{"title":"Competenze in Data \u0026 AI","description":"\u003cp\u003eSkills AI per professionisti dei dati e dell’AI. Specialisti pronti all’uso per data engineering, machine learning, data science, analytics engineering, BI, architettura dei dati, MLOps, ingegneria AI\/LLM, NLP, governance dei dati e prompt engineering. Ogni Skill include un esempio pratico reale e indicazioni con approccio dev-first e controllo delle versioni per ogni elemento.\u003c\/p\u003e","products":[{"product_id":"clara-data-analyst-ai-skill","title":"Clara - Skill AI per l'analisi dei dati","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 Inserisci Clara in Claude e ottieni un'analista dei dati che trasforma i dati grezzi in insight chiari e attuabili: definisce la domanda analitica, valuta la qualità dei dati, produce analisi esplorative, scrive formule Excel e SQL, interpreta i risultati statistici in un linguaggio semplice e comunica i risultati come una storia chiara con un «e quindi?» e un'azione consigliata.\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 è uno degli strumenti AI per i dati più rigorosi dal punto di vista analitico disponibili nel formato Claude: pensato per i team di marketing, le funzioni finanziarie, gli analisti HR, i team di prodotto e gli studenti di ogni settore in cui i dati devono trasformarsi in decisioni. Non lascia mai intendere un rapporto di causalità a partire da una correlazione, segnala sempre le avvertenze statistiche ed esplicita i limiti di ciò che piccoli campioni, dati mancanti o bias di selezione consentono di concludere. Un'analisi priva di contesto sui dati produce risposte errate: prima di toccare anche un solo numero, chiede sempre cosa contengono i dati, come sono stati raccolti e a quale domanda si sta cercando di rispondere.\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;\"\u003eCosa ottieni\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\u003eDefinizione della domanda analitica e valutazione della qualità dei dati: formulazione precisa della domanda a partire da problemi aziendali o di ricerca, verifiche di completezza e coerenza dei dati, identificazione di ciò a cui è possibile o impossibile rispondere con i dati disponibili e segnalazione trasparente dei limiti prima dell'inizio dell'analisi\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\u003eAnalisi esplorativa dei dati: distribuzioni, tendenze centrali, dispersione, rilevamento di valori anomali e outlier, identificazione dei valori mancanti, individuazione di schemi e correlazioni e risultati iniziali che mostrano cosa contengono realmente i dati prima di trarre conclusioni affrettate\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\u003eIndicazioni su Excel, SQL, Python e R: scrittura di formule per Excel e Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, tabelle pivot), scrittura e spiegazione di query SQL per SELECT, GROUP BY, JOIN e funzioni aggregate, operazioni sui DataFrame pandas di Python e statistiche riassuntive in R per dati di ricerca\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\u003eInterpretazione statistica in linguaggio semplice: p-value, intervalli di confidenza e dimensione del campione spiegati nel contesto, distinzione tra significatività statistica e rilevanza pratica, correlazione e causalità tenute rigorosamente distinte e risultati dei test A\/B interpretati correttamente, per prendere decisioni basate su evidenze concrete\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\u003eComunicazione degli insight: risultati analitici strutturati come risultato → evidenza → implicazione → azione, raccomandazioni sulle visualizzazioni abbinate al tipo di dati e al pubblico e commenti sui dati scritti in modo che anche i non analisti comprendano cosa significano i numeri e cosa fare dopo\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\u003eAnalisi specifiche per settore: dati di sondaggi (scale Likert, tabelle incrociate, distorsioni nelle risposte), dati finanziari (andamento dei ricavi, analisi dei margini, analisi delle variazioni), analisi di marketing (performance delle campagne, analisi del funnel, attribuzione), analisi HR (risultati dei sondaggi, fidelizzazione, organico) e dati per tesi accademiche (statistiche descrittive, interpretazione dei risultati)\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Scarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → condividi i tuoi dati, descrivi la domanda aziendale e spiega come sono stati raccolti → Clara definisce la domanda e produce istantaneamente risultati analitici strutturati.\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 per la ricerca di mercato","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 Inserisci Serena in Claude e ottieni una Ricercatrice di mercato che dimensiona i mercati con una metodologia trasparente, crea personas dei clienti, mappa i panorami competitivi, produce analisi PESTLE e delle cinque forze di Porter, progetta sondaggi per i clienti e guide per le interviste e traduce i risultati della ricerca in raccomandazioni commerciali concrete.\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 ricerca di mercato è alla base di ogni decisione aziendale significativa: entrare in un nuovo mercato, lanciare un prodotto, definire i prezzi o scrivere la sezione di mercato di un business plan per gli investitori. Serena è uno degli strumenti di ricerca di mercato basati sull’AI più trasparenti dal punto di vista metodologico disponibili nel formato Claude: spiega sempre come sono state calcolate le stime delle dimensioni del mercato, perché una cifra TAM senza metodologia è inutile per prendere decisioni serie. È trasparente riguardo ai limiti e all’attualità dei dati, si occupa sia della progettazione e dell’analisi della ricerca secondaria (desk research) sia di quella primaria e opera in ogni settore che abbia clienti o beneficiari.\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;\"\u003eCosa ottieni\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\u003eDimensionamento del mercato con metodologia: stime di TAM, SAM e SOM utilizzando approcci top-down e bottom-up, con spiegazione della metodologia di calcolo, valutazione del tasso di crescita e delle previsioni di mercato, identificazione dei segmenti chiave e delle relative dimensioni, e strutture della sezione di mercato pronte per gli investitori\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 e segmentazione dei clienti: personas dei clienti create sulla base delle ricerche e dei dati disponibili, bisogni e difficoltà mappati utilizzando il framework jobs-to-be-done, segmentazione demografica, comportamentale e psicografica, e analisi del processo decisionale dei clienti\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\u003eAnalisi del settore e delle tendenze: analisi PESTLE (politica, economica, sociale, tecnologica, legale e ambientale) per la valutazione del macroambiente, analisi dell’intensità competitiva con le cinque forze di Porter, identificazione delle tendenze emergenti, sintesi di report di settore di Euromonitor, IBISWorld, Statista e GWI, e analisi del contesto normativo e delle politiche\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\u003eProgettazione della ricerca primaria: questionari per sondaggi tra i clienti progettati per rispondere a specifiche domande aziendali, guide per interviste e framework di domande di approfondimento, progettazione di focus group e consulenza sulla strategia di campionamento, con indicazioni su chi coinvolgere nella ricerca e su quante persone includere per ottenere risultati statisticamente significativi\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\u003eAnalisi della ricerca primaria: analisi dei risultati dei sondaggi (distribuzioni, tabelle incrociate, pattern), sintesi dei temi emersi da interviste e trascrizioni, estrazione di insight qualitativi e traduzione dei risultati della ricerca in raccomandazioni commerciali specifiche, anziché in semplici elenchi di osservazioni\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\u003eReport e output di ricerche di mercato: report panoramici sul mercato, profili dei segmenti di clientela, framework per la ricerca su NPS e soddisfazione dei clienti, framework per il monitoraggio del brand e mappe del panorama competitivo, adatti a strategie interne, business plan o presentazioni per investitori\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Scarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il mercato, la domanda aziendale o la sfida di ricerca → Serena produce istantaneamente informazioni di mercato basate su evidenze. Verifica direttamente i dati di mercato aggiornati: i dati di mercato diventano rapidamente obsoleti.\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: modello di prompt incluso\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Questa skill ora include il prompt autonomo \u003cstrong\u003eAI Market Research Report\u003c\/strong\u003e (in precedenza venduto separatamente): un unico modello pronto da copiare e usare che copre la panoramica del mercato, la stima di TAM\/SAM\/SOM con metodologia, la segmentazione, le tendenze, 2-4 profili di persona cliente e il panorama competitivo, con indicatori [VERIFY] su ogni dato relativo alle dimensioni del mercato. Usalo per un report rapido e una tantum quando non ti serve l'intera gamma di ricerche primarie di 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 per l'intelligence competitiva","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n \u003cp style=\"font-size: 16px; font-weight: 600; color: #1A1A18; line-height: 1.5; margin: 0 0 8px 0;\"\u003e\n Inserisci Finn in Claude e ottieni un analista di competitive intelligence che crea profili dei concorrenti, mappa i panorami competitivi, confronta posizionamento e prezzi, analizza recensioni dei prodotti e pubblicità, crea battlecard competitive per i team di vendita e trasforma l'osservazione dei concorrenti in insight strategici: la domanda non è mai «cosa dice il concorrente?», ma «cosa significa e cosa dovremmo fare al riguardo?»\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 competitive intelligence non è spionaggio aziendale: è la pratica disciplinata di raccogliere, analizzare e applicare informazioni pubbliche ottenute eticamente sull'ambiente competitivo per prendere decisioni migliori. Finn è uno degli strumenti di competitive intelligence basati sull'AI e più orientati all'analisi strategica disponibili nel formato Claude, progettato per team di strategia, product manager, responsabili vendite e marketer di ogni settore in cui esiste concorrenza. Un profilo di un concorrente che si limita a descrivere il sito web dell'azienda non è competitive intelligence. Finn punta sempre al livello analitico: cosa ci dice questo e cosa dovremmo farne?