High-Stakes Analytics Lab — скилл
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
- 1 008 ★ репозитория
- Последний коммит
- MIT
Расширенный доступ
Почему такой уровень
- Профилирует и анализирует переданный вами файл с данными, в котором могут быть личные или коммерческие сведения
- Запускает скрипты Python локально на вашей машине для расчетов и построения графиков
- Пишет файлы отчета, профиля данных и графиков на диск в указанную вами папку
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add skills/high-stakes-analytics-decision-labОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Профилирует и анализирует переданный вами файл с данными, в котором могут быть личные или коммерческие сведения
- Запускает скрипты Python локально на вашей машине для расчетов и построения графиков
- Пишет файлы отчета, профиля данных и графиков на диск в указанную вами папку
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Скилл разбирает данные для решений с высокой ценой ошибки по строгому порядку: сначала описать вопрос, группу, единицу наблюдения, нужную величину и горизонт, потом проверить готовность данных, и только затем переходить к анализу. Команда `python3 scripts/hsadl.py doctor` проверяет окружение перед запуском, а `python3 scripts/hsadl.py demo` поднимает учебный пример на синтетических данных, которые скилл прямо запрещает цитировать как настоящие доказательства. Скрипт `data_quality.py` профилирует исходный файл, сохраняет оригинал без изменений и останавливается на существенных преобразованиях данных, а `analytics_router.py` по итогам профиля решает, какие из четырех видов анализа (описательный, диагностический, предсказательный, предписывающий) добавлять, не добавляя лишние ради шаблона отчета. Диагностический и предписывающий разбор отдельно отслеживает общие источники неопределенности: время, рынок, участников, кампании, операции и пространственную близость, чтобы не считать зависимые факторы неопределенности независимыми друг от друга. Итоговый пакет держит рядом отчет report.md, машиночитаемый results.json, карту figures/chart-map.json, которая связывает каждый график с вопросом и источником, и доказуемые результаты вплоть до хэшей файлов. Скилл признает законным финалом не только рекомендацию: запрос дополнительных данных, отрицательный результат проверки модели или прямой вывод «не внедрять» засчитываются наравне с ограниченным действием.
Для кого. Для аналитиков и продуктовых менеджеров, которым нужно разобрать реальные данные для решения с высокой ценой ошибки и получить отчет, который останавливается там, где данные не дотягивают до вывода, вместо готового вывода.
Подходит, если
- Нужно разобрать выгрузку данных по вопросу с реальными последствиями и не хочется получить натянутую рекомендацию
- Нужно профилировать неизвестный файл перед анализом: качество, пропуски, персональные данные
- Нужна прогностическая или предписывающая модель, но с явной оценкой зависимой неопределенности, а не формальным доверительным интервалом
- Нужен отчет, где каждая цифра и график прослеживаются до исходного файла и его хэша
Не подходит, если
- Нужен быстрый черновой график без профилирования данных и протокола доказательств: скилл рассчитан на решения с высокой ценой ошибки, а не на разовую визуализацию
- Данных для вопроса нет вообще: скилл на пустом месте не придумает анализ и вернет запрос дополнительных данных
- Нужен готовый генератор отчетов с фиксированным набором разделов: маршрутизатор добавляет только те виды анализа, которые подтверждает профиль данных
Пример запроса к агенту
Проверь готовность этого файла с данными о продажах, сохрани оригинал и подбери только те виды анализа, которые данные реально подтверждаютОграничения
Лицензия MIT.
- Установщик скиллов подключает только компактный пакет `skills/high-stakes-analytics-decision-lab/` из 39 файлов и около 472 КиБ, а не весь репозиторий с демонстрационным порталом и архивом кейсов.
- Демонстрационный пример из команды `demo` построен на синтетических инженерных данных, которые скилл прямо запрещает цитировать как настоящее доказательство.
- Скрипт профилирования останавливается на существенных преобразованиях исходных данных и ждет вашего решения, поэтому полный прогон без участия человека не предусмотрен.
- Скрипты работают локально на предоставленных вами файлах и не содержат собственного обращения к внешним API или облачным хранилищам.
