{"title":"Habilidades de Dados e AI","description":"\u003cp\u003eSkills de AI para profissionais de dados e AI. Especialistas prontos para uso em engenharia de dados, machine learning, ciência de dados, engenharia analítica, BI, arquitetura de dados, MLOps, engenharia de AI\/LLM, NLP, governança de dados e engenharia de prompt. Cada Skill vem com um exemplo prático real e orientações que priorizam o desenvolvimento e o versionamento de tudo.\u003c\/p\u003e","products":[{"product_id":"clara-data-analyst-ai-skill","title":"Clara - Skill de AI para Analista de Dados","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 Adicione Clara ao Claude e tenha uma analista de dados que transforma dados brutos em insights claros e acionáveis - definindo a pergunta analítica, avaliando a qualidade dos dados, produzindo análises exploratórias, escrevendo fórmulas de Excel e SQL, interpretando resultados estatísticos em linguagem simples e comunicando as descobertas como uma história clara, com um \"e daí?\" e uma ação recomendada.\n \u003c\/p\u003e\n \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n Clara é uma das ferramentas de dados de AI mais honestas em termos analíticos disponíveis no formato Claude - criada para equipes de marketing, áreas financeiras, analistas de HR, equipes de produto e estudantes de todos os setores em que os dados precisam se transformar em uma decisão. Ela nunca sugere causalidade a partir de correlação, sempre sinaliza ressalvas estatísticas e deixa explícitos os limites do que pequenas amostras, dados ausentes ou viés de seleção permitem concluir. Análises sem contexto dos dados produzem respostas erradas - ela sempre pergunta o que os dados contêm, como foram coletados e o que você está tentando responder antes de analisar um único número.\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eO que você recebe\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\u003eDefinição da pergunta analítica e avaliação da qualidade dos dados - formulação precisa da pergunta a partir de problemas de negócios ou pesquisa, verificações de completude e consistência dos dados, identificação do que pode e do que não pode ser respondido com os dados disponíveis e sinalização honesta das limitações antes do início da análise\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\u003eAnálise exploratória de dados - distribuições, tendências centrais, dispersão, detecção de valores atípicos e anomalias, identificação de valores ausentes, identificação de padrões e correlações e descobertas iniciais que mostram o que os dados realmente contêm antes de tirar conclusões\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\u003eOrientação sobre Excel, SQL, Python e R - criação de fórmulas no Excel e no Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, tabelas dinâmicas), criação e explicação de consultas SQL para SELECT, GROUP BY, JOIN e funções de agregação, operações com DataFrame e groupby do pandas em Python e estatísticas resumidas em R para dados de pesquisa\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\u003eInterpretação estatística em linguagem simples - valores de p, intervalos de confiança e tamanho da amostra explicados no contexto, distinção entre significância estatística e significância prática, correlação e causalidade diferenciadas sem exceção e resultados de testes A\/B interpretados corretamente para que as decisões sejam tomadas com base em evidências reais\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\u003eComunicação de insights - conclusões analíticas estruturadas como conclusão → evidência → implicação → ação, recomendações de visualização alinhadas ao tipo de dado e ao público e comentários sobre os dados escritos para que não analistas entendam o que os números significam e o que fazer em seguida\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\u003eAnálise específica por setor - dados de pesquisas (escalas Likert, tabelas cruzadas, viés de resposta), dados financeiros (tendências de receita, análise de margem, comentários sobre variações), análises de marketing (desempenho de campanhas, análise de funil, atribuição), análises de HR (resultados de pesquisas, retenção, número de funcionários) e dados de dissertações acadêmicas (estatísticas descritivas, interpretação de resultados)\u003c\/span\u003e\n \u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 clara-data-analyst-ai-skill.skill\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Baixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → compartilhe seus dados, descreva a questão de negócio e explique como os dados foram coletados → Clara define a questão e produz conclusões analíticas estruturadas instantaneamente.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57639969980680,"sku":"clara-data-analyst-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/clara-data-analyst-book.jpg?v=1787064988"},{"product_id":"serena-market-researcher-ai-skill","title":"Serena - Skill de IA para pesquisa de mercado","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 Insira Serena no Claude e obtenha uma Pesquisadora de Mercado que dimensiona mercados com metodologia transparente, cria personas de clientes, mapeia cenários competitivos, produz análises PESTLE e das Cinco Forças de Porter, elabora pesquisas com clientes e roteiros de entrevistas, e transforma os resultados da pesquisa em recomendações comerciais práticas.\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 A pesquisa de mercado sustenta todas as decisões empresariais importantes - entrar em um novo mercado, lançar um produto, definir preços ou redigir a seção de mercado de um plano de negócios para investidores. Serena é uma das ferramentas de pesquisa de mercado com metodologia mais transparente disponíveis no formato Claude - ela sempre explica como as estimativas de tamanho de mercado foram calculadas, porque um número de TAM sem metodologia não tem valor para uma tomada de decisão séria. Ela é honesta sobre as limitações e a atualidade dos dados, abrange o planejamento e a análise de pesquisas secundárias (pesquisa documental) e primárias, e atua em todos os setores que tenham clientes ou beneficiários.\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;\"\u003eO que você recebe\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 de mercado com metodologia - estimativas de TAM, SAM e SOM usando abordagens de cima para baixo e de baixo para cima, com a metodologia de cálculo explicada, avaliação da taxa de crescimento e das projeções do mercado, identificação dos principais segmentos e dimensionamento relativo, e estruturas da seção de mercado prontas para investidores\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 segmentação de clientes - personas de clientes criadas com base nas pesquisas e nos dados disponíveis, necessidades e pontos problemáticos mapeados usando a estrutura jobs-to-be-done, segmentação demográfica, comportamental e psicográfica, e análise do processo de tomada de decisão dos clientes\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnálise do setor e de tendências - análise PESTLE (Política, Econômica, Social, Tecnológica, Legal e Ambiental) para avaliação do macroambiente, análise da intensidade competitiva pelas Cinco Forças de Porter, identificação de tendências emergentes, síntese de relatórios setoriais da Euromonitor, IBISWorld, Statista e GWI, e análise do ambiente regulatório e de políticas públicas\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\u003ePlanejamento de pesquisa primária - questionários de pesquisa com clientes elaborados para responder a questões de negócios específicas, roteiros de discussão para entrevistas e estruturas de perguntas de sondagem, planejamento de grupos focais e orientação sobre estratégia de amostragem, abrangendo quem pesquisar e quantas pessoas são necessárias para obter resultados estatisticamente significativos\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnálise de pesquisa primária - análise de resultados de pesquisas (distribuições, tabelas cruzadas, padrões), síntese de temas de entrevistas e transcrições, extração de insights qualitativos e tradução dos resultados da pesquisa em recomendações comerciais específicas, em vez de listas de observações\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\u003eRelatórios e resultados de pesquisa de mercado - relatórios de visão geral do mercado, perfis de segmentos de clientes, estruturas de pesquisa de NPS e satisfação do cliente, estruturas de acompanhamento de marca e mapas do cenário competitivo adequados para estratégia interna, planos de negócios ou apresentações para investidores\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Baixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva o mercado, a questão de negócios ou o desafio de pesquisa → a Serena produz inteligência de mercado fundamentada em evidências instantaneamente. Verifique diretamente os números atuais do mercado - os dados de mercado ficam desatualizados rapidamente.\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\/\/ Bônus: modelo de prompt incluído\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Esta skill agora inclui o prompt independente de \u003cstrong\u003eRelatório de Pesquisa de Mercado com AI\u003c\/strong\u003e (antes vendido separadamente) - um modelo único, pronto para copiar e colar, que abrange visão geral do mercado, dimensionamento de TAM\/SAM\/SOM com metodologia, segmentação, tendências, perfis de 2-4 personas de clientes e cenário competitivo, com sinalizadores [VERIFY] em todas as afirmações sobre o tamanho do mercado. Use-o para um relatório rápido e pontual quando você não precisar do escopo completo de pesquisa primária da Serena.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57640050655496,"sku":"serena-market-researcher-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/serena-market-research-book.jpg?v=1787064988"},{"product_id":"finn-competitive-intelligence-ai-skill","title":"Finn - Skill de IA para inteligência 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 Insira Finn no Claude e obtenha um analista de Inteligência Competitiva que cria perfis de concorrentes, mapeia cenários competitivos, compara posicionamento e preços, analisa avaliações de produtos e publicidade, cria battlecards competitivos para equipes de vendas e transforma a observação de concorrentes em insights estratégicos - a pergunta nunca é \"o que o concorrente diz?\", mas \"o que isso significa e o que devemos fazer a respeito?\"\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 Inteligência competitiva não é espionagem corporativa - é a prática disciplinada de coletar, analisar e aplicar informações públicas obtidas eticamente sobre o ambiente competitivo para tomar decisões melhores. Finn é uma das ferramentas de inteligência competitiva baseadas em AI mais analíticas estrategicamente disponíveis no formato Claude - criada para equipes de estratégia, gerentes de produto, líderes de vendas e profissionais de marketing de todos os setores que competem. Um perfil de concorrente que apenas descreve o site da empresa não é IC. Finn sempre busca a camada analítica: o que isso nos diz e o que devemos fazer com isso?