Compétences data-quality-frameworks
📊

data-quality-frameworks

Sûr 🌐 Accès réseau⚙️ Commandes externes

Implémenter des frameworks de qualité de données rapidement

Les problèmes de qualité de données entraînent des analyses échouées et des pipelines défaillants. Cette compétence fournit des patterns éprouvés de Great Expectations, de tests dbt et de contrats de données pour les prévenir.

Prend en charge: Claude Codex Code(CC)
📊 69 Adéquat
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "data-quality-frameworks". Donne-moi une suite Great Expectations minimale pour les données de commandes.

Résultat attendu:

  • Définit les colonnes requises et les vérifications de clé primaire
  • Valide les valeurs de statut et la plage de montant
  • Ajoute des vérifications de fraîcheur et de nombre de lignes

Utilisation de "data-quality-frameworks". Comment tester les relations entre tables dans dbt ?

Résultat attendu:

  • Utilise le test de relations pour la validation de clé étrangère
  • Vérifie l'intégrité référentielle entre les modèles
  • Valide que customer_id correspond à dim_customers

Utilisation de "data-quality-frameworks". Créer un contrat de données pour les données clients.

Résultat attendu:

  • Spécifie le schéma avec les champs requis et optionnels
  • Définit la classification PII pour les colonnes sensibles
  • Définit le SLA de fraîcheur et les seuils de contrôle de qualité

Audit de sécurité

Sûr
v4 • 1/17/2026

This skill is pure documentation containing educational examples for data quality frameworks. All 69 static findings are FALSE POSITIVES. The scanner incorrectly flagged Great Expectations library method names (e.g., 'expect_column_values_to_not_be_null') as shell backtick execution and weak cryptographic algorithms. The content has no executable code, network calls, file access, or sensitive operations.

2
Fichiers analysés
762
Lignes analysées
2
résultats
4
Total des audits

Facteurs de risque

🌐 Accès réseau (5)
skill-report.json:6 SKILL.md:584 SKILL.md:585 SKILL.md:586 SKILL.md:587
⚙️ Commandes externes (28)
SKILL.md:25 SKILL.md:26 SKILL.md:27 SKILL.md:29 SKILL.md:30 SKILL.md:34-42 SKILL.md:42-48 SKILL.md:48-57 SKILL.md:57-59 SKILL.md:59-79 SKILL.md:79-85 SKILL.md:85-177 SKILL.md:177-181 SKILL.md:181-219 SKILL.md:219-221 SKILL.md:221-234 SKILL.md:234-238 SKILL.md:238-301 SKILL.md:301-305 SKILL.md:305-324 SKILL.md:324-326 SKILL.md:326-343 SKILL.md:343-345 SKILL.md:345-366 SKILL.md:366-370 SKILL.md:370-448 SKILL.md:448-452 SKILL.md:452-564
Audité par: claude Voir l’historique des audits →

Score de qualité

38
Architecture
100
Maintenabilité
85
Contenu
22
Communauté
100
Sécurité
87
Conformité aux spécifications

Ce que vous pouvez construire

Construire des suites de validation

Créer des suites et checkpoints Great Expectations pour les tables d'entrepôt.

Étendre les tests dbt

Ajouter des tests de schéma, de colonne et dbt personnalisés pour les marts.

Définir des contrats de données

Spécifier des contrats avec schéma, contrôles de qualité et SLAs.

Essayez ces prompts

Vérifications de base 
Créer une suite Great Expectations basique pour une table de commandes avec des vérifications de clé primaire, statut, montant et created_at.
Plan de tests dbt 
Rédiger des tests dbt pour fct_orders et dim_customers incluant la récence, les relations et les valeurs acceptées.
Spécification de contrat 
Rédiger un outline de contrat de données pour un dataset de commandes avec schéma, contrôles de qualité et SLAs.
Pattern de pipeline 
Décrire un pipeline de qualité de données automatisé qui exécute des suites pour plusieurs tables et génère un rapport.

Bonnes pratiques

  • Commencer par les colonnes critiques et développer les tests progressivement
  • Documenter les attentes et la propriété pour chaque dataset
  • Alerter sur les échecs et examiner les tendances régulièrement

Éviter

  • Tester chaque colonne sans priorisation
  • Hardcoder les seuils sans justification
  • Sauter les vérifications de fraîcheur pour les données d'événements

Foire aux questions

Est-ce compatible avec Claude et Codex ?
Oui, le contenu est en texte brut et fonctionne avec Claude, Codex et Claude Code.
Y a-t-il des limites sur la taille des datasets ?
Les modèles n'imposent pas de limites, mais les performances dépendent de votre entrepôt et de la conception des tests.
Peut-on s'intégrer avec des outils CI ou d'orchestration ?
Il fournit des patterns que vous pouvez adapter pour les pipelines CI ou les planificateurs.
Accède-t-il ou stocke-t-il des données sensibles ?
Non, il ne fournit que de la documentation et des extraits de code d'exemple.
Que faire si une vérification échoue de manière inattendue ?
Examiner les changements récents de données, ajuster les seuils et confirmer la fraîcheur de la source.
Comment cela se compare-t-il à une configuration de framework complet ?
C'est une guidance et des modèles, pas un framework ou un package prédéfini.

Détails du développeur

Auteur

wshobson

Licence

MIT

Dépôt

https://github.com/wshobson/agents/tree/main/plugins/data-engineering/skills/data-quality-frameworks

Réf

main

Structure de fichiers

📄 SKILL.md