data-engineering-data-driven-feature
Datengesteuerte Features mit A/B-Tests entwickeln
Dieser Skill bietet einen umfassenden Workflow für die Entwicklung von Features, die durch datenbasierte Erkenntnisse, A/B-Tests und kontinuierliche Messung gesteuert werden, unter Verwendung spezialisierter KI-Agenten für Analyse, Implementierung und Experimentierung.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“data-engineering-data-driven-feature”。 Start data-driven feature for a new checkout flow optimization
预期结果:
Workflow-Plan: (1) EDA-Phase - aktuellen Konversions-Trichter analysieren, (2) Hypothese - 'Vereinfachter Checkout erhöht die Konversion um 5%', (3) Experiment-Design - 2-wöchiger Test, 10% Traffic, primäre Metrik: Checkout-Abschlussrate, (4) Analytics - track checkout_start, checkout_step_complete, checkout_abandon, (5) Architektur - LaunchDarkly Feature Flag, schrittweiser Rollout beginnend bei 5%
正在使用“data-engineering-data-driven-feature”。 Design experiment for recommendation algorithm change
预期结果:
Statistisches Design: Erforderliche Stichprobengröße 50.000 Nutzer pro Variante für 80% Power, um 2% Verbesserung zu erkennen. Primäre Metrik: Klickrate, Guardrail-Metriken: Latenz, Fehlerrate. Randomisierung: user_id-Hash. Analyse: zweiseitiger t-Test mit Bonferroni-Korrektur für multiple Metriken.
安全审计
安全All 16 static findings are false positives. The skill is a legitimate data engineering workflow orchestrating specialized agents for data analysis, hypothesis development, A/B testing, and statistical analysis. No external commands, cryptographic algorithms, or malicious code patterns are present.
高风险问题 (1)
中风险问题 (1)
质量评分
你能构建什么
Produktmanager plant Experimente
Produktmanager verwenden diesen Workflow, um datengesteuerte Feature-Launches mit korrektem Experiment-Design, Definition von Erfolgsmetriken und statistischer Gründlichkeit zu planen.
Datenwissenschaftler strukturiert Analyse
Datenwissenschaftler folgen diesem Workflow, um A/B-Tests zu strukturieren, Hypothesen mit ICE- oder RICE-Scoring zu definieren und korrekte statistische Analysen durchzuführen.
Ingenieur implementiert Feature Flags
Backend-Ingenieure verwenden diesen Workflow, um Feature Flags zu implementieren, schrittweise Rollouts zu konfigurieren und von Anfang an eine korrekte Analytics-Instrumentierung einzurichten.
试试这些提示
Use the data-engineering-data-driven-feature skill to help me plan a new feature. The feature is: [describe your feature idea]. I want to validate it with A/B testing and measure its impact on [key business metric].
I need to design an A/B test for [feature name]. Help me create a statistical experiment design including sample size calculation, success metrics, and guardrail metrics. Target metric is [metric], expected improvement is [percentage].
Help me design comprehensive analytics instrumentation for [feature]. I need to track user interactions including [list events]. Recommend event schemas and properties for segmentation in [Amplitude/Mixpanel/Segment].
Our A/B test for [feature] has completed with [sample size] users over [time period]. Treatment showed [results]. Help me perform statistical analysis, calculate significance, and assess business impact.
最佳实践
- Erfolgsmetriken und Guardrail-Metriken vor Beginn der Entwicklung definieren, um p-Hacking zu vermeiden
- Schrittweise Rollouts bei 5-10% Traffic beginnen und Fehlerraten überwachen, bevor sie erhöht werden
- Experimente für vollständige wöchentliche Zyklen durchführen, um Wochentagseffekte zu berücksichtigen
- Alle Entscheidungen und Erkenntnisse für zukünftige Feature-Entwicklungszyklen dokumentieren
避免
- Experimente ohne vorab definierte Erfolgskriterien durchführen und Entscheidungen ad-hoc treffen
- Mit vollem Traffic-Rollout beginnen anstatt schrittweisem Rollout, was weitverbreitete Probleme riskiert
- Guardrail-Metriken ignorieren und Änderungen deployen, die die Benutzererfahrung verschlechtern
- Experimente vorzeitig beenden, wenn Ergebnisse vielversprechend aussehen, ohne korrekte statistische Power