\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;\"\u003eO que você recebe\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\u003ePerfis de concorrentes e mapas do cenário competitivo - perfis abrangentes de concorrentes que abrangem posicionamento, públicos-alvo, pontos fortes e fracos, mapeamento de concorrentes diretos e indiretos, identificação de concorrentes emergentes e o espaço de posicionamento que nenhum concorrente reivindica atualmente\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\u003eAnálise de posicionamento competitivo - comparações de proposta de valor e mensagens, mapas de posicionamento nos principais eixos de diferenciação, avaliação da percepção da marca e da reputação competitiva, além de análises SWOT de concorrentes específicos que vão além da descrição e chegam à implicação estratégica\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\u003eInteligência de produtos e recursos - matrizes de comparação de recursos competitivos, monitoramento de sinais de atualizações e roadmap de produtos a partir de vagas de emprego e comunicados à imprensa, análise de temas em avaliações do G2, Trustpilot, Capterra e App Store, identificando o que os clientes adoram e detestam nos concorrentes\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\u003eInteligência de preços e comercial - pesquisa da estrutura de preços dos concorrentes, análise de estratégias de preços freemium, premium e baseadas em valor, detecção de alterações nas páginas de preços, estruturas de comparação de preços e sinais de flexibilidade comercial presentes em termos públicos e documentação voltada aos clientes\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eInteligência de marketing e conteúdo - análise da estratégia de conteúdo e do posicionamento em SEO dos concorrentes, análise de publicidade na Meta Ad Library e no Google Ads Transparency, padrões de atividade e engajamento nas redes sociais, temas de liderança de pensamento e monitoramento de eventos e parcerias\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eBattlecards competitivos e inteligência de vendas - battlecards para equipes de vendas, abrangendo como se posicionar contra concorrentes específicos, estruturas de análise de ganhos e perdas, respostas a objeções competitivas, narrativas de diferenciação para cenários competitivos específicos e estruturas de \"como vencer [competitor]\" desenvolvidas com base em evidências publicamente disponíveis\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Baixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do seu projeto ou no prompt do sistema → informe os concorrentes, descreva seu setor e diga ao Finn qual decisão a inteligência precisa apoiar → ele produz instantaneamente uma análise estratégica baseada em insights. Todas as informações vêm apenas de fontes publicamente disponíveis e obtidas de forma ética. Verifique os principais fatos diretamente antes de agir.\n \u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":57640060354824,"sku":"finn-competitive-intelligence-ai-skill","price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/finn-competitive-intel-book.jpg?v=1787064989"},{"product_id":"mira-text-sentiment-analyst-ai-skill","title":"Mira - Skill de IA especialista em análise de sentimentos","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 Adicione Mira ao Claude e obtenha uma Analista de Texto e Sentimentos que identifica temas, codifica dados qualitativos, avalia sentimentos por tópico e intensidade, analisa avaliações de clientes, processa transcrições de entrevistas e fundamenta cada descoberta com exemplos específicos do texto - sem exigir que você conheça NLP ou Python.\n \u003c\/p\u003e\n \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n Os dados textuais raramente são uniformemente positivos ou negativos - clientes que adoram o produto, mas odeiam a entrega; funcionários que valorizam os colegas, mas não gostam da gestão. Mira é uma das ferramentas de análise de texto por AI com mais evidências disponíveis no formato Claude - ela nunca afirma um tema ou sentimento sem mostrar de onde ele vem nos dados. Toda afirmação exige 3-5 exemplos específicos do texto-fonte. Ela explica a metodologia analítica utilizada (análise temática, pontuação de sentimentos, análise de conteúdo) para que as descobertas sejam compreendidas, e não apenas aceitas, e identifica o que está ausente em um texto com a mesma clareza com que identifica o que está presente.\n \u003c\/p\u003e\n \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eO que você recebe\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\u003eAnálise de sentimentos com exemplos - avaliação geral de sentimentos positivos, negativos, neutros e mistos, sentimentos por tópico e tema dentro de um documento, classificação de intensidade (fortemente negativo versus levemente negativo), identificação do tom emocional (raiva, satisfação, frustração, encantamento) e sentimento de avaliações de clientes detalhado por produto, serviço ou atributo\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnálise temática - temas recorrentes identificados e codificados sistematicamente usando a metodologia de Braun \u0026amp; Clarke, hierarquias de temas construídas (temas e subtemas), proeminência e frequência avaliadas, e codificação a priori versus emergente aplicada dependendo de a estrutura analítica ser preexistente ou gerada a partir dos dados\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\u003eAnálise de dados de pesquisa qualitativa - análise de transcrições de entrevistas e grupos focais, codificação temática em várias entrevistas, identificação de padrões, síntese das principais descobertas em um formato de relatório estruturado e apresentação de descobertas de pesquisa qualitativa como uma análise publicável, com evidências citadas\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\u003eAnálise de feedback de clientes e funcionários - análise de comentários abertos de NPS, detalhamento de respostas verbatim de CSAT, análise de respostas abertas de pesquisas com funcionários, sentimento em comentários de redes sociais e identificação de temas em avaliações de clientes, com citações específicas apoiando cada descoberta\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\u003eAnálise de conteúdo e discurso - análise da frequência de termos e frases-chave, identificação do enquadramento de temas (como um assunto é apresentado, não apenas o que é dito), identificação de técnicas persuasivas e retóricas, análise da linguagem e do tom da marca e identificação do que está ausente em um texto, assim como do que está presente\u003c\/span\u003e\n \u003c\/li\u003e\n \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n \u003cspan\u003eAnálise de texto aplicada em diversos setores - análise de cobertura da mídia e da imprensa, análise de linguagem política e de políticas públicas, revisão de contratos e linguagem jurídica, análise de comunicações da concorrência e criação de estruturas analíticas e estratégias de amostragem para grandes conjuntos de dados que excedem o que pode ser processado diretamente em uma única sessão\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n Baixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → cole o texto, as avaliações, as transcrições ou os feedbacks que precisam ser analisados → Mira identifica temas, avalia o sentimento e produz descobertas com evidências citadas instantaneamente. Cole o conteúdo diretamente - para conjuntos de dados muito grandes, ela cria a estrutura analítica e a abordagem de amostragem.\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 de AI para Engenheira de Dados","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;\"\u003eAdicione Elena ao Claude e tenha uma engenheira de dados sênior que projeta pipelines que não quebram às 2h da manhã, modelos de dados em que os analistas podem confiar e data warehouses otimizados para parar de desperdiçar dinheiro.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eElena trabalha com ELT em primeiro lugar: testado, idempotente e documentado. Pipelines em lote e de streaming, modelagem com dbt e SQL (dimensional e Data Vault), ingestão e CDC, orquestração (Airflow\/Dagster\/Prefect), data warehouses (Snowflake\/BigQuery\/Databricks\/Redshift), testes e contratos de qualidade de dados, particionamento e formatos de arquivo (Parquet\/Iceberg\/Delta), linhagem e otimização de custos. Sempre desenvolva com base em uma amostra em dev\/staging, versionando tudo e validando antes da produção.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePipelines em lote e de streaming idempotentes e testados\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\u003eModelagem dimensional e Data Vault; dbt e SQL para data warehouses\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\u003eOrquestração (Airflow\/Dagster\/Prefect), ingestão 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\u003eTestes e contratos de qualidade de dados; particionamento, formatos e otimização de custos\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva seu requisito → a Elena cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\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 de AI para Engenheiro de 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;\"\u003eAdicione Arjun ao Claude e tenha um engenheiro sênior de ML que cria modelos sem vazamento, valida-os com honestidade e os coloca em produção.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eArjun estrutura o problema, cria atributos sem vazamento, escolhe o modelo certo (modelos lineares, ensembles de árvores como XGBoost\/LightGBM, redes neurais), valida com validação cruzada adequada e métricas honestas em comparação com uma linha de base, ajusta hiperparâmetros, calibra e disponibiliza o modelo de forma reproduzível. Sempre valide em uma amostra separada no ambiente de desenvolvimento ou staging, versione os dados, o código e os modelos e faça uma revisão antes da produção.\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;\"\u003eO que você recebe\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\u003eEngenharia de atributos com prevenção de vazamento\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\u003eEscolha do modelo: modelos lineares, ensembles de árvores (XGBoost\/LightGBM), redes neurais\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\u003eValidação cruzada, métricas honestas em comparação com linhas de base, calibração\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAjuste de hiperparâmetros, reprodutibilidade e disponibilização de modelos\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 arjun-ml-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva seu requisito → Arjun cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que vai receber.\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 de AI para Cientista de Dados","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;\"\u003eAdicione Leila ao Claude e tenha uma cientista de dados sênior que estrutura a pergunta, executa as estatísticas certas e projeta testes A\/B que oferecem respostas confiáveis.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLeila estrutura problemas de negócio, realiza EDA rigorosa, aplica as estatísticas e os testes de hipótese corretos, projeta e analisa testes A\/B (poder estatístico, tamanho da amostra, salvaguardas, SRM), cria modelos de regressão e classificação, raciocina sobre causalidade e comunica a decisão. Sempre valide as suposições em uma amostra representativa, versione a análise e revise-a antes de agir em produção.\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;\"\u003eO que você recebe\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\u003eDefinição do problema, EDA e o teste estatístico adequado\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\u003eTestes A\/B: poder estatístico, tamanho da amostra, salvaguardas, análise honesta dos resultados\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\u003eModelagem de regressão e classificação\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eFundamentos de inferência causal e comunicação com stakeholders\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva sua necessidade → Leila cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\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 de AI para Engenheiro de Analytics","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;\"\u003eColoque o Bram no Claude e tenha um engenheiro de analytics sênior que cria modelos dbt testados e documentados e marts dimensionais na moderna stack de dados.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Bram cria a camada de transformação: modelos dbt (staging → intermediário → marts), fontes e atualização, testes, snapshots (SCD2), macros e Jinja, modelos incrementais com a estratégia certa, exposições e a camada semântica, modelagem dimensional (Kimball) e CI\/CD para analytics. Sempre crie em um ambiente de desenvolvimento, execute os testes do dbt, versione no git e faça uma revisão antes de promover para produção.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eModelos dbt: staging → intermediário → marts, fontes, atualização\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\u003eTestes, snapshots (SCD2), macros 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\u003eModelos incrementais com a estratégia certa\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\u003eModelagem dimensional Kimball e CI\/CD para 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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva seu requisito → o Bram cria a resposta. Inclui um exemplo completo para você ver exatamente o que receberá.\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 de AI para Analista de Dados de Negócios","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;\"\u003eAdicione a Chiara ao Claude e tenha uma analista de dados sênior que transforma uma pergunta vaga em uma resposta SQL precisa, com a métrica definida e as ressalvas declaradas.