seacen/data-analyst-sz

Un analista de datos senior entrenado como una habilidad disponible bajo demanda: ejecuta un marco de trabajo profesional de 9 pasos sobre cualquier conjunto de datos estructurados, con cada número trazable.

¿Qué es data-analyst-sz?

Esta habilidad transforma a un analista de datos senior en un recurso accesible bajo demanda para cualquier agente de IA. Implementa un marco de trabajo de análisis de datos estructurados de 9 pasos (0+9 workflow) que cubre desde la detección del dominio hasta la síntesis y el seguimiento. Está diseñada para ser neutral en cuanto al dominio, utilizando paquetes de dominio (domain packs) intercambiables que proporcionan vocabulario, reglas de negocio, marcos de análisis y referencias de cómputo específicas. La habilidad es completamente basada en instrucciones: los pasos de perfilado, escaneo de señales, verificación y descomposición son ejecutados por el agente escribiendo y ejecutando código pandas al vuelo, con cada resultado registrado en `verdicts.json` y `drivers.json` para trazabilidad. Está documentada para plataformas como Claude Code, Cursor y Codex, y su documentación completa se encuentra en el archivo SKILL.md y sus referencias asociadas. La salida predeterminada es un mazo HTML (`insight_deck.html`) y un informe Markdown (`insight_report.md`), ambos auditados automáticamente para garantizar integridad y cobertura.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add seacen/data-analyst-sz

Installed? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Habilidad de Análisis de Datos

Análisis de datos estructurados nativo de IA: un flujo de trabajo 0+9 workflow genérico + paquetes de dominio (domain packs) intercambiables. Este archivo es el punto de entrada (detección de dominio + reglas críticas + punteros); los detalles se cargan bajo demanda desde references/ y el paquete de dominio seleccionado. Esta habilidad se mantiene neutral respecto al dominio – cualquier conocimiento de dominio reside en domains/<name>/, este archivo no contiene nombres de dominio específicos.

Cómo funciona — flujo de trabajo 0+9

La detección de dominio del Paso 0 está en este archivo; la forma de hacer los Pasos 1–9, qué cargar en cada paso y qué producir, todo está en references/9-step-framework.md (que contiene la única tabla de carga autoritativa por paso). Al comenzar cualquier análisis, cárguelo primero.

PasoDescripción resumida
0 Domain DetectLeer resolver → enrutar al paquete de dominio (o genérico)
1 ProfileEl agente escribe el perfilado: columnas → roles de campo, determinación de periodo/snapshot, cálculo de gaps de datos
2 Signal ScanEl agente escribe el escaneo de señales (anomalías / cambios significativos / desviaciones de índices respecto a la línea base)
3 ClarifySolo preguntar cuando haya ambigüedad o limitaciones de datos que bloqueen la solicitud (presentar el gap al usuario)
4 FrameConstruir un árbol de issues MECE usando el framework.md del dominio
5 HypothesizeHipótesis falsables, vinculadas a la palanca del dominio
6 VerifyEl agente escribe la verificación en pandas → verdicts.json
7 DecomposeEl agente escribe la descomposición → drivers.json
8 SynthesizeSalida en Pirámide + extensión de insights del dominio; por defecto dos salidas en paralelo: insight_deck.html (mazo HTML) + insight_report.md (espejo 1:1), pasando por la tercera compuerta deck_audit (las consultas rápidas o de seguimiento pueden eximirse del mazo)
9 Follow-upÁrbol de issues extendido para responder preguntas posteriores

Completamente basado en instrucciones, sin scripts predefinidos: el código de los Pasos 1/2/6/7 es escrito y ejecutado por el agente sobre la marcha – pero antes de escribir, lee los datos reales + el data-spec / glossary / computation-reference del dominio seleccionado para entender los campos y períodos de estos datos, y luego genera el código según las instrucciones. No se presuponen nombres de campo ni términos de período (LY/TY/MAT no son universales). El mapeo de roles de campo es un juicio semántico de la IA (leer data-spec §1.0).

Paso 0 — Detección de Dominio (Decisión de Entrada)

  1. Leer references/resolver.md (mecanismo de puntuación neutral al dominio) y enumerar cada domains/<slug>/triggers.md (bloque de activación propio de cada dominio).
  2. Puntuar cada dominio usando «las palabras del usuario / las columnas de datos (después del Paso 1) / el archivo de pista del proyecto ./.data-analysis-domain».
  3. Enrutamiento: ≥2 señales apuntan al mismo dominio → enrutamiento silencioso; ambigüedad → seguir clarification-protocol.md para que el usuario elija; cero coincidencias → modo genérico e informar.
  4. Leer domains/<slug>/README.md del dominio enrutado; el resto de ranuras se cargan según la tabla de carga del flujo de 9 pasos en el paso correspondiente.
  5. Registrar outputs/analysis_state.json::domain_selected; en rondas posteriores, reutilizar, no volver a detectar.

