{"title":"Skills de Datos y AI","description":"\u003cp\u003eSkills de AI para profesionales de datos y AI. Especialistas listos para usar en ingeniería de datos, aprendizaje automático, ciencia de datos, ingeniería analítica, BI, arquitectura de datos, MLOps, ingeniería de AI\/LLM, PLN, gobernanza de datos e ingeniería de prompts. Cada Skill incluye un ejemplo práctico real y orientación centrada en el desarrollo, con control de versiones para todo.\u003c\/p\u003e","products":[{"product_id":"clara-data-analyst-ai-skill","title":"Clara - Skill de AI para analista de datos","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 Añade Clara a Claude y obtén un analista de datos que convierte datos sin procesar en información clara y práctica: define la pregunta analítica, evalúa la calidad de los datos, realiza análisis exploratorios, escribe fórmulas de Excel y SQL, interpreta resultados estadísticos en un lenguaje sencillo y comunica los hallazgos como una historia clara con un «¿y qué?» y una acción recomendada.\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 es una de las herramientas de datos con AI más rigurosamente honestas desde el punto de vista analítico disponibles en formato Claude: creada para equipos de marketing, áreas financieras, analistas de HR, equipos de producto y estudiantes de cualquier sector en el que los datos deban convertirse en decisiones. Nunca implica causalidad a partir de una correlación, siempre señala las salvedades estadísticas y explicita los límites de lo que permiten concluir las muestras pequeñas, los datos faltantes o el sesgo de selección. Analizar sin contexto de datos produce respuestas equivocadas: siempre pregunta qué contienen los datos, cómo se recopilaron y qué intentas responder antes de tocar un solo número.\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;\"\u003eLo que obtienes\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\u003eDefinición de preguntas analíticas y evaluación de la calidad de los datos: formulación precisa de preguntas a partir de problemas empresariales o de investigación, comprobaciones de integridad y coherencia de los datos, identificación de lo que puede y no puede responderse con los datos disponibles, y señalamiento honesto de las limitaciones antes de comenzar el análisis\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\u003eAnálisis exploratorio de datos: distribuciones, tendencias centrales, dispersión, detección de valores atípicos y anomalías, identificación de valores faltantes, identificación de patrones y correlaciones, y hallazgos iniciales que te indican qué contienen realmente los datos antes de sacar conclusiones\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\u003eOrientación sobre Excel, SQL, Python y R: creación de fórmulas para Excel y Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, tablas dinámicas), redacción y explicación de consultas SQL para SELECT, GROUP BY, JOIN y funciones de agregación, operaciones con DataFrame y groupby de Python pandas, y estadísticas resumidas en R para datos de investigación\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\u003eInterpretación estadística en lenguaje sencillo: valores p, intervalos de confianza y tamaño de muestra explicados en contexto, distinción entre significación estadística y significación práctica, diferenciación entre correlación y causalidad sin excepciones, e interpretación correcta de los resultados de pruebas A\/B para tomar decisiones basadas en evidencia real\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\u003eComunicación de insights: hallazgos analíticos estructurados como hallazgo → evidencia → implicación → acción, recomendaciones de visualización adaptadas al tipo de datos y la audiencia, y comentarios sobre los datos redactados para que quienes no son analistas entiendan qué significan las cifras y qué hacer a continuación\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\u003eAnálisis específico por sector: datos de encuestas (escalas de Likert, tablas cruzadas, sesgo en las respuestas), datos financieros (tendencias de ingresos, análisis de márgenes, comentarios sobre variaciones), análisis de marketing (rendimiento de campañas, análisis del embudo, atribución), análisis de HR (resultados de encuestas, retención, plantilla) y datos de tesis académicas (estadística descriptiva, interpretación de resultados)\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Descarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → comparte tus datos, describe la pregunta de negocio y explica cómo se recopilaron los datos → Clara define la pregunta y genera hallazgos analíticos estructurados al instante.\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 - Skill de AI para investigador de mercados","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 Introduce a Serena en Claude y obtén una investigadora de mercado que dimensiona mercados con una metodología transparente, crea personas de clientes, mapea los panoramas competitivos, elabora análisis PESTLE y de las cinco fuerzas de Porter, diseña encuestas para clientes y guías de entrevistas, y convierte los hallazgos de la investigación en recomendaciones comerciales prácticas.\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 La investigación de mercado sustenta todas las decisiones empresariales importantes: entrar en un mercado nuevo, lanzar un producto, fijar precios o redactar la sección de mercado de un plan de negocio para inversores. Serena es una de las herramientas de investigación de mercado con AI más transparentes en cuanto a metodología disponibles en formato Claude: siempre explica cómo se calcularon las estimaciones del tamaño del mercado, porque una cifra de TAM sin metodología no sirve para tomar decisiones serias. Es honesta sobre las limitaciones y la actualidad de los datos, abarca tanto el diseño y análisis de investigación secundaria (de fuentes documentales) como de investigación primaria, y trabaja en cualquier industria que tenga clientes o beneficiarios.\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;\"\u003eLo que obtienes\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\u003eDimensionamiento del mercado con metodología: estimaciones del TAM, SAM y SOM mediante enfoques descendente y ascendente, con la metodología de cálculo explicada, evaluación de la tasa de crecimiento y las previsiones del mercado, identificación y dimensionamiento relativo de los segmentos clave, y estructuras de secciones de mercado listas para inversores\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\u003ePersonas y segmentación de clientes: personas de clientes creadas a partir de la investigación y los datos disponibles, necesidades y puntos débiles mapeados mediante el marco de trabajos por realizar, segmentación demográfica, conductual y psicográfica, y análisis del proceso de toma de decisiones de los clientes\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\u003eAnálisis de la industria y las tendencias: análisis PESTLE (político, económico, social, tecnológico, legal y ambiental) para evaluar el macroentorno, análisis de la intensidad competitiva mediante las cinco fuerzas de Porter, identificación de tendencias emergentes, síntesis de informes sectoriales de Euromonitor, IBISWorld, Statista y GWI, y revisión del entorno regulatorio y normativo\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\u003eDiseño de investigación primaria: cuestionarios de encuestas a clientes diseñados para responder preguntas empresariales específicas, guías de discusión para entrevistas y marcos de preguntas de sondeo, diseño de grupos focales y asesoramiento sobre la estrategia de muestreo, que abarca a quién investigar y cuántas personas se necesitan para obtener resultados estadísticamente significativos\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\u003eAnálisis de investigación primaria: análisis de resultados de encuestas (distribuciones, tablas cruzadas y patrones), síntesis de temas de entrevistas y transcripciones, extracción de insights cualitativos y transformación de los hallazgos de investigación en recomendaciones comerciales específicas, en lugar de simples listas de observaciones\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\u003eInformes y resultados de investigación de mercado: informes generales del mercado, perfiles de segmentos de clientes, marcos de investigación de NPS y satisfacción del cliente, marcos de seguimiento de marca y mapas del entorno competitivo, adaptados para estrategias internas, planes de negocio o presentaciones para inversores\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eCompatible con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Descarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe el mercado, la pregunta empresarial o el desafío de investigación → Serena genera inteligencia de mercado fundamentada en evidencia al instante. Verifica directamente las cifras actuales del mercado: los datos de mercado quedan obsoletos rápidamente.\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\/\/ Bonificación: plantilla de prompt incluida\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Esta habilidad ahora incluye el prompt independiente \u003cstrong\u003eInforme de investigación de mercado con AI\u003c\/strong\u003e (antes se vendía por separado): una plantilla única lista para copiar y pegar que abarca el panorama del mercado, el cálculo del TAM\/SAM\/SOM con metodología, la segmentación, las tendencias, entre 2 y 4 perfiles de buyer persona y el entorno competitivo, con indicadores [VERIFY] en cada afirmación sobre el tamaño del mercado. Úsala para elaborar rápidamente un informe puntual cuando no necesites el alcance completo de investigación primaria de Serena.\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 - Skill de AI para inteligencia competitiva","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 Añade Finn a Claude y obtén un analista de inteligencia competitiva que crea perfiles de competidores, cartografía los panoramas competitivos, compara el posicionamiento y los precios, analiza las reseñas de productos y la publicidad, crea tarjetas de batalla competitiva para los equipos de ventas y convierte la observación de competidores en perspectivas estratégicas; la pregunta nunca es «¿qué dice el competidor?», sino «¿qué significa y qué deberíamos hacer al respecto?».\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 La inteligencia competitiva no es espionaje corporativo: es la práctica rigurosa de recopilar, analizar y aplicar información pública obtenida éticamente sobre el entorno competitivo para tomar mejores decisiones. Finn es una de las herramientas de inteligencia competitiva con IA más analíticas estratégicamente disponibles en formato Claude, creada para equipos de estrategia, gerentes de producto, líderes de ventas y profesionales de marketing de todos los sectores en los que existe competencia. Un perfil de competidor que se limita a describir el sitio web de una empresa no es inteligencia competitiva. Finn siempre busca la capa analítica: ¿qué nos indica esto y qué deberíamos hacer al respecto?