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eA Chiara transforma uma pergunta de negócio em uma consulta, escreve SQL com joins, CTEs e funções de janela, define métricas com precisão para evitar dupla contagem, executa análises de coortes\/retenção, funil e segmentação, cria dashboards claros e comunica a resposta com ressalvas. Sempre valida a lógica das consultas comparando-as com totais conhecidos em uma amostra e documenta a métrica antes de compartilhá-la.\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;\"\u003eO que você recebe\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\u003eProfundidade em SQL: joins, CTEs, funções de janela, lógica de datas\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\u003eDefinições de métricas sem dupla contagem\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\u003eAnálise de coortes\/retenção, funil e segmentação\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\u003eDashboards claros e comunicação com ressalvas\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva sua necessidade → a Chiara cria a resposta. Inclui um exemplo completo para você ver exatamente o que vai receber.\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 de AI para Desenvolvedor de 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;\"\u003eAdicione Tobias ao Claude e obtenha um desenvolvedor sênior de BI que cria modelos do Power BI em esquema estrela, escreve DAX correto e protege relatórios com segurança em nível de linha.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTobias cria soluções de BI no Power BI (com conhecimento de Tableau e Looker): modelos semânticos em esquema estrela, DAX (contexto de filtro e de linha, CALCULATE, inteligência de tempo), transformações do Power Query (M), relacionamentos e cardinalidade, segurança em nível de linha, otimização de desempenho do VertiPaq e design claro de relatórios. Sempre desenvolva com base em um conjunto de dados de desenvolvimento, valide as medidas com totais conhecidos, versione o relatório e faça uma revisão antes de publicá-lo em produção.\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;\"\u003eO que você recebe\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\u003eModelagem semântica em esquema estrela e relacionamentos\/cardinalidade\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDAX: contexto de filtro e de linha, CALCULATE, inteligência de tempo\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\u003eTransformações do 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\u003eSegurança em nível de linha e otimização de desempenho do 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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT \u0026amp; qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva seu requisito → Tobias cria a resposta. Inclui um exemplo completo para você ver exatamente o que vai receber.\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 de AI para Arquiteta de Dados","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;\"\u003eAdicione a Freya ao Claude e tenha uma arquiteta de dados que projeta arquiteturas de lakehouse e data warehouse com trade-offs reais, não jargões.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eA Freya projeta arquiteturas de dados com decisões e trade-offs: data warehouse vs. data lake vs. lakehouse vs. mesh, modelagem (Kimball, Data Vault), formatos de tabela (Parquet\/Iceberg\/Delta\/Hudi), batch vs. streaming, ingestão e CDC, o padrão medalhão, governança, segurança e custos. Ela registra a decisão. Sempre faça um protótipo em uma amostra representativa no ambiente de desenvolvimento, estime os custos e analise os trade-offs antes de definir uma arquitetura de produção.\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;\"\u003eO que você recebe\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\u003ePadrões: 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\u003eModelagem (Kimball, Data Vault) e o padrão medalhão\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eFormatos de tabela (Parquet\/Iceberg\/Delta\/Hudi), batch vs. 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\u003eGovernança, segurança, custos e seleção de ferramentas com trade-offs\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva seu requisito → a Freya cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\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 de AI para Engenheiro de 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;\"\u003eAdicione o Emre ao Claude e tenha um engenheiro sênior de MLOps que coloca modelos em produção com acompanhamento, um registro, monitoramento e um caminho de rollback.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Emre operacionaliza ML: acompanhamento de experimentos e registro de modelos (MLflow), CI\/CD para ML, feature stores, empacotamento e serviço de modelos (em lote, em tempo real, contêineres, Kubernetes), pipelines reproduzíveis com versionamento de dados\/código\/modelos (DVC), monitoramento de drift e qualidade dos dados, retreinamento automatizado e implantações shadow\/canário com rollback. Sempre valide em staging com shadow\/canário antes da implementação completa, versione tudo, monitore o drift e mantenha um caminho de rollback.\u003c\/p\u003e\n \u003cdiv style=\"background: #F8EAF4; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #C13AAE; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eO que você recebe\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\u003eAcompanhamento de experimentos e registro de modelos (MLflow)\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eCI\/CD para ML, feature stores e pipelines reproduzíveis\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\u003eServiço (em lote, em tempo real, contêineres, 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\u003eMonitoramento de drift e qualidade, retreinamento e rollback shadow\/canário\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva seu requisito → o Emre cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\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 de AI para Engenheiro de 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;\"\u003eAdicione a Sora ao Claude e tenha uma engenheira de AI sênior que cria aplicações de RAG e LLM prontas para produção, com recuperação, evals e guardrails, não demonstrações.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eA Sora cria aplicações de LLM e GenAI: geração aumentada por recuperação (divisão em chunks, embeddings, bancos de dados vetoriais, recuperação híbrida e reclassificação), engenharia de prompts para aplicações, saída estruturada e chamadas de ferramentas, Agents e orquestração, avaliação (conjuntos de evals offline, LLM-as-judge, fundamentação), guardrails, cache e otimização de custo\/latência. Sempre avalie com um conjunto de evals separado em desenvolvimento\/staging, adicione guardrails, versione prompts e configurações e revise a fundamentação e a segurança antes de disponibilizar em produção.\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;\"\u003eO que você recebe\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: divisão em chunks, embeddings, bancos de dados vetoriais, recuperação híbrida e reclassificação\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrompting, saída estruturada e chamadas de ferramentas\/funções\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, orquestração e cache\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eEvals (fundamentação, LLM-as-judge), guardrails, custo\/latência\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva sua necessidade → a Sora cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\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 de AI para Engenheira de 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;\"\u003eAdicione Aditi ao Claude e tenha uma engenheira sênior de NLP que cria pipelines de classificação de texto e NER, ajusta transformers e os avalia com honestidade.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eAditi cria soluções de NLP: classificação de texto, reconhecimento de entidades nomeadas, rotulagem de sequências, análise de sentimento e similaridade semântica, tokenização e pré-processamento, embeddings, transformers e ajuste fino (Hugging Face), aprendizado por transferência, avaliação (precisão\/revocação\/F1, macro vs. micro, matrizes de confusão, BLEU\/ROUGE), desequilíbrio de classes e rotulagem, além da escolha entre abordagens clássicas e LLM. Sempre avalie em um conjunto de teste separado em desenvolvimento\/staging, verifique a existência de vazamento e viés, versione dados e modelos e faça uma revisão antes da produção.\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;\"\u003eO que você recebe\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\u003eClassificação, NER, rotulagem de sequências e similaridade\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\u003eTokenização, embeddings e ajuste fino de transformers (Hugging Face)\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAvaliação: precisão\/revocação\/F1, macro vs. micro, matrizes de confusão\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\u003eDesequilíbrio de classes, rotulagem e a escolha entre abordagens clássicas 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;\"\u003eInstalação em menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva sua necessidade → Aditi cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\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 de AI para Líder de Governança de Dados","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;\"\u003eAdicione o Magnus ao Claude e obtenha um líder sênior de governança de dados que redige contratos de dados, implementa verificações de qualidade e classifica PII da maneira correta.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Magnus cria governança de dados: catálogos de dados e metadados, linhagem, dimensões e verificações de qualidade de dados (completude, validade, unicidade, atualidade), contratos de dados, dados mestres e de referência, privacidade e conformidade (GDPR\/CCPA, classificação de PII, retenção, RBAC\/ABAC), gestão e responsabilidade, além de métricas de governança. Sempre pilote os controles em uma amostra em um ambiente que não seja de produção, valide as verificações com dados conhecidos, versione os contratos e faça uma revisão antes de aplicá-los em produção.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eCatálogo de dados, metadados e linhagem\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\u003eDimensões e verificações de qualidade de dados com limites\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eContratos de dados, dados mestres e de referência\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\u003ePrivacidade\/conformidade (GDPR\/CCPA), classificação de PII, RBAC\/ABAC\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 magnus-data-governance.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva sua necessidade → o Magnus cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\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 de AI para Engenheiro de Prompts","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;\"\u003eColoque o Noor no Claude e tenha um engenheiro de prompts sênior que projeta, testa e versiona prompts para produção com um sistema de avaliação, não com base em achismos.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eNoor desenvolve prompts para produção: padrões de prompt (zero-shot e few-shot, chain-of-thought, decomposição), design de prompts de sistema, saída estruturada\/JSON com validação de esquema, prompts conscientes da recuperação e de chamada de ferramentas, avaliação e testes de prompts (conjuntos de avaliação, testes de regressão, LLM-as-judge, rubricas), versionamento de prompts, otimização de tokens\/custo e latência, além de proteções e resistência a jailbreaks. Sempre teste os prompts em relação a um conjunto de avaliação no desenvolvimento\/homologação, versione os prompts, adicione proteções e revise a qualidade e a segurança antes de publicar.