agentleFS
kayspiegelkayspiegel/survey-insight-skills/.agents/skills/management-summary/SKILL.md

management-summary

Skill2 starsChanged 3 months agoMITView on GitHub

Bereitet eine Frage/ein Thema aus quantitativen Umfragedaten (CSV) management-gerecht auf: ein Einseiter mit TL;DR, 3–5 Kernbefunden mit Zahl und Implikation und nächsten Schritten. Ergebnis als Markdown nach reports/. Nutzen, wenn Ergebnisse für Führungs-/Stakeholder-Ebene verdichtet werden sollen. Aufruf mit der Anfrage als Argument, z. B. /management-summary <Frage/Thema>.

The file

Files
SKILL.md

Management-Summary

Ziel: Zu dem in der Anfrage des Nutzers genannten Thema einen entscheidungsorientierten Einseiter für Management/Stakeholder erstellen — verdichtet, implikationsstark, ohne Methoden-Ballast. Ergebnis als Markdown in reports/.

Werkzeug

python3 scripts/survey.py <cmd> [...] [--file CSV]

Aus dem Projekt-Root ausführen. Fehlt scripts/survey.py, unter .claude/scripts/survey.py nachsehen oder survey.py im Projekt suchen.

  • profile — Spaltenüberblick (immer zuerst).
  • freq COL [--by COL2] [--filter "COL=WERT"] [--sig] — Verteilung/Kreuztabelle (+Signifikanz).
  • text COL [--filter ...] [--sample N] — Freitext für ein prägnantes O-Ton-Zitat.

COL = Index (aus profile) oder eindeutiger Namensteil.

Umfrage-Kontext

Liegt neben der CSV ein Kontextdokument (<name>.context.md, bei genau einer CSV im Ordner auch survey-context.md), zuerst lesen. Zwei Teile zählen hier besonders: das Publikum (wer das liest und was damit entschieden wird — den Einseiter darauf zuschneiden) und Gegenstand/Glossar (damit die Summary die Sprache der Leser nutzt, nicht die Fragetexte). Die Zahlen kommen weiterhin nur aus dem Motor.

Dieses Format hat keine Methodik-Sektion und ist damit die Stelle, an der das Erhebungsdesign am leichtesten verloren geht — also eines behalten: Schränkt der Rekrutierungsweg die Botschaft wesentlich ein (Abschnitt „Wer fehlt"), das in einem Halbsatz an der passenden Stelle sagen, nicht in einem eigenen Block. „Unter den per In-App-Banner befragten aktiven Nutzern sind 71 % …" kostet sechs Wörter und verhindert, dass das Management ein Teilbild für das ganze hält.

Im Dokument genannte Erwartungen sind Prüfgegenstand, nie Beleg — eine Summary darf nicht zur erhofften Bestätigung werden. Gibt es kein solches Dokument, wie bisher vorgehen und am Ende einmal auf umfrage-kontext hinweisen.

Vorgehen

  1. Profilieren, dann das Thema in die 2–4 aussagekräftigsten Auswertungen übersetzen — diese Zahl kommt zu profile hinzu; profile ist Pflicht-Startschritt, keine der Auswertungen.
  2. Analysieren und die wichtigsten Zahlen holen. Weniger ist mehr — pro Kernbefund eine belastbare Zahl.
  3. Verdichten auf Implikationen. Für jeden Befund fragen: „Na und? Was heißt das fürs Geschäft/Produkt/die Nutzer?" Genau das kommt in die Summary.
  4. Report speichern nach reports/ (date +%F + kebab-Titel, nicht überschreiben) und die TL;DR + Pfad in der Antwort nennen.

Report-Format (max. eine Seite)

# <Thema als aussagekräftige Überschrift>

**Datenbasis:** <Datei> · n = <…> · <Datum>

## TL;DR
2–4 Sätze, die die zentrale Botschaft transportieren. Das Wichtigste zuerst.

## Kernbefunde
1. **<Befund>** — <Zahl absolut + %>. *Implikation:* <was das bedeutet>.
2. …
(3–5 Befunde, je Zahl + Implikation, jeweils eine Zeile)

## Empfehlung / Nächste Schritte
2–3 konkrete, priorisierte Schritte.

<optional ein prägnantes wörtliches Nutzerzitat, wenn es die Botschaft stützt>

Regeln

  • Kurz und implikationsorientiert — Management liest Botschaften, nicht Tabellen. Maximal eine Bildschirmseite.
  • Jeder Kernbefund trägt eine konkrete Zahl (absolut + %). Keine vagen Aussagen.
  • Fachjargon und Methodendetails weglassen (ggf. ein Satz „Basis: n=…").
  • Nichts behaupten, was die Daten nicht hergeben; Unsicherheit in einem Halbsatz benennen — auch, wen die Umfrage nicht erreicht hat, wenn das die Lesart der Botschaft ändert.
  • Sprache = Sprache der Anfrage (Standard Deutsch).

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.