\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;\"\u003eLo que obtienes\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\u003ePerfiles de competidores y mapas del panorama competitivo: perfiles completos de competidores que abarcan el posicionamiento, las audiencias objetivo, las fortalezas y debilidades, el mapeo de rivales directos e indirectos, la identificación de competidores emergentes y el espacio de posicionamiento que ningún competidor ocupa actualmente\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\u003eAnálisis del posicionamiento competitivo: comparaciones de propuestas de valor y mensajes, mapas de posicionamiento sobre los ejes clave de diferenciación, evaluación de la percepción de marca y la reputación competitiva, y análisis DAFO de competidores específicos que van más allá de la descripción para llegar a implicaciones estratégicas\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\u003eInteligencia de productos y funcionalidades: matrices comparativas de funcionalidades competitivas, seguimiento de actualizaciones de productos y señales de hoja de ruta a partir de ofertas de empleo y comunicados de prensa, análisis de temas en reseñas de G2, Trustpilot, Capterra y App Store para identificar qué les encanta y qué detestan los clientes de los competidores\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\u003eInteligencia de precios y comercial: investigación de la estructura de precios de los competidores, análisis de estrategias de precios freemium, premium y basadas en el valor, detección de cambios en las páginas de precios, marcos de comparación de precios y señales de flexibilidad comercial procedentes de términos públicos y documentación orientada al cliente\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\u003eInteligencia de marketing y contenidos: análisis de la estrategia de contenidos y el posicionamiento SEO de los competidores, revisión de la publicidad en Meta Ad Library y Google Ads Transparency, actividad y patrones de interacción en redes sociales, temas de liderazgo de opinión y seguimiento de actividades en eventos y asociaciones\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\u003eBattlecards competitivas e inteligencia de ventas: battlecards para equipos de ventas que abarcan cómo posicionarse frente a competidores específicos, marcos de análisis de victorias y derrotas, respuestas a objeciones competitivas, narrativas de diferenciación para situaciones competitivas específicas y marcos de «cómo vencer a [competitor]» basados en evidencia disponible públicamente\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Descarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → indica los competidores, describe tu sector y dile a Finn qué decisión debe respaldar la inteligencia → generará al instante un análisis estratégico basado en insights. Toda la inteligencia procede únicamente de fuentes públicas recopiladas de forma ética. Verifica directamente los datos clave antes de actuar.\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 - Skill de AI para especialista en análisis de sentimientos","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 Añade Mira a Claude y obtén una analista de texto y sentimiento que identifica temas, codifica datos cualitativos, evalúa el sentimiento por tema e intensidad, analiza reseñas de clientes, procesa transcripciones de entrevistas y respalda cada hallazgo con ejemplos específicos del texto, sin necesidad de saber NLP ni Python.\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 Los datos de texto rara vez son uniformemente positivos o negativos: clientes que adoran el producto pero detestan la entrega, empleados que valoran a sus compañeros pero no a la dirección. Mira es una de las herramientas de análisis de texto con IA que más afirmaciones respalda con evidencias, disponible en formato Claude: nunca afirma que exista un tema o sentimiento sin mostrar de dónde procede en los datos. Cada afirmación requiere 3-5 ejemplos específicos del texto de origen. Explica la metodología analítica utilizada (análisis temático, puntuación de sentimiento, análisis de contenido) para que los resultados se comprendan en lugar de aceptarse sin más, e identifica lo que está ausente en un texto con la misma claridad que lo que está presente.\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;\"\u003eLo que obtienes\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\u003eAnálisis de sentimiento con ejemplos - evaluación general del sentimiento positivo, negativo, neutro y mixto, sentimiento por tema y temática dentro de un documento, valoración de la intensidad (muy negativo frente a levemente negativo), identificación del tono emocional (ira, satisfacción, frustración, deleite) y desglose del sentimiento de las reseñas de clientes por producto, servicio o atributo\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\u003eAnálisis temático - temas recurrentes identificados y codificados sistemáticamente mediante la metodología de Braun y Clarke, jerarquías de temas creadas (temas y subtemas), relevancia y frecuencia evaluadas, y codificación a priori frente a emergente aplicada según si el marco analítico es preexistente o se genera a partir de los datos\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\u003eAnálisis de datos de investigación cualitativa: análisis de transcripciones de entrevistas y grupos focales, codificación temática en múltiples entrevistas, identificación de patrones, síntesis de hallazgos clave en un formato de informe estructurado y presentación de resultados de investigación cualitativa como análisis de calidad publicable con citas de evidencia\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\u003eAnálisis de comentarios de clientes y empleados: análisis de comentarios abiertos de NPS, desglose de respuestas textuales de CSAT, análisis de respuestas abiertas de encuestas a empleados, sentimiento en comentarios de redes sociales e identificación de temas en reseñas de clientes, con citas específicas que respaldan cada hallazgo\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\u003eAnálisis de contenido y discurso: análisis de frecuencia de términos y frases clave, identificación del encuadre temático (cómo se presenta un tema, no solo qué se dice), identificación de técnicas persuasivas y retóricas, análisis del lenguaje y el tono de una marca, y análisis de lo que está ausente en un texto, además de lo que está presente\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\u003eAnálisis de texto aplicado a distintos sectores: análisis de cobertura mediática y de prensa, análisis del lenguaje político y normativo, revisión del lenguaje contractual y jurídico, análisis de las comunicaciones de la competencia, y diseño de marcos analíticos y estrategias de muestreo para conjuntos de datos grandes que superan lo que puede procesarse directamente en una sola sesión\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;\"\u003eInstalación en menos de 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;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Descarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → pega el texto, las reseñas, las transcripciones o los comentarios que necesites analizar → Mira identifica temas, evalúa el sentimiento y produce hallazgos con citas de evidencia al instante. Pega el contenido directamente; para conjuntos de datos muy grandes, diseña el marco analítico y el enfoque de muestreo.\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 - Ingeniera de datos 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;\"\u003eAñade Elena a Claude y obtén una ingeniera de datos sénior que diseña pipelines que no fallan a las 2 de la madrugada, modela datos en los que los analistas pueden confiar y optimiza almacenes de datos que dejan de malgastar dinero.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eElena trabaja con un enfoque ELT: probado, idempotente y documentado. Pipelines por lotes y de streaming, modelado con dbt y SQL (dimensional y Data Vault), ingesta y CDC, orquestación (Airflow\/Dagster\/Prefect), almacenes de datos (Snowflake\/BigQuery\/Databricks\/Redshift), pruebas y contratos de calidad de datos, particionamiento y formatos de archivo (Parquet\/Iceberg\/Delta), linaje y optimización de costes. Desarrolla siempre con una muestra en desarrollo o staging, versiona todo y valida antes de pasar a producción.\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;\"\u003eQué obtienes\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\u003ePipelines por lotes y de streaming idempotentes y probados\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\u003eModelado dimensional y Data Vault; dbt y SQL para almacenes de datos\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\u003eOrquestación (Airflow\/Dagster\/Prefect), ingesta y 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\u003ePruebas y contratos de calidad de datos; particionamiento, formatos y optimización de costes\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Elena crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Ingeniero de aprendizaje automático 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;\"\u003eAñade Arjun a Claude y obtén un ingeniero sénior de ML que crea modelos sin fugas de datos, los valida honestamente y los pone en producción.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eArjun plantea el problema, desarrolla características sin fugas de datos, elige el modelo adecuado (lineales, conjuntos de árboles como XGBoost\/LightGBM, redes neuronales), valida con una validación cruzada adecuada y métricas honestas frente a una referencia, ajusta los hiperparámetros, calibra y sirve el modelo de forma reproducible. Valida siempre con una muestra reservada en desarrollo o preproducción, versiona los datos, el código y los modelos, y revisa todo antes de pasar a producción.\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;\"\u003eQué obtienes\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\u003eIngeniería de características con prevención de fugas de datos\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\u003eElección del modelo: lineales, conjuntos de árboles (XGBoost\/LightGBM), redes neuronales\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\u003eValidación cruzada, métricas honestas frente a referencias, calibración\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\u003eAjuste de hiperparámetros, reproducibilidad y servicio de modelos\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;\"\u003eInstalación en menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Arjun crea la respuesta. Incluye un ejemplo completo y desarrollado para que veas exactamente lo que obtienes.\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 - Científica de datos 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;\"\u003eIntegra Leila en Claude y obtén una científica de datos sénior que plantea la pregunta, aplica las estadísticas adecuadas y diseña pruebas A\/B que ofrecen respuestas confiables.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLeila plantea problemas empresariales, realiza un EDA riguroso, aplica las estadísticas y pruebas de hipótesis correctas, diseña y analiza pruebas A\/B (potencia, tamaño de muestra, controles de seguridad, SRM), crea modelos de regresión y clasificación, razona sobre la causalidad y comunica la decisión. Valida siempre los supuestos con una muestra representativa, versiona el análisis y revísalo antes de actuar en producción.\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;\"\u003eQué obtienes\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\u003ePlanteamiento, EDA y la prueba estadística adecuada\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\u003ePruebas A\/B: potencia, tamaño de muestra, controles de seguridad y resultados honestos\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\u003eModelado de regresión y clasificación\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\u003eFundamentos de inferencia causal y comunicación con las partes interesadas\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu necesidad → Leila crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente qué obtienes.\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 - Ingeniero de analítica 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;\"\u003eIntegra Bram en Claude y obtén un ingeniero sénior de analítica que crea modelos de dbt y marts dimensionales probados y documentados sobre la pila de datos moderna.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eBram crea la capa de transformación: modelos de dbt (staging → intermedio → marts), fuentes y actualización, pruebas, instantáneas (SCD2), macros y Jinja, modelos incrementales con la estrategia adecuada, exposiciones y la capa semántica, modelado dimensional (Kimball) y CI\/CD para analítica. Desarrolla siempre en un entorno de desarrollo, ejecuta las pruebas de dbt, controla las versiones en git y revisa todo antes de promoverlo a producción.