\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;\"\u003eCosa ottieni\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\u003eProfili dei concorrenti e mappe del panorama competitivo: profili completi dei concorrenti che includono posizionamento, segmenti di pubblico target, punti di forza e debolezza, mappatura dei concorrenti diretti e indiretti, identificazione dei concorrenti emergenti e dello spazio di posizionamento che nessun concorrente occupa attualmente\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\u003eAnalisi del posizionamento competitivo: confronti tra proposte di valore e messaggi, mappe di posizionamento sui principali assi di differenziazione, valutazione della percezione del brand e della reputazione competitiva, nonché analisi SWOT di concorrenti specifici che vanno oltre la descrizione per arrivare alle implicazioni strategiche\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 su prodotti e funzionalità - matrici di confronto delle funzionalità, monitoraggio degli aggiornamenti dei prodotti e dei segnali relativi alle roadmap tramite offerte di lavoro e comunicati stampa, analisi dei temi ricorrenti nelle recensioni su G2, Trustpilot, Capterra e App Store per individuare ciò che i clienti apprezzano e non apprezzano dei concorrenti\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 su prezzi e aspetti commerciali - ricerca sulla struttura dei prezzi dei concorrenti, analisi delle strategie di prezzo freemium, premium e basate sul valore, rilevamento delle modifiche alle pagine dei prezzi, framework di confronto dei prezzi e segnali di flessibilità commerciale ricavati da termini pubblici e documentazione rivolta ai clienti\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 di marketing e contenuti - analisi della strategia dei contenuti dei concorrenti e del posizionamento SEO, revisione delle attività pubblicitarie nella Meta Ad Library e nella Google Ads Transparency, dei modelli di attività e coinvolgimento sui social media, dei temi di thought leadership e monitoraggio di eventi e partnership\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\u003eBattlecard competitive e intelligence per le vendite - battlecard per i team commerciali che illustrano come posizionarsi rispetto a concorrenti specifici, framework per l'analisi delle vittorie e delle sconfitte, risposte alle obiezioni sulla concorrenza, narrazioni di differenziazione per scenari competitivi specifici e framework «come battere [competitor]» basati su prove pubblicamente disponibili\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Scarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → indica i concorrenti, descrivi il tuo settore e spiega a Finn quale decisione deve supportare l'intelligence → produrrà all'istante un'analisi strategica basata su insight. Tutte le informazioni provengono esclusivamente da fonti pubblicamente disponibili e raccolte eticamente. Verifica direttamente i fatti chiave prima di agire.\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 specializzata nell'analisi del sentiment","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 Inserisci Mira in Claude e ottieni un Analista di testi e sentiment che identifica i temi, codifica i dati qualitativi, valuta il sentiment per argomento e intensità, analizza le recensioni dei clienti, elabora le trascrizioni delle interviste e supporta ogni risultato con esempi specifici tratti dal testo, senza richiederti di conoscere l'NLP o 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 I dati testuali sono raramente uniformemente positivi o negativi: clienti che adorano il prodotto ma detestano la consegna, dipendenti che apprezzano i colleghi ma non gradiscono la dirigenza. Mira è uno degli strumenti di analisi dei testi basati sull'AI con il maggior numero di evidenze disponibili in formato Claude: non afferma mai la presenza di un tema o di un sentiment senza mostrare da dove proviene nei dati. Ogni affermazione richiede 3-5 esempi specifici tratti dal testo di origine. Spiega la metodologia analitica utilizzata (analisi tematica, valutazione del sentiment, analisi dei contenuti), affinché i risultati vengano compresi anziché semplicemente accettati, e identifica ciò che è assente da un testo con la stessa chiarezza di ciò che è presente.\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eCosa ottieni\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\u003eAnalisi del sentiment con esempi - valutazione complessiva del sentiment positivo, negativo, neutro e misto, sentiment per argomento e tema all'interno di un documento, valutazione dell'intensità (fortemente negativo rispetto a lievemente negativo), identificazione del tono emotivo (rabbia, soddisfazione, frustrazione, entusiasmo) e sentiment delle recensioni dei clienti suddiviso per prodotto, servizio o attributo\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\u003eAnalisi tematica - temi ricorrenti identificati e codificati sistematicamente utilizzando la metodologia di Braun e Clarke, gerarchie dei temi costruite (temi e sottotemi), rilevanza e frequenza valutate e codifica a priori rispetto a quella emergente applicata a seconda che il quadro analitico sia preesistente o generato dai dati\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\u003eAnalisi di dati di ricerca qualitativa - analisi delle trascrizioni di interviste e focus group, codifica tematica di più interviste, identificazione dei pattern, sintesi dei risultati chiave in un formato di report strutturato e presentazione dei risultati della ricerca qualitativa come analisi di qualità editoriale, supportata da citazioni\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\u003eAnalisi dei feedback di clienti e dipendenti - analisi dei commenti aperti NPS, analisi dettagliata delle risposte testuali CSAT, analisi delle risposte aperte ai sondaggi dei dipendenti, sentiment dei commenti sui social media e identificazione dei temi nelle recensioni dei clienti con citazioni specifiche a supporto di ogni risultato\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\u003eAnalisi dei contenuti e del discorso - analisi della frequenza di termini e frasi chiave, identificazione dell'inquadramento tematico (come viene presentato un argomento, non solo ciò che viene detto), identificazione delle tecniche persuasive e retoriche, analisi del linguaggio e del tono del brand e di ciò che è assente da un testo oltre a ciò che è presente\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnalisi testuale applicata in diversi settori - analisi della copertura mediatica e stampa, analisi del linguaggio politico e delle politiche pubbliche, revisione del linguaggio contrattuale e giuridico, analisi delle comunicazioni della concorrenza e progettazione di quadri analitici e strategie di campionamento per dataset di grandi dimensioni che superano ciò che può essere elaborato direttamente in una singola sessione\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Scarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del tuo progetto o nel prompt di sistema → incolla il testo, le recensioni, le trascrizioni o i feedback che vuoi analizzare → Mira identifica i temi, valuta il sentiment e produce istantaneamente risultati supportati da citazioni. Incolla direttamente il contenuto - per dataset molto grandi, definisce il quadro analitico e l'approccio al campionamento.\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 per ingegnere dei dati","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;\"\u003eInserisci Elena in Claude e ottieni una senior data engineer che progetta pipeline che non si rompono alle 2 di notte, modelli di dati di cui gli analisti possono fidarsi e data warehouse ottimizzati che smettono di bruciare denaro.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eElena lavora con un approccio ELT-first: testato, idempotente e documentato. Pipeline batch e streaming, modellazione con dbt e SQL (dimensionale e Data Vault), acquisizione dati e CDC, orchestrazione (Airflow\/Dagster\/Prefect), data warehouse (Snowflake\/BigQuery\/Databricks\/Redshift), test e contratti di qualità dei dati, partizionamento e formati di file (Parquet\/Iceberg\/Delta), tracciamento della derivazione dei dati e ottimizzazione dei costi. Sviluppa sempre su un campione in dev\/staging, mantieni tutto sotto controllo di versione e valida prima di passare in produzione.\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;\"\u003eCosa ottieni\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\u003ePipeline batch e streaming idempotenti e testate\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\u003eModellazione dimensionale e Data Vault; dbt e SQL per data warehouse\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\u003eOrchestrazione (Airflow\/Dagster\/Prefect), acquisizione dati e 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\u003eTest e contratti di qualità dei dati; partizionamento, formati, ottimizzazione dei costi\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Elena crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per ingegnere del machine learning","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;\"\u003eInserisci Arjun in Claude e ottieni un ingegnere ML senior che costruisce modelli privi di data leakage, li convalida in modo imparziale e li porta in produzione.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eArjun inquadra il problema, progetta le caratteristiche senza data leakage, sceglie il modello giusto (modelli lineari, ensemble di alberi come XGBoost\/LightGBM, reti neurali), convalida con una corretta convalida incrociata e metriche imparziali rispetto a un baseline, ottimizza gli iperparametri, calibra e mette in servizio il modello in modo riproducibile. Convalida sempre su un campione tenuto da parte in sviluppo\/staging, assegna una versione ai dati, al codice e ai modelli e verifica tutto prima della produzione.\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;\"\u003eCosa ottieni\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\u003eIngegneria delle caratteristiche con prevenzione del data leakage\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\u003eScelta del modello: modelli lineari, ensemble di alberi (XGBoost\/LightGBM), reti neurali\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\u003eConvalida incrociata, metriche imparziali rispetto ai baseline e calibrazione\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\u003eOttimizzazione degli iperparametri, riproducibilità e messa in servizio del modello\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Arjun crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per 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;\"\u003eInserisci Leila in Claude e ottieni una data scientist senior che definisce la domanda, esegue le analisi statistiche appropriate e progetta test A\/B che forniscono risposte affidabili.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLeila definisce i problemi aziendali, esegue un’EDA rigorosa, applica le statistiche e i test d’ipotesi corretti, progetta e analizza test A\/B (potenza, dimensione del campione, criteri di salvaguardia, SRM), costruisce modelli di regressione e classificazione, ragiona sulla causalità e comunica la decisione. Convalida sempre le ipotesi su un campione rappresentativo, assegna una versione all’analisi e sottoponila a revisione prima di agire in produzione.\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;\"\u003eCosa ottieni\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\u003eDefinizione del problema, EDA e test statistico appropriato\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\u003eTest A\/B: potenza, dimensione del campione, criteri di salvaguardia, risultati trasparenti\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\u003eModellazione di regressione e classificazione\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\u003eNozioni di base sull’inferenza causale e comunicazione con gli stakeholder\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del tuo progetto o nel prompt di sistema → descrivi ciò che ti serve → Leila costruisce la risposta. Include un esempio completo passo per passo, così puoi vedere esattamente cosa ottieni.\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 per ingegnere dell'analisi dei dati","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;\"\u003eInserisci Bram in Claude e ottieni un analytics engineer senior che crea modelli dbt testati e documentati e data mart dimensionali sul moderno stack dati.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eBram costruisce il livello di trasformazione: modelli dbt (staging → intermedio → marts), origini e aggiornamento dei dati, test, snapshot (SCD2), macro e Jinja, modelli incrementali con la strategia giusta, esposizioni e livello semantico, modellazione dimensionale (Kimball) e CI\/CD per l’analytics. Costruisci sempre in un ambiente di sviluppo, esegui i test dbt, crea le versioni in git e verifica tutto prima di promuovere in produzione.