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.

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.

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.

sympy 스킬로 Python에서 대수, 미적분, 행렬, 물리 공식, 수론, 기하, 코드 생성까지 정확한 기호 수학을 처리하세요. 식을 정확하게 유지하고, 적절한 SymPy 모듈을 고르며, 부동소수점 위주의 오류를 피하는 데 도움이 됩니다. 기호 워크플로와 데이터 분석용 sympy를 실용적으로 다루려는 사용자에게 특히 적합합니다.

RDKit 스킬은 정밀한 화학정보학 워크플로를 지원합니다. SMILES, SDF, MOL, PDB, InChI 파싱부터 descriptor 계산, fingerprint 생성, substructure search, 반응 처리, 2D/3D 좌표 생성까지 다룹니다. 이 RDKit 가이드는 고급 제어, 사용자 정의 sanitization, 그리고 Data Analysis 워크플로에서의 RDKit 활용에 적합합니다.

qiskit은 회로를 만들고, 백엔드를 선택하고, 하드웨어에 맞게 transpile하며, 시뮬레이터 또는 IBM Quantum 디바이스에서 작업을 실행하는 데 쓰는 IBM 양자 컴퓨팅 스킬입니다. 화학, 최적화, 머신러닝에서 qiskit을 활용할 때 특히 잘 맞으며, 이론 중심의 qiskit 가이드보다 실전적인 설치 및 실행 안내가 필요할 때 유용합니다.

Open Notebook은 문서 분석, 메모, 출처 기반 채팅, 검색, 팟캐스트 스타일 요약을 지원하는 자체 호스팅 오픈소스 연구 작업 공간입니다. open-notebook 스킬을 사용하면 노트북을 정리하고, PDF·웹 페이지·오디오·비디오·Office 파일을 수집하며, Data Analysis를 위한 비공개 API 우선 워크플로를 지원할 수 있습니다.

hypogenic은 LLM 지원을 바탕으로 표나 텍스트에서 파생된 데이터셋에 대해 가설을 생성하고 검증하는 skill입니다. 분류 해석, 콘텐츠 분석, 허위 탐지처럼 경험적 질문을 구조화된 검증 가능 워크플로로 바꿔 데이터 분석에서의 hypogenic을 돕습니다. 단순한 브레인스토밍이 아니라 증거에 기반한 가설이 필요할 때 사용하세요.

hugging-science 스킬은 Hugging Science 카탈로그와 `hugging-science` Hugging Face org에서 과학 AI 리소스를 찾고 활용하는 데 도움을 줍니다. 생물학, 화학, 기후, 유전체학, 소재, 천문학 등에서 실제로 실행하거나 인용할 수 있는 데이터셋, 모델, Space, 블로그 글이 필요할 때 잘 맞습니다. 일반 검색보다 hugging-science 사용법과 hugging-science 가이드 워크플로를 따라갈 때 활용하세요.

histolab은 디지털 병리에서 whole-slide image(WSI) 전처리를 위한 Python 스킬입니다. 조직 검출, 타일 추출, H&E 슬라이드의 염색 정규화를 지원해 데이터셋 준비, 빠른 타일 기반 분석, 가벼운 데이터 분석 워크플로에 유용합니다. 마스크, 타일러, 슬라이드 관리를 중심으로 histolab을 설치하고 활용하는 실용적인 가이드를 제공합니다.

DiffDock는 PDB 구조 또는 단백질 서열과 SMILES, SDF, MOL2 형식의 리간드를 바탕으로 단백질-리간드 결합 포즈를 예측하는 도킹 기술입니다. 구조 기반 신약 설계, 가상 스크리닝, 신뢰도 점수가 포함된 포즈 분석에 DiffDock 기술을 활용할 수 있습니다. 결합 친화도 예측 용도는 아닙니다.

dhdna-profiler는 텍스트나 음성에서 인지 패턴과 사고의 지문을 추출합니다. 누군가가 어떻게 추론하고, 결정하고, 무엇을 중요하게 여기며, 어떻게 소통하는지 프로파일링할 때, 사고 스타일을 비교할 때, 또는 “내 사고 스타일은 어떤가요?” 같은 질문에 답할 때 유용합니다. 특히 구조화된 분석, 반복 비교, 그리고 한 문단 뒤에 숨은 사고방식을 더 깊이 들여다볼 때 효과적입니다.

user-personas 스킬은 조사 데이터로부터 JTBD, 고충, 기대효과, 예상 밖 인사이트를 담은 정교한 페르소나 3개를 생성합니다. 설문, 인터뷰, 기타 원천 자료가 있을 때 UX 리서치, 세분화, 온보딩 전략, 제품 의사결정을 위한 user-personas 작업에 활용하세요.

market-sizing는 상향식과 하향식 방법으로 TAM, SAM, SOM을 추정하는 데 도움을 줍니다. 검증 가능한 논리 흐름, 확인해야 할 가정, 그리고 실무에 바로 쓸 수 있는 1차 시장 규모 추정이 필요할 때, Market Research 워크플로, 시장 진입 의사결정, 투자자 자료, 출시 계획에 활용하세요.