iiuniversitet.ruЦентр обучения нейросетямОткрыть каталог

Настройка анализа данных под компанию

Опрашивает аналитиков и изучает хранилище данных, а затем собирает скилл, который знает ваши таблицы, метрики и термины.

СкиллAnthropicClaudeApache-2.0Загрузить архив в ClaudeПроверка не требуется
Скачать на русскомОригинал на английском (архив)Источник ↗
Что делает
Опрашивает аналитиков и изучает хранилище данных, а затем собирает скилл, который знает ваши таблицы, метрики и термины.
Когда брать
Когда нужно, чтобы Claude понимал данные вашей компании, или когда готовый скилл по данным надо дополнить новой областью.
Когда не брать
Если нет доступа к хранилищу данных и некому рассказать, как устроены ваши таблицы и метрики.
Пример запроса
Помоги создать скилл для нашей базы данных: мы работаем в BigQuery, главные таблицы покажу.
Нужно подключить
хранилище данных

Входит в плагин data. В Cowork и Claude Code можно поставить плагин целиком.

Как включить

  1. Нажмите «Скачать на русском» и сохраните архив.
  2. В Claude откройте Настройки → Capabilities → Skills → Upload skill и выберите архив.
  3. Включите скилл переключателем.
Для терминала

Распакуйте архив и положите папку data-context-extractor в ~/.claude/skills/. Файл SKILL.md должен лежать внутри этой папки.

Текст

---
name: data-context-extractor
description: >
  Создай или улучши скилл анализа данных под конкретную компанию, вытащив неформальные знания аналитиков.

  РЕЖИМ СОЗДАНИЯ (BOOTSTRAP MODE) - Триггеры: «Создай скилл с контекстом данных», «Настрой анализ данных для нашего хранилища»,
  «Помоги создать скилл для нашей базы данных», «Сгенерируй скилл по данным для [компания]»
  → Изучает схемы, задаёт ключевые вопросы, создаёт первую версию скилла со справочными файлами

  РЕЖИМ ДОРАБОТКИ (ITERATION MODE) - Триггеры: «Добавь контекст про [область]», «Скиллу нужно больше информации про [тема]»,
  «Обнови скилл по данным: [метрики/таблицы/терминология]», «Улучши справочник по [область]»
  → Загружает существующий скилл, задаёт точечные вопросы, дополняет и обновляет справочные файлы

  Используй, когда аналитики хотят, чтобы Claude понимал хранилище данных их компании, её терминологию,
  определения метрик и типовые шаблоны запросов.
---

Извлечение контекста данных

Метаскилл, который вытягивает у аналитиков знания о данных конкретной компании и создаёт на их основе скиллы анализа данных под неё.

Как это работает

У этого скилла два режима:

  1. Режим создания (Bootstrap Mode): создать новый скилл анализа данных с нуля
  2. Режим доработки (Iteration Mode): улучшить существующий скилл, добавив справочные файлы по отдельным областям

Режим создания (Bootstrap Mode)

Используй, когда: пользователь хочет создать новый скилл с контекстом данных для своего хранилища.

Этап 1: Подключение к базе данных и изучение

Шаг 1: Определи тип базы данных

Спроси: «Каким хранилищем данных вы пользуетесь?»

Частые варианты:

  • BigQuery
  • Snowflake
  • PostgreSQL/Redshift
  • Databricks

Для подключения используй инструменты ~~data warehouse (запросы и схема). Если непонятно, проверь, какие MCP-инструменты доступны в текущей сессии.

Шаг 2: Изучи схему

Используй инструменты схемы ~~data warehouse, чтобы:

  1. Получить список доступных наборов данных/схем
  2. Определить самые важные таблицы (спроси пользователя: «К каким 3–5 таблицам аналитики обращаются чаще всего?»)
  3. Получить детали схемы для этих ключевых таблиц

Примеры запросов для изучения по диалектам:

-- BigQuery: List datasets
SELECT schema_name FROM INFORMATION_SCHEMA.SCHEMATA

-- BigQuery: List tables in a dataset
SELECT table_name FROM `project.dataset.INFORMATION_SCHEMA.TABLES`

-- Snowflake: List schemas
SHOW SCHEMAS IN DATABASE my_database

-- Snowflake: List tables
SHOW TABLES IN SCHEMA my_schema

Этап 2: Основные вопросы (задай их)

После изучения схемы задай эти вопросы в формате беседы (не все сразу):

Уточнение сущностей (критично)

«Что именно здесь имеют в виду, когда говорят „пользователь“ или „клиент“? Бывают ли разные типы?»