\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;\"\u003eO que você recebe\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\u003ePadrões de prompt: few-shot, chain-of-thought, decomposição\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\u003eSaída estruturada\/JSON e validação de esquema\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(193,58,174,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#C13AAE; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAvaliação de prompts: conjuntos de avaliação, LLM-as-judge, rubricas, regressão\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\u003eVersionamento, otimização de custo\/latência e proteções\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #C13AAE; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#C13AAE; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva sua necessidade → o Noor cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\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 - Engenheiro de Dados de Streaming Skill de AI","description":"\u003ch2\u003eEngenheiro de Dados de Streaming Sênior que trata os pipelines em tempo real como uma disciplina distinta, não como processamento em lote executado mais rapidamente.\u003c\/h2\u003e\n\u003cp\u003eBartosz cobre toda a superfície dos pipelines em tempo real: design de clusters e tópicos do Kafka e do Flink, trade-offs entre processamento exatamente uma vez e pelo menos uma vez, registro e evolução de esquemas (Avro\/Protobuf), estratégia de grupos de consumidores e partições, monitoramento de backpressure e atraso dos consumidores, padrões de ingestão de streaming para o data warehouse (CDC, Kafka Connect, inserções de streaming) e design de jobs de processamento de streams (janelamento, marcas d'água, agregação com estado).\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEngenheiros de dados, líderes de plataforma e responsáveis por pipelines de streaming que precisam de design de tópicos do Kafka\/Flink, garantias de processamento e monitoramento de atrasos vinculados a requisitos reais de atualização e ordenação, não a um padrão copiado e colado.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDesign de tópicos, partições e garantias de processamento do Kafka\/Flink mapeado ao custo real de duplicações\/perdas\u003c\/li\u003e\n      \u003cli\u003eVerificações de compatibilidade do registro de esquemas que detectam uma quebra em um consumidor downstream, não apenas uma aprovação no registro\u003c\/li\u003e\n      \u003cli\u003eMonitoramento do atraso dos consumidores e de backpressure por partição, não um atraso agregado enganoso\u003c\/li\u003e\n      \u003cli\u003ePadrão de ingestão com CDC, Kafka Connect ou inserções de streaming escolhido conforme a necessidade de atualização e volume\u003c\/li\u003e\n      \u003cli\u003eDesign de recuperação de janelamento, marcas d'água e checkpoints\/savepoints verificado antes de entrar em produção\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md de Bartosz nas instruções do seu projeto Claude (ou no prompt de qualquer sistema de AI) e descreva seu problema de Engenharia de Dados de Streaming. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106050312,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/bartosz-streaming-book.jpg?v=1787064993"},{"product_id":"fenna-dataops-pipeline-orchestration-engineer","title":"Fenna - Engenheiro de DataOps Skill de AI","description":"\u003ch2\u003eEngenheiro(a) sênior de DataOps \/ Orquestração de Pipelines que trata a orquestração como uma disciplina de confiabilidade, não apenas como agendamento.\u003c\/h2\u003e\n\u003cp\u003eFenna cobre toda a superfície da orquestração de pipelines: design de DAGs no Airflow e no Dagster, gerenciamento de dependências entre DAGs e equipes, estratégia de backfill, definição de SLAs e alertas de violação, testes de pipeline (testes de contratos de dados, verificações de atualização), escalabilidade do orquestrador (pools de workers, escolha do executor) e observabilidade e linhagem dos pipelines.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de plataforma de dados e responsáveis pela orquestração que precisam de mapas de dependências de DAGs, runbooks de backfill e definições de SLA baseadas na atualização real dos dados, não em painéis de duração de tarefas que parecem normais enquanto a tabela voltada ao negócio está desatualizada.\u003c\/p\u003e\n\u003ch3\u003ePrincipais recursos\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eMapeamento explícito de dependências entre DAGs e equipes, incluindo dependências implícitas que ninguém documentou\u003c\/li\u003e\n      \u003cli\u003eRunbooks de backfill que verificam a idempotência antes de aprovar qualquer nova execução ou plano de reprocessamento\u003c\/li\u003e\n      \u003cli\u003eEspecificações de SLA baseadas na atualização, ancoradas no momento em que os dados são realmente consumidos, não no tempo de execução da tarefa\u003c\/li\u003e\n      \u003cli\u003eTestes de contratos de dados e de atualização integrados ao DAG, para que uma execução com dados inválidos falhe de forma visível\u003c\/li\u003e\n      \u003cli\u003ePlanos de escalabilidade de executores e pools de workers mapeados ao volume real de DAGs\/tarefas e ao tempo de análise do scheduler\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md da Fenna nas instruções do seu projeto no Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de DataOps e Orquestração de Pipelines. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106148616,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/fenna-dataops-book.jpg?v=1787064993"},{"product_id":"aurelio-data-modeler-warehouse-architect","title":"Aurelio - Arquiteto de Data Warehouse Skill de AI","description":"\u003ch2\u003eModelador de Dados Sênior e Arquiteto de Data Warehouse que registra por escrito a granularidade de uma tabela de fatos antes de desenhar uma única tabela.\u003c\/h2\u003e\n\u003cp\u003eAurelio abrange toda a área de esquemas e modelagem: design de esquemas estrela versus floco de neve, trade-offs entre as metodologias Kimball e Data Vault, design de dimensões que mudam lentamente (SCD tipos 1\/2\/3), decisões sobre a granularidade de fatos e dimensões e escolhas de esquemas físicos para Snowflake, BigQuery ou Redshift, como chaves de clusterização, estratégia de particionamento e estilo de distribuição, visando custo e desempenho.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEngenheiros de analytics, arquitetos de data warehouse e líderes de BI que precisam de um esquema estrela, uma estratégia de SCD ou uma chave de clusterização\/particionamento associada a uma métrica de bytes processados ou custo, e não a uma prática recomendada genérica.\u003c\/p\u003e\n\u003ch3\u003ePrincipais recursos\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDeclaração explícita da granularidade da tabela de fatos antes de qualquer decisão sobre medidas ou junções\u003c\/li\u003e\n      \u003cli\u003eDesign de SCD Tipo 1\/2\/3 escolhido por atributo, nunca definido como Tipo 1 por conveniência\u003c\/li\u003e\n      \u003cli\u003eDesign de junções com chaves substitutas para que fatos históricos sejam associados à linha da dimensão válida no momento da transação\u003c\/li\u003e\n      \u003cli\u003eChave de clusterização, estratégia de particionamento ou estilo de distribuição alinhado ao padrão de consulta dominante real\u003c\/li\u003e\n      \u003cli\u003eAuditorias de junções com multiplicação de linhas e armadilha do chasm que detectam uma contagem duplicada ou perda de linhas antes da implantação\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md do Aurelio nas instruções do seu projeto no Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de Modelagem de Dados e Arquitetura de Data Warehouse. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106181384,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/aurelio-warehouse-book.jpg?v=1787064993"},{"product_id":"xiomara-computer-vision-engineer","title":"Xiomara - Engenheiro de Visão Computacional Skill de AI","description":"\u003ch2\u003eEngenheira sênior de visão computacional que verifica o desempenho por classe antes de confiar em uma métrica de validação que parece saudável na média.\u003c\/h2\u003e\n\u003cp\u003eXiomara abrange toda a superfície do modelo de visão: seleção de arquitetura (CNN versus transformador de visão, escolha do framework de detecção), estratégia de anotação e controle de qualidade, design de aumento de dados, métricas de avaliação para detecção e segmentação (mAP, IoU, precisão-revocação por classe), inferência na borda versus na nuvem e orçamentos de latência, além do diagnóstico de desbalanceamento de classes ou mudança de domínio em um conjunto de dados de visão.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de ML que colocam modelos de classificação, detecção ou segmentação em produção em câmeras ou dispositivos e precisam tomar decisões de arquitetura, anotação e implantação com base no custo real de uma falha, não em um destaque de benchmark.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eEscolha entre arquitetura CNN, transformador de visão ou híbrida, mapeada ao volume real de dados e ao orçamento de latência\u003c\/li\u003e\n      \u003cli\u003eEspecificação de anotação, conjunto de referência padrão-ouro e limiar de concordância entre anotadores antes da rotulagem em escala\u003c\/li\u003e\n      \u003cli\u003eAvaliação de mAP\/IoU\/precisão-revocação por classe que revela uma pontuação quase zero em uma classe rara, ocultada em uma métrica agregada\u003c\/li\u003e\n      \u003cli\u003ePipeline de aumento de dados direcionado a uma lacuna identificada entre os dados de treinamento e as condições de produção\u003c\/li\u003e\n      \u003cli\u003ePlano de implantação na borda versus na nuvem, com latência e precisão validadas no hardware-alvo real\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md da Xiomara nas instruções do seu projeto no Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de engenharia de visão computacional. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106902280,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/xiomara-vision-book.jpg?v=1787064993"},{"product_id":"kwesi-recommender-systems-engineer","title":"Kwesi - Engenheiro de Sistemas de Recomendação Skill de AI","description":"\u003ch2\u003eEngenheiro Sênior de Sistemas de Recomendação que audita o ciclo de feedback entre recomendações e comportamento antes de considerar um modelo saudável.\u003c\/h2\u003e\n\u003cp\u003eKwesi cobre toda a área de modelagem de recomendações: seleção de modelos de filtragem colaborativa versus baseada em conteúdo versus híbrida, arquitetura de geração de candidatos e classificação em duas etapas, tratamento do cold start para novos usuários e novos itens, avaliação offline (NDCG, precision@k, recall@k) e suas limitações em comparação com testes A\/B online, além do diagnóstico e da mitigação do ciclo de feedback ou do viés de popularidade.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de ML e produto que executam um sistema de recomendação e precisam de uma arquitetura de geração de candidatos\/classificação, uma estratégia de cold start e um diagnóstico de viés vinculados à cobertura real do catálogo, não a um número de leaderboard offline.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eEscolha entre filtragem colaborativa, baseada em conteúdo e modelo híbrido com base na densidade dos dados de interação\u003c\/li\u003e\n      \u003cli\u003eArquitetura de geração de candidatos e classificação em duas etapas, dimensionada separadamente para recall e precisão\u003c\/li\u003e\n      \u003cli\u003eEstratégias explícitas de transição para o cold start de novos usuários e novos itens, com um ponto de migração para o modelo padrão\u003c\/li\u003e\n      \u003cli\u003eResultados offline de NDCG\/precision@k\/recall@k combinados ao que essas métricas não podem confirmar, além de um plano de teste A\/B\u003c\/li\u003e\n      \u003cli\u003eAuditorias da distribuição de exposição e da cobertura do catálogo que identificam o viés de popularidade oculto por trás de uma precisão elevada\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md do Kwesi nas instruções do seu projeto Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de Engenharia de Sistemas de Recomendação. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106935048,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/kwesi-recsys-book.jpg?v=1787065046"},{"product_id":"signe-looker-lookml-embedded-analytics-specialist","title":"Signe - Desenvolvedor de Looker Skill de AI","description":"\u003ch2\u003eEspecialista sênior em Looker \u0026amp; LookML \/ Analytics incorporado que trata cada filtro de acesso em nível de linha como um limite de segurança, não como um filtro de conveniência.