Data Analysis

social-graph-ranker는 X와 LinkedIn 전반에서 따뜻한 소개 경로 탐색, 브리지 스코어링, 네트워크 갭 분석을 위한 가중 그래프 랭킹 계층입니다. Lead Research에서 재사용 가능한 랭킹 엔진이 필요할 때 social-graph-ranker 스킬을 사용하세요. 전체 아웃바운드나 네트워크 유지보수 워크플로까지 대체하는 용도는 아닙니다.

구조화된 텍스트 추출에서 regex와 LLM 중 무엇을 선택할지 판단하는 regex-vs-llm-structured-text 스킬입니다. 먼저 결정론적 파싱으로 시작하고, 신뢰도가 낮은 예외에는 LLM 검증을 더한 뒤, 문서·양식·청구서·데이터 분석에 더 저렴하고 신뢰도 높은 파이프라인을 사용하세요.

clickhouse-io는 스키마 설계, 분석 SQL, 데이터 적재 패턴, 성능 튜닝에 초점을 맞춘 ClickHouse 전용 스킬입니다. MergeTree 선택, 파티셔닝, materialized views, 그리고 워크로드별 쿼리 최적화 방향을 잡을 때 유용합니다.

data-analyst는 데이터 탐색을 위해 SQL, pandas, 기본 통계 분석으로 에이전트를 안내하는 미니멀한 GitHub 스킬입니다. 하나의 SKILL.md 프롬프트 레이어에서 코드 기반 질의, 데이터 변환, 해석까지 처리하고 싶은 사용자에게 특히 잘 맞습니다.

retro는 엔지니어링 팀을 위한 프로젝트 회고 skill입니다. 커밋 히스토리, 작업 패턴, 이전 학습 내용을 분석해 맥락이 이어지는 구조화된 주간 회고를 만들어 줍니다. 스프린트 리뷰, 이번에 무엇을 배포했는지 확인할 때, Project Management 체크인에 활용하세요.

xlsx는 .xlsx, .xlsm, .csv, .tsv 파일을 생성, 편집, 분석, 서식 지정, 재계산하기 위한 Claude 스프레드시트 스킬입니다. 수식 오류를 없애는 것, 기존 워크북 템플릿을 보존하는 것, 재무 모델의 서식 관례를 지키는 것, 그리고 recalc.py를 통한 LibreOffice 기반 재계산에 중점을 둡니다.

textrazor-automation은 Composio Rube MCP를 통해 Textrazor 작업을 자동화하는 Claude skill입니다. tool discovery, 연결 확인, schema-aware 실행을 지원합니다.

rosette-text-analytics-automation은 연결 상태를 확인하고, RUBE_SEARCH_TOOLS로 실시간 도구 스키마를 찾아내며, 텍스트 분석 워크플로를 실행하도록 도와 Composio Rube MCP를 통해 에이전트가 Rosette Text Analytics를 사용할 수 있게 합니다.

microsoft_clarity-automation은 에이전트가 Composio Rube MCP를 통해 Microsoft Clarity의 세션 녹화, 히트맵, 행동 분석을 활용할 수 있도록 돕습니다. 먼저 RUBE_SEARCH_TOOLS를 사용하고, 활성화된 Clarity 연결을 설정하며, 스키마를 인지한 방식으로 사용하는 데 초점을 둡니다.

googlebigquery-automation은 에이전트가 Rube MCP와 Metabase를 사용해 BigQuery 데이터에 접근하고, 연결을 검증하며, 메타데이터를 확인하고, 스키마를 추측하지 않고 네이티브 SQL 또는 MBQL 분석을 실행하도록 돕습니다.

eodhd-apis-automation은 Composio Rube MCP를 통해 에이전트가 EODHD API 워크플로를 자동화하도록 돕습니다. 먼저 도구를 검색하고, 연결 상태를 확인한 뒤, 스키마를 고려해 실행하는 흐름을 지원합니다.

college-football-data-automation은 Rube MCP와 Composio를 통해 agent가 College Football Data 작업을 자동화하도록 돕습니다. 설정 요구사항, `RUBE_SEARCH_TOOLS`를 활용한 tool discovery, 연결 확인, 실전 사용 패턴을 확인해 보세요.

