스킬 senior-data-scientist

📊

senior-data-scientist

Name: senior-data-scientist
Author: alirezarezvani

안전 🌐 네트워크 접근⚙️ 외부 명령어

Experimente entwerfen und prädiktive Modelle erstellen

또한 다음에서 사용할 수 있습니다: davila7

Entwerfen Sie rigorose A/B-Tests und Experimente mit korrekter Power-Analyse. Erstellen Sie produktionsreife prädiktive Modelle mit bewährten Feature-Engineering-Techniken und Machine-Learning-Frameworks.

지원: Claude Codex Code(CC)

🥈 77 실버

스킬 ZIP 다운로드

Claude에서 업로드

설정 → 기능 → 스킬 → 스킬 업로드로 이동

토글을 켜고 사용 시작

테스트해 보기

"senior-data-scientist" 사용 중입니다. Help me design an A/B test for a new checkout flow

예상 결과:

Stichprobengröße: 10.000 Nutzer pro Variante bei 80 % Power und 5 % Signifikanz
Primäre Metrik: Conversion-Rate bis zum abgeschlossenen Kauf
Sekundäre Metriken: Durchschnittlicher Bestellwert und Warenkorbabbruchrate
Empfohlene Dauer: 2 Wochen mit vollständiger Traffic-Allokation

"senior-data-scientist" 사용 중입니다. How do I engineer features for customer churn prediction?

예상 결과:

Recency-Frequency-Monetary (RFM)-Features aus der Transaktionshistorie
Zeitbasierte Features: Tage seit dem letzten Kauf und Kontenalter
Verhaltensfeatures: Login-Häufigkeit und Muster der Feature-Nutzung
Nutze Target-Encoding für kategoriale Variablen mit hoher Kardinalität

"senior-data-scientist" 사용 중입니다. What metrics should I track in my A/B test?

예상 결과:

Definiere eine primäre Metrik, die direkt mit den Geschäftszielen übereinstimmt
Füge 2–3 sekundäre Metriken hinzu, um unbeabsichtigte Effekte zu erkennen
Schließe Guard-Metrics ein, um Metrikmanipulation zu verhindern
Berücksichtige Frühindikatoren für erste Signale

보안 감사

안전

v3 • 1/16/2026

All 74 static findings are false positives. Scanner misinterpreted markdown headings (# symbol) as weak cryptographic algorithms, bash code examples as command injection, and documentation references as C2/network reconnaissance. The skill contains legitimate data science documentation and Python boilerplate for experiment design, feature engineering, and model evaluation. No actual cryptographic implementations, subprocess calls, or network operations exist.

스캔된 파일

1,027

분석된 줄 수

발견 사항

총 감사 수

위험 요인

🌐 네트워크 접근 (1)

skill-report.json:6

⚙️ 외부 명령어 (10)

SKILL.md:14-23 SKILL.md:23-54 SKILL.md:54-65 SKILL.md:65-75 SKILL.md:75-167 SKILL.md:167-185 SKILL.md:185-189 SKILL.md:189-190 SKILL.md:190-191 SKILL.md:191-192

감사자: claude 감사 이력 보기 →

품질 점수

아키텍처

100

유지보수성

콘텐츠

커뮤니티

100

보안

사양 준수

만들 수 있는 것

A/B-Tests entwerfen

Statistisch valide Experimente entwerfen, um Produktänderungen und Feature-Releases zu messen.

ML-Pipelines erstellen

Produktionsreife Feature-Engineering-Workflows und Modellbewertungs-Frameworks erstellen.

Ergebnisse analysieren

Statistische Ergebnisse interpretieren und Erkenntnisse klar an Stakeholder kommunizieren.

이 프롬프트를 사용해 보세요

Experiment entwerfen

Hilf mir, einen A/B-Test für mein Produktfeature zu entwerfen. Ich muss die Stichprobengröße, Erfolgsmetriken und Anforderungen an die statistische Power bestimmen.

Feature Engineering

Überprüfe meinen Datensatz und schlage Feature-Engineering-Techniken für mein Vorhersageziel vor. Berücksichtige den Umgang mit fehlenden Werten und kategorialen Variablen.

Modellbewertung

Bewerte mein Machine-Learning-Modell, das auf meinen Daten trainiert wurde. Schlage geeignete Metriken, Cross-Validation-Strategien und potenzielle Verbesserungen vor.

Kausalanalyse

Analysiere mein Geschäftsszenario, um Kausalzusammenhänge zu bestimmen. Identifiziere Störvariablen und empfehle geeignete Inferenzmethoden.

모범 사례

Definiere stets Erfolgsmetriken und sekundäre Metriken, bevor ein Experiment startet
Verwende geschichtete Stichproben, um ausgewogene Behandlungsgruppen über wichtige Segmente hinweg sicherzustellen
Dokumentiere alle Annahmen und führe eine Sensitivitätsanalyse der Power-Berechnungen durch

피하기

Experimente ohne ordnungsgemäße Power-Analyse führen zu nicht schlüssigen Ergebnissen
Mehrere Erfolgsmetriken verwenden, ohne die False-Discovery-Rate anzupassen
Neuheitseffekte oder saisonale Muster beim Timing von Experimenten ignorieren

자주 묻는 질문

Welche Stichprobengröße benötige ich für meinen A/B-Test?

Berechne sie mit einer Power-Analyse auf Basis der erwarteten Effektgröße, der Basis-Conversion-Rate, der gewünschten Power (typischerweise 80 %) und des Signifikanzniveaus (typischerweise 5 %).

Wie gehe ich mit kategorialen Features mit hoher Kardinalität um?

Verwende Target-Encoding, Frequency-Encoding oder embedding-basierte Methoden. Vermeide One-Hot-Encoding für Variablen mit vielen eindeutigen Werten.

Welche Metriken sollte ich in einem A/B-Test verfolgen?

Definiere eine primäre Metrik, die mit den Geschäftszielen übereinstimmt, plus 2–3 sekundäre Metriken. Schütze dich vor Metrikmanipulation und False-Discovery.

Wann sollte ich Kausalinferenz gegenüber Korrelationsanalyse verwenden?

Nutze Kausalinferenz, wenn du echte Interventionseffekte verstehen willst. Korrelationsanalyse eignet sich für Vorhersagen, stellt aber keine Kausalität her.

Wie verhindere ich Data Leakage beim Feature Engineering?

Wende Transformationen getrennt auf Trainings- und Testsets an. Berechne Statistiken wie den Mittelwert nur auf Trainingsdaten, bevor du Testdaten transformierst.

Wie lange sollte ich meinen A/B-Test laufen lassen?

Laufe bis zur berechneten Stichprobengröße und berücksichtige vollständige Geschäftszyklen (typischerweise 1–2 Wochen), um Wochentagseffekte abzudecken.