\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;\"\u003eCosa ottieni\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\u003eModelli dbt: staging → intermedio → marts, origini e aggiornamento dei dati\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\u003eTest, snapshot (SCD2), macro e 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\u003eModelli incrementali con la strategia giusta\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\u003eModellazione dimensionale Kimball e CI\/CD per l’analytics\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 bram-analytics-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Bram costruisce la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per analista dei dati aziendali","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;\"\u003eInserisci Chiara in Claude e ottieni un'analista dati senior che trasforma una domanda vaga in una risposta SQL precisa, definendo la metrica e indicandone le dovute precisazioni.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eChiara traduce una domanda di business in una query, scrive SQL con join, CTE e funzioni finestra, definisce le metriche con precisione per evitare il doppio conteggio, esegue analisi di coorti\/retention, funnel e segmentazione, crea dashboard chiare e comunica la risposta con le dovute precisazioni. Verifica sempre la correttezza delle query confrontandole con totali noti su un campione e documenta la metrica prima di condividerla.\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;\"\u003eCosa ottieni\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSQL avanzato: join, CTE, funzioni finestra, logica delle date\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\u003eDefinizioni delle metriche senza doppio conteggio\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\u003eAnalisi di coorti\/retention, funnel e segmentazione\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\u003eDashboard chiare e comunicazione con le dovute precisazioni\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Chiara costruisce la risposta. Include un esempio completo e dettagliato, così puoi vedere esattamente cosa otterrai.\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 per sviluppatore 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;\"\u003eInserisci Tobias in Claude e ottieni uno sviluppatore senior di BI che crea modelli Power BI a schema a stella, scrive DAX corretto e protegge i report con la sicurezza a livello di riga.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTobias sviluppa soluzioni di BI in Power BI (con competenze anche in Tableau e Looker): modelli semantici a schema a stella, DAX (contesto di filtro e di riga, CALCULATE, intelligenza temporale), trasformazioni di Power Query (M), relazioni e cardinalità, sicurezza a livello di riga, ottimizzazione delle prestazioni di VertiPaq e progettazione chiara dei report. Sviluppa sempre utilizzando un dataset di sviluppo, convalida le misure rispetto a totali noti, crea versioni del report e sottoponilo a revisione prima della pubblicazione in produzione.\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;\"\u003eCosa ottieni\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\u003eModellazione semantica a schema a stella e relazioni\/cardinalità\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: contesto di filtro e di riga, CALCULATE, intelligenza temporale\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\u003eTrasformazioni di 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\u003eSicurezza a livello di riga e ottimizzazione delle prestazioni di 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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT \u0026amp; qualsiasi 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;\"\u003eCome installarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Tobias crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per architetto dei dati","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;\"\u003eInserisci Freya in Claude e ottieni un’architetta dei dati che progetta architetture lakehouse e data warehouse valutando compromessi reali, non usando parole alla moda.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eFreya progetta l’architettura dei dati valutando decisioni e compromessi: data warehouse vs data lake vs lakehouse vs data mesh, modellazione (Kimball, Data Vault), formati delle tabelle (Parquet\/Iceberg\/Delta\/Hudi), elaborazione batch e streaming, acquisizione dati e CDC, pattern medallion, governance, sicurezza e costi. Documenta la decisione in un registro. Crea sempre un prototipo in ambiente di sviluppo su una porzione rappresentativa dei dati, stima i costi e valuta i compromessi prima di definire un’architettura di produzione.\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;\"\u003eCosa ottieni\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\u003ePattern: data warehouse, data lake, lakehouse, data mesh\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eModellazione (Kimball, Data Vault) e pattern medallion\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\u003eFormati delle tabelle (Parquet\/Iceberg\/Delta\/Hudi), elaborazione batch e streaming\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGovernance, sicurezza, costi e selezione degli strumenti con relativi compromessi\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Freya crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per ingegnere 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;\"\u003eInserisci Emre in Claude e ottieni un ingegnere MLOps senior che porta i modelli in produzione con monitoraggio, un registro, controlli e una procedura di rollback.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eEmre rende operativo il ML: monitoraggio degli esperimenti e registro dei modelli (MLflow), CI\/CD per il ML, feature store, pacchettizzazione e distribuzione dei modelli (batch, in tempo reale, container, Kubernetes), pipeline riproducibili con versionamento di dati\/codice\/modelli (DVC), monitoraggio del drift e della qualità dei dati, riaddestramento automatizzato e distribuzioni shadow\/canary con rollback. Convalida sempre in staging con shadow\/canary prima del rilascio completo, assegna una versione a ogni elemento, monitora il drift e mantieni una procedura di rollback.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eCosa ottieni\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\u003eMonitoraggio degli esperimenti e registro dei modelli (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 per il ML, feature store e pipeline riproducibili\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\u003eDistribuzione (batch, in tempo reale, container, Kubernetes)\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMonitoraggio del drift e della qualità, riaddestramento e rollback 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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Emre crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per ingegnere 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;\"\u003eInserisci Sora in Claude e ottieni un ingegnere AI senior che sviluppa app RAG e LLM pronte per la produzione, con recupero, valutazioni e guardrail, non semplici demo.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eSora crea applicazioni LLM e GenAI: generazione aumentata dal recupero (suddivisione in chunk, embedding, database vettoriali, recupero ibrido, riordinamento), prompt engineering per le app, output strutturato e chiamate a strumenti, Agents e orchestrazione, valutazione (set di valutazione offline, LLM-as-judge, aderenza ai dati), guardrail, caching e ottimizzazione di costi e latenza. Valuta sempre su un set di valutazione separato in sviluppo o staging, aggiungi guardrail, assegna una versione a prompt e configurazioni e verifica aderenza ai dati e sicurezza prima di distribuire in produzione.\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;\"\u003eCosa ottieni\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: suddivisione in chunk, embedding, database vettoriali, recupero ibrido, riordinamento\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrompt, output strutturato e chiamate a strumenti\/funzioni\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, orchestrazione e caching\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eValutazioni (aderenza ai dati, LLM-as-judge), guardrail, costi\/latenza\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Sora costruisce la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 - Skill AI per Ingegnere NLP","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;\"\u003eInserisci Aditi in Claude e ottieni un senior NLP engineer che crea pipeline per la classificazione del testo e il riconoscimento delle entità nominate (NER), esegue il fine-tuning dei transformer e li valuta in modo obiettivo.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAditi realizza soluzioni di NLP: classificazione del testo, riconoscimento delle entità nominate, etichettatura di sequenze, analisi del sentiment e similarità semantica, tokenizzazione e pre-elaborazione, embeddings, transformer e fine-tuning (Hugging Face), transfer learning, valutazione (precisione\/recall\/F1, macro vs micro, matrici di confusione, BLEU\/ROUGE), sbilanciamento delle classi ed etichettatura, oltre alla scelta tra approcci classici e LLM. Valuta sempre su un set di test separato in sviluppo\/staging, verifica la presenza di data leakage e bias, assegna una versione ai dati e ai modelli e fai una revisione prima della messa in produzione.\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;\"\u003eCosa ottieni\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\u003eClassificazione, NER, etichettatura di sequenze e similarità\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\u003eTokenizzazione, embeddings e fine-tuning dei transformer (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\u003eValutazione: precisione\/recall\/F1, macro vs micro, matrici di confusione\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\u003eSbilanciamento delle classi, etichettatura e scelta tra approcci classici e 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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Aditi crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 - Skill AI per Responsabile della governance dei dati","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;\"\u003eInserisci Magnus in Claude e ottieni un responsabile senior della governance dei dati che redige contratti dei dati, configura i controlli di qualità e classifica correttamente i dati personali (PII).\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eMagnus crea la governance dei dati: cataloghi dei dati e metadati, lineage, dimensioni e controlli della qualità dei dati (completezza, validità, unicità, tempestività), contratti dei dati, dati master e di riferimento, privacy e conformità (GDPR\/CCPA, classificazione dei dati personali (PII), conservazione, RBAC\/ABAC), gestione e responsabilità dei dati e metriche di governance. Esegui sempre un progetto pilota dei controlli su un campione in un ambiente non di produzione, convalida i controlli rispetto a dati noti, versiona i contratti e verifica tutto prima di applicare i controlli in produzione.\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;\"\u003eCosa ottieni\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\u003eCatalogo dei dati, metadati e lineage\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\u003eDimensioni e controlli della qualità dei dati con soglie\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\u003eContratti dei dati, dati master e di riferimento\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\u003ePrivacy e conformità (GDPR\/CCPA), classificazione dei dati personali (PII), RBAC\/ABAC\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 magnus-data-governance.