Habilidades data-engineering-data-driven-feature
📊

data-engineering-data-driven-feature

Seguro

Desarrollo de Funciones Impulsadas por Datos con Pruebas A/B

Esta habilidad proporciona un flujo de trabajo integral para desarrollar funciones guiadas por información de datos, pruebas A/B y medición continua utilizando agentes de IA especializados para análisis, implementación y experimentación.

Soporta: Claude Codex Code(CC)
📊 69 Adecuado
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "data-engineering-data-driven-feature". Start data-driven feature for a new checkout flow optimization

Resultado esperado:

Plan del flujo de trabajo: (1) Fase de EDA - analizar el embudo de conversión actual, (2) Hipótesis - 'El checkout simplificado aumentará la conversión en un 5%', (3) Diseño del experimento - prueba de 2 semanas, 10% del tráfico, métrica principal: tasa de finalización de checkout, (4) Análisis - rastrear checkout_start, checkout_step_complete, checkout_abandon, (5) Arquitectura - feature flag de LaunchDarkly, despliegue gradual comenzando en 5%

Usando "data-engineering-data-driven-feature". Design experiment for recommendation algorithm change

Resultado esperado:

Diseño estadístico: Tamaño de muestra requerido 50,000 usuarios por variante para 80% de potencia para detectar mejora del 2%. Métrica principal: tasa de clics, Métricas de salvaguarda: latencia, tasa de error. Aleatorización: hash de user_id. Análisis: prueba t de dos colas con corrección Bonferroni para múltiples métricas.

Auditoría de seguridad

Seguro
v1 • 2/24/2026

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.

1
Archivos escaneados
185
Líneas analizadas
2
hallazgos
1
Auditorías totales

Problemas de riesgo alto (1)

SKILL.md:3SKILL.md:44SKILL.md:47-48SKILL.md:50SKILL.md:54-55SKILL.md:58SKILL.md:61SKILL.md:67SKILL.md:74SKILL.md:100
Weak Cryptographic Algorithm Detection (False Positive)
Static scanner incorrectly flagged 'Bayesian', 'LaunchDarkly', 'Snowflake', 'BigQuery', and similar terms as weak cryptographic algorithms. These are legitimate statistical methods (Bayesian statistics) and cloud services (feature flags, data warehouses). No cryptographic code exists in this file.
Problemas de riesgo medio (1)
SKILL.md:29SKILL.md:140-163
External Command Execution Detection (False Positive)
Static scanner detected backticks and flagged as shell command execution. These are markdown code fences and inline code references in documentation, not actual shell commands.
Auditado por: claude

Puntuación de calidad

38
Arquitectura
100
Mantenibilidad
87
Contenido
31
Comunidad
90
Seguridad
91
Cumplimiento de la especificación

Lo que puedes crear

Gerente de Producto Planificando Experimentos

Los gerentes de producto utilizan este flujo de trabajo para planificar lanzamientos de funciones impulsados por datos con diseño adecuado de experimentos, definición de métricas de éxito y rigor estadístico.

Científico de Datos Estructurando Análisis

Los científicos de datos siguen este flujo de trabajo para estructurar pruebas A/B, definir hipótesis con puntuación ICE o RICE y realizar análisis estadístico adecuado.

Ingeniero Implementando Feature Flags

Los ingenieros backend utilizan este flujo de trabajo para implementar feature flags, configurar despliegues graduales y establecer instrumentación analítica adecuada desde el inicio.

Prueba estos prompts

Iniciar Función Basada en Datos 
Use la habilidad data-engineering-data-driven-feature para ayudarme a planificar una nueva función. La función es: [describe your feature idea]. Quiero validarla con pruebas A/B y medir su impacto en [key business metric].
Diseñar Experimento 
Necesito diseñar una prueba A/B para [feature name]. Ayúdame a crear un diseño de experimento estadístico que incluya cálculo del tamaño de muestra, métricas de éxito y métricas de salvaguarda. La métrica objetivo es [metric], la mejora esperada es [percentage].
Planificar Instrumentación Analítica 
Ayúdame a diseñar instrumentación analítica integral para [feature]. Necesito rastrear interacciones de usuario incluyendo [list events]. Recomienda esquemas de eventos y propiedades para segmentación en [Amplitude/Mixpanel/Segment].
Analizar Resultados de Pruebas 
Nuestra prueba A/B para [feature] ha finalizado con [sample size] usuarios durante [time period]. El tratamiento mostró [results]. Ayúdame a realizar análisis estadístico, calcular significancia y evaluar el impacto comercial.

Mejores prácticas

  • Define métricas de éxito y métricas de salvaguarda antes de comenzar el desarrollo para evitar p-hacking
  • Comienza los despliegues graduales con 5-10% del tráfico y monitorea las tasas de error antes de aumentar
  • Ejecuta experimentos durante ciclos semanales completos para considerar los efectos del día de la semana
  • Documenta todas las decisiones y aprendizajes para futuros ciclos de desarrollo de funciones

Evitar

  • Ejecutar experimentos sin criterios de éxito predefinidos y tomar decisiones de forma ad-hoc
  • Comenzar con despliegue de tráfico completo en lugar de despliegue gradual arriesgando problemas generalizados
  • Ignorar las métricas de salvaguarda y desplegar cambios que perjudican la experiencia del usuario
  • Finalizar experimentos antes de tiempo cuando los resultados parecen prometedores sin potencia estadística adecuada

Preguntas frecuentes

¿Qué herramientas de IA soportan esta habilidad?
Esta habilidad funciona con Claude, Codex y Claude Code. Proporciona prompts y flujos de trabajo que estas herramientas de IA ejecutan para ayudar con el desarrollo impulsado por datos.
¿Necesito plataformas de análisis externas?
Sí, esta habilidad recomienda plataformas como Amplitude, Mixpanel, Segment, LaunchDarkly o Split.io. Estas deben estar configuradas por separado en tu infraestructura.
¿Puede esta habilidad analizar mis datos reales?
No, esta habilidad genera orientación, prompts y planes. No tiene acceso a tus sistemas de datos. Necesitarás ejecutar los planes generados con tu equipo de datos.
¿Cuánto tiempo debo ejecutar una prueba A/B?
Las pruebas deben ejecutarse durante al menos un ciclo semanal completo (7 días) para considerar la variación por día de la semana. La mayoría de los experimentos se ejecutan de 1 a 4 semanas dependiendo del tamaño de muestra requerido.
¿Qué métodos estadísticos se utilizan?
La habilidad soporta enfoques tanto frecuentistas (pruebas t, chi-cuadrado) como bayesianos. Los métodos bayesianos pueden proporcionar toma de decisiones más rápida con interpretaciones probabilísticas.
¿Es adecuado para pruebas A/B de modelos de ML?
Sí, la Fase 9 cubre la integración de modelos de ML incluyendo inferencia en línea, pruebas A/B entre versiones de modelos, seguimiento del rendimiento y detección de deriva.

Detalles del desarrollador

Autor

sickn33

Licencia

MIT

Repositorio

https://github.com/sickn33/antigravity-awesome_skills/tree/main/skills/data-engineering-data-driven-feature

Ref.

main

Estructura de archivos

📄 SKILL.md