スキルを探す

特定の求人票と履歴書を照合し、要件を裏付ける経験や不足情報を整理します。事実は変えず、見出し・要約・実績の掲載順を調整し、必要に応じてカバーレターも作成します。

• 特定の求人向けに履歴書を調整したいとき
• 求人の条件と経験を照合したいとき
• 採用システム向けの表現や形式の確認

複雑なSQLの作成、遅いクエリの改善、用途に合うデータベース設計を支援します。実行計画やインデックスを確認し、処理の正確さと負荷時の性能を検証する流れを扱います。

• 遅い分析クエリを改善したいとき
• SaaSのデータベース設計
• 顧客継続率を分析するSQLの作成

データの収集・変換・検証をつなぐ処理や分析用の保存基盤を設計・実装し、定期処理からリアルタイム処理まで、品質監視や運用コストも含めて整えるスキル。

• 定期的なデータ収集と変換の構築
• 分析用データウェアハウスの設計
• データベース変更のリアルタイム同期

欲しいデータを言葉で伝えると、利用するデータベースの構文に合わせてSQLを作成します。複数テーブルの結合や集計を組み立て、処理性能の注意点や変更方法も説明します。

• 注文数をステータス別に集計したいとき
• 登録月ごとの継続率を分析したいとき
• 日付で分割された大規模テーブルの検索

社内アナリストへの質問とデータベース構造の確認を通じて、用語・指標・集計ルールを整理し、自社専用のデータ分析スキルを新規作成・更新します。

• 自社専用の分析スキルを作りたいとき
• 指標の計算式や除外条件の文書化
• 新しい業務分野の知識を追加したいとき

主要なデータウェアハウスの構文に合わせて、集計や分析用のSQLを作成・改善します。環境間の書き換え、遅い処理の見直し、実行エラーの原因確認にも使えます。

• PostgreSQLからBigQueryへの移植
• 遅いクエリを見直したいとき
• 継続率や段階別の到達率の集計

データの取り込み・加工・保存の流れを設計し、定期実行の設定や品質検証、処理の高速化を支援します。バッチ処理とリアルタイム処理の選択から、データ基盤の運用まで扱います。

• データ取り込み・加工の流れを設計したいとき
• 定期処理とリアルタイム処理の比較
• データの鮮度・欠損・重複の検証

スタートアップの顧客データ活用について、AI学習への利用権限、データ基盤の選択、資産価値、採用順序を整理し、事業段階に応じた戦略判断を支援するスキル。

• 顧客データのAI学習利用を検討したいとき
• データ基盤と内製範囲を決めたいとき
• 資金調達やM&A前にデータ資産を評価

知りたいデータを日常の言葉で伝えると、データベースの構造と種類に合わせたSQLを作成します。集計や抽出の処理説明に加え、性能改善や結果の検証方法も提案するスキル。

• 利用条件に合うユーザーの抽出
• 地域別・顧客ランク別の売上集計
• データベース構造図からのクエリ作成

Snowflake向けのdbt SQLモデルをBigQuery向けに一括変換します。Jinjaの参照や条件分岐を維持し、型変換やJSON取得、設定の違いを調整します。

• Snowflakeのdbtモデルを一括移行したいとき
• dbtの参照や増分処理を維持したいとき
• JSON・配列・STRUCTの取得処理の移行

データへの質問やデータベース接続など、目的に合うWren CLIの手順を呼び出します。モデル定義の生成、業務指標の追加、共有用分析アプリの構築も案内します。

• Wrenを導入してデータベースにつなぎたいとき
• dltでHubSpotやStripeを取り込みたいとき
• モデル定義を生成し業務指標を追加したいとき

Provides open source intelligence techniques for CTF challenges. Use when gathering information from public sources, social media, geolocation, DNS records, username enumeration, reverse image search, Google dorking, Wayback Machine, Tor relays, FEC filings, or identifying unknown data like hashes and coordinates.

日本語の概要は準備中です。原文の説明を表示しています。

Create and troubleshoot AWS Glue connections to JDBC databases (Oracle, SQL Server, PostgreSQL, MySQL, RDS), Redshift, Snowflake, and BigQuery. Gathers connection hints from user, discovers existing connections and RDS/Redshift candidates, registers credentials in Secrets Manager or IAM DB auth, configures VPC, and tests. Triggers on: connect to database, set up Glue connection, register data source, connect to Snowflake/BigQuery/RDS, connection timeout, test connection, troubleshoot connection. Do NOT use for moving data (use ingesting-into-data-lake), creating tables (use creating-data-lake-table), queries (use querying-data-lake), catalog exploration (use exploring-data-catalog), or SaaS (Salesforce, ServiceNow, SAP, MongoDB, Kafka).

