Data Analysis

social-graph-ranker ist die gewichtete Graph-Ranking-Schicht für die Entdeckung warmer Vorstellungen, Bridge-Scoring und die Analyse von Lücken im Netzwerk über X und LinkedIn hinweg. Verwenden Sie die social-graph-ranker Skill, wenn Sie eine wiederverwendbare Ranking-Engine für Lead Research benötigen, nicht einen vollständigen Outbound- oder Netzwerkpflege-Workflow.

regex-vs-llm-structured-text Skill zur Auswahl von Regex oder LLM bei der Extraktion strukturierter Texte. Starte mit deterministischem Parsen, ergänze LLM-Validierung für grenzwertige Unsicherheitsfälle und nutze eine günstigere, zuverlässigere Pipeline für Dokumente, Formulare, Rechnungen und Datenanalysen.

clickhouse-io ist eine auf ClickHouse spezialisierte Skill für Schemadesign, analytisches SQL, Ingestion-Muster und Performance-Tuning. Nutzen Sie sie, um MergeTree-Entscheidungen, Partitionierung, materialisierte Sichten und die workload-spezifische Abfrageoptimierung gezielt zu steuern.

data-analyst ist ein schlankes GitHub-Skill, das Agents bei SQL, pandas und grundlegender statistischer Analyse für die Datenexploration anleitet. Am besten geeignet für Nutzer, die codegestützte Abfragen, Transformationen und Interpretationen aus einer einzigen SKILL.md-Prompt-Schicht erhalten möchten.

retro ist eine Retro-Skill für Engineering-Teams. Sie analysiert Commit-Verlauf, Arbeitsmuster und frühere Erkenntnisse, um ein strukturiertes wöchentliches Retro mit Kontinuität zu erstellen. Nutze retro für Sprint-Reviews, Fragen wie „Was haben wir geliefert?“ und Check-ins im Project Management.

xlsx ist ein Claude-Skill für Tabellen-Workflows zum Erstellen, Bearbeiten, Analysieren, Formatieren und Neuberechnen von .xlsx-, .xlsm-, .csv- und .tsv-Dateien. Der Fokus liegt auf fehlerfreien Formeln, dem Erhalt vorhandener Arbeitsmappen-Vorlagen, Formatierungskonventionen für Finanzmodelle und LibreOffice-basierter Neuberechnung mit recalc.py.

textrazor-automation ist ein Claude-Skill zur Automatisierung von Textrazor-Aufgaben über Composio Rube MCP, mit Tool-Erkennung, Verbindungsprüfungen und schema-bewusster Ausführung.

rosette-text-analytics-automation unterstützt Agents dabei, Rosette Text Analytics über Composio Rube MCP auszuführen: Verbindungen prüfen, Live-Tool-Schemas mit RUBE_SEARCH_TOOLS ermitteln und Workflows für Textanalyse starten.

microsoft_clarity-automation unterstützt Agents dabei, Microsoft Clarity über Composio Rube MCP für Sitzungsaufzeichnungen, Heatmaps und Verhaltensanalysen zu nutzen. Der Skill legt den Schwerpunkt auf RUBE_SEARCH_TOOLS als ersten Schritt, eine aktive Clarity-Verbindung und schema-bewusste Nutzung.

googlebigquery-automation hilft Agents, über Rube MCP und Metabase auf BigQuery-Daten zuzugreifen, Verbindungen zu prüfen, Metadaten zu inspizieren und native SQL- oder MBQL-Analysen auszuführen, ohne Schemas erraten zu müssen.

eodhd-apis-automation unterstützt Agenten dabei, EODHD API-Workflows über Composio Rube MCP zu automatisieren – mit Tool-Erkennung als erstem Schritt, Verbindungsprüfungen und schema-bewusster Ausführung.

college-football-data-automation hilft Agenten, College Football Data-Aufgaben über Rube MCP und Composio zu automatisieren. Der Guide erklärt die Setup-Anforderungen, Tool-Erkennung mit RUBE_SEARCH_TOOLS, Verbindungsprüfungen und praxistaugliche Nutzungsmuster.

startup-metrics-framework unterstützt Gründer, Analysten und operative Teams dabei, Startup-KPIs wie CAC, LTV, Burn Multiple, Runway und Wachstumskennzahlen für SaaS-, Marketplace-, Consumer- und B2B-Startups zu berechnen.