- Машиночитаемый контракт файлов и их хэшей лежит в `bundle-manifest.json`, по нему можно проверить, что при обновлении скилла ничего не потерялось.
Как отключить. Удалите папку `high-stakes-analytics-decision-lab` из личной папки скиллов агента. Файлы отчетов и профилей данных, которые вы указали в --output-dir, остаются на диске и удаляются отдельно.
Частые вопросы
Может ли скилл выдать отчет без рекомендации?
Да, это предусмотренный честный исход: запрос дополнительных данных, отрицательная проверка модели или вывод «не внедрять» считаются таким же законным финалом, как и ограниченное действие. Шаблон отчета не подталкивает к рекомендации, если доказательств для нее не хватает.
Что проверяет команда doctor перед работой?
Она проверяет окружение: нужные пакеты Python и доступность скриптов, прежде чем агент перейдет к исполняемому разбору. Это первый шаг, который README называет обязательным до запуска любого рабочего процесса.
Что происходит с исходным файлом данных при проверке качества?
Скрипт data_quality.py сохраняет оригинал без изменений и приостанавливается, когда преобразование данных существенно меняет их смысл, ожидая решения человека. Автоматического исправления данных без вашего участия скилл не делает.
Как скилл работает с зависимой неопределенностью?
При диагностическом и предписывающем анализе он отдельно отслеживает общие источники неопределенности: время, рынок, участников, кампании, операции, пространственную близость. Так связанные между собой факторы не считаются независимыми, как в обычном доверительном интервале.
Можно ли доверять графикам из отчета, не проверяя их источник?
Каждый график описан в chart-map.json, который связывает его с конкретным вопросом и источником данных. Полный пакет результатов включает хэши файлов, по которым можно сверить, что график построен на той же выгрузке, что была на входе.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
СкиллыСкилл визуализации данных для агентов: превращает данные в аккуратные интерактивные HTML-графики и целые отчеты с единым визуальным языком
SciPilot Figure
scipilot-figure-skill
Скилл-советник по научной визуализации: сначала разбирает данные и подбирает тип графика под вывод, потом рисует его на уровне журнальных требований
Скилл и Python-пакет для подбора гиперпараметров: агент читает код, предлагает следующий набор значений, а результат измеряет ваш запуск
Библиотека скиллов для медицинских исследований: поиск и разбор литературы, планирование исследований, анализ данных и написание научных статей
166 скиллов для научных задач: биоинформатика, хемоинформатика, клинические данные, геоданные и доступ к более чем 100 базам
Скилл математического моделирования
Math Modeling Skill
Воркфлоу из трех этапов для задач математического моделирования: разбор и выбор модели, расчеты на Python или MATLAB, сборка статьи в Word или LaTeX
Коротко о README
Описание репозитория открывается коротким объяснением, зачем он нужен: сложная аналитика часто проваливается еще до выбора модели, из-за размытого вопроса и скрытых решений по очистке данных. Дальше идет таблица из шести принципов с поведением системы под каждым и инструкция быстрого старта в три шага. В отдельном разделе собраны пятнадцать полных примеров разбора по разным областям со ссылкой на живой пример на сайте проекта.
Бейдж для README
Исходный SKILL.md
--- name: high-stakes-analytics-decision-lab description: Build or review source-backed descriptive, diagnostic, predictive, and prescriptive analysis for consequential decisions. Use when an agent must profile and safely prepare uploaded data, turn a real dataset or research question into a reproducible study, investigate drivers without overstating causality, validate a model, compare feasible actions under dependent uncertainty and tail risk, trace every parameter to evidence and approval, or produce an answer-first analytical report across health, business, finance, policy, engineering, operations, behavioral science, AI, or planning. --- # High-Stakes Analytics & Decision Lab Turn a real question into a defensible path from source evidence to analysis and, only when justified, bounded action. Keep observation, diagnosis, prediction, causal evidence, value judgments, and recommendation visibly separate. ## Start here Run the environment audit before an executable workflow: ```bash python3 scripts/hsadl.py doctor ```