senior-data-scientist
por alirezarezvanisenior-data-scientist es una skill de Claude para diseño de pruebas A/B, razonamiento causal, feature engineering y evaluación de ML tabular. Úsala para orientar el cálculo del tamaño de muestra, la elección de métricas, revisiones de leakage, análisis con SHAP y seguimiento al estilo MLflow; los scripts son plantillas de andamiaje, no motores completos.
Esta skill obtiene 64/100, lo que significa que es aceptable para listar, pero conviene presentarla como una skill amplia de prompts y patrones, no como un kit de herramientas de ciencia de datos listo para producción. Los usuarios del directorio pueden entender cuándo invocarla y obtener andamiaje útil de flujo de trabajo a partir de SKILL.md, pero los scripts y las referencias de apoyo son demasiado genéricos para justificar una confianza alta.
- El frontmatter incluye una descripción detallada y fácil de activar que cubre casos de uso de A/B testing, inferencia causal, modelado predictivo, feature engineering e interpretación de negocio.
- SKILL.md incluye contenido de flujo de trabajo y fragmentos de código concretos, como patrones para el cálculo del tamaño de muestra y el análisis de experimentos, lo que da a los agentes más estructura que un prompt genérico de ciencia de datos.
- El repositorio incluye referencias y scripts con nombre para diseño de experimentos, feature engineering y evaluación de modelos, lo que indica la cobertura de flujo de trabajo prevista aunque la profundidad de implementación sea irregular.
- Los archivos de apoyo parecen en su mayoría plantillas genéricas: las referencias repiten principios generales de producción en lugar de ofrecer guía estadística específica del dominio.
- Los scripts parecen esqueletos de trabajo, con comentarios de marcador como "Add validation logic" y métodos de procesamiento genéricos, más que herramientas completas para experimentos, feature engineering o evaluación de modelos.
Descripción general de senior-data-scientist skill
Para qué sirve senior-data-scientist
La skill senior-data-scientist es una skill de Claude alojada en GitHub para modelado estadístico, diseño de experimentos, inferencia causal, ingeniería de variables y evaluación de modelos predictivos. Está pensada para usuarios que quieren que un asistente de IA razone como un científico de datos sénior al planificar pruebas A/B, revisar flujos de trabajo de ML tabular, elegir métricas de evaluación o traducir resultados de modelos en decisiones de negocio.
Usuarios y trabajos para los que encaja mejor
Usa esta skill cuando ya tengas un problema concreto de analítica o Machine Learning y necesites ayuda estructurada: planificación de tamaño de muestra, interpretación de pruebas de dos proporciones, planteamiento de difference-in-differences, diseño de pipelines de features, estrategia de validación cruzada, tradeoffs entre AUC-ROC y AUC-PR, explicación basada en SHAP o seguimiento de experimentos al estilo MLflow. El encaje más fuerte es senior-data-scientist for Machine Learning con datos estructurados, especialmente clasificación, regresión y análisis de experimentos controlados.
Qué la diferencia de un prompt genérico
Un prompt genérico puede producir consejos amplios. La senior-data-scientist skill le da al agente un marco de dominio: validez experimental, supuestos estadísticos, fuga de información en features, diseño de evaluación y preparación para producción. El SKILL.md original incluye ejemplos orientados a código para pruebas A/B y flujos de trabajo de modelos, mientras que los archivos de apoyo sugieren líneas de ayuda para diseño experimental, ingeniería de variables y evaluación de modelos.
Advertencias importantes antes de adoptarla
No es un paquete completo de ciencia de datos listo para usar. Los archivos de scripts/ parecen utilidades tipo scaffold más que motores estadísticos terminados, y los archivos de references/ son de alto nivel. Instálala para obtener guía del agente y estructura de trabajo, no como sustituto de validar fórmulas, ejecutar tus propios notebooks o revisar los supuestos estadísticos con tu equipo.
Cómo usar senior-data-scientist skill
Instalación de senior-data-scientist y revisión de archivos
Instala desde el repositorio con:
npx skills add alirezarezvani/claude-skills --skill senior-data-scientist
Después de instalar, lee primero SKILL.md porque contiene la sustancia real del flujo de trabajo. Luego revisa scripts/experiment_designer.py, scripts/feature_engineering_pipeline.py y scripts/model_evaluation_suite.py para entender los patrones de automatización previstos. Trata references/experiment_design_frameworks.md, references/feature_engineering_patterns.md y references/statistical_methods_advanced.md como notas de orientación, no como documentación autoritativa.
