[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M72Z7WN87MTKPCV57JQSBH8V":3,"skill-same:01M72Z7WN87MTKPCV57JQSBH8V":54},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":32,"commitSha":33,"skillDirectory":34,"forksCount":35,"repositoryHtmlUrl":36,"repositoryHomepageUrl":6,"ownerHtmlUrl":37,"ownerBlogUrl":6,"ownerDescription":38,"updatedAt":39,"install":40,"resources":53},"01M72Z7WN87MTKPCV57JQSBH8V","campaign-analytics",null,"Analisa a performance de campanhas com atribuição multi-touch, análise de conversão do funil e cálculo de ROI para otimização de marketing. Use ao analisar campanhas de marketing, performance de anúncios, modelos de atribuição, taxas de conversão ou ao calcular ROI, ROAS, CPA e métricas de campanha entre canais.","artubss\u002FSKILLS-CLAUDE-CODE","artubss","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F205203215?v=4","01M72YSJPDWM2V6S5PB6XP6PM9","Arthur Bezerra ","01M72YSJPZKPKRBGXNG8K6QFA8",12,"MIT","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Ffavorites\u002FMARKETING SKILLS\u002Fcampaign-analytics\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: \"campaign-analytics\"\ndescription: Analisa a performance de campanhas com atribuição multi-touch, análise de conversão do funil e cálculo de ROI para otimização de marketing. Use ao analisar campanhas de marketing, performance de anúncios, modelos de atribuição, taxas de conversão ou ao calcular ROI, ROAS, CPA e métricas de campanha entre canais.\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Ric Neves - Flowgrammers\n  category: marketing\n  domain: campaign-analytics\n  updated: 2026-02-06\n  tech-stack: marketing-analytics, attribution-modeling\nagents:\n  - claude-code\n---\n\n# Analytics de Campanha\n\nAnálise de performance de campanhas com modelagem de atribuição multi-touch, análise de conversão do funil e cálculo de ROI de nível produção. Três ferramentas Python CLI fornecem analytics determinísticos e repetíveis usando apenas a biblioteca padrão — sem dependências externas, sem chamadas de API, sem modelos de ML.\n\n---\n\n## Requisitos de Entrada\n\nTodos os scripts aceitam um arquivo JSON como argumento de entrada posicional. Veja `assets\u002Fsample_campaign_data.json` para exemplos completos.\n\n### Attribution Analyzer\n\n```json\n{\n  \"journeys\": [\n    {\n      \"journey_id\": \"j1\",\n      \"touchpoints\": [\n        {\"channel\": \"organic_search\", \"timestamp\": \"2025-10-01T10:00:00\", \"interaction\": \"click\"},\n        {\"channel\": \"email\", \"timestamp\": \"2025-10-05T14:30:00\", \"interaction\": \"open\"},\n        {\"channel\": \"paid_search\", \"timestamp\": \"2025-10-08T09:15:00\", \"interaction\": \"click\"}\n      ],\n      \"converted\": true,\n      \"revenue\": 500.00\n    }\n  ]\n}\n```\n\n### Funnel Analyzer\n\n```json\n{\n  \"funnel\": {\n    \"stages\": [\"Consciência\", \"Interesse\", \"Consideração\", \"Intenção\", \"Compra\"],\n    \"counts\": [10000, 5200, 2800, 1400, 420]\n  }\n}\n```\n\n### Campaign ROI Calculator\n\n```json\n{\n  \"campaigns\": [\n    {\n      \"name\": \"Campanha de Email Primavera\",\n      \"channel\": \"email\",\n      \"spend\": 5000.00,\n      \"revenue\": 25000.00,\n      \"impressions\": 50000,\n      \"clicks\": 2500,\n      \"leads\": 300,\n      \"customers\": 45\n    }\n  ]\n}\n```\n\n### Validação de Entrada\n\nAntes de executar os scripts, verifique se seu JSON é válido e corresponde ao schema esperado. Erros comuns:\n\n- **Chaves obrigatórias ausentes** (ex.: `journeys`, `funnel.stages`, `campaigns`) → script sai com um `KeyError` descritivo\n- **Comprimentos de array incompatíveis** nos dados do funil (`stages` e `counts` devem ter o mesmo comprimento) → levanta `ValueError`\n- **Valores monetários não numéricos** nos dados de ROI → levanta `TypeError`\n\nUse `python -m json.tool seu_arquivo.json` para validar a sintaxe JSON antes de passar para qualquer script.