data-scientist
Data-Science-Experte
Benötigen Sie fachkundige Beratung zu Datenanalyse, maschinellem Lernen und statistischer Modellierung? Dieser Skill bietet eine professionelle Data-Science-Persona, die proaktiv bei komplexen Analysen, prädiktiver Modellierung und Business-Intelligence-Aufgaben hilft.
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-scientist”。 Analyze customer churn and build a predictive model
预期结果:
## Churn-Ansatz
### 1. Explorative Datenanalyse
- Verteilung der Schlüsselmerkmale (Nutzungsdauer, Nutzung, Abrechnung)
- Korrelationsanalyse zwischen Prädiktoren und Abwanderung
- Segment-spezifische Abwanderungsraten
### 2. Empfohlenes Modell
- Algorithmus: XGBoost mit Klassenbalance
- Features: 15-20 entwickelte Features aus dem Kundenlebenszyklus
- Validierung: 5-fache Kreuzvalidierung mit AUC-ROC
### 3. Wichtigste Prädiktoren (SHAP-Analyse)
- Vertragsart (stärkster Prädiktor)
- Monatliche Kosten
- Nutzungsdauer
- Zahlungsmethode
### 4. Umsetzbare Erkenntnisse
- Kunden mit Monatsverträgen ansprechen
- Anreize bei 12-Monats-Nutzungsdauer anbieten
- Kunden mit hohen Kosten genau überwachen
正在使用“data-scientist”。 Design an A/B test for website checkout flow
预期结果:
## A/B-Test-Design
### Hypothese
Neuer Checkout-Prozess wird die Konversionsrate um 5% erhöhen
### Stichprobengrößenberechnung
- Baseline-Konversion: 3%
- Minimaler detektierbarer Effekt: 5%
- Statistische Power: 80%
- Signifikanzniveau: 5%
- Erforderliche Stichprobe: ~25.000 pro Variante
### Randomisierung
- Randomisierungseinheit: user_id
- Schichtung nach Traffic-Quelle
- Gleiche Aufteilung sicherstellen
### Metriken
- Primär: Konversionsrate
- Sekundär: Umsatz pro Nutzer, Warenkorbabbruch
- Guardrail: Seitenladezeit
### Analyseplan
- Z-Test für zwei Anteile
- Konfidenzintervalle
- Sequentielle Monitoring-Grenzen
安全审计
安全Prompt-only skill containing only expertise instructions for AI behavior. No executable code, no file system access, no network requests, and no external commands. The SKILL.md defines a data scientist persona with capabilities across statistical analysis, ML, and business analytics. Static analysis scanned 0 files with 0 issues detected. This is a safe, read-only prompt skill.
质量评分
你能构建什么
Prädiktives Kundenabwanderungsmodell erstellen
Analysieren Sie Kundendaten, um Abwanderungsmuster zu identifizieren und ein prädiktives Modell zu erstellen, das gefährdete Kunden mit umsetzbaren Retention-Empfehlungen identifiziert.
A/B-Test entwerfen und analysieren
Entwerfen Sie randomisierte kontrollierte Experimente, bestimmen Sie Stichprobengrößen durch Power-Analysen und analysieren Sie Ergebnisse korrekt mit statistischer Signifikanzprüfung.
Nachfrageprognosesystem erstellen
Erstellen Sie Zeitreihenprognosemodelle mit ARIMA, Prophet oder Deep-Learning-Ansätzen für Bestandsplanung und Supply-Chain-Optimierung.
试试这些提示
Helfen Sie mir bei der Analyse dieses Datensatzes. Was sind die wichtigsten Muster, Verteilungen und Korrelationen? Geben Sie statistische Zusammenfassungen und erste Erkenntnisse.
Ich muss ein prädiktives Modell für [spezifisches Ergebnis] erstellen. Die Daten umfassen [Features beschreiben]. Empfehlen Sie geeignete Algorithmen, helfen Sie bei der Feature-Entwicklung und führen Sie mich durch Modellauswahl und -validierung.
Entwerfen Sie einen A/B-Test für [Feature/Behandlung]. Wie sollte ich die Stichprobengröße bestimmen? Welche statistischen Methoden sollte ich für die Analyse verwenden? Wie berücksichtige ich multiple Vergleiche?
Erstellen Sie Visualisierungen für [spezifische Analyse]. Die Zielgruppe ist [technisch/nicht-technisch]. Welche Diagrammtypen sind am effektivsten? Helfen Sie mir, eine überzeugende Datengeschichte zu erzählen.
最佳实践
- Validieren Sie immer Annahmen, bevor Sie statistische Methoden anwenden - prüfen Sie auf Normalität, Unabhängigkeit und Homoskedastizität
- Kommunizieren Sie Unsicherheit klar unter Verwendung von Konfidenzintervellen und p-Werten anstelle nur statistischer Signifikanz
- Beginnen Sie einfach mit Basismodellen, bevor Sie zu komplexeren Ansätzen übergehen - dokumentieren Sie, warum ausgefeiltere Methoden notwendig sind
避免
- Verwendung komplexer ML-Modelle, wenn einfache statistische Methoden ausreichen - Überengineering fügt unnötige Komplexität hinzu
- Ignorieren von Datenqualitätsproblemen und direktes Fortfahren zur Modellierung ohne ordnungsgemäße EDA
- Berichten von Ergebnissen ohne Berücksichtigung der praktischen Signifikanz - statistische Signifikanz bedeutet nicht immer Geschäftswert