\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;\"\u003eQué obtienes\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\u003eModelos de dbt: staging → intermedio → marts, fuentes y actualización\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\u003ePruebas, instantáneas (SCD2), macros y 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\u003eModelos incrementales con la estrategia adecuada\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\u003eModelado dimensional de Kimball y CI\/CD para analítica\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Bram crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente qué obtienes.\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 - Analista de datos empresariales 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;\"\u003eIntegra Chiara en Claude y obtén una analista de datos sénior que convierte una pregunta imprecisa en una respuesta SQL precisa, con la métrica definida y las salvedades indicadas.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eChiara traduce una pregunta de negocio en una consulta, escribe SQL con JOIN, CTE y funciones de ventana, define las métricas con precisión para evitar el doble conteo, ejecuta análisis de cohortes\/retención, embudos y segmentación, crea paneles claros y comunica la respuesta con las salvedades pertinentes. Siempre comprueba que las consultas coincidan con totales conocidos en una muestra y documenta la métrica antes de compartirla.\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;\"\u003eQué obtienes\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\u003eProfundidad en SQL: JOIN, CTE, funciones de ventana y lógica de fechas\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\u003eDefiniciones de métricas sin doble conteo\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\u003eAnálisis de cohortes\/retención, embudos y segmentación\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\u003ePaneles claros y comunicación con las salvedades pertinentes\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Chiara crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Desarrollador de BI 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;\"\u003eIntegra Tobias en Claude y obtén un desarrollador sénior de BI que crea modelos de Power BI con esquema en estrella, escribe DAX correcto y protege los informes con seguridad a nivel de fila.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTobias crea soluciones de BI en Power BI (con conocimientos de Tableau y Looker): modelos semánticos de esquema en estrella, DAX (contexto de filtro y de fila, CALCULATE, inteligencia temporal), transformaciones de Power Query (M), relaciones y cardinalidad, seguridad a nivel de fila, optimización del rendimiento de VertiPaq y un diseño claro de informes. Siempre desarrolla sobre un conjunto de datos de desarrollo, valida las medidas con totales conocidos, versiona el informe y revísalo antes de publicarlo en producción.\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;\"\u003eQué obtienes\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\u003eModelado semántico de esquema en estrella y relaciones\/cardinalidad\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: contexto de filtro y de fila, CALCULATE, inteligencia temporal\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\u003eTransformaciones de Power Query (M)\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\u003eSeguridad a nivel de fila y optimización del rendimiento de VertiPaq\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Tobias crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Arquitecta de datos 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;\"\u003eAñade Freya a Claude y obtén una arquitecta de datos que diseña arquitecturas de lakehouse y almacenes de datos con ventajas y desventajas reales, no palabras de moda.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eFreya diseña arquitecturas de datos teniendo en cuenta decisiones y ventajas y desventajas: almacén de datos frente a lago de datos, lakehouse o malla, modelado (Kimball, Data Vault), formatos de tablas (Parquet\/Iceberg\/Delta\/Hudi), procesamiento por lotes frente a streaming, ingesta y CDC, patrón medallón, gobernanza, seguridad y costes. Registra la decisión. Siempre crea un prototipo en desarrollo usando un subconjunto representativo, estima el coste y revisa las ventajas y desventajas antes de comprometerte con una arquitectura de producción.\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;\"\u003eQué obtienes\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\u003ePatrones: almacén de datos, lago de datos, lakehouse, malla de datos\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\u003eModelado (Kimball, Data Vault) y patrón medallón\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\u003eFormatos de tablas (Parquet\/Iceberg\/Delta\/Hudi), procesamiento por lotes frente a streaming\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\u003eGobernanza, seguridad, costes y selección de herramientas con sus ventajas y desventajas\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;\"\u003eInstalación en menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Freya crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente lo que obtienes.\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 - Ingeniero de MLOps 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;\"\u003eIntegra Emre en Claude y obtén un ingeniero sénior de MLOps que pone modelos en producción con seguimiento, un registro, monitoreo y una vía de rollback.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eEmre pone ML en producción: seguimiento de experimentos y registro de modelos (MLflow), CI\/CD para ML, almacenes de características, empaquetado y despliegue de modelos (por lotes, en tiempo real, contenedores, Kubernetes), pipelines reproducibles con versionado de datos, código y modelos (DVC), monitoreo de deriva y calidad de datos, reentrenamiento automatizado y despliegues shadow\/canary con rollback. Valida siempre en staging con shadow\/canary antes del despliegue completo, versiona todo, monitorea la deriva y conserva una vía de rollback.\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;\"\u003eLo que obtienes\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\u003eSeguimiento de experimentos y registro de modelos (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 para ML, almacenes de características y pipelines reproducibles\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\u003eDespliegue (por lotes, en tiempo real, contenedores, 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\u003eMonitoreo de deriva y calidad, reentrenamiento y rollback en modo shadow\/canary\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Emre crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Ingeniero de AI 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;\"\u003eIntegra Sora en Claude y obtén un ingeniero sénior de AI que crea aplicaciones de RAG y LLM listas para producción, con recuperación, evaluaciones y barreras de seguridad, no demostraciones.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eSora crea aplicaciones de LLM y GenAI: generación aumentada por recuperación (fragmentación, embeddings, bases de datos vectoriales, recuperación híbrida y reordenamiento), ingeniería de prompts para aplicaciones, salida estructurada y llamadas a herramientas, Agents y orquestación, evaluación (conjuntos de evaluación offline, LLM como juez, fundamentación), barreras de seguridad, almacenamiento en caché y optimización de costes\/latencia. Evalúa siempre con un conjunto de evaluación reservado en desarrollo\/preproducción, añade barreras de seguridad, versiona los prompts y las configuraciones, y revisa la fundamentación y la seguridad antes de ponerlo en producción.\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;\"\u003eQué obtienes\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: fragmentación, embeddings, bases de datos vectoriales, recuperación híbrida y reordenamiento\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\u003eCreación de prompts, salida estructurada y llamadas a herramientas\/funciones\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, orquestación y almacenamiento en caché\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\u003eEvaluaciones (fundamentación, LLM como juez), barreras de seguridad, coste\/latencia\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Sora crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente lo que obtienes.\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 - Ingeniera de NLP 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;\"\u003eIntegra Aditi en Claude y obtén una ingeniera sénior de NLP que desarrolla pipelines de clasificación de texto y NER, ajusta transformers y los evalúa de forma rigurosa.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAditi desarrolla soluciones de NLP: clasificación de texto, reconocimiento de entidades nombradas, etiquetado de secuencias, análisis de sentimiento y similitud semántica, tokenización y preprocesamiento, embeddings, transformers y ajuste fino (Hugging Face), aprendizaje por transferencia, evaluación (precisión\/recobrado\/F1, macro frente a micro, matrices de confusión, BLEU\/ROUGE), desbalance de clases y etiquetado, y elección entre enfoques clásicos y LLM. Evalúa siempre con un conjunto de prueba reservado en desarrollo o staging, comprueba si hay filtraciones y sesgos, versiona los datos y los modelos, y revisa todo antes de pasar a producción.\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;\"\u003eQué obtienes\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\u003eClasificación, reconocimiento de entidades nombradas, etiquetado de secuencias y similitud\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\u003eTokenización, embeddings y ajuste fino de transformers (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\u003eEvaluación: precisión\/recobrado\/F1, macro frente a micro, matrices de confusión\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\u003eDesbalance de clases, etiquetado y elección entre enfoques clásicos y 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;\"\u003eInstalación en menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Aditi crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente lo que obtienes.\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 - Responsable de gobernanza de datos 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;\"\u003eAñade Magnus a Claude y obtén un responsable sénior de gobernanza de datos que redacta contratos de datos, configura comprobaciones de calidad y clasifica la PII correctamente.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eMagnus crea la gobernanza de datos: catálogos de datos y metadatos, linaje, dimensiones y comprobaciones de calidad de datos (completitud, validez, unicidad, actualidad), contratos de datos, datos maestros y de referencia, privacidad y cumplimiento (GDPR\/CCPA, clasificación de PII, retención, RBAC\/ABAC), administración y responsabilidad de los datos, y métricas de gobernanza. Prueba siempre los controles con una muestra en un entorno que no sea de producción, valida las comprobaciones con datos conocidos, crea versiones de los contratos y revísalos antes de aplicarlos en producción.\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;\"\u003eQué obtienes\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\u003eCatálogo de datos, metadatos y linaje\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\u003eDimensiones y comprobaciones de calidad de datos con umbrales\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\u003eContratos de datos, datos maestros y de referencia\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\u003ePrivacidad y cumplimiento (GDPR\/CCPA), clasificación de PII, 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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Magnus crea la respuesta. Incluye un ejemplo completo para que veas exactamente qué obtienes.