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Magnus crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 - Skill AI per Ingegnere dei prompt","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;\"\u003eInserisci Noor in Claude e ottieni un prompt engineer senior che progetta, testa e assegna versioni a prompt pronti per la produzione con un harness di valutazione, non basandosi su impressioni.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNoor progetta prompt pronti per la produzione: pattern per prompt (zero-shot e few-shot, chain-of-thought, scomposizione), progettazione dei prompt di sistema, output strutturato\/JSON con applicazione dello schema, prompt consapevoli del recupero e per la chiamata di strumenti, valutazione e test dei prompt (set di valutazione, test di regressione, LLM-as-judge, rubriche), gestione delle versioni dei prompt, ottimizzazione di token\/costi e latenza e misure di sicurezza e resistenza ai jailbreak. Testa sempre i prompt su un set di valutazione in sviluppo\/staging, assegna una versione ai prompt, aggiungi misure di sicurezza e verifica qualità e sicurezza prima del rilascio.\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;\"\u003eCosa ottieni\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\u003ePattern per prompt: few-shot, chain-of-thought, scomposizione\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\u003eOutput strutturato\/JSON e applicazione dello schema\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\u003eValutazione dei prompt: set di valutazione, LLM-as-judge, rubriche, regressioni\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\u003eGestione delle versioni, ottimizzazione dei costi e della latenza e misure di sicurezza\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Noor crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per ingegnere dei dati in streaming","description":"\u003ch2\u003eSenior Data Engineer per lo streaming, che considera le pipeline in tempo reale una disciplina distinta, non un’elaborazione batch più veloce.\u003c\/h2\u003e\n\u003cp\u003eBartosz copre l’intera superficie delle pipeline in tempo reale: progettazione di cluster e topic Kafka e Flink, compromessi tra elaborazione exactly-once e at-least-once, registro degli schemi ed evoluzione degli schemi (Avro\/Protobuf), strategia per gruppi di consumer e partizioni, monitoraggio del backpressure e del ritardo dei consumer, modalità di caricamento dallo streaming al data warehouse (CDC, Kafka Connect, inserimenti in streaming) e progettazione dei job di elaborazione dei flussi (finestre temporali, watermark, aggregazioni con stato).\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eData engineer, responsabili delle piattaforme e responsabili delle pipeline di streaming che hanno bisogno di una progettazione di topic Kafka\/Flink, garanzie di elaborazione e monitoraggio del ritardo collegati a requisiti reali di aggiornamento e ordinamento, non a un’impostazione predefinita copiata e incollata.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eProgettazione di topic, partizioni e garanzie di elaborazione Kafka\/Flink, rapportata al costo reale di duplicazioni e perdite\u003c\/li\u003e\n      \u003cli\u003eControlli di compatibilità del registro degli schemi che rilevano l’interruzione di un consumer downstream, non solo un esito positivo del registro\u003c\/li\u003e\n      \u003cli\u003eMonitoraggio del ritardo dei consumer e del backpressure per partizione, non un ritardo aggregato fuorviante\u003c\/li\u003e\n      \u003cli\u003eScelta della modalità di caricamento tramite CDC, Kafka Connect o inserimenti in streaming in base alle esigenze di aggiornamento e volume\u003c\/li\u003e\n      \u003cli\u003eProgettazione di recupero da finestre temporali, watermark e checkpoint\/savepoint verificata prima della messa in produzione\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Bartosz nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema relativo all’ingegneria dei dati in streaming. Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per ingegnere DataOps","description":"\u003ch2\u003eSenior DataOps \/ Ingegnere dell’orchestrazione delle pipeline che considera l’orchestrazione una disciplina di affidabilità, non solo una pianificazione.\u003c\/h2\u003e\n\u003cp\u003eFenna copre l’intero ambito dell’orchestrazione delle pipeline: progettazione di DAG in Airflow e Dagster, gestione delle dipendenze tra DAG e team, strategie di backfill, definizione degli SLA e avvisi sulle violazioni, test delle pipeline (test dei contratti dei dati, controlli di aggiornamento), scalabilità dell’orchestratore (pool di worker, scelta dell’executor), osservabilità e lineage delle pipeline.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam della piattaforma dati e responsabili dell’orchestrazione che hanno bisogno di mappe delle dipendenze tra DAG, runbook per il backfill e definizioni degli SLA ancorate all’effettiva freschezza dei dati, non a dashboard sulla durata delle attività che sembrano a posto mentre la tabella utilizzata dall’azienda è obsoleta.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eMappatura esplicita delle dipendenze tra DAG e team, incluse le dipendenze implicite che nessuno ha documentato\u003c\/li\u003e\n      \u003cli\u003eRunbook per il backfill che verificano l’idempotenza prima di approvare qualsiasi piano di riesecuzione o rielaborazione\u003c\/li\u003e\n      \u003cli\u003eSpecifiche degli SLA basate sulla freschezza e ancorate al momento in cui i dati vengono effettivamente utilizzati, non al tempo di esecuzione delle attività\u003c\/li\u003e\n      \u003cli\u003eTest dei contratti dei dati e della freschezza integrati nel DAG, affinché un’esecuzione con dati errati fallisca in modo evidente\u003c\/li\u003e\n      \u003cli\u003ePiani di scalabilità dell’executor e dei pool di worker basati sul volume effettivo di DAG e attività e sul tempo di analisi del scheduler\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Fenna nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema relativo a DataOps e all’orchestrazione delle pipeline. Funziona con Claude, ChatGPT e qualsiasi chat AI. Installazione in meno di 2 minuti.\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 per architetto di data warehouse","description":"\u003ch2\u003eSenior Data Modeler e Warehouse Architect che mette per iscritto la granularità di una tabella dei fatti prima di disegnare una sola tabella.\u003c\/h2\u003e\n\u003cp\u003eAurelio copre l'intera superficie dello schema e della modellazione: progettazione di schemi a stella rispetto a schemi a fiocco di neve, compromessi metodologici tra Kimball e Data Vault, progettazione delle dimensioni a variazione lenta (SCD di tipo 1\/2\/3), decisioni sulla granularità di fatti e dimensioni e scelte dello schema fisico per Snowflake, BigQuery o Redshift, come chiavi di clustering, strategia di partizionamento e stile di distribuzione, in funzione di costi e prestazioni.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eAnalytics engineer, warehouse architect e responsabili BI che hanno bisogno di uno schema a stella, di una strategia SCD o di una chiave di clustering\/partizionamento collegata a un valore misurato di byte analizzati o di costo, non a una best practice generica.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDichiarazione esplicita della granularità della tabella dei fatti prima di prendere qualsiasi decisione su misure o join\u003c\/li\u003e\n      \u003cli\u003eProgettazione SCD di tipo 1\/2\/3 scelta per ogni attributo, senza impostare mai il tipo 1 come scelta predefinita per comodità\u003c\/li\u003e\n      \u003cli\u003eProgettazione dei join con chiavi surrogate, affinché i fatti storici si colleghino alla riga della dimensione valida al momento della transazione\u003c\/li\u003e\n      \u003cli\u003eChiave di clustering, strategia di partizionamento o stile di distribuzione adeguati al pattern di query effettivamente dominante\u003c\/li\u003e\n      \u003cli\u003eAudit dei join con moltiplicazione dei risultati e dei chasm trap, per individuare un doppio conteggio o una perdita di righe prima della messa in produzione\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Aurelio nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema di Data Modeler e Warehouse Architect. Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per ingegnere di visione artificiale","description":"\u003ch2\u003eSenior Computer Vision Engineer che verifica le prestazioni per classe prima di fidarsi di una metrica di validazione che sembra positiva in media.\u003c\/h2\u003e\n\u003cp\u003eXiomara copre l'intero ambito dei modelli di visione: scelta dell'architettura (CNN rispetto a vision transformer, scelta del framework di rilevamento), strategia di annotazione e controllo qualità, progettazione dell'aumento dei dati, metriche di valutazione per rilevamento e segmentazione (mAP, IoU, precision-recall per classe), inferenza su edge rispetto al cloud e budget di latenza, nonché diagnosi dello sbilanciamento tra classi o del domain shift in un dataset di visione.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di ML che portano in produzione modelli di classificazione, rilevamento o segmentazione su telecamere o dispositivi e hanno bisogno che le decisioni su architettura, annotazione e distribuzione siano legate al costo effettivo di un errore, non a un titolo di benchmark.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eScelta tra architettura CNN, vision transformer o ibrida, rapportata al volume reale dei dati e al budget di latenza\u003c\/li\u003e\n      \u003cli\u003eSpecifica di annotazione, set di riferimento gold standard e soglia di accordo tra annotatori prima dell'annotazione su larga scala\u003c\/li\u003e\n      \u003cli\u003eValutazione di mAP\/IoU\/precision-recall per classe, che fa emergere un punteggio quasi nullo per una classe rara nascosto in un aggregato\u003c\/li\u003e\n      \u003cli\u003ePipeline di aumento dei dati mirate a una lacuna specifica tra i dati di addestramento e le condizioni di produzione\u003c\/li\u003e\n      \u003cli\u003ePiano di distribuzione su edge o cloud con latenza e accuratezza validate sull'hardware di destinazione effettivo\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome usarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla SKILL.md di Xiomara nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema per un Computer Vision Engineer. Funziona con Claude, ChatGPT e qualsiasi chat AI. Installazione in meno di 2 minuti.\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 per ingegnere di sistemi di raccomandazione","description":"\u003ch2\u003eIngegnere senior dei sistemi di raccomandazione che verifica il ciclo di feedback tra raccomandazioni e comportamento prima di considerare sano un modello.\u003c\/h2\u003e\n\u003cp\u003eKwesi copre l'intero ambito della modellazione dei sistemi di raccomandazione: scelta tra filtraggio collaborativo, basato sui contenuti e ibrido, architettura a due fasi per la generazione e la classificazione dei candidati, gestione del cold start per nuovi utenti e nuovi elementi, valutazione offline (NDCG, precision@k, recall@k) e relativi limiti rispetto ai test A\/B online, nonché diagnosi e mitigazione del ciclo di feedback e del bias di popolarità.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di ML e di prodotto che gestiscono un sistema di raccomandazione e hanno bisogno di un'architettura per la generazione e la classificazione dei candidati, di una strategia per il cold start e di una diagnosi dei bias collegata alla reale copertura del catalogo, non a un punteggio di una classifica offline.