mcpField
D
data-warehouse-metrics-layer-review

data-warehouse-metrics-layer-review

github.com/sylphxai数据与数据库139 次安装今天更新
代码仓库

关于 data-warehouse-metrics-layer-review

面向数据团队的指标层审查技能，将 KPI、血缘、数据新鲜度和仪表盘可信度问题整理为包含负责人、控制措施与迁移步骤的设计方案。

主要功能

  1. 01定义指标契约与粒度
  2. 02规划数据血缘与新鲜度
  3. 03制定质量测试和访问规则
  4. 04规范仪表盘发布与变更
  5. 05规划迁移和弃用

适用场景

  1. 01统一不同仪表盘中的 KPI
  2. 02审查数据新鲜度与质量控制
  3. 03规划 KPI 变更或回填

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/sylphxai/skills --skill data-warehouse-metrics-layer-review

安装后在 Claude Code 中输入/data-warehouse-metrics-layer-review确认已加载。

附带文件agents/openai.yamlreferences/data-warehouse-metrics-layer-patterns.md

详细介绍

数据仓库指标层评审

使用此技能，将有关数据仓库指标层、语义模型、KPI 定义、血缘、数据新鲜度和仪表板可信度的问题，转化为包含负责人、门槛、指标和恢复路径的具体产物。

工作流

  1. 确定决策问题、源系统、指标使用者、当前仪表板冲突、事件表、数据仓库模型、BI 工具、负责人、数据新鲜度需求和合规约束。
  2. 阅读 references/data-warehouse-metrics-layer-patterns.md。
  3. 将指标归类为财务、产品使用、增长漏斗、支持、可靠性、市场、实验、AI 成本或运营健康指标。
  4. 定义规范指标契约、粒度、维度、筛选条件、负责人、血缘、数据新鲜度 SLA、质量测试、访问规则、仪表板发布流程和变更日志。
  5. 制定指标层设计、状态机、决策表、事件架构、质量检查清单以及迁移／弃用计划。

何时不使用

  • 对于基础模型无需此技能特定产物契约即可处理的一般性建议，请勿使用。

护栏

  • 不要让每个仪表板各自重新定义活跃用户、转化率、流失率、ARR、支持 SLA 或使用成本等核心指标。
  • 发布指标时，必须明确粒度、时区、身份解析方式、排除项、源数据血缘和负责人。
  • 回填或重新定义 KPI 时，必须提供变更日志、通知使用者，并估算对历史数据的影响。
  • 不要通过便捷指标或宽泛的 BI 访问权限，暴露敏感的行级数据。

输出格式

Metrics-layer context:
Audience / source of truth / risk boundary:

Metric contract plan:
| Area | Decision | Evidence | Risk | Owner |
| --- | --- | --- | --- | --- |

Lineage, freshness, and change control:
- <trigger> -> <policy, metric, edge case, support note>

评论

支持 Markdown