\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 - Ingeniera de prompts 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;\"\u003eIntegra Noor en Claude y obtén un ingeniero sénior de prompts que diseña, prueba y controla las versiones de prompts para producción con un sistema de evaluación, no basándose en intuiciones.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNoor diseña prompts para producción: patrones de prompts (zero-shot y few-shot, chain-of-thought y descomposición), diseño de prompts del sistema, salida estructurada\/JSON con aplicación del esquema, prompts adaptados a la recuperación y al uso de herramientas, evaluación y pruebas de prompts (conjuntos de evaluación, pruebas de regresión, LLM como juez y rúbricas), control de versiones de prompts, optimización de tokens\/costes y latencia, y medidas de protección y resistencia a jailbreaks. Prueba siempre los prompts con un conjunto de evaluación en desarrollo o preproducción, controla sus versiones, añade medidas de protección y revisa la calidad y la seguridad antes de ponerlos en producción.\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;\"\u003eQué obtienes\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\u003ePatrones de prompts: few-shot, chain-of-thought y descomposición\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\u003eSalida estructurada\/JSON y aplicación del esquema\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\u003eEvaluación de prompts: conjuntos de evaluación, LLM como juez, rúbricas y regresión\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\u003eControl de versiones, optimización de costes\/latencia y medidas de protección\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Noor crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Skill de AI para ingeniero de datos en streaming","description":"\u003ch2\u003eIngeniero sénior de datos de streaming que trata las canalizaciones en tiempo real como una disciplina distinta, no como procesamiento por lotes ejecutándose más rápido.\u003c\/h2\u003e\n\u003cp\u003eBartosz cubre toda la superficie de las canalizaciones en tiempo real: diseño de clústeres y temas de Kafka y Flink, compensaciones entre el procesamiento exactamente una vez y al menos una vez, registro y evolución de esquemas (Avro\/Protobuf), estrategia de grupos de consumidores y particiones, monitorización de la contrapresión y del retraso de los consumidores, patrones de aterrizaje de streaming al almacén de datos (CDC, Kafka Connect, inserciones mediante streaming) y diseño de trabajos de procesamiento de streams (ventanas, marcas de agua y agregación con estado).\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eIngenieros de datos, responsables de plataformas y propietarios de canalizaciones de streaming que necesitan un diseño de temas de Kafka\/Flink, garantías de procesamiento y monitorización del retraso vinculados a requisitos reales de frescura y orden, no una configuración predeterminada copiada y pegada.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDiseño de temas, particiones y garantías de procesamiento de Kafka\/Flink vinculado al coste real de duplicados y pérdidas\u003c\/li\u003e\n      \u003cli\u003eComprobaciones de compatibilidad del registro de esquemas que detectan una interrupción en un consumidor posterior, no solo una validación correcta del registro\u003c\/li\u003e\n      \u003cli\u003eMonitorización del retraso de los consumidores y de la contrapresión por partición, no un retraso agregado engañoso\u003c\/li\u003e\n      \u003cli\u003eElección del patrón de aterrizaje mediante CDC, Kafka Connect o inserciones por streaming según las necesidades de frescura y volumen\u003c\/li\u003e\n      \u003cli\u003eDiseño de recuperación mediante ventanas, marcas de agua y checkpoints\/savepoints verificado antes de la puesta en producción\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Bartosz en las instrucciones de tu proyecto de Claude (o en el prompt del sistema de cualquier sistema de AI) y describe tu problema de ingeniería de datos de streaming. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para ingeniero de DataOps","description":"\u003ch2\u003eIngeniero sénior de DataOps y orquestación de pipelines que considera la orquestación una disciplina de fiabilidad, no solo de programación.\u003c\/h2\u003e\n\u003cp\u003eFenna cubre toda la superficie de la orquestación de pipelines: diseño de DAG en Airflow y Dagster, gestión de dependencias entre DAG y equipos, estrategia de relleno histórico, definición de SLA y alertas por incumplimiento, pruebas de pipelines (pruebas de contratos de datos y comprobaciones de frescura), escalado del orquestador (grupos de workers y elección del ejecutor), y observabilidad y linaje de los pipelines.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de plataformas de datos y responsables de orquestación que necesitan mapas de dependencias de DAG, manuales operativos de relleno histórico y definiciones de SLA basadas en la frescura real de los datos, no en paneles de duración de tareas que parecen correctos mientras la tabla que usa el negocio está obsoleta.\u003c\/p\u003e\n\u003ch3\u003eCapacidades principales\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eMapeo explícito de dependencias entre DAG y equipos, incluidas las dependencias implícitas que nadie documentó\u003c\/li\u003e\n      \u003cli\u003eManuales operativos de relleno histórico que verifican la idempotencia antes de aprobar cualquier reejecución o plan de reprocesamiento\u003c\/li\u003e\n      \u003cli\u003eEspecificaciones de SLA basadas en la frescura y vinculadas al momento en que realmente se consumen los datos, no al tiempo de ejecución de la tarea\u003c\/li\u003e\n      \u003cli\u003ePruebas de contratos de datos y frescura integradas en el DAG para que una ejecución con datos incorrectos falle de forma visible\u003c\/li\u003e\n      \u003cli\u003ePlanes de escalado de ejecutores y grupos de workers vinculados al volumen real de DAG y tareas, así como al tiempo de análisis del planificador\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el contenido de SKILL.md de Fenna en las instrucciones de tu proyecto de Claude (o en el prompt de cualquier sistema de AI) y, después, describe tu problema de DataOps y orquestación de pipelines. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para arquitecto de almacenes de datos","description":"\u003ch2\u003eModelador sénior de datos y arquitecto de almacenes de datos que establece por escrito el nivel de granularidad de una tabla de hechos antes de dibujar una sola tabla.\u003c\/h2\u003e\n\u003cp\u003eAurelio cubre toda la superficie del esquema y el modelado: diseño de esquemas en estrella frente a esquemas de copo de nieve, ventajas y desventajas metodológicas de Kimball frente a Data Vault, diseño de dimensiones lentamente cambiantes (SCD de tipo 1\/2\/3), decisiones sobre la granularidad de hechos y dimensiones, y opciones de esquemas físicos para Snowflake, BigQuery o Redshift, como claves de agrupación, estrategia de particionamiento y estilo de distribución para optimizar el costo y el rendimiento.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eIngenieros de analítica, arquitectos de almacenes de datos y responsables de BI que necesitan un esquema en estrella, una estrategia de SCD o una clave de agrupación\/particionamiento vinculada a una cantidad medida de bytes analizados o a un costo concreto, no a una práctica recomendada genérica.\u003c\/p\u003e\n\u003ch3\u003eCapacidades principales\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDeclaración explícita de la granularidad de la tabla de hechos antes de tomar cualquier decisión sobre medidas o uniones\u003c\/li\u003e\n      \u003cli\u003eDiseño de SCD de tipo 1\/2\/3 elegido para cada atributo, sin establecer por defecto el tipo 1 por comodidad\u003c\/li\u003e\n      \u003cli\u003eDiseño de uniones mediante claves subrogadas para que los hechos históricos se unan a la fila de dimensión válida en el momento de la transacción\u003c\/li\u003e\n      \u003cli\u003eClave de agrupación, estrategia de particionamiento o estilo de distribución adaptado al patrón de consulta dominante real\u003c\/li\u003e\n      \u003cli\u003eAuditorías de expansión múltiple y de trampa de abismo que detectan un doble conteo o una pérdida de filas antes de ponerlo en producción\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Aurelio en las instrucciones de tu proyecto de Claude (o en el prompt del sistema de cualquier sistema de AI) y describe tu problema de modelado de datos y arquitectura de almacenes de datos. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para ingeniero de visión artificial","description":"\u003ch2\u003eIngeniera sénior de visión por computadora que comprueba el rendimiento por clase antes de confiar en una métrica de validación que parece saludable en promedio.\u003c\/h2\u003e\n\u003cp\u003eXiomara cubre toda la superficie de los modelos de visión: selección de arquitectura (CNN frente a transformador de visión, elección del framework de detección), estrategia de anotación y control de calidad, diseño del aumento de datos, métricas de evaluación para detección y segmentación (mAP, IoU y precisión-recall por clase), inferencia en el edge frente a la nube y presupuestos de latencia, además del diagnóstico del desequilibrio de clases o del cambio de dominio en un conjunto de datos de visión.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de ML que ponen en producción modelos de clasificación, detección o segmentación en cámaras o dispositivos, y necesitan que las decisiones de arquitectura, anotación y despliegue estén vinculadas al coste real de un error, no a un titular de benchmark.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eElección entre arquitectura CNN, transformador de visión o híbrida, vinculada al volumen de datos real y al presupuesto de latencia\u003c\/li\u003e\n      \u003cli\u003eEspecificación de anotación, conjunto de referencia de estándar de oro y umbral de concordancia entre anotadores antes de etiquetar a escala\u003c\/li\u003e\n      \u003cli\u003eEvaluación de mAP, IoU y precisión-recall por clase que revela una puntuación casi nula en una clase poco frecuente, oculta en un agregado\u003c\/li\u003e\n      \u003cli\u003eFlujos de aumento de datos dirigidos a una brecha específica entre los datos de entrenamiento y las condiciones de producción\u003c\/li\u003e\n      \u003cli\u003ePlan de despliegue en el edge frente a la nube, con latencia y precisión validadas en el hardware de destino real\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarla\u003c\/h3\u003e\n\u003cp\u003ePega el contenido de SKILL.md de Xiomara en las instrucciones de tu proyecto de Claude (o en cualquier prompt de sistema de AI) y, después, describe tu problema de ingeniería de visión por computadora. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para ingeniero de sistemas de recomendación","description":"\u003ch2\u003eIngeniero sénior de sistemas de recomendación que audita el circuito de retroalimentación entre las recomendaciones y el comportamiento antes de considerar saludable un modelo.\u003c\/h2\u003e\n\u003cp\u003eKwesi cubre todo el ámbito del modelado de recomendaciones: selección entre modelos de filtrado colaborativo, basados en contenido e híbridos; arquitectura de generación de candidatos y clasificación en dos etapas; gestión del problema de arranque en frío para usuarios y artículos nuevos; evaluación offline (NDCG, precision@k, recall@k) y sus limitaciones frente a las pruebas A\/B online; y diagnóstico y mitigación del sesgo del circuito de retroalimentación o de popularidad.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de ML y de producto que gestionan un sistema de recomendación y necesitan una arquitectura de generación de candidatos y clasificación, una estrategia de arranque en frío y un diagnóstico de sesgos vinculados a la cobertura real del catálogo, no solo a una cifra de un ranking offline.