SKILLEMALL.ai

AB cohort-curve-model

Подгоните кривую удержания под наблюдаемые когортные данные и спрогнозируйте LTV — вычисленное, а не оцененное. Используйте, когда у кого-то есть реальные данные удержания когорт (месяц 0, 1, 2...) и он спрашивает, какое пожизненное значение, пожизненные периоды или долгосрочное удержание они подразумевают, или удержание выравнивается или снижается. Предоставляет подогнанную степенную кривую (параметры, R², порог удержания), прогноз на 24-36 периодов и реальный файл .xlsx с живыми формулами, где редактирование ARPU пересчитывает LTV — через прилагаемый скрипт без зависимостей.

машинный переводПоказать оригиналСкрыть оригинал«Fit a retention curve to observed cohort data and project LTV — comput…»

Fit a retention curve to observed cohort data and project LTV — computed, not estimated. Use when someone has real cohort retention numbers (month 0, 1, 2…) and asks what lifetime value, lifetime periods, or long-run retention they imply, or whether retention is flattening or leaking. Produces a fitted power curve (parameters, R², retention floor), a 24-36 period projection, and a real .xlsx with live formulas where editing ARPU recalculates LTV — via the bundled zero-dependency script.

mohitagw15856/pm-claude-skills Agent Skills автор: mohitagw15856 MIT 2 файла тело ≈ 806 токенов Открыть источникgithub.com проанализирован 2 дн назад

Подгоните кривую удержания под наблюдаемые когортные данные и спрогнозируйте LTV — вычисленное, а не оцененное.

Как процесс B 77/100 · Почти готов — слабые места: когда включается

ГенераторExcelТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
90
Прогон на моделях
не было
Процессный рейтинг
B
77/100
Почти готов
Когда включается вес 12
20
Ошибки и развилки вес 10
55
Результат и критерий готовности вес 14
60
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: cohort-curve-model (mohitagw15856/pm-claude-skills)

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 77/100

    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 55Ошибки и развилки. Развилок: 1
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 17
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 806 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 491 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 6 заголовков
    • +3Пошаговые инструкции: 17 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (1 блоков кода)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 90.