Nutze die market-sizing-analysis Skill, um strukturierte TAM-, SAM- und SOM-Schätzungen mit Top-down-, Bottom-up- und Value-Theory-Methoden zu erstellen. Behandelt Einsatzkontext, wichtige Dateien, Eingaben, Workflow und die praktische Nutzung für Startup-Marktgrößenanalysen und Data Analysis.

startup-financial-modeling unterstützt Agents beim Aufbau von 3- bis 5-jährigen Finanzmodellen für Startups – mit Cohort-Umsätzen, Kostenstruktur, Burn, Runway und Fundraising-Szenarien. Besonders geeignet für Gründer:innen und Finance-Verantwortliche, die vor der Installation Kontext, klare Eingaben und praxisnahe Nutzungshinweise aus der SKILL.md brauchen.

risk-metrics-calculation unterstützt bei der Berechnung von Portfoliorisikokennzahlen wie VaR, CVaR, Sharpe, Sortino, Beta, Volatilität und Drawdown. Damit lassen sich Renditereihen in strukturiertes Risikoreporting, Python-Umsetzungsmuster und praxisnahe Interpretationen für Finance-Workflows überführen.

Die Skill backtesting-frameworks unterstützt bei der Konzeption und Prüfung von Backtests für Handelsstrategien mit stärkeren Kontrollen gegen Look-ahead Bias, Survivorship Bias, Overfitting, Transaktionskosten und Walk-forward-Validierung im Finanzbereich.

spark-optimization ist ein praxisnaher Leitfaden, um langsame Apache-Spark-Jobs zu analysieren – mit Fokus auf Partitionierung, Shuffle, Skew, Caching und Speicher-Tuning. Nutzen Sie ihn, um die Skill aus wshobson/agents zu installieren, `SKILL.md` zu lesen und auf Basis von Symptomen in der Spark UI, Cluster-Einstellungen und Query-Mustern fundierte Optimierungen abzuleiten.

product-analytics hilft Agenten in Product-Management-Workflows dabei, KPIs zu definieren, AARRR-, North Star- oder HEART-Frameworks auszuwählen, Dashboards zu entwerfen und Retention, Kohorten, Funnels sowie Feature-Adoption zu analysieren.

experiment-designer hilft Product-Management-Teams dabei, A/B- und Feature-Experimente mit prüfbaren Hypothesen, Metriken, Stichprobenplanung, ICE-Priorisierung, Stoppregeln und Ergebnisinterpretation zu entwerfen.

senior-data-scientist ist ein Claude Skill für A/B-Testdesign, kausale Analysen, Feature Engineering und die Bewertung tabellarischer ML-Modelle. Er hilft bei Stichprobengrößen, Metrikauswahl, Leakage-Prüfungen, SHAP-Reviews und MLflow-style Tracking; die Skripte sind Gerüstvorlagen, keine vollständigen Engines.

channel-economics hilft RevOps- und Commercial-Verantwortlichen, Direct-, Partner-, Marketplace-, Reseller- oder OEM-Kanäle anhand vollständig berücksichtigter cost-to-serve-Werte, ROI-Perspektiven und begrenzter channel-mix-Empfehlungen zu vergleichen. Enthält Python-Scripts, Datentemplates und Hinweise zur Nutzung von channel-economics.

torchdrug ist ein PyTorch-nahes Toolkit für maschinelles Lernen mit Molekülen und Proteinen. Nutzen Sie den torchdrug Skill, um Tasks, Datensätze und modulare Modelle für Graph Neural Networks, Proteinmodellierung, Knowledge-Graph-Reasoning, Molekülgenerierung und Retrosynthese auszuwählen. Am besten geeignet für die Entwicklung eigener Modelle und reproduzierbare Konfigurationen, nicht nur für vorgefertigte Demos.

torch-geometric Skill-Guide für PyTorch Geometric Graph Neural Networks. Nutzen Sie ihn für Hilfe bei der Installation von torch-geometric, zur Anwendung von torch-geometric, für Graphklassifikation, Node-Klassifikation, Link Prediction, heterogene Graphen, benutzerdefinierte MessagePassing-Layer und das Skalieren von GNNs in Machine-Learning-Workflows.