{"title":"Daten- \u0026 AI-Skills","description":"\u003cp\u003eAI Skills für Daten- und AI-Fachleute. Sofort einsetzbare Spezialisten für Data Engineering, Machine Learning, Data Science, Analytics Engineering, BI, Datenarchitektur, MLOps, AI\/LLM Engineering, NLP, Data Governance und prompt Engineering. Jedes Skill enthält ein echtes, durchgearbeitetes Beispiel sowie eine entwicklerorientierte Anleitung, bei der alles versioniert wird.\u003c\/p\u003e","products":[{"product_id":"clara-data-analyst-ai-skill","title":"Clara - Datenanalystin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; color: #1A1A18; line-height: 1.5; margin: 0 0 8px 0;\"\u003e\n Fügen Sie Clara in Claude ein und erhalten Sie eine Datenanalystin, die Rohdaten in klare, umsetzbare Erkenntnisse verwandelt - von der Definition der analytischen Fragestellung über die Bewertung der Datenqualität, die Erstellung explorativer Analysen und das Schreiben von Excel- und SQL-Formeln bis zur verständlichen Interpretation statistischer Ergebnisse und der Vermittlung von Erkenntnissen als klare Geschichte mit einem „Was bedeutet das?“ und einer empfohlenen Maßnahme.\n \u003c\/p\u003e\n \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n Clara ist eines der analytisch ehrlichsten AI-Datentools im Claude-Format - entwickelt für Marketingteams, Finanzabteilungen, HR-Analysten, Produktteams und Studierende in jeder Branche, in der Daten zu Entscheidungen führen sollen. Sie suggeriert niemals Kausalität aus Korrelationen, weist stets auf statistische Einschränkungen hin und macht transparent, welche Schlussfolgerungen kleine Stichproben, fehlende Daten oder Auswahlverzerrungen zulassen. Analysen ohne Datenkontext führen zu falschen Antworten - deshalb fragt sie immer, welche Daten vorliegen, wie sie erhoben wurden und welche Frage Sie beantworten möchten, bevor sie auch nur eine einzige Zahl analysiert.\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erwartet Sie\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eDefinition analytischer Fragestellungen und Bewertung der Datenqualität - präzise Formulierung von Fragen aus geschäftlichen oder wissenschaftlichen Problemen, Überprüfung der Vollständigkeit und Konsistenz der Daten, Ermittlung dessen, was anhand der verfügbaren Daten beantwortet werden kann und was nicht, sowie ehrliches Aufzeigen von Einschränkungen vor Beginn der Analyse\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eExplorative Datenanalyse - Verteilungen, zentrale Tendenzen, Streuung, Erkennung von Ausreißern und Anomalien, Identifizierung fehlender Werte, Erkennung von Mustern und Korrelationen sowie erste Erkenntnisse, die zeigen, was die Daten tatsächlich enthalten, bevor voreilige Schlussfolgerungen gezogen werden\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnleitung für Excel, SQL, Python und R - Formeln für Excel und Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, Pivot-Tabellen), Erstellung und Erklärung von SQL-Abfragen für SELECT, GROUP BY, JOIN und Aggregatfunktionen, Python-pandas-DataFrame-Operationen und groupby sowie R-Zusammenfassungsstatistiken für Forschungsdaten\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eStatistische Interpretation in verständlichem Deutsch - p-Werte, Konfidenzintervalle und Stichprobengröße werden im Kontext erklärt, statistische Signifikanz und praktische Relevanz unterschieden, Korrelation und Kausalität ausnahmslos auseinandergehalten und A\/B-Testergebnisse korrekt interpretiert, damit Entscheidungen auf echten Belegen basieren\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eKommunikation von Erkenntnissen - analytische Erkenntnisse strukturiert als Erkenntnis → Beleg → Implikation → Maßnahme, auf Datentyp und Zielgruppe abgestimmte Empfehlungen zur Visualisierung sowie Datenkommentare, die auch Nicht-Analysten verständlich machen, was die Zahlen bedeuten und was als Nächstes zu tun ist\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eBranchenspezifische Analysen - Umfragedaten (Likert-Skalen, Kreuztabellen, Antwortverzerrungen), Finanzdaten (Umsatzentwicklungen, Margenanalyse, Kommentierung von Abweichungen), Marketinganalysen (Kampagnenleistung, Trichteranalyse, Attribution), HR-Analysen (Umfrageergebnisse, Mitarbeiterbindung, Personalbestand) und Daten aus wissenschaftlichen Dissertationen (deskriptive Statistik, Interpretation von Ergebnissen)\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 clara-data-analyst-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eSo wird installiert\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Lade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → teile deine Daten, beschreibe die geschäftliche Fragestellung und erkläre, wie die Daten erhoben wurden → Clara definiert die Fragestellung und erstellt sofort strukturierte analytische Erkenntnisse.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57639969980680,"sku":"clara-data-analyst-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/clara-data-analyst-book.jpg?v=1787064988"},{"product_id":"serena-market-researcher-ai-skill","title":"Serena - KI-Skill für Marktforschung","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; color: #1A1A18; line-height: 1.5; margin: 0 0 8px 0;\"\u003e\n Fügen Sie Serena in Claude ein und erhalten Sie eine Marktforscherin, die Märkte mit transparenter Methodik quantifiziert, Kunden-Personas erstellt, Wettbewerbslandschaften kartiert, PESTLE- und Porters-Five-Forces-Analysen durchführt, Kundenumfragen und Interviewleitfäden konzipiert und Forschungsergebnisse in umsetzbare kommerzielle Empfehlungen übersetzt.\n \u003c\/p\u003e\n \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n Marktforschung bildet die Grundlage für jede wichtige Geschäftsentscheidung - den Eintritt in einen neuen Markt, die Einführung eines Produkts, die Festlegung von Preisen oder das Verfassen des Marktabschnitts eines Geschäftsplans für Investoren. Serena ist eines der methodisch transparentesten KI-Marktforschungstools im Claude-Format - sie erklärt immer, wie Schätzungen der Marktgröße berechnet wurden, denn eine TAM-Zahl ohne Methodik ist für fundierte Entscheidungen wertlos. Sie geht ehrlich mit Datenbeschränkungen und Aktualität um, deckt sowohl sekundäre Forschung (Desk Research) als auch die Konzeption und Analyse primärer Forschung ab und funktioniert in jeder Branche, die Kunden oder Begünstigte hat.\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erwartet Sie\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eMarktgrößenbestimmung mit Methodik - Schätzungen für TAM, SAM und SOM mithilfe von Top-down- und Bottom-up-Ansätzen mit Erläuterung der Berechnungsmethodik, Bewertung von Marktwachstumsrate und Prognose, Identifizierung wichtiger Segmente und ihrer relativen Größe sowie Strukturen für investorenreife Marktabschnitte\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eKunden-Personas und Segmentierung - Kunden-Personas auf Grundlage verfügbarer Forschungsergebnisse und Daten, Erfassung von Bedürfnissen und Schmerzpunkten mithilfe des Jobs-to-be-done-Frameworks, demografische, verhaltensbezogene und psychografische Segmentierung sowie Analyse des Entscheidungsprozesses von Kunden\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eBranchen- und Trendanalyse - PESTLE-Analyse (politische, wirtschaftliche, soziale, technologische, rechtliche und ökologische Faktoren) zur Bewertung des Makroumfelds, Analyse der Wettbewerbsintensität nach Porters Five Forces, Identifizierung aufkommender Trends, Zusammenfassung von Branchenberichten von Euromonitor, IBISWorld, Statista und GWI sowie Überprüfung des regulatorischen und politischen Umfelds\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eDesign der Primärforschung - Kundenfragebögen, die auf die Beantwortung spezifischer Geschäftsfragen ausgelegt sind, Interviewleitfäden und Frameworks für vertiefende Fragen, Fokusgruppendesign sowie Beratung zur Stichprobenstrategie, einschließlich der Frage, wen man untersuchen sollte und wie viele Personen für statistisch aussagekräftige Ergebnisse benötigt werden\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse der Primärforschung - Analyse von Umfrageergebnissen (Verteilungen, Kreuztabellen, Muster), Synthese von Themen aus Interviews und Transkripten, Extraktion qualitativer Erkenntnisse und Übersetzung von Forschungsergebnissen in konkrete, kommerzielle Empfehlungen statt Beobachtungslisten\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eMarktforschungsberichte und Ergebnisse - Marktübersichtsberichte, Profile von Kundensegmenten, Frameworks für NPS- und Kundenzufriedenheitsforschung, Frameworks für Marken-Tracking und Karten des Wettbewerbsumfelds, geeignet für interne Strategie, Geschäftspläne oder Investorenpräsentationen\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 serena-market-researcher-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Lade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-prompt ein → beschreibe den Markt, die Geschäftsfrage oder die Forschungsherausforderung → Serena erstellt sofort evidenzbasierte Marktinformationen. Überprüfe aktuelle Marktzahlen direkt - Marktdaten veralten schnell.\n \u003c\/p\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-top: 1px solid #E8E6E0; margin-top: 24px; padding-top: 20px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 10px 0; font-family: 'DM Mono', monospace;\"\u003e\/\/ Bonus: enthaltene prompt-Vorlage\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Diese Fähigkeit umfasst jetzt auch den eigenständigen \u003cstrong\u003eAI Market Research Report\u003c\/strong\u003e-prompt (zuvor separat verkauft) - eine einzige Copy-and-go-Vorlage für Marktübersicht, TAM\/SAM\/SOM-Berechnung mit Methodik, Segmentierung, Trends, 2-4 Kunden-Personaprofilen und Wettbewerbsumfeld, mit [VERIFY]-Markierungen bei jeder Marktgrößenangabe. Verwende ihn für einen schnellen einmaligen Bericht, wenn du nicht Serenas vollständige Bandbreite der Primärforschung benötigst.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57640050655496,"sku":"serena-market-researcher-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/serena-market-research-book.jpg?v=1787064988"},{"product_id":"finn-competitive-intelligence-ai-skill","title":"Finn - KI-Skill für Wettbewerbsanalysen","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; color: #1A1A18; line-height: 1.5; margin: 0 0 8px 0;\"\u003e\n Fügen Sie Finn in Claude ein und erhalten Sie einen Analysten für Wettbewerbsintelligenz, der Wettbewerberprofile erstellt, Wettbewerbslandschaften abbildet, Positionierungen und Preise vergleicht, Produktbewertungen und Werbung analysiert, Wettbewerbs-Battlecards für Vertriebsteams erstellt und Wettbewerberbeobachtungen in strategische Erkenntnisse umwandelt - die Frage lautet nie „Was sagt der Wettbewerber?“, sondern „Was bedeutet das, und was sollten wir dagegen unternehmen?“\n \u003c\/p\u003e\n \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n Wettbewerbsintelligenz ist keine Wirtschaftsspionage - sie ist die disziplinierte Praxis, ethisch gewonnene öffentliche Informationen über das Wettbewerbsumfeld zu sammeln, zu analysieren und anzuwenden, um bessere Entscheidungen zu treffen. Finn ist eines der strategisch analytischsten AI-Tools für Wettbewerbsintelligenz im Claude-Format - entwickelt für Strategieteams, Produktmanager, Vertriebsleiter und Marketingfachleute in jeder Branche, in der Wettbewerb herrscht. Ein Wettbewerberprofil, das lediglich die Website eines Unternehmens beschreibt, ist keine Wettbewerbsintelligenz. Finn dringt immer zur analytischen Ebene vor: Was sagt uns das, und was sollten wir damit tun?\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eWas Sie erhalten\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eWettbewerberprofile und Wettbewerbslandschaftskarten - umfassende Wettbewerberprofile zu Positionierung, Zielgruppen, Stärken und Schwächen, direkte und indirekte Wettbewerberzuordnung, Identifizierung aufstrebender Wettbewerber sowie die Positionierungslücke, die derzeit kein Wettbewerber besetzt\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse der Wettbewerbspositionierung - Vergleiche von Wertversprechen und Botschaften, Positionierungskarten zu den zentralen Differenzierungsachsen, Bewertung der Markenwahrnehmung und des Wettbewerbsrufs sowie SWOT-Analysen bestimmter Wettbewerber, die über eine Beschreibung hinaus strategische Implikationen aufzeigen\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eProdukt- und Feature-Intelligence - Vergleichsmatrizen für Wettbewerbsfunktionen, Verfolgung von Signalen zu Produktaktualisierungen und Roadmaps aus Stellenausschreibungen und Pressemitteilungen sowie Analyse von Bewertungsthemen auf G2, Trustpilot, Capterra und im App Store, die zeigen, was Kunden an Wettbewerbern lieben und hassen\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003ePreis- und kommerzielle Intelligence - Recherche zur Preisstruktur von Wettbewerbern, Analyse von Freemium-, Premium- und wertbasierter Preisstrategie, Erkennung von Änderungen auf Preisseiten, Frameworks für Preisvergleiche und Signale zur kommerziellen Flexibilität aus öffentlichen Geschäftsbedingungen und kundenorientierter Dokumentation\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eMarketing- und Content-Intelligence - Analyse der Content-Strategie und SEO-Positionierung von Wettbewerbern, Prüfung von Werbung in der Meta Ad Library und Google Ads Transparency, Aktivitäts- und Interaktionsmuster in sozialen Medien, Themen der Vordenkerrolle sowie Beobachtung von Event- und Partnerschaftsaktivitäten\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eWettbewerbs-Battlecards und Vertriebs-Intelligence - Battlecards für Vertriebsteams, die abdecken, wie man sich gegenüber bestimmten Wettbewerbern positioniert, Frameworks für Gewinn-\/Verlustanalysen, Antworten auf Wettbewerbseinwände, Differenzierungsnarrative für bestimmte Wettbewerbsszenarien und Frameworks nach dem Muster „Wie besiegt man [competitor]?