\n\n---\n\n## Formatos de Saída\n\nTodos os scripts suportam dois formatos de saída via flag `--format`:\n\n- `--format text` (padrão): Tabelas e resumos legíveis por humanos para revisão\n- `--format json`: JSON legível por máquina para integrações e pipelines\n\n---\n\n## Fluxo de Trabalho Típico de Análise\n\nPara uma revisão completa de campanha, execute os três scripts em sequência:\n\n```bash\n# Passo 1 — Atribuição: entender quais canais impulsionam conversões\npython scripts\u002Fattribution_analyzer.py campaign_data.json --model time-decay\n\n# Passo 2 — Funil: identificar onde os prospects desistem no caminho para a conversão\npython scripts\u002Ffunnel_analyzer.py funnel_data.json\n\n# Passo 3 — ROI: calcular lucratividade e comparar com benchmarks do setor\npython scripts\u002Fcampaign_roi_calculator.py campaign_data.json\n```\n\nUse os resultados de atribuição para identificar os canais de melhor desempenho, depois concentre a análise do funil nos segmentos desses canais, e por fim valide as métricas de ROI para priorizar a realocação de budget.\n\n---\n\n## Como Usar\n\n### Análise de Atribuição\n\n```bash\n# Execute todos os 5 modelos de atribuição\npython scripts\u002Fattribution_analyzer.py campaign_data.json\n\n# Execute um modelo específico\npython scripts\u002Fattribution_analyzer.py campaign_data.json --model time-decay\n\n# Saída JSON para integração com pipeline\npython scripts\u002Fattribution_analyzer.py campaign_data.json --format json\n\n# Meia-vida personalizada para time-decay (padrão: 7 dias)\npython scripts\u002Fattribution_analyzer.py campaign_data.json --model time-decay --half-life 14\n```\n\n### Análise de Funil\n\n```bash\n# Análise básica do funil\npython scripts\u002Ffunnel_analyzer.py funnel_data.json\n\n# Saída JSON\npython scripts\u002Ffunnel_analyzer.py funnel_data.json --format json\n```\n\n### Cálculo de ROI de Campanha\n\n```bash\n# Calcular métricas de ROI para todas as campanhas\npython scripts\u002Fcampaign_roi_calculator.py campaign_data.json\n\n# Saída JSON\npython scripts\u002Fcampaign_roi_calculator.py campaign_data.json --format json\n```\n\n---\n\n## Scripts\n\n### 1. attribution_analyzer.py\n\nImplementa cinco modelos de atribuição padrão do setor para alocar crédito de conversão entre canais de marketing:\n\n| Modelo | Descrição | Melhor Para |\n|--------|-----------|------------|\n| First-Touch | 100% de crédito para a primeira interação | Campanhas de conscientização de marca |\n| Last-Touch | 100% de crédito para a última interação | Campanhas de resposta direta |\n| Linear | Crédito igual para todos os pontos de contato | Avaliação equilibrada multi-canal |\n| Time-Decay | Mais crédito para pontos de contato recentes | Ciclos de vendas curtos |\n| Position-Based | Divisão 40\u002F20\u002F40 (primeiro\u002Fmeio\u002Fúltimo) | Marketing de funil completo |\n\n### 2. funnel_analyzer.py\n\nAnalisa funis de conversão para identificar gargalos e oportunidades de otimização:\n\n- Taxas de conversão estágio a estágio e porcentagens de abandono\n- Identificação automática de gargalos (maiores quedas absolutas e relativas)\n- Taxa de conversão geral do funil\n- Comparação de segmento quando múltiplos segmentos são fornecidos\n\n### 3. campaign_roi_calculator.py\n\nCalcula métricas abrangentes de ROI com benchmarking do setor:\n\n- **ROI**: Porcentagem de retorno sobre investimento\n- **ROAS**: Razão de retorno sobre o gasto em anúncios\n- **CPA**: Custo por aquisição\n- **CPL**: Custo por