Data Visualization

dashboard-builder hilft dir dabei, Kennzahlen in ein praxisnahes Betriebs-Dashboard für Grafana, SigNoz oder ähnliche Tools zu verwandeln. Nutze die dashboard-builder-Skill, wenn du einen klaren Leitfaden für Health, Engpässe, Durchsatz und handlungsorientierte Panels brauchst – statt eines bloßen Vorzeige-Dashboards.

visualization-expert ist eine schlanke Skill für Diagrammauswahl, Best Practices der Datenvisualisierung und Beispielcode mit matplotlib oder plotly. Sie hilft dabei, passendere Diagramme zu wählen, Dashboards zu beurteilen und klare, barrierearme Visualisierungsrichtlinien aus einer einzelnen SKILL.md-Datei anzuwenden.

grafana-dashboards unterstützt Agents beim Entwurf produktionsreifer Grafana-Dashboards für Observability. Nutzen Sie es, um Layouts nach RED und USE zu planen, die Panel-Hierarchie festzulegen und die Dashboard-Struktur für Metriken im Prometheus-Stil zu skizzieren.

Nutze die data-storytelling Skill, um Analysen in entscheidungsreife Narrative für Berichte, Executive-Updates und die Kommunikation mit Stakeholdern zu verwandeln – mit klarer Struktur und konkreten Handlungsimpulsen.

Die Skill kpi-dashboard-design unterstützt Teams dabei, entscheidungsorientierte KPI-Dashboards zu planen – mit Hilfestellung bei Metrikauswahl, Dashboard-Hierarchie, Diagramm-Mustern und Governance für Executive-, taktische und operative Ansichten.

Nutze die sympy-Skill für exakte symbolische Mathematik in Python, einschließlich Algebra, Analysis, Matrizen, physikalischer Formeln, Zahlentheorie, Geometrie und Codegenerierung. Sie hilft dir, Ausdrücke exakt zu halten, die passenden SymPy-Module auszuwählen und typische Fehler durch zu viel Fließkommaarithmetik zu vermeiden. Besonders geeignet für alle, die einen praktischen sympy-Leitfaden für symbolische Workflows und sympy für Data Analysis suchen.

qutip ist eine Python-Skill für Quantensimulation in der Physik und eignet sich für offene Quantensysteme, Dissipation, Zeitentwicklung und Quantenoptik. Nutzen Sie diesen qutip-Leitfaden für Mastergleichungen, Lindblad-Dynamik, Dekohärenz, Cavity QED, Simulationen von Zuständen und Operatoren sowie Beispiele aus Scientific Python. Nicht geeignet für schaltungsbasierte Quantencomputer.

metrics-dashboard hilft dir, ein Produkt-Metrics-Dashboard mit den richtigen KPIs, Visualisierungen und Alarm-Schwellen zu definieren und zu gestalten. Nutze es, um zu planen, was gemessen werden soll, wie Metriken gruppiert werden und welche Signale in Produkt-, Growth- oder Analytics-Workflows Aktionen auslösen sollten.

Führe cohort-analysis für Nutzerbindung, Engagement-Abnahme und Feature-Adoption nach Kohorte durch. Diese cohort-analysis Skill ist für Data-Analysis-Workflows gedacht, die Validierung, Berechnung, Visualisierung und klare Erkenntnisse aus strukturierten Nutzungsdaten benötigen.

app-analytics hilft dir dabei, Mobile-App-Tracking mit einem praxistauglichen Messplan aufzusetzen, zu interpretieren und zu verbessern. Nutze es, um die richtigen Tools auszuwählen, Events zu validieren, Attribution mit Ergebnissen zu verknüpfen und Data Analysis für Produkt-, Growth-, Abo- oder Paid-Acquisition-Entscheidungen zu unterstützen.

vega ist eine Skill zum Erstellen von Diagrammen, die strukturierte Daten in interaktive, datengetriebene Visualisierungen verwandelt — in den meisten Fällen mit Vega-Lite und für komplexe Layouts mit Vega. Nutze sie für Balken-, Linien-, Scatter-, Heatmap-, Flächen-, gestapelte und Multi-Series-Diagramme, wenn du echte Datenfelder hast und gültige JSON-Spezifikationen benötigst.

Das data-analytics-Skill erstellt PlantUML-Diagramme für Data-Analytics-Workflows, darunter ETL, ELT, Data Lakes, Warehouses, Streaming-Pipelines, Log-Analysen und BI-Dashboards. Es ist auf klare Flüsse von Quelle zu Ziel, AWS-Analytics-/Datenbank-Stencils und praxistaugliche Data-Analytics-Leitfäden optimiert – nicht auf generische Software- oder Cloud-Architekturdiagramme.

shap Skill für Modellinterpretierbarkeit und Explainable AI. Verwenden Sie ihn, um Vorhersagen zu verstehen, Feature-Attributions zu berechnen, SHAP-Plots auszuwählen und das Modellverhalten in der Datenanalyse für Tree-, lineare, Deep-Learning- und Black-Box-Modelle zu debuggen.

