senior-data-scientist
von alirezarezvanisenior-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.
Dieser Skill erreicht 64/100 Punkte. Damit ist er für eine Listung geeignet, sollte aber als breiter Prompt- und Pattern-Skill präsentiert werden, nicht als produktionsreifes Data-Science-Toolkit. Nutzer des Verzeichnisses können nachvollziehen, wann er sinnvoll eingesetzt wird, und aus SKILL.md nützliche Workflow-Gerüste gewinnen. Die unterstützenden Skripte und Referenzen sind jedoch zu allgemein, um ein hohes Vertrauen zu rechtfertigen.
- Das Frontmatter enthält eine ausführliche, gut auslösbare Beschreibung für Anwendungsfälle rund um A/B-Testing, kausale Inferenz, prädiktive Modellierung, Feature Engineering und geschäftliche Interpretation.
- SKILL.md bietet konkrete Workflow-Inhalte und Code-Snippets, darunter Muster für Stichprobengrößenberechnung und Experimentanalyse. Dadurch erhalten Agents mehr Struktur als bei einem generischen Data-Science-Prompt.
- Das Repository enthält benannte Referenzen und Skripte für Experimentdesign, Feature Engineering und Modellevaluierung. Das signalisiert die beabsichtigte Workflow-Abdeckung, auch wenn die Umsetzungstiefe uneinheitlich ist.
- Die Support-Dateien wirken größtenteils wie Boilerplate: Referenzen wiederholen allgemeine Produktionsprinzipien, statt domänenspezifische statistische Leitlinien zu liefern.
- Die Skripte wirken eher wie Scaffolds, mit Platzhalterkommentaren wie "Add validation logic" und generischen Verarbeitungsmethoden statt vollständiger Werkzeuge für Experimente, Feature Engineering oder Modellevaluierung.
Überblick über den senior-data-scientist skill
Wofür senior-data-scientist gedacht ist
Der senior-data-scientist skill ist ein auf GitHub gehosteter Claude Skill für statistische Modellierung, Experimentdesign, kausale Inferenz, Feature Engineering und die Bewertung prädiktiver Modelle. Er eignet sich besonders für Nutzerinnen und Nutzer, die möchten, dass ein KI-Assistent wie ein erfahrener Data Scientist argumentiert: etwa beim Planen von A/B-Tests, beim Review tabellarischer ML-Workflows, bei der Auswahl von Evaluationsmetriken oder beim Übersetzen von Modellergebnissen in Geschäftsentscheidungen.
Für wen und welche Aufgaben er am besten passt
Setze diesen Skill ein, wenn du bereits ein konkretes Analytics- oder Machine-Learning-Problem hast und strukturierte Unterstützung brauchst: Stichprobenplanung, Interpretation von Zwei-Anteils-Tests, Difference-in-Differences-Framing, Design von Feature-Pipelines, Cross-Validation-Strategie, Abwägung von AUC-ROC versus AUC-PR, SHAP-basierte Erklärungen oder Experiment-Tracking nach dem Vorbild von MLflow. Am stärksten ist senior-data-scientist for Machine Learning bei strukturierten Daten, insbesondere bei Klassifikation, Regression und der Analyse kontrollierter Experimente.
Was ihn von einem generischen Prompt unterscheidet
Ein generischer Prompt liefert oft eher breit gefasste Empfehlungen. Der senior-data-scientist skill gibt dem Agenten einen fachlichen Rahmen: experimentelle Validität, statistische Annahmen, Feature Leakage, Evaluationsdesign und Produktionsreife. Das Upstream-SKILL.md enthält codeorientierte Beispiele für A/B-Testing und Modell-Workflows; die unterstützenden Dateien deuten zusätzliche Hilfsrichtungen für Experimentdesign, Feature Engineering und Modellbewertung an.
Wichtige Hinweise vor der Einführung
Das ist kein vollständiges, sofort einsatzbereites Data-Science-Paket. Die Dateien unter scripts/ wirken eher wie Scaffold-Utilities als wie fertige statistische Engines, und die Dateien unter references/ sind allgemein gehalten. Installiere den Skill für Agentenführung und Workflow-Struktur, nicht als Ersatz dafür, Formeln zu validieren, eigene Notebooks auszuführen oder statistische Annahmen im Team zu prüfen.
So verwendest du den senior-data-scientist skill
Installation und Dateiprüfung für senior-data-scientist
Installiere ihn aus dem Repository mit:
npx skills add alirezarezvani/claude-skills --skill senior-data-scientist
Lies nach der Installation zuerst SKILL.md, denn dort steckt die eigentliche Workflow-Substanz. Sieh dir anschließend scripts/experiment_designer.py, scripts/feature_engineering_pipeline.py und scripts/model_evaluation_suite.py an, um die vorgesehenen Automatisierungsmuster zu verstehen. Behandle references/experiment_design_frameworks.md, references/feature_engineering_patterns.md und references/statistical_methods_advanced.md als Orientierungshilfen, nicht als maßgebliche Dokumentation.
Eingaben, die den Skill wirklich nützlich machen
Der Skill funktioniert am besten, wenn du den Entscheidungskontext mitlieferst und nicht nur den Namen einer Methode nennst. Für Experimente solltest du Baseline-Rate, minimal nachweisbaren Effekt, Traffic, Zuweisungseinheit, primäre Metrik, Guardrail-Metriken, erwartete Laufzeit und mögliche Mehrfachvergleiche angeben. Für ML-Arbeiten gehören Zieldefinition, Datengranularität, Leakage-Risiken, Klassenverteilung, Einschränkungen beim Train/Test-Split, Geschäftskosten von False Positives versus False Negatives und die Deployment-Umgebung dazu.
