data-scientist
Cientista de Dados Expert
Precisa de orientação especializada em análise de dados, modelos de machine learning e modelagem estatística. Esta skill oferece uma persona profissional de cientista de dados que proativamente auxilia com análises complexas, modelagem preditiva e tarefas de business intelligence.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "data-scientist". Analisar churn de clientes e construir um modelo preditivo
Resultado esperado:
## Abordagem de Análise de Churn
### 1. Análise Exploratória de Dados
- Distribuição de features principais (tempo de casa, uso, faturamento)
- Análise de correlação entre preditores e churn
- Taxas de churn por segmento
### 2. Modelo Recomendado
- Algoritmo: XGBoost com balanceamento de classes
- Features: 15-20 features engenhadas do ciclo de vida do cliente
- Validação: Validação cruzada de 5 folds com AUC-ROC
### 3. Principais Preditores (análise SHAP)
- Tipo de contrato (preditores mais forte)
- Valor da mensalidade
- Duração do tempo de casa
- Método de pagamento
### 4. Insights Acionáveis
- Segmentar clientes com contratos mensais
- Oferecer incentivos no marco de 12 meses
- Monitorar de perto clientes de alto valor
A utilizar "data-scientist". Projetar um teste A/B para fluxo de checkout do site
Resultado esperado:
## Design do Teste A/B
### Hipótese
Novo fluxo de checkout aumentará a taxa de conversão em 5%
### Cálculo do Tamanho Amostral
- Conversão base: 3%
- Efeito mínimo detectável: 5%
- Poder estatístico: 80%
- Nível de significância: 5%
- Amostra necessária: ~25.000 por variante
### Randomização
- Unidade de randomização: user_id
- Estratificação por fonte de tráfego
- Garantir alocação igual
### Métricas
- Primária: taxa de conversão
- Secundárias: receita por usuário, abandono de carrinho
- Guardrail: tempo de carregamento da página
### Plano de Análise
- Teste z de duas proporções
- Intervalos de confiança
- Limites de monitoramento sequencial
Auditoria de Segurança
SeguroPrompt-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.
Pontuação de qualidade
O Que Você Pode Construir
Construir Modelo Preditivo de Churn de Clientes
Analisar dados de clientes para identificar padrões de churn e construir um modelo preditivo para identificar clientes em risco com recomendações acionáveis de retenção.
Projetar e Analisar Teste A/B
Projetar experimentos controlados randomizados, determinar tamanhos amostrais através de análise de poder estatístico e analisar corretamente os resultados com testes de significância estatística.
Criar Sistema de Previsão de Demanda
Construir modelos de previsão de séries temporais usando abordagens ARIMA, Prophet ou deep learning para planejamento de estoque e otimização da cadeia de suprimentos.
Tente Estes Prompts
Ajude-me a analisar este conjunto de dados. Quais são os principais padrões, distribuições e correlações? Forneça resumos estatísticos e insights iniciais.
Preciso construir um modelo preditivo para [resultado específico]. Os dados incluem [descrever features]. Recomende algoritmos apropriados, ajude com engenharia de features e guie-me através da seleção e validação do modelo.
Projete um teste A/B para [feature/tratamento]. Como devo determinar o tamanho da amostra? Quais métodos estatísticos devo usar para análise? Como devo considerar comparações múltiplas?
Crie visualizações para [análise específica]. A audiência é [técnica/não-técnica]. Quais tipos de gráfico são mais eficazes? Ajude-me a contar uma história de dados envolvente.
Melhores Práticas
- Sempre valide pressupostos antes de aplicar métodos estatísticos - verifique normalidade, independência e homocedasticidade
- Comunique incerteza claramente usando intervalos de confiança e p-values em vez de apenas significância estatística
- Comece simples com modelos baseline antes de avançar para abordagens complexas - documente por que métodos mais sofisticados são necessários
Evitar
- Usar modelos complexos de ML quando métodos estatísticos simples são suficientes - soluções com excesso de engenharia adicionam complexidade desnecessária
- Ignorar problemas de qualidade de dados e prosseguir diretamente para modelagem sem EDA adequada
- Relatar resultados sem considerar significância prática - significância estatística nem sempre equivale a valor de negócios