{"title":"Compétences en données et AI","description":"\u003cp\u003eSkills AI pour les professionnels des données et de l’AI. Des spécialistes prêts à l’emploi pour l’ingénierie des données, le machine learning, la data science, l’ingénierie analytique, la BI, l’architecture des données, le MLOps, l’ingénierie AI\/LLM, le NLP, la gouvernance des données et l’ingénierie des prompts. Chaque Skill est fourni avec un exemple concret détaillé et des conseils axés sur le développement, où tout est versionné.\u003c\/p\u003e","products":[{"product_id":"clara-data-analyst-ai-skill","title":"Clara - Skill AI d’analyste de données","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 Ajoutez Clara à Claude et obtenez une analyste de données qui transforme les données brutes en informations claires et exploitables : définition de la question analytique, évaluation de la qualité des données, réalisation d’analyses exploratoires, rédaction de formules Excel et SQL, interprétation des résultats statistiques en langage clair et communication des conclusions sous la forme d’un récit clair avec un « alors, qu’est-ce que cela signifie ? » et une action recommandée.\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 est l’un des outils d’analyse de données AI les plus rigoureux disponibles au format Claude : conçu pour les équipes marketing, les fonctions financières, les analystes HR, les équipes produit et les étudiants de tous les secteurs où les données doivent guider une décision. Elle n’infère jamais une causalité à partir d’une corrélation, signale toujours les réserves statistiques et explicite les limites de ce que permettent de conclure les petits échantillons, les données manquantes ou le biais de sélection. Une analyse sans contexte sur les données produit des réponses erronées : elle demande toujours ce que contiennent les données, comment elles ont été recueillies et ce que vous cherchez à déterminer avant de toucher au moindre chiffre.\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;\"\u003eCe que vous obtenez\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\u003eDéfinition de la question analytique et évaluation de la qualité des données : formulation précise de la question à partir de problèmes commerciaux ou de recherche, vérification de l’exhaustivité et de la cohérence des données, identification de ce qui peut ou ne peut pas être déterminé à partir des données disponibles, et signalement honnête des limites avant le début de l’analyse\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse exploratoire des données : distributions, tendances centrales, dispersion, détection des valeurs aberrantes et des anomalies, identification des valeurs manquantes, des schémas et des corrélations, ainsi que des premières constatations qui vous indiquent ce que les données contiennent réellement avant de tirer des conclusions\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\u003eConseils sur Excel, SQL, Python et R : rédaction de formules Excel et Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, tableaux croisés dynamiques), rédaction et explication de requêtes SQL pour SELECT, GROUP BY, JOIN et les fonctions d’agrégation, opérations sur les DataFrames pandas de Python et statistiques récapitulatives en R pour les données de recherche\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\u003eInterprétation statistique en français clair : p-values, intervalles de confiance et taille de l’échantillon expliqués dans leur contexte, distinction entre signification statistique et importance pratique, distinction entre corrélation et causalité appliquée sans exception, et interprétation correcte des résultats des tests A\/B afin que les décisions reposent sur des données réelles\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\u003eCommunication des enseignements : résultats analytiques structurés sous la forme résultat → éléments probants → implication → action, recommandations de visualisation adaptées au type de données et au public, et commentaires sur les données rédigés de façon à ce que les non-analystes comprennent ce que signifient les chiffres et les mesures à prendre ensuite\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\u003eAnalyse spécifique à chaque secteur : données d’enquête (échelles de Likert, tableaux croisés, biais de réponse), données financières (tendances des revenus, analyse des marges, commentaire des écarts), analyse marketing (performance des campagnes, analyse de l’entonnoir, attribution), analyse RH (résultats d’enquête, fidélisation, effectifs) et données de thèse universitaire (statistiques descriptives, interprétation des résultats)\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 clara-data-analyst-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation en moins 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;\"\u003eFonctionne avec Claude, ChatGPT et tous les chats 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Téléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → partagez vos données, décrivez la question métier et expliquez comment les données ont été collectées → Clara définit la question et produit instantanément des résultats analytiques structurés.\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 AI d’étude de marché","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 Intégrez Serena à Claude et bénéficiez d’une experte en études de marché qui évalue la taille des marchés avec une méthodologie transparente, élabore des personas clients, cartographie les paysages concurrentiels, produit des analyses PESTLE et des cinq forces de Porter, conçoit des enquêtes clients et des guides d’entretien, et transforme les résultats de recherche en recommandations commerciales concrètes.\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 Les études de marché sous-tendent chaque décision commerciale importante : entrer sur un nouveau marché, lancer un produit, fixer les prix ou rédiger la section consacrée au marché d’un plan d’affaires destiné aux investisseurs. Serena est l’un des outils d’étude de marché par AI les plus transparents sur le plan méthodologique, disponible au format Claude : elle explique toujours comment les estimations de la taille du marché ont été calculées, car un chiffre de TAM dépourvu de méthodologie ne vaut rien pour une prise de décision sérieuse. Elle fait preuve d’honnêteté concernant les limites et l’actualité des données, couvre la conception et l’analyse des recherches secondaires (recherche documentaire) et primaires, et s’applique à tout secteur comptant des clients ou des bénéficiaires.\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;\"\u003eCe que vous obtenez\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\u003eÉvaluation de la taille du marché avec méthodologie — estimations du TAM, du SAM et du SOM selon des approches descendante et ascendante, avec explication de la méthodologie de calcul, évaluation du taux de croissance et des prévisions du marché, identification des segments clés et estimation de leur taille relative, et structures de sections de marché prêtes pour les investisseurs\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 et segmentation client — personas clients élaborés à partir des recherches et données disponibles, besoins et points de friction cartographiés selon le cadre des tâches à accomplir (« jobs to be done »), segmentation démographique, comportementale et psychographique, et analyse du processus de décision des clients\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse du secteur et des tendances — analyse PESTLE (politique, économique, sociale, technologique, juridique et environnementale) pour évaluer l’environnement macroéconomique, analyse de l’intensité concurrentielle selon les cinq forces de Porter, identification des tendances émergentes, synthèse de rapports sectoriels issus d’Euromonitor, d’IBISWorld, de Statista et de GWI, et examen de l’environnement réglementaire et politique\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\u003eConception de recherches primaires : questionnaires d’enquête client conçus pour répondre à des questions commerciales précises, guides d’entretien et cadres de questions d’approfondissement, conception de groupes de discussion et conseils sur la stratégie d’échantillonnage, indiquant qui interroger et combien de personnes sont nécessaires pour obtenir des résultats statistiquement significatifs\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse de recherches primaires : analyse des résultats d’enquêtes (distributions, tableaux croisés, tendances), synthèse des thèmes issus d’entretiens et de transcriptions, extraction d’informations qualitatives et traduction des résultats de recherche en recommandations commerciales concrètes plutôt qu’en simples listes d’observations\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\u003eRapports et résultats d’études de marché : rapports de vue d’ensemble du marché, profils de segments clients, cadres d’étude du NPS et de la satisfaction client, cadres de suivi de marque et cartes du paysage concurrentiel adaptés aux stratégies internes, aux plans d’affaires ou aux présentations destinées aux investisseurs\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 serena-market-researcher-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation en moins de 2 minutes\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFonctionne avec Claude, ChatGPT et tout chat 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Téléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou dans votre prompt système → décrivez le marché, la question commerciale ou le défi de recherche → Serena produit instantanément des informations de marché fondées sur des données probantes. Vérifiez directement les chiffres actuels du marché : les données de marché deviennent rapidement obsolètes.\n \u003c\/p\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-top: 1px solid #E8E6E0; margin-top: 24px; padding-top: 20px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 10px 0; font-family: 'DM Mono', monospace;\"\u003e\/\/ Bonus : modèle de prompt inclus\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Cette compétence inclut désormais le prompt autonome \u003cstrong\u003eRapport d’étude de marché par AI\u003c\/strong\u003e (auparavant vendu séparément) : un modèle prêt à l’emploi à coller, couvrant la vue d’ensemble du marché, l’évaluation de la TAM\/SAM\/SOM avec méthodologie, la segmentation, les tendances, 2 à 4 profils de personas clients et le paysage concurrentiel, avec des indicateurs [VERIFY] pour chaque affirmation concernant la taille du marché. Utilisez-le pour obtenir rapidement un rapport ponctuel lorsque vous n’avez pas besoin de toute l’étendue des recherches primaires 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 AI de veille concurrentielle","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 Intégrez Finn à Claude et obtenez un analyste en veille concurrentielle qui élabore des profils de concurrents, cartographie les paysages concurrentiels, compare les positionnements et les tarifs, analyse les avis sur les produits et la publicité, crée des fiches de bataille concurrentielles pour les équipes commerciales et transforme l’observation des concurrents en éclairage stratégique : la question n’est jamais « que dit le concurrent ? », mais « qu’est-ce que cela signifie et que devons-nous faire ? »\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 veille concurrentielle n’est pas de l’espionnage industriel : c’est une pratique rigoureuse qui consiste à recueillir, analyser et exploiter des informations publiques obtenues de manière éthique sur l’environnement concurrentiel afin de prendre de meilleures décisions. Finn est l’un des outils d’AI de veille concurrentielle les plus axés sur l’analyse stratégique disponibles au format Claude, conçu pour les équipes stratégiques, les chefs de produit, les responsables commerciaux et les spécialistes du marketing de tous les secteurs où la concurrence est présente. Un profil de concurrent qui se contente de décrire le site web de l’entreprise n’est pas de la veille concurrentielle. Finn va toujours plus loin, jusqu’au niveau analytique : qu’est-ce que cela nous apprend et qu’allons-nous en faire ?