Schwacher Prompt: „Help me evaluate my model.“
Stärkerer Prompt: „Use the senior-data-scientist skill to review a binary churn model. We have 1.2M customer-month rows, 7% positive rate, time-based split by signup month, XGBoost baseline, AUC-ROC 0.81, AUC-PR 0.29, and retention offers cost $40. Check leakage risks, metric choice, thresholding, calibration, and what to log in MLflow.“
Praktischer Workflow mit senior-data-scientist
Bitte den Agenten zuerst, die Annahmen neu zu formulieren, bevor er die Lösung ausarbeitet. Fordere danach einen Plan, Berechnungen oder Pseudocode sowie eine Validierungs-Checkliste an. Bei einem A/B-Test sollte er Design und Analyse trennen: Stichprobengröße, Randomisierungseinheit, Eligibility, Metrikdefinition, Power, danach statistischer Test und Interpretation. Beim Feature Engineering solltest du nach einer Pipeline fragen, die Rohfelder, abgeleitete Features, nur auf Trainingsdaten gefittete Transformationen, Missing-Value-Behandlung und Monitoring klar unterscheidet. Bei der Modellauswahl fordere ein Cross-Validation-Design, eine Begründung der Metriken, Fehleranalyse und Produktionsmonitoring an.
Wann Scripts sinnvoll sind und wann Prompts reichen
Nutze die Scripts als Vorlagen, wenn du lokale Tools mit Logging, Config Loading und Prozessstruktur bauen möchtest. Gehe nicht davon aus, dass sie Experimentdesign, Feature Engineering oder Modellbewertung sofort vollständig übernehmen. Für die meisten Nutzer liegt der unmittelbare Nutzen darin, den Skill im Chat mit reichhaltigem Kontext aufzurufen und anschließend generierten Python-, SQL- oder R-Code in die eigene getestete Umgebung zu überführen.
FAQ zum senior-data-scientist skill
Ist senior-data-scientist für Einsteiger geeignet?
Er kann Einsteigerinnen und Einsteigern helfen, die Struktur professioneller Data-Science-Arbeit zu verstehen, setzt aber voraus, dass du Daten, Metriken und Modellierungsziele beschreiben kannst. Wenn du neu in der Statistik bist, bitte den Agenten zuerst, Annahmen und typische Fehlermodi in einfacher Sprache zu erklären, bevor du nach Code fragst.
Worin unterscheidet sich das von einer normalen Data-Science-Frage an Claude?
Der Skill richtet den Assistenten stärker auf Themen aus, die für erfahrene Data Scientists zentral sind: Experimentdesign, kausale Validität, Modellbewertung, Feature Leakage und geschäftliche Interpretation. Dadurch ist er für wiederkehrende Analytics-Workflows verlässlicher als ein offener Prompt. Trotzdem musst du Domänenkontext liefern und die Ergebnisse prüfen.
Kann er vollständige Machine-Learning-Pipelines ausführen?
Nicht eigenständig. Das Repository enthält scaffold-artige Python-Scripts und Workflow-Beispiele, aber keine vollständige AutoML- oder MLOps-Plattform. Nutze den senior-data-scientist skill, um Komponenten einer Pipeline zu entwerfen, zu kritisieren und zu generieren; ausführen und validieren solltest du diese Komponenten in deiner eigenen Python-, R-, SQL-, Scikit-learn-, XGBoost- oder MLflow-Umgebung.
Wann sollte ich diesen Skill nicht verwenden?
Verwende ihn nicht als alleinige Autorität für regulierte Entscheidungen, klinische Analysen, finanzielle Risikomodelle oder kausale Aussagen mit schwacher Identifikationsstrategie. Er passt auch schlecht zu unstrukturierter Deep-Learning-Arbeit, bei der die Kernaufgabe Computer Vision, Sprache oder großskaliges Tuning neuronaler Architekturen ist, statt tabellarischer Analytics und Experimentdesign.
So verbesserst du den senior-data-scientist skill
Bessere Ergebnisse mit senior-data-scientist durch bessere Prompts
Gib dem Skill dieselben Informationen, die auch ein erfahrener Reviewer anfordern würde: Ziel, Datengranularität, Zeitfenster, Metrikdefinitionen, Einschränkungen, Entscheidungsschwelle und welche Aktion aus dem Ergebnis folgen soll. Bitte um „assumptions, risks, recommended method, code sketch, and validation checks“, um oberflächliche Antworten zu vermeiden.
Typische Fehlermodi, auf die du achten solltest
Achte auf Metrik-Mismatch, Target Leakage, unterpowerte Experimente, Post-Treatment Bias, Inflation durch Multiple Testing, ungeeignete Randomisierungseinheiten und überzogene kausale Aussagen aus Beobachtungsdaten. Wenn die erste Antwort diese Punkte überspringt, bitte den senior-data-scientist skill ausdrücklich, das Design auf statistische und operative Risiken zu auditieren.
Nach der ersten Antwort iterieren
Hör nicht beim ersten Plan auf. Stelle Folgefragen wie: „What would invalidate this conclusion?“, „What sensitivity checks should I run?“, „Which metric should be the primary decision metric?“, „How would this change with a 3% baseline rate?“ oder „Show the SQL/Python validation queries I should run before modeling.“
Das Repository lokal stärken
Wenn du den Skill intensiv nutzt, verbessere ihn durch projektspezifische Templates: Experiment-Intake-Formulare, Metrik-Wörterbücher, Leakage-Checklisten, Model-Card-Formate, MLflow-Logging-Konventionen und getestete Utility-Scripts. Der größte Hebel ist, generischen Scaffold-Code durch validierte Funktionen für die tatsächlichen Experiment-, Feature- und Evaluations-Workflows deines Teams zu ersetzen.