日本語の概要は準備中です。原文の説明を表示しています。

Guides an end-to-end data-warehouse migration to Amazon Redshift — discovery, schema/SQL/stored-procedure/macro/script conversion, data migration, validation, performance comparison, and reporting. Source-routed via `references/<source>/`; Teradata (Vantage) is the supported source; additional sources are added as their own `references/<source>/` sets. Text-only knowledge (no executable code) — the AI generates all execution at runtime. Applies when a user wants to migrate Teradata to Amazon Redshift, convert Teradata DDL/SQL/stored procedures/macros/BTEQ to Redshift/RSQL, or assess Teradata-to-Redshift migration complexity. Applies only to migrations targeting Amazon Redshift; migrations to other platforms (Snowflake, BigQuery, Databricks, etc.) are out of scope regardless of source. Does not cover general Redshift administration, performance tuning, or troubleshooting of existing Redshift clusters (no migration involved), or sources not listed under references/.

日本語の概要は準備中です。原文の説明を表示しています。

Import data into the AWS data lake from S3 files, local uploads, JDBC databases (Oracle, SQL Server, PostgreSQL, MySQL, RDS, Aurora), Amazon Redshift, Snowflake, BigQuery, DynamoDB, or existing Glue catalog tables (migration). Default target is S3 Tables; standard Iceberg on a general purpose bucket is supported where S3 Tables is not adopted. Handles one-time loads, recurring pipelines, migrations. Triggers on: import data, load data, ingest, sync database, migrate table, move data to AWS, set up pipeline, ETL, pull from Snowflake, query BigQuery into S3, export DynamoDB, CTAS, convert to Iceberg. Do NOT use for setting up or troubleshooting Glue connections (use connecting-to-data-source), creating empty tables (use creating-data-lake-table), running queries (use querying-data-lake), finding tables by fuzzy name (use finding-data-lake-assets), catalog audit (use exploring-data-catalog), or SaaS platforms like Salesforce, ServiceNow, SAP, MongoDB, Kafka.

日本語の概要は準備中です。原文の説明を表示しています。

World-class data engineering skill for building scalable data pipelines, ETL/ELT systems, real-time streaming, and data infrastructure. Expertise in Python, SQL, Spark, Airflow, dbt, Kafka, Flink, Kinesis, and modern data stack. Includes data modeling, pipeline orchestration, data quality, streaming quality monitoring, and DataOps. Use when designing data architectures, building batch or streaming data pipelines, optimizing data workflows, or implementing data governance.

日本語の概要は準備中です。原文の説明を表示しています。

Master modern SQL with cloud-native databases, OLTP/OLAP optimization, and advanced query techniques. Expert in performance tuning, data modeling, and hybrid analytical systems. Use PROACTIVELY for database optimization or complex analysis.

日本語の概要は準備中です。原文の説明を表示しています。

Build scalable data pipelines, modern data warehouses, and real-time streaming architectures. Implements Apache Spark, dbt, Airflow, and cloud-native data platforms. Use PROACTIVELY for data pipeline design, analytics infrastructure, or modern data stack implementation.

日本語の概要は準備中です。原文の説明を表示しています。

Help users design and facilitate product reviews that shift from status updates to strategic deep-dives, ensuring high-quality craftsmanship and organizational alignment.

日本語の概要は準備中です。原文の説明を表示しています。

Help users establish a multi-layered planning system that balances strategic alignment with operational agility across annual, quarterly, and weekly horizons.

日本語の概要は準備中です。原文の説明を表示しています。

Estimates Fabric capacity cost before a migration by profiling Spark, SQL, Power BI, and Real-Time workloads, then recommending SKU size and comparing Reserved, Pay-As-You-Go, and Autoscale billing. Use only for capacity sizing and pricing questions, not for general migration or connectivity work.

日本語の概要は準備中です。原文の説明を表示しています。

Running experiments out of the data warehouse instead of via dedicated experiment platforms. SQL-based assignment, exposure logging discipline, metric definitions in dbt models, statistical analysis in SQL or Python, variance reduction with CUPED, sequential testing, and the operational tradeoffs vs platforms like Statsig and Optimizely. Triggers on warehouse-native experimentation, run experiments in BigQuery, run experiments in Snowflake, dbt experiments, SQL t-test, CUPED variance reduction, exposure log, sample ratio mismatch, sequential testing, mSPRT, doubly robust estimation, build vs buy experimentation. Also triggers when the team is choosing between platform and warehouse, building warehouse-native experiment infrastructure, auditing one, or running an experiment with a custom metric the platform cannot handle.

日本語の概要は準備中です。原文の説明を表示しています。

Data engineering for batch and streaming pipelines with Airflow, dbt, Spark, and Kafka. Use when designing data architectures, building pipelines, adding data-quality checks, optimizing ETL/ELT, or troubleshooting pipeline failures.

日本語の概要は準備中です。原文の説明を表示しています。

This skill should be used when the user asks to "optimize Snowflake queries", "analyze Snowflake SQL performance", "size Snowflake warehouses", "review Snowflake data models", or "troubleshoot Snowflake cost issues".

日本語の概要は準備中です。原文の説明を表示しています。