\u003c\/h2\u003e\n\u003cp\u003eSigne cobre toda a superfície de LookML e analytics incorporado: modelagem de explore, view e tabelas derivadas, design da camada semântica para que as métricas tenham o mesmo significado em todos os dashboards, desenvolvimento de analytics incorporado para dashboards voltados ao cliente, filtros de acesso em nível de linha e atributos de usuário, além da otimização de desempenho do Looker (tabelas derivadas persistentes, reconhecimento de agregações e cache de consultas).\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eAdministradores do Looker e engenheiros de analytics que gerenciam dashboards incorporados voltados ao cliente e precisam que uma camada semântica, um filtro de acesso ou uma correção de desempenho seja verificada no dashboard em produção, não apenas no código LookML.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDefinição única e canônica de medida LookML consolidada antes que uma métrica seja definida novamente\u003c\/li\u003e\n      \u003cli\u003eVerificações de multiplicação de linhas em joins usando agregações simétricas ou tabelas derivadas pré-agregadas antes de adicionar um join ao explore\u003c\/li\u003e\n      \u003cli\u003eFiltros de acesso em nível de linha testados personificando o atributo de usuário realmente restrito, não apenas por meio de revisão de código\u003c\/li\u003e\n      \u003cli\u003eMétodo de signed embed versus SSO embed e tratamento da expiração da sessão decididos para cada superfície voltada ao cliente\u003c\/li\u003e\n      \u003cli\u003eEstratégia de gatilho e cache de PDTs alinhada às necessidades reais de atualização dos dados, verificada em relação ao SQL gerado\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md da Signe nas instruções do seu projeto no Claude (ou no prompt de qualquer sistema de AI) e descreva seu problema relacionado a Looker e ao especialista em analytics incorporado com LookML. Funciona com Claude, ChatGPT e qualquer chat de AI. A instalação leva menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331106967816,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/signe-lookml-book.jpg?v=1787065047"},{"product_id":"torben-product-web-analytics-specialist","title":"Torben - Especialista em Analytics de Produto e Web Skill de AI","description":"\u003ch2\u003eEspecialista sênior em análise de produtos e web que trata o rastreamento de eventos como um pipeline de dados, com um plano de rastreamento como seu esquema.\u003c\/h2\u003e\n\u003cp\u003eTorben cobre toda a superfície de rastreamento de produtos e web no nível de eventos: implementação do GA4 e do Google Tag Manager e criação da taxonomia de eventos, configuração do Amplitude ou Mixpanel para análise de funil e retenção\/coortes, criação e QA do plano de rastreamento (identificando eventos quebrados ou duplicados antes que corrompam os relatórios) e estratégia de coleta de dados primários sob restrições de privacidade (modo de consentimento, marcação no lado do servidor).\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de growth, produto e análise que precisam de uma implementação de GA4\/GTM, um plano de rastreamento ou um diagnóstico de funil verificado em relação ao fluxo de eventos ativo, e não apenas a um número no dashboard que parece incorreto.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTaxonomia de eventos do GA4\/GTM criada a partir da pergunta real de negócio que o rastreamento precisa responder\u003c\/li\u003e\n      \u003cli\u003ePlano de rastreamento estruturado que documenta nomes de eventos, propriedades obrigatórias e condições de disparo\u003c\/li\u003e\n      \u003cli\u003eAuditorias de contêineres do GTM que identificam gatilhos duplicados e regras conflitantes de visualização de página antes que um relatório seja considerado confiável\u003c\/li\u003e\n      \u003cli\u003eVerificação em tempo real no GA4 DebugView ou no modo de visualização do GTM, evento por evento, antes da aprovação\u003c\/li\u003e\n      \u003cli\u003eModo de consentimento e marcação no lado do servidor incorporados ao plano de rastreamento desde o primeiro dia, em vez de adicionados depois do lançamento\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md do Torben nas instruções do seu projeto no Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de especialista em análise de produtos e web. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107066120,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/torben-product-web-analytics-specialist-1.png?v=1789460832"},{"product_id":"rosamund-experimentation-ab-testing-analyst","title":"Rosamund - Analista de Testes A\/B Skill de AI","description":"\u003ch2\u003eAnalista sênior de experimentação e testes A\/B que verifica como um teste foi criado e executado antes de confiar no que o dashboard mostra ao final.\u003c\/h2\u003e\n\u003cp\u003eRosamund cobre todo o ciclo de vida da experimentação: cálculo do tamanho da amostra e do poder estatístico, dimensionamento do efeito mínimo detectável (MDE), verificações da unidade de randomização e da integridade da atribuição, detecção de incompatibilidade na proporção da amostra (SRM), significância estatística versus prática, efeitos de novidade e o problema de espiar os resultados\/interromper cedo, criação de métricas de proteção e armadilhas de análise, como o paradoxo de Simpson e comparações múltiplas.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de crescimento e produto que executam testes A\/B e precisam de um tamanho de amostra pré-registrado, uma verificação de SRM e uma leitura das métricas de proteção antes de decidir pelo lançamento, em vez de aceitar um valor-p positivo sem questioná-lo.\u003c\/p\u003e\n\u003ch3\u003ePrincipais recursos\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eTamanho da amostra e duração calculados a partir de um MDE, uma taxa de referência e um poder estatístico definidos antes do lançamento do teste\u003c\/li\u003e\n      \u003cli\u003eVerificação de incompatibilidade na proporção da amostra com qui-quadrado, usando a divisão realmente observada antes de confiar em qualquer resultado\u003c\/li\u003e\n      \u003cli\u003eIntervalo de confiança e tamanho do efeito em termos de negócio apresentados junto a cada valor-p, nunca isoladamente\u003c\/li\u003e\n      \u003cli\u003eVerificações de efeito de novidade e de espiar os resultados antes de declarar um aumento como uma vitória duradoura\u003c\/li\u003e\n      \u003cli\u003eMétricas de proteção e verificações do paradoxo de Simpson em subgrupos executadas antes de qualquer recomendação de lançamento\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md da Rosamund nas instruções do seu projeto no Claude (ou no prompt de qualquer sistema de AI) e descreva seu problema de análise de experimentação e testes A\/B. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107098888,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/rosamund-ab-testing-book.jpg?v=1787065048"},{"product_id":"yannis-applied-decision-scientist","title":"Yannis - Cientista de Decisão Skill de AI","description":"\u003ch2\u003eCientista Sênior de Aplicação \/ Decisão que define o critério de decisão antes de executar qualquer análise causal em dados que ninguém randomizou.\u003c\/h2\u003e\n\u003cp\u003eYannis aborda inferência causal em dados observacionais (pareamento por escore de propensão, diferenças em diferenças, variáveis instrumentais, regressão descontínua), transformando uma pergunta vaga como \"devemos fazer X\" em uma questão analítica mensurável, com um critério de decisão claro, além de otimização ou simulação para decisões de alocação de recursos.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de análise e estratégia que precisam de uma estimativa causal defensável a partir de dados históricos, além de um plano de alocação testado sob estresse, e não de uma comparação ingênua de antes e depois apresentada como prova.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDemandas de negócio vagas traduzidas em uma pergunta mensurável, com um resultado e um critério de decisão definidos\u003c\/li\u003e\n      \u003cli\u003eEstratégia de identificação (PSM, diff-in-diff, IV, RDD) escolhida com base em como o grupo de tratamento realmente passou a receber o tratamento\u003c\/li\u003e\n      \u003cli\u003ePressupostos de identificação testados explicitamente: equilíbrio das covariáveis, tendências prévias paralelas, relevância do instrumento, manipulação do ponto de corte\u003c\/li\u003e\n      \u003cli\u003eEstimativas de efeito apresentadas com um intervalo de confiança honesto e uma lista identificada dos fatores de confusão restantes\u003c\/li\u003e\n      \u003cli\u003eOtimização ou simulação da alocação de recursos testada sob estresse em relação à incerteza da estimativa subjacente\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o arquivo SKILL.md do Yannis nas instruções do seu projeto Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de Cientista de Aplicação e Decisão. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107131656,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/yannis-decision-sci-book.jpg?v=1787065048"},{"product_id":"wilhelm-master-data-management-specialist","title":"Wilhelm - Especialista em Gerenciamento de Dados Mestres Skill de AI","description":"\u003ch2\u003eEspecialista sênior em gerenciamento de dados mestres que cria uma matriz de sobrevivência em nível de campo em vez de uma única regra em nível de registro.\u003c\/h2\u003e\n\u003cp\u003eWilhelm cobre toda a superfície do golden record: projetar uma única fonte de verdade para dados de clientes, produtos ou fornecedores em diferentes sistemas, criar regras de correspondência e deduplicação, definir limites de confiança e lógica de sobrevivência, escolher padrões de ferramentas de MDM hub-and-spoke ou no estilo registry, definir modelos de propriedade dos domínios de dados e projetar a estratégia de sincronização e propagação para que as atualizações do golden record cheguem aos sistemas de origem sem criar loops de atualização.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de plataforma de dados e MDM que estão resolvendo o problema de um mesmo cliente, produto ou fornecedor existir como registros ligeiramente diferentes em vários sistemas e precisam de limites de correspondência e regras de sobrevivência baseados em uma taxa de falsos merges medida, não em um número redondo.\u003c\/p\u003e\n\u003ch3\u003ePrincipais capacidades\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eRegras de correspondência determinísticas e probabilísticas testadas com uma amostra rotulada antes da definição de um limite\u003c\/li\u003e\n      \u003cli\u003eMatriz de sobrevivência em nível de campo com critérios explícitos de desempate, nunca uma única regra em nível de registro de \"última gravação vence\"\u003c\/li\u003e\n      \u003cli\u003ePadrão de MDM hub-and-spoke versus no estilo registry escolhido com base em como os sistemas downstream realmente consomem o registro\u003c\/li\u003e\n      \u003cli\u003ePropriedade dos domínios e caminhos de escalonamento definidos antes da primeira disputa de campo entre domínios\u003c\/li\u003e\n      \u003cli\u003eProjetos de sincronização de volta com marcação de proveniência para que uma atualização do golden record não entre em loop e seja reprocessada\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md do Wilhelm nas instruções do seu projeto no Claude (ou no prompt de qualquer sistema de AI) e descreva seu problema como especialista em gerenciamento de dados mestres (MDM). Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107393800,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/wilhelm-mdm-book.jpg?v=1787065048"},{"product_id":"solveig-fraud-risk-data-analyst","title":"Solveig - Analista de Dados de Fraude e Risco Skill de AI","description":"\u003ch2\u003eAnalista sênior de dados de fraude e risco que trata cada regra de detecção como algo que está sendo ativamente investigado em busca de seu ponto cego.\u003c\/h2\u003e\n\u003cp\u003eSolveig cobre toda a superfície analítica de fraude e risco: criação de sinais e atributos de fraude (verificações de velocidade, identificação do dispositivo, redes e grupos de fraude baseados em grafos), os trade-offs entre detecção baseada em regras e baseada em ML e quando combiná-las, ajuste do custo de falsos positivos versus falsos negativos, análise de padrões de chargeback e disputas e adaptação adversarial à medida que os padrões de fraude mudam quando uma regra se torna conhecida.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eEquipes de confiança e segurança e de pagamentos que precisam de sinais de fraude, limites e decisões entre regras e modelos vinculados a um custo em dólares claramente definido, não de uma regra ajustada apenas pela precisão que deixa silenciosamente de funcionar no momento em que os fraudadores percebem sua existência.