“ auf Grundlage öffentlich verfügbarer Belege\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 finn-competitive-intelligence-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eSo installieren Sie es\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Laden Sie das .skill-Paket herunter → öffnen Sie Claude → fügen Sie SKILL.md in Ihre Projektanweisungen oder Ihren Systemprompt ein → nennen Sie die Wettbewerber, beschreiben Sie Ihre Branche und teilen Sie Finn mit, welche Entscheidung die Intelligence unterstützen soll → er erstellt sofort strategische, erkenntnisbasierte Analysen. Sämtliche Intelligence stammt ausschließlich aus öffentlich verfügbaren, ethisch erhobenen Quellen. Überprüfen Sie wichtige Fakten direkt, bevor Sie handeln.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57640060354824,"sku":"finn-competitive-intelligence-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/finn-competitive-intel-book.jpg?v=1787064989"},{"product_id":"mira-text-sentiment-analyst-ai-skill","title":"Mira - KI-Skill für Sentimentanalyse","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; color: #1A1A18; line-height: 1.5; margin: 0 0 8px 0;\"\u003e\n Fügen Sie Mira in Claude ein und erhalten Sie eine Text- und Stimmungsanalystin, die Themen identifiziert, qualitative Daten codiert, die Stimmung nach Thema und Intensität bewertet, Kundenbewertungen analysiert, Interviewtranskripte verarbeitet und jeden Befund mit konkreten Beispielen aus dem Text belegt - ohne dass Sie NLP oder Python beherrschen müssen.\n \u003c\/p\u003e\n \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n Textdaten sind nur selten durchgehend positiv oder negativ - Kunden, die das Produkt lieben, aber die Lieferung hassen, oder Mitarbeitende, die ihre Kolleginnen und Kollegen schätzen, aber das Management nicht mögen. Mira ist eines der am stärksten mit Belegen untermauerten Tools zur KI-Textanalyse, die im Claude-Format verfügbar sind - sie behauptet nie ein Thema oder eine Stimmung, ohne zu zeigen, woher dies in den Daten stammt. Jede Aussage erfordert 3-5 konkrete Beispiele aus dem Quelltext. Sie erklärt die verwendete Analysemethodik (thematische Analyse, Stimmungsbewertung, Inhaltsanalyse), damit die Ergebnisse verstanden und nicht einfach nur akzeptiert werden, und sie identifiziert ebenso klar, was in einem Text fehlt, wie das, was darin vorhanden ist.\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhalten Sie\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eSentimentanalyse mit Beispielen - Bewertung der insgesamt positiven, negativen, neutralen und gemischten Stimmung, Stimmung nach Thema und Themenbereich innerhalb eines Dokuments, Bewertung der Intensität (stark negativ gegenüber leicht negativ), Identifizierung des emotionalen Tons (Wut, Zufriedenheit, Frustration, Freude) sowie Aufschlüsselung der Stimmung in Kundenbewertungen nach Produkt, Service oder Merkmal\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eThematische Analyse - wiederkehrende Themen werden identifiziert und mithilfe der Methodik von Braun \u0026amp; Clarke systematisch codiert, Themenhierarchien werden erstellt (Themen und Unterthemen), Bedeutung und Häufigkeit werden bewertet, und je nachdem, ob der analytische Rahmen bereits besteht oder aus den Daten entwickelt wird, wird eine a-priori- oder eine induktive Codierung angewendet\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eQualitative Forschungsdatenanalyse - Analyse von Interview- und Fokusgruppentranskripten, thematische Kodierung über mehrere Interviews hinweg, Identifizierung von Mustern, Synthese zentraler Ergebnisse in strukturierter Berichtsform und Präsentation qualitativer Forschungsergebnisse als evidenzbasierte, veröffentlichungsreife Analyse\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse von Kunden- und Mitarbeiterfeedback - Analyse offener NPS-Kommentare, Auswertung von CSAT-Freitextantworten, Analyse offener Antworten aus Mitarbeiterbefragungen, Stimmungsanalyse von Social-Media-Kommentaren und Identifizierung von Themen in Kundenrezensionen mit spezifischen Zitaten zur Untermauerung jedes Ergebnisses\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eInhalts- und Diskursanalyse - Analyse der Häufigkeit von Schlüsselbegriffen und -phrasen, Identifizierung von Themenrahmungen (wie ein Thema dargestellt wird, nicht nur, was gesagt wird), Identifizierung persuasiver und rhetorischer Techniken, Analyse von Markensprache und Tonalität sowie Analyse dessen, was in einem Text fehlt und was darin enthalten ist\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAngewandte Textanalyse in verschiedenen Branchen - Analyse der Medien- und Presseberichterstattung, Analyse politischer und regulatorischer Sprache, Prüfung von Vertrags- und Rechtssprache, Analyse der Wettbewerberkommunikation sowie Entwicklung analytischer Rahmenwerke und Stichprobenstrategien für große Datensätze, die nicht direkt in einer einzelnen Sitzung verarbeitet werden können\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 mira-text-sentiment-analyst-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Lade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen Systemprompt ein → füge den Text, die Rezensionen, Transkripte oder das Feedback ein, die du analysiert haben möchtest → Mira identifiziert sofort Themen, bewertet die Stimmung und erstellt evidenzbasierte Ergebnisse mit Quellenangaben. Füge die Inhalte direkt ein - bei sehr großen Datensätzen entwickelt sie den analytischen Rahmen und den Stichprobenansatz.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57640127824136,"sku":"mira-text-sentiment-analyst-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/mira-sentiment-book.jpg?v=1787064989"},{"product_id":"elena-data-engineer","title":"Elena – Dateningenieurin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegriere Elena in Claude und erhalte eine Senior Data Engineerin, die Pipelines entwickelt, die nachts um 2 Uhr nicht ausfallen, Datenmodelle erstellt, denen Datenanalysten vertrauen können, und Data Warehouses optimiert, die nicht länger Geld verbrennen.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eElena arbeitet ELT-first: getestet, idempotent, dokumentiert. Batch- und Streaming-Pipelines, dbt- und SQL-Modelling (dimensional und Data Vault), Datenaufnahme und CDC, Orchestrierung (Airflow\/Dagster\/Prefect), Data Warehouses (Snowflake\/BigQuery\/Databricks\/Redshift), Datenqualitätstests und -verträge, Partitionierung und Dateiformate (Parquet\/Iceberg\/Delta), Datenherkunft und Kostenoptimierung. Entwickle immer anhand eines Beispiels in Dev\/Staging, versioniere alles und validiere vor dem Produktiveinsatz.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBatch- und Streaming-Pipelines, die idempotent und getestet sind\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDimensionales und Data-Vault-Modelling; dbt und Data-Warehouse-SQL\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eOrchestrierung (Airflow\/Dagster\/Prefect), Datenaufnahme und CDC\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenqualitätstests und -verträge; Partitionierung, Formate, Kostenoptimierung\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 elena-data-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Elena erstellt die Antwort. Enthält ein vollständiges Praxisbeispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300406661384,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/elena-data-engineer-book.jpg?v=1787064989"},{"product_id":"arjun-ml-engineer","title":"Arjun – Machine-Learning-Ingenieur AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Arjun in Claude ein und erhalte einen erfahrenen ML-Ingenieur, der Modelle ohne Datenlecks entwickelt, sie ehrlich validiert und in die Produktion bringt.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eArjun strukturiert das Problem, entwickelt Features ohne Datenlecks, wählt das passende Modell (lineare Modelle, Baum-Ensembles wie XGBoost\/LightGBM, neuronale Netze), validiert es mit einer angemessenen Kreuzvalidierung und aussagekräftigen Metriken im Vergleich zu einer Baseline, optimiert Hyperparameter, kalibriert es und stellt das Modell reproduzierbar bereit. Validiere immer anhand einer zurückgehaltenen Stichprobe in der Entwicklungs- oder Staging-Umgebung, versioniere Daten, Code und Modelle und führe vor dem Produktionseinsatz eine Prüfung durch.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eFeature Engineering mit Vermeidung von Datenlecks\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eModellauswahl: lineare Modelle, Baum-Ensembles (XGBoost\/LightGBM), neuronale Netze\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKreuzvalidierung, aussagekräftige Metriken im Vergleich zu Baselines, Kalibrierung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eHyperparameter-Tuning, Reproduzierbarkeit und Modellbereitstellung\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 arjun-ml-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Arjun erstellt die Antwort. Enthält ein vollständiges durchgearbeitetes Beispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300410364168,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/arjun-ml-engineer-book.jpg?v=1787064989"},{"product_id":"leila-data-scientist","title":"Leila – Datenwissenschaftlerin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegriere Leila in Claude und erhalte eine erfahrene Data Scientist, die die richtige Frage formuliert, die passenden statistischen Verfahren anwendet und A\/B-Tests entwickelt, die verlässliche Antworten liefern.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLeila definiert Geschäftsprobleme, führt eine gründliche EDA durch, wendet die richtigen statistischen Verfahren und Hypothesentests an, konzipiert und analysiert A\/B-Tests (Power, Stichprobengröße, Guardrails, SRM), erstellt Regressions- und Klassifikationsmodelle, zieht Schlussfolgerungen zur Kausalität und kommuniziert die Entscheidung. Validiere Annahmen immer anhand einer repräsentativen Stichprobe, versioniere die Analyse und überprüfe sie, bevor du in der Produktion handelst.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eProblemdefinition, EDA und der richtige statistische Test\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eA\/B-Tests: Power, Stichprobengröße, Guardrails, ehrliche Auswertung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eRegressions- und Klassifikationsmodellierung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGrundlagen der Kausalinferenz und Kommunikation mit Stakeholdern\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 leila-data-scientist.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Project Instructions oder deinen System-Prompt ein → beschreibe deine Anforderungen → Leila erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300413214984,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/leila-data-scientist-book.jpg?v=1787064990"},{"product_id":"bram-analytics-engineer","title":"Bram – Analytics Engineer AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegriere Bram in Claude und erhalte einen Senior Analytics Engineer, der getestete, dokumentierte dbt-Modelle und dimensionale Marts auf dem modernen Datenstack erstellt.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eBram erstellt die Transformationsebene: dbt-Modelle (Staging → Intermediate → Marts), Quellen und Aktualität, Tests, Snapshots (SCD2), Makros und Jinja, inkrementelle Modelle mit der richtigen Strategie, Exposures und die semantische Ebene, dimensionale (Kimball-)Modellierung sowie CI\/CD für Analytics. Baue immer in einem Dev-Target, führe dbt-Tests aus, versioniere in Git und prüfe alles, bevor du es in die Produktion überführst.