\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;\"\u003eCe que vous obtenez\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\u003eProfils des concurrents et cartes du paysage concurrentiel – profils complets des concurrents couvrant le positionnement, les publics cibles, les forces et les faiblesses, la cartographie des rivaux directs et indirects, l’identification des concurrents émergents et l’espace de positionnement qu’aucun concurrent ne revendique actuellement\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse du positionnement concurrentiel – comparaisons des propositions de valeur et des messages, cartes de positionnement selon les principaux axes de différenciation, évaluation de la perception de la marque et de la réputation concurrentielle, ainsi que des analyses SWOT de concurrents spécifiques allant au-delà de la description pour dégager des implications stratégiques\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\u003eIntelligence produit et fonctionnelle – matrices comparatives des fonctionnalités concurrentes, suivi des signaux liés aux mises à jour produits et aux feuilles de route à partir des offres d’emploi et des communiqués de presse, analyse des thèmes des avis sur G2, Trustpilot, Capterra et l’App Store afin d’identifier ce que les clients apprécient et détestent chez les concurrents\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\u003eIntelligence tarifaire et commerciale – recherche sur la structure tarifaire des concurrents, analyse des stratégies de tarification freemium, premium et fondées sur la valeur, détection des modifications des pages tarifaires, cadres de comparaison des prix et signaux de flexibilité commerciale issus des conditions publiques et de la documentation destinée aux clients\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\u003eIntelligence marketing et éditoriale – analyse de la stratégie de contenu et du positionnement SEO des concurrents, examen des publicités dans la Meta Ad Library et la Google Ads Transparency, des activités et des tendances d’engagement sur les réseaux sociaux, des thèmes de leadership d’opinion, ainsi que suivi des activités événementielles et des partenariats\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\u003eCartes de bataille concurrentielles et intelligence commerciale – cartes de bataille pour les équipes commerciales couvrant le positionnement face à des concurrents précis, les cadres d’analyse des gains et des pertes, les réponses aux objections concurrentielles, les argumentaires de différenciation pour des scénarios concurrentiels précis et les cadres « comment battre [competitor] », élaborés à partir de preuves accessibles au public\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 finn-competitive-intelligence-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation en moins 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;\"\u003eFonctionne avec Claude, ChatGPT et toute IA conversationnelle\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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Téléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → nommez les concurrents, décrivez votre secteur et indiquez à Finn quelle décision l’intelligence doit éclairer → il produit instantanément une analyse stratégique fondée sur des insights. Toute l’intelligence provient uniquement de sources accessibles au public et recueillies de manière éthique. Vérifiez directement les faits clés avant d’agir.\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 AI de spécialiste de l’analyse des sentiments","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 Intégrez Mira à Claude et obtenez un analyste du texte et des sentiments qui identifie les thèmes, code les données qualitatives, évalue les sentiments selon le sujet et l’intensité, analyse les avis clients, traite les transcriptions d’entretiens et étaye chaque conclusion par des exemples précis tirés du texte - sans vous obliger à connaître le NLP ou 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 Les données textuelles sont rarement uniformément positives ou négatives : des clients qui adorent le produit mais détestent la livraison, des employés qui apprécient leurs collègues mais n’aiment pas la direction. Mira est l’un des outils d’analyse de texte par AI les plus étayés par des preuves disponibles au format Claude - elle n’affirme jamais l’existence d’un thème ou d’un sentiment sans montrer d’où il provient dans les données. Chaque affirmation nécessite 3 à 5 exemples précis tirés du texte source. Elle explique la méthodologie d’analyse utilisée (analyse thématique, évaluation des sentiments, analyse de contenu) afin que les résultats soient compris plutôt que simplement acceptés, et elle identifie aussi clairement ce qui est absent d’un texte que ce qui y est présent.\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;\"\u003eCe que vous obtenez\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\u003eAnalyse des sentiments avec exemples - évaluation globale des sentiments positifs, négatifs, neutres et mitigés, analyse des sentiments par sujet et par thème au sein d’un document, évaluation de l’intensité (fortement négatif ou légèrement négatif), identification du ton émotionnel (colère, satisfaction, frustration, enthousiasme) et analyse des sentiments dans les avis clients par produit, service ou caractéristique\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse thématique - identification des thèmes récurrents et codage systématique à l’aide de la méthodologie de Braun et Clarke, élaboration de hiérarchies de thèmes (thèmes et sous-thèmes), évaluation de la prépondérance et de la fréquence, et application d’un codage a priori ou émergent selon que le cadre analytique est préexistant ou généré à partir des données\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse de données de recherche qualitative - analyse des transcriptions d’entretiens et de groupes de discussion, codage thématique de plusieurs entretiens, identification des tendances, synthèse des principales conclusions dans un format de compte rendu structuré et présentation des résultats de recherche qualitative sous la forme d’une analyse de qualité publiable, étayée par des citations\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse des retours des clients et des employés - analyse des commentaires ouverts NPS, analyse détaillée des réponses verbatim CSAT, analyse des réponses ouvertes aux enquêtes auprès des employés, analyse du sentiment dans les commentaires sur les réseaux sociaux et identification des thèmes des avis clients avec des citations précises à l’appui de chaque constat\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalyse de contenu et du discours - analyse de la fréquence des termes et expressions clés, identification du cadrage des sujets (la manière dont un sujet est présenté, et pas seulement ce qui est dit), identification des techniques de persuasion et de rhétorique, analyse du langage et du ton d’une marque, ainsi que de ce qui est absent d’un texte et de ce qui y est présent\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\u003eAnalyse de texte appliquée à différents secteurs - analyse de la couverture médiatique et de la presse, analyse du langage politique et des politiques publiques, examen du langage contractuel et juridique, analyse des communications concurrentielles, ainsi que conception de cadres analytiques et de stratégies d’échantillonnage pour les grands jeux de données qui dépassent ce qui peut être traité directement en une seule session\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 mira-text-sentiment-analyst-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation en moins 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;\"\u003eFonctionne avec Claude, ChatGPT et toute discussion avec une 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Téléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → collez le texte, les avis, les transcriptions ou les retours que vous souhaitez faire analyser → Mira identifie instantanément les thèmes, évalue le sentiment et produit des conclusions étayées par des citations. Collez directement le contenu - pour les jeux de données très volumineux, elle conçoit le cadre analytique et l’approche d’échantillonnage.\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 - Skill AI d’ingénieure data","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;\"\u003eIntégrez Elena à Claude et obtenez une ingénieure data senior qui conçoit des pipelines qui ne tombent pas en panne à 2 h du matin, modélise des données auxquelles les analystes peuvent faire confiance et optimise des entrepôts qui cessent de gaspiller de l’argent.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eElena privilégie l’ELT : testé, idempotent et documenté. Pipelines batch et streaming, modélisation dbt et SQL (dimensionnelle et Data Vault), ingestion et CDC, orchestration (Airflow\/Dagster\/Prefect), entrepôts de données (Snowflake\/BigQuery\/Databricks\/Redshift), tests et contrats de qualité des données, partitionnement et formats de fichiers (Parquet\/Iceberg\/Delta), lignage et optimisation des coûts. Développez toujours à partir d’un échantillon en développement ou en préproduction, versionnez tout et validez avant la mise en production.\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;\"\u003eCe que vous obtenez\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 batch et streaming idempotents et testés\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\u003eModélisation dimensionnelle et Data Vault ; dbt et SQL d’entrepôt de données\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\u003eOrchestration (Airflow\/Dagster\/Prefect), ingestion et 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\u003eTests et contrats de qualité des données ; partitionnement, formats, optimisation des coûts\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 elena-data-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Elena élabore la réponse. Comprend un exemple complet détaillé pour que vous sachiez exactement ce que vous obtenez.\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 - Skill AI d’ingénieur en apprentissage automatique","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;\"\u003eIntégrez Arjun à Claude et bénéficiez d’un ingénieur ML senior qui construit des modèles sans fuite de données, les valide honnêtement et les met en production.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eArjun formalise le problème, conçoit des caractéristiques sans fuite de données, choisit le modèle adapté (modèles linéaires, ensembles d’arbres comme XGBoost\/LightGBM, réseaux neuronaux), valide avec une validation croisée appropriée et des métriques honnêtes comparées à une référence, règle les hyperparamètres, calibre et met le modèle en service de manière reproductible. Validez toujours sur un échantillon mis de côté en développement ou en préproduction, versionnez les données, le code et les modèles, puis effectuez une revue avant la mise en production.\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;\"\u003eCe que vous obtenez\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\u003eIngénierie des caractéristiques avec prévention des fuites de données\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\u003eChoix du modèle : modèles linéaires, ensembles d’arbres (XGBoost\/LightGBM), réseaux neuronaux\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\u003eValidation croisée, métriques honnêtes par rapport aux références, calibration\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\u003eRéglage des hyperparamètres, reproductibilité et mise en service des modèles\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 arjun-ml-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Arjun élabore la réponse. Comprend un exemple complet pour vous montrer exactement ce que vous obtenez.\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 - Skill AI de data scientist","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;\"\u003eIntégrez Leila à Claude et obtenez une data scientist senior qui cadre la question, applique les bonnes méthodes statistiques et conçoit des tests A\/B fournissant des réponses fiables.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLeila cadre les problèmes métier, réalise une analyse exploratoire rigoureuse des données, applique les statistiques et tests d’hypothèse appropriés, conçoit et analyse des tests A\/B (puissance, taille de l’échantillon, garde-fous, SRM), construit des modèles de régression et de classification, raisonne sur la causalité et communique la décision. Validez toujours les hypothèses sur un échantillon représentatif, versionnez l’analyse et effectuez une revue avant toute mise en production.\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;\"\u003eCe que vous obtenez\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\u003eCadrage, analyse exploratoire des données et test statistique approprié\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eTests A\/B : puissance, taille de l’échantillon, garde-fous, restitution honnête\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\u003eModélisation par régression et classification\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\u003eBases de l’inférence causale et communication avec les parties prenantes\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 leila-data-scientist.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et tout chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans vos instructions de projet ou votre prompt système → décrivez votre besoin → Leila élabore la réponse. Comprend un exemple complet pour vous montrer exactement ce que vous obtenez.