Обрати внимание на:

  • Несколько типов сущностей (пользователь, аккаунт, организация)
  • Связи между ними (1:1, 1:много, много:много)
  • Какие поля с идентификаторами связывают их между собой

Основные идентификаторы

«Какой главный идентификатор у [клиента/пользователя/аккаунта]? Бывает ли у одной и той же сущности несколько идентификаторов?»

Обрати внимание на:

  • Первичные ключи и бизнес-ключи
  • UUID и целочисленные идентификаторы
  • Устаревшие системы идентификаторов

Ключевые метрики

«О каких 2–3 метриках спрашивают чаще всего? Как считается каждая из них?»

Обрати внимание на:

  • Точные формулы (ARR = monthly_revenue × 12)
  • Какие таблицы и столбцы питают каждую метрику
  • Принятые правила периодов (последние 7 дней, календарный месяц и т. д.)

Гигиена данных

«Что нужно ВСЕГДА исключать из запросов? (тестовые данные, мошенничество, внутренних пользователей и т. п.)»

Обрати внимание на:

  • Стандартные условия WHERE, которые нужно включать всегда
  • Столбцы-флаги, указывающие на исключения (is_test, is_internal, is_fraud)
  • Конкретные значения, которые нужно исключать (status = 'deleted')

Типичные подводные камни

«Какие ошибки новые аналитики обычно делают с этими данными?»

Обрати внимание на:

  • Путаницу из-за названий столбцов
  • Проблемы с часовыми поясами
  • Особенности обработки NULL
  • Таблицы с историческим и текущим состоянием

Этап 3: Создай скилл

Создай скилл с такой структурой:

[company]-data-analyst/
├── SKILL.md
└── references/
    ├── entities.md          # Entity definitions and relationships
    ├── metrics.md           # KPI calculations
    ├── tables/              # One file per domain
    │   ├── [domain1].md
    │   └── [domain2].md
    └── dashboards.json      # Optional: existing dashboards catalog

Шаблон SKILL.md: см. references/skill-template.md

Раздел о диалекте SQL: см. references/sql-dialects.md и включи заметки о подходящем диалекте.

Шаблон справочного файла: см. references/domain-template.md

Этап 4: Упакуй и передай

  1. Создай все файлы в папке скилла
  2. Упакуй их в zip-файл
  3. Представь результат пользователю с кратким описанием того, что удалось зафиксировать

Режим доработки (Iteration Mode)

Используй, когда: у пользователя уже есть скилл, но ему нужно добавить больше контекста.

Шаг 1: Загрузи существующий скилл

Попроси пользователя загрузить свой скилл (zip или папку) или найди его, если он уже есть в сессии.

Прочитай текущий SKILL.md и справочные файлы, чтобы понять, что уже задокументировано.

Шаг 2: Определи пробел

Спроси: «Для какой области или темы нужно больше контекста? Какие запросы не работают или дают неверные результаты?»

Частые пробелы:

  • Новая область данных (маркетинг, финансы, продукт и т. д.)
  • Отсутствующие определения метрик
  • Недокументированные связи между таблицами
  • Новая терминология

Шаг 3: Точечное изучение

Для выбранной области:

  1. Изучи нужные таблицы: используй инструменты схемы ~~data warehouse, чтобы найти таблицы этой области
  2. Задай вопросы по области:
  3. «Какие таблицы используются для анализа по области [область]?»
  4. «Какие ключевые метрики в области [область]?»
  5. «Есть ли особые фильтры или подводные камни в данных области [область]?»
  1. Создай новый справочный файл: напиши references/[domain].md по шаблону области

Шаг 4: Обнови и упакуй заново

  1. Добавь новый справочный файл
  2. Обнови раздел «Навигация по базе знаний» в SKILL.md, включив в него новую область
  3. Упакуй скилл заново
  4. Представь обновлённый скилл пользователю

Стандарты справочных файлов

Каждый справочный файл должен включать:

Для документации таблиц

  • Расположение: полный путь к таблице
  • Описание: что содержит таблица и когда её использовать
  • Первичный ключ: как однозначно идентифицировать строки
  • Частота обновления: как часто обновляются данные
  • Ключевые столбцы: таблица с названием столбца, типом, описанием и примечаниями
  • Связи: как эта таблица соединяется с другими
  • Примеры запросов: 2–3 типовых шаблона запросов

Для документации метрик

  • Название метрики: понятное человеку название
  • Определение: объяснение простыми словами
  • Формула: точный расчёт со ссылками на столбцы
  • Таблицы-источники: откуда берутся данные
  • Оговорки: крайние случаи, исключения, подводные камни

Для документации сущностей

  • Название сущности: как она называется
  • Определение: что она означает для бизнеса
  • Основная таблица: где искать эту сущность
  • Поля идентификаторов: как её идентифицировать
  • Связи: как она соотносится с другими сущностями
  • Типовые фильтры: стандартные исключения (внутренние, тестовые и т. д.)

Контрольный список качества

Перед передачей созданного скилла проверь:

  • [ ] В SKILL.md полная шапка (name, description)
  • [ ] Раздел уточнения сущностей написан понятно
  • [ ] Ключевая терминология определена
  • [ ] Стандартные фильтры и исключения задокументированы
  • [ ] Не менее 2–3 примеров запросов на каждую область
  • [ ] SQL использует синтаксис правильного диалекта
  • [ ] На справочные файлы есть ссылки из раздела навигации в SKILL.md

Перевод: iiuniversitet. Оригинал: https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/data-context-extractor, лицензия Apache-2.0. Изменения: перевод на русский язык.

Оригинал на английском 
---
name: data-context-extractor
description: >
  Generate or improve a company-specific data analysis skill by extracting tribal knowledge from analysts.

  BOOTSTRAP MODE - Triggers: "Create a data context skill", "Set up data analysis for our warehouse",
  "Help me create a skill for our database", "Generate a data skill for [company]"
  → Discovers schemas, asks key questions, generates initial skill with reference files

  ITERATION MODE - Triggers: "Add context about [domain]", "The skill needs more info about [topic]",
  "Update the data skill with [metrics/tables/terminology]", "Improve the [domain] reference"
  → Loads existing skill, asks targeted questions, appends/updates reference files

  Use when data analysts want Claude to understand their company's specific data warehouse,
  terminology, metrics definitions, and common query patterns.
---

# Data Context Extractor

A meta-skill that extracts company-specific data knowledge from analysts and generates tailored data analysis skills.

## How It Works

This skill has two modes:

1. **Bootstrap Mode**: Create a new data analysis skill from scratch
2. **Iteration Mode**: Improve an existing skill by adding domain-specific reference files

---

## Bootstrap Mode

Use when: User wants to create a new data context skill for their warehouse.

### Phase 1: Database Connection & Discovery

**Step 1: Identify the database type**

Ask: "What data warehouse are you using?"

Common options:
- **BigQuery**
- **Snowflake**
- **PostgreSQL/Redshift**
- **Databricks**

Use `~~data warehouse` tools (query and schema) to connect. If unclear, check available MCP tools in the current session.

**Step 2: Explore the schema**

Use `~~data warehouse` schema tools to:
1. List available datasets/schemas
2. Identify the most important tables (ask user: "Which 3-5 tables do analysts query most often?")
3. Pull schema details for those key tables

Sample exploration queries by dialect:
```sql
-- BigQuery: List datasets
SELECT schema_name FROM INFORMATION_SCHEMA.SCHEMATA

-- BigQuery: List tables in a dataset
SELECT table_name FROM `project.dataset.INFORMATION_SCHEMA.TABLES`

-- Snowflake: List schemas
SHOW SCHEMAS IN DATABASE my_database

-- Snowflake: List tables
SHOW TABLES IN SCHEMA my_schema
```

### Phase 2: Core Questions (Ask These)

After schema discovery, ask these questions conversationally (not all at once):

**Entity Disambiguation (Critical)**
> "When people here say 'user' or 'customer', what exactly do they mean? Are there different types?"

Listen for:
- Multiple entity types (user vs account vs organization)
- Relationships between them (1:1, 1:many, many:many)
- Which ID fields link them together

**Primary Identifiers**
> "What's the main identifier for a [customer/user/account]? Are there multiple IDs for the same entity?"