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003edbt-Modelle: Staging → Intermediate → Marts, Quellen, Aktualität\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eTests, Snapshots (SCD2), Makros und Jinja\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eInkrementelle Modelle mit der richtigen Strategie\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKimball-Dimensionalmodellierung und CI\/CD für Analytics\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 bram-analytics-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projekteinstellungen oder deinen System-Prompt ein → beschreibe deine Anforderung → Bram erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300414624008,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/bram-analytics-eng-book.jpg?v=1787064990"},{"product_id":"chiara-data-analyst","title":"Chiara – Business-Datenanalystin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Chiara in Claude ein und erhalte eine erfahrene Datenanalystin, die eine vage Frage in eine präzise SQL-Antwort verwandelt, inklusive definierter Metrik und genannter Einschränkungen.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eChiara übersetzt eine Geschäftsfrage in eine Abfrage, schreibt SQL mit Joins, CTEs und Window-Funktionen, definiert Metriken präzise, um Doppelzählungen zu vermeiden, führt Kohorten-\/Retention-, Funnel- und Segmentierungsanalysen durch, erstellt übersichtliche Dashboards und kommuniziert die Antwort mit entsprechenden Einschränkungen. Prüft Abfragen stets anhand bekannter Summen in einer Stichprobe auf Plausibilität und dokumentiert die Metrik vor der Weitergabe.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSQL-Kenntnisse: Joins, CTEs, Window-Funktionen und Datumslogik\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMetrikdefinitionen ohne Doppelzählungen\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKohorten-\/Retention-, Funnel- und Segmentierungsanalysen\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eÜbersichtliche Dashboards und Kommunikation mit entsprechenden Einschränkungen\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 chiara-data-analyst.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder den System-Prompt ein → beschreibe deine Anforderung → Chiara erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300415705352,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/chiara-data-analyst-book.jpg?v=1787064991"},{"product_id":"tobias-bi-developer","title":"Tobias – BI-Entwickler AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegriere Tobias in Claude und erhalte einen erfahrenen BI-Entwickler, der Power-BI-Modelle im Star-Schema erstellt, korrekten DAX schreibt und Berichte mit Sicherheit auf Zeilenebene schützt.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTobias erstellt BI-Lösungen in Power BI (mit Kenntnissen in Tableau und Looker): semantische Modelle im Star-Schema, DAX (Filter- und Zeilenkontext, CALCULATE, Zeitintelligenz), Power-Query-(M)-Transformationen, Beziehungen und Kardinalität, Sicherheit auf Zeilenebene, VertiPaq-Performance-Tuning und ein klares Berichtdesign. Er arbeitet immer mit einem Entwicklungsdatensatz, validiert Measures anhand bekannter Summen, versioniert den Bericht und prüft ihn vor der Veröffentlichung in der Produktion.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSemantische Modellierung im Star-Schema sowie Beziehungen und Kardinalität\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDAX: Filter- und Zeilenkontext, CALCULATE, Zeitintelligenz\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePower-Query-(M)-Transformationen\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSicherheit auf Zeilenebene und VertiPaq-Performance-Tuning\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 tobias-bi-developer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Tobias erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300417376520,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/tobias-bi-developer-book.jpg?v=1787064991"},{"product_id":"freya-data-architect","title":"Freya – Datenarchitektin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegriere Freya in Claude und erhalte eine Datenarchitektin, die Lakehouse- und Warehouse-Architekturen mit echten Abwägungen statt mit Schlagworten entwirft.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eFreya entwirft Datenarchitekturen mit Entscheidungen und Abwägungen: Warehouse vs. Data Lake vs. Lakehouse vs. Mesh, Datenmodellierung (Kimball, Data Vault), Tabellenformate (Parquet\/Iceberg\/Delta\/Hudi), Batch- und Streaming-Verarbeitung, Ingestion und CDC, das Medallion-Muster, Governance, Sicherheit und Kosten. Sie hält die Entscheidung als Datensatz fest. Erstelle immer zuerst einen Prototypen anhand eines repräsentativen Ausschnitts in der Entwicklungsumgebung, schätze die Kosten und prüfe die Abwägungen, bevor du dich auf eine Produktionsarchitektur festlegst.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMuster: Warehouse, Data Lake, Lakehouse, Data Mesh\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenmodellierung (Kimball, Data Vault) und das Medallion-Muster\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eTabellenformate (Parquet\/Iceberg\/Delta\/Hudi), Batch- und Streaming-Verarbeitung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGovernance, Sicherheit, Kosten und Toolauswahl mit Abwägungen\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 freya-data-architect.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Freya erstellt die Antwort. Enthält ein vollständiges durchgearbeitetes Beispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300418556168,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/freya-data-architect-book.jpg?v=1787064991"},{"product_id":"emre-mlops-engineer","title":"Emre – MLOps-Ingenieur AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegriere Emre in Claude und erhalte einen erfahrenen MLOps Engineer, der Modelle mit Tracking, einer Registry, Monitoring und einem Rollback-Pfad produktiv bereitstellt.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eEmre operationalisiert ML: Experiment-Tracking und Modell-Registry (MLflow), CI\/CD für ML, Feature Stores, Modell-Paketierung und -Bereitstellung (Batch, Echtzeit, Container, Kubernetes), reproduzierbare Pipelines mit Versionierung von Daten, Code und Modellen (DVC), Überwachung von Drift und Datenqualität, automatisiertes Retraining sowie Shadow-\/Canary-Deployments mit Rollback. Validiere immer zuerst in der Staging-Umgebung mit Shadow\/Canary, bevor du den vollständigen Rollout durchführst, versioniere alles, überwache Drift und halte einen Rollback-Pfad bereit.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eExperiment-Tracking und Modell-Registry (MLflow)\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eCI\/CD für ML, Feature Stores und reproduzierbare Pipelines\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBereitstellung (Batch, Echtzeit, Container, Kubernetes)\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eÜberwachung von Drift und Qualität, Retraining sowie Shadow-\/Canary-Rollback\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 emre-mlops-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderung → Emre erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300420325640,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/emre-mlops-book.jpg?v=1787064991"},{"product_id":"sora-ai-engineer","title":"Sora – AI-Ingenieur AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eIntegrieren Sie Sora in Claude und erhalten Sie einen erfahrenen AI Engineer, der produktionsreife RAG- und LLM-Anwendungen mit Retrieval, Evals und Guardrails entwickelt - keine Demos.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eSora entwickelt LLM- und GenAI-Anwendungen: Retrieval-Augmented Generation (Chunking, Embeddings, Vektordatenbanken, hybride Suche, Re-Ranking), Prompt Engineering für Anwendungen, strukturierte Ausgabe und Tool-Aufrufe, Agents und Orchestrierung, Evaluierung (Offline-Eval-Sets, LLM-as-judge, Groundedness), Guardrails, Caching sowie die Optimierung von Kosten und Latenz. Evaluieren Sie immer anhand eines zurückgehaltenen Eval-Sets in der Entwicklungs- bzw. Staging-Umgebung, fügen Sie Guardrails hinzu, versionieren Sie Prompts und Konfigurationen und prüfen Sie Groundedness und Sicherheit, bevor Sie die Anwendung in der Produktion bereitstellen.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhalten Sie\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eRAG: Chunking, Embeddings, Vektordatenbanken, hybride Suche, Re-Ranking\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrompting, strukturierte Ausgabe und Tool-\/Funktionsaufrufe\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAgents, Orchestrierung und Caching\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eEvals (Groundedness, LLM-as-judge), Guardrails, Kosten\/Latenz\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 sora-ai-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installieren Sie es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLaden Sie das .skill-Paket herunter → öffnen Sie Claude → fügen Sie SKILL.md in Ihre Projektanweisungen oder Ihren System-Prompt ein → beschreiben Sie Ihre Anforderungen → Sora erstellt die Antwort. Enthält ein vollständiges Beispiel, damit Sie genau sehen, was Sie erhalten.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300422488328,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/sora-ai-engineer-book.jpg?v=1787064992"},{"product_id":"aditi-nlp-engineer","title":"Aditi – NLP-Ingenieurin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Aditi in Claude ein und erhalte eine erfahrene NLP-Ingenieurin, die Pipelines für Textklassifikation und NER entwickelt, Transformer feinjustiert und sie ehrlich evaluiert.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAditi entwickelt NLP-Lösungen: Textklassifikation, Erkennung benannter Entitäten, Sequenzlabeling, Sentimentanalyse und semantische Ähnlichkeit, Tokenisierung und Vorverarbeitung, Embeddings, Transformer und Fine-Tuning (Hugging Face), Transfer Learning, Evaluierung (Precision\/Recall\/F1, Makro vs. Mikro, Konfusionsmatrizen, BLEU\/ROUGE), Klassenungleichgewicht und Labeling sowie die Wahl zwischen klassischen Ansätzen und LLM. Werte immer anhand eines zurückgehaltenen Testdatensatzes in der Entwicklungs-\/Staging-Umgebung aus, prüfe auf Datenlecks und Verzerrungen, versioniere Daten und Modelle und führe vor dem Produktiveinsatz eine Überprüfung durch.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKlassifikation, NER, Sequenzlabeling und Ähnlichkeit\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eTokenisierung, Embeddings und Fine-Tuning von Transformern (Hugging Face)\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eEvaluierung: Precision\/Recall\/F1, Makro vs. Mikro, Konfusionsmatrizen\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKlassenungleichgewicht, Labeling und die Entscheidung zwischen klassischen Ansätzen und LLM\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 aditi-nlp-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Aditi erstellt die Antwort. Enthält ein vollständiges, durchgearbeitetes Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300435792136,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/aditi-nlp-engineer-book.jpg?v=1787064992"},{"product_id":"magnus-data-governance","title":"Magnus – Leiter für Data Governance AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Magnus in Claude ein und erhalte eine erfahrene Leitung für Data Governance, die Datenverträge erstellt, Qualitätsprüfungen integriert und PII korrekt klassifiziert.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eMagnus entwickelt Data Governance: Datenkataloge und Metadaten, Datenherkunft, Dimensionen und Prüfungen der Datenqualität (Vollständigkeit, Gültigkeit, Eindeutigkeit, Aktualität), Datenverträge, Stamm- und Referenzdaten, Datenschutz und Compliance (GDPR\/CCPA, PII-Klassifizierung, Aufbewahrung, RBAC\/ABAC), Data Stewardship und Verantwortlichkeiten sowie Governance-Kennzahlen. Teste Kontrollen immer zunächst anhand einer Stichprobe in einer Nicht-Produktionsumgebung, validiere Prüfungen anhand bekannter Daten, versioniere Verträge und führe vor der Durchsetzung in der Produktion eine Überprüfung durch.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenkatalog, Metadaten und Datenherkunft\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDimensionen und Prüfungen der Datenqualität mit Schwellenwerten\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenverträge, Stamm- und Referenzdaten\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenschutz\/Compliance (GDPR\/CCPA), PII-Klassifizierung, RBAC\/ABAC\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 magnus-data-governance.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Magnus erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300437758216,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/magnus-data-governance-book.jpg?v=1787064992"},{"product_id":"noor-prompt-engineer","title":"Noor – Prompt-Ingenieurin AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Noor in Claude ein und erhalte einen erfahrenen Prompt Engineer, der produktionsreife Prompts mit einem Evaluierungs-Framework entwirft, testet und versioniert - nicht nach Gefühl.