\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 - Skill AI d’ingénieur en analytique","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;\"\u003eIntégrez Bram à Claude et obtenez un ingénieur analytique senior qui construit des modèles dbt et des marts dimensionnels testés et documentés sur la stack data moderne.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eBram construit la couche de transformation : modèles dbt (staging → intermediate → marts), sources et fraîcheur, tests, snapshots (SCD2), macros et Jinja, modèles incrémentiels avec la bonne stratégie, expositions et couche sémantique, modélisation dimensionnelle (Kimball), ainsi que CI\/CD pour l’analytique. Construisez toujours dans une cible de développement, exécutez les tests dbt, versionnez dans git et effectuez une revue avant la mise en production.\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;\"\u003eCe que vous obtenez\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\u003eModèles dbt : staging → intermediate → marts, sources, fraîcheur\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eTests, snapshots (SCD2), macros et 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\u003eModèles incrémentiels avec la bonne stratégie\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\u003eModélisation dimensionnelle de Kimball et CI\/CD pour l’analytique\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 bram-analytics-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; tout chat 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans vos instructions de projet ou votre prompt système → décrivez votre besoin → Bram construit la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 - Skill AI d’analyste de données commerciales","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;\"\u003eIntégrez Chiara à Claude et obtenez une analyste de données senior qui transforme une question vague en réponse SQL précise, avec la métrique définie et les réserves indiquées.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eChiara traduit une question métier en requête, rédige du SQL avec des jointures, des CTE et des fonctions de fenêtrage, définit précisément les métriques pour éviter le double comptage, effectue des analyses de cohortes\/rétention, de tunnels et de segmentation, crée des tableaux de bord clairs et communique la réponse avec ses réserves. Vérifiez toujours la cohérence des requêtes par rapport à des totaux connus sur un échantillon et documentez la métrique avant de la partager.\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;\"\u003eCe que vous obtenez\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\u003eMaîtrise de SQL : jointures, CTE, fonctions de fenêtrage, logique des dates\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\u003eDéfinitions des métriques sans double comptage\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\u003eAnalyse des cohortes\/de la rétention, des tunnels et de la segmentation\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\u003eTableaux de bord clairs et communication nuancée\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 chiara-data-analyst.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Chiara construit la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 - Skill AI de développeur BI","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;\"\u003eIntégrez Tobias à Claude et bénéficiez d’un développeur BI senior qui crée des modèles Power BI en schéma en étoile, rédige un DAX correct et sécurise les rapports grâce à la sécurité au niveau des lignes.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTobias crée des solutions de BI dans Power BI (avec une connaissance de Tableau et Looker) : modèles sémantiques en schéma en étoile, DAX (contexte de filtre et de ligne, CALCULATE, intelligence temporelle), transformations Power Query (M), relations et cardinalité, sécurité au niveau des lignes, optimisation des performances de VertiPaq et conception claire des rapports. Travaillez toujours à partir d’un jeu de données de développement, validez les mesures par rapport à des totaux connus, versionnez le rapport et faites-le relire avant de le publier en production.\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;\"\u003eCe que vous obtenez\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\u003eModélisation sémantique en schéma en étoile et relations\/cardinalité\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 : contexte de filtre et de ligne, CALCULATE, intelligence temporelle\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\u003eTransformations 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\u003eSécurité au niveau des lignes et optimisation des performances 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;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et tous les chats 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou dans le prompt système → décrivez votre besoin → Tobias construit la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 - Skill AI d’architecte de données","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;\"\u003eIntégrez Freya à Claude et obtenez une architecte de données qui conçoit des architectures lakehouse et d’entrepôt avec de vrais compromis, pas des mots à la mode.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eFreya conçoit l’architecture des données en explicitant les décisions et les compromis : entrepôt ou lac, lakehouse ou mesh, modélisation (Kimball, Data Vault), formats de tables (Parquet\/Iceberg\/Delta\/Hudi), traitement par lots ou en continu, ingestion et CDC, modèle médaillon, gouvernance, sécurité et coûts. Elle consigne la décision. Prototypage systématique sur un échantillon représentatif en développement, estimation des coûts et examen des compromis avant de valider une architecture de production.\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;\"\u003eCe que vous obtenez\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\u003eArchitectures : entrepôt, lac, lakehouse, data mesh\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eModélisation (Kimball, Data Vault) et modèle médaillon\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\u003eFormats de tables (Parquet\/Iceberg\/Delta\/Hudi), traitement par lots ou en continu\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\u003eGouvernance, sécurité, coûts et sélection des outils avec leurs compromis\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 freya-data-architect.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Freya élabore la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 - Skill AI d’ingénieur MLOps","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;\"\u003eIntégrez Emre à Claude et obtenez un ingénieur MLOps senior qui met des modèles en production avec un suivi, un registre, une surveillance et une procédure de restauration.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eEmre opérationnalise le ML : suivi des expérimentations et registre de modèles (MLflow), CI\/CD pour le ML, feature stores, empaquetage et mise en production des modèles (batch, temps réel, conteneurs, Kubernetes), pipelines reproductibles avec versionnage des données, du code et des modèles (DVC), surveillance de la dérive et de la qualité des données, réentraînement automatisé, ainsi que déploiements shadow\/canary avec restauration. Validez toujours en staging avec un déploiement shadow\/canary avant le déploiement complet, versionnez tout, surveillez la dérive et prévoyez une procédure de restauration.\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;\"\u003eCe que vous obtenez\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\u003eSuivi des expérimentations et registre de modèles (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 pour le ML, feature stores et pipelines reproductibles\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\u003eMise en production (batch, temps réel, conteneurs, 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\u003eSurveillance de la dérive et de la qualité, réentraînement et restauration après déploiement 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;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Emre construit la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 - Skill AI d’ingénieure en IA","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;\"\u003eIntégrez Sora à Claude et obtenez un ingénieur AI senior qui crée des applications RAG et LLM prêtes pour la production, avec recherche, évaluations et garde-fous — pas de simples démonstrations.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eSora crée des applications LLM et GenAI : génération augmentée par la recherche (segmentation, embeddings, bases de données vectorielles, recherche hybride, reclassement), ingénierie des prompts pour les applications, sortie structurée et appels d’outils, agents et orchestration, évaluation (jeux d’évaluation hors échantillon, LLM-as-judge, ancrage), garde-fous, mise en cache et optimisation des coûts\/de la latence. Évaluez toujours les performances sur un jeu d’évaluation tenu à l’écart en développement et en préproduction, ajoutez des garde-fous, versionnez les prompts et les configurations, puis vérifiez l’ancrage et la sécurité avant la mise en production.\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;\"\u003eCe que vous obtenez\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 : segmentation, embeddings, bases de données vectorielles, recherche hybride, reclassement\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\u003ePrompts, sortie structurée et appels d’outils\/fonctions\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, orchestration et mise en cache\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\u003eÉvaluations (ancrage, LLM-as-judge), garde-fous, coût\/latence\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 sora-ai-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et tous les chats 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans vos instructions de projet ou votre prompt système → décrivez votre besoin → Sora élabore la réponse. Comprend un exemple complet étape par étape pour vous montrer exactement ce que vous obtenez.\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 - Ingénieure NLP Skill AI","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;\"\u003eIntégrez Aditi à Claude et bénéficiez d’une ingénieure NLP senior qui crée des pipelines de classification de textes et de reconnaissance d’entités nommées (NER), affine les transformers et les évalue avec rigueur.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAditi développe des solutions de NLP : classification de textes, reconnaissance d’entités nommées, annotation de séquences, analyse des sentiments et similarité sémantique, tokenisation et prétraitement, embeddings, transformers et fine-tuning (Hugging Face), apprentissage par transfert, évaluation (précision\/rappel\/F1, macro contre micro, matrices de confusion, BLEU\/ROUGE), déséquilibre des classes et annotation, ainsi que choix entre approches classiques et LLM. Évaluez toujours sur un jeu de test séparé en développement ou en préproduction, vérifiez les fuites de données et les biais, versionnez les données et les modèles, et effectuez une revue avant la mise en production.\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;\"\u003eCe que vous obtenez\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\u003eClassification, reconnaissance d’entités nommées (NER), annotation de séquences et similarité\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\u003eTokenisation, embeddings et fine-tuning des 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\u003eÉvaluation : précision\/rappel\/F1, macro contre micro, matrices de confusion\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\u003eDéséquilibre des classes, annotation et choix entre approches classiques et LLM\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 aditi-nlp-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Aditi élabore la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 la gouvernance des données Skill AI","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;\"\u003eIntégrez Magnus à Claude et obtenez un responsable senior de la gouvernance des données qui rédige des contrats de données, met en place des contrôles de qualité et classe correctement les données personnelles.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eMagnus met en place la gouvernance des données : catalogues de données et métadonnées, lignage, dimensions et contrôles de qualité des données (complétude, validité, unicité, actualité), contrats de données, données maîtres et données de référence, confidentialité et conformité (GDPR\/CCPA, classification des données personnelles, conservation, RBAC\/ABAC), gestion et responsabilité des données, ainsi que des indicateurs de gouvernance. Testez toujours les contrôles sur un échantillon dans un environnement hors production, validez les contrôles avec des données connues, versionnez les contrats et effectuez une revue avant de les appliquer en production.