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eElección entre filtrado colaborativo, basado en contenido e híbrido según la densidad de los datos de interacción\u003c\/li\u003e\n      \u003cli\u003eArquitectura de generación de candidatos y clasificación en dos etapas, dimensionada por separado para el recall y la precisión\u003c\/li\u003e\n      \u003cli\u003eEstrategias puente explícitas para el arranque en frío de usuarios y artículos nuevos, con un punto claro de transición al modelo estándar\u003c\/li\u003e\n      \u003cli\u003eResultados offline de NDCG\/precision@k\/recall@k junto con lo que esas métricas no pueden confirmar, además de un diseño de prueba A\/B\u003c\/li\u003e\n      \u003cli\u003eAuditorías de la distribución de exposición y de la cobertura del catálogo que detectan el sesgo de popularidad oculto tras una precisión sólida\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el SKILL.md de Kwesi en las instrucciones de tu proyecto de Claude (o en el prompt de cualquier sistema de AI) y luego describe tu problema de ingeniería de sistemas de recomendación. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para desarrollador de Looker","description":"\u003ch2\u003eEspecialista sénior en Looker y LookML \/ analítica integrada que trata cada filtro de acceso a nivel de fila como un límite de seguridad, no como un filtro de conveniencia.\u003c\/h2\u003e\n\u003cp\u003eSigne cubre toda la superficie de LookML y la analítica integrada: modelado de exploraciones, vistas y tablas derivadas; diseño de la capa semántica para que las métricas signifiquen lo mismo en todos los paneles; desarrollos de analítica integrada para paneles orientados al cliente; filtros de acceso a nivel de fila y atributos de usuario; y optimización del rendimiento de Looker (tablas derivadas persistentes, agregaciones y almacenamiento en caché de consultas).\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eAdministradores de Looker e ingenieros de analítica que gestionan paneles integrados orientados al cliente y necesitan verificar una capa semántica, un filtro de acceso o una corrección de rendimiento en el panel activo, no solo en el código LookML.\u003c\/p\u003e\n\u003ch3\u003eCapacidades principales\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDefinición canónica única de una medida LookML consolidada antes de definir la métrica por segunda vez\u003c\/li\u003e\n      \u003cli\u003eComprobaciones de multiplicación de filas en las uniones mediante agregaciones simétricas o tablas derivadas preagregadas antes de añadir una unión a una exploración\u003c\/li\u003e\n      \u003cli\u003eFiltros de acceso a nivel de fila probados mediante la suplantación del atributo de usuario restringido real, no solo mediante una revisión del código\u003c\/li\u003e\n      \u003cli\u003eMétodo de inserción firmada frente a inserción mediante SSO y gestión de la caducidad de la sesión decididos para cada superficie orientada al cliente\u003c\/li\u003e\n      \u003cli\u003eEstrategia de activación de PDT y almacenamiento en caché adaptada a las necesidades reales de actualización de los datos y verificada con el SQL generado\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Signe en las instrucciones de tu proyecto de Claude (o en el prompt de cualquier sistema de AI) y, después, describe tu problema relacionado con un especialista en analítica integrada de Looker y LookML. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para especialista en analítica de productos y sitios web","description":"\u003ch2\u003eEspecialista sénior en analítica de productos y sitios web que trata el seguimiento de eventos como un flujo de datos, con un plan de seguimiento como esquema.\u003c\/h2\u003e\n\u003cp\u003eTorben cubre toda la superficie del seguimiento de productos y sitios web a nivel de evento: implementación de GA4 y Google Tag Manager y diseño de la taxonomía de eventos, configuración de Amplitude o Mixpanel para el análisis de embudos y retención\/cohortes, diseño y control de calidad del plan de seguimiento (detectando eventos defectuosos o duplicados antes de que corrompan los informes) y estrategia de recopilación de datos propios bajo restricciones de privacidad (modo de consentimiento, etiquetado del lado del servidor).\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de crecimiento, producto y analítica que necesitan verificar una implementación de GA4\/GTM, un plan de seguimiento o un diagnóstico de embudo frente al flujo de eventos activo, no solo frente a una cifra del panel que parece incorrecta.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTaxonomía de eventos de GA4\/GTM diseñada a partir de la pregunta empresarial concreta que el seguimiento debe responder\u003c\/li\u003e\n      \u003cli\u003ePlan de seguimiento estructurado que documenta los nombres de los eventos, las propiedades obligatorias y las condiciones de activación\u003c\/li\u003e\n      \u003cli\u003eAuditorías de contenedores de GTM que detectan activadores duplicados y reglas de vistas de página en conflicto antes de confiar en un informe\u003c\/li\u003e\n      \u003cli\u003eVerificación en vivo en GA4 DebugView o en la vista previa de GTM, evento por evento, antes de dar la aprobación final\u003c\/li\u003e\n      \u003cli\u003eEl modo de consentimiento y el etiquetado del lado del servidor se integran en el plan de seguimiento desde el primer día, en lugar de añadirse después del lanzamiento\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Torben en las instrucciones de tu proyecto de Claude (o en cualquier prompt de sistema de AI) y describe tu problema de analítica de productos y sitios web. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para analista de pruebas A\/B","description":"\u003ch2\u003eAnalista sénior de experimentación y pruebas A\/B que comprueba cómo se diseñó y ejecutó una prueba antes de confiar en lo que muestra el panel al final.\u003c\/h2\u003e\n\u003cp\u003eRosamund cubre todo el ciclo de vida de la experimentación: cálculo del tamaño de muestra y la potencia estadística, dimensionamiento del efecto mínimo detectable (MDE), comprobaciones de la unidad de aleatorización y la integridad de la asignación, detección de desajustes en la proporción de la muestra (SRM), significancia estadística frente a relevancia práctica, efectos de novedad y el problema de consultar los resultados repetidamente o detener la prueba antes de tiempo, diseño de métricas de control y errores de análisis como la paradoja de Simpson y las comparaciones múltiples.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de crecimiento y producto que realizan pruebas A\/B y necesitan un tamaño de muestra preregistrado, una comprobación de SRM y un informe de métricas de control antes de decidir un lanzamiento, no un valor p favorable tomado al pie de la letra.\u003c\/p\u003e\n\u003ch3\u003eCapacidades principales\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTamaño de muestra y duración calculados a partir de un MDE, una tasa de referencia y una potencia estadística establecidos antes de lanzar la prueba\u003c\/li\u003e\n      \u003cli\u003eComprobación de desajuste en la proporción de la muestra mediante chi-cuadrado sobre la distribución observada real antes de confiar en cualquier resultado\u003c\/li\u003e\n      \u003cli\u003eIntervalo de confianza y tamaño del efecto expresado en términos empresariales junto a cada valor p, nunca por separado\u003c\/li\u003e\n      \u003cli\u003eComprobaciones de los efectos de novedad y de consultas repetidas antes de declarar que un incremento representa un ganador duradero\u003c\/li\u003e\n      \u003cli\u003eMétricas de control y comprobaciones de la paradoja de Simpson en subgrupos antes de recomendar cualquier lanzamiento\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Rosamund en las instrucciones de tu proyecto de Claude (o en el prompt del sistema de cualquier sistema de AI) y, después, describe tu problema de análisis sénior de experimentación y pruebas A\/B. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para científico de decisiones","description":"\u003ch2\u003eCientífico sénior de aplicaciones y toma de decisiones que define el criterio de decisión antes de realizar cualquier análisis causal sobre datos que no se obtuvieron mediante aleatorización.\u003c\/h2\u003e\n\u003cp\u003eYannis aborda la inferencia causal con datos observacionales (emparejamiento por puntuación de propensión, diferencias en diferencias, variables instrumentales, regresión discontinua), convierte una pregunta vaga como «¿deberíamos hacer X?» en una pregunta analítica medible con un criterio de decisión claro, y aplica optimización o simulación para decisiones de asignación de recursos.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de análisis y estrategia que necesitan una estimación causal defendible a partir de datos históricos, además de un plan de asignación sometido a pruebas de estrés, no una comparación ingenua de antes y después presentada como una prueba.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003ePreguntas empresariales imprecisas traducidas en una pregunta medible con un resultado y un criterio de decisión explícitos\u003c\/li\u003e\n      \u003cli\u003eEstrategia de identificación (PSM, diferencias en diferencias, variables instrumentales, RDD) elegida según cómo el grupo de tratamiento llegó realmente a recibir el tratamiento\u003c\/li\u003e\n      \u003cli\u003eSupuestos de identificación comprobados explícitamente: equilibrio de covariables, tendencias previas paralelas, relevancia del instrumento y manipulación del punto de corte\u003c\/li\u003e\n      \u003cli\u003eEstimaciones del efecto entregadas con un intervalo de confianza honesto y una lista explícita de los factores de confusión restantes\u003c\/li\u003e\n      \u003cli\u003eOptimización o simulación de la asignación de recursos sometida a pruebas de estrés frente a la incertidumbre de la estimación subyacente\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Yannis en las instrucciones de tu proyecto de Claude (o en el prompt del sistema de cualquier sistema de AI) y, después, describe tu problema de científico de aplicaciones y toma de decisiones. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI para especialista en gestión de datos maestros","description":"\u003ch2\u003eEspecialista sénior en gestión de datos maestros que crea una matriz de supervivencia a nivel de campo en lugar de una única regla a nivel de registro.\u003c\/h2\u003e\n\u003cp\u003eWilhelm cubre toda la superficie del registro maestro: diseñar una única fuente de verdad para datos de clientes, productos o proveedores en distintos sistemas; redactar reglas de coincidencia y deduplicación; establecer umbrales de confianza y lógica de supervivencia; elegir patrones de herramientas de MDM de tipo concentrador y satélites frente a los de estilo registro; definir modelos de propiedad de los dominios de datos; y diseñar la estrategia de sincronización y propagación para que las actualizaciones del registro maestro lleguen a los sistemas de origen sin crear bucles de actualización.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de plataformas de datos y MDM que están desenredando situaciones en las que el mismo cliente, producto o proveedor existe como registros ligeramente diferentes en distintos sistemas y necesitan umbrales de coincidencia y reglas de supervivencia respaldados por una tasa medida de fusiones incorrectas, no por un número redondo.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eReglas de coincidencia deterministas y probabilísticas probadas con una muestra etiquetada antes de establecer un umbral\u003c\/li\u003e\n      \u003cli\u003eMatriz de supervivencia a nivel de campo con desempates explícitos, nunca una única regla a nivel de registro de «la última escritura gana»\u003c\/li\u003e\n      \u003cli\u003ePatrón de MDM de tipo concentrador y satélites frente a estilo registro elegido según cómo los sistemas posteriores consumen realmente el registro\u003c\/li\u003e\n      \u003cli\u003ePropiedad de los dominios y rutas de escalamiento definidas antes de la primera disputa entre campos de distintos dominios\u003c\/li\u003e\n      \u003cli\u003eDiseños de sincronización de vuelta con etiquetado de procedencia para que una actualización del registro maestro no vuelva a entrar en bucle ni se procese de nuevo\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el SKILL.md de Wilhelm en las instrucciones de tu proyecto de Claude (o en el prompt de cualquier sistema de AI) y describe después tu problema como especialista en gestión de datos maestros (MDM). Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI de analista de datos de fraude y riesgos","description":"\u003ch2\u003eAnalista sénior de datos de fraude y riesgo que trata cada regla de detección como algo que se está poniendo a prueba activamente para encontrar su punto ciego.\u003c\/h2\u003e\n\u003cp\u003eSolveig cubre toda la superficie analítica del fraude y el riesgo: diseño de señales y características de fraude (controles de velocidad, huellas digitales de dispositivos, redes y grupos de fraude basados en grafos), ventajas y desventajas de la detección basada en reglas frente a la basada en ML y cuándo combinarlas, ajuste del costo de falsos positivos frente a falsos negativos, análisis de patrones de contracargos y disputas, y adaptación adversaria a medida que cambian los patrones de fraude cuando una regla se hace conocida.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eEquipos de confianza y seguridad y de pagos que necesitan señales de fraude, umbrales y decisiones entre reglas y modelos vinculadas a un costo monetario concreto, no una regla ajustada solo según la precisión que deja de funcionar silenciosamente en cuanto los defraudadores la detectan.\u003c\/p\u003e\n\u003ch3\u003eCapacidades principales\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eSeñales de fraude basadas en velocidad, dispositivos y redes\/grafos vinculadas a un patrón de fraude específico y definido, no a datos genéricos\u003c\/li\u003e\n      \u003cli\u003eCostos de falsos positivos y falsos negativos expresados en dólares por segmento antes de ajustar cualquier umbral\u003c\/li\u003e\n      \u003cli\u003eLa combinación de capas basadas en reglas y en ML se decide según la velocidad de adaptación y la necesidad de explicabilidad, no por una preferencia predeterminada\u003c\/li\u003e\n      \u003cli\u003eInformes de patrones de contracargos y disputas segmentados por código de motivo, diferenciando el fraude real del fraude amistoso\u003c\/li\u003e\n      \u003cli\u003eMonitoreo de la adaptación adversaria que detecta cuándo una regla conocida pierde eficacia después de que un grupo de fraude ha aprendido a explotarla\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Solveig en las instrucciones de tu proyecto de Claude (o en el prompt de cualquier sistema de AI) y luego describe tu problema como analista de datos de fraude y riesgo. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI de gerente de productos de datos y AI","description":"\u003ch2\u003eGerente sénior de productos de AI y datos que convierte un «¿podemos usar AI para esto?» impreciso en un brief acotado y deriva cada parte compleja del trabajo al especialista responsable.\u003c\/h2\u003e\n\u003cp\u003eCassius es la capa de coordinación que supervisa toda la colección de Datos y AI: convierte una solicitud empresarial imprecisa en un brief de producto acotado y medible, toma decisiones de desarrollo frente a compra para capacidades de AI y datos, alinea a las partes interesadas de los equipos de ingeniería de datos, ML y analítica con prioridades contrapuestas, aplica marcos de priorización cuando la deuda de calidad de datos compite con solicitudes de nuevas funcionalidades y evalúa el panorama para identificar qué especialista se encarga de cada parte de una iniciativa de datos y AI compleja y transversal.\u003c\/p\u003e\n\u003ch3\u003ePara quién es\u003c\/h3\u003e\n\u003cp\u003eLíderes de producto, responsables de programas de datos y AI, y ejecutivos que se enfrentan a una solicitud imprecisa de AI o a una disputa de prioridades entre equipos, y necesitan un brief acotado y un plan de derivación, no otra reunión que termine en una respuesta diplomática pero inconcreta.\u003c\/p\u003e\n\u003ch3\u003eCapacidades clave\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eSolicitudes imprecisas como «necesitamos mejores datos» o «¿podemos usar AI para esto?» traducidas en un problema, un usuario y una métrica\u003c\/li\u003e\n      \u003cli\u003eAnálisis de desarrollo frente a compra basado en el tiempo hasta obtener valor, la diferenciación, el coste total de propiedad y el riesgo de dependencia del proveedor\u003c\/li\u003e\n      \u003cli\u003eDeuda de calidad de datos evaluada con la misma escala de priorización que las solicitudes de nuevas funcionalidades, en lugar de relegarla por defecto\u003c\/li\u003e\n      \u003cli\u003eAlineación de las partes interesadas entre equipos que identifica la verdadera limitación de cada equipo y organiza un plan en torno a ella\u003c\/li\u003e\n      \u003cli\u003eMapas del panorama y de derivación que indican exactamente qué especialista se encarga de cada parte de la iniciativa\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCómo usarlo\u003c\/h3\u003e\n\u003cp\u003ePega el archivo SKILL.md de Cassius en las instrucciones de tu proyecto de Claude (o en cualquier prompt de sistema de AI) y, después, describe tu problema de gestión de productos de AI y datos. Funciona con Claude, ChatGPT y cualquier chat de AI. Se instala en menos de 2 minutos.\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 - Skill de AI de ingeniero de calidad de datos","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;\"\u003eIntegra Havard en Claude y obtén un ingeniero de fiabilidad de datos que instrumenta la canalización para que los fallos silenciosos salgan a la luz antes de que un panel de control le mienta a un ejecutivo.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eHavard trata la calidad de los datos como ingeniería, no como un documento normativo: monitores de frescura, volumen, esquema, distribución y linaje; diseño de pruebas con dbt tests, Great Expectations y Soda; detección de anomalías en métricas en lugar de umbrales estáticos que todo el mundo silencia; contratos de datos entre productores y consumidores; respuesta a incidentes de datos con niveles de gravedad, guardias y análisis del radio de impacto mediante el linaje; SLA, SLO y presupuestos de error para canalizaciones; análisis de causa raíz de fallos silenciosos; estrategia de relleno y reprocesamiento; ajuste de alertas para combatir la fatiga; y cuadros de mando de calidad que un responsable de negocio realmente leerá.\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;\"\u003eQué obtienes\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\u003eMonitores de frescura, volumen, esquema, distribución y linaje\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\u003eContratos de datos y acuerdos entre productores y consumidores\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\u003eSLA, SLO, presupuestos de error y gravedad de incidentes de datos\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\u003eAjuste de alertas, análisis de causa raíz y estrategia de relleno de datos\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tu requisito → Havard crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Skill de AI de ingeniero de plataformas de datos en la nube","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;\"\u003eAñade Yusra a Claude y obtén una ingeniera de plataforma que lee el perfil de la consulta antes de cambiar el tamaño de nada, porque un almacén más grande suele ser la respuesta equivocada y más cara.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eYusra administra por sí misma el almacén y el lakehouse: administración de Snowflake, Databricks y Microsoft Fabric; dimensionamiento del almacén virtual y del clúster, suspensión automática y escalado automático; aislamiento de cargas de trabajo y concurrencia; diseño del almacenamiento, particionamiento, claves de clustering, Z-ordering y clustering líquido; formatos de tabla como Delta, Iceberg y Hudi, y cuándo cada uno ofrece ventajas reales; ajuste del rendimiento de consultas y caché de resultados; gestión de costes de la plataforma mediante atribución de créditos, refacturación, alertas presupuestarias y capacidad reservada frente a bajo demanda; control de acceso a nivel de plataforma con roles, concesiones y políticas de filas y columnas; Unity Catalog y capas de metadatos equivalentes; y recuperación ante desastres con time travel y clonación.\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;\"\u003eQué obtienes\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\u003eDimensionamiento del almacén y del clúster, aislamiento y escalado automático\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\u003eParticionamiento, clustering, Z-order y elección del formato de tabla\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\u003eAtribución de créditos, refacturación, presupuestos y capacidad reservada\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\u003eRBAC de la plataforma, políticas de enmascaramiento y recuperación ante desastres\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe lo que necesitas → Yusra crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Skill de AI de ingeniero de capas semánticas","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;\"\u003eIncorpora Taavi en Claude y obtén un ingeniero de capas semánticas que primero concilia las tres cifras de ingresos contradictorias y después convierte una definición en la única que cualquiera puede consultar.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTaavi se encarga de que exista una única definición para cada métrica empresarial: implementación de la capa semántica en dbt Semantic Layer y MetricFlow, Cube y AtScale; especificación de métricas que cubre granularidad, filtros, dimensiones temporales, aditividad y medidas no aditivas; coherencia dimensional y dimensiones lentamente cambiantes en el contexto de las métricas; versionado y obsolescencia de métricas; BI headless que ofrece la misma métrica a todas las herramientas posteriores; gobernanza sobre quién puede cambiar una definición; conciliación paso a paso de cifras contradictorias entre equipos hasta cerrar la escalera; envío de consultas y almacenamiento en caché; y la ruta de migración desde un conjunto de consultas SQL de paneles codificadas manualmente hacia métricas gobernadas.\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;\"\u003eQué obtienes\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\u003eEspecificaciones de métricas: granularidad, filtros, dimensiones temporales y aditividad\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\u003eEscaleras de conciliación que cierran las discrepancias entre cifras contradictorias\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\u003eImplementación de dbt Semantic Layer, MetricFlow y 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\u003eVersionado, obsolescencia y control de cambios de métricas\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Taavi crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente lo que obtienes.\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 - Skill de AI de ingeniero de plataformas de ML","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;\"\u003eAñade Nikolina a Claude y obtén una ingeniera de plataformas de ML que elimina la divergencia entre entrenamiento y servicio en la capa de características, en lugar de permitir que cada equipo la redescubra en producción.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNikolina crea la plataforma en la que trabajan los equipos de ML: almacenes de características, incluidos Feast, Tecton y Databricks Feature Store; diseño de almacenes offline frente a online; uniones correctas en un momento determinado y la divergencia entre entrenamiento y servicio que previenen; versionado, reutilización y descubrimiento de características; materialización y SLA de frescura para las características online; infraestructura de servicio de modelos para inferencia por lotes, en tiempo real y mediante streaming; escalado automático, presupuestos de latencia, planificación y costes de GPU; seguimiento de experimentos y registro de modelos como servicios de la plataforma, en lugar de scripts de cada equipo; diseño de plataformas multiinquilino con rutas estandarizadas de autoservicio; y un límite claro entre lo que gestiona la plataforma y lo que gestiona cada equipo de producto.