agentleFS
kayspiegelkayspiegel/survey-insight-skills/.agents/skills/segment-profil/SKILL.md

segment-profil

Skill2 starsChanged 3 months agoMITView on GitHub

Erstellt aus quantitativen Umfragedaten (CSV) ein datenbasiertes Vergleichsprofil einer Teilgruppe (Segment/Persona) gegenüber dem Rest der Stichprobe: wer sie sind, wie sie sich unterscheiden, was sie auszeichnet. Ergebnis als Markdown nach reports/. Nutzen für Personas, Nutzertypen oder Zielgruppen-Charakterisierung. Aufruf mit der Anfrage als Argument, z. B. /segment-profil <Segment-Beschreibung, z. B. "tägliche Nutzer" oder "Branche=Handel">.

The file

Files
SKILL.md

Segment-Profil

Ziel: Die in der Anfrage des Nutzers beschriebene Teilgruppe datenbasiert charakterisieren und gegen den Rest der Stichprobe kontrastieren — als Grundlage für Personas/Zielgruppen. 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 [--filter "COL=WERT"] — Verteilung im Segment (Filter) vs. gesamt.
  • freq COL --by SEGMENTSPALTE --sig — Segment als Spalte gegen ein Merkmal, mit Signifikanztest, um echte Unterschiede von Rauschen zu trennen.
  • text COL [--filter ...] [--sample N] — O-Töne des Segments.

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), vor der Segmentdefinition lesen. Die Spalten-Hinweise nennen oft die geschäftlich relevanten Segmente und die Spalte, in der sie stecken — dort nachsehen, bevor du einen eigenen Schnitt erfindest. Das Glossar hält das Profil in der Sprache der Organisation. Die Zahlen kommen weiterhin nur aus dem Motor.

Der Abschnitt „Wer fehlt" zählt hier doppelt: Ein Segment-Profil beschreibt eine Teilgruppe der Antwortenden, und wenn der Rekrutierungsweg schon eine Gruppe ausgeschlossen hat, beschreibt das Profil unbemerkt eine gefilterte Grundgesamtheit. Das gehört in die Methodik. Im Dokument genannte Erwartungen sind Prüfgegenstand, nie Beleg — eine Persona darf nicht auf das zurechtgeschnitten werden, was jemand vermutet hat. Gibt es kein solches Dokument, wie bisher vorgehen und am Ende einmal auf umfrage-kontext hinweisen.

Vorgehen

  1. Segment definieren. Übersetze die Beschreibung in einen konkreten Filter (z. B. Nutzungshäufigkeit = „Täglich"). Bestimme die Segmentgröße (n und % der Stichprobe).
  2. Profilieren und die charakterisierenden Merkmale wählen (Demografie, Verhalten, Rollen, Aufgaben).
  3. Kontrastieren. Für jedes Merkmal: Verteilung im Segment vs. Gesamt/Rest. Die interessanten Aussagen sind die Abweichungen („überdurchschnittlich oft …"). Wo möglich mit --sig prüfen, ob der Unterschied belastbar ist.
  4. Qualitativ anreichern. Freitext des Segments für typische Bedürfnisse/Zitate.
  5. Report speichern nach reports/ (date +%F + kebab-Titel, nicht überschreiben) und Kurzcharakterisierung + Pfad in der Antwort nennen.

Report-Format

# Segment-Profil: <Segmentname>

**Datenbasis:** <Datei> · Segment n = <…> (<…% der Stichprobe>) · <Datum>

## Kurzcharakterisierung
2–3 Sätze: Wer ist dieses Segment, was macht es aus?

## Merkmale im Vergleich
| Merkmal | Segment | Gesamt/Rest | Auffälligkeit |
|---|---:|---:|---|
| … | …% | …% | ↑ überdurchschnittlich / ↓ / ≈ |

(Deutliche und ggf. signifikante Abweichungen zuerst.)

## Verhalten & Bedürfnisse
Was tut das Segment (Aufgaben/Nutzung) und was braucht es (Freitext-Themen, 1–2 Zitate)?

## Was das für die Praxis bedeutet
Implikationen für Produkt/Kommunikation/Priorisierung.

## Methodik
Segment-Definition (Filter), verglichene Spalten, genutzte Tests und — aus dem
Umfrage-Kontext — welche Grundgesamtheit die Stichprobe abdeckt und welche nicht.

Regeln

  • Immer relativ berichten: Segment gegen Gesamt/Rest — absolute Zahlen des Segments allein sagen wenig. Abweichungen sind die Story.
  • Segmentgröße nennen; bei n < ~30 zur Vorsicht raten.
  • Signifikanz nutzen, um zufällige von echten Unterschieden zu trennen.
  • Sprache = Sprache der Anfrage (Standard Deutsch). Report knapp halten.

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.