\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;\"\u003eCe que vous obtenez\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\u003eCatalogue de données, métadonnées et lignage\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\u003eDimensions et contrôles de qualité des données avec seuils\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\u003eContrats de données, données de référence et données maîtres\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\u003eConfidentialité\/conformité (GDPR\/CCPA), classification des données personnelles, RBAC\/ABAC\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 magnus-data-governance.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et toute conversation avec une 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Magnus construit la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 - Ingénieure en rédaction de prompts Skill AI","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;\"\u003eIntégrez Noor à Claude et obtenez un ingénieur prompt senior qui conçoit, teste et gère les versions de prompts de production avec un harnais d’évaluation, pas au feeling.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNoor conçoit des prompts de production : modèles de prompts (zero-shot et few-shot, chain-of-thought, décomposition), conception de prompts système, sortie structurée\/JSON avec application du schéma, prompts adaptés à la récupération et à l’appel d’outils, évaluation et tests des prompts (jeux d’évaluation, tests de régression, LLM-as-judge, grilles d’évaluation), gestion des versions des prompts, optimisation des tokens, des coûts et de la latence, ainsi que garde-fous et résistance aux jailbreaks. Testez toujours les prompts sur un jeu d’évaluation en développement ou en préproduction, gérez les versions des prompts, ajoutez des garde-fous et vérifiez la qualité et la sécurité avant la mise en production.\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;\"\u003eCe que vous obtenez\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\u003eModèles de prompts : few-shot, chain-of-thought, décomposition\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\u003eSortie structurée\/JSON et application du schéma\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\u003eÉvaluation des prompts : jeux d’évaluation, LLM-as-judge, grilles d’évaluation, régressions\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\u003eGestion des versions, optimisation des coûts et de la latence, et garde-fous\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 noor-prompt-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Noor construit la réponse. Inclut un exemple complet pour vous montrer exactement ce que vous obtenez.\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 AI d’ingénieur en données streaming","description":"\u003ch2\u003eIngénieur data senior spécialisé dans le streaming, qui considère les pipelines temps réel comme une discipline à part entière, et non comme du traitement par lots exécuté plus rapidement.\u003c\/h2\u003e\n\u003cp\u003eBartosz couvre tous les aspects des pipelines temps réel : conception des clusters et des topics Kafka et Flink, compromis entre le traitement exactement une fois et au moins une fois, registre de schémas et évolution des schémas (Avro\/Protobuf), stratégie des groupes de consommateurs et des partitions, surveillance de la contre-pression et du retard des consommateurs, modèles d’alimentation d’un entrepôt de données depuis des flux (CDC, Kafka Connect, insertions en streaming), ainsi que conception des tâches de traitement des flux (fenêtrage, filigranes, agrégation avec état).\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse-t-il\u0026nbsp;?\u003c\/h3\u003e\n\u003cp\u003eAux ingénieurs data, responsables de plateformes et responsables de pipelines de streaming qui ont besoin d’une conception des topics Kafka\/Flink, de garanties de traitement et d’une surveillance du retard liées à de véritables exigences de fraîcheur et d’ordre, plutôt qu’à une configuration par défaut copiée-collée.\u003c\/p\u003e\n\u003ch3\u003eCapacités clés\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eConception des topics, partitions et garanties de traitement Kafka\/Flink adaptée au coût réel des doublons et des pertes\u003c\/li\u003e\n      \u003cli\u003eVérifications de compatibilité du registre de schémas capables de détecter la rupture d’un consommateur en aval, et pas seulement de valider le registre\u003c\/li\u003e\n      \u003cli\u003eSurveillance du retard des consommateurs par partition et de la contre-pression, plutôt qu’un retard agrégé trompeur\u003c\/li\u003e\n      \u003cli\u003eChoix du modèle d’alimentation — CDC, Kafka Connect ou insertions en streaming — en fonction des besoins de fraîcheur et de volume\u003c\/li\u003e\n      \u003cli\u003eConception du fenêtrage, des filigranes et de la récupération via points de contrôle\/points de sauvegarde, vérifiée avant la mise en production\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Bartosz dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème d’ingénierie data en streaming. Fonctionne avec Claude, ChatGPT et toute conversation AI. Installation en moins de 2 minutes.\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 AI d’ingénieure DataOps","description":"\u003ch2\u003eIngénieur senior DataOps \/ orchestration de pipelines, qui considère l’orchestration comme une discipline de fiabilité, et pas seulement comme une planification.\u003c\/h2\u003e\n\u003cp\u003eFenna couvre toute la surface de l’orchestration des pipelines : conception de DAG Airflow et Dagster, gestion des dépendances entre DAG et entre équipes, stratégie de réexécution historique, définition des SLA et alertes en cas de dépassement, tests de pipelines (tests de contrats de données, vérifications de fraîcheur), mise à l’échelle de l’orchestrateur (pools de workers, choix de l’exécuteur), ainsi que l’observabilité et la traçabilité des pipelines.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux équipes de plateforme de données et aux responsables de l’orchestration qui ont besoin de cartographies des dépendances entre DAG, de procédures de réexécution historique et de définitions de SLA fondées sur la fraîcheur réelle des données, plutôt que de tableaux de bord de la durée des tâches qui semblent corrects alors que la table utilisée par l’entreprise est obsolète.\u003c\/p\u003e\n\u003ch3\u003eCapacités clés\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eCartographie explicite des dépendances entre DAG et entre équipes, y compris les dépendances implicites que personne n’a documentées\u003c\/li\u003e\n      \u003cli\u003eProcédures de réexécution historique vérifiant l’idempotence avant d’approuver toute nouvelle exécution ou tout plan de retraitement\u003c\/li\u003e\n      \u003cli\u003eSpécifications de SLA fondées sur la fraîcheur et ancrées dans le moment où les données sont réellement consommées, et non dans la durée d’exécution des tâches\u003c\/li\u003e\n      \u003cli\u003eTests de contrats de données et de fraîcheur intégrés au DAG afin qu’une exécution produisant des données incorrectes échoue de manière visible\u003c\/li\u003e\n      \u003cli\u003ePlans de mise à l’échelle des exécuteurs et des pools de workers adaptés au volume réel des DAG et des tâches, ainsi qu’au temps d’analyse de l’ordonnanceur\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Fenna dans les instructions de votre projet Claude (ou dans le prompt de tout système AI), puis décrivez votre problème d’ingénierie DataOps et d’orchestration de pipelines. Fonctionne avec Claude, ChatGPT et tout chat AI. Installation en moins de 2 minutes.\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 AI d’architecte de data warehouse","description":"\u003ch2\u003eModélisateur de données senior et architecte d’entrepôt qui consigne la granularité d’une table de faits avant même de dessiner une seule table.\u003c\/h2\u003e\n\u003cp\u003eAurelio couvre l’ensemble du schéma et de la modélisation : conception de schémas en étoile ou en flocon, compromis entre les méthodologies Kimball et Data Vault, conception des dimensions à évolution lente (SCD de type 1\/2\/3), décisions de granularité des faits et des dimensions, ainsi que choix de schémas physiques pour Snowflake, BigQuery ou Redshift, comme les clés de clustering, la stratégie de partitionnement et le style de distribution, afin d’optimiser les coûts et les performances.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u0026nbsp;?\u003c\/h3\u003e\n\u003cp\u003eAux ingénieurs analytics, architectes d’entrepôts et responsables BI qui ont besoin d’un schéma en étoile, d’une stratégie SCD ou d’une clé de clustering\/partitionnement liée à un nombre mesuré d’octets analysés ou à un coût mesuré, plutôt qu’à une bonne pratique générique.\u003c\/p\u003e\n\u003ch3\u003eFonctionnalités clés\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eÉnoncé explicite de la granularité de la table de faits avant toute décision concernant les mesures ou les jointures\u003c\/li\u003e\n      \u003cli\u003eConception SCD de type 1\/2\/3 choisie pour chaque attribut, sans jamais appliquer par défaut le type 1 par commodité\u003c\/li\u003e\n      \u003cli\u003eConception des jointures par clés de substitution afin que les faits historiques soient joints à la ligne de dimension correspondant à la date de la transaction\u003c\/li\u003e\n      \u003cli\u003eClé de clustering, stratégie de partitionnement ou style de distribution adaptés au véritable schéma de requêtes dominant\u003c\/li\u003e\n      \u003cli\u003eAudits des jointures à effet multiplicateur et des pièges de type chasm, pour détecter un double comptage ou une perte de lignes avant la mise en production\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md d’Aurelio dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème de modélisation des données et d’architecture d’entrepôt. Fonctionne avec Claude, ChatGPT et tout chat AI. Installation en moins de 2\u0026nbsp;minutes.\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 AI d’ingénieure en vision par ordinateur","description":"\u003ch2\u003eIngénieure senior en vision par ordinateur qui vérifie les performances par classe avant de faire confiance à une métrique de validation qui semble saine en moyenne.\u003c\/h2\u003e\n\u003cp\u003eXiomara couvre tout le périmètre des modèles de vision : choix de l’architecture (CNN ou transformeur de vision, choix du framework de détection), stratégie d’annotation et contrôle qualité, conception de l’augmentation des données, métriques d’évaluation pour la détection et la segmentation (mAP, IoU, précision-rappel par classe), inférence en périphérie ou dans le cloud et budgets de latence, ainsi que diagnostic du déséquilibre entre les classes ou du décalage de domaine dans un jeu de données de vision.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux équipes de ML qui déploient des modèles de classification, de détection ou de segmentation sur des caméras ou des appareils en production et qui ont besoin de décisions en matière d’architecture, d’annotation et de déploiement liées au coût réel d’une erreur, plutôt qu’à un résultat de référence flatteur.\u003c\/p\u003e\n\u003ch3\u003eCapacités clés\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eChoix entre une architecture CNN, un transformeur de vision ou une architecture hybride, en fonction du volume réel de données et du budget de latence\u003c\/li\u003e\n      \u003cli\u003eSpécification d’annotation, jeu de référence de qualité étalon et seuil d’accord interannotateurs avant l’annotation à grande échelle\u003c\/li\u003e\n      \u003cli\u003eÉvaluation par classe de la mAP, de l’IoU et de la précision-rappel, faisant apparaître un score proche de zéro pour une classe rare, masqué dans un agrégat\u003c\/li\u003e\n      \u003cli\u003eChaînes d’augmentation ciblant un écart identifié entre les données d’entraînement et les conditions de production\u003c\/li\u003e\n      \u003cli\u003ePlan de déploiement en périphérie ou dans le cloud, avec validation de la latence et de la précision sur le matériel cible réel\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le contenu de SKILL.md de Xiomara dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème d’ingénierie en vision par ordinateur. Fonctionne avec Claude, ChatGPT et tout chat AI. Installation en moins de 2 minutes.\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 AI d’ingénieur en systèmes de recommandation","description":"\u003ch2\u003eIngénieur senior en systèmes de recommandation, qui audite la boucle de rétroaction entre recommandations et comportements avant de déclarer un modèle sain.\u003c\/h2\u003e\n\u003cp\u003eKwesi couvre l’ensemble du domaine de la modélisation des recommandations : choix entre filtrage collaboratif, approche fondée sur le contenu et modèle hybride, architecture en deux étapes de génération et de classement des candidats, gestion du démarrage à froid pour les nouveaux utilisateurs et les nouveaux éléments, évaluation hors ligne (NDCG, precision@k, recall@k) et ses limites par rapport aux tests A\/B en ligne, ainsi que diagnostic et atténuation des boucles de rétroaction ou du biais de popularité.