SkillFoxx
Telegram

Data Analytics Skills

31 скилл для Claude Code и Codex на весь путь аналитика: проверка данных, когорты, воронки, A/B-тесты, дашборды, резюме

  • 525 ★ репозитория
  • Последний коммит
Скилл

Минимальный доступ

Почему такой уровень

  • Скиллы состоят из инструкций и шаблонов, сами ничего не запускают и не подключаются к базам
  • Агент по инструкциям может запускать запросы к данным, которые вы ему откроете, права определяются вашими настройками агента
Все причины и проверки

nimrodfisher/data-analytics-skillsАвтор:Nimrod Fisher

Установка

Работает в

В терминале, через SkillFoxx CLI

npx skillfoxx add skills/data-analytics-skills

Определит агенты на машине, покажет уровень доступа и зафиксирует версию.

Другие способы установки

Доступ и проверки

Как мы проверяем

Минимальный доступИнструмент ничего не запускает и не ходит в сеть.

  • Скиллы состоят из инструкций и шаблонов, сами ничего не запускают и не подключаются к базам
  • Агент по инструкциям может запускать запросы к данным, которые вы ему откроете, права определяются вашими настройками агента

Это чужой код. Посмотрите файлы в репозитории перед установкой.

Что делает

Репозиторий содержит 31 переносимый скилл для Claude Code и Codex в шести категориях, от проверки данных до ретроспективы анализа. Каждый скилл — папка с `SKILL.md`, иногда со скриптами и справочниками. Агент включает нужный скилл по описанию задачи: никаких слэш-команд, схем и метрик настраивать заранее не нужно. Скилл просит минимум контекста, выполняет пошаговый процесс, явно называет допущения и выдает результат в едином шаблоне. Первая категория проверяет данные: `programmatic-eda` профилирует набор данных, `data-quality-audit` оценивает качество по бизнес-правилам и схеме, `query-validation` ревьюит SQL. Документация и знания: `semantic-model-builder`, `metric-reconciliation`, `schema-mapper` и другие. Анализ: когорты, сегментация, воронки, временные ряды, `root-cause-investigation` для скачка метрики и `ab-test-analysis` для экспериментов. Вывод данных охватывает `insight-synthesis`, `visualization-builder`, `executive-summary-generator` и `dashboard-specification`. Остальное — общение с заинтересованными сторонами и организация рабочего процесса: `analysis-planning`, peer-review-template, analysis-retrospective.

Для кого. Аналитикам данных и продуктовым аналитикам, которые работают в Claude Code или Codex и хотят структурировать типовые этапы анализа без настройки под компанию.

Подходит, если

  • Перед работой с новой таблицей: `programmatic-eda` проверяет структуру, пропуски, выбросы и корреляции
  • Метрика активации упала на 12% за неделю, и `root-cause-investigation` ведет проверку гипотез
  • Результаты эксперимента надо проанализировать со значимостью через `ab-test-analysis`
  • Выводы нужно оформить для руководства через `executive-summary-generator` и `insight-synthesis`

Не подходит, если

  • Скиллы не подключаются к базам данных сами: данные и контекст приносит пользователь, а запросы выполняет агент вашими средствами
  • Нужны скрипты и ноутбуки под одну компанию: набор намеренно универсальный
  • Нужен инструмент визуализации: `visualization-builder` готовит рекомендации и спецификации графиков, но не рисует их

Пример запроса к агенту

Конверсия в активацию упала на 12% на прошлой неделе. Проведи расследование причин и опиши гипотезы по шагам

Ограничения

  • Установка ручная: клонируйте репозиторий и копируйте нужные папки в ~/.claude/skills для Claude Code или ~/.agents/skills для Codex, команды установщика в README нет.
  • Скиллы универсальны и перед работой задают вопросы о контексте, поэтому без вашей информации о метриках и данных результат будет общим.
  • Скилл работает с тем, что вы ему дали: при нехватке данных он называет допущения и продолжает работу.
  • Набор включает 31 скилл, сразу нужны немногие, поэтому копируйте только нужные.

Как отключить. Удалите папку скилла из ~/.claude/skills или ~/.agents/skills и перезапустите сессию агента. Клонированный репозиторий можно удалить целиком, на проекты он не влияет.

Частые вопросы

Как установить Data Analytics Skills в Claude Code?

Склонируйте репозиторий и скопируйте нужные папки, например `cp -r 01-data-quality-validation/`programmatic-eda` ~/.claude/skills/`. Проектные скиллы лежат в `.claude/skills/` внутри проекта. Для Codex пользовательская папка `~/.agents/skills/`.

