4-GalileuProjecteQuether

Inspiration

La nostra inspiració va sorgir de la frustració generalitzada en la redistribució del talent. Vam observar que els mètodes actuals per a solventar-ho eren ineficients, lents i propensos a errors. Es per això que "4-GalileuProjecteQuether" ofereix una solució.

What it does

El Talent Gap Analyzer és una aplicació web (Streamlit) que permet a les empreses analitzar el seu talent actual en relació amb els rols futurs definits.

Calcula el Gap Score: Genera una mètrica unificada (entre 0.0 i 1.0) entre cada empleat i cada rol futur, basant-se en Habilitats, Responsabilitats, Ambició i Dedicació.
Anàlisi Visual: Presenta la distribució de talent per departament i els detalls dels pilars del gap per a cada empleat.
Assignació Òptima: Utilitza l'algorisme de Matching Bipartit de Kuhn per trobar la millor assignació d'empleats a places futures, ja sigui per garantir la cobertura total o per maximitzar la suma total dels gap scores.

How we built it

Vam utilitzar un stack de Python modern i especialitzat per a la gestió de dades i la interfície.
Backend / Lògica: Python (amb Pandas per a la manipulació de dades), implementant funcions per al càlcul de Jaccard Similarity (per a responsabilitats) i l'algorisme d'emparellament màxim (Max Bipartite Matching) de Kuhn per a la reassignació òptima del talent.
Frontend / Interfície: Streamlit per a crear una aplicació web interactiva a partir de Python.
Visualització: Plotly Express i Plotly Graph Objects per generar gràfics de correlació, distribucions de capítols i visualitzacions detallades del gap score.

Challenges we ran into

El repte més gran va ser la complexitat de l'algorisme de *matching*.

Lògica de Matching Òptim: Implementar l'algorisme de Kuhn (basat en DFS/flux màxim) per trobar el llindar màxim on encara és possible cobrir totes les places (maximize_threshold_cover), requerint una cerca binària i una lògica d'indexació molt acurada.
Normalització de Dades: L'homologació d'habilitats entre el CSV d'empleats i l'estructura de skills de la configuració (el CROSSWALK al codi) va ser crucial per a un càlcul precís de la coincidència.
Gestió de la Interfície: Mantenir l'estat de les càrregues de fitxers i les opcions de selecció de l'usuari amb Streamlit, assegurant que l'aplicació fos reactiva sense recarregar dades innecessàriament. ## Accomplishments that we're proud of Estem molt orgullosos d'haver aconseguit un model que combina múltiples dimensions del talent en una única mètrica composta:

Algorisme de Cobertura Únic: La funcionalitat de "Cobrir totes les places (llindar màxim possible)" (funció maximize_threshold_cover) és un èxit, ja que proporciona a l'empresa un llindar mínim de qualitat garantint la cobertura de totes les necessitats.
Anàlisi per Piles: La visualització clara dels quatre pilars (Skills, Responsabilitats, Ambició, Dedicació) permet a l'usuari identificar amb precisió els punts forts i les llacunes de cada empleat respecte a un rol futur.

What we learned

A nivell tècnic, vam aprendre a implementar algorismes de teoria de grafs (com el matching bipartit) utilitzant lògica purament Python i Pandas per resoldre problemes d'assignació del món real. També vam aprofundir en:
Manipulació de Dades JSONish: Tractar columnes amb cadenes JSON semi-estructurades dins de fitxers CSV (_parse_jsonish).
Enginyeria de *Features*: La importància de normalitzar text i crear mapatges d'habilitats per garantir la coherència dels càlculs.

What's next for 4-GalileuProjecteQuether

El nostre full de ruta inclou diverses millores per a l'eina:

Estratègia de Desenvolupament (L&D): Afegir una secció que mostri els gaps més grans a nivell de chapter per suggerir plans de formació prioritaris.
Integració de Dades: Implementar la càrrega de dades via API per no dependre exclusivament dels fitxers locals.