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNoor entwickelt produktionsreife Prompts: Prompt-Muster (Zero-Shot und Few-Shot, Chain-of-Thought, Dekomposition), System-Prompt-Design, strukturierte\/JSON-Ausgabe mit Schema-Durchsetzung, Retrieval-bewusste und Tool-Calling-Prompts, Prompt-Evaluierung und -Tests (Eval-Sets, Regressionstests, LLM-as-Judge, Bewertungsraster), Prompt-Versionierung, Token-\/Kosten- und Latenzoptimierung sowie Leitplanken und Widerstandsfähigkeit gegen Jailbreaks. Teste Prompts in Entwicklung und Staging immer gegen ein Eval-Set, versioniere Prompts, füge Leitplanken hinzu und prüfe Qualität und Sicherheit vor der Veröffentlichung.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrompt-Muster: Few-Shot, Chain-of-Thought, Dekomposition\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eStrukturierte\/JSON-Ausgabe und Schema-Durchsetzung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrompt-Evaluierung: Eval-Sets, LLM-as-Judge, Bewertungsraster, Regression\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eVersionierung, Kosten-\/Latenzoptimierung und Leitplanken\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 noor-prompt-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderung → Noor erstellt die Antwort. Enthält ein vollständiges Praxisbeispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58300439134472,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/noor-prompt-engineer-book.jpg?v=1787064992"},{"product_id":"bartosz-streaming-data-engineer","title":"Bartosz – Streaming-Dateningenieur AI Skill","description":"\u003ch2\u003eSenior-Streaming-Dateningenieur, der Echtzeit-Pipelines als eigenständige Disziplin versteht und nicht als schneller laufende Batch-Verarbeitung.\u003c\/h2\u003e\n\u003cp\u003eBartosz deckt die gesamte Oberfläche von Echtzeit-Pipelines ab: das Design von Kafka- und Flink-Clustern und -Topics, Abwägungen zwischen Exactly-once- und At-least-once-Verarbeitung, Schema Registry und Schema-Evolution (Avro\/Protobuf), Strategien für Consumer-Gruppen und Partitionen, Monitoring von Backpressure und Consumer-Lag, Muster für die Übertragung von Streaming-Daten ins Data Warehouse (CDC, Kafka Connect, Streaming Inserts) sowie das Design von Stream-Processing-Jobs (Windowing, Watermarks, zustandsbehaftete Aggregation).\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eDateningenieure, Platform Leads und Verantwortliche für Streaming-Pipelines, die Kafka-\/Flink-Topic-Design, Verarbeitungsgarantien und Lag-Monitoring an echten Anforderungen an Aktualität und Reihenfolge ausrichten müssen - statt eine kopierte Standardeinstellung zu verwenden.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDesign von Kafka-\/Flink-Topics, Partitionen und Verarbeitungsgarantien, abgestimmt auf die tatsächlichen Kosten von Duplikaten und Datenverlust\u003c\/li\u003e\n      \u003cli\u003eKompatibilitätsprüfungen in der Schema Registry, die einen Ausfall eines nachgelagerten Consumers erkennen - nicht nur einen erfolgreichen Registry-Check\u003c\/li\u003e\n      \u003cli\u003eMonitoring des Consumer-Lags und von Backpressure pro Partition - kein irreführender aggregierter Lag\u003c\/li\u003e\n      \u003cli\u003eAuswahl des passenden Landing-Musters mit CDC, Kafka Connect oder Streaming Inserts je nach Anforderungen an Aktualität und Volumen\u003c\/li\u003e\n      \u003cli\u003eDesign von Windowing, Watermarks und der Wiederherstellung über Checkpoints\/Savepoints, vor dem Go-live verifiziert\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo verwendest du es\u003c\/h3\u003e\n\u003cp\u003eFüge Bartosz' SKILL.md in deine Claude-Projektanweisungen (oder einen beliebigen AI-System-Prompt) ein und beschreibe anschließend dein Problem als Streaming-Dateningenieur. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106050312,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/bartosz-streaming-book.jpg?v=1787064993"},{"product_id":"fenna-dataops-pipeline-orchestration-engineer","title":"Fenna – DataOps-Ingenieurin AI Skill","description":"\u003ch2\u003eSenior DataOps-\/Pipeline-Orchestrierungsingenieurin, die Orchestrierung als Disziplin der Zuverlässigkeit versteht, nicht nur als Zeitplanung.\u003c\/h2\u003e\n\u003cp\u003eFenna deckt die gesamte Oberfläche der Pipeline-Orchestrierung ab: das Design von Airflow- und Dagster-DAGs, das Management von Abhängigkeiten zwischen DAGs und Teams, Backfill-Strategien, die Definition von SLAs und die Alarmierung bei SLA-Verletzungen, Pipeline-Tests (Datenschnittstellentests, Aktualitätsprüfungen), die Skalierung des Orchestrators (Worker-Pools, Wahl des Executors) sowie die Beobachtbarkeit und Lineage von Pipelines.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist das gedacht?\u003c\/h3\u003e\n\u003cp\u003eFür Datenplattformteams und Verantwortliche für die Orchestrierung, die DAG-Abhängigkeitskarten, Backfill-Runbooks und SLA-Definitionen benötigen, die sich an der tatsächlichen Datenaktualität orientieren - nicht an Aufgabendaue-Dashboards, die unauffällig aussehen, während die geschäftsrelevante Tabelle veraltet ist.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eExplizite Zuordnung von Abhängigkeiten zwischen DAGs und Teams, einschließlich impliziter Abhängigkeiten, die niemand dokumentiert hat\u003c\/li\u003e\n      \u003cli\u003eBackfill-Runbooks, die die Idempotenz prüfen, bevor ein erneuter Lauf oder ein Plan zur erneuten Verarbeitung genehmigt wird\u003c\/li\u003e\n      \u003cli\u003eAktualitätsbasierte SLA-Spezifikationen, die sich daran orientieren, wann Daten tatsächlich genutzt werden, nicht an der Laufzeit von Aufgaben\u003c\/li\u003e\n      \u003cli\u003eIn die DAG integrierte Datenvertrags- und Aktualitätstests, damit ein Lauf mit fehlerhaften Daten sichtbar fehlschlägt\u003c\/li\u003e\n      \u003cli\u003eSkalierungspläne für Executor und Worker-Pools, abgestimmt auf das tatsächliche DAG-\/Aufgabenvolumen und die Parsing-Zeit des Schedulers\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Fenna's SKILL.md in deine Claude-Projektanweisungen (oder in den System-Prompt eines beliebigen AI-Systems) ein und beschreibe anschließend dein DataOps- und Pipeline-Orchestrierungsproblem. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106148616,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/fenna-dataops-book.jpg?v=1787064993"},{"product_id":"aurelio-data-modeler-warehouse-architect","title":"Aurelio – Data-Warehouse-Architekt AI Skill","description":"\u003ch2\u003eSenior-Datenmodellierer und Warehouse-Architekt, der den Granularitätsgrad einer Faktentabelle schriftlich festhält, bevor er auch nur eine einzige Tabelle zeichnet.\u003c\/h2\u003e\n\u003cp\u003eAurelio deckt die gesamte Bandbreite von Schema- und Modellierungsfragen ab: den Entwurf von Star- und Snowflake-Schemata, Abwägungen zwischen den Methoden Kimball und Data Vault, den Entwurf langsam veränderlicher Dimensionen (SCD Typ 1\/2\/3), Entscheidungen zum Granularitätsgrad von Fakten und Dimensionen sowie physische Schemaentscheidungen für Snowflake, BigQuery oder Redshift, etwa Clustering-Schlüssel, Partitionierungsstrategie und Verteilungsstil im Hinblick auf Kosten und Leistung.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eAnalytics Engineers, Warehouse-Architekten und BI-Leads, die ein Star-Schema, eine SCD-Strategie oder einen Clustering-\/Partitionsschlüssel benötigen, der an eine gemessene Anzahl gescannter Bytes oder konkrete Kosten geknüpft ist - keine allgemeine Best Practice.\u003c\/p\u003e\n\u003ch3\u003eWichtige Funktionen\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eExplizite Festlegung des Granularitätsgrads der Faktentabelle, bevor eine Entscheidung zu Kennzahlen oder Joins getroffen wird\u003c\/li\u003e\n      \u003cli\u003eAuswahl des SCD-Typs 1\/2\/3 je Attribut, niemals aus Bequemlichkeit standardmäßig Typ 1\u003c\/li\u003e\n      \u003cli\u003eEntwurf von Joins über Surrogatschlüssel, damit historische Fakten mit der zum Transaktionszeitpunkt gültigen Dimensionszeile verknüpft werden\u003c\/li\u003e\n      \u003cli\u003eAbstimmung von Clustering-Schlüssel, Partitionierungsstrategie oder Verteilungsstil auf das tatsächlich vorherrschende Abfragemuster\u003c\/li\u003e\n      \u003cli\u003ePrüfungen auf Fan-out- und Chasm-Trap-Joins, die Doppelzählungen oder Zeilenverluste erkennen, bevor sie in Produktion gehen\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Aurelios SKILL.md in deine Claude-Projektanweisungen (oder den System-prompt eines beliebigen AI-Systems) ein und beschreibe anschließend dein Problem als Datenmodellierer und Warehouse-Architekt. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106181384,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/aurelio-warehouse-book.jpg?v=1787064993"},{"product_id":"xiomara-computer-vision-engineer","title":"Xiomara – Computer-Vision-Ingenieurin AI Skill","description":"\u003ch2\u003eSenior Computer-Vision-Ingenieurin, die die klassenweise Leistung prüft, bevor sie einer Validierungsmetrik vertraut, die im Durchschnitt gesund aussieht.\u003c\/h2\u003e\n\u003cp\u003eXiomara deckt die gesamte Bandbreite von Bildverarbeitungsmodellen ab: Architekturauswahl (CNN vs. Vision Transformer, Auswahl des Detektions-Frameworks), Annotationsstrategie und Qualitätskontrolle, Design der Datenerweiterung, Evaluationsmetriken für Detektion und Segmentierung (mAP, IoU, Precision-Recall nach Klasse), Inferenz am Edge vs. in der Cloud und Latenzbudgets sowie die Diagnose von Klassenungleichgewichten oder Domänenverschiebungen in einem Bildverarbeitungsdatensatz.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es geeignet?\u003c\/h3\u003e\n\u003cp\u003eML-Teams, die Klassifikations-, Detektions- oder Segmentierungsmodelle für den produktiven Einsatz in Kameras oder Geräten bereitstellen und Architektur-, Annotations- und Deployment-Entscheidungen daran ausrichten müssen, was ein Fehler tatsächlich kostet - nicht an einer Benchmark-Schlagzeile.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eAuswahl zwischen CNN, Vision Transformer und hybrider Architektur, abgestimmt auf das tatsächliche Datenvolumen und Latenzbudget\u003c\/li\u003e\n      \u003cli\u003eAnnotationsspezifikation, Referenzdatensatz mit Goldstandard und Schwellenwert für die Übereinstimmung zwischen Annotierenden vor der Skalierung der Annotation\u003c\/li\u003e\n      \u003cli\u003eKlassenweise mAP\/IoU\/Precision-Recall-Evaluierung, die einen nahezu bei null liegenden Score einer seltenen Klasse sichtbar macht, der in einem aggregierten Wert verborgen bleibt\u003c\/li\u003e\n      \u003cli\u003eDatenerweiterungs-Pipelines, die auf eine konkret benannte Lücke zwischen Trainingsdaten und Produktionsbedingungen ausgerichtet sind\u003c\/li\u003e\n      \u003cli\u003eDeployment-Plan für Edge vs. Cloud mit auf der tatsächlichen Zielhardware validierter Latenz und Genauigkeit\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Xiomaras SKILL.md in deine Claude-Projektanweisungen (oder einen beliebigen AI-System-Prompt) ein und beschreibe anschließend dein Problem als Computer-Vision-Ingenieur. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106902280,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/xiomara-vision-book.jpg?v=1787064993"},{"product_id":"kwesi-recommender-systems-engineer","title":"Kwesi – Ingenieur für Empfehlungssysteme AI Skill","description":"\u003ch2\u003eSenior Engineer für Empfehlungssysteme, der die Feedbackschleife zwischen Empfehlungen und Verhalten prüft, bevor er ein Modell als gesund einstuft.\u003c\/h2\u003e\n\u003cp\u003eKwesi deckt die gesamte Modellierungsfläche von Empfehlungssystemen ab: Auswahl zwischen kollaborativem Filtern, inhaltsbasierten und hybriden Modellen, Architektur für zweistufige Kandidatengenerierung und Rangfolge, Umgang mit dem Kaltstart für neue Nutzer und neue Elemente, Offline-Evaluierung (NDCG, precision@k, recall@k) und deren Grenzen im Vergleich zu Online-A\/B-Tests sowie die Diagnose und Eindämmung von Feedbackschleifen oder Popularitätsverzerrungen.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eML- und Produktteams, die ein Empfehlungssystem betreiben und eine Architektur für Kandidatengenerierung und Rangfolge, eine Kaltstartstrategie sowie eine Bias-Diagnose benötigen, die an der tatsächlichen Katalogabdeckung ausgerichtet sind, nicht an einer Offline-Bestenliste.