\u003c\/p\u003e\n\u003ch3\u003ePrincipais recursos\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eSinais de fraude de velocidade, dispositivo e rede\/grafo vinculados a um padrão de fraude específico e claramente definido, não a dados genéricos\u003c\/li\u003e\n      \u003cli\u003eCustos de falsos positivos e falsos negativos definidos em dólares por segmento antes do ajuste de qualquer limite\u003c\/li\u003e\n      \u003cli\u003eUso em camadas de regras versus ML decidido pela velocidade de adaptação e pela necessidade de explicabilidade, não por uma preferência padrão\u003c\/li\u003e\n      \u003cli\u003eRelatórios de padrões de chargeback e disputas segmentados por código do motivo, separando fraude real de fraude amigável\u003c\/li\u003e\n      \u003cli\u003eMonitoramento da adaptação adversarial que detecta a degradação de uma regra conhecida depois que um grupo de fraude aprende a explorá-la\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md da Solveig nas instruções do seu Projeto do Claude (ou no prompt de qualquer sistema de AI) e descreva seu problema de análise de dados de fraude e risco. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107688712,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/solveig-fraud-risk-book.jpg?v=1787065048"},{"product_id":"cassius-ai-data-product-manager","title":"Cassius - Gerente de Produtos de AI e Dados Skill de AI","description":"\u003ch2\u003eGerente sênior de produtos de AI e dados que transforma um vago \"podemos usar AI para isso\" em um briefing bem definido e encaminha cada parte complexa do trabalho ao especialista responsável por ela.\u003c\/h2\u003e\n\u003cp\u003eCassius é a camada de coordenação acima de toda a coleção de dados e AI: transforma uma demanda empresarial vaga em um briefing de produto bem definido e mensurável, orienta decisões de construir versus comprar para recursos de AI e dados, alinha as partes interessadas entre equipes de engenharia de dados, ML e analytics com prioridades conflitantes, oferece estruturas de priorização quando a dívida de qualidade dos dados compete com novas solicitações de recursos e faz uma avaliação do cenário que identifica qual especialista é responsável por cada parte de uma iniciativa de dados\/AI multifuncional e complexa.\u003c\/p\u003e\n\u003ch3\u003ePara quem é\u003c\/h3\u003e\n\u003cp\u003eLíderes de produto, responsáveis por programas de dados\/AI e executivos que enfrentam uma demanda vaga de AI ou uma disputa de prioridades entre equipes e precisam de um briefing bem definido e de um plano de encaminhamento, não de outra reunião que termina em uma resposta diplomaticamente evasiva.\u003c\/p\u003e\n\u003ch3\u003ePrincipais recursos\u003c\/h3\u003e\n\u003cul\u003e\n      \u003cli\u003eDemandas vagas como \"precisamos de dados melhores\" ou \"podemos usar AI para isso\" traduzidas em um problema, um usuário e uma métrica\u003c\/li\u003e\n      \u003cli\u003eAnálise de construir versus comprar com base no tempo até gerar valor, diferenciação, custo total de propriedade e risco de dependência do fornecedor\u003c\/li\u003e\n      \u003cli\u003eDívida de qualidade dos dados avaliada na mesma escala de priorização que novas solicitações de recursos, sem ser despriorizada por padrão\u003c\/li\u003e\n      \u003cli\u003eAlinhamento das partes interessadas entre equipes que identifica a restrição real de cada equipe e estrutura um plano em torno dela\u003c\/li\u003e\n      \u003cli\u003eMapas de cenário e encaminhamento que identificam exatamente qual especialista é responsável por cada parte da iniciativa\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003ch3\u003eComo usar\u003c\/h3\u003e\n\u003cp\u003eCole o SKILL.md do Cassius nas instruções do seu projeto no Claude (ou em qualquer prompt de sistema de AI) e descreva seu problema de gerente de produtos de AI e dados. Funciona com Claude, ChatGPT e qualquer chat de AI. Instalação em menos de 2 minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58331107983624,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/cassius-ai-data-product-manager-1.png?v=1789460831"},{"product_id":"havard-data-quality-observability-engineer","title":"Havard - Skill de AI para engenheiro de qualidade de dados","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;\"\u003eAdicione Havard ao Claude e obtenha um engenheiro de confiabilidade de dados que instrumenta o pipeline para que falhas silenciosas sejam identificadas antes que um dashboard engane um executivo.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eHavard trata a qualidade dos dados como engenharia, não como um documento de políticas: monitores de atualização, volume, esquema, distribuição e linhagem; criação de testes com dbt tests, Great Expectations e Soda; detecção de anomalias em métricas, em vez de limites estáticos que todo mundo silencia; contratos de dados entre produtores e consumidores; resposta a incidentes de dados com níveis de severidade, plantão e análise do raio de impacto por meio da linhagem; SLAs, SLOs e orçamentos de erro de dados para pipelines; análise de causa raiz de falhas silenciosas; estratégia de preenchimento retroativo e reprocessamento; ajuste de alertas para combater a fadiga; e scorecards de qualidade que um responsável pelo negócio realmente vai ler.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eMonitores de atualização, volume, esquema, distribuição e linhagem\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eContratos de dados e acordos entre produtores e consumidores\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eSLAs de dados, SLOs, orçamentos de erro e severidade de incidentes\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAjuste de alertas, análise de causa raiz e estratégia de preenchimento retroativo\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva seu requisito → Havard cria a resposta. Inclui um exemplo completo para você ver exatamente o que vai receber.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382264172808,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/havard-data-quality-book.jpg?v=1787065049"},{"product_id":"yusra-cloud-data-platform-engineer","title":"Yusra - Skill de AI para engenheiro de plataforma de dados em nuvem","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;\"\u003eColoque a Yusra no Claude e tenha uma engenheira de plataforma que lê o perfil da consulta antes de redimensionar qualquer coisa, porque um warehouse maior geralmente é a resposta errada e mais cara.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eA Yusra administra o warehouse e o lakehouse por conta própria: administração do Snowflake, Databricks e Microsoft Fabric; dimensionamento de warehouses virtuais e clusters, suspensão automática e escalonamento automático; isolamento de cargas de trabalho e concorrência; layout de armazenamento, particionamento, chaves de clustering, Z-ordering e clustering líquido; formatos de tabela, incluindo Delta, Iceberg e Hudi, e quando cada um realmente se destaca; ajuste de desempenho de consultas e cache de resultados; gerenciamento de custos da plataforma por meio de atribuição de créditos, chargeback, alertas de orçamento e capacidade reservada versus sob demanda; controle de acesso no nível da plataforma com funções, concessões e políticas de linhas e colunas; Unity Catalog e camadas de metadados equivalentes; e recuperação de desastres com viagem no tempo e clonagem.\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;\"\u003eO que você recebe\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 de warehouses e clusters, isolamento e escalonamento automático\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eParticionamento, clustering, Z-order e escolha do formato de tabela\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\u003eAtribuição de créditos, chargeback, orçamentos e capacidade reservada\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eRBAC da plataforma, políticas de mascaramento e recuperação de desastres\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 yusra-cloud-data-platform-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva sua necessidade → a Yusra cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382270791944,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/yusra-cloud-platform-book.jpg?v=1787065049"},{"product_id":"taavi-metrics-semantic-layer-engineer","title":"Taavi - Skill de Engenheiro de Camada Semântica 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;\"\u003eColoque o Taavi no Claude e obtenha um engenheiro de camada semântica que reconcilia primeiro os três números conflitantes de receita e, depois, faz com que uma única definição seja a única que qualquer pessoa possa consultar.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eTaavi é responsável pela definição única de cada métrica de negócio: implementação da camada semântica no dbt Semantic Layer e no MetricFlow, no Cube e no AtScale; especificação de métricas cobrindo granularidade, filtros, dimensões temporais, aditividade e medidas não aditivas; consistência dimensional e dimensões que mudam lentamente no contexto das métricas; versionamento e descontinuação de métricas; BI headless fornecendo a mesma métrica para todas as ferramentas downstream; governança sobre quem pode alterar uma definição; reconciliação passo a passo de números conflitantes entre equipes até a escada fechar; pushdown de consultas e cache; e o caminho de migração de um conjunto de SQLs de dashboards codificados diretamente para métricas governadas.\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;\"\u003eO que você recebe\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\u003eEspecificações de métricas: granularidade, filtros, dimensões temporais, aditividade\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\u003eEscadas de reconciliação que fecham entre números conflitantes\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\u003eImplementação do 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\u003eVersionamento, descontinuação e controle de alterações de métricas\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 taavi-metrics-semantic-layer-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstalação em menos de 2 minutos\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva seu requisito → o Taavi cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382280196360,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/taavi-semantic-layer-book.jpg?v=1787065050"},{"product_id":"nikolina-feature-store-ml-platform-engineer","title":"Nikolina - Skill de Engenheiro de Plataforma de ML 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;\"\u003eColoque a Nikolina no Claude e tenha uma engenheira de plataforma de ML que elimina a divergência entre treinamento e serving na camada de features, em vez de deixar cada equipe redescobri-la em produção.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eA Nikolina cria a plataforma em que as equipes de ML trabalham: feature stores, incluindo Feast, Tecton e Databricks Feature Store; arquitetura de stores offline e online; junções corretas do ponto de vista temporal e a divergência entre treinamento e serving que elas evitam; versionamento, reutilização e descoberta de features; materialização e SLAs de atualização para features online; infraestrutura de serving de modelos para inferência em lote, em tempo real e por streaming; escalonamento automático, orçamentos de latência, agendamento de GPU e custos; acompanhamento de experimentos e o registro de modelos como serviços da plataforma, em vez de scripts de cada equipe; arquitetura de plataforma multi-inquilino com fluxos padronizados de autoatendimento; e uma separação clara entre o que a plataforma gerencia e o que cada equipe de produto gerencia.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eFeature stores offline e online, com junções corretas do ponto de vista temporal\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\u003eDetecção e prevenção de divergências entre treinamento 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\u003eInfraestrutura de serving: processamento em lote, tempo real, streaming e escalonamento de GPU\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eRegistro de modelos, acompanhamento de experimentos e fluxos padronizados para ambientes multi-inquilino\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva sua necessidade → a Nikolina cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382286815496,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/nikolina-ml-platform-book.jpg?v=1787065049"},{"product_id":"vikram-search-relevance-engineer","title":"Vikram - Skill de Engenheiro de Relevância de Busca 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;\"\u003eAdicione o Vikram ao Claude e tenha um engenheiro de relevância de busca que cria o conjunto de avaliação antes de mexer em um único boost, porque ajustar a relevância sem testes é apenas superstição.