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux équipes ML et produit qui gèrent un système de recommandation et ont besoin d’une architecture de génération et de classement des candidats, d’une stratégie de démarrage à froid et d’un diagnostic des biais liés à la couverture réelle du catalogue, plutôt qu’à un simple classement hors ligne.\u003c\/p\u003e\n\u003ch3\u003ePrincipales capacités\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eChoix entre filtrage collaboratif, approche fondée sur le contenu et modèle hybride en fonction de la densité des données d’interaction\u003c\/li\u003e\n      \u003cli\u003eArchitecture en deux étapes de génération et de classement des candidats, dimensionnée séparément pour le rappel et la précision\u003c\/li\u003e\n      \u003cli\u003eStratégies explicites de transition pour le démarrage à froid des nouveaux utilisateurs et des nouveaux éléments, avec un point de passage vers le modèle standard\u003c\/li\u003e\n      \u003cli\u003eRésultats hors ligne NDCG\/precision@k\/recall@k associés à ce que ces métriques ne peuvent pas confirmer, ainsi qu’à une conception de test A\/B\u003c\/li\u003e\n      \u003cli\u003eAudits de la répartition de l’exposition et de la couverture du catalogue permettant de détecter un biais de popularité dissimulé derrière une forte précision\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Kwesi dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème d’ingénierie des systèmes de recommandation. Fonctionne avec Claude, ChatGPT et n’importe quel chat AI. Installation en moins de 2 minutes.\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 AI de développeuse Looker","description":"\u003ch2\u003eSpécialiste senior Looker, LookML et analytique intégrée qui considère chaque filtre d’accès au niveau des lignes comme une frontière de sécurité, et non comme un simple filtre pratique.\u003c\/h2\u003e\n\u003cp\u003eSigne couvre toute la surface de LookML et de l’analytique intégrée : modélisation des explorations, vues et tables dérivées, conception de la couche sémantique pour garantir que les métriques signifient la même chose dans chaque tableau de bord, création de tableaux de bord intégrés destinés aux clients, filtres d’accès au niveau des lignes et attributs utilisateur, ainsi que l’optimisation des performances de Looker (tables dérivées persistantes, agrégations adaptées et mise en cache des requêtes).\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux administrateurs Looker et aux ingénieurs analytiques qui gèrent des tableaux de bord intégrés destinés aux clients et qui ont besoin qu’une couche sémantique, un filtre d’accès ou une correction de performances soit vérifié sur le tableau de bord en production, et pas uniquement dans le code LookML.\u003c\/p\u003e\n\u003ch3\u003ePrincipales fonctionnalités\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDéfinition canonique unique des mesures LookML, consolidée avant toute nouvelle définition de la métrique\u003c\/li\u003e\n      \u003cli\u003eVérification de la multiplication des lignes lors des jointures à l’aide d’agrégations symétriques ou de tables dérivées préagrégées avant l’ajout d’une jointure à une exploration\u003c\/li\u003e\n      \u003cli\u003eTests des filtres d’accès au niveau des lignes en usurpant l’attribut utilisateur réellement restreint, et pas seulement par une revue du code\u003c\/li\u003e\n      \u003cli\u003eChoix de la méthode d’intégration signée ou d’intégration SSO et gestion de l’expiration de session pour chaque surface destinée aux clients\u003c\/li\u003e\n      \u003cli\u003eStratégie de déclenchement des tables dérivées persistantes et de mise en cache adaptée aux besoins réels de fraîcheur des données, avec vérification par rapport au SQL généré\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Signe dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème de spécialiste Looker, LookML et analytique intégrée. Fonctionne avec Claude, ChatGPT et n’importe quel service de conversation AI. Installation en moins de 2 minutes.\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 AI de spécialiste en analyse produit et web","description":"\u003ch2\u003eSpécialiste senior des produits et de l’analytique web, qui traite le suivi des événements comme un pipeline de données dont le plan de suivi constitue le schéma.\u003c\/h2\u003e\n\u003cp\u003eTorben couvre l’ensemble du suivi produit et web au niveau des événements : mise en œuvre de GA4 et de Google Tag Manager et conception de la taxonomie des événements, configuration d’Amplitude ou de Mixpanel pour l’analyse des entonnoirs et de la rétention par cohorte, conception et contrôle qualité du plan de suivi (détection des événements défaillants ou en double avant qu’ils ne faussent les rapports), ainsi que stratégie de collecte de données first-party dans le respect des contraintes de confidentialité (mode Consentement, balisage côté serveur).\u003c\/p\u003e\n\u003ch3\u003eÀ qui cela s’adresse\u003c\/h3\u003e\n\u003cp\u003eAux équipes Growth, produit et analytique qui ont besoin d’une mise en œuvre de GA4\/GTM, d’un plan de suivi ou d’un diagnostic d’entonnoir vérifié par rapport au flux d’événements en direct, et non pas seulement d’un chiffre de tableau de bord qui semble incorrect.\u003c\/p\u003e\n\u003ch3\u003ePrincipales compétences\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTaxonomie des événements GA4\/GTM conçue à partir de la question métier réelle à laquelle le suivi doit répondre\u003c\/li\u003e\n      \u003cli\u003ePlan de suivi structuré documentant les noms des événements, les propriétés requises et les conditions de déclenchement\u003c\/li\u003e\n      \u003cli\u003eAudits des conteneurs GTM qui détectent les déclencheurs en double et les règles d’affichage de page contradictoires avant de se fier à un rapport\u003c\/li\u003e\n      \u003cli\u003eVérification en direct dans GA4 DebugView ou GTM Preview, événement par événement, avant validation\u003c\/li\u003e\n      \u003cli\u003eMode Consentement et balisage côté serveur intégrés au plan de suivi dès le premier jour, et non ajoutés après le lancement\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Torben dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système d’AI), puis décrivez votre problème de spécialiste des produits et de l’analytique web. Fonctionne avec Claude, ChatGPT et n’importe quel chat d’AI. Installation en moins de 2 minutes.\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 AI d’analyste de tests A\/B","description":"\u003ch2\u003eAnalyste senior en expérimentation et tests A\/B qui vérifie comment un test a été conçu et mené avant de faire confiance à ce que le tableau de bord affiche à la fin.\u003c\/h2\u003e\n\u003cp\u003eRosamund couvre l’intégralité du cycle de vie de l’expérimentation : calcul de la taille d’échantillon et de la puissance, dimensionnement de l’effet minimal détectable (MDE), vérification de l’unité de randomisation et de l’intégrité de l’attribution, détection d’un écart du ratio d’échantillonnage (SRM), distinction entre significativité statistique et importance pratique, effets de nouveauté et problème de la consultation répétée des résultats ou de l’arrêt prématuré, conception des métriques garde-fous, ainsi que les pièges d’analyse comme le paradoxe de Simpson et les comparaisons multiples.\u003c\/p\u003e\n\u003ch3\u003ePour qui\u003c\/h3\u003e\n\u003cp\u003eLes équipes de croissance et produit qui réalisent des tests A\/B et ont besoin d’une taille d’échantillon préenregistrée, d’une vérification du SRM et d’une lecture des métriques garde-fous avant de décider d’un lancement, plutôt que d’un p-value favorable accepté tel quel.\u003c\/p\u003e\n\u003ch3\u003ePrincipales capacités\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTaille d’échantillon et durée calculées à partir d’un MDE, d’un taux de référence et d’une puissance définis avant le lancement du test\u003c\/li\u003e\n      \u003cli\u003eVérification du ratio d’échantillonnage par test du chi carré sur la répartition réellement observée avant d’accorder sa confiance à un résultat\u003c\/li\u003e\n      \u003cli\u003eIntervalle de confiance et ampleur de l’effet exprimée en termes métier communiqués avec chaque p-value, jamais seuls\u003c\/li\u003e\n      \u003cli\u003eVérifications des effets de nouveauté et de la consultation répétée des résultats avant de déclarer une amélioration comme gagnante durable\u003c\/li\u003e\n      \u003cli\u003eMétriques garde-fous et vérifications du paradoxe de Simpson sur les sous-groupes réalisées avant toute recommandation de mise en production\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Rosamund dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème d’analyste en expérimentation et tests A\/B. Fonctionne avec Claude, ChatGPT et toute conversation AI. Installation en moins de 2 minutes.\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 AI de spécialiste des sciences de la décision","description":"\u003ch2\u003eScientifique senior en science appliquée \/ décisionnelle, qui définit le critère de décision avant toute analyse causale sur des données pour lesquelles personne n’a procédé à une randomisation.\u003c\/h2\u003e\n\u003cp\u003eYannis couvre l’inférence causale sur des données observationnelles (appariement sur score de propension, différences-de-différences, variables instrumentales, discontinuité de régression), transforme une question vague du type « devons-nous faire X ? » en une question analytique mesurable avec un critère de décision clair, et utilise l’optimisation ou la simulation pour les décisions d’allocation des ressources.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux équipes d’analyse et de stratégie qui ont besoin d’une estimation causale défendable à partir de données historiques, ainsi que d’un plan d’allocation mis à l’épreuve, et non d’une comparaison naïve avant\/après présentée comme une preuve.\u003c\/p\u003e\n\u003ch3\u003ePrincipales capacités\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTraduction de demandes métier floues en une question mesurable, avec un résultat attendu et un critère de décision explicités\u003c\/li\u003e\n      \u003cli\u003eChoix de la stratégie d’identification (PSM, différences-de-différences, IV, RDD) en fonction de la manière dont le groupe traité l’a effectivement été\u003c\/li\u003e\n      \u003cli\u003eVérification explicite des hypothèses d’identification : équilibre des covariables, tendances préalables parallèles, pertinence de l’instrument, manipulation du seuil\u003c\/li\u003e\n      \u003cli\u003ePrésentation des estimations d’effet avec un intervalle de confiance honnête et une liste nommée des facteurs de confusion restants\u003c\/li\u003e\n      \u003cli\u003eMise à l’épreuve de l’optimisation ou de la simulation de l’allocation des ressources face à l’incertitude de l’estimation sous-jacente\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Yannis dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système d’AI), puis décrivez votre problème de science appliquée et décisionnelle. Fonctionne avec Claude, ChatGPT et toute conversation avec une AI. Installation en moins de 2 minutes.\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 AI de spécialiste de la gestion des données de référence","description":"\u003ch2\u003eSpécialiste senior de la gestion des données de référence qui élabore une matrice de survivance au niveau des champs plutôt qu’une règle unique au niveau de l’enregistrement.\u003c\/h2\u003e\n\u003cp\u003eWilhelm couvre toute la surface de l’enregistrement de référence : concevoir une source unique de vérité pour les données clients, produits ou fournisseurs dans différents systèmes, rédiger des règles de rapprochement et de dédoublonnage, définir des seuils de confiance et une logique de survivance, choisir entre des modèles d’outils MDM en hub-and-spoke ou de type registre, définir les modèles de responsabilité des domaines de données et concevoir une stratégie de synchronisation et de propagation afin que les mises à jour de l’enregistrement de référence atteignent les systèmes sources sans créer de boucles de mise à jour.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux équipes chargées des plateformes de données et du MDM qui démêlent des situations où les mêmes données clients, produits ou fournisseurs existent sous forme d’enregistrements légèrement différents dans plusieurs systèmes, et qui ont besoin de seuils de rapprochement et de règles de survivance fondés sur un taux mesuré de fusions erronées, plutôt que sur un chiffre rond.