lead\n- **CAC**: Custo de aquisição de cliente\n- **CTR**: Taxa de cliques\n- **CVR**: Taxa de conversão (leads para clientes)\n- Sinaliza campanhas com desempenho abaixo dos benchmarks do setor\n\n---\n\n## Guias de Referência\n\n| Guia | Local | Propósito |\n|------|-------|-----------|\n| Guia de Modelos de Atribuição | `references\u002Fattribution-models-guide.md` | Mergulho profundo nos 5 modelos com fórmulas, prós\u002Fcontras, critérios de seleção |\n| Benchmarks de Métricas de Campanha | `references\u002Fcampaign-metricas-benchmarks.md` | Benchmarks do setor por canal e vertical para CTR, CPC, CPM, CPA, ROAS |\n| Framework de Otimização de Funil | `references\u002Ffunil-optimization-framework.md` | Estratégias de otimização estágio por estágio, gargalos comuns, melhores práticas |\n\n---\n\n## Melhores Práticas\n\n1. **Use múltiplos modelos de atribuição** — Compare pelo menos 3 modelos para triangular o valor do canal; nenhum modelo único conta a história completa.\n2. **Defina janelas de lookback apropriadas** — Combine sua meia-vida de time-decay com o comprimento médio do seu ciclo de vendas.\n3. **Segmente seus funis** — Compare segmentos (canal, coorte, geografia) para identificar drivers de performance.\n4. **Avalie o desempenho contra seu próprio histórico primeiro** — Benchmarks do setor fornecem contexto, mas dados históricos são a comparação mais relevante.\n5. **Execute análise de ROI em intervalos regulares** — Semanalmente para campanhas ativas, mensalmente para revisão.\n6. **Inclua todos os custos** — Considere custos de criativo, ferramentas e mão-de-obra junto com o gasto em mídia para um ROI preciso.\n7. **Documente testes A\u002FB rigorosamente** — Use o template fornecido para garantir validade estatística e critérios de decisão claros.\n\n---\n\n## Limitações\n\n- **Sem testes de significância estatística** — Scripts fornecem apenas métricas descritivas; cálculos de valor-p requerem ferramentas externas.\n- **Somente biblioteca padrão** — Sem bibliotecas estatísticas avançadas. Adequado para a maioria dos tamanhos de campanha, mas não otimizado para datasets acima de 100K jornadas.\n- **Análise offline** — Scripts analisam snapshots JSON estáticos; sem conexões de dados em tempo real ou integrações de API.\n- **Moeda única** — Todos os valores monetários assumidos na mesma moeda (BRL por padrão); sem suporte a conversão de moeda.\n- **Time-decay simplificado** — Decaimento exponencial baseado em meia-vida configurável; não considera padrões de dia de semana\u002Ffim de semana ou sazonais.\n- **Sem rastreamento entre dispositivos** — Atribuição opera nos dados de jornada fornecidos como estão; resolução de identidade entre dispositivos deve ser tratada upstream.\n\n## Skills Relacionadas\n\n- **analytics-tracking**: Para configurar rastreamento. NÃO para analisar dados (isso é esta skill).\n- **ab-test-setup**: Para projetar experimentos para testar o que o analytics revela.\n- **marketing-ops**: Para rotear insights para a skill de execução correta.\n- **paid-ads**: Para otimizar o gasto em anúncios com base nas descobertas do analytics.\n","# Analytics de Campanha\n\nAnálise de performance de campanhas com modelagem de atribuição multi-touch, análise de conversão do funil e cálculo de ROI de nível produção. Três ferramentas Python CLI fornecem analytics determinísticos e repetíveis usando apenas a biblioteca padrão — sem dependências externas, sem chamadas de API, sem modelos de ML.\n\n---\n\n## Requisitos de Entrada\n\nTodos os scripts aceitam um arquivo JSON como argumento de entrada posicional. Veja `assets\u002Fsample_campaign_data.json` para exemplos completos.