Data Analysis

social-graph-ranker est la couche de classement pondéré des graphes pour découvrir des introductions à chaud, scorer les ponts et analyser les trous de réseau sur X et LinkedIn. Utilisez le skill social-graph-ranker lorsque vous avez besoin d’un moteur de classement réutilisable pour Lead Research, et non d’un workflow complet d’outbound ou de maintenance de réseau.

Skill regex-vs-llm-structured-text pour choisir entre regex et LLM dans l’extraction de texte structuré. Commencez par un parsing déterministe, ajoutez une validation par LLM pour les cas limites à faible confiance, et utilisez un pipeline plus économique et plus fiable pour les documents, formulaires, factures et l’analyse de données.

clickhouse-io est une skill centrée sur ClickHouse pour la conception de schémas, le SQL analytique, les patterns d’ingestion et l’optimisation des performances. Utilisez-la pour guider le choix des MergeTree, le partitionnement, les vues matérialisées et l’optimisation des requêtes selon la charge de travail.

data-analyst est une skill GitHub minimaliste qui oriente les agents vers SQL, pandas et l’analyse statistique de base pour l’exploration de données. Elle convient surtout aux utilisateurs qui veulent obtenir, depuis une seule couche de prompt SKILL.md, des requêtes, des transformations et des interprétations appuyées par du code.

retro est une skill de rétrospective de projet pour les équipes d’ingénierie. Elle analyse l’historique des commits, les modes de travail et les apprentissages précédents pour générer une rétro hebdomadaire structurée et cohérente dans la durée. Utilisez retro pour les revues de sprint, les questions du type « qu’avons-nous livré ? » et les points de suivi en gestion de projet.

xlsx est un skill Claude pour les workflows de feuilles de calcul : création, modification, analyse, mise en forme et recalcul de fichiers .xlsx, .xlsm, .csv et .tsv. Il met l’accent sur l’absence d’erreurs de formule, la préservation des modèles de classeurs existants, les conventions de mise en forme des modèles financiers et le recalcul basé sur LibreOffice avec recalc.py.

textrazor-automation est un skill Claude qui automatise des tâches Textrazor via Composio Rube MCP, avec découverte des outils, vérification des connexions et exécution tenant compte des schémas.

rosette-text-analytics-automation aide les agents à exécuter Rosette Text Analytics via Composio Rube MCP en vérifiant les connexions, en découvrant les schémas d’outils actifs avec RUBE_SEARCH_TOOLS et en lançant des workflows d’analyse de texte.

microsoft_clarity-automation aide les agents à utiliser Microsoft Clarity via Composio Rube MCP pour les enregistrements de session, les heatmaps et l’analyse des comportements. Il met l’accent sur l’appel prioritaire à RUBE_SEARCH_TOOLS, la configuration d’une connexion Clarity active et une utilisation tenant compte des schémas.

googlebigquery-automation aide les agents à utiliser Rube MCP et Metabase pour accéder aux données BigQuery, vérifier les connexions, inspecter les métadonnées et lancer des analyses en SQL natif ou en MBQL sans deviner les schémas.

eodhd-apis-automation aide les agents à automatiser des workflows d’API EODHD via Composio Rube MCP, avec découverte des outils en amont, vérification des connexions et exécution tenant compte des schémas.

college-football-data-automation aide les agents à automatiser des tâches College Football Data via Rube MCP et Composio. Retrouvez les prérequis de configuration, la découverte d’outils avec RUBE_SEARCH_TOOLS, les vérifications de connexion et les bonnes pratiques d’usage.

startup-metrics-framework aide les fondateurs, analystes et équipes opérationnelles à calculer des KPI startup comme le CAC, le LTV, le burn multiple, la runway et des métriques de croissance pour les startups SaaS, marketplace, grand public et B2B.

Utilisez la compétence market-sizing-analysis pour construire des estimations structurées de TAM, SAM et SOM avec des approches top-down, bottom-up et par la théorie de la valeur. Couvre le contexte d’installation, les fichiers clés, les entrées, le workflow et l’usage pratique pour le dimensionnement de marché de startup et la Data Analysis.

startup-financial-modeling aide les agents à construire des modèles financiers de startup sur 3 à 5 ans avec revenus par cohortes, structure de coûts, burn, runway et scénarios de levée de fonds. Idéal pour les fondateurs et responsables finance qui ont besoin d'un contexte d'installation, d'entrées clairement définies et de conseils d'usage concrets issus du SKILL.md de la skill.

risk-metrics-calculation aide à calculer des indicateurs de risque de portefeuille comme la VaR, la CVaR, le ratio de Sharpe, le ratio de Sortino, le bêta, la volatilité et le drawdown. Utilisez-le pour transformer des séries de rendements en reporting de risque structuré, en modèles d’implémentation Python et en repères d’interprétation concrets pour les workflows financiers.

Le skill backtesting-frameworks aide à concevoir et à relire des backtests de stratégies de trading avec des garde-fous plus solides contre le biais d’anticipation, le biais de survivance, le surapprentissage, les coûts de transaction et la validation walk-forward en finance.

spark-optimization est un guide pratique pour diagnostiquer les jobs Apache Spark lents grâce au partitionnement, au shuffle, au skew, au caching et au réglage mémoire. Utilisez-le pour installer la skill depuis wshobson/agents, consulter SKILL.md et appliquer des correctifs fondés sur des indices concrets issus de Spark UI, des paramètres du cluster et des schémas de requêtes.

product-analytics aide les agents à définir des KPI, choisir les frameworks AARRR, North Star ou HEART, concevoir des dashboards, et analyser la rétention, les cohortes, les funnels ainsi que l’adoption de fonctionnalités dans les workflows de Product Management.

experiment-designer aide les équipes Product Management à concevoir des expériences A/B et des tests de fonctionnalités avec des hypothèses testables, des métriques, une planification de taille d’échantillon, une priorisation ICE, des règles d’arrêt et une interprétation des résultats.

senior-data-scientist est une skill Claude pour la conception de tests A/B, le raisonnement causal, le feature engineering et l’évaluation de ML tabulaire. Utilisez-la pour cadrer le dimensionnement d’échantillon, le choix des métriques, les contrôles de fuite de données, la revue SHAP et le suivi de type MLflow ; les scripts fournis sont des gabarits, pas des moteurs complets.

channel-economics aide les équipes RevOps et les directions commerciales à comparer les canaux directs, partenaires, marketplace, reseller ou OEM avec une vision complète du cost-to-serve, du ROI et des recommandations de mix de canaux sous contraintes. Inclut des scripts Python, des modèles de données et des conseils d’utilisation de channel-economics.

torchdrug est une boîte à outils native PyTorch pour le machine learning des molécules et des protéines. Utilisez le skill torchdrug pour choisir les tâches, les jeux de données et les modèles modulaires dédiés aux graph neural networks, à la modélisation des protéines, au raisonnement sur les knowledge graphs, à la génération moléculaire et à la rétrosynthèse. Il convient surtout au développement de modèles sur mesure et à des configurations reproductibles, pas seulement à des démonstrations prêtes à l’emploi.

Guide du skill torch-geometric pour les réseaux de neurones graphiques PyTorch Geometric. Utilisez-le pour l’aide à l’installation de torch-geometric, l’utilisation de torch-geometric, la classification de graphes, la classification de nœuds, la prédiction de liens, les graphes hétérogènes, les couches MessagePassing personnalisées et la mise à l’échelle des GNN dans des workflows de Machine Learning.