Appendice A: Glossario Datapoint

Questa appendice fornisce una descrizione dettagliata di tutti i datapoint disponibili nel sistema HR Trails, organizzati per categoria. Per ogni datapoint sono specificati: tipo di dato, formato, modalità di acquisizione e note d'uso.

A.1 Dati Anagrafici (Anonimizzati)

I dati anagrafici sono trattati in forma aggregata e anonimizzata. Non è possibile risalire all'identità di singoli individui attraverso la piattaforma.

A.2 Dati Educativi

A.3 Dati Professionali

A.4 Competenze

A.5 Compensi

A.6 Metriche Aggregate

Le seguenti metriche sono calcolate a livello aggregato (università, ruolo, settore) e non sono associate a singoli profili.