Listen for:
- Primary keys vs business keys
- UUID vs integer IDs
- Legacy ID systems

**Key Metrics**
> "What are the 2-3 metrics people ask about most? How is each one calculated?"

Listen for:
- Exact formulas (ARR = monthly_revenue × 12)
- Which tables/columns feed each metric
- Time period conventions (trailing 7 days, calendar month, etc.)

**Data Hygiene**
> "What should ALWAYS be filtered out of queries? (test data, fraud, internal users, etc.)"

Listen for:
- Standard WHERE clauses to always include
- Flag columns that indicate exclusions (is_test, is_internal, is_fraud)
- Specific values to exclude (status = 'deleted')

**Common Gotchas**
> "What mistakes do new analysts typically make with this data?"

Listen for:
- Confusing column names
- Timezone issues
- NULL handling quirks
- Historical vs current state tables

### Phase 3: Generate the Skill

Create a skill with this structure:

```
[company]-data-analyst/
├── SKILL.md
└── references/
    ├── entities.md          # Entity definitions and relationships
    ├── metrics.md           # KPI calculations
    ├── tables/              # One file per domain
    │   ├── [domain1].md
    │   └── [domain2].md
    └── dashboards.json      # Optional: existing dashboards catalog
```

**SKILL.md Template**: See `references/skill-template.md`

**SQL Dialect Section**: See `references/sql-dialects.md` and include the appropriate dialect notes.

**Reference File Template**: See `references/domain-template.md`

### Phase 4: Package and Deliver

1. Create all files in the skill directory
2. Package as a zip file
3. Present to user with summary of what was captured

---

## Iteration Mode

Use when: User has an existing skill but needs to add more context.

### Step 1: Load Existing Skill

Ask user to upload their existing skill (zip or folder), or locate it if already in the session.

Read the current SKILL.md and reference files to understand what's already documented.

### Step 2: Identify the Gap

Ask: "What domain or topic needs more context? What queries are failing or producing wrong results?"

Common gaps:
- A new data domain (marketing, finance, product, etc.)
- Missing metric definitions
- Undocumented table relationships
- New terminology

### Step 3: Targeted Discovery

For the identified domain:

1. **Explore relevant tables**: Use `~~data warehouse` schema tools to find tables in that domain
2. **Ask domain-specific questions**:
   - "What tables are used for [domain] analysis?"
   - "What are the key metrics for [domain]?"
   - "Any special filters or gotchas for [domain] data?"

3. **Generate new reference file**: Create `references/[domain].md` using the domain template

### Step 4: Update and Repackage

1. Add the new reference file
2. Update SKILL.md's "Knowledge Base Navigation" section to include the new domain
3. Repackage the skill
4. Present the updated skill to user

---

## Reference File Standards

Each reference file should include:

### For Table Documentation
- **Location**: Full table path
- **Description**: What this table contains, when to use it
- **Primary Key**: How to uniquely identify rows
- **Update Frequency**: How often data refreshes
- **Key Columns**: Table with column name, type, description, notes
- **Relationships**: How this table joins to others
- **Sample Queries**: 2-3 common query patterns

### For Metrics Documentation
- **Metric Name**: Human-readable name
- **Definition**: Plain English explanation
- **Formula**: Exact calculation with column references
- **Source Table(s)**: Where the data comes from
- **Caveats**: Edge cases, exclusions, gotchas

### For Entity Documentation
- **Entity Name**: What it's called
- **Definition**: What it represents in the business
- **Primary Table**: Where to find this entity
- **ID Field(s)**: How to identify it
- **Relationships**: How it relates to other entities
- **Common Filters**: Standard exclusions (internal, test, etc.)

---

## Quality Checklist

Before delivering a generated skill, verify:

- [ ] SKILL.md has complete frontmatter (name, description)
- [ ] Entity disambiguation section is clear
- [ ] Key terminology is defined
- [ ] Standard filters/exclusions are documented
- [ ] At least 2-3 sample queries per domain
- [ ] SQL uses correct dialect syntax
- [ ] Reference files are linked from SKILL.md navigation section

Источник: anthropics/knowledge-work-plugins / data / data-context-extractor ↗. Ссылка проверена 2026-10-10.

Похожие