Какие категории есть в наборе?

Шесть: проверка данных, документация и знания, анализ и расследование, рассказ о данных и визуализация, общение с заинтересованными сторонами, оптимизация рабочего процесса. Всего 31 скилл.

С какого скилла начинать?

Для новых данных с `programmatic-eda`, затем `data-quality-audit`. Для SQL подойдут `query-validation` и `schema-mapper`, для скачка метрики `root-cause-investigation`, для сложной задачи `analysis-planning` в первую очередь.

Нужно ли настраивать схемы и метрики заранее?

Нет. Скиллы работают по запросу: каждый просит минимум контекста, выполняет процесс и называет допущения. Если вы дали не все данные, агент сообщает, что предположил, и продолжает.

Работает ли набор в Codex?

Да, авторы описывают оба агента. Для Codex скиллы копируют в `~/.agents/skills/` либо в `.agents/skills/` корня репозитория, для Claude Code в `~/.claude/skills/` или `.claude/skills/` проекта.

Обсуждение

Вопросов и отзывов пока нет.

Скиллы

Шаблон для аналитиков данных: AGENTS.md, CLAUDE.md и набор скиллов по Python, SQL, Polars и диагностике моделей.

СкиллМинимальный доступ115

16 скиллов Claude Code для инженеров данных: профиль источника, разбор сбоя, ревью изменений и документация в виде страниц.

ПлагинРасширенный доступ96

Около 200 скиллов для Claude Code по биоинформатике, химии и биостатистике: от анализа РНК-секвенирования до докинга молекул

СкиллРасширенный доступ388

High-Stakes Analytics Lab

High-Stakes Analytics & Decision Lab

Скилл доказательной аналитики для решений с высокой ценой ошибки: профилирует данные, выбирает метод под них, может ответить отказом или запросом данных

СкиллРасширенный доступ1 тыс.

Скилл и CLI для анализа таблиц: чистка с записанными решениями, статистика на нужном уровне, PDF-отчет и отдельный аудит.

СкиллРасширенный доступ96

Набор команд, скиллов и субагентов для Claude Code, который ведет анализ данных как аккуратный аналитик команды.

ПлагинРасширенный доступ325

Коротко о README

README объясняет, чем набор отличается от подходов с предварительной настройкой, и показывает карту навыков. Затем идут таблицы по шести категориям, установка копированием папок, рекомендации по выбору первого скилла и описание шаблона работы скилла.

Бейдж для README

Исходный SKILL.md

---
name: programmatic-eda
description: Systematic exploratory data analysis. Activate when a dataset needs profiling — structure check, nulls, outliers, distributions, correlations — before deeper analysis begins.
---

# When to use
- You receive a new dataset and need to understand its shape and quality before analysis
- An analysis produces surprising numbers and you want to verify the underlying data first
- A stakeholder asks "is this data reliable?" or "what's in this table?"
- You're about to run a model or statistical test and need data-quality assurance

# Process
1. **Load and overview** — run `scripts/data_overview.py` to get row count, dtypes, memory usage, and a sample. Confirm grain (what one row represents).
2. **Null profile** — run `scripts/null_profiler.py`; compare output against thresholds in `references/quality_thresholds.md` and flag columns above limits.
3. **Outlier detection** — run `scripts/outlier_detector.py` (IQR + z-score) on numeric columns; document flagged values and decide: real signal or data error?
4. **Distribution summary** — run `scripts/distribution_summary.py` for descriptive stats and univariate histograms on each numeric column.
5. **Correlation exploration** — run `scripts/correlation_explorer.py`; flag pairs with |r| > 0.8 as potential multicollinearity or redundancy.
6. **EDA checklist sign-off** — work through `references/eda_checklist.md` and confirm each item before declaring the dataset profiled.
7. **Write findings** — fill `assets/eda_report_template.md` with full profiling output; distil top issues into `assets/findings_summary.md`.

For pattern recipes (e.g. polars vs pandas equivalents, chunked reads for large files), see `references/pandas_polars_recipes.md`.

# Inputs the skill needs
- Required: dataset path (CSV / Parquet / Excel) or a DataFrame already in scope
- Required: business context — what does one row represent?
- Optional: quality threshold overrides (defaults in `references/quality_thresholds.md`)
- Optional: columns to skip (PII, binary blobs, high-cardinality IDs)

# Output
- `assets/eda_report_template.md` (filled) — full profiling report with per-column stats
- `assets/findings_summary.md` (filled) — top 3–5 quality issues and recommended next steps
- Console output / plots from scripts for interactive inspection

Сообщить о проблеме