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Vikram faz a busca retornar o resultado certo: compreensão de consultas, incluindo tokenização, stemming, correção ortográfica, sinônimos, classificação de consultas e detecção de intenção; recuperação lexical e ajuste do BM25 no Elasticsearch, OpenSearch e Solr; recuperação vetorial e híbrida com fusão recíproca de posições; learning to rank, incluindo engenharia de atributos, LambdaMART e rankers neurais; avaliação de relevância com NDCG, MRR e precisão em k, listas de avaliação, avaliadores humanos e modelos de cliques; métricas online e experimentos de interleaving; viés de posição e de apresentação; limites da personalização; consultas sem resultados e de cauda longa; facetas e filtros; e o equilíbrio realista entre tamanho do índice, latência das consultas e qualidade.\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;\"\u003eO que você recebe\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\u003eCompreensão de consultas: sinônimos, correção ortográfica e intenção\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAjuste do BM25, além de recuperação vetorial e híbrida com 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 rankers neurais em produção\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eConjuntos de avaliação de NDCG e MRR, interleaving e correção do viés de cliques\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do projeto ou no prompt do sistema → descreva sua necessidade → o Vikram cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382293205256,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/vikram-search-relevance-book.jpg?v=1787065050"},{"product_id":"xiulan-speech-audio-ml-engineer","title":"Xiulan - Skill de Engenheiro de Reconhecimento de Fala 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;\"\u003eAdicione o Xiulan ao Claude e obtenha um engenheiro de fala que relata a taxa de erro de palavras por sotaque e condição, porque uma única WER em destaque oculta exatamente os usuários que você está deixando de atender.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Xiulan cuida da modalidade de áudio de ponta a ponta: reconhecimento automático de fala com o Whisper e seus sucessores, decodificação em streaming versus em lote, medição de WER e o que ela oculta, adaptação ao domínio, vocabulário personalizado e ponderação contextual; diarização e identificação de locutores; detecção de atividade de voz; conversão de texto em fala e clonagem de voz sob restrições de consentimento; pré-processamento de áudio, incluindo reamostragem, redução de ruído, cancelamento de eco e separação de canais; detecção de palavras-chave e palavras de ativação; classificação de áudio e detecção de eventos; pipelines de streaming em tempo real com limites de latência; e o problema de equidade causado pela variação acentuada da qualidade do reconhecimento conforme o sotaque e o dialeto.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAjuste de ASR: adaptação ao domínio, vocabulário personalizado e ponderação\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eWER medido por sotaque, condição de ruído e locutor, não pelo número principal\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eDiarização, identificação de locutor, VAD e separação de canais\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePipelines de streaming, limites de latência, TTS e limites de consentimento\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do Projeto ou no prompt do sistema → descreva sua necessidade → o Xiulan cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382303527176,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/xiulan-speech-ml-book.jpg?v=1787065050"},{"product_id":"tenzin-time-series-forecasting-scientist","title":"Tenzin - Skill de Analista de Previsão de Séries Temporais 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;\"\u003eColoque o Tenzin no Claude e tenha um cientista de previsão que executa primeiro o baseline ingênuo e dirá claramente quando o modelo caro não o superou.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Tenzin trata a previsão como uma disciplina própria: baselines clássicos, do naive e seasonal naive até ETS e ARIMA ou SARIMAX, e por que eles superam modelos elaborados com mais frequência do que qualquer pessoa admite; previsão hierárquica e agrupada com reconciliação bottom-up, top-down e MinT; demanda intermitente com Croston e TSB; Prophet, abordagens tabulares com gradient boosting e modelos profundos, como N-BEATS e o Temporal Fusion Transformer, com o custo apresentado com honestidade; engenharia de atributos temporais com defasagens, janelas móveis, calendários, feriados, promoções e clima; backtesting com origem móvel e as armadilhas de vazamento; métricas de precisão, incluindo os casos em que o MAPE falha com baixo volume, além de WAPE, RMSSE e perda pinball; viés da previsão; previsão probabilística e intervalos de predição; valor agregado da previsão em relação a um baseline ingênuo; e previsão por consenso com humanos no circuito.\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;\"\u003eO que você recebe\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\u003eBaselines ingênuos e sazonais, além do valor agregado da previsão\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\u003eReconciliação hierárquica e métodos para demanda intermitente\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eBacktesting com origem móvel e as armadilhas de vazamento\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\u003eEscolha de métricas: WAPE, RMSSE, perda pinball, viés, intervalos\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 tenzin-time-series-forecasting-scientist.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva seu requisito → o Tenzin cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382314307848,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/tenzin-forecasting-book.jpg?v=1787065050"},{"product_id":"rhiannon-marketing-mix-modeling-analyst","title":"Rhiannon - Skill de Analista de Testes de Incrementalidade 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;\"\u003eColoque Rhiannon no Claude e obtenha uma analista de mensuração que triangula o modelo com um experimento real antes de permitir que alguém realoque um orçamento.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eRhiannon mede o que o marketing realmente causou: modelagem do mix de marketing com adstock e efeitos de carryover, curvas de saturação e retornos decrescentes, sazonalidade e decomposição da linha de base, multicolinearidade entre canais e MMM bayesiano com priors defensáveis; experimentos geográficos e testes em mercados pareados; testes de incrementalidade por meio de grupos de controle, testes PSA, anúncios fantasma e aumento de conversões; atribuição e por que o last-click e o multi-touch falham com a perda de privacidade; triangulação do MMM com experimentos e atribuição, em vez de confiar em qualquer um deles isoladamente; alocação de orçamento pelo retorno marginal, e não pelo ROAS combinado; validação do MMM por meio da precisão em grupos de controle, calibração com base em experimentos e plausibilidade dos coeficientes; e comunicação da incerteza para um CMO que quer um único número.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAdstock, curvas de saturação e decomposição da linha de base\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eExperimentos geográficos, grupos de controle e incrementalidade do aumento de conversões\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\u003eCalibrando o MMM com base em experimentos, não em atribuição\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\u003eAlocação de orçamento com base no ROI marginal e na incerteza declarada\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva sua necessidade → Rhiannon cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382325350664,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/rhiannon-mmm-book.jpg?v=1787065050"},{"product_id":"amadou-customer-data-identity-resolution-engineer","title":"Amadou - Skill de Engenheiro de Plataforma de Dados de Clientes 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;\"\u003eAdicione o Amadou ao Claude e obtenha um engenheiro de identidade que mede a precisão da correspondência em pares rotulados, porque uma alta taxa de correspondência obtida com fusões incorretas é pior do que nenhuma correspondência.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Amadou cria uma visão 360° dos clientes na qual as pessoas podem realmente confiar: projeto do grafo de identidade, correspondência determinística versus probabilística, regras de correspondência e chaves de bloqueio que escalam, compromissos entre precisão e revocação medidos em pares rotulados em vez de presumidos, regras de sobrevivência e de registro mestre, agregações por domicílio e por conta; arquitetura de CDP com abordagens empacotadas e compostas nativas do data warehouse, coleta de eventos e costura de identidades entre estados anônimos e conhecidos, gerenciamento de consentimento e preferências, além de supressão e propagação de exclusões em todos os sistemas downstream; ativação de perfis e ETL reverso para plataformas de anúncios e CRM; e relatórios que apresentam honestamente a taxa de correspondência junto com o custo de uma fusão incorreta.\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;\"\u003eO que você recebe\u003c\/p\u003e\n \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGrafo de identidade, chaves de bloqueio, correspondência determinística versus probabilística\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003ePrecisão e revocação medidas em pares rotulados\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\u003eSobrevivência, registros mestres e agregações por domicílio\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\u003eConsentimento, supressão, propagação de exclusões e ETL reverso\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva seu requisito → o Amadou cria a resposta. Inclui um exemplo completo desenvolvido para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382337081608,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/amadou-identity-book.jpg?v=1787065051"},{"product_id":"lucrezia-knowledge-graph-engineer","title":"Lucrezia - Skill de Engenheiro de Grafos de Conhecimento 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;\"\u003eAdicione Lucrezia ao Claude e obtenha uma engenheira de grafos que dirá quando seu problema é uma junção, não um grafo, antes que você compre um banco de dados de grafos.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eLucrezia trabalha com dados como um grafo: quando um grafo realmente supera o modelo relacional e quando claramente não supera; grafos de propriedades com Neo4j e Cypher versus RDF e SPARQL e a verdadeira compensação; design de ontologias e taxonomias, modelagem de entidades e relacionamentos e reificação; resolução de entidades e desambiguação dentro de um grafo; pipelines de ingestão e atualizações incrementais; algoritmos de grafos na prática em busca de caminhos, centralidade, detecção de comunidades e similaridade, e para que cada um realmente serve; desempenho de consultas, supernós e adjacência sem índices; embeddings de grafos e GNNs em um nível prático; recuperação em grafos para fundamentar respostas de LLMs; e visualização que um não engenheiro consegue interpretar.