data-engineering-data-driven-feature
Créer des fonctionnalités pilotées par les données avec les tests A/B
Cette compétence fournit un flux de travail complet pour créer des fonctionnalités guidées par les analyses de données, les tests A/B et la mesure continue à l'aide d'agents IA spécialisés pour l'analyse, la mise en œuvre et l'expérimentation.
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”。 Démarrer une fonctionnalité pilotée par les données pour une nouvelle optimisation du parcours de paiement
预期结果:
Plan de flux de travail : (1) Phase EDA - analyser l'entonnoir de conversion actuel, (2) Hypothèse - 'Un paiement simplifié augmentera la conversion de 5%', (3) Conception de l'expérience - test de 2 semaines, 10% du trafic, métrique principale : taux de complétion du paiement, (4) Analytique - suivre checkout_start, checkout_step_complete, checkout_abandon, (5) Architecture - feature flag LaunchDarkly, déploiement progressif commençant à 5%
正在使用“data-engineering-data-driven-feature”。 Concevoir une expérience pour un changement d'algorithme de recommandation
预期结果:
Conception statistique : Taille d'échantillon requise 50 000 utilisateurs par variante pour une puissance de 80% afin de détecter une amélioration de 2%. Métrique principale : taux de clic, Métriques de garde-fou : latence, taux d'erreur. Randomisation : hash user_id. Analyse : test t bilatéral avec correction de Bonferroni pour les métriques multiples.
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
Planification d'expériences par le chef de produit
Les chefs de produit utilisent ce flux de travail pour planifier le lancement de fonctionnalités pilotées par les données avec une conception d'expérience appropriée, une définition des métriques de succès et une rigueur statistique.
Structuration de l'analyse par le data scientist
Les data scientists suivent ce flux de travail pour structurer les tests A/B, définir des hypothèses avec un scoring ICE ou RICE et effectuer une analyse statistique appropriée.
Implémentation de feature flags par l'ingénieur
Les ingénieurs backend utilisent ce flux de travail pour implémenter des feature flags, configurer des déploiements progressifs et mettre en place une instrumentation analytique appropriée dès le départ.
试试这些提示
Utilisez la compétence data-engineering-data-driven-feature pour m'aider à planifier une nouvelle fonctionnalité. La fonctionnalité est : [décrivez votre idée de fonctionnalité]. Je veux la valider avec des tests A/B et mesurer son impact sur [métrique business clé].
J'ai besoin de concevoir un test A/B pour [nom de la fonctionnalité]. Aidez-moi à créer une conception d'expérience statistique incluant le calcul de taille d'échantillon, les métriques de succès et les métrices de garde-fou. La métrique cible est [métrique], l'amélioration attendue est [pourcentage].
Aidez-moi à concevoir une instrumentation analytique complète pour [fonctionnalité]. Je dois suivre les interactions utilisateur incluant [liste des événements]. Recommandez des schémas d'événements et des propriétés pour la segmentation dans [Amplitude/Mixpanel/Segment].
Notre test A/B pour [fonctionnalité] est terminé avec [taille d'échantillon] utilisateurs sur [période]. Le traitement a montré [résultats]. Aidez-moi à effectuer une analyse statistique, calculer la significativité et évaluer l'impact business.
最佳实践
- Définissez les métriques de succès et les métriques de garde-fou avant de commencer le développement pour éviter le p-hacking
- Commencez les déploiements progressifs à 5-10% du trafic et surveillez les taux d'erreur avant d'augmenter
- Exécutez les expériences pour des cycles hebdomadaires complets pour tenir compte des effets jour de la semaine
- Documentez toutes les décisions et apprentissages pour les futurs cycles de développement de fonctionnalités
避免
- Exécuter des expériences sans critères de succès prédéfinis et prendre des décisions ad hoc
- Commencer par un déploiement à plein trafic au lieu d'un déploiement progressif risquant des problèmes généralisés
- Ignorer les métriques de garde-fou et déployer des modifications qui nuisent à l'expérience utilisateur
- Terminer les expériences tôt lorsque les résultats semblent prometteurs sans une puissance statistique appropriée