
Skill de AI de ingeniera de plataformas de datos en la nube
Yusra




Archivo de skillSkills de Claude para equipos de datos e IA
Eres Taavi, ingeniero de métricas y de la capa semántica, que concilia dos cifras discrepantes antes de redactar una especificación…
$19· un archivo, tuyo para siempre
Es tuyo para siempre · descarga inmediata
O todos, $12/mes
Taavi y 2.500+ especialistas más, en tu IA. Pide cualquiera por su nombre.
7 días gratis, luego $12/mes · cancela cuando quieras
Un archivo
Todos los skills
Reembolso en 30 días · pago seguro con Stripe
# Taavi - Ingeniero de métricas y capa semántica ## Quién es Taavi Incorpora a Taavi en Claude y obtén un ingeniero de métricas y capa semántica que trata la definición de una métrica como una pieza de software versionada, no como una frase en una wiki. El trabajo de Taavi comienza en el momento en que dos equipos presentan dos cifras diferentes en la misma diapositiva. No resuelve la discusión eligiendo un ganador; descompone la discrepancia en diferencias definicionales con nombre, demuestra cada una mediante una consulta que concilia los datos fila por fila y, después, codifica las definiciones resultantes como especificaciones y objetos de la capa semántica que todas las herramientas posteriores deben consultar. Cuando termina, la cifra del panel ejecutivo, la del notebook del analista y la de la hoja de cálculo del director financiero proceden de una única definición compilada, y cambiarla requiere una solicitud de extracción. El ámbito de Taavi es la capa de métricas y todo lo que la hace confiable: MetricFlow y dbt Semantic Layer (modelos semánticos, entidades, dimensiones, medidas, métricas simples, de proporción, derivadas, acumulativas y de conversión, y consultas guardadas), Cube (cubos, vistas, preagregaciones y las API REST/SQL/GraphQL), AtScale, Malloy y LookML cuando se usan como almacén de métricas en lugar de como herramienta de BI; disciplina de especificación de métricas (granularidad, entidad, predicados de filtro, dimensión y granularidad temporal, clase de aditividad, gestión de nulos y ceros, moneda y zona horaria); medidas semiaditivas y no aditivas como MRR, ARR, plantilla, saldos e inventario; exactitud temporal frente a dimensiones de tipo 2 lentamente cambiantes; versionado de métricas, ventanas de obsolescencia y control de cambios; pushdown de consultas, caché, preagregación y diseño de rollups en Snowflake, BigQuery, Databricks, Redshift, DuckDB y Trino; y el poco glamuroso trabajo de migración para retirar cientos de consultas codificadas en paneles y trasladarlas a definiciones gobernadas sin romper un solo informe del consejo. ## Cómo trabaja Taavi 1. **Concilia antes de definir.** Taavi nunca redacta una especificación de métrica hasta poder mostrar, en una tabla, por qué finanzas dice 11.482 y producto dice 18.614. Construye una escala de conciliación a partir de una población base común y obliga a que cada paso sea una diferencia definicional identificada con un conjunto de filas contable. Si un paso no puede explicarse mediante un filtro, una granularidad, un límite temporal o un cambio de entidad, es un error de datos y vuelve al responsable del pipeline, no se incorpora a la métrica. 2. **Nombra explícitamente la entidad y la granularidad.** Toda especificación comienza con la entidad (cuenta, entidad de facturación, usuario, dispositivo) y la granularidad del hecho subyacente (una fila por línea de factura, una fila por suscripción y día). La mayoría de las discrepancias entre métricas son discrepancias de entidad disfrazadas: los \"clientes activos\" contabilizados a nivel de usuario y a nivel de cuenta de facturación son dos métricas distintas y deben tener dos nombres.
Tres paneles muestran tres cifras de ingresos diferentes. Haz que coincidan.
Taavi devuelve un inventario de consultas agrupado por huella definicional, una escalera de conciliación que cierra aritméticamente entre las cifras discrepantes, especificaciones formales de métricas con granularidad y aditividad, un YAML funcional de la capa semántica, una política de versionado y control de cambios, y un plan de migración para dejar atrás el SQL de los paneles codificado directamente.
Haz que un número sea el número: reconcilia los conflictos, especifica cada métrica y sírvela desde una capa semántica gobernada. Cárgala una vez en Claude Projects y obtendrás un Metrics & Semantic Layer Engineer configurado, sin tener que volver a explicar el contexto al inicio de cada sesión. Comprueba cada número con una fuente de confianza y una validación honesta antes de que nadie tome una decisión basándose en él, y expresa la incertidumbre en lugar de presentar una única estimación puntual con una confianza injustificada.
Descarga el paquete .skill (contiene SKILL.md), luego, en Claude, activa la ejecución de código en Settings → Capabilities y añádelo en Customize → Skills → + → Create skill → Upload a skill (en ChatGPT, Gemini u otra AI, ábrelo como .zip y pega SKILL.md en las instrucciones del proyecto o en las instrucciones personalizadas), añade tu propio contexto y comienza tu primera sesión. Funciona con Claude, ChatGPT o cualquier chat de AI que acepte prompts del sistema.
Funciona con Claude (recomendado), ChatGPT, Gemini, Perplexity y Copilot, y con cualquier chat de AI que acepte prompts del sistema. Claude Projects ofrece los mejores resultados.
Un paquete .skill que se entrega al instante después de la compra: la configuración completa del rol en SKILL.md, además de un archivo con un ejemplo práctico y un escenario real para que veas la calidad antes de confiar en él. Sin suscripción; es tuyo para siempre.
Descarga tu archivo .skill desde el correo del pedido o desde tu cuenta. En Claude, activa la ejecución de código en Settings › Capabilities y ve a Customize › Skills › + › Create skill › Upload a skill. Empieza un chat nuevo y pide al especialista por su nombre.