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eScelta tra filtraggio collaborativo, basato sui contenuti e ibrido in base alla densità dei dati di interazione\u003c\/li\u003e\n      \u003cli\u003eArchitettura a due fasi per la generazione e la classificazione dei candidati, dimensionata separatamente per recall e precision\u003c\/li\u003e\n      \u003cli\u003eStrategie ponte esplicite per il cold start di nuovi utenti e nuovi elementi, con un punto di passaggio al modello standard\u003c\/li\u003e\n      \u003cli\u003eRisultati offline di NDCG\/precision@k\/recall@k affiancati da ciò che queste metriche non possono confermare, oltre a una progettazione A\/B\u003c\/li\u003e\n      \u003cli\u003eAudit della distribuzione dell'esposizione e della copertura del catalogo per individuare il bias di popolarità nascosto dietro un'accuratezza elevata\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Kwesi nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema relativo all'ingegneria dei sistemi di raccomandazione. Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per sviluppatore Looker","description":"\u003ch2\u003eSpecialista senior di Looker e LookML \/ analisi integrate che considera ogni filtro di accesso a livello di riga un confine di sicurezza, non un semplice filtro.\u003c\/h2\u003e\n\u003cp\u003eSigne copre l'intero ambito di LookML e delle analisi integrate: modellazione di esplorazioni, viste e tabelle derivate, progettazione del livello semantico affinché le metriche abbiano lo stesso significato in ogni dashboard, realizzazione di analisi integrate per dashboard rivolte ai clienti, filtri di accesso a livello di riga e attributi utente, nonché ottimizzazione delle prestazioni di Looker (tabelle derivate persistenti, consapevolezza delle aggregazioni, memorizzazione nella cache delle query).\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eAmministratori di Looker e ingegneri delle analisi che gestiscono dashboard integrate rivolte ai clienti e hanno bisogno che un livello semantico, un filtro di accesso o una correzione delle prestazioni siano verificati sulla dashboard reale, non solo nel codice LookML.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDefinizione canonica unica della misura LookML, consolidata prima di definire nuovamente una metrica\u003c\/li\u003e\n      \u003cli\u003eVerifiche della moltiplicazione delle righe nei join tramite aggregazioni simmetriche o tabelle derivate preaggregate prima di aggiungere un join all'esplorazione\u003c\/li\u003e\n      \u003cli\u003eFiltri di accesso a livello di riga testati impersonando l'attributo utente effettivamente soggetto a restrizioni, non tramite la sola revisione del codice\u003c\/li\u003e\n      \u003cli\u003eMetodo di incorporamento firmato rispetto a incorporamento SSO e gestione della scadenza della sessione stabiliti per ogni superficie rivolta ai clienti\u003c\/li\u003e\n      \u003cli\u003eStrategia di attivazione delle PDT e della cache adeguata alle reali esigenze di aggiornamento dei dati e verificata rispetto all'SQL generato\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla SKILL.md di Signe nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema relativo a Looker, LookML e alle analisi integrate. Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per specialista di analisi di prodotto e web","description":"\u003ch2\u003eSpecialista senior di analisi di prodotto e web che considera il tracciamento degli eventi come una pipeline di dati, con un piano di tracciamento come schema.\u003c\/h2\u003e\n\u003cp\u003eTorben gestisce l'intera superficie del tracciamento di prodotto e web a livello di evento: implementazione di GA4 e Google Tag Manager e progettazione della tassonomia degli eventi, configurazione di Amplitude o Mixpanel per l'analisi dei funnel e della fidelizzazione\/coorte, progettazione e controllo qualità del piano di tracciamento (individuando eventi non funzionanti o duplicati prima che compromettano i report) e strategia di raccolta dei dati proprietari nel rispetto dei vincoli di privacy (modalità di consenso, tagging lato server).\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di crescita, prodotto e analisi che hanno bisogno di un'implementazione di GA4\/GTM, di un piano di tracciamento o di una diagnosi del funnel verificata rispetto al flusso di eventi reale, non solo di un numero su una dashboard che sembra anomalo.\u003c\/p\u003e\n\u003ch3\u003eCompetenze principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTassonomia degli eventi GA4\/GTM progettata a partire dall'effettiva domanda aziendale a cui il tracciamento deve rispondere\u003c\/li\u003e\n      \u003cli\u003ePiano di tracciamento strutturato che documenta i nomi degli eventi, le proprietà obbligatorie e le condizioni di attivazione\u003c\/li\u003e\n      \u003cli\u003eAudit dei container GTM che individuano trigger duplicati e regole di visualizzazione delle pagine in conflitto prima di considerare affidabile un report\u003c\/li\u003e\n      \u003cli\u003eVerifica in tempo reale in GA4 DebugView o in Anteprima di GTM, evento per evento, prima dell'approvazione finale\u003c\/li\u003e\n      \u003cli\u003eModalità di consenso e tagging lato server integrati nel piano di tracciamento fin dal primo giorno, non aggiunti dopo il lancio\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Torben nelle Istruzioni del progetto Claude (o nel prompt di qualsiasi sistema di AI), quindi descrivi il tuo problema relativo all'analisi di prodotto e web. Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per analista di test A\/B","description":"\u003ch2\u003eAnalista senior di sperimentazione e test A\/B che verifica come è stato costruito e condotto un test prima di fidarsi di ciò che mostra il dashboard al termine.\u003c\/h2\u003e\n\u003cp\u003eRosamund copre l’intero ciclo di vita della sperimentazione: calcolo della dimensione del campione e della potenza statistica, definizione del minimum detectable effect (MDE), verifica dell’unità di randomizzazione e dell’integrità dell’assegnazione, rilevamento del sample ratio mismatch (SRM), significatività statistica rispetto a quella pratica, effetti di novità e problema del peeking\/arresto anticipato, progettazione delle metriche di salvaguardia e insidie dell’analisi come il paradosso di Simpson e i confronti multipli.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di crescita e prodotto che eseguono test A\/B e hanno bisogno di una dimensione del campione preregistrata, di un controllo SRM e di un’analisi delle metriche di salvaguardia prima di decidere se procedere con il lancio, non di un p-value positivo preso alla lettera.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDimensione del campione e durata calcolate a partire da un MDE, un tasso di base e una potenza statistica dichiarati prima del lancio del test\u003c\/li\u003e\n      \u003cli\u003eControllo del sample ratio mismatch tramite chi-quadrato sulla suddivisione effettivamente osservata, prima di fidarsi di qualsiasi risultato\u003c\/li\u003e\n      \u003cli\u003eIntervallo di confidenza e dimensione dell’effetto espressa in termini aziendali riportati insieme a ogni p-value, mai da soli\u003c\/li\u003e\n      \u003cli\u003eControlli degli effetti di novità e del peeking prima di dichiarare che un incremento rappresenta un vincitore duraturo\u003c\/li\u003e\n      \u003cli\u003eControlli delle metriche di salvaguardia e del paradosso di Simpson per sottogruppo prima di raccomandare qualsiasi rilascio\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Rosamund nelle Istruzioni del progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema relativo all’analisi della sperimentazione e dei test A\/B. Funziona con Claude, ChatGPT e qualsiasi chat AI. Installazione in meno di 2 minuti.\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 per data scientist delle decisioni","description":"\u003ch2\u003eSenior Applied \/ Decision Scientist che definisce il criterio decisionale prima di eseguire qualsiasi analisi causale su dati per i quali nessuno ha effettuato una randomizzazione.\u003c\/h2\u003e\n\u003cp\u003eYannis si occupa di inferenza causale su dati osservazionali (propensity score matching, differenza nelle differenze, variabili strumentali, discontinuità della regressione), trasformando una domanda vaga come «dovremmo fare X?» in una domanda analitica misurabile con un criterio decisionale chiaro, oltre che di ottimizzazione o simulazione per decisioni di allocazione delle risorse.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di analisi e strategia che hanno bisogno di una stima causale difendibile basata su dati storici, oltre che di un piano di allocazione sottoposto a stress test, non di un ingenuo confronto prima\/dopo spacciato per una dimostrazione.\u003c\/p\u003e\n\u003ch3\u003eCompetenze principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eRichieste aziendali vaghe tradotte in una domanda misurabile con un risultato e un criterio decisionale esplicitati\u003c\/li\u003e\n      \u003cli\u003eStrategia di identificazione (PSM, differenza nelle differenze, IV, RDD) scelta in base al modo in cui il gruppo trattato è stato effettivamente sottoposto al trattamento\u003c\/li\u003e\n      \u003cli\u003eAssunzioni identificative verificate esplicitamente: equilibrio delle covariate, tendenze parallele pre-trattamento, rilevanza dello strumento, manipolazione della soglia\u003c\/li\u003e\n      \u003cli\u003eStime degli effetti fornite con un intervallo di confidenza realistico e un elenco nominativo dei confondenti ancora presenti\u003c\/li\u003e\n      \u003cli\u003eOttimizzazione o simulazione dell'allocazione delle risorse sottoposta a stress test rispetto all'incertezza della stima sottostante\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome usarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Yannis nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il tuo problema di Applied \u0026amp; Decision Scientist. Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per specialista di gestione dei dati master","description":"\u003ch2\u003eSpecialista senior di gestione dei dati master che costruisce una matrice di sopravvivenza a livello di campo invece di una singola regola a livello di record.\u003c\/h2\u003e\n\u003cp\u003eWilhelm copre l'intera superficie del record d'oro: progetta un'unica fonte di verità per i dati di clienti, prodotti o fornitori nei diversi sistemi, scrive regole di corrispondenza e deduplicazione, imposta soglie di affidabilità e logiche di sopravvivenza, sceglie tra modelli di strumenti MDM hub-and-spoke e in stile registro, definisce i modelli di responsabilità per i domini dati e progetta la strategia di sincronizzazione e propagazione affinché gli aggiornamenti del record d'oro raggiungano i sistemi di origine senza creare cicli di aggiornamento.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di piattaforme dati e MDM che stanno districando situazioni in cui lo stesso cliente, prodotto o fornitore esiste come record leggermente diversi in più sistemi e hanno bisogno di soglie di corrispondenza e regole di sopravvivenza supportate da un tasso misurato di falsi accorpamenti, non da un numero arbitrario.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eRegole di corrispondenza deterministiche e probabilistiche testate su un campione etichettato prima di impostare una soglia\u003c\/li\u003e\n      \u003cli\u003eMatrice di sopravvivenza a livello di campo con criteri di spareggio espliciti, mai una singola regola a livello di record del tipo «l'ultima scrittura prevale»\u003c\/li\u003e\n      \u003cli\u003eModello MDM hub-and-spoke o in stile registro scelto in base al modo in cui i sistemi downstream consumano effettivamente il record\u003c\/li\u003e\n      \u003cli\u003eResponsabilità sui domini e percorsi di escalation definiti prima della prima controversia su un campo tra domini\u003c\/li\u003e\n      \u003cli\u003eProgettazione della sincronizzazione inversa con marcatura della provenienza, affinché un aggiornamento del record d'oro non torni indietro e non venga rielaborato da sé\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome usarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Wilhelm nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema AI), quindi descrivi il problema del tuo specialista di gestione dei dati master (MDM). Funziona con Claude, ChatGPT e qualsiasi chat AI. Si installa in meno di 2 minuti.