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eAuswahl zwischen kollaborativem Filtern, inhaltsbasierten und hybriden Modellen auf Grundlage der Dichte der Interaktionsdaten\u003c\/li\u003e\n      \u003cli\u003eZweistufige Architektur für Kandidatengenerierung und Rangfolge, separat auf Recall und Präzision ausgelegt\u003c\/li\u003e\n      \u003cli\u003eExplizite Kaltstart-Überbrückungsstrategien für neue Nutzer und neue Elemente mit einem Übergangspunkt zum Standardmodell\u003c\/li\u003e\n      \u003cli\u003eOffline-Ergebnisse für NDCG\/precision@k\/recall@k, ergänzt um die Punkte, die diese Metriken nicht bestätigen können, sowie ein A\/B-Testdesign\u003c\/li\u003e\n      \u003cli\u003ePrüfungen der Verteilung von Sichtkontakten und der Katalogabdeckung, die Popularitätsverzerrungen aufdecken, die sich hinter hoher Genauigkeit verbergen\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Kwesis SKILL.md in deine Claude-Projektanweisungen (oder einen beliebigen AI-Systemprompt) ein und beschreibe dann dein Problem als Engineer für Empfehlungssysteme. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten eingerichtet.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106935048,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/kwesi-recsys-book.jpg?v=1787065046"},{"product_id":"signe-looker-lookml-embedded-analytics-specialist","title":"Signe – Looker-Entwicklerin AI Skill","description":"\u003ch2\u003eSenior Looker- und LookML- \/ Embedded-Analytics-Spezialistin, die jeden Filter für den zeilenweisen Zugriff als Sicherheitsgrenze und nicht als Komfortfilter betrachtet.\u003c\/h2\u003e\n\u003cp\u003eSigne deckt die gesamte LookML- und Embedded-Analytics-Oberfläche ab: Modellierung von Explores, Views und abgeleiteten Tabellen, Entwicklung einer semantischen Ebene, damit Kennzahlen in jedem Dashboard dasselbe bedeuten, Erstellung eingebetteter Analytics-Lösungen für kundenorientierte Dashboards, Filter für den zeilenweisen Zugriff und Benutzerattribute sowie die Optimierung der Looker-Performance (persistente abgeleitete Tabellen, Aggregate Awareness und Abfrage-Caching).\u003c\/p\u003e\n\u003ch3\u003eFür wen ist das gedacht?\u003c\/h3\u003e\n\u003cp\u003eLooker-Administratoren und Analytics Engineers, die eingebettete, kundenorientierte Dashboards betreiben und eine semantische Ebene, einen Zugriffsfilter oder eine Performance-Behebung anhand des Live-Dashboards verifizieren müssen - nicht nur anhand des LookML-Codes.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eEine einzige kanonische LookML-Kennzahlendefinition wird konsolidiert, bevor eine Kennzahl ein zweites Mal definiert wird\u003c\/li\u003e\n      \u003cli\u003ePrüfung von Join-Fan-out mithilfe symmetrischer Aggregationen oder voraggregierter abgeleiteter Tabellen, bevor ein Explore-Join hinzugefügt wird\u003c\/li\u003e\n      \u003cli\u003eFilter für den zeilenweisen Zugriff werden durch die Anmeldung als Benutzer mit dem tatsächlich eingeschränkten Benutzerattribut getestet, nicht nur per Code-Review\u003c\/li\u003e\n      \u003cli\u003eDie Methode für signierte Einbettung gegenüber SSO-Einbettung sowie der Umgang mit dem Ablauf von Sitzungen werden für jede kundenorientierte Oberfläche festgelegt\u003c\/li\u003e\n      \u003cli\u003ePDT-Trigger und Cache-Strategie werden auf den tatsächlichen Bedarf an Datenaktualität abgestimmt und anhand des generierten SQL überprüft\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Signe's SKILL.md in deine Claude-Projektanweisungen (oder in jeden AI-System-Prompt) ein und beschreibe anschließend dein Problem mit Looker- und LookML Embedded Analytics. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106967816,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/signe-lookml-book.jpg?v=1787065047"},{"product_id":"torben-product-web-analytics-specialist","title":"Torben – Spezialist für Produkt- und Webanalyse AI Skill","description":"\u003ch2\u003eSenior-Spezialist für Produkt- und Web-Analytics, der Event-Tracking als Datenpipeline mit einem Tracking-Plan als Schema behandelt.\u003c\/h2\u003e\n\u003cp\u003eTorben deckt die gesamte Oberfläche des produkt- und webbezogenen Trackings auf Event-Ebene ab: Implementierung und Entwicklung einer Event-Taxonomie für GA4 und den Google Tag Manager, Einrichtung von Amplitude oder Mixpanel für Funnel- sowie Retention-\/Kohortenanalysen, Entwicklung und Qualitätssicherung von Tracking-Plänen (wobei fehlerhafte oder doppelte Events erkannt werden, bevor sie das Reporting verfälschen) sowie die Strategie zur Erfassung von First-Party-Daten unter Datenschutzauflagen (Consent Mode, serverseitiges Tagging).\u003c\/p\u003e\n\u003ch3\u003eFür wen ist das gedacht?\u003c\/h3\u003e\n\u003cp\u003eFür Growth-, Produkt- und Analytics-Teams, die eine GA4-\/GTM-Implementierung, einen Tracking-Plan oder eine Funnel-Diagnose benötigen, die am Live-Event-Stream verifiziert wird - nicht nur an einer Dashboard-Zahl, die auffällig erscheint.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eGA4-\/GTM-Event-Taxonomie, abgeleitet von der tatsächlichen Geschäftsfrage, die das Tracking beantworten soll\u003c\/li\u003e\n      \u003cli\u003eStrukturierter Tracking-Plan mit Dokumentation von Event-Namen, erforderlichen Eigenschaften und Auslösebedingungen\u003c\/li\u003e\n      \u003cli\u003eAudits von GTM-Containern, die doppelte Trigger und widersprüchliche Pageview-Regeln erkennen, bevor einem Bericht vertraut wird\u003c\/li\u003e\n      \u003cli\u003eLive-Verifizierung in GA4 DebugView oder der GTM-Vorschau, Event für Event, vor der Freigabe\u003c\/li\u003e\n      \u003cli\u003eConsent Mode und serverseitiges Tagging werden von Anfang an in den Tracking-Plan integriert, statt erst nach dem Launch ergänzt zu werden\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Torbens SKILL.md in deine Claude-Projektanweisungen (oder jeden anderen AI-System-Prompt) ein und beschreibe anschließend dein Problem als Produkt- und Web-Analytics-Spezialist. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107066120,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/torben-product-web-analytics-specialist-1.png?v=1789460832"},{"product_id":"rosamund-experimentation-ab-testing-analyst","title":"Rosamund – A\/B-Test-Analystin AI Skill","description":"\u003ch2\u003eSenior-Analystin für Experimente und A\/B-Tests, die prüft, wie ein Test erstellt und durchgeführt wurde, bevor sie den Dashboard-Ergebnissen am Ende vertraut.\u003c\/h2\u003e\n\u003cp\u003eRosamund deckt den gesamten Lebenszyklus von Experimenten ab: Berechnung von Stichprobengröße und Teststärke, Bestimmung der minimal nachweisbaren Effektgröße (MDE), Prüfungen der Randomisierungseinheit und Integrität der Zuordnung, Erkennung von Stichprobenverhältnisabweichungen (SRM), statistische versus praktische Signifikanz, Neuheitseffekte und das Problem des vorzeitigen Einblicks und Abbruchs, Gestaltung von Schutzmetriken sowie Analysefehler wie Simpsons Paradoxon und multiple Vergleiche.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eWachstums- und Produktteams, die A\/B-Tests durchführen und vor einer Launch-Entscheidung eine vorab registrierte Stichprobengröße, eine SRM-Prüfung und eine Auswertung der Schutzmetriken benötigen - keinen grünen p-Wert, der unkritisch für bare Münze genommen wird.\u003c\/p\u003e\n\u003ch3\u003eWichtige Funktionen\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eStichprobengröße und Laufzeit werden vor dem Start eines Tests anhand einer angegebenen MDE, Basisrate und Teststärke berechnet\u003c\/li\u003e\n      \u003cli\u003eChi-Quadrat-Prüfung auf Stichprobenverhältnisabweichungen anhand der tatsächlich beobachteten Aufteilung, bevor ein Ergebnis als verlässlich gilt\u003c\/li\u003e\n      \u003cli\u003eKonfidenzintervall und Effektgröße in Geschäftstermen werden zusammen mit jedem p-Wert angegeben, niemals allein\u003c\/li\u003e\n      \u003cli\u003ePrüfungen auf Neuheitseffekte und vorzeitigen Einblick, bevor ein Effekt als nachhaltiger Gewinner erklärt wird\u003c\/li\u003e\n      \u003cli\u003eSchutzmetriken und Prüfungen auf Simpsons Paradoxon in Untergruppen werden vor jeder Empfehlung zur Veröffentlichung durchgeführt\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Rosamunds SKILL.md in deine Claude-Projektanweisungen (oder den System-prompt eines beliebigen AI-Systems) ein und beschreibe dann dein Problem als Analyst für Experimente und A\/B-Tests. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107098888,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/rosamund-ab-testing-book.jpg?v=1787065048"},{"product_id":"yannis-applied-decision-scientist","title":"Yannis – Entscheidungswissenschaftler AI Skill","description":"\u003ch2\u003eSenior Applied \/ Decision Scientist, der das Entscheidungskriterium festlegt, bevor er eine Kausalanalyse zu Daten durchführt, bei denen niemand randomisiert wurde.\u003c\/h2\u003e\n\u003cp\u003eYannis befasst sich mit kausaler Inferenz bei Beobachtungsdaten (Propensity-Score-Matching, Difference-in-Differences, Instrumentvariablen, Regression Discontinuity), verwandelt eine vage Frage wie „Sollten wir X tun?“ in eine messbare analytische Frage mit einem klaren Entscheidungskriterium und entwickelt Optimierungen oder Simulationen für Entscheidungen zur Ressourcenverteilung.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eFür Analytics- und Strategieteams, die eine belastbare kausale Schätzung auf Basis historischer Daten sowie einen unter verschiedenen Belastungsszenarien getesteten Verteilungsplan benötigen - keine naive Vorher-nachher-Gegenüberstellung, die als Beweis ausgegeben wird.\u003c\/p\u003e\n\u003ch3\u003eZentrale Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eVage Geschäftsfragen werden in eine messbare Frage mit klar benanntem Ergebnis und Entscheidungskriterium übersetzt\u003c\/li\u003e\n      \u003cli\u003eDie Identifikationsstrategie (PSM, Difference-in-Differences, IV, RDD) wird danach ausgewählt, wie die Behandlungsgruppe tatsächlich zur Behandlung kam\u003c\/li\u003e\n      \u003cli\u003eIdentifizierende Annahmen werden ausdrücklich geprüft: Kovariatenbalance, parallele Vortrends, Relevanz des Instruments, Manipulation am Schwellenwert\u003c\/li\u003e\n      \u003cli\u003eEffektschätzungen werden mit einer ehrlichen Vertrauensspanne und einer benannten Liste verbleibender Confounder geliefert\u003c\/li\u003e\n      \u003cli\u003eDie Optimierung oder Simulation der Ressourcenverteilung wird anhand der Unsicherheit in der zugrunde liegenden Schätzung unter verschiedenen Belastungsszenarien getestet\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo verwendest du es\u003c\/h3\u003e\n\u003cp\u003eFüge Yannis' SKILL.md in deine Claude-Projektanweisungen (oder den System-prompt eines beliebigen AI-Systems) ein und beschreibe anschließend dein Problem als Applied \u0026amp; Decision Scientist. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107131656,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/yannis-decision-sci-book.jpg?v=1787065048"},{"product_id":"wilhelm-master-data-management-specialist","title":"Wilhelm – Spezialist für Stammdatenmanagement AI Skill","description":"\u003ch2\u003eSenior-Spezialist für Master Data Management, der eine Survivorship-Matrix auf Feldebene erstellt statt einer Regel auf Datensatzebene.\u003c\/h2\u003e\n\u003cp\u003eWilhelm deckt die gesamte Oberfläche des Golden Records ab: Er entwirft eine zentrale, verlässliche Quelle für Kunden-, Produkt- oder Lieferantendaten über mehrere Systeme hinweg, verfasst Regeln für Abgleich und Deduplizierung, legt Konfidenzschwellen und Survivorship-Logik fest, wählt zwischen Hub-and-Spoke- und registryartigen MDM-Tooling-Mustern, definiert Modelle für die Zuständigkeit von Datendomänen und entwirft eine Synchronisierungs- und Weitergabestrategie, damit Aktualisierungen des Golden Records die Quellsysteme erreichen, ohne Aktualisierungsschleifen zu erzeugen.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist das gedacht?\u003c\/h3\u003e\n\u003cp\u003eFür Data-Platform- und MDM-Teams, die damit aufräumen, dass derselbe Kunde, dasselbe Produkt oder derselbe Lieferant in verschiedenen Systemen als leicht unterschiedliche Datensätze existiert, und die Abgleichschwellen und Survivorship-Regeln benötigen, die durch eine gemessene Rate falscher Zusammenführungen statt durch eine runde Zahl belegt sind.\u003c\/p\u003e\n\u003ch3\u003eZentrale Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDeterministische und probabilistische Abgleichregeln, die vor der Festlegung einer Schwelle anhand einer gelabelten Stichprobe getestet werden\u003c\/li\u003e\n      \u003cli\u003eSurvivorship-Matrix auf Feldebene mit expliziten Tie-Breakern, niemals eine einzige Regel auf Datensatzebene nach dem Muster „last write wins“\u003c\/li\u003e\n      \u003cli\u003eAuswahl des Hub-and-Spoke- oder registryartigen MDM-Musters danach, wie nachgelagerte Systeme den Datensatz tatsächlich nutzen\u003c\/li\u003e\n      \u003cli\u003eFestgelegte Zuständigkeiten für Domänen und Eskalationswege, bevor der erste Streit über ein feldübergreifendes Thema entsteht\u003c\/li\u003e\n      \u003cli\u003eSync-back-Designs mit Herkunftskennzeichnung, damit eine Aktualisierung des Golden Records nicht zurückschleift und sich selbst erneut verarbeitet\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Wilhelms SKILL.md in deine Claude-Projektanweisungen (oder in den prompt eines beliebigen AI-Systems) ein und beschreibe anschließend dein Problem als Spezialist für Master Data Management (MDM). Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107393800,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/wilhelm-mdm-book.jpg?v=1787065048"},{"product_id":"solveig-fraud-risk-data-analyst","title":"Solveig - KI-Skill für Betrugs- und Risiko-Datenanalysten","description":"\u003ch2\u003eSenior-Datenanalystin für Betrug und Risiko, die jede Erkennungsregel als etwas betrachtet, das aktiv auf ihre Schwachstelle geprüft wird.\u003c\/h2\u003e\n\u003cp\u003eSolveig deckt das gesamte analytische Spektrum von Betrug und Risiko ab: die Entwicklung von Betrugssignalen und -merkmalen (Geschwindigkeitsprüfungen, Geräte-Fingerprinting, netzwerk- und graphbasierte Betrugsringe), die Abwägung zwischen regelbasierter und ML-basierter Erkennung und die Frage, wann beide kombiniert werden sollten, die Kostenoptimierung von Fehlalarmen und übersehenen Betrugsfällen, die Analyse von Chargeback- und Streitfallmustern sowie die gegnerische Anpassung, wenn sich Betrugsmuster verändern, sobald eine Regel bekannt wird.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eTrust-and-Safety- und Zahlungsteams, die Betrugssignale, Schwellenwerte und Entscheidungen zwischen Regeln und Modellen an konkrete, benannte Geldbeträge knüpfen müssen - nicht an eine ausschließlich auf Genauigkeit optimierte Regel, die unbemerkt nicht mehr funktioniert, sobald Betrüger sie erkennen.\u003c\/p\u003e\n\u003ch3\u003eWichtige Fähigkeiten\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eGeschwindigkeits-, Geräte- und Netzwerk-\/Graph-Betrugssignale, die an ein spezifisches, benanntes Betrugsmuster gebunden sind, nicht an allgemeine Daten\u003c\/li\u003e\n      \u003cli\u003eKosten von Fehlalarmen und übersehenen Betrugsfällen, ausgedrückt in Dollar pro Segment, bevor ein Schwellenwert optimiert wird\u003c\/li\u003e\n      \u003cli\u003eDie Schichtung von regelbasierter und ML-basierter Erkennung wird anhand der Anpassungsgeschwindigkeit und des Erklärbarkeitsbedarfs festgelegt, nicht anhand einer Standardpräferenz\u003c\/li\u003e\n      \u003cli\u003eNach Gründen aufgeschlüsselte Berichte zu Chargeback- und Streitfallmustern, die echten Betrug von Friendly Fraud trennen\u003c\/li\u003e\n      \u003cli\u003eÜberwachung der gegnerischen Anpassung, die erkennt, wenn eine bekannte Regel an Wirkung verliert, nachdem ein Betrugsring sie ausgenutzt hat\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo wird es verwendet\u003c\/h3\u003e\n\u003cp\u003eFüge Solveigs SKILL.md in deine Claude-Projektanweisungen (oder den System-Prompt eines beliebigen AI-Systems) ein und beschreibe anschließend dein Problem als Datenanalystin bzw. Datenanalyst für Betrug und Risiko. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107688712,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/solveig-fraud-risk-book.jpg?v=1787065048"},{"product_id":"cassius-ai-data-product-manager","title":"Cassius - KI-Skill für KI- und Datenproduktmanager","description":"\u003ch2\u003eSenior AI- und Datenproduktmanager, der aus einem vagen „Können wir dafür AI einsetzen?“ ein präzises Briefing macht und jeden anspruchsvollen Teil der Arbeit an den zuständigen Spezialisten weiterleitet.\u003c\/h2\u003e\n\u003cp\u003eCassius ist die Koordinationsebene über der gesamten Daten- und AI-Sammlung: Er verwandelt eine vage geschäftliche Anfrage in ein präzises, messbares Produktbriefing, trifft Make-or-Buy-Entscheidungen für AI- und Datenfunktionen, sorgt für die Abstimmung zwischen Datenengineering-, ML- und Analytics-Teams mit konkurrierenden Prioritäten, liefert Priorisierungsframeworks, wenn Schulden bei der Datenqualität mit neuen Feature-Anfragen konkurrieren, und erstellt eine Landschaftsanalyse, die festlegt, welcher Spezialist welchen Teil einer unübersichtlichen, teamübergreifenden Daten-\/AI-Initiative übernimmt.\u003c\/p\u003e\n\u003ch3\u003eFür wen ist es gedacht?\u003c\/h3\u003e\n\u003cp\u003eProduktverantwortliche, Verantwortliche für Daten-\/AI-Programme und Führungskräfte, die mit einer vagen AI-Anfrage oder einem teamübergreifenden Prioritätenkonflikt konfrontiert sind und ein präzises Briefing sowie einen Weiterleitungsplan benötigen - nicht noch ein Meeting, das mit einer diplomatischen Nichtantwort endet.\u003c\/p\u003e\n\u003ch3\u003eWichtige Funktionen\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eVage Anfragen wie „Wir brauchen bessere Daten“ oder „Können wir dafür AI einsetzen?“ werden in Problem, Nutzer und Kennzahl übersetzt\u003c\/li\u003e\n      \u003cli\u003eMake-or-Buy-Analyse anhand von Time-to-Value, Differenzierung, Gesamtbetriebskosten und dem Risiko einer Anbieterabhängigkeit\u003c\/li\u003e\n      \u003cli\u003eSchulden bei der Datenqualität werden auf derselben Priorisierungsskala wie neue Feature-Anfragen bewertet und nicht standardmäßig nachrangig behandelt\u003c\/li\u003e\n      \u003cli\u003eAbstimmung der Stakeholder über mehrere Teams hinweg, wobei die tatsächliche Einschränkung jedes Teams benannt und der Plan darauf abgestimmt wird\u003c\/li\u003e\n      \u003cli\u003eLandschafts- und Weiterleitungskarten, die genau benennen, welcher Spezialist welchen Teil der Initiative übernimmt\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eSo verwendest du es\u003c\/h3\u003e\n\u003cp\u003eFüge Cassius' SKILL.md in deine Claude-Projektanweisungen (oder jeden beliebigen AI-Systemprompt) ein und beschreibe anschließend dein Problem als AI- und Datenproduktmanager. Funktioniert mit Claude, ChatGPT und jedem AI-Chat. In weniger als 2 Minuten installiert.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107983624,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/cassius-ai-data-product-manager-1.png?v=1789460831"},{"product_id":"havard-data-quality-observability-engineer","title":"Havard – Ingenieur für Datenqualität AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Havard in Claude ein und erhalte einen Data-Reliability-Engineer, der die Pipeline instrumentiert, damit unbemerkte Ausfälle sichtbar werden, bevor ein Dashboard eine Führungskraft in die Irre führt.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eHavard behandelt Datenqualität als Engineering-Aufgabe, nicht als Richtliniendokument: Monitore für Aktualität, Volumen, Schema, Verteilung und Herkunft; Testdesign mit dbt-Tests, Great Expectations und Soda; Anomalieerkennung für Metriken statt statischer Schwellenwerte, die alle stummschalten; Datenverträge zwischen Produzenten und Konsumenten; Incident Response für Daten mit Schweregraden, Rufbereitschaft und Analyse des Auswirkungsradius mithilfe der Datenherkunft; Daten-SLAs, SLOs und Fehlerbudgets für Pipelines; Ursachenanalyse bei unbemerkten Ausfällen; Backfill- und Reprocessing-Strategie; Alert-Optimierung gegen Alarmmüdigkeit; sowie Qualitäts-Scorecards, die ein fachlich Verantwortlicher tatsächlich liest.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMonitore für Aktualität, Volumen, Schema, Verteilung und Herkunft\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenverträge und Vereinbarungen zwischen Produzenten und Konsumenten\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDaten-SLAs, SLOs, Fehlerbudgets und Schweregrade von Vorfällen\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAlert-Optimierung, Ursachenanalyse und Backfill-Strategie\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 havard-data-quality-observability-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Havard erstellt die Antwort. Ein vollständiges ausgearbeitetes Beispiel ist enthalten, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382264172808,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/havard-data-quality-book.jpg?v=1787065049"},{"product_id":"yusra-cloud-data-platform-engineer","title":"Yusra – Ingenieur für Cloud-Datenplattformen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFügen Sie Yusra in Claude ein und erhalten Sie einen Plattformingenieur, der das Abfrageprofil prüft, bevor er irgendetwas neu dimensioniert, denn ein größeres Warehouse ist meistens die teure falsche Antwort.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eYusra verwaltet das Warehouse und Lakehouse selbst: die Administration von Snowflake, Databricks und Microsoft Fabric; die Dimensionierung virtueller Warehouses und Cluster, automatisches Anhalten und automatische Skalierung; Workload-Isolation und Nebenläufigkeit; Speicherlayout, Partitionierung, Clustering-Schlüssel, Z-Ordering und Liquid Clustering; Tabellenformate wie Delta, Iceberg und Hudi und wann jedes davon wirklich die beste Wahl ist; Optimierung der Abfrageleistung und Ergebniscaching; Plattform-Kostenmanagement durch Kreditzuordnung, Rückbelastung, Budgetwarnungen sowie reservierte gegenüber On-Demand-Kapazität; plattformweite Zugriffskontrolle mit Rollen, Berechtigungen sowie Zeilen- und Spaltenrichtlinien; Unity Catalog und vergleichbare Metadatenebenen; sowie Notfallwiederherstellung mit Time Travel und Klonen.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhalten Sie\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDimensionierung von Warehouses und Clustern, Isolation und automatische Skalierung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePartitionierung, Clustering, Z-Order und Auswahl des Tabellenformats\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKreditzuordnung, Rückbelastung, Budgets und reservierte Kapazität\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePlattform-RBAC, Maskierungsrichtlinien und Notfallwiederherstellung\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 yusra-cloud-data-platform-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in weniger als 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installieren Sie es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLaden Sie das .skill-Paket herunter → öffnen Sie Claude → fügen Sie SKILL.md in Ihre Projekteinstellungen oder Ihren System-Prompt ein → beschreiben Sie Ihre Anforderungen → Yusra erstellt die Antwort. Enthält ein vollständig ausgearbeitetes Beispiel, damit Sie genau sehen, was Sie erhalten.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382270791944,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/yusra-cloud-platform-book.jpg?v=1787065049"},{"product_id":"taavi-metrics-semantic-layer-engineer","title":"Taavi – Ingenieur für semantische Ebenen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Taavi in Claude ein und erhalte einen Semantic-Layer-Engineer, der zuerst die drei widersprüchlichen Umsatzahlen abstimmt und anschließend eine Definition zur einzigen macht, die irgendjemand abfragen kann.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTaavi verwaltet die einheitliche Definition jeder Geschäftsmetrik: die Implementierung der semantischen Ebene mit der dbt Semantic Layer, MetricFlow, Cube und AtScale; die Metrikspezifikation einschließlich Granularität, Filtern, Zeitdimensionen, Additivität und nicht additiver Kennzahlen; dimensionale Konsistenz und sich langsam ändernde Dimensionen im Metrikkontext; Versionierung und Abschaffung von Metriken; Headless-BI, das allen nachgelagerten Tools dieselbe Metrik bereitstellt; Governance darüber, wer eine Definition ändern darf; die schrittweise Abstimmung widersprüchlicher Zahlen zwischen Teams, bis die Abstimmungsleiter aufgeht; Query-Pushdown und Caching; sowie den Migrationspfad von einer Sammlung fest codierter Dashboard-SQL-Abfragen zu verwalteten Metriken.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMetrikspezifikationen: Granularität, Filter, Zeitdimensionen, Additivität\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAbstimmungsleitern, die bei widersprüchlichen Zahlen einen Ausgleich herstellen\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eImplementierung mit der dbt Semantic Layer, MetricFlow und Cube\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eVersionierung, Abschaffung und Änderungskontrolle von Metriken\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 taavi-metrics-semantic-layer-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Taavi erstellt die Antwort. Enthält ein vollständiges durchgearbeitetes Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382280196360,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/taavi-semantic-layer-book.jpg?v=1787065050"},{"product_id":"nikolina-feature-store-ml-platform-engineer","title":"Nikolina – Ingenieurin für ML-Plattformen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Nikolina in Claude ein und erhalte eine ML-Plattformingenieurin, die Training-Serving-Skew bereits auf Feature-Ebene beseitigt, statt jedes Team ihn in der Produktion erneut entdecken zu lassen.