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.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "data-scientist". Analyze customer churn and build a predictive model
النتيجة المتوقعة:
## 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
استخدام "data-scientist". Design an A/B test for website checkout flow
النتيجة المتوقعة:
## 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
التدقيق الأمني
آمنPrompt-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.
درجة الجودة
ماذا يمكنك بناءه
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.
جرّب هذه الموجهات
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.
أفضل الممارسات
- 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
تجنب
- 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