\n\n### Attribution Analyzer\n\n```json\n{\n  \"journeys\": [\n    {\n      \"journey_id\": \"j1\",\n      \"touchpoints\": [\n        {\"channel\": \"organic_search\", \"timestamp\": \"2025-10-01T10:00:00\", \"interaction\": \"click\"},\n        {\"channel\": \"email\", \"timestamp\": \"2025-10-05T14:30:00\", \"interaction\": \"open\"},\n        {\"channel\": \"paid_search\", \"timestamp\": \"2025-10-08T09:15:00\", \"interaction\": \"click\"}\n      ],\n      \"converted\": true,\n      \"revenue\": 500.00\n    }\n  ]\n}\n```\n\n### Funnel Analyzer\n\n```json\n{\n  \"funnel\": {\n    \"stages\": [\"Consciência\", \"Interesse\", \"Consideração\", \"Intenção\", \"Compra\"],\n    \"counts\": [10000, 5200, 2800, 1400, 420]\n  }\n}\n```\n\n### Campaign ROI Calculator\n\n```json\n{\n  \"campaigns\": [\n    {\n      \"name\": \"Campanha de Email Primavera\",\n      \"channel\": \"email\",\n      \"spend\": 5000.00,\n      \"revenue\": 25000.00,\n      \"impressions\": 50000,\n      \"clicks\": 2500,\n      \"leads\": 300,\n      \"customers\": 45\n    }\n  ]\n}\n```\n\n### Validação de Entrada\n\nAntes de executar os scripts, verifique se seu JSON é válido e corresponde ao schema esperado. Erros comuns:\n\n- **Chaves obrigatórias ausentes** (ex.: `journeys`, `funnel.stages`, `campaigns`) → script sai com um `KeyError` descritivo\n- **Comprimentos de array incompatíveis** nos dados do funil (`stages` e `counts` devem ter o mesmo comprimento) → levanta `ValueError`\n- **Valores monetários não numéricos** nos dados de ROI → levanta `TypeError`\n\nUse `python -m json.tool seu_arquivo.json` para validar a sintaxe JSON antes de passar para qualquer script.\n\n---\n\n## Formatos de Saída\n\nTodos os scripts suportam dois formatos de saída via flag `--format`:\n\n- `--format text` (padrão): Tabelas e resumos legíveis por humanos para revisão\n- `--format json`: JSON legível por máquina para integrações e pipelines\n\n---\n\n## Fluxo de Trabalho Típico de Análise\n\nPara uma revisão completa de campanha, execute os três scripts em sequência:\n\n```bash\n# Passo 1 — Atribuição: entender quais canais impulsionam conversões\npython scripts\u002Fattribution_analyzer.py campaign_data.json --model time-decay\n\n# Passo 2 — Funil: identificar onde os prospects desistem no caminho para a conversão\npython scripts\u002Ffunnel_analyzer.py funnel_data.json\n\n# Passo 3 — ROI: calcular lucratividade e comparar com benchmarks do setor\npython scripts\u002Fcampaign_roi_calculator.py campaign_data.json\n```\n\nUse os resultados de atribuição para identificar os canais de melhor desempenho, depois concentre a análise do funil nos segmentos desses canais, e por fim valide as métricas de ROI para priorizar a realocação de budget.\n\n---\n\n## Como Usar\n\n### Análise de Atribuição\n\n```bash\n# Execute todos os 5 modelos de atribuição\npython scripts\u002Fattribution_analyzer.py campaign_data.json\n\n# Execute um modelo específico\npython scripts\u002Fattribution_analyzer.py campaign_data.json --model time-decay\n\n# Saída JSON para integração com pipeline\npython scripts\u002Fattribution_analyzer.py campaign_data.json --format json\n\n# Meia-vida personalizada para time-decay (padrão: 7 dias)\npython scripts\u002Fattribution_analyzer.py campaign_data.json --model time-decay --half-life 14\n```\n\n### Análise de Funil\n\n```bash\n# Análise básica do funil\npython scripts\u002Ffunnel_analyzer.py funnel_data.json\n\n# Saída JSON\npython scripts\u002Ffunnel_analyzer.py funnel_data.json --format json\n```\n\n### Cálculo de ROI de Campanha\n\n```bash\n# Calcular métricas de ROI para todas as campanhas\npython scripts\u002Fcampaign_roi_calculator.py campaign_data.json\n\n# Saída JSON\npython scripts\u002Fcampaign_roi_calculator.py