\u003c\/p\u003e\n \u003cdiv style=\"background: #FAEBF5; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n \u003cp style=\"font-size: 10px; font-weight: 600; color: #DA2FA1; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eO que você recebe\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 vs. relacional: a decisão honesta, com a alternativa de junção\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0; border-bottom: 1px solid rgba(218,47,161,0.14); display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eGrafos de propriedades e as compensações entre 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\u003eDesign de ontologias, resolução de entidades e desambiguação\u003c\/span\u003e\n\u003c\/li\u003e\n\u003cli style=\"font-size: 13px; padding: 7px 0;  display: flex; gap: 10px;\"\u003e\n\u003cspan style=\"color:#DA2FA1; font-weight:600;\"\u003e→\u003c\/span\u003e\u003cspan\u003eAlgoritmos de grafos, supernós, embeddings e recuperação baseada em grafos\u003c\/span\u003e\n\u003c\/li\u003e\n \u003c\/ul\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"display:flex; align-items:center; gap:20px; background:#FFFFFF; border:1px solid #E8E6E0; border-radius:8px; padding:14px 20px; margin-bottom:24px;\"\u003e\n \u003cspan style=\"font-size:11px; color:#888780; font-family:monospace;\"\u003e📄 lucrezia-knowledge-graph-engineer.skill\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole SKILL.md nas Instruções do projeto ou no prompt do sistema → descreva seu requisito → Lucrezia cria a resposta. Inclui um exemplo completo para você ver exatamente o que obterá.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382349336840,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/lucrezia-knowledge-graph-book.jpg?v=1787065052"},{"product_id":"oskari-geospatial-data-analyst","title":"Oskari - Skill de Analista de Dados Geoespaciais 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;\"\u003eInsira o Oskari no Claude e obtenha um analista geoespacial que substitui o círculo de raio por uma isócrona real de tempo de deslocamento e observa metade do caso de negócio desaparecer.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eO Oskari trata a localização como uma dimensão de primeira classe: sistemas de referência de coordenadas e projeções, além dos erros sutis causados por configurá-los incorretamente; modelos de dados vetoriais e matriciais; PostGIS, GeoPandas e funções geoespaciais nativas de data warehouses; junções espaciais, buffers, isócronas e análise de tempo de deslocamento; qualidade da geocodificação e da normalização de endereços; indexação espacial com R-tree, H3, S2 e geohash, além de sistemas de grade para agregação; estatísticas espaciais, incluindo autocorrelação espacial, I de Moran, análise de pontos quentes e os conceitos básicos de krigagem; análise de áreas de influência e seleção de locais; roteamento e análise de redes; escolhas cartográficas que induzem ao erro, como mapas coropléticos não normalizados e uma classificação em intervalos inadequada; e o risco à privacidade presente em dados de localização detalhados.\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;\"\u003eO que você recebe\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\u003eCorreção de CRS e projeções, qualidade da geocodificação\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\u003eJunções espaciais, buffers, isócronas e áreas de influência por tempo de deslocamento\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\u003eIndexação H3, S2 e geohash, além de estatísticas espaciais\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 honesta e risco à privacidade de localização\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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole SKILL.md nas instruções do projeto ou no prompt do sistema → descreva sua necessidade → o Oskari cria a resposta. Inclui um exemplo completo e detalhado para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382361657608,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/oskari-geospatial-book.jpg?v=1787065052"},{"product_id":"zenobia-head-of-data-analytics","title":"Zenobia - Skill de Diretora de Dados e Analytics 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;\"\u003eColoque a Zenobia no Claude e obtenha uma líder de dados que organiza o trabalho da plataforma em relação à entrega, diz não de forma registrada e encaminha cada frente de trabalho a um especialista nomeado.\u003c\/p\u003e\n \u003cp style=\"font-size: 13px; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003eA Zenobia é a camada de coordenação sobre toda uma função de dados. Ela é responsável pela estratégia de dados vinculada aos resultados do negócio, pelo modelo operacional entre as abordagens centralizada, incorporada e hub-and-spoke e por definir quando alterá-lo, pelo desenho da equipe e pela sequência de contratações, pelo caso de investimento em plataforma e pela decisão entre construir e comprar, pela priorização e pelo recebimento de solicitações de dados, pelo que o autoatendimento realmente significa e por seus pré-requisitos reais, pelo pensamento de produto de dados e sua responsabilidade, pela medição do próprio valor da equipe de dados, pela gestão de stakeholders e pela recusa de trabalho, por programas de alfabetização em dados, pela responsabilidade por governança e privacidade no nível organizacional, pela consolidação de fornecedores e ferramentas e pelo roadmap que organiza o trabalho fundamental da plataforma em relação à entrega visível de analytics. Ela não constrói nada sozinha: cada frente de trabalho é encaminhada a um especialista nomeado e retorna para uma revisão.\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;\"\u003eO que você recebe\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\u003eEstratégia de dados e modelo operacional: centralizado, incorporado, 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\u003eCaso de investimento em plataforma, construir versus comprar, consolidação de ferramentas\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\u003eEntrada, priorização e o que o autoatendimento realmente exige\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\u003eMedição do valor da equipe de dados e definição da sequência do 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;\"\u003eInstalação em menos de 2 min\u003c\/span\u003e\n \u003cspan style=\"font-size:11px; color:#888780;\"\u003eFunciona com Claude, ChatGPT e qualquer chat de AI\u003c\/span\u003e\n \u003c\/div\u003e\n \u003cdiv style=\"border-left:3px solid #DA2FA1; padding-left:16px;\"\u003e\n \u003cp style=\"font-size:10px; font-weight:600; color:#DA2FA1; letter-spacing:0.08em; text-transform:uppercase; margin:0 0 6px 0;\"\u003eComo instalar\u003c\/p\u003e\n \u003cp style=\"font-size:12px; color:#555550; line-height:1.7; margin:0;\"\u003eBaixe o pacote .skill → abra o Claude → cole o SKILL.md nas instruções do seu projeto ou no prompt do sistema → descreva sua necessidade → a Zenobia cria a resposta. Inclui um exemplo completo para você ver exatamente o que recebe.\u003c\/p\u003e\n \u003c\/div\u003e\n\u003c\/div\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58382372536584,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/zenobia-head-of-data-book.jpg?v=1787065052"},{"product_id":"ai-skill-for-tableau","title":"Skill de AI para o Tableau","description":"\u003cp\u003eEsta habilidade do Claude\/ChatGPT ajuda você a planejar dashboards no Tableau e depurar campos calculados antes ou durante o trabalho no aplicativo: o tipo de gráfico adequado para cada pergunta, o layout do dashboard e a posição dos filtros, além da sintaxe funcional dos campos calculados explicada linha por linha.\u003c\/p\u003e\u003cp\u003eEla é especialmente útil para expressões LOD, Fixed, Include e Exclude, e para a clássica confusão sobre a ordem dos filtros, que faz uma fórmula aparentemente correta retornar o número errado. Cole sua fórmula e informe o resultado esperado e o resultado real para receber uma versão corrigida com a explicação, não apenas uma correção.\u003c\/p\u003e\u003cp\u003eFunciona da mesma forma no Claude e no ChatGPT. Descreva a pergunta do seu dashboard ou cole o cálculo com problema e receba um plano funcional.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58430580097288,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/ai-skill-for-tableau-book.jpg?v=1787231401"},{"product_id":"ai-skill-for-snowflake","title":"Skill de AI para Snowflake","description":"\u003cp\u003eEsta habilidade do Claude\/ChatGPT funciona como um assistente de AI do Snowflake no seu trabalho diário com dados: ela escreve SQL executável do Snowflake com QUALIFY, FLATTEN e MERGE, as instruções CREATE STAGE, FILE FORMAT e COPY INTO para carregamentos, definições do Snowpipe, Streams e Tasks ou Dynamic Tables para pipelines incrementais, hierarquias de funções com instruções GRANT e políticas de mascaramento e acesso a linhas.\u003c\/p\u003e\u003cp\u003eEla conhece warehouses e a cobrança de créditos, a poda de micropartições e o Query Profile, Time Travel, UNDROP e Zero-Copy Cloning, as visualizações ACCOUNT_USAGE para custos, Snowpark e procedimentos armazenados, além das armadilhas, como Tasks que nunca são executadas porque ninguém as retomou. Ela não opera o Snowflake diretamente; prepara o SQL, os caminhos de clique no Snowsight e as verificações para que você mesmo os execute.\u003c\/p\u003e\u003cp\u003eFunciona da mesma forma no Claude, ChatGPT e Gemini. Uma compra, baixe o arquivo, instale em menos de 2 minutos e depois pergunte como você perguntaria a um engenheiro de dados sênior ao seu lado. Combina com \u003ca href=\"\/pt\/products\/oleg-database-engineer\"\u003eOleg, Engenheiro de Banco de Dados\u003c\/a\u003e, a habilidade de persona; esta é a ajudante dentro do Snowflake.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58632274477320,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/ai-skill-for-snowflake-1.jpg?v=1789379835"},{"product_id":"ai-skill-for-matlab","title":"Skill de AI para MATLAB","description":"\u003cp\u003eEsta habilidade do Claude\/ChatGPT funciona como uma programadora parceira de AI para MATLAB no seu trabalho diário: escreve funções .m completas com blocos de argumentos, reescreve loops lentos usando indexação lógica e expansão implícita, cria importações com readtable e readtimetable usando opções de importação, produz figuras com tiledlayout e chamadas de exportgraphics e explica as escolhas de blocos e solvers do Simulink em linguagem simples.\u003c\/p\u003e\u003cp\u003eEla conhece os tipos de dados do MATLAB (tabelas, cronogramas, arrays de células e estruturas, string em comparação com char), o Editor e o Live Editor, o Profiler, parfor e as toolboxes que você provavelmente mais usa, além de indicar quando uma função depende de uma toolbox ou versão. Ela não executa código nem abre o MATLAB para você; prepara o código, o caminho de cliques e a correção para que você possa executá-los na Command Window.\u003c\/p\u003e\u003cp\u003eFunciona da mesma forma no Claude, ChatGPT e Gemini. Uma compra, baixe o arquivo, instale em menos de 2 minutos e cole o erro ou descreva seus dados para obter MATLAB funcionando novamente. Combina com \u003ca href=\"\/pt\/products\/leila-data-scientist\"\u003eLeila, Cientista de Dados\u003c\/a\u003e, a habilidade de persona; esta é a assistente dentro do MATLAB.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58632421769480,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/ai-skill-for-matlab-1.jpg?v=1789379989"},{"product_id":"nuria-statistician","title":"Nuria - Skill de AI para Estatístico","description":"\u003cp\u003eAlguém entrega uma planilha a você e pergunta se a diferença é real. A resposta padrão é um teste t e um valor de p, e na metade das vezes as suposições por trás de ambos não se sustentam. Uma IA estatística desacelera esse processo: qual foi o delineamento, o que foi randomizado, quantas comparações você está fazendo e qual tamanho de diferença realmente mudaria sua decisão.\u003c\/p\u003e\u003cp\u003eEla pergunta sobre o delineamento, o tamanho da amostra e como os dados foram coletados antes de escolher um teste, porque os mesmos números significam coisas diferentes em um ensaio randomizado, um painel de pesquisa e um registro observacional. Você recebe a escolha do teste com a justificativa, as verificações das suposições correspondentes, o tamanho do efeito e o intervalo junto com o valor de p, além da correção de Benjamini-Hochberg em vez de Bonferroni quando está analisando vinte desfechos. Ela não trata um valor de p acima de 0,05 como prova de ausência de efeito, porque isso é uma afirmação sobre o poder estatístico, não sobre o mundo.\u003c\/p\u003e\u003cp\u003eUm arquivo, e ela funciona da mesma forma no Claude, no ChatGPT e no Gemini. Pague uma vez, sem assinatura; a configuração leva menos de dois minutos.\u003c\/p\u003e","brand":"KissMySkills","offers":[{"title":"Default Title","offer_id":58636763726088,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/nuria-statistician-1.png?v=1789396356"}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/collections\/data-ai-skills.jpg?v=1787734708","url":"https:\/\/kissmyskills.com\/pt\/collections\/data-ai-skills.oembed","provider":"KissMySkills","version":"1.0","type":"link"}