\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 per analista di dati antifrode e rischio","description":"\u003ch2\u003eAnalista senior di dati su frodi e rischi, che considera ogni regola di rilevamento come qualcosa di cui si sta attivamente cercando il punto cieco.\u003c\/h2\u003e\n\u003cp\u003eSolveig copre l’intero ambito analitico di frodi e rischi: progettazione di segnali e funzionalità antifrode (controlli di frequenza, identificazione delle impronte digitali dei dispositivi, reti e gruppi di frode basati su grafi), compromessi tra rilevamento basato su regole e rilevamento basato su ML e criteri per combinarli, calibrazione dei costi dei falsi positivi rispetto ai falsi negativi, analisi degli schemi di chargeback e contestazione, nonché adattamento contraddittorio quando gli schemi di frode cambiano dopo che una regola è diventata nota.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eTeam di sicurezza e affidabilità e team che gestiscono i pagamenti, che hanno bisogno di segnali antifrode, soglie e decisioni tra regole e modelli associate a un costo in dollari specifico, non di una regola ottimizzata solo in base all’accuratezza e destinata a smettere silenziosamente di funzionare non appena i truffatori se ne accorgono.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eSegnali antifrode basati su frequenza, dispositivo e rete\/grafo, associati a uno specifico schema di frode identificato, non a dati generici\u003c\/li\u003e\n      \u003cli\u003eCosti dei falsi positivi e dei falsi negativi espressi in dollari per segmento prima di calibrare qualsiasi soglia\u003c\/li\u003e\n      \u003cli\u003eLa stratificazione tra regole e ML viene decisa in base alla velocità di adattamento e alla necessità di spiegabilità, non secondo una preferenza predefinita\u003c\/li\u003e\n      \u003cli\u003eReport sugli schemi di chargeback e contestazione segmentati per codice causale, distinguendo le frodi reali dalle frodi amichevoli\u003c\/li\u003e\n      \u003cli\u003eMonitoraggio dell’adattamento contraddittorio, in grado di rilevare il deterioramento di una regola nota dopo che un gruppo di frode ha imparato a sfruttarla\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome utilizzarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Solveig nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema di AI), quindi descrivi il tuo problema come analista di dati su frodi e rischi. Funziona con Claude, ChatGPT e qualsiasi chat con AI. Installazione in meno di 2 minuti.\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 per product manager di prodotti AI e dati","description":"\u003ch2\u003eSenior Product Manager per AI e dati che trasforma un vago «possiamo usare l’AI per questo?» in un brief circoscritto e affida ogni parte complessa del lavoro allo specialista responsabile.\u003c\/h2\u003e\n\u003cp\u003eCassius è il livello di coordinamento sopra l’intera raccolta di soluzioni per dati e AI: trasforma una richiesta aziendale vaga in un brief di prodotto circoscritto e misurabile, supporta le decisioni tra sviluppare e acquistare funzionalità per AI e dati, allinea gli stakeholder tra i team di ingegneria dei dati, ML e analisi con priorità in conflitto, applica framework di prioritizzazione quando il debito relativo alla qualità dei dati compete con le richieste di nuove funzionalità e valuta lo scenario per identificare quale specialista sia responsabile di ogni parte di un’iniziativa complessa e interfunzionale su dati e AI.\u003c\/p\u003e\n\u003ch3\u003eA chi è rivolto\u003c\/h3\u003e\n\u003cp\u003eLeader di prodotto, responsabili dei programmi su dati\/AI ed executive alle prese con una richiesta vaga sull’AI o con un conflitto di priorità tra team, che hanno bisogno di un brief circoscritto e di un piano di assegnazione, non di un’altra riunione che si conclude con una diplomatica non-risposta.\u003c\/p\u003e\n\u003ch3\u003eFunzionalità principali\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eRichieste vaghe come «ci servono dati migliori» o «possiamo usare l’AI per questo?» trasformate in problema, utente e metrica\u003c\/li\u003e\n      \u003cli\u003eAnalisi sviluppare o acquistare basata su tempo per ottenere valore, differenziazione, costo totale di proprietà e rischio di dipendenza dal fornitore\u003c\/li\u003e\n      \u003cli\u003eDebito relativo alla qualità dei dati valutato sulla stessa scala di prioritizzazione delle richieste di nuove funzionalità, anziché de-prioritizzato per impostazione predefinita\u003c\/li\u003e\n      \u003cli\u003eAllineamento degli stakeholder tra team che esplicita il vincolo reale di ciascun team e definisce una sequenza del piano in base a esso\u003c\/li\u003e\n      \u003cli\u003eMappe dello scenario e dell’assegnazione che indicano esattamente quale specialista è responsabile di ogni parte dell’iniziativa\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eCome usarlo\u003c\/h3\u003e\n\u003cp\u003eIncolla il file SKILL.md di Cassius nelle istruzioni del tuo progetto Claude (o nel prompt di qualsiasi sistema di AI), poi descrivi il tuo problema relativo alla gestione di prodotto per AI e dati. Funziona con Claude, ChatGPT e qualsiasi chat di AI. Si installa in meno di 2 minuti.\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 di ingegnere della qualità dei dati","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;\"\u003eInserisci Havard in Claude e ottieni un data reliability engineer che dota la pipeline di strumenti di monitoraggio, così i guasti silenziosi emergono prima che una dashboard comunichi dati falsi a un dirigente.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eHavard tratta la qualità dei dati come un'attività di ingegneria, non come un documento di policy: monitor di freschezza, volume, schema, distribuzione e lineage; progettazione dei test tra test dbt, Great Expectations e Soda; rilevamento delle anomalie sulle metriche invece di soglie statiche che tutti disattivano; contratti dei dati tra produttori e consumatori; risposta agli incidenti relativi ai dati con livelli di gravità, reperibilità e analisi del raggio d'impatto attraverso il lineage; SLA dei dati, SLO e budget di errore per le pipeline; analisi delle cause principali dei guasti silenziosi; strategia di backfill e rielaborazione; regolazione degli avvisi per ridurre l'affaticamento; e schede di valutazione della qualità che un responsabile aziendale leggerà davvero.\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;\"\u003eCosa ottieni\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\u003eMonitor di freschezza, volume, schema, distribuzione e lineage\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\u003eContratti dei dati e accordi tra produttori e consumatori\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 dei dati, SLO, budget di errore e gravità degli incidenti\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\u003eRegolazione degli avvisi, analisi delle cause principali e strategia di backfill\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Havard crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere di piattaforme dati 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;\"\u003eInserisci Yusra in Claude e ottieni un platform engineer che legge il profilo della query prima di ridimensionare qualsiasi cosa, perché un warehouse più grande è quasi sempre la soluzione sbagliata e più costosa.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eYusra gestisce direttamente il warehouse e il lakehouse: amministrazione di Snowflake, Databricks e Microsoft Fabric; dimensionamento di virtual warehouse e cluster, sospensione automatica e autoscaling; isolamento dei carichi di lavoro e concorrenza; layout dello storage, partizionamento, chiavi di clustering, Z-ordering e clustering dinamico; formati delle tabelle tra cui Delta, Iceberg e Hudi, con indicazione dei casi in cui ciascuno offre davvero i migliori risultati; ottimizzazione delle prestazioni delle query e caching dei risultati; gestione dei costi della piattaforma tramite attribuzione dei crediti, chargeback, avvisi di budget e capacità riservata rispetto a quella on demand; controllo degli accessi a livello di piattaforma con ruoli, autorizzazioni e policy su righe e colonne; Unity Catalog e livelli di metadati equivalenti; e disaster recovery con time travel e clonazione.\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;\"\u003eCosa ottieni\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\u003eDimensionamento di warehouse e cluster, isolamento e autoscaling\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\u003ePartizionamento, clustering, Z-order e scelta del formato delle tabelle\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\u003eAttribuzione dei crediti, chargeback, budget e capacità riservata\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 della piattaforma, policy di mascheramento e disaster recovery\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Yusra crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere del livello semantico","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;\"\u003eInserisci Taavi in Claude e ottieni un ingegnere del semantic layer che prima riconcilia i tre numeri contrastanti dei ricavi, poi fa sì che una sola definizione sia interrogabile da chiunque.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTaavi gestisce la definizione univoca di ogni metrica aziendale: implementazione del semantic layer tramite dbt Semantic Layer e MetricFlow, Cube e AtScale; specifiche delle metriche relative a granularità, filtri, dimensioni temporali, additività e misure non additive; coerenza dimensionale e dimensioni a variazione lenta nel contesto delle metriche; versionamento e deprecazione delle metriche; BI headless che fornisce la stessa metrica a ogni strumento downstream; governance di chi può modificare una definizione; riconciliazione passo dopo passo dei numeri contrastanti tra i team fino a chiudere la sequenza di riconciliazione; pushdown delle query e caching; e il percorso di migrazione da un insieme di query SQL hardcoded nelle dashboard a metriche governate.\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;\"\u003eCosa ottieni\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\u003eSpecifiche delle metriche: granularità, filtri, dimensioni temporali, additività\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\u003eRiconciliazione dei dati che risolve le discrepanze tra numeri contrastanti\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\u003eImplementazione di dbt Semantic Layer, MetricFlow e 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\u003eGestione delle versioni, deprecazione e controllo delle modifiche delle metriche\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Taavi costruisce la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere di piattaforme 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;\"\u003eInserisci Nikolina in Claude e ottieni un ingegnere di piattaforme ML che elimina il disallineamento tra addestramento e serving a livello di feature, invece di lasciare che ogni team lo riscopra in produzione.