Compétences data-quality-frameworks
📦

data-quality-frameworks

Sûr

Crie Pipelines de Qualidade de Dados com Frameworks de Validação

Également disponible depuis: wshobson

Garanta pipelines de dados confiáveis com validação abrangente usando Great Expectations, testes dbt e contratos de dados. Reduza incidentes de dados e construa confiança em suas análises com padrões de qualidade prontos para produção.

Prend en charge: Claude Codex Code(CC)
🥉 75 Bronze
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". Generate Great Expectations checkpoint for daily orders validation with Slack alerts

Résultat attendu:

  • Checkpoint configurado com agendamento de validação diário
  • Ações: armazenar resultados, atualizar Data Docs, enviar Slack em falha
  • Integração de webhook usando variável de ambiente SLACK_WEBHOOK
  • Executar com: context.run_checkpoint(checkpoint_name='orders_checkpoint')

Utilisation de "data-quality-frameworks". Create data contract for user events with PII handling

Résultat attendu:

  • Contrato define user_id (UUID, obrigatório, único)
  • Campo email marcado como PII com classificação indireta
  • Verificações de qualidade: row_count > 0, duplicate_count = 0
  • SLA: 99.9% de disponibilidade, 1 hora de freshness, 5 minutos de latência

Audit de sécurité

Sûr
v1 • 2/24/2026

This is a documentation-only skill providing markdown guides for data quality frameworks. All static analysis findings are false positives: code blocks are markdown examples not executable code, URLs are documentation references, and pattern matches on SQL terms are not actual system calls.

2
Fichiers analysés
617
Lignes analysées
0
résultats
1
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
50
Communauté
100
Sécurité
100
Conformité aux spécifications

Ce que vous pouvez construire

Engenheiro de Analytics Construindo Testes dbt

Crie suítes de teste abrangentes para seus modelos dbt com validações em nível de coluna, verificações de relacionamento e regras de negócio personalizadas.

Equipe de Plataforma de Dados Estabelecendo Contratos

Defina contratos de dados entre produtores e consumidores de dados com expectativas claras de esquema, SLAs de qualidade e propriedade.

Líder de Qualidade de Dados Implementando Great Expectations

Implmente validação de qualidade de dados de nível empresarial com suítes de expectativas, checkpoints e dashboards automatizados de relatórios.

Essayez ces prompts

Validação Básica de Coluna 
Crie uma suíte Great Expectations para uma tabela de pedidos com order_id como chave primária. Inclua expectativas para not null, unique e valores válidos de status do pedido (pending, processing, shipped, delivered, cancelled).
Configuração de Teste dbt 
Gere configurações de teste schema.yml dbt para uma tabela de dimensão de cliente. Inclua testes unique e not_null para customer_id, accepted_values para status e um teste de relacionamento para verificar integridade referencial.
Especificação de Contrato de Dados 
Projete um contrato de dados para eventos de pedidos transmitidos de uma plataforma de e-commerce. Inclua campos de esquema com tipos, classificações PII, verificações de qualidade usando sintaxe SodaCL e definições de SLA para freshnes e disponibilidade.
Teste de Regra de Negócio Personalizada 
Escreva um teste dbt personalizado que valide que os totais de pedidos são consistentes: subtotal + tax + shipping deve igualar total_amount com tolerância de 0.01. Inclua o macro completo e exemplo de uso.

Bonnes pratiques

  • Teste cedo no pipeline - valide dados de origem antes das transformações para detectar problemas na ingestão
  • Foque em colunas críticas - priorize campos de alto impacto em vez de cobertura exaustiva
  • Documente cada expectativa com descrições claras para que os membros da equipe entendam a regra de negócio

Éviter

  • Bloquear pipelines de produção sem fallback - sempre tenha um caminho de substituição manual para fluxos de dados críticos
  • Testar em isolamento - valide relacionamentos entre tabelas, não apenas restrições de coluna individuais
  • Codificar limites fixos - use linhas de base dinâmicas e intervalos estatísticos que se adaptam ao crescimento dos dados

Foire aux questions

Qual é a diferença entre Great Expectations e testes dbt?
Great Expectations fornece suítes de expectativas ricas com relatórios de validação detalhados e Data Docs. Testes dbt são baseados em SQL e são executados como parte do processo de build do dbt. Use ambos: dbt para verificações no momento da transformação, Great Expectations para validação mais profunda.
Como lidar com dados PII em saídas de validação?
Nunca inclua valores brutos de PII em resultados de validação ou relatórios. Use agregação, mascaramento ou relate apenas contagens de linhas e resumos estatísticos. Marque campos PII em contratos de dados e aplique controles de acesso extras.
O que devo fazer quando uma verificação de qualidade de dados falha?
Primeiro, verifique se é um problema de dados ou de teste. Alerte o proprietário dos dados, quarantine os dados afetados se estiver bloqueando e documente o incidente. Use as falhas para melhorar os testes e evitar recorrência.
Como fazer versionamento de contratos de dados?
Trate contratos como código: armazene em git, use versionamento semântico e mantenha um changelog. Para mudanças quebrantes, incremente a versão principal e forneça orientação de migração aos consumidores.
Posso executar Great Expectations no meu pipeline CI/CD?
Sim. Execute suítes de expectativas leves em CI para detectar mudanças de esquema e violações críticas. Agende suítes abrangentes separadamente para evitar lentificar implantações.
Quais métricas devo acompanhar para qualidade de dados?
Acompanhe taxa de sucesso por suíte, tempo médio para detectar falhas, tempo médio para resolução e análise de tendências ao longo do tempo. Monitore dimensões de freshness, completude e validade separadamente.

Détails du développeur

Auteur

sickn33

Licence

MIT

Dépôt

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/data-quality-frameworks

Réf

main

Structure de fichiers

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md