Clustering di grafi e modelli predittivi per l’analisi della personalità e delle competenze basata su DISC

Perché i dati del tuo luogo di lavoro raccontano una storia

La maggior parte delle organizzazioni raccoglie montagne di informazioni sulle persone: risultati di test di personalità, competenze, ruoli e persino stress auto-riferito. Questo studio mostra come quei dati sparsi possano essere tessuti in una mappa di somiglianze tra dipendenti, rivelando gruppi nascosti e indizi su chi potrebbe sentirsi sotto pressione al lavoro. Si concentra sul popolare modello di personalità DISC e pone una domanda semplice ma importante: fino a che punto possiamo arrivare dalle rilevazioni sullo stile di personalità a intuizioni utili e basate sui dati su stress e bisogni del team — e dove si collocano i limiti?

Dai codici colore ai modelli di connessione

I ricercatori partono dal DISC, un modello che raggruppa le persone per stili comportamentali generali come essere più determinati, orientati alle persone, stabili o attenti ai dettagli. In un’organizzazione universitaria, 195 dipendenti avevano completato una valutazione basata su DISC che valutava anche 17 competenze legate al lavoro, elencava punti di forza e tratti più deboli e registrava il loro livello di stress. Piuttosto che trattare questi profili come punteggi isolati, il team ha considerato ogni dipendente come un punto in una rete, dove la vicinanza tra due persone dipende da quanto sono simili in competenze, ruoli e tratti.

Costruire una mappa di chi è simile a chi

Per disegnare questa rete, gli autori hanno combinato tre tipi di somiglianza. Hanno misurato quanto le persone erano simili nelle valutazioni delle competenze, quante informazioni organizzative coincidevano (come unità o tipo di attività) e quanto si sovrapponevano nelle descrizioni dei tratti. Questi tre ingredienti sono stati fusi in un unico punteggio di similarità per ogni coppia di dipendenti. Ciascuna persona è stata poi collegata ai colleghi più simili, formando una rete in cui i collegamenti più spessi indicano maggiore somiglianza. Un algoritmo di rilevamento delle comunità ha cercato in questa rete cluster naturali — gruppi di persone più strettamente connesse tra loro che con il resto dell’organizzazione.

Gruppi nascosti e la loro composizione di stress

La rete risultante era tutt’altro che casuale. Il metodo ha scoperto sei comunità di dipendenti, ognuna con una propria combinazione di stili DISC e livelli di stress. Alcuni gruppi contenevano molti tipi “organizzatori” o “analisti”, mentre altri erano più misti. Lo studio ha rilevato che questi cluster differivano anche nella frequenza dei vari livelli di stress, suggerendo che combinazioni di stile comportamentale, competenze e contesto di ruolo tendono a viaggiare insieme. Questo offre un modo per i team delle risorse umane di pensare a interventi a livello di gruppo, come formazione mirata o revisione del carico di lavoro per cluster specifici, invece di concentrarsi solo su singoli isolati.

Provare a prevedere lo stress dai profili

Gli autori sono poi passati dalla mappatura alla previsione. Usando un metodo di machine learning popolare chiamato random forest, hanno provato a indovinare la categoria di stress di ciascun dipendente (basso, medio, alto o alto chiaramente legato al lavoro) a partire dal loro tipo DISC, competenze, tratti e dettagli organizzativi. Il modello ha fatto meglio del puro caso, ma non tanto quanto una strategia molto semplice di predire sempre la classe di maggioranza, che era lo stress basso. In altre parole, c’è qualche segnale nei dati di personalità e competenza, ma gran parte di ciò che determina lo stress sembra risiedere altrove — come scadenze variabili, eventi di vita personali o relazioni di team in evoluzione che non sono stati catturati in questo sondaggio una tantum.

Cosa guida davvero la pressione sul lavoro

Anche con i suoi limiti, il modello predittivo ha evidenziato alcuni schemi significativi. Le valutazioni delle competenze collegate agli obiettivi di vendita e alle relazioni con i clienti sono risultate tra gli input più importanti quando l’algoritmo ha cercato di separare i diversi livelli di stress. Questo concorda con l’esperienza comune: ruoli in cui risultati e contatto con i clienti sono centrali spesso comportano pressione aggiuntiva. Lo studio ha anche eseguito un esercizio separato per “predire” etichette di gruppi di competenze ottenendo punteggi quasi perfetti — ma qui le etichette target erano essenzialmente costruite dalle stesse informazioni usate come input, un esempio classico di perdita di informazione che appare impressionante sulla carta ma non si generalizza.

Perché questo conta per le persone e i team

Per un lettore generale, il messaggio chiave è che test di personalità e competenze possono fare più che inserire una persona in una casella con una lettera; se combinati con cura, possono rivelare come ci si colloca nel tessuto più ampio del luogo di lavoro. Allo stesso tempo, questo studio mette in guardia contro l’eccessiva fiducia: lo stress non è qualcosa che possiamo leggere in modo affidabile da una tabella della personalità. Le mappe di similarità in stile rete possono aiutare le organizzazioni a individuare gruppi significativi e pensare a formazione o equilibrio tra i team, ma decisioni serie sul benessere richiedono informazioni più ricche e continue e, soprattutto, conversazioni umane dirette.

Citazione: Samanta, S., Allahviranloo, T., Mrsic, L. et al. Graph clustering and prediction models for DISC-based personality and competency analysis. Sci Rep 16, 10186 (2026). https://doi.org/10.1038/s41598-026-41013-4

Parole chiave: stress sul lavoro, valutazione della personalità, dinamiche di team, analitica organizzativa, competenze dei dipendenti