Case Study — Teste de Perfil
Versão: 1.0
Status: Aprovado
Última atualização: 2026-07-03
Tipo: Projeto anterior (documentação narrativa, sem código)
1. Problema
Processos de recrutamento técnico frequentemente avaliam candidatos de forma homogênea, sem considerar perfis cognitivos e preferências de trabalho. Testes técnicos tradicionais medem conhecimento, mas não aptidão para papéis específicos (liderança técnica, especialista, generalista, arquiteto). Empresas e candidatos se frustravam com mismatches de perfil que só apareciam meses após a contratação.
2. Objetivo
Desenvolver uma plataforma de avaliação de perfil profissional que combine questionário psicométrico adaptativo com análise de competências técnicas, gerando relatórios de fit cultural e técnico para candidatos e recrutadores.
3. Arquitetura
3.1 Visão geral
Teste de Perfil adotou arquitetura modular com engine de regras para scoring adaptativo.
┌──────────────┐ ┌──────────────────────────────────┐
│ Web Client │────►│ API Server │
│ (React) │ │ ┌────────┐ ┌────────┐ ┌───────┐ │
└──────────────┘ │ │ Auth │ │ Test │ │Report │ │
│ │ Module │ │ Engine │ │Engine │ │
│ └────────┘ └────────┘ └───────┘ │
└──────────┬───────────────────────┘
│
┌──────────▼──────────┐
│ PostgreSQL │
│ (users, tests, │
│ results, rules) │
└─────────────────────┘3.2 Módulos
| Módulo | Responsabilidade |
|---|---|
| Auth | Registro, login, perfis de candidato e recrutador |
| Test Engine | Aplicação de questionários, scoring adaptativo |
| Report Engine | Geração de relatórios PDF e visualizações |
| Admin | Gestão de questionários, regras e benchmarks |
4. Fluxo principal
4.1 Avaliação de candidato
1. Candidato recebe link de convite (ou acessa plataforma)
2. Registra-se e inicia avaliação
3. Test Engine apresenta blocos de questões:
- Bloco 1: Preferências de trabalho (escala Likert)
- Bloco 2: Cenários situacionais (múltipla escolha)
- Bloco 3: Autoavaliação de competências técnicas
- Bloco 4: Questões adaptativas baseadas em respostas anteriores
4. Scoring engine calcula perfil em tempo real
5. Adapta blocos subsequentes baseado em respostas (adaptive testing)
6. Ao finalizar, Report Engine gera:
- Perfil primário (Especialista, Generalista, Líder, Inovador)
- Radar chart de competências
- Fit score para roles predefinidos
- Recomendações de desenvolvimento
7. Recrutador acessa dashboard comparativo
4.2 Scoring adaptativo
- Cada resposta atualiza scores parciais em dimensões (liderança, técnica, colaboração, autonomia, inovação)
- Blocos adaptativos selecionam questões que maximizam informação nas dimensões com maior incerteza
- Algoritmo baseado em Item Response Theory (IRT) simplificado
5. Tecnologias
| Camada | Tecnologia |
|---|---|
| Backend | Node.js, TypeScript, NestJS |
| Frontend | React, TypeScript, D3.js (radar charts) |
| Banco de dados | PostgreSQL |
| PDF Generation | Puppeteer |
| Autenticação | JWT + invite tokens |
| Deploy | Docker, AWS ECS |
| Testes | Jest, Cypress |
6. Responsabilidades
| Componente | Responsabilidade |
|---|---|
| Auth Module | Identidade, convites, roles (candidato/recrutador) |
| Test Engine | Fluxo de questionário, adaptive logic, scoring |
| Report Engine | Geração de relatórios, visualizações, exportação |
| Admin Module | CRUD de questões, regras de scoring, benchmarks |
| PostgreSQL | Persistência de testes, resultados, configurações |
7. Desafios
7.1 Validação psicométrica
Scores precisavam ter validade estatística sem equipe de psicometria dedicada.
7.2 Adaptive testing em tempo real
Selecionar próximas questões com latência < 200ms exigia pré-computação de information curves.
7.3 Geração de PDF com visualizações
Radar charts e gráficos precisavam renderizar consistentemente em PDF.
7.4 Viés de resposta
Candidatos tendiam a responder de forma socialmente desejável, inflando scores.
8. Soluções
| Desafio | Solução |
|---|---|
| Validação psicométrica | Calibração com 200 respondentes piloto; Cronbach's alpha > 0.7 para todas dimensões |
| Adaptive testing | Pré-computação de information matrix por questão; lookup O(1) |
| PDF generation | Puppeteer renderiza React components; cache de templates |
| Viés de resposta | Questões de validação (faking good detection); normalização de scores |
9. Resultados
| Métrica | Resultado |
|---|---|
| Tempo médio de avaliação | 18 minutos |
| Consistência test-retest | 0.82 (correlação) |
| Satisfação de candidatos | 4.2/5 |
| Redução de turnover em 6 meses (empresas piloto) | 25% |
| Precisão de fit (validado com performance 6 meses) | 71% |
| Avaliações completadas vs iniciadas | 78% |
10. Lições aprendidas
1. Adaptive testing melhora experiência — Candidatos preferem testes mais curtos e relevantes, mesmo sem saber que é adaptativo.
2. Visualização é o deliverable — Radar chart e relatório PDF eram mais valorizados que score numérico.
3. Calibração é contínua — Scores precisam recalibração periódica com novos respondentes.
4. Invite flow importa — Taxa de conclusão subiu 30% com convite personalizado vs link genérico.
5. Separar técnico de comportamental — Misturar questões técnicas e psicométricas no mesmo bloco confundia candidatos.
11. Relação com NovaDesk
Conceitos do Teste de Perfil que informam o NovaDesk:
- Engine de regras como padrão (SLA policies no HelpDesk)
- Relatórios e visualizações (Analytics Dashboard)
- Adaptive UI baseada em contexto (role-based views no Admin Portal)
- Invite flow (convite de usuários no Admin Portal)
- PDF/CSV export (Analytics export)
- Scoring e métricas de negócio (Analytics API)