Entradas que hacen útil la skill
La skill funciona mejor cuando aportas el contexto de decisión, no solo el nombre de la técnica. Para experimentos, incluye tasa base, efecto mínimo detectable, tráfico, unidad de asignación, métrica principal, métricas de guardrail, duración esperada y si hay comparaciones múltiples. Para trabajo de ML, incluye definición del target, granularidad del dataset, riesgos de leakage, balance de clases, restricciones del train/test split, coste de negocio de falsos positivos frente a falsos negativos y entorno de despliegue.
Prompt débil: “Help me evaluate my model.”
Prompt más sólido: “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.”
Flujo de uso práctico de senior-data-scientist
Empieza pidiendo al agente que reformule los supuestos antes de resolver. Después solicita un plan, cálculos o pseudocódigo, y una checklist de validación. Para una prueba A/B, haz que separe diseño y análisis: tamaño de muestra, unidad de aleatorización, elegibilidad, definición de métricas, potencia, y luego prueba estadística e interpretación. Para ingeniería de variables, pide un pipeline que distinga campos crudos, features derivadas, transformaciones ajustadas solo con datos de entrenamiento, tratamiento de valores faltantes y monitoreo. Para selección de modelos, solicita diseño de validación cruzada, justificación de métricas, análisis de errores y monitoreo en producción.
Cuándo usar scripts y cuándo usar prompts
Usa los scripts como plantillas si quieres crear tooling local con logging, carga de configuración y estructura de procesos. No asumas que ejecutarán diseño experimental, ingeniería de variables o evaluación de modelos completos directamente. Para la mayoría de los usuarios, el valor inmediato está en invocar la skill en el chat con contexto abundante y luego adaptar cualquier código Python, SQL o R generado a tu propio entorno probado.
Preguntas frecuentes sobre senior-data-scientist skill
¿senior-data-scientist es buena para principiantes?
Puede ayudar a principiantes a entender la forma del trabajo profesional de ciencia de datos, pero presupone que puedes describir datos, métricas y objetivos de modelado. Si estás empezando en estadística, pide al agente que explique los supuestos y modos de fallo en lenguaje claro antes de pedir código.
¿En qué se diferencia de pedirle ayuda de ciencia de datos a Claude?
La skill orienta al asistente hacia preocupaciones propias de un científico de datos sénior: diseño experimental, validez causal, evaluación de modelos, leakage de features e interpretación de negocio. Eso la hace más fiable para flujos de analítica recurrentes que un prompt abierto, pero aun así debes aportar contexto de dominio y verificar los resultados.
¿Puede ejecutar pipelines completos de Machine Learning?
No por sí sola. El repositorio contiene scripts de Python tipo scaffold y ejemplos de flujo de trabajo, no una plataforma completa de AutoML o MLOps. Usa la skill senior-data-scientist para diseñar, criticar y generar componentes de un pipeline; ejecuta y valida esos componentes en tu propio entorno Python, R, SQL, Scikit-learn, XGBoost o MLflow.
¿Cuándo no debería usar esta skill?
Evita usarla como única autoridad para decisiones reguladas, análisis clínicos, modelos de riesgo financiero o afirmaciones causales con identificación débil. Tampoco encaja bien con trabajo de deep learning no estructurado donde la tarea central es visión por computadora, voz o ajuste de arquitecturas neuronales a gran escala, en lugar de analítica tabular y diseño experimental.
Cómo mejorar senior-data-scientist skill
Mejora los resultados de senior-data-scientist con mejores prompts
Dale a la skill la misma información que pediría un revisor sénior: objetivo, granularidad de los datos, ventana temporal, definiciones de métricas, restricciones, umbral de decisión y qué acción se tomará a partir del resultado. Pide “assumptions, risks, recommended method, code sketch, and validation checks” para evitar respuestas superficiales.
Fallos comunes a vigilar
Presta atención a desajustes de métricas, target leakage, experimentos sin potencia suficiente, sesgo post-tratamiento, inflación por múltiples pruebas, unidades de aleatorización inadecuadas y afirmaciones causales exageradas a partir de datos observacionales. Si la primera respuesta omite estos puntos, pide explícitamente a la skill senior-data-scientist que audite el diseño en busca de riesgos estadísticos y operativos.
Itera después de la primera respuesta
No te quedes con el primer plan. Haz preguntas de seguimiento como: “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?” o “Show the SQL/Python validation queries I should run before modeling.”
Refuerza el repositorio en local
Si adoptas la skill de forma intensiva, mejórala añadiendo plantillas específicas de tu proyecto: formularios de entrada para experimentos, diccionarios de métricas, checklists de leakage, formatos de model card, convenciones de logging en MLflow y scripts de utilidad probados. La mejora más importante es reemplazar el código scaffold genérico por funciones validadas para los flujos reales de experimentación, features y evaluación de tu equipo.