data-scientist
Expert Data Scientist
Besoin d'une expertise avisée en analyse de données, modèles de machine learning et modélisation statistique. Cette compétence fournit un persona de data scientist professionnel qui aide activement dans les tâches d'analyse complexe, de modélisation prédictive et d'intelligence d'affaires.
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:
## Approche d'Analyse du Churn
### 1. Analyse Exploratoire des Données
- Distribution des features clés (ancienneté, usage, facturation)
- Analyse de corrélation entre prédicteurs et churn
- Taux de churn spécifiques par segment
### 2. Modèle Recommandé
- Algorithme : XGBoost avec équilibrage des classes
- Features : 15-20 features ingénierées du cycle de vie client
- Validation : validation croisée 5-fold avec AUC-ROC
### 3. Prédicteurs Clés (analyse SHAP)
- Type de contrat (plus fort prédicteur)
- Charges mensuelles
- Durée d'ancienneté
- Mode de paiement
### 4. Insights Exploitables
- Cibler les clients avec contrats mois à mois
- Offrir des incitations à la marque des 12 mois d'ancienneté
- Surveiller étroitement les clients à charges élevées
استخدام "data-scientist". Design an A/B test for website checkout flow
النتيجة المتوقعة:
## Conception du Test A/B
### Hypothèse
Le nouveau flux de checkout augmentera le taux de conversion de 5%
### Calcul de Taille d'Échantillon
- Taux de conversion de base : 3%
- Effet minimal détectable : 5%
- Puissance statistique : 80%
- Niveau de signification : 5%
- Échantillon requis : ~25 000 par variante
### Randomisation
- Unité de randomisation : user_id
- Stratification par source de trafic
- Assurer une allocation égale
### Métriques
- Primaire : taux de conversion
- Secondaire : revenu par utilisateur, abandon de panier
- Guardrail : temps de chargement de page
### Plan d'Analyse
- Test z à deux proportions
- Intervalles de confiance
- Limites de surveillance séquentielle
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
Créer un Modèle Prédictif de Churn Client
Analyser les données client pour identifier les patterns de churn et construire un modèle prédictif pour identifier les clients à risque avec des recommandations de rétention exploitables.
Concevoir et Analyser un Test A/B
Concevoir des expériences contrôlées randomisées, déterminer les tailles d'échantillon par analyse de puissance, et analyser correctement les résultats avec des tests de signification statistique.
Créer un Système de Prévision de Demande
Construire des modèles de prévision de séries temporelles utilisant ARIMA, Prophet ou approches deep learning pour la planification des stocks et l'optimisation de la supply chain.
جرّب هذه الموجهات
Aidez-moi à analyser ce dataset. Quels sont les patterns clés, distributions et corrélations ? Fournissez des résumés statistiques et insights initiaux.
Je dois construire un modèle prédictif pour [résultat spécifique]. Les données incluent [décrire les features]. Recommandez des algorithmes appropriés, aidez-moi avec le feature engineering, et guidez-moi dans la sélection et validation du modèle.
Concevez un test A/B pour [fonctionnalité/traitement]. Comment dois-je déterminer la taille d'échantillon ? Quelles méthodes statistiques dois-je utiliser pour l'analyse ? Comment dois-je prendre en compte les comparaisons multiples ?
Créez des visualisations pour [analyse spécifique]. Le public est [technique/non technique]. Quels types de graphiques sont les plus efficaces ? Aidez-moi à raconter une histoire de données convaincante.
أفضل الممارسات
- Toujours valider les hypothèses avant d'appliquer des méthodes statistiques - vérifier la normalité, indépendance et homoscédasticité
- Communiquer clairement l'incertitude en utilisant des intervalles de confiance et p-values plutôt que seulement la signification statistique
- Commencer simple avec des modèles de base avant passer à des approches complexes - documenter pourquoi des méthodes plus sophistiquées sont nécessaires
تجنب
- Utiliser des modèles ML complexes quand des méthodes statistiques simples suffisent - sur-ingénierie ajoute une complexité inutile
- Ignorer les problèmes de qualité des données et passer directement à la modélisation sans EDA appropriée
- Rapporter les résultats sans considérer la signification pratique - la signification statistique n'équivaut pas toujours à la valeur business