campaign_data.json --format json\n```\n\n---\n\n## Scripts\n\n### 1. attribution_analyzer.py\n\nImplementa cinco modelos de atribuição padrão do setor para alocar crédito de conversão entre canais de marketing:\n\n| Modelo | Descrição | Melhor Para |\n|--------|-----------|------------|\n| First-Touch | 100% de crédito para a primeira interação | Campanhas de conscientização de marca |\n| Last-Touch | 100% de crédito para a última interação | Campanhas de resposta direta |\n| Linear | Crédito igual para todos os pontos de contato | Avaliação equilibrada multi-canal |\n| Time-Decay | Mais crédito para pontos de contato recentes | Ciclos de vendas curtos |\n| Position-Based | Divisão 40\u002F20\u002F40 (primeiro\u002Fmeio\u002Fúltimo) | Marketing de funil completo |\n\n### 2. funnel_analyzer.py\n\nAnalisa funis de conversão para identificar gargalos e oportunidades de otimização:\n\n- Taxas de conversão estágio a estágio e porcentagens de abandono\n- Identificação automática de gargalos (maiores quedas absolutas e relativas)\n- Taxa de conversão geral do funil\n- Comparação de segmento quando múltiplos segmentos são fornecidos\n\n### 3. campaign_roi_calculator.py\n\nCalcula métricas abrangentes de ROI com benchmarking do setor:\n\n- **ROI**: Porcentagem de retorno sobre investimento\n- **ROAS**: Razão de retorno sobre o gasto em anúncios\n- **CPA**: Custo por aquisição\n- **CPL**: Custo por lead\n- **CAC**: Custo de aquisição de cliente\n- **CTR**: Taxa de cliques\n- **CVR**: Taxa de conversão (leads para clientes)\n- Sinaliza campanhas com desempenho abaixo dos benchmarks do setor\n\n---\n\n## Guias de Referência\n\n| Guia | Local | Propósito |\n|------|-------|-----------|\n| Guia de Modelos de Atribuição | `references\u002Fattribution-models-guide.md` | Mergulho profundo nos 5 modelos com fórmulas, prós\u002Fcontras, critérios de seleção |\n| Benchmarks de Métricas de Campanha | `references\u002Fcampaign-metricas-benchmarks.md` | Benchmarks do setor por canal e vertical para CTR, CPC, CPM, CPA, ROAS |\n| Framework de Otimização de Funil | `references\u002Ffunil-optimization-framework.md` | Estratégias de otimização estágio por estágio, gargalos comuns, melhores práticas |\n\n---\n\n## Melhores Práticas\n\n1. **Use múltiplos modelos de atribuição** — Compare pelo menos 3 modelos para triangular o valor do canal; nenhum modelo único conta a história completa.\n2. **Defina janelas de lookback apropriadas** — Combine sua meia-vida de time-decay com o comprimento médio do seu ciclo de vendas.\n3. **Segmente seus funis** — Compare segmentos (canal, coorte, geografia) para identificar drivers de performance.\n4. **Avalie o desempenho contra seu próprio histórico primeiro** — Benchmarks do setor fornecem contexto, mas dados históricos são a comparação mais relevante.\n5. **Execute análise de ROI em intervalos regulares** — Semanalmente para campanhas ativas, mensalmente para revisão.\n6. **Inclua todos os custos** — Considere custos de criativo, ferramentas e mão-de-obra junto com o gasto em mídia para um ROI preciso.\n7. **Documente testes A\u002FB rigorosamente** — Use o template fornecido para garantir validade estatística e critérios de decisão claros.\n\n---\n\n## Limitações\n\n- **Sem testes de significância estatística** — Scripts fornecem apenas métricas descritivas; cálculos de valor-p requerem ferramentas externas.\n- **Somente biblioteca padrão** — Sem bibliotecas estatísticas avançadas. Adequado para a maioria dos tamanhos de campanha, mas não otimizado para datasets acima de 100K jornadas.\n- **Análise offline** — Scripts analisam snapshots JSON estáticos; sem conexões de dados em tempo real ou integrações de API.