startup-metrics-framework는 창업자, 애널리스트, 운영 담당자가 SaaS, 마켓플레이스, 컨슈머, B2B 스타트업의 CAC, LTV, burn multiple, runway, 성장 지표 같은 핵심 KPI를 계산할 수 있도록 돕는 스킬입니다.

market-sizing-analysis 스킬을 사용해 top-down, bottom-up, value-theory 방식으로 구조화된 TAM, SAM, SOM 추정을 만들 수 있습니다. 설치 맥락, 핵심 파일, 입력값, 워크플로, 그리고 스타트업 시장 규모 산정과 Data Analysis에 활용하는 실전 방법까지 다룹니다.

startup-financial-modeling은 코호트 매출, 비용 구조, burn, runway, fundraising 시나리오를 포함한 3~5년 스타트업 재무 모델 구축을 돕는 스킬입니다. 설치 여부를 판단할 수 있는 맥락, 필요한 입력값, 그리고 SKILL.md 기반의 실용적인 활용 가이드가 필요한 창업자와 재무 리드에게 특히 적합합니다.

risk-metrics-calculation은 VaR, CVaR, Sharpe, Sortino, beta, volatility, drawdown 같은 포트폴리오 리스크 지표를 계산하는 데 도움을 줍니다. 수익률 시계열 데이터를 구조화된 리스크 리포팅으로 정리하고, Python 구현 패턴과 실무적인 해석 방법까지 금융 워크플로에 맞게 활용할 수 있습니다.

backtesting-frameworks 스킬은 금융 분야에서 트레이딩 전략 백테스트를 설계·검토할 때 선행 편향, 생존 편향, 과최적화, 거래 비용, 워크포워드 검증을 더 엄격하게 통제할 수 있도록 돕습니다.

spark-optimization은 Apache Spark 작업이 느려지는 원인을 partitioning, shuffle, skew, caching, memory tuning 관점에서 진단하는 실전형 가이드입니다. wshobson/agents에서 이 스킬을 설치하고, SKILL.md를 읽은 뒤, Spark UI 증상과 클러스터 설정, 쿼리 패턴을 바탕으로 근거 있는 개선 방법을 적용할 때 유용합니다.

product-analytics는 Product Management 워크플로에서 에이전트가 KPI를 정의하고, AARRR, North Star, HEART 프레임워크를 선택하며, 대시보드를 설계하고, 리텐션·코호트·퍼널·기능 채택을 분석할 수 있도록 돕습니다.

experiment-designer는 Product Management 팀이 검증 가능한 가설, 지표, 표본 크기 계획, ICE 우선순위화, 중단 규칙, 결과 해석을 바탕으로 A/B 실험과 기능 실험을 설계하도록 돕습니다.

senior-data-scientist는 A/B test 설계, 인과 추론, feature engineering, tabular ML 평가를 돕는 Claude skill입니다. sample sizing, metric 선택, leakage 점검, SHAP 검토, MLflow-style tracking을 안내할 때 유용합니다. 다만 scripts는 완성된 엔진이 아니라 scaffold templates입니다.

channel-economics는 RevOps 및 영업 조직 리더가 직접 판매, 파트너, marketplace, reseller, OEM 채널을 fully loaded cost-to-serve, ROI 관점, 제약 조건을 반영한 channel-mix 추천으로 비교할 수 있게 돕습니다. Python scripts, data templates, channel-economics 사용 가이드가 포함되어 있습니다.

torchdrug는 분자 및 단백질 머신러닝을 위한 PyTorch 네이티브 툴킷입니다. torchdrug 스킬을 사용해 그래프 신경망, 단백질 모델링, 지식 그래프 추론, 분자 생성, 역합성에 맞는 작업, 데이터셋, 모듈형 모델을 선택하세요. 단순한 데모가 아니라, 커스텀 모델 개발과 재현 가능한 설정에 특히 적합합니다.

PyTorch Geometric 그래프 신경망을 위한 torch-geometric 스킬 가이드입니다. torch-geometric 설치 도움, 사용법, 그래프 분류, 노드 분류, 링크 예측, 이종 그래프, 커스텀 MessagePassing 레이어, 그리고 머신러닝 워크플로에서 GNN 확장까지 다룰 때 활용하세요.