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNikolina crea la piattaforma su cui lavorano i team ML: feature store tra cui Feast, Tecton e Databricks Feature Store; progettazione di store offline e online; join corretti rispetto al momento e prevenzione del disallineamento tra addestramento e serving; versionamento, riutilizzo e individuazione delle feature; materializzazione e SLA di aggiornamento per le feature online; infrastruttura di serving dei modelli per inferenza batch, in tempo reale e in streaming; autoscaling, budget di latenza, pianificazione e costi delle GPU; tracciamento degli esperimenti e registro dei modelli come servizi della piattaforma anziché script specifici per ogni team; progettazione di piattaforme multi-tenant con percorsi predefiniti self-service; e un confine chiaro tra ciò di cui si occupa la piattaforma e ciò di cui è responsabile ogni team di prodotto.\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;\"\u003eCosa ottieni\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 store offline e online, con join corretti rispetto al momento\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\u003eRilevamento e prevenzione del disallineamento tra addestramento e serving\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\u003eInfrastruttura di serving: elaborazione batch, in tempo reale, streaming e pianificazione delle GPU\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eRegistro dei modelli, tracciamento degli esperimenti e percorsi predefiniti per ambienti 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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Nikolina crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere della rilevanza della ricerca","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;\"\u003eInserisci Vikram in Claude e ottieni un ingegnere della rilevanza della ricerca che crea il set di valutazione prima di toccare anche un solo boost, perché ottimizzare la rilevanza senza testarla è solo superstizione.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eVikram fa sì che la ricerca restituisca il risultato giusto: comprensione delle query con tokenizzazione, stemming, correzione ortografica, sinonimi, classificazione delle query e rilevamento dell’intento; recupero lessicale e ottimizzazione di BM25 in Elasticsearch, OpenSearch e Solr; recupero vettoriale e ibrido con fusione reciproca dei ranking; learning to rank, inclusa l’ingegneria delle feature, LambdaMART e i ranker neurali; valutazione della rilevanza con NDCG, MRR e precisione a k, liste di valutazione, valutatori umani e modelli dei clic; metriche online ed esperimenti di interleaving; bias di posizione e presentazione; limiti della personalizzazione; query senza risultati e query a coda lunga; faccettatura e filtri; e il compromesso concreto tra dimensioni dell’indice, latenza delle query e qualità.\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;\"\u003eCosa ottieni\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\u003eComprensione delle query: sinonimi, correzione ortografica, intento\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\u003eOttimizzazione di BM25 e recupero vettoriale e ibrido con RRF\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eLearning to rank e ranker neurali in produzione\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\u003eSet di valutazione NDCG e MRR, interleaving, correzione del bias dei 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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Vikram costruisce la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere del riconoscimento 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;\"\u003eInserisci Xiulan in Claude e ottieni un ingegnere del riconoscimento vocale che riporta il tasso di errore delle parole in base ad accento e condizioni, perché un singolo WER aggregato nasconde proprio gli utenti che stai deludendo.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eXiulan gestisce la modalità audio dall’inizio alla fine: riconoscimento vocale automatico con Whisper e i suoi successori, decodifica in streaming rispetto alla decodifica batch, misurazione del WER e ciò che nasconde, adattamento al dominio, vocabolario personalizzato e biasing contestuale; diarizzazione e identificazione dei parlanti; rilevamento dell’attività vocale; sintesi vocale e clonazione vocale nel rispetto dei vincoli di consenso; preelaborazione audio, inclusi ricampionamento, riduzione del rumore, cancellazione dell’eco e separazione dei canali; rilevamento di parole chiave e parole di attivazione; classificazione audio e rilevamento di eventi; pipeline di streaming in tempo reale con budget di latenza; e il problema dell’equità dovuto al fatto che la qualità del riconoscimento varia notevolmente in base ad accento e dialetto.\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;\"\u003eCosa ottieni\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\u003eOttimizzazione ASR: adattamento al dominio, vocabolario personalizzato, biasing\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eWER misurato in base ad accento, condizioni di rumore e parlante, non come valore aggregato\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\u003eDiarizzazione, identificazione dei parlanti, VAD e separazione dei canali\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\u003ePipeline di streaming, budget di latenza, TTS e limiti del consenso\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Xiulan crea la risposta. Include un esempio completo svolto, così puoi vedere esattamente cosa ottieni.\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 di analista delle previsioni delle serie temporali","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;\"\u003eInserisci Tenzin in Claude e ottieni uno scienziato delle previsioni che esegue prima la baseline naive e ti dirà chiaramente quando il modello costoso non l’ha superata.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTenzin considera il forecasting una disciplina a sé: baseline classiche, dalla naive e dalla naive stagionale fino a ETS e ARIMA o SARIMAX, e perché superano i modelli elaborati più spesso di quanto chiunque ammetta; previsioni gerarchiche e raggruppate con riconciliazione bottom-up, top-down e MinT; domanda intermittente con Croston e TSB; Prophet, approcci tabellari con gradient boosting e modelli deep come N-BEATS e il Temporal Fusion Transformer, indicando onestamente i costi; ingegneria delle variabili temporali per ritardi, finestre mobili, calendari, festività, promozioni e condizioni meteorologiche; backtesting con origine mobile e rischi di leakage; metriche di accuratezza, incluso il motivo per cui il MAPE non funziona con volumi bassi, oltre a WAPE, RMSSE e perdita pinball; bias delle previsioni; previsioni probabilistiche e intervalli di previsione; valore aggiunto delle previsioni rispetto a una baseline naive; e previsioni di consenso con il coinvolgimento umano.\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;\"\u003eCosa ottieni\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\u003eBaseline naive e stagionali, oltre al valore aggiunto delle previsioni\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\u003eRiconciliazione gerarchica e metodi per la domanda 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\u003eBacktesting con origine mobile e rischi di leakage\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eScelta delle metriche: WAPE, RMSSE, perdita pinball, bias, intervalli\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Tenzin crea la risposta. Include un esempio completo svolto, così puoi vedere esattamente cosa ottieni.\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 di analista dei test di incrementalità","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;\"\u003eInserisci Rhiannon in Claude e ottieni un analista della misurazione che confronta il modello con un esperimento reale prima di consentire a chiunque di riallocare il budget.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eRhiannon misura ciò che il marketing ha effettivamente causato: marketing mix modeling con adstock e carryover, curve di saturazione e rendimenti decrescenti, stagionalità e scomposizione della baseline, multicollinearità tra canali e MMM bayesiano con prior difendibili; esperimenti geografici e test su mercati abbinati; test di incrementalità tramite gruppi di controllo, test PSA, annunci fantasma e aumento delle conversioni; attribuzione e spiegazione del perché l’attribuzione last-click e multi-touch non funzionano con la perdita di privacy; triangolazione dell’MMM con esperimenti e attribuzione invece di affidarsi a uno solo di questi elementi; allocazione del budget in base al rendimento marginale anziché al ROAS aggregato; convalida dell’MMM tramite accuratezza su gruppi di controllo, calibrazione rispetto agli esperimenti e plausibilità dei coefficienti; e comunicazione dell’incertezza a un CMO che vuole un unico numero.\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;\"\u003eCosa ottieni\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, curve di saturazione e scomposizione della baseline\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eEsperimenti geografici, gruppi di controllo e incrementalità misurata tramite l’aumento delle conversioni\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\u003eCalibrazione dell’MMM sulla base degli esperimenti, non dell’attribuzione\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\u003eAllocazione del budget in base al ROI marginale, con incertezza dichiarata\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Rhiannon costruisce la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere di piattaforme dati dei clienti","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;\"\u003eInserisci Amadou in Claude e ottieni un identity engineer che misura la precisione della corrispondenza su coppie etichettate, perché un alto tasso di corrispondenza ottenuto con fusioni errate è peggiore dell'assenza totale di corrispondenza.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAmadou crea una visione a 360° dei clienti di cui le persone possono davvero fidarsi: progettazione del grafo delle identità, corrispondenza deterministica rispetto a probabilistica, regole di corrispondenza e chiavi di blocking scalabili, compromessi tra precisione e richiamo misurati su coppie etichettate anziché dichiarati, regole di sopravvivenza dei dati e dei record principali, aggregazioni a livello familiare e di account; architettura CDP basata su approcci nativi del data warehouse preconfigurati e compositi, raccolta degli eventi e collegamento delle identità tra stati anonimi e noti, gestione del consenso e delle preferenze, nonché propagazione della soppressione e delle eliminazioni a ogni sistema downstream; attivazione dei profili e reverse ETL verso piattaforme pubblicitarie e CRM; e una reportistica onesta del tasso di corrispondenza insieme al costo di una fusione errata.\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;\"\u003eCosa ottieni\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGrafo delle identità, chiavi di blocking, corrispondenza deterministica rispetto a probabilistica\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\u003ePrecisione e richiamo misurati su coppie etichettate\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\u003eSopravvivenza dei dati, record principali e aggregazioni a livello familiare\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\u003eConsenso, soppressione, propagazione delle eliminazioni e 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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installarlo\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Amadou crea la risposta. Include un esempio completo svolto, così puoi vedere esattamente cosa ottieni.\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 di ingegnere di grafi della conoscenza","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;\"\u003eInserisci Lucrezia in Claude e ottieni un’ingegnera dei grafi che ti dirà quando il tuo problema è un join, non un grafo, prima che tu acquisti un database a grafo.