\u003c\/p\u003e\n\u003ch3\u003ePrincipales fonctionnalités\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eRègles de rapprochement déterministes et probabilistes testées sur un échantillon étiqueté avant la définition d’un seuil\u003c\/li\u003e\n      \u003cli\u003eMatrice de survivance au niveau des champs avec des critères explicites de départage, jamais une simple règle « la dernière écriture l’emporte » au niveau de l’enregistrement\u003c\/li\u003e\n      \u003cli\u003eChoix d’un modèle MDM hub-and-spoke ou de type registre en fonction de la manière dont les systèmes en aval utilisent réellement l’enregistrement\u003c\/li\u003e\n      \u003cli\u003eResponsabilités des domaines et voies d’escalade définies avant le premier désaccord entre domaines concernant un champ\u003c\/li\u003e\n      \u003cli\u003eConceptions de synchronisation retour avec balisage de la provenance afin qu’une mise à jour de l’enregistrement de référence ne reboucle pas et ne se retraite pas elle-même\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Wilhelm dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème de spécialiste de la gestion des données de référence (MDM). Fonctionne avec Claude, ChatGPT et toute conversation avec une AI. Installation en moins de 2 minutes.\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 AI d’analyste des données de fraude et de risques","description":"\u003ch2\u003eAnalyste senior des données de fraude et de risque, qui considère chaque règle de détection comme une cible dont le point aveugle est activement recherché.\u003c\/h2\u003e\n\u003cp\u003eSolveig couvre l’ensemble du périmètre analytique de la fraude et du risque : conception des signaux et des variables de fraude (contrôles de vélocité, empreinte numérique des appareils, réseaux et graphes de groupes de fraude), arbitrages entre détection fondée sur des règles et détection fondée sur le ML, ainsi que les cas où les combiner, ajustement du coût des faux positifs par rapport aux faux négatifs, analyse des tendances de rétrofacturation et de litiges, et adaptation adversariale lorsque les schémas de fraude évoluent dès qu’une règle devient connue.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse cet outil\u003c\/h3\u003e\n\u003cp\u003eAux équipes chargées de la confiance et de la sécurité ainsi qu’aux équipes de paiement qui ont besoin de signaux de fraude, de seuils et de décisions entre règles et modèles associés à un coût monétaire précis, plutôt que d’une règle optimisée uniquement pour la précision et qui cesse discrètement de fonctionner dès que les fraudeurs la repèrent.\u003c\/p\u003e\n\u003ch3\u003eFonctionnalités clés\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eSignaux de fraude fondés sur la vélocité, les appareils et les réseaux ou graphes, associés à un schéma de fraude précis et identifié, plutôt qu’à des données génériques\u003c\/li\u003e\n      \u003cli\u003eCoûts des faux positifs et des faux négatifs exprimés en dollars par segment avant tout ajustement de seuil\u003c\/li\u003e\n      \u003cli\u003eSuperposition des approches fondées sur des règles et sur le ML décidée en fonction de la vitesse d’adaptation et du besoin d’explicabilité, plutôt que d’une préférence par défaut\u003c\/li\u003e\n      \u003cli\u003eRapports sur les tendances de rétrofacturation et de litiges segmentés par code motif, distinguant la véritable fraude de la fraude amicale\u003c\/li\u003e\n      \u003cli\u003eSuivi de l’adaptation adversariale détectant la dégradation d’une règle connue après qu’un groupe de fraude l’a contournée\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Solveig dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système d’AI), puis décrivez votre problème d’analyse des données de fraude et de risque. Fonctionne avec Claude, ChatGPT et toute conversation avec une AI. Installation en moins de 2 minutes.\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 AI de chef de produit IA et données","description":"\u003ch2\u003eResponsable produit senior AI et données qui transforme un vague « peut-on utiliser l’AI pour cela ? » en brief cadré et confie chaque volet approfondi au spécialiste qui en est responsable.\u003c\/h2\u003e\n\u003cp\u003eCassius est la couche de coordination au-dessus de l’ensemble de la collection Data et AI : il transforme une demande métier vague en brief produit cadré et mesurable, aide à décider s’il faut développer ou acheter des fonctionnalités AI et données, aligne les parties prenantes des équipes d’ingénierie des données, de ML et d’analytique aux priorités concurrentes, fournit des cadres de priorisation lorsque la dette de qualité des données entre en concurrence avec de nouvelles demandes de fonctionnalités, et réalise une évaluation de l’écosystème qui identifie le spécialiste responsable de chaque volet d’une initiative transverse complexe liée aux données et à l’AI.\u003c\/p\u003e\n\u003ch3\u003eÀ qui s’adresse-t-il\u003c\/h3\u003e\n\u003cp\u003eAux responsables produit, responsables de programmes data\/AI et dirigeants confrontés à une demande AI vague ou à un conflit de priorités entre équipes, qui ont besoin d’un brief cadré et d’un plan d’orientation, pas d’une réunion supplémentaire qui se termine par une non-réponse diplomatique.\u003c\/p\u003e\n\u003ch3\u003eFonctionnalités clés\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTraduction de demandes vagues comme « nous avons besoin de meilleures données » ou « peut-on utiliser l’AI pour cela ? » en problème, utilisateur et indicateur\u003c\/li\u003e\n      \u003cli\u003eAnalyse développer ou acheter fondée sur le délai de création de valeur, la différenciation, le coût total de possession et le risque de dépendance à un fournisseur\u003c\/li\u003e\n      \u003cli\u003eÉvaluation de la dette de qualité des données sur la même échelle de priorisation que les nouvelles demandes de fonctionnalités, au lieu de la reléguer par défaut au second plan\u003c\/li\u003e\n      \u003cli\u003eAlignement des parties prenantes entre équipes, en identifiant la véritable contrainte de chaque équipe et en construisant un plan séquencé autour de celle-ci\u003c\/li\u003e\n      \u003cli\u003eCartographies de l’écosystème et de l’orientation indiquant précisément quel spécialiste est responsable de chaque volet de l’initiative\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComment l’utiliser\u003c\/h3\u003e\n\u003cp\u003eCollez le fichier SKILL.md de Cassius dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème de responsable produit AI et données. Fonctionne avec Claude, ChatGPT et n’importe quelle conversation AI. Installation en moins de 2 minutes.\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 AI d’ingénieur en qualité des données","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;\"\u003eIntégrez Havard à Claude et obtenez un ingénieur de fiabilité des données qui instrumente le pipeline afin que les défaillances silencieuses soient détectées avant qu’un tableau de bord n’induise un dirigeant en erreur.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eHavard traite la qualité des données comme une discipline d’ingénierie, et non comme un document de politique : surveillance de la fraîcheur, du volume, du schéma, de la distribution et de la traçabilité ; conception de tests avec les tests dbt, Great Expectations et Soda ; détection des anomalies sur les métriques plutôt que sur des seuils statiques que tout le monde finit par désactiver ; contrats de données entre producteurs et consommateurs ; gestion des incidents liés aux données avec des niveaux de gravité, une astreinte et une analyse du rayon d’impact grâce à la traçabilité ; SLA, SLO et budgets d’erreur pour les pipelines ; analyse des causes profondes des défaillances silencieuses ; stratégie de réexécution et de retraitement ; réglage des alertes pour limiter la fatigue ; et tableaux de bord de la qualité que les responsables métier liront réellement.\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;\"\u003eCe que vous obtenez\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\u003eSurveillance de la fraîcheur, du volume, du schéma, de la distribution et de la traçabilité\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\u003eContrats de données et accords entre producteurs et consommateurs\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, budgets d’erreur et niveaux de gravité des incidents liés aux données\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\u003eRéglage des alertes, analyse des causes profondes et stratégie de réexécution\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 havard-data-quality-observability-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 minutes\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Havard élabore la réponse. Comprend un exemple complet pour vous montrer exactement ce que vous obtenez.\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 AI d’ingénieur en plateforme de données cloud","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;\"\u003eIntégrez Yusra à Claude et bénéficiez d’une ingénieure plateforme qui consulte le profil de la requête avant de redimensionner quoi que ce soit, car un entrepôt plus grand est généralement la mauvaise réponse, et la plus coûteuse.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eYusra gère elle-même l’entrepôt et le lakehouse : administration de Snowflake, Databricks et Microsoft Fabric ; dimensionnement des entrepôts virtuels et des clusters, suspension automatique et mise à l’échelle automatique ; isolation des charges de travail et gestion de la concurrence ; organisation du stockage, partitionnement, clés de clustering, Z-ordering et clustering liquide ; formats de table, notamment Delta, Iceberg et Hudi, et situations où chacun est réellement avantageux ; optimisation des performances des requêtes et mise en cache des résultats ; gestion des coûts de la plateforme grâce à l’attribution des crédits, à la refacturation, aux alertes budgétaires et à la capacité réservée par rapport à la capacité à la demande ; contrôle des accès au niveau de la plateforme avec rôles, autorisations et politiques au niveau des lignes et des colonnes ; Unity Catalog et couches de métadonnées équivalentes ; ainsi que reprise après sinistre avec voyage dans le temps et clonage.\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;\"\u003eCe que vous obtenez\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\u003eDimensionnement des entrepôts et des clusters, isolation et mise à l’échelle automatique\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\u003ePartitionnement, clustering, Z-order et choix du format de table\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\u003eAttribution des crédits, refacturation, budgets et capacité réservée\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 plateforme, politiques de masquage et reprise après sinistre\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 yusra-cloud-data-platform-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans vos instructions de projet ou votre prompt système → décrivez votre besoin → Yusra élabore la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 AI d’ingénieur en couche sémantique","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;\"\u003eIntégrez Taavi à Claude et obtenez un ingénieur de couche sémantique qui réconcilie d’abord les trois chiffres de revenus contradictoires, puis fait d’une définition la seule que tout le monde puisse interroger.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTaavi est responsable de la définition unique de chaque métrique métier : implémentation de la couche sémantique dans la couche sémantique dbt et MetricFlow, Cube et AtScale ; spécification des métriques couvrant la granularité, les filtres, les dimensions temporelles, l’additivité et les mesures non additives ; cohérence dimensionnelle et dimensions à évolution lente dans le contexte des métriques ; gestion des versions et de la dépréciation des métriques ; BI headless fournissant la même métrique à chaque outil en aval ; gouvernance des personnes autorisées à modifier une définition ; rapprochement étape par étape des chiffres contradictoires entre les équipes jusqu’à la clôture de l’échelle ; pushdown des requêtes et mise en cache ; et parcours de migration d’un amas de requêtes SQL de tableaux de bord codées en dur vers des métriques gouvernées.\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;\"\u003eCe que vous obtenez\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\u003eSpécifications des métriques : granularité, filtres, dimensions temporelles, additivité\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\u003eÉchelles de rapprochement qui réconcilient des chiffres contradictoires\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\u003eImplémentation de la couche sémantique dbt, de MetricFlow et de 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\u003eGestion des versions, de la dépréciation et des changements des métriques\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 taavi-metrics-semantic-layer-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Taavi construit la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 AI d’ingénieur en plateforme 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;\"\u003eIntégrez Nikolina à Claude et obtenez une ingénieure de plateforme ML qui élimine la dérive entre entraînement et mise en production au niveau des features, au lieu de laisser chaque équipe la redécouvrir en production.