\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;\"\u003eLo que obtienes\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\u003eAlmacenes de características offline y online, con uniones correctas en un momento determinado\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\u003eDetección y prevención de la divergencia entre entrenamiento y servicio\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\u003eInfraestructura de servicio: procesamiento por lotes, en tiempo real, streaming y planificación de GPU\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\u003eRegistro de modelos, seguimiento de experimentos y rutas estandarizadas para entornos multiinquilino\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Nikolina crea la respuesta. Incluye un ejemplo completo para que veas exactamente lo que obtienes.\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 - Skill de AI de ingeniero de relevancia de búsquedas","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;\"\u003eIntegra Vikram en Claude y obtén un ingeniero de relevancia de búsqueda que crea el conjunto de evaluación antes de tocar un solo boost, porque ajustar la relevancia sin probarla no es más que superstición.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eVikram hace que la búsqueda devuelva lo correcto: comprensión de consultas con tokenización, stemming, corrección ortográfica, sinónimos, clasificación de consultas y detección de intención; recuperación léxica y ajuste de BM25 en Elasticsearch, OpenSearch y Solr; recuperación vectorial e híbrida con fusión de rangos recíprocos; aprendizaje de ordenamiento, incluida la ingeniería de características, LambdaMART y rankers neuronales; evaluación de relevancia con NDCG, MRR y precisión en k, listas de evaluación, evaluadores humanos y modelos de clics; métricas en línea y experimentos de intercalado; sesgo de posición y presentación; límites de la personalización; consultas sin resultados y de cola larga; facetas y filtros; y el equilibrio realista entre el tamaño del índice, la latencia de las consultas y la calidad.\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;\"\u003eQué obtienes\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\u003eComprensión de consultas: sinónimos, corrección ortográfica e intención\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\u003eAjuste de BM25 y recuperación vectorial e híbrida con 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\u003eAprendizaje de ordenamiento y rankers neuronales en producción\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\u003eConjuntos de evaluación de NDCG y MRR, intercalado y corrección del sesgo de clics\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;\"\u003eInstalación en menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe lo que necesitas → Vikram crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente lo que obtienes.\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 - Skill de AI de ingeniero de reconocimiento de voz","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;\"\u003eIntegra Xiulan en Claude y obtén un ingeniero de voz que informa la tasa de error de palabras por acento y condición, porque un único WER general oculta precisamente a los usuarios a los que estás fallando.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eXiulan se encarga de toda la modalidad de audio de principio a fin: reconocimiento automático del habla con Whisper y sus sucesores, decodificación en streaming frente a por lotes, medición de WER y lo que oculta, adaptación al dominio, vocabulario personalizado y sesgo contextual; diarización e identificación de hablantes; detección de actividad de voz; texto a voz y clonación de voz bajo restricciones de consentimiento; preprocesamiento de audio, incluido el remuestreo, la reducción de ruido, la cancelación de eco y la separación de canales; detección de palabras clave y palabras de activación; clasificación de audio y detección de eventos; pipelines de streaming en tiempo real con presupuestos de latencia; y el problema de equidad que surge cuando la calidad del reconocimiento varía considerablemente según el acento y el dialecto.\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;\"\u003eLo que obtienes\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\u003eAjuste de ASR: adaptación al dominio, vocabulario personalizado y sesgo contextual\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 medido por acento, condición de ruido y hablante, no solo el dato principal\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\u003eDiarización, identificación de hablantes, VAD y separación de canales\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\u003ePipelines de streaming, presupuestos de latencia, TTS y límites de consentimiento\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Xiulan crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente qué obtienes.\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 - Skill de AI de analista de previsión de series temporales","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;\"\u003eIntroduce Tenzin en Claude y obtén un científico de la previsión que ejecuta primero la línea base ingenua y te dice claramente cuándo el modelo caro no la superó.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTenzin trata la previsión como una disciplina propia: líneas base clásicas, desde los métodos ingenuo e ingenuo estacional hasta ETS y ARIMA o SARIMAX, y por qué superan a los modelos elaborados más a menudo de lo que cualquiera admite; previsión jerárquica y agrupada con conciliación ascendente, descendente y MinT; demanda intermitente con Croston y TSB; Prophet, enfoques tabulares con aumento de gradiente y modelos profundos como N-BEATS y el Transformer de Fusión Temporal, indicando honestamente su coste; ingeniería de variables temporales con retardos, ventanas móviles, calendarios, festivos, promociones y clima; backtesting con origen móvil y las trampas de la fuga de información; métricas de precisión, incluido cuándo falla MAPE con volúmenes bajos, además de WAPE, RMSSE y pérdida pinball; sesgo del pronóstico; previsión probabilística e intervalos de predicción; valor añadido del pronóstico frente a una línea base ingenua; y previsión por consenso con personas involucradas en el proceso.\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;\"\u003eLo que obtienes\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\u003eLíneas base ingenuas y estacionales, además del valor añadido del pronóstico\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\u003eConciliación jerárquica y métodos para la demanda intermitente\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 con origen móvil y las trampas de la fuga de información\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\u003eElección de métricas: WAPE, RMSSE, pérdida pinball, sesgo e intervalos\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe lo que necesitas → Tenzin crea la respuesta. Incluye un ejemplo completo paso a paso para que veas exactamente lo que obtienes.\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 - Skill de AI de analista de pruebas de incrementalidad","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;\"\u003eIntegra Rhiannon en Claude y obtén un analista de medición que contrasta el modelo con un experimento real antes de permitir que nadie reasigne un presupuesto.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eRhiannon mide lo que el marketing realmente causó: modelado de la combinación de marketing con adstock y efecto de arrastre, curvas de saturación y rendimientos decrecientes, estacionalidad y descomposición de la línea base, multicolinealidad entre canales y MMM bayesiano con priors defendibles; experimentos geográficos y pruebas en mercados emparejados; pruebas de incrementalidad mediante grupos de control, pruebas PSA, anuncios fantasma y aumento de conversiones; atribución y por qué el último clic y la atribución multitáctil fallan ante la pérdida de privacidad; triangulación del MMM con experimentos y atribución en lugar de confiar en uno solo; asignación de presupuesto según el rendimiento marginal en lugar del ROAS combinado; validación del MMM mediante precisión en grupos de control, calibración con experimentos y plausibilidad de los coeficientes; y comunicación de la incertidumbre a un CMO que quiere una sola cifra.\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;\"\u003eLo que obtienes\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, curvas de saturación y descomposición de la línea base\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\u003eExperimentos geográficos, grupos de control y pruebas de incrementalidad del aumento de conversiones\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\u003eCalibración del MMM mediante experimentos, no mediante atribución\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\u003eAsignación de presupuesto según el ROAS marginal con incertidumbre explícita\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;\"\u003eInstalación en menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Rhiannon crea la respuesta. Incluye un ejemplo completo y desarrollado para que veas exactamente lo que obtienes.\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 - Skill de AI de ingeniero de plataformas de datos de clientes","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;\"\u003eAñade Amadou a Claude y obtén un ingeniero de identidades que mide la precisión de coincidencia en pares etiquetados, porque una tasa de coincidencia alta conseguida mediante fusiones erróneas es peor que no lograr ninguna coincidencia.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAmadou crea una visión 360° del cliente en la que las personas realmente pueden confiar: diseño del grafo de identidades, coincidencia determinista frente a probabilística, reglas de coincidencia y claves de bloqueo escalables, compensaciones entre precisión y exhaustividad medidas en pares etiquetados en lugar de afirmadas, reglas de supervivencia y de registros maestros, consolidaciones a nivel de hogar y cuenta; arquitectura de CDP con enfoques empaquetados y compuestos nativos del almacén de datos, recopilación de eventos y vinculación de identidades entre estados anónimos y conocidos, gestión del consentimiento y las preferencias, y propagación de exclusiones y eliminaciones en todos los sistemas posteriores; activación de perfiles y ETL inverso hacia plataformas publicitarias y CRM; además de informes que muestran honestamente la tasa de coincidencia junto con el costo de una fusión errónea.\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;\"\u003eLo que obtienes\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\u003eGrafo de identidades, claves de bloqueo, coincidencia determinista frente a probabilística\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\u003ePrecisión y exhaustividad medidas en pares etiquetados\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\u003eSupervivencia, registros maestros y consolidaciones por hogar\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\u003eConsentimiento, exclusión, propagación de eliminaciones y ETL inverso\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe lo que necesitas → Amadou crea la respuesta. Incluye un ejemplo completo y resuelto para que veas exactamente qué obtienes.\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 - Skill de AI de ingeniero de grafos de conocimiento","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;\"\u003eAñade Lucrezia a Claude y obtén una ingeniera de grafos que te dirá cuándo tu problema es una unión y no un grafo, antes de que compres una base de datos de grafos.