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLucrezia lavora con i dati come con un grafo: quando un grafo è davvero migliore di un database relazionale e quando chiaramente non lo è; grafi a proprietà con Neo4j e Cypher rispetto a RDF e SPARQL e il compromesso reale; progettazione di ontologie e tassonomie, modellazione di entità e relazioni e reificazione; risoluzione delle entità e disambiguazione all’interno di un grafo; pipeline di ingestione e aggiornamenti incrementali; algoritmi sui grafi applicati a percorsi, centralità, rilevamento delle comunità e similarità, e ciò per cui ciascuno è realmente utile; prestazioni delle query, supernodi e adiacenza senza indici; embedding dei grafi e GNN a livello pratico; recupero sui grafi per fornire un contesto alle risposte degli LLM; e visualizzazioni leggibili anche da chi non è ingegnere.\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;\"\u003eCosa ottieni\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\u003eGrafi e database relazionali: la decisione onesta, con l’alternativa dei join\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\u003eGrafi a proprietà e compromessi tra Cypher e RDF e 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\u003eProgettazione di ontologie, risoluzione delle entità e disambiguazione\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\u003eAlgoritmi sui grafi, supernodi, embedding e recupero basato sui grafi\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Lucrezia costruisce la risposta. Include un esempio completo svolto, così puoi vedere esattamente cosa ottieni.\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 di analista dei dati geospaziali","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;\"\u003eInserisci Oskari in Claude e ottieni un analista geospaziale che sostituisce il cerchio del raggio con una vera isocrona basata sui tempi di percorrenza e osserva scomparire metà del caso aziendale.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eOskari tratta la posizione come una dimensione di primo livello: sistemi di riferimento delle coordinate e proiezioni, oltre agli errori spesso impercettibili che derivano dal gestirli in modo errato; modelli di dati vettoriali e raster; funzioni geospaziali di PostGIS, GeoPandas e native dei data warehouse; join spaziali, buffer, isocrone e analisi dei tempi di percorrenza; qualità della geocodifica e della normalizzazione degli indirizzi; indicizzazione spaziale con R-tree, H3, S2 e geohash e sistemi a griglia per l’aggregazione; statistiche spaziali, tra cui autocorrelazione spaziale, I di Moran, analisi degli hotspot e i concetti di base del kriging; analisi delle aree di mercato e selezione dei siti; analisi dei percorsi e delle reti; scelte cartografiche fuorvianti, come le coroplete non normalizzate e una classificazione in intervalli errata; e il rischio per la privacy nei dati di localizzazione a grana fine.\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;\"\u003eCosa ottieni\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\u003eCorrettezza dei CRS e delle proiezioni, qualità della geocodifica\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\u003eJoin spaziali, buffer, isocrone e aree di mercato basate sui tempi di percorrenza\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\u003eIndicizzazione H3, S2 e geohash, oltre alle statistiche spaziali\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\u003eCartografia onesta e rischio per la privacy della posizione\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Oskari prepara la risposta. Include un esempio completo svolto, così puoi vedere esattamente cosa ottieni.\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 di responsabile dei dati e dell'analisi","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;\"\u003eInserisci Zenobia in Claude e ottieni una leader dei dati che organizza in sequenza il lavoro sulla piattaforma rispetto alla consegna, dice di no mettendolo agli atti e indirizza ogni flusso di lavoro a uno specialista designato.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eZenobia è il livello di coordinamento dell’intera funzione dati. Gestisce la strategia dei dati collegata ai risultati aziendali, il modello operativo centralizzato, integrato nei team e hub-and-spoke e il momento giusto per cambiarlo, la progettazione del team e la sequenza delle assunzioni, il business case per gli investimenti nella piattaforma e la scelta tra sviluppo interno e acquisto, la definizione delle priorità e la raccolta delle richieste di dati, il significato concreto del self-service e i suoi prerequisiti reali, l’approccio ai prodotti dati e le relative responsabilità, la misurazione del valore generato dal team dati, la gestione degli stakeholder e il rifiuto documentato del lavoro, i programmi di alfabetizzazione sui dati, la responsabilità a livello organizzativo per governance e privacy, il consolidamento di fornitori e strumenti e la roadmap che organizza in sequenza il lavoro fondamentale sulla piattaforma rispetto alla consegna di analisi visibili. Non costruisce nulla in autonomia: ogni flusso di lavoro viene affidato a uno specialista designato e torna indietro per una revisione.\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;\"\u003eCosa ottieni\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\u003eStrategia e modello operativo dei dati: centralizzato, integrato nei team e hub-and-spoke\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBusiness case per gli investimenti nella piattaforma, sviluppo interno o acquisto, consolidamento degli strumenti\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\u003eRaccolta delle richieste, definizione delle priorità e requisiti reali del self-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\u003eMisurazione del valore del team dati e definizione della sequenza della roadmap\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;\"\u003eInstallazione in meno di 2 minuti\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunziona con Claude, ChatGPT e qualsiasi 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;\"\u003eCome installare\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eScarica il pacchetto .skill → apri Claude → incolla SKILL.md nelle Istruzioni del progetto o nel prompt di sistema → descrivi il tuo requisito → Zenobia crea la risposta. Include un esempio completo e svolto, così puoi vedere esattamente cosa ottieni.\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 per Tableau","description":"\u003cp\u003eQuesta competenza per Claude\/ChatGPT ti aiuta a pianificare i dashboard di Tableau e a eseguire il debug dei campi calcolati prima o durante il lavoro nell’app: il tipo di grafico più adatto per ogni domanda, il layout del dashboard e il posizionamento dei filtri, oltre alla sintassi funzionante dei campi calcolati spiegata riga per riga.\u003c\/p\u003e\u003cp\u003eÈ particolarmente utile per le espressioni LOD, Fixed, Include ed Exclude, e per la classica confusione sull’ordine dei filtri, che fa sì che una formula apparentemente corretta restituisca il numero sbagliato. Incolla la formula e il risultato atteso rispetto a quello effettivo per ottenere una versione corretta con il relativo ragionamento, non solo una correzione.\u003c\/p\u003e\u003cp\u003eFunziona allo stesso modo sia in Claude sia in ChatGPT. Descrivi la domanda a cui deve rispondere il tuo dashboard oppure incolla il calcolo che non funziona e riceverai un piano operativo.\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 per Snowflake","description":"\u003cp\u003eQuesta competenza Claude\/ChatGPT funziona come assistente AI di Snowflake nel tuo lavoro quotidiano con i dati: scrive SQL Snowflake eseguibile con QUALIFY, FLATTEN e MERGE, le istruzioni CREATE STAGE, FILE FORMAT e COPY INTO per i caricamenti, definizioni Snowpipe, Streams e Tasks o Dynamic Tables per pipeline incrementali, gerarchie di ruoli con istruzioni GRANT e policy di mascheramento e accesso alle righe.\u003c\/p\u003e\u003cp\u003eConosce i warehouse e la fatturazione a crediti, il pruning delle micro-partizioni e il Query Profile, Time Travel, UNDROP e Zero-Copy Cloning, le viste ACCOUNT_USAGE per i costi, Snowpark e le stored procedure, oltre alle insidie come i Tasks che non vengono mai eseguiti perché nessuno li ha riattivati. Non opera direttamente su Snowflake; prepara l'SQL, i percorsi di clic in Snowsight e i controlli, così puoi eseguirli tu stesso.\u003c\/p\u003e\u003cp\u003eFunziona allo stesso modo in Claude, ChatGPT e Gemini. Un solo acquisto, scarica il file, installalo in meno di 2 minuti, poi fai le domande come le faresti a un senior data engineer accanto a te. Si abbina a \u003ca href=\"\/it\/products\/oleg-database-engineer\"\u003eOleg, Database Engineer\u003c\/a\u003e, la competenza-persona; questa è l'assistente interna a 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 per MATLAB","description":"\u003cp\u003eQuesta competenza per Claude\/ChatGPT funziona come programmatore affiancato AI per MATLAB durante il lavoro quotidiano: scrive funzioni .m complete con blocchi arguments, riscrive i cicli lenti con l’indicizzazione logica e l’espansione implicita, crea importazioni readtable e readtimetable con opzioni di importazione, produce figure tiledlayout con chiamate exportgraphics e spiega in parole semplici le scelte relative ai blocchi e ai solver di Simulink.\u003c\/p\u003e\u003cp\u003eConosce i tipi di dati di MATLAB (tabelle, timetable, array di celle e di struct, string rispetto a char), l’Editor e il Live Editor, il Profiler, parfor e i toolbox che probabilmente utilizzi più spesso, inoltre segnala quando una funzione dipende da un toolbox o da una determinata release. Non esegue il codice né apre MATLAB al posto tuo; prepara il codice, il percorso dei clic e la correzione, così puoi eseguirli nella Command Window.\u003c\/p\u003e\u003cp\u003eFunziona allo stesso modo in Claude, ChatGPT e Gemini. Un solo acquisto: scarica il file, installalo in meno di 2 minuti, poi incolla il tuo errore o descrivi i tuoi dati e ottieni nuovamente codice MATLAB funzionante. Si abbina a \u003ca href=\"\/it\/products\/leila-data-scientist\"\u003eLeila, Data Scientist\u003c\/a\u003e, la competenza dedicata alla persona; questa è l’assistente interna a 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 AI per statistici","description":"\u003cp\u003eQualcuno ti porge un foglio di calcolo e ti chiede se la differenza è reale. La risposta predefinita è un test t e un valore p, ma nella metà dei casi le ipotesi alla base di entrambi non sono rispettate. Un'intelligenza artificiale per la statistica rallenta il processo: qual era il disegno dello studio, cosa è stato randomizzato, quanti confronti stai eseguendo e quale entità della differenza cambierebbe davvero la tua decisione.\u003c\/p\u003e\u003cp\u003eChiede il disegno, la dimensione del campione e come sono stati raccolti i dati prima di scegliere un test, perché gli stessi numeri assumono significati diversi in uno studio randomizzato, in un panel di sondaggi e in un registro osservazionale. Ottieni la scelta del test con la motivazione, le verifiche delle ipotesi associate, la dimensione dell'effetto e l'intervallo di confidenza insieme al valore p, oltre alla correzione di Benjamini-Hochberg invece di quella di Bonferroni quando esamini venti endpoint. Non tratterà un valore p superiore a 0,05 come una prova dell'assenza di effetto, perché questa è un'affermazione sulla potenza statistica, non sul mondo reale.\u003c\/p\u003e\u003cp\u003eUn solo file, e funziona allo stesso modo in Claude, ChatGPT e Gemini. Paghi una volta, senza abbonamento; la configurazione richiede meno di due minuti.\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\/it\/collections\/data-ai-skills.oembed","provider":"KissMySkills","version":"1.0","type":"link"}