\n- **Moeda única** — Todos os valores monetários assumidos na mesma moeda (BRL por padrão); sem suporte a conversão de moeda.\n- **Time-decay simplificado** — Decaimento exponencial baseado em meia-vida configurável; não considera padrões de dia de semana\u002Ffim de semana ou sazonais.\n- **Sem rastreamento entre dispositivos** — Atribuição opera nos dados de jornada fornecidos como estão; resolução de identidade entre dispositivos deve ser tratada upstream.\n\n## Skills Relacionadas\n\n- **analytics-tracking**: Para configurar rastreamento. NÃO para analisar dados (isso é esta skill).\n- **ab-test-setup**: Para projetar experimentos para testar o que o analytics revela.\n- **marketing-ops**: Para rotear insights para a skill de execução correta.\n- **paid-ads**: Para otimizar o gasto em anúncios com base nas descobertas do analytics.\n",{"name":5,"agents":24,"license":15,"metadata":26,"description":7},[25],"claude-code",{"author":27,"domain":5,"updated":28,"version":29,"category":30,"tech-stack":31},"Ric Neves - Flowgrammers",1770336000000,"1.0.0","marketing","marketing-analytics, attribution-modeling","master","ac67ed85889b15fa9e784e2a93a83f8916870698","favorites\u002FMARKETING SKILLS\u002Fcampaign-analytics",3,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE","https:\u002F\u002Fgithub.com\u002Fartubss","Especialista em Automação N8N | Desenvolvedor Full Stack | Integrações & APIs | Soluções para Clínicas e Vendas High-Ticket","2026-05-16 23:21:14",{"source":8,"skillName":5,"commands":41,"prompt":51,"zipAvailable":52},[42,45,48],{"tool":43,"command":44},"npx","npx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill campaign-analytics",{"tool":46,"command":47},"bunx","bunx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill campaign-analytics",{"tool":49,"command":50},"pnpm","pnpm dlx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill campaign-analytics","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Ffavorites\u002FMARKETING SKILLS\u002Fcampaign-analytics\u002FSKILL.md",true,[],[55,64,71,78,85,92],{"skillNo":56,"name":57,"nameZh":6,"description":58,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":59,"licenseFileUrl":60,"sourceHtmlUrl":61,"categories":62,"keywords":63,"publishedAt":19},"01M7346R3PXY76FHGSCZK9K0TQ","yeet","Use only when the user explicitly asks to stage, commit, push, and open a GitHub pull request in one flow using the GitHub CLI (`gh`).","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fyeet\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fyeet\u002FSKILL.md",[],[],{"skillNo":65,"name":66,"nameZh":6,"description":67,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":68,"categories":69,"keywords":70,"publishedAt":19},"01M7344A50ESJS0TY4J50PE28W","dependabot-review","Analise e gerencie PRs do Dependabot. Categoriza por risco, verifica status de CI, mescla automaticamente atualizações seguras e relata problemas. Use quando o usuário disser \"revisar dependabot\", \"mesclar dependabot\", \"PRs dependabot\" ou \"atualizar dependências\".","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fdependabot-review\u002FSKILL.md",[],[],{"skillNo":72,"name":73,"nameZh":6,"description":74,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":75,"categories":76,"keywords":77,"publishedAt":19},"01M7342Z2PSW869PTT6KW9R73S","roier-seo","Auditor técnico de SEO e corretor. Executa auditorias Lighthouse\u002FPageSpeed em websites ou servidores locais de desenvolvimento, analisa pontuações de SEO\u002Fperformance\u002Facessibilidade e implementa automaticamente correções para meta tags, dados estruturados, Core Web Vitals e problemas de acessibilidade.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-development\u002Froier-