Seaborn ist ein seaborn-Skill für statistische Visualisierung in Python mit pandas-freundlichen Eingaben und starken Standardwerten. Verwenden Sie ihn für schnelles Explorieren von Verteilungen, Zusammenhängen, kategorialen Vergleichen, Boxplots, Violinplots, Pairplots und Heatmaps. Auf matplotlib aufgebaut, für statische, publikationsreife Diagramme.

scvelo ist ein Python-Skill für die RNA-Velocity-Analyse in Single-Cell-RNA-seq-Daten. Nutzen Sie ihn, um Zellzustandsübergänge aus ungespleißter und gespleißter mRNA zu schätzen, die Richtung von Trajektorien abzuleiten, die latente Zeit zu berechnen und Treiber-Gene zu identifizieren. Besonders hilfreich ist scvelo für Data Analysis, wenn Sie mehr Richtungsinformation benötigen als bei klassischem Clustering oder Pseudotime.

scientific-visualization ist eine Meta-Skill für publikationsreife Abbildungen. Verwenden Sie sie für Plots zur Zeitschrifteneinreichung mit mehrteiligen Layouts, Signifikanzmarkierungen, Fehlerbalken, farbenblind-sicheren Paletten und Nature/Science/Cell-ähnlicher Formatierung. Sie orchestriert matplotlib, seaborn und plotly für wissenschaftliche Visualisierung im Bereich Data Visualization.

scanpy-Skill für die Analyse von Single-Cell-RNA-seq-Daten in Python. Geeignet für QC, Normalisierung, PCA, UMAP/t-SNE, Clustering, Markergen-Analyse, Trajektorienanalyse und Plots in Publikationsqualität. Am besten für explorative scRNA-seq-Workflows rund um AnnData, mit klaren Hinweisen zur Nutzung von scanpy und zur Installation.

networkx ist ein Python-Skill zum Erstellen, Analysieren und Visualisieren von Graphen und komplexen Netzwerken. Nutzen Sie ihn für networkx-Einsätze bei kürzesten Wegen, Zentralität, Clustering, Community Detection, Graph-Konstruktion und networkx für Data-Analysis-Workflows. Am besten geeignet für Knoten-Kanten-Daten, bei denen Struktur und Beziehungen zählen.

matplotlib-Skill für Python-Plots mit voller Kontrolle über Achsen, Beschriftungen, Legenden, Layouts und Exportformate. Nutze ihn für wissenschaftliche Abbildungen, mehrteilige Analysen, benutzerdefinierte Diagrammtypen und reproduzierbare Visualisierungen, wenn du mehr Präzision brauchst als ein generischer Chart-Prompt bietet. Ein starker matplotlib-Leitfaden für Data Analysis und publikationsreife Plots.

Die matlab-Skill hilft dir dabei, MATLAB- oder GNU-Octave-Code für Matrixoperationen, Datenanalyse, Visualisierung, Statistik, Optimierung und wissenschaftliches Rechnen zu erstellen, zu debuggen und anzupassen. Nutze sie für lauffähige MATLAB-Beispiele, MATLAB für Datenanalyse, die Übersetzung von MATLAB nach Python oder Octave-kompatible Skripte, wenn du weniger Herumprobieren willst als mit einem allgemeinen Prompt.

Das Infographics-Skill hilft dir, aus einem Thema, Datensatz oder einer Story veröffentlichungsreife Visuals zu erstellen. Es unterstützt Infographics für Datenvisualisierung mit Nano Banana Pro für die Generierung, Gemini 3 Pro für die Qualitätsprüfung, optionaler Recherche, barrierearmen Farbpaletten und iterativer Verfeinerung für Marketing, Berichte, Zeitachsen, Vergleiche und Social-Media-Layouts.

geopandas-Skill für die georäumliche Analyse von Vektordaten in Python, inklusive Shapefiles, GeoJSON- und GeoPackage-Dateien. Damit können Sie räumliche Daten lesen, bereinigen, zusammenführen, puffern, zuschneiden, reprojizieren und exportieren – mit weniger Rätselraten.

etetoolkit ist ein Toolkit für phylogenetische Bäume im ETE-Workflow. Verwenden Sie das etetoolkit-Skill zum Parsen, Bearbeiten, Vergleichen, Rooten, Beschneiden und Visualisieren von Bäumen in Newick, NHX, PhyloXML oder NeXML. Es unterstützt Phylogenomik, Orthologie-/Paralogie-Analysen, NCBI-Taxonomie sowie PDF- oder SVG-Ausgabe im Publikationsstil.

Die deeptools-Skill unterstützt bei NGS-Analyse-Workflows mit deepTools: BAM-zu-bigWig-Konvertierung, QC, Probenvergleich sowie Heatmaps und Profildiagramme für ChIP-seq, RNA-seq, ATAC-seq und verwandte Assays. Nutze sie als praxisnahen deeptools-Leitfaden, wenn reproduzierbare Analysen und Visualisierungen per Kommandozeile gefragt sind.