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNikolina conçoit la plateforme sur laquelle travaillent les équipes ML : des feature stores, notamment Feast, Tecton et le Databricks Feature Store ; la conception de magasins hors ligne et en ligne ; des jointures correctes du point de vue temporel et la dérive entre entraînement et mise en production qu’elles permettent d’éviter ; le versionnage, la réutilisation et la découverte des features ; la matérialisation et les SLA de fraîcheur des features en ligne ; une infrastructure de mise en production des modèles couvrant l’inférence par lots, en temps réel et en streaming ; l’autoscaling, les budgets de latence, ainsi que la planification et les coûts des GPU ; le suivi des expériences et le registre de modèles en tant que services de plateforme plutôt que scripts propres à chaque équipe ; une conception de plateforme multi-tenant avec des parcours balisés en libre-service ; et une séparation claire entre les responsabilités de la plateforme et celles de chaque équipe produit.\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;\"\u003eCe que vous obtenez\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\u003eFeature stores hors ligne et en ligne, jointures correctes du point de vue temporel\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\u003eDétection et prévention de la dérive entre entraînement et mise en production\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\u003eInfrastructure de mise en production : traitement par lots, temps réel, streaming et planification des 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\u003eRegistre de modèles, suivi des expériences et parcours balisés multi-tenant\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 nikolina-feature-store-ml-platform-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans vos instructions de projet ou votre prompt système → décrivez votre besoin → Nikolina élabore la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 AI d’ingénieur en pertinence des recherches","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;\"\u003eIntégrez Vikram à Claude et obtenez un ingénieur en pertinence de recherche qui constitue le jeu de jugements avant de toucher au moindre boost, car le réglage de la pertinence non testé n’est que de la superstition.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eVikram fait en sorte que la recherche renvoie le bon résultat : compréhension des requêtes couvrant la tokenisation, la racinisation, la correction orthographique, les synonymes, la classification des requêtes et la détection de l’intention ; recherche lexicale et réglage de BM25 dans Elasticsearch, OpenSearch et Solr ; recherche vectorielle et hybride avec fusion réciproque des classements ; apprentissage du classement, notamment l’ingénierie des caractéristiques, LambdaMART et les modèles neuronaux de classement ; évaluation de la pertinence avec NDCG, MRR et la précision à k, listes de jugements, évaluateurs humains et modèles de clics ; métriques en ligne et expériences d’interclassement ; biais de position et de présentation ; limites de la personnalisation ; requêtes sans résultat et requêtes de longue traîne ; facettes et filtrage ; et l’arbitrage honnête entre la taille de l’index, la latence des requêtes et la qualité.\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;\"\u003eCe que vous obtenez\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\u003eCompréhension des requêtes : synonymes, correction orthographique, intention\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\u003eRéglage de BM25, ainsi que recherche vectorielle et hybride avec 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\u003eApprentissage du classement et modèles neuronaux de classement en production\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\u003eJeux de jugements NDCG et MRR, interclassement, correction du biais de clic\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 vikram-search-relevance-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Vikram construit la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 AI d’ingénieur en reconnaissance vocale","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;\"\u003eIntégrez Xiulan à Claude et obtenez un ingénieur spécialisé dans la parole qui indique le taux d’erreur par mot selon l’accent et les conditions, car un unique WER global dissimule précisément les utilisateurs que vous êtes en train de laisser de côté.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eXiulan prend en charge la modalité audio de bout en bout : reconnaissance automatique de la parole avec Whisper et ses successeurs, décodage en streaming ou par lots, mesure du WER et ce qu’elle dissimule, adaptation au domaine, vocabulaire personnalisé et biaisage contextuel ; diarisation et identification des locuteurs ; détection d’activité vocale ; synthèse vocale et clonage de voix dans le respect des contraintes de consentement ; prétraitement audio, notamment rééchantillonnage, réduction du bruit, annulation de l’écho et séparation des canaux ; détection de mots-clés et mots d’activation ; classification audio et détection d’événements ; pipelines de streaming en temps réel avec budgets de latence ; et problème d’équité lié aux variations marquées de la qualité de reconnaissance selon l’accent et le dialecte.\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;\"\u003eCe que vous obtenez\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\u003eRéglage de l’ASR : adaptation au domaine, vocabulaire personnalisé, biaisage\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 mesuré par accent, condition de bruit et locuteur, pas selon une valeur globale\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\u003eDiarisation, identification des locuteurs, VAD et séparation des canaux\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, budgets de latence, TTS et limites liées au consentement\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 xiulan-speech-audio-ml-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Xiulan construit la réponse. Comprend un exemple complet détaillé pour voir exactement ce que vous obtenez.\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 AI d’analyste des prévisions de séries temporelles","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;\"\u003eIntégrez Tenzin à Claude et obtenez un scientifique des prévisions qui commence par exécuter la base naïve et vous dira franchement quand le modèle coûteux ne l’a pas surpassée.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTenzin traite les prévisions comme une discipline à part entière : bases classiques, de la méthode naïve et de la méthode naïve saisonnière jusqu’à ETS et ARIMA ou SARIMAX, et explique pourquoi elles surpassent plus souvent qu’on ne l’admet les modèles élaborés ; prévisions hiérarchiques et groupées avec réconciliation ascendante, descendante et MinT ; demande intermittente avec Croston et TSB ; Prophet, approches tabulaires à gradient boosting et modèles profonds tels que N-BEATS et le Temporal Fusion Transformer, en indiquant honnêtement leur coût ; ingénierie des variables temporelles couvrant les retards, fenêtres glissantes, calendriers, jours fériés, promotions et météo ; rétrovalidation à origine glissante et pièges liés aux fuites de données ; métriques de précision, notamment les cas où la MAPE échoue pour les faibles volumes, ainsi que WAPE, RMSSE et la perte pinball ; biais des prévisions ; prévisions probabilistes et intervalles de prédiction ; valeur ajoutée des prévisions par rapport à une base naïve ; et prévisions consensuelles avec des humains dans la boucle.\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;\"\u003eCe que vous obtenez\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\u003eBases naïves et saisonnières, plus valeur ajoutée des prévisions\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\u003eRéconciliation hiérarchique et méthodes pour la demande intermittente\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\u003eRétrovalidation à origine glissante et pièges liés aux fuites de données\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\u003eChoix des métriques : WAPE, RMSSE, perte pinball, biais, intervalles\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 tenzin-time-series-forecasting-scientist.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Tenzin construit la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 AI d’analyste des tests d’incrémentalité","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;\"\u003eIntégrez Rhiannon à Claude et obtenez un analyste de mesure qui confronte le modèle à une expérimentation réelle avant de laisser quiconque réallouer un budget.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eRhiannon mesure ce que le marketing a réellement causé : modélisation du mix marketing avec adstock et effets différés, courbes de saturation et de rendements décroissants, saisonnalité et décomposition de la base, multicolinéarité entre canaux et MMM bayésien avec des a priori défendables ; expériences géographiques et tests sur marchés appariés ; tests d’incrémentalité au moyen de groupes de contrôle, de tests PSA, de publicités fantômes et de la hausse des conversions ; attribution et raisons pour lesquelles le dernier clic et le multi-touch deviennent défaillants avec la perte de confidentialité ; triangulation du MMM avec les expérimentations et l’attribution au lieu de faire confiance à un seul de ces éléments ; allocation budgétaire selon le rendement marginal plutôt que le ROAS mixte ; validation du MMM par la précision sur un groupe de contrôle, le calibrage par rapport aux expérimentations et la plausibilité des coefficients ; et communication de l’incertitude à un CMO qui veut un seul chiffre.\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;\"\u003eCe que vous obtenez\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, courbes de saturation et décomposition de la 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\u003eExpériences géographiques, groupes de contrôle et incrémentalité de la hausse des conversions\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\u003eCalibrage du MMM par rapport aux expérimentations, et non à l’attribution\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAllocation budgétaire fondée sur le ROI marginal avec une incertitude explicitée\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 rhiannon-marketing-mix-modeling-analyst.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et tout chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Rhiannon construit la réponse. Comprend un exemple complet pour vous montrer exactement ce que vous obtenez.\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 AI d’ingénieur en plateforme de données clients","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;\"\u003eIntégrez Amadou à Claude et obtenez un ingénieur en identité qui mesure la précision des correspondances sur des paires annotées, car un taux de correspondance élevé obtenu au prix de fusions erronées est pire que l’absence totale de correspondance.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAmadou construit une vue client à 360° à laquelle on peut réellement se fier : conception du graphe d’identités, correspondance déterministe ou probabiliste, règles de correspondance et clés de blocage évolutives, compromis entre précision et rappel mesurés sur des paires annotées plutôt qu’affirmés, règles de survivorship et de fiches de référence, agrégations au niveau du foyer et du compte ; architecture CDP reposant sur des approches packagées et composites natives de l’entrepôt de données, collecte des événements et rapprochement des identités entre états anonymes et connus, gestion du consentement et des préférences, ainsi que propagation des suppressions et des demandes d’effacement dans tous les systèmes en aval ; activation des profils et reverse ETL vers les plateformes publicitaires et le CRM ; et présentation honnête du taux de correspondance, parallèlement au coût d’une fusion erronée.\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;\"\u003eCe que vous obtenez\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\u003eGraphe d’identités, clés de blocage, correspondance déterministe ou probabiliste\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\u003ePrécision et rappel mesurés sur des paires annotées\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSurvivorship, fiches de référence et agrégations au niveau du foyer\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\u003eConsentement, suppression, propagation des suppressions et reverse ETL\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 amadou-customer-data-identity-resolution-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Amadou élabore la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 AI d’ingénieur en graphes de connaissances","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;\"\u003eIntégrez Lucrezia à Claude et obtenez un ingénieur des graphes qui vous dira quand votre problème relève d’une jointure et non d’un graphe, avant que vous n’achetiez une base de données de graphes.