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLucrezia trabaja con los datos como un grafo: cuándo un grafo supera realmente a un modelo relacional y cuándo claramente no; grafos de propiedades con Neo4j y Cypher frente a RDF y SPARQL, y la verdadera disyuntiva; diseño de ontologías y taxonomías, modelado de entidades y relaciones y reificación; resolución y desambiguación de entidades dentro de un grafo; canalizaciones de ingesta y actualizaciones incrementales; algoritmos de grafos aplicados a la búsqueda de rutas, la centralidad, la detección de comunidades y la similitud, y para qué sirve realmente cada uno; rendimiento de consultas, supernodos y adyacencia sin índices; embeddings de grafos y GNN a un nivel práctico; recuperación sobre grafos para fundamentar las respuestas de los LLM; y visualización que un profesional no especializado en ingeniería pueda interpretar.\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;\"\u003eQué obtienes\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\u003eGrafo frente a relacional: la decisión honesta, con la alternativa de las uniones\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\u003eGrafos de propiedades y las diferencias entre Cypher y RDF y 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\u003eDiseño de ontologías, resolución y desambiguación de entidades\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\u003eAlgoritmos de grafos, supernodos, embeddings y recuperación basada en grafos\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Lucrezia crea la respuesta. Incluye un ejemplo completo y desarrollado para que veas exactamente qué obtienes.\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 - Skill de AI de analista de datos geoespaciales","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;\"\u003eIntroduce Oskari en Claude y obtén un analista geoespacial que sustituye el círculo de radio por una isócrona real del tiempo de conducción y observa cómo desaparece la mitad del caso de negocio.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eOskari trata la ubicación como una dimensión fundamental: sistemas de referencia de coordenadas y proyecciones, además de los errores silenciosos que se producen al configurarlos mal; modelos de datos vectoriales y ráster; funciones geoespaciales de PostGIS, GeoPandas y nativas del almacén de datos; uniones espaciales, áreas de influencia, isócronas y análisis del tiempo de conducción; calidad de la geocodificación y la normalización de direcciones; indexación espacial con R-tree, H3, S2 y geohash, además de sistemas de cuadrícula para la agregación; estadística espacial, incluida la autocorrelación espacial, el I de Moran, el análisis de puntos calientes y los fundamentos del kriging; análisis de áreas comerciales y selección de ubicaciones; enrutamiento y análisis de redes; decisiones cartográficas que inducen a error, como los mapas coropléticos no normalizados y una clasificación deficiente; y el riesgo para la privacidad de los datos de ubicación detallados.\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;\"\u003eQué obtienes\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\u003eCorrección de los CRS y las proyecciones, y calidad de la geocodificación\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\u003eUniones espaciales, áreas de influencia, isócronas y áreas comerciales según el tiempo de conducción\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\u003eIndexación H3, S2 y geohash, además de estadística espacial\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\u003eCartografía honesta y riesgo para la privacidad de la ubicación\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;\"\u003eInstalación en menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe tus requisitos → Oskari crea la respuesta. Incluye un ejemplo completo y resuelto para que veas exactamente lo que obtienes.\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 - Skill de AI de directora de datos y analítica","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;\"\u003eIntroduce Zenobia en Claude y obtén una líder de datos que secuencia el trabajo de la plataforma en función de la entrega, dice que no dejando constancia y asigna cada flujo de trabajo a un especialista identificado.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eZenobia es la capa de coordinación de toda una función de datos. Se encarga de la estrategia de datos vinculada a los resultados del negocio, del modelo operativo —centralizado, integrado y de tipo hub-and-spoke— y de cuándo cambiarlo, del diseño del equipo y la secuencia de contratación, de la justificación de la inversión en la plataforma y del desarrollo interno frente a la compra, de la priorización y recepción de solicitudes de datos, de lo que significa realmente el autoservicio y sus requisitos previos, del enfoque de producto de datos y la asignación de responsabilidades, de medir el valor del propio equipo de datos, de la gestión de las partes interesadas y de rechazar trabajos, de los programas de alfabetización de datos, de la responsabilidad sobre gobernanza y privacidad a nivel organizativo, de la consolidación de proveedores y herramientas, y de la hoja de ruta que secuencia el trabajo fundacional de la plataforma frente a la entrega visible de analítica. Ella no crea nada por sí misma: cada flujo de trabajo se asigna a un especialista identificado y vuelve a pasar por una revisión.\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;\"\u003eLo que obtienes\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\u003eEstrategia de datos y modelo operativo: centralizado, integrado y de tipo 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\u003eJustificación de la inversión en la plataforma, desarrollo interno frente a compra y consolidación de herramientas\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\u003eRecepción, priorización y lo que realmente requiere el autoservicio\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\u003eMedición del valor del equipo de datos y secuenciación de la hoja de ruta\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;\"\u003eInstalación en menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona con Claude, ChatGPT y cualquier chat de AI\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;\"\u003eCómo instalarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eDescarga el paquete .skill → abre Claude → pega SKILL.md en las instrucciones de tu proyecto o en el prompt del sistema → describe lo que necesitas → Zenobia crea la respuesta. Incluye un ejemplo completo y práctico para que veas exactamente qué obtienes.\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":"Skill de AI para Tableau","description":"\u003cp\u003eEsta habilidad de Claude\/ChatGPT te ayuda a planificar paneles de Tableau y a depurar campos calculados antes de trabajar en la aplicación o mientras lo haces: el tipo de gráfico adecuado para cada pregunta, la distribución del panel y la ubicación de los filtros, además de explicar línea por línea la sintaxis funcional de los campos calculados.\u003c\/p\u003e\u003cp\u003eEs especialmente útil para las expresiones LOD, Fixed, Include y Exclude, así como para la clásica confusión sobre el orden de los filtros, que hace que una fórmula aparentemente correcta devuelva el número equivocado. Pega tu fórmula y el resultado esperado frente al real para obtener una versión corregida con el razonamiento, no solo una solución.\u003c\/p\u003e\u003cp\u003eFunciona de la misma manera tanto en Claude como en ChatGPT. Describe la pregunta de tu panel o pega el cálculo que no funciona y recibirás un plan funcional.\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":"Skill de AI para Snowflake","description":"\u003cp\u003eEsta habilidad de Claude\/ChatGPT funciona como un asistente de Snowflake AI dentro de tu trabajo diario con datos: escribe SQL de Snowflake ejecutable con QUALIFY, FLATTEN y MERGE, las instrucciones CREATE STAGE, FILE FORMAT y COPY INTO para las cargas, definiciones de Snowpipe, Streams y Tasks o Dynamic Tables para canalizaciones incrementales, jerarquías de roles con instrucciones GRANT, y políticas de enmascaramiento y acceso a filas.\u003c\/p\u003e\u003cp\u003eConoce los almacenes y la facturación por créditos, la poda de microparticiones y el Query Profile, Time Travel, UNDROP y Zero-Copy Cloning, las vistas ACCOUNT_USAGE para los costes, Snowpark y los procedimientos almacenados, además de problemas como las Tasks que nunca se ejecutan porque nadie las reanudó. No opera Snowflake directamente; prepara el SQL, las rutas de clics en Snowsight y las comprobaciones para que las ejecutes tú mismo.\u003c\/p\u003e\u003cp\u003eFunciona igual en Claude, ChatGPT y Gemini. Una compra, descarga el archivo, instálalo en menos de 2 minutos y luego pregunta como le preguntarías a un ingeniero de datos sénior que estuviera a tu lado. Se complementa con \u003ca href=\"\/es\/products\/oleg-database-engineer\"\u003eOleg, ingeniero de bases de datos\u003c\/a\u003e, la habilidad de personalidad; esta es la asistente dentro de 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":"Skill de AI para MATLAB","description":"\u003cp\u003eEsta habilidad de Claude\/ChatGPT funciona como programador en pareja de AI para MATLAB dentro de tu trabajo diario: escribe funciones .m completas con bloques de argumentos, reescribe bucles lentos con indexación lógica y expansión implícita, crea importaciones con readtable y readtimetable mediante opciones de importación, genera figuras con tiledlayout y llamadas a exportgraphics, y explica con palabras sencillas las opciones de bloques y solucionadores de Simulink.\u003c\/p\u003e\u003cp\u003eConoce los tipos de datos de MATLAB (tablas, tablas de tiempos, matrices de celdas y estructuras, string frente a char), el Editor y el Live Editor, el Profiler, parfor y las cajas de herramientas que probablemente uses, y te avisa cuando una función depende de una caja de herramientas o de una versión específica. No ejecuta código ni abre MATLAB por ti; prepara el código, la ruta de clics y la solución para que puedas ejecutarlos en la ventana de comandos.\u003c\/p\u003e\u003cp\u003eFunciona igual en Claude, ChatGPT y Gemini. Una sola compra: descarga el archivo, instálalo en menos de 2 minutos, pega tu error o describe tus datos y obtén código MATLAB funcional. Se combina con \u003ca href=\"\/es\/products\/leila-data-scientist\"\u003eLeila, científica de datos\u003c\/a\u003e, la habilidad de personalidad; esta es la asistente dentro de 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 - Skill de IA para estadística","description":"\u003cp\u003eAlguien te entrega una hoja de cálculo y te pregunta si la diferencia es real. La respuesta predeterminada es una prueba t y un valor p, y la mitad de las veces no se cumplen los supuestos en los que se basan. Un especialista en estadística con IA frena el proceso: ¿cuál era el diseño?, ¿qué se aleatorizó?, ¿cuántas comparaciones estás realizando? y ¿qué magnitud de diferencia cambiaría realmente tu decisión?\u003c\/p\u003e\u003cp\u003ePregunta por el diseño, el tamaño de la muestra y cómo se recopilaron los datos antes de elegir una prueba, porque los mismos números significan cosas distintas en un ensayo aleatorizado, un panel de encuestas y un registro observacional. Obtienes la elección de la prueba junto con el motivo, las comprobaciones de los supuestos correspondientes, el tamaño del efecto y el intervalo junto al valor p, y la corrección de Benjamini-Hochberg en lugar de la de Bonferroni cuando estás examinando veinte criterios de valoración. No tratará un valor p superior a 0,05 como prueba de que no existe ningún efecto, porque eso es una afirmación sobre la potencia, no sobre la realidad.\u003c\/p\u003e\u003cp\u003eUn solo archivo, y funciona igual en Claude, ChatGPT y Gemini. Paga una vez, sin suscripción; la configuración tarda menos de dos minutos.\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\/es\/collections\/data-ai-skills.oembed","provider":"KissMySkills","version":"1.0","type":"link"}