Reglas críticas (inquebrantables; detalles en references/anti-hallucination.md)

  1. El LLM NUNCA calcula números. Agregaciones / participaciones / índices / descomposiciones → siempre el agente escribe y ejecuta pandas; no hay números derivados del LLM en la salida.
  2. Cada número referencia un verdict_id, con trazabilidad hasta outputs/verdicts.json.
  3. Primero detectar, luego aclarar. No preguntar «¿qué quieres analizar?» antes de completar los Pasos 0–2; por defecto, se actúa directamente, se ajusta después.
  4. Persistencia de estado. Leer antes de cada ronda y actualizar outputs/analysis_state.json antes de responder.
  5. Cobertura: no se permite descartar hojas en silencio. Cada hoja del árbol de issues (Paso 4) que sea factible con los datos debe ser respondida en el Paso 6 o omitida explícitamente (con motivo); «falta de tiempo» no es una razón válida. El critic del Paso 8 verifica la cobertura. Detalles en references/9-step-framework.md, compuerta de cobertura del Paso 6.
  6. Entrega predeterminada = mazo + informe, no conversación en línea. Para cualquier solicitud de análisis de datos estructurados, por defecto se ejecuta el flujo completo 0+9 y se produce outputs/insight_deck.html + outputs/insight_report.md (guardados en disco, pasando deck_audit) – esta es la entrega predeterminada, no un «extra opcional». Mostrar unas pocas tablas o textos en la conversación ≠ análisis completo (eso significa que no se llegó al Paso 8). Una pregunta de análisis enfocada/específica (como «mira la distribución de X» o «quién ganó en tal período») no es una «solicitud ligera» – igualmente ejecuta todo el flujo y genera el mazo. Las únicas dos exenciones: ① Paso 9 follow-up (preguntas de seguimiento sobre un análisis ya completado); ② El usuario solicita explícitamente una respuesta rápida/breve/verbal. Al eximirse, se debe indicar explícitamente en la respuesta «esta ronda sigue el modo ligero, no se ha generado mazo». Detalles en el Paso 8 de references/9-step-framework.md + references/insight-templates.md.

Paquetes de dominio (Domain packs)

Un pack = un conjunto de ranuras .md con nombre genérico: triggers (bloque de activación para la detección del Paso 0) · glossary · data-spec · framework · computation-reference · insight-extensions · context-notes · clarification-extensions · business-rules.md. El protocolo de las ranuras, quién las llena, los tres tipos de contenido y el flujo de mantenimiento → references/domain-pack-protocol.md (la única fuente autoritativa). Para generar/mantener un pack → la habilidad domain-pack-builder.

Añadir un nuevo dominio

Crear domains/<nuevo>/ y llenar todas las ranuras (incluyendo el bloque de activación triggers.md). Esta habilidad y el resto de archivos genéricos no se modifican – el mecanismo del resolver enumera automáticamente el triggers.md del nuevo paquete.


v0.9 (2026-06-09 Simetría de la compuerta del mazo): Se actualiza el mazo HTML de «predeterminado enterrado en el archivo de ranura del Paso 8» a una condición de salida dura a nivel de marco – en el Paso 8, la tabla de carga, las salidas, el Critic y la condición de salida se unifican en «por defecto dos salidas en paralelo: insight_deck.html + insight_report.md (espejo 1:1), pasando por la tercera compuerta deck_audit.py (al mismo nivel que data_integrity + coverage)»; las consultas rápidas o de seguimiento del Paso 9 pueden eximirse del mazo pero deben indicarlo explícitamente. Se corrigieron puntos débiles detectados en pruebas: las preguntas enfocadas solo generaban el informe .md y se daban por completadas, faltando el mazo (causa raíz: no se cargaban las dos ranuras insight-templates.md + insight-extensions.md, por lo que en la sección Outputs se añadió un recordatorio firme de «leer primero las dos ranuras»). Se mantiene la capa genérica neutral al dominio (mazo/audit son conceptos genéricos; el sistema de diseño, las palabras prohibidas, el archivo de fuentes y el ID del logo se leen del dominio en tiempo de ejecución). v0.8 (2026-05-30 Fortalecimiento de robustez): Se añadió la compuerta de cobertura (regla crítica 5, las hojas no pueden descartarse en silencio); verificación de integridad de datos en el Paso 2 (suma de participaciones / filas agregadas incrustadas); regla de granularidad de descomposición en el Paso 7; domesticación de encabezados multinivel; los scripts se producen uniformemente en outputs/scripts/ + convención de nomenclatura + reutilización de huella de esquema (si se reenvían datos con el mismo esquema, no se reescriben los loaders); en el Paso 8 se fuerza la persistencia de insight_report.md. Se eliminaron rastros residuales específicos de dominio de la capa genérica (restaurando la neutralidad de dominio). v0.7: Completamente basado en instrucciones (se eliminaron scripts predefinidos). v0.6: Estandarización del Skill Creator.

Skills relacionados