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNikolina entwickelt die Plattform, auf der ML-Teams arbeiten: Feature-Stores einschließlich Feast, Tecton und dem Databricks Feature Store; Design von Offline- und Online-Stores; zeitpunktgenaue Joins und der Training-Serving-Skew, den sie verhindern; Versionierung, Wiederverwendung und Auffindbarkeit von Features; Materialisierung und Aktualitäts-SLAs für Online-Features; Modell-Serving-Infrastruktur für Batch-, Echtzeit- und Streaming-Inferenz; Autoscaling, Latenzbudgets sowie GPU-Planung und -Kosten; Experiment-Tracking und das Modellregister als Plattformservices statt teamindividueller Skripte; mandantenfähiges Plattformdesign mit Self-Service-Pfaden; sowie eine klare Abgrenzung zwischen dem, wofür die Plattform verantwortlich ist, und dem, wofür die einzelnen Produktteams verantwortlich sind.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eOffline- und Online-Feature-Stores, zeitpunktgenaue Joins\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eErkennung und Vermeidung von Training-Serving-Skew\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eServing-Infrastruktur: Batch, Echtzeit, Streaming und GPU-Planung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eModellregister, Experiment-Tracking und Self-Service-Pfade für Mandanten\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 nikolina-feature-store-ml-platform-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Nikolina erstellt die Antwort. Ein vollständig ausgearbeitetes Beispiel ist enthalten, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382286815496,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/nikolina-ml-platform-book.jpg?v=1787065049"},{"product_id":"vikram-search-relevance-engineer","title":"Vikram – Ingenieur für Suchrelevanz AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Vikram in Claude ein und erhalte einen Search-Relevance-Engineer, der den Bewertungsdatensatz erstellt, bevor er auch nur einen einzelnen Boost anfasst, denn ungetestetes Relevanz-Tuning ist bloßer Aberglaube.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eVikram sorgt dafür, dass die Suche das Richtige zurückgibt: Abfrageverständnis mit Tokenisierung, Stemming, Rechtschreibkorrektur, Synonymen, Abfrageklassifizierung und Erkennung der Suchintention; lexikalische Suche und BM25-Tuning in Elasticsearch, OpenSearch und Solr; Vektor- und hybride Suche mit Reciprocal Rank Fusion; Learning-to-Rank einschließlich Feature Engineering, LambdaMART und neuronaler Ranker; Relevanzbewertung mit NDCG, MRR und Precision at k, Bewertungslisten, menschlichen Ratern und Klickmodellen; Online-Metriken und Interleaving-Experimente; Positions- und Darstellungsverzerrung; Grenzen der Personalisierung; Suchanfragen ohne Ergebnisse und Long-Tail-Suchanfragen; Facettierung und Filterung; sowie der ehrliche Zielkonflikt zwischen Indexgröße, Abfragelatenz und Qualität.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAbfrageverständnis: Synonyme, Rechtschreibkorrektur, Suchintention\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBM25-Tuning sowie Vektor- und hybride Suche mit RRF\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eLearning-to-Rank und neuronale Ranker im Produktivbetrieb\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eNDCG- und MRR-Bewertungsdatensätze, Interleaving, Korrektur von Klickverzerrungen\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 vikram-search-relevance-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Project Instructions oder deinen System-Prompt ein → beschreibe deine Anforderungen → Vikram erstellt die Antwort. Enthält ein vollständiges durchgearbeitetes Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382293205256,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/vikram-search-relevance-book.jpg?v=1787065050"},{"product_id":"xiulan-speech-audio-ml-engineer","title":"Xiulan – Ingenieurin für Spracherkennung AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Xiulan in Claude ein und erhalte einen Speech Engineer, der die Wortfehlerrate nach Akzent und Bedingung angibt, denn eine einzelne WER-Schlagzeile verschleiert genau die Nutzer, bei denen du versagst.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eXiulan beherrscht die Audiomodalität von Anfang bis Ende: automatische Spracherkennung mit Whisper und seinen Nachfolgern, Streaming- versus Batch-Dekodierung, WER-Messung und was sie verschleiert, Domänenanpassung, benutzerdefiniertes Vokabular und kontextbezogenes Biasing; Sprecherdiarisierung und Sprecheridentifikation; Erkennung von Sprachaktivität; Text-to-Speech und Stimmenklonen unter Einhaltung von Einwilligungsanforderungen; Audio-Vorverarbeitung einschließlich Resampling, Rauschunterdrückung, Echokompensation und Kanaltrennung; Keyword-Spotting und Aktivierungswörter; Audioklassifizierung und Ereigniserkennung; Echtzeit-Streaming-Pipelines mit Latenzbudgets; sowie das Fairness-Problem, dass die Erkennungsqualität je nach Akzent und Dialekt stark variiert.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eASR-Optimierung: Domänenanpassung, benutzerdefiniertes Vokabular, Biasing\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eWER gemessen nach Akzent, Geräuschbedingung und Sprecher, nicht als Einzelwert\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDiarisierung, Sprecheridentifikation, VAD und Kanaltrennung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eStreaming-Pipelines, Latenzbudgets, TTS und Einwilligungsgrenzen\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 xiulan-speech-audio-ml-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Xiulan erstellt die Antwort. Ein vollständiges durchgearbeitetes Beispiel ist enthalten, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382303527176,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/xiulan-speech-ml-book.jpg?v=1787065050"},{"product_id":"tenzin-time-series-forecasting-scientist","title":"Tenzin – Analyst für Zeitreihenprognosen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Tenzin in Claude ein und erhalte einen Prognosewissenschaftler, der zuerst die naive Baseline ausführt und dir offen sagt, wenn das teure Modell nicht besser war.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTenzin behandelt Prognosen als eigenständige Disziplin: klassische Baselines von naiv und saisonal naiv über ETS und ARIMA oder SARIMAX und warum sie elaborierte Modelle häufiger schlagen, als irgendjemand zugibt; hierarchische und gruppierte Prognosen mit Bottom-up-, Top-down- und MinT-Abstimmung; intermittierende Nachfrage mit Croston und TSB; Prophet, gradientenverstärkte tabellarische Ansätze und Deep-Learning-Modelle wie N-BEATS und der Temporal Fusion Transformer, wobei die Kosten ehrlich benannt werden; Entwicklung von Zeitmerkmalen für Lags, gleitende Zeitfenster, Kalender, Feiertage, Werbeaktionen und Wetter; Backtesting mit gleitendem Ursprung und die Fallstricke beim Data Leakage; Genauigkeitsmetriken einschließlich der Fälle, in denen MAPE bei geringem Volumen versagt, sowie WAPE, RMSSE und Pinball-Loss; Prognose-Bias; probabilistische Prognosen und Prognoseintervalle; zusätzlicher Prognosewert gegenüber einer naiven Baseline; sowie Konsensprognosen mit Menschen im Regelkreis.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eNaive und saisonale Baselines plus zusätzlicher Prognosewert\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eHierarchische Abstimmung und Methoden für intermittierende Nachfrage\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBacktesting mit gleitendem Ursprung und die Fallstricke beim Data Leakage\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMetrikauswahl: WAPE, RMSSE, Pinball-Loss, Bias, Intervalle\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 tenzin-time-series-forecasting-scientist.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderung → Tenzin erstellt die Antwort. Enthält ein vollständiges ausgearbeitetes Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382314307848,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/tenzin-forecasting-book.jpg?v=1787065050"},{"product_id":"rhiannon-marketing-mix-modeling-analyst","title":"Rhiannon – Analystin für Inkrementalitätstests AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Rhiannon in Claude ein und erhalte einen Messanalysten, der das Modell anhand eines echten Experiments trianguliert, bevor jemand ein Budget neu verteilt.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eRhiannon misst, was Marketing tatsächlich verursacht hat: Marketing-Mix-Modellierung mit Adstock und Übertragungseffekten, Sättigungs- und abnehmenden Ertragskurven, Saisonalität und Zerlegung der Baseline, kanalübergreifender Multikollinearität und Bayesianischem MMM mit belastbaren Priors; Geo-Experimente und Tests mit Vergleichsmärkten; Inkrementalitätstests durch Holdouts, PSA-Tests, Ghost Ads und Conversion-Lift; Attribution und warum Last-Click- und Multi-Touch-Modelle bei zunehmendem Datenschutzverlust versagen; die Triangulation von MMM mit Experimenten und Attribution, anstatt einem einzigen Ansatz zu vertrauen; Budgetverteilung nach dem marginalen Ertrag statt nach dem gemischten ROAS; MMM-Validierung durch Holdout-Genauigkeit, Kalibrierung anhand von Experimenten und Plausibilität der Koeffizienten; sowie die Kommunikation von Unsicherheit gegenüber einem CMO, der eine einzige Zahl möchte.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAdstock, Sättigungskurven und Zerlegung der Baseline\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGeo-Experimente, Holdouts und Inkrementalität durch Conversion-Lift\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKalibrierung von MMM anhand von Experimenten statt Attribution\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBudgetverteilung nach marginalem ROI unter Angabe der Unsicherheit\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 rhiannon-marketing-mix-modeling-analyst.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projekteinstellungen oder den System-Prompt ein → beschreibe deine Anforderungen → Rhiannon erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382325350664,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/rhiannon-mmm-book.jpg?v=1787065050"},{"product_id":"amadou-customer-data-identity-resolution-engineer","title":"Amadou – Ingenieur für Kundendatenplattformen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFügen Sie Amadou in Claude ein und erhalten Sie einen Identitätsingenieur, der die Abgleichs-Precision anhand gekennzeichneter Paare misst, denn eine hohe Abgleichsrate, die durch falsche Zusammenführungen erkauft wird, ist schlimmer als gar kein Abgleich.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAmadou erstellt einen Customer 360, dem Menschen tatsächlich vertrauen können: Design des Identitätsgraphen, deterministischer versus probabilistischer Abgleich, skalierbare Abgleichsregeln und Blocking Keys, Precision- und Recall-Abwägungen, die anhand gekennzeichneter Paare gemessen statt lediglich behauptet werden, Survivorship- und Golden-Record-Regeln, Rollups auf Haushalts- und Kontoebene; CDP-Architektur mit paketierten und zusammengesetzten Warehouse-nativen Ansätzen, Ereigniserfassung und Verknüpfung von Identitäten zwischen anonymen und bekannten Zuständen, Verwaltung von Einwilligungen und Präferenzen sowie Unterdrückung und Weitergabe von Löschungen an jedes nachgelagerte System; Profilaktivierung und Reverse ETL in Werbeplattformen und CRM; außerdem eine ehrliche Berichterstattung der Abgleichsrate neben den Kosten eines falschen Zusammenführens.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhalten Sie\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eIdentitätsgraph, Blocking Keys, deterministischer versus probabilistischer Abgleich\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrecision und Recall, gemessen anhand gekennzeichneter Paare\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSurvivorship, Golden Records und Haushalts-Rollups\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eEinwilligung, Unterdrückung, Weitergabe von Löschungen und Reverse ETL\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 amadou-customer-data-identity-resolution-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installieren Sie es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLaden Sie das .skill-Paket herunter → öffnen Sie Claude → fügen Sie SKILL.md in Ihre Projektanweisungen oder Ihren System-Prompt ein → beschreiben Sie Ihre Anforderungen → Amadou erstellt die Antwort. Enthält ein vollständiges durchgearbeitetes Beispiel, damit Sie genau sehen, was Sie erhalten.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382337081608,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/amadou-identity-book.jpg?v=1787065051"},{"product_id":"lucrezia-knowledge-graph-engineer","title":"Lucrezia – Ingenieurin für Wissensgraphen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Lucrezia in Claude ein und erhalte eine Graphingenieurin, die dir sagt, wann dein Problem ein Join und kein Graph ist, bevor du eine Graphdatenbank kaufst.