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLucrezia traite les données comme un graphe : quand un graphe surpasse réellement le modèle relationnel et quand ce n’est clairement pas le cas ; graphes de propriétés avec Neo4j et Cypher face à RDF et SPARQL, ainsi que le véritable compromis ; conception d’ontologies et de taxonomies, modélisation des entités et des relations, et réification ; résolution d’entités et désambiguïsation au sein d’un graphe ; pipelines d’ingestion et mises à jour incrémentielles ; algorithmes de graphes appliqués à la recherche de chemins, la centralité, la détection de communautés et la similarité, avec les cas d’usage réels de chacun ; performances des requêtes, supernœuds et adjacence sans index ; embeddings de graphes et GNN à un niveau pratique ; recherche sur les graphes pour étayer les réponses des LLM ; et visualisation lisible par un non-ingénieur.\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;\"\u003eCe que vous obtenez\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\u003eGraphe ou relationnel : la décision honnête, avec l’alternative des jointures\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\u003eGraphe de propriétés et arbitrage entre Cypher et RDF et 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\u003eConception d’ontologies, résolution d’entités et désambiguïsation\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\u003eAlgorithmes de graphes, supernœuds, embeddings et recherche fondée sur les graphes\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 lucrezia-knowledge-graph-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT \u0026amp; n’importe quel chat 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;\"\u003eComment installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Lucrezia élabore la réponse. Un exemple complet vous montre exactement ce que vous obtenez.\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 AI d’analyste des données géospatiales","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;\"\u003eAjoutez Oskari à Claude et obtenez un analyste géospatial qui remplace le cercle de rayon par un véritable isochrone de temps de trajet et regarde disparaître la moitié du dossier commercial.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eOskari traite la localisation comme une dimension à part entière : systèmes de référence des coordonnées, projections et erreurs discrètes liées à leur mauvaise utilisation ; modèles de données vectorielles et matricielles ; fonctions géospatiales natives de PostGIS, GeoPandas et des entrepôts de données ; jointures spatiales, zones tampons, isochrones et analyse du temps de trajet ; qualité du géocodage et de la normalisation des adresses ; indexation spatiale avec les arbres R, H3, S2, geohash et les systèmes de grille pour l’agrégation ; statistiques spatiales, notamment l’autocorrélation spatiale, l’I de Moran, l’analyse des points chauds et les bases du krigeage ; analyse des zones de chalandise et sélection de sites ; analyse des itinéraires et des réseaux ; choix cartographiques trompeurs, comme les cartes choroplèthes non normalisées et un mauvais regroupement en classes ; ainsi que les risques pour la confidentialité liés aux données de localisation très précises.\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;\"\u003eCe que vous obtenez\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\u003eExactitude des systèmes de coordonnées et des projections, qualité du géocodage\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\u003eJointures spatiales, zones tampons, isochrones et zones de chalandise selon le temps de trajet\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\u003eIndexation H3, S2 et geohash, ainsi que statistiques spatiales\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\u003eCartographie honnête et risques liés à la confidentialité des données de localisation\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 oskari-geospatial-data-analyst.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou le prompt système → décrivez votre besoin → Oskari construit la réponse. Comprend un exemple complet pour voir exactement ce que vous obtenez.\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 AI de responsable des données et de l’analytique","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;\"\u003eIntégrez Zenobia à Claude et obtenez une responsable data qui séquence les travaux de la plateforme en fonction des livraisons, sait dire non officiellement et oriente chaque chantier vers un spécialiste nommé.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eZenobia est la couche de coordination qui chapeaute toute une fonction data. Elle est responsable de la stratégie data alignée sur les résultats de l’entreprise, du modèle opérationnel — centralisé, intégré ou en étoile — et du moment où le modifier, de la conception de l’équipe et de l’ordre des recrutements, de l’argumentaire d’investissement dans la plateforme et du choix entre développement et achat, de la priorisation et du recueil des demandes data, de la signification concrète du libre-service et de ses prérequis réels, de l’approche par produits data et de leur responsabilité, de la mesure de la propre valeur de l’équipe data, de la gestion des parties prenantes et du refus de certaines demandes, des programmes de culture data, de la responsabilité organisationnelle en matière de gouvernance et de confidentialité, de la consolidation des fournisseurs et des outils, ainsi que de la feuille de route qui séquence les travaux fondamentaux sur la plateforme par rapport à la livraison visible d’analyses. Elle ne construit rien elle-même : chaque chantier est confié à un spécialiste nommé, puis lui revient pour révision.\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;\"\u003eCe que vous obtenez\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\u003eStratégie data et modèle opérationnel : centralisé, intégré ou en étoile\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\u003eArgumentaire d’investissement dans la plateforme, développement ou achat, consolidation des outils\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\u003eRecueil des demandes, priorisation et exigences réelles du libre-service\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\u003eMesurer la valeur de l’équipe data et séquencer la feuille de route\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 zenobia-head-of-data-analytics.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallation en moins de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFonctionne avec Claude, ChatGPT et n’importe quel chat 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;\"\u003eComment l’installer\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eTéléchargez le package .skill → ouvrez Claude → collez SKILL.md dans les instructions de votre projet ou votre prompt système → décrivez votre besoin → Zenobia élabore la réponse. Inclut un exemple complet pour voir exactement ce que vous obtenez.\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 AI pour Tableau","description":"\u003cp\u003eCette compétence Claude\/ChatGPT vous aide à planifier des tableaux de bord Tableau et à déboguer des champs calculés avant ou pendant votre travail dans l’application : le type de graphique adapté à chaque question, la mise en page du tableau de bord et le positionnement des filtres, ainsi que la syntaxe fonctionnelle des champs calculés expliquée ligne par ligne.\u003c\/p\u003e\u003cp\u003eElle est particulièrement utile pour les expressions LOD, Fixed, Include et Exclude, ainsi que pour la confusion classique liée à l’ordre des filtres, qui fait qu’une formule apparemment correcte renvoie un résultat erroné. Collez votre formule et les résultats attendus et obtenus pour recevoir une version corrigée accompagnée du raisonnement, et pas seulement d’une correction.\u003c\/p\u003e\u003cp\u003eElle fonctionne de la même manière dans Claude et ChatGPT. Décrivez votre question concernant le tableau de bord ou collez votre calcul défectueux pour obtenir un plan opérationnel.\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 AI pour Snowflake","description":"\u003cp\u003eCette compétence Claude\/ChatGPT fonctionne comme un assistant Snowflake AI au cœur de votre travail quotidien sur les données : elle rédige du SQL Snowflake exécutable avec QUALIFY, FLATTEN et MERGE, les instructions CREATE STAGE, FILE FORMAT et COPY INTO pour les chargements, les définitions Snowpipe, les Streams et les Tasks ou Dynamic Tables pour les pipelines incrémentiels, les hiérarchies de rôles avec des instructions GRANT, ainsi que les stratégies de masquage et d’accès aux lignes.\u003c\/p\u003e\u003cp\u003eElle connaît les entrepôts et la facturation à l’usage des crédits, l’élagage des micro-partitions et le Query Profile, Time Travel, UNDROP et Zero-Copy Cloning, les vues ACCOUNT_USAGE pour les coûts, Snowpark et les procédures stockées, ainsi que les pièges comme les Tasks qui ne s’exécutent jamais parce que personne ne les a reprises. Elle n’utilise pas Snowflake directement ; elle prépare le SQL, les parcours de clics dans Snowsight et les vérifications afin que vous les exécutiez vous-même.\u003c\/p\u003e\u003cp\u003eFonctionne de la même manière dans Claude, ChatGPT et Gemini. Un seul achat, téléchargez le fichier, installez-le en moins de 2 minutes, puis posez vos questions comme vous le feriez à un ingénieur data senior assis à côté de vous. S’associe à \u003ca href=\"\/fr\/products\/oleg-database-engineer\"\u003eOleg, ingénieur base de données\u003c\/a\u003e, la compétence persona ; celle-ci est l’assistant intégré à 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 AI pour MATLAB","description":"\u003cp\u003eCette compétence Claude\/ChatGPT fonctionne comme un binôme de programmation AI dans votre travail quotidien avec MATLAB : elle écrit des fonctions .m complètes avec des blocs d’arguments, réécrit les boucles lentes avec l’indexation logique et l’expansion implicite, crée des importations readtable et readtimetable avec des options d’importation, produit des figures tiledlayout avec des appels exportgraphics et explique en termes simples les choix de blocs et de solveurs Simulink.\u003c\/p\u003e\u003cp\u003eElle connaît les types de données MATLAB (tables, timetables, tableaux de cellules et de structures, chaînes string et caractères char), l’éditeur et le Live Editor, le Profiler, parfor et les boîtes à outils que vous êtes le plus susceptible d’utiliser. Elle signale également lorsqu’une fonction dépend d’une boîte à outils ou d’une version. Elle n’exécute pas le code et n’ouvre pas MATLAB à votre place ; elle prépare le code, le chemin de clics et la correction afin que vous puissiez les exécuter dans la fenêtre de commande.\u003c\/p\u003e\u003cp\u003eFonctionne de la même manière dans Claude, ChatGPT et Gemini. Un seul achat, téléchargez le fichier, installez-le en moins de 2 minutes, puis collez votre erreur ou décrivez vos données pour récupérer du code MATLAB fonctionnel. Compatible avec \u003ca href=\"\/fr\/products\/leila-data-scientist\"\u003eLeila, Data Scientist\u003c\/a\u003e, la compétence de persona ; celle-ci est l’assistante intégrée à 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 statisticien IA","description":"\u003cp\u003eQuelqu’un vous tend une feuille de calcul et vous demande si la différence est réelle. La réponse par défaut est un test t et une valeur p, alors que, dans la moitié des cas, les hypothèses sous-jacentes ne sont pas respectées. Un statisticien IA ralentit le processus : quel était le plan d’étude, qu’est-ce qui a été randomisé, combien de comparaisons effectuez-vous et quelle ampleur de différence changerait réellement votre décision ?\u003c\/p\u003e\u003cp\u003eIl demande le plan d’étude, la taille de l’échantillon et la manière dont les données ont été recueillies avant de choisir un test, car les mêmes chiffres n’ont pas la même signification dans un essai randomisé, un panel d’enquête et un journal d’observations. Vous obtenez le choix du test et sa justification, les vérifications des hypothèses associées, la taille de l’effet et l’intervalle de confiance en complément de la valeur p, ainsi que la correction de Benjamini-Hochberg plutôt que celle de Bonferroni lorsque vous examinez vingt critères. Il ne considérera pas une valeur p supérieure à 0,05 comme la preuve d’une absence d’effet, car cela renseigne sur la puissance statistique, pas sur la réalité.\u003c\/p\u003e\u003cp\u003eUn seul fichier, et il se comporte de la même manière dans Claude, ChatGPT et Gemini. Payez une seule fois, sans abonnement ; la configuration prend moins de deux minutes.\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\/fr\/collections\/data-ai-skills.oembed","provider":"KissMySkills","version":"1.0","type":"link"}