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLucrezia arbeitet mit Daten als Graph: wann ein Graph relationale Datenbanken tatsächlich übertrifft und wann eindeutig nicht; Property Graphs mit Neo4j und Cypher gegenüber RDF und SPARQL sowie die tatsächlichen Abwägungen; Design von Ontologien und Taxonomien, Modellierung von Entitäten und Beziehungen sowie Reifizierung; Entity Resolution und Disambiguierung innerhalb eines Graphen; Ingestion-Pipelines und inkrementelle Aktualisierungen; Graphalgorithmen in der Praxis für Pfadsuche, Zentralität, Community Detection und Ähnlichkeit sowie wofür die einzelnen Verfahren tatsächlich geeignet sind; Abfrage-Performance, Supernodes und indexfreie Adjazenz; Graph-Embeddings und GNNs auf praktischer Ebene; Abfragen über Graphen zur Fundierung von LLM-Antworten; und Visualisierungen, die auch Nichtingenieure lesen können.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas erhältst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGraph oder relational: die ehrliche Entscheidung mit der Join-Alternative\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAbwägungen zwischen Property Graph und Cypher sowie RDF und SPARQL\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eOntologiedesign, Entity Resolution und Disambiguierung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGraphalgorithmen, Supernodes, Embeddings und graphgestützte Abfragen\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 lucrezia-knowledge-graph-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Min.\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Lucrezia erstellt die Antwort. Enthält ein vollständig ausgearbeitetes Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382349336840,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/lucrezia-knowledge-graph-book.jpg?v=1787065052"},{"product_id":"oskari-geospatial-data-analyst","title":"Oskari – Analyst für Geodaten AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Oskari in Claude ein und erhalte einen Geodatenanalysten, der den Radiuskreis durch eine echte Isochrone der Fahrzeit ersetzt und dabei zusieht, wie die Hälfte des Business Case verschwindet.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eOskari behandelt den Standort als zentrale Dimension: Koordinatenreferenzsysteme und Projektionen sowie die unauffälligen Fehler, die entstehen, wenn sie falsch verwendet werden; Vektor- und Rasterdatenmodelle; PostGIS, GeoPandas und native Geofunktionen von Data Warehouses; räumliche Joins, Puffer, Isochronen und Fahrzeitanalysen; Qualität der Geokodierung und Adressnormalisierung; räumliche Indizierung mit R-Tree, H3, S2 und Geohash sowie Gittersysteme für die Aggregation; räumliche Statistik einschließlich räumlicher Autokorrelation, Morans I, Hotspot-Analysen und der Grundlagen des Kriging; Analysen von Einzugsgebieten und Standortauswahl; Routenplanung und Netzwerkanalyse; kartografische Entscheidungen, die irreführen, etwa nicht normalisierte Choroplethenkarten und eine schlechte Klassenbildung; sowie die Datenschutzrisiken fein aufgelöster Standortdaten.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eKorrektheit von Koordinatenreferenzsystemen und Projektionen, Qualität der Geokodierung\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eRäumliche Joins, Puffer, Isochronen und Einzugsgebiete nach Fahrzeit\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eH3-, S2- und Geohash-Indizierung sowie räumliche Statistik\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eEhrliche Kartografie und Risiken für den Standortdatenschutz\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 oskari-geospatial-data-analyst.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder den System-Prompt ein → beschreibe deine Anforderungen → Oskari erstellt die Antwort. Enthält ein vollständig ausgearbeitetes Beispiel, damit du genau siehst, was du erhältst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382361657608,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/oskari-geospatial-book.jpg?v=1787065052"},{"product_id":"zenobia-head-of-data-analytics","title":"Zenobia – Leiterin für Daten und Analysen AI Skill","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; line-height: 1.5; margin: 0 0 8px 0;\"\u003eFüge Zenobia in Claude ein und erhalte eine Datenverantwortliche, die Plattformarbeit auf die Bereitstellung abstimmt, Ablehnungen dokumentiert und jeden Arbeitsstream an eine namentlich benannte Fachkraft weiterleitet.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eZenobia ist die Koordinationsebene über eine gesamte Datenfunktion hinweg. Sie verantwortet die mit den Geschäftsergebnissen verknüpfte Datenstrategie, das Betriebsmodell für zentralisierte, eingebettete und Hub-and-Spoke-Strukturen sowie die Entscheidung, wann es geändert werden muss, die Teamgestaltung und Einstellungsreihenfolge, die Grundlage für Plattforminvestitionen und die Entscheidung zwischen Eigenentwicklung und Kauf, die Priorisierung und Aufnahme von Datenanfragen, die tatsächliche Bedeutung von Self-Service und seine realen Voraussetzungen, das Denken in Datenprodukten und die Zuständigkeiten dafür, die Messung des eigenen Werts des Datenteams, das Stakeholder-Management und das dokumentierte Ablehnen von Arbeit, Datenkompetenzprogramme, Governance und Datenschutzverantwortung auf Organisationsebene, die Konsolidierung von Anbietern und Tools sowie die Roadmap, die grundlegende Plattformarbeit auf sichtbare Analytics-Bereitstellung abstimmt. Sie entwickelt selbst nichts: Jeder Arbeitsstream wird an eine namentlich benannte Fachkraft weitergeleitet und kommt zur Überprüfung zurück.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eDas bekommst du\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDatenstrategie und Betriebsmodell: zentralisiert, eingebettet, Hub-and-Spoke\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGrundlage für Plattforminvestitionen, selbst entwickeln oder kaufen, Konsolidierung von Tools\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAnfragenaufnahme, Priorisierung und was Self-Service wirklich erfordert\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDen Wert des Datenteams messen und die Roadmap priorisieren\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 zenobia-head-of-data-analytics.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunktioniert mit Claude, ChatGPT \u0026amp; jedem AI-Chat\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eSo installierst du es\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eLade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Zenobia erstellt die Antwort. Enthält ein vollständiges Arbeitsbeispiel, damit du genau siehst, was du bekommst.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382372536584,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/zenobia-head-of-data-book.jpg?v=1787065052"},{"product_id":"ai-skill-for-tableau","title":"AI Skill für Tableau","description":"\u003cp\u003eDiese Claude\/ChatGPT-Funktion hilft dir, Tableau-Dashboards zu planen und berechnete Felder zu debuggen, bevor oder während du in der App arbeitest: der richtige Diagrammtyp für jede Frage, Dashboard-Layout und Filterplatzierung sowie eine Zeile-für-Zeile-Erklärung der Syntax funktionierender berechneter Felder.\u003c\/p\u003e\u003cp\u003eSie ist besonders nützlich für LOD-Ausdrücke sowie Fixed, Include und Exclude und für die klassische Verwirrung über die Filterreihenfolge, durch die eine korrekt aussehende Formel den falschen Wert zurückgibt. Füge deine Formel sowie das erwartete und das tatsächliche Ergebnis ein und erhalte eine korrigierte Version mit Begründung – nicht nur eine Behebung.\u003c\/p\u003e\u003cp\u003eFunktioniert in Claude und ChatGPT auf die gleiche Weise. Beschreibe deine Dashboard-Frage oder füge deine fehlerhafte Berechnung ein und erhalte einen funktionierenden Plan.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58430580097288,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/ai-skill-for-tableau-book.jpg?v=1787231401"},{"product_id":"ai-skill-for-snowflake","title":"AI Skill für Snowflake","description":"\u003cp\u003eDiese Claude\/ChatGPT-Fähigkeit funktioniert als Snowflake-AI-Assistent in deiner täglichen Datenarbeit: Sie schreibt ausführbares Snowflake-SQL mit QUALIFY, FLATTEN und MERGE, die CREATE STAGE-, FILE FORMAT- und COPY INTO-Anweisungen für Ladevorgänge, Snowpipe-Definitionen, Streams und Tasks oder Dynamic Tables für inkrementelle Pipelines, Rollen-Hierarchien mit GRANT-Anweisungen sowie Maskierungs- und Zeilenzugriffsrichtlinien.\u003c\/p\u003e\u003cp\u003eSie kennt Warehouses und Credit-Abrechnung, das Pruning von Mikropartitionen und das Query Profile, Time Travel, UNDROP und Zero-Copy Cloning, ACCOUNT_USAGE-Ansichten zur Kostenkontrolle, Snowpark und gespeicherte Prozeduren sowie typische Stolperfallen wie Tasks, die nie ausgeführt werden, weil niemand sie fortgesetzt hat. Sie bedient Snowflake nicht direkt; sie erstellt das SQL, Snowsight-Klickpfade und Prüfungen, damit du sie selbst ausführst.\u003c\/p\u003e\u003cp\u003eFunktioniert in Claude, ChatGPT und Gemini auf die gleiche Weise. Ein Kauf, Datei herunterladen, in unter 2 Minuten installieren und dann so fragen, wie du einen erfahrenen Data Engineer neben dir fragen würdest. Lässt sich mit \u003ca href=\"\/de\/products\/oleg-database-engineer\"\u003eOleg, Datenbankentwickler\u003c\/a\u003e, der Persona-Fähigkeit, kombinieren; diese hier ist der Helfer in Snowflake.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58632274477320,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/ai-skill-for-snowflake-1.jpg?v=1789379835"},{"product_id":"ai-skill-for-matlab","title":"AI Skill für MATLAB","description":"\u003cp\u003eDiese Claude\/ChatGPT-Fähigkeit arbeitet als MATLAB-Programmierpartner mit AI-Unterstützung in deinem Arbeitsalltag: Sie schreibt vollständige .m-Funktionen mit Arguments-Blöcken, ersetzt langsame Schleifen durch logische Indizierung und implizite Erweiterung, erstellt readtable- und readtimetable-Importe mit Importoptionen, erzeugt tiledlayout-Abbildungen mit exportgraphics-Aufrufen und erklärt die Auswahl von Simulink-Blöcken und Solvern in einfachen Worten.\u003c\/p\u003e\u003cp\u003eSie kennt MATLAB-Datentypen (Tabellen, Zeitpläne, Zell- und Strukt ohne Arrays, String im Vergleich zu Char), den Editor und Live Editor, den Profiler, parfor und die Toolboxes, die du wahrscheinlich verwendest, und weist darauf hin, wenn eine Funktion von einer Toolbox oder einem bestimmten Release abhängt. Sie führt keinen Code aus und öffnet MATLAB nicht für dich; sie bereitet den Code, den Klickpfad und die Lösung vor, damit du sie im Befehlsfenster ausführen kannst.\u003c\/p\u003e\u003cp\u003eFunktioniert genauso in Claude, ChatGPT und Gemini. Ein Kauf, Datei herunterladen, in weniger als 2 Minuten installieren, dann deinen Fehler einfügen oder deine Daten beschreiben und funktionierenden MATLAB-Code erhalten. Lässt sich mit \u003ca href=\"\/de\/products\/leila-data-scientist\"\u003eLeila, Data Scientist\u003c\/a\u003e, der Persona-Fähigkeit, kombinieren; diese hier ist die Hilfe innerhalb von MATLAB.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58632421769480,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/ai-skill-for-matlab-1.jpg?v=1789379989"},{"product_id":"nuria-statistician","title":"Nuria - KI-Skill als Statistiker","description":"\u003cp\u003eJemand reicht Ihnen eine Tabelle und fragt, ob der Unterschied real ist. Die Standardantwort lautet t-Test und p-Wert, doch in der Hälfte der Fälle sind die Voraussetzungen für beides nicht erfüllt. Eine Statistik-KI bremst das ab: Wie war das Studiendesign, was wurde randomisiert, wie viele Vergleiche führen Sie durch und welche Differenz würde Ihre Entscheidung tatsächlich ändern.\u003c\/p\u003e\u003cp\u003eSie fragt nach dem Studiendesign, der Stichprobengröße und der Art der Datenerhebung, bevor sie einen Test auswählt, denn dieselben Zahlen bedeuten bei einer randomisierten Studie, einem Befragungspanel und einem Beobachtungsprotokoll Unterschiedliches. Sie erhalten die Testauswahl mit Begründung, die dazugehörigen Prüfungen der Voraussetzungen, die Effektgröße und das Intervall zusammen mit dem p-Wert sowie die Benjamini-Hochberg-Korrektur statt der Bonferroni-Korrektur, wenn Sie zwanzig Endpunkte überprüfen. Ein p-Wert über 0,05 wird nicht als Beweis für das Ausbleiben eines Effekts behandelt, denn das ist eine Aussage über die Teststärke, nicht über die Realität.\u003c\/p\u003e\u003cp\u003eEine Datei genügt, und es funktioniert in Claude, ChatGPT und Gemini gleich. Einmal zahlen, kein Abonnement, die Einrichtung dauert weniger als zwei Minuten.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58636763726088,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/nuria-statistician-1.png?v=1789396356"}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/collections\/data-ai-skills.jpg?v=1787734708","url":"https:\/\/kissmyskills.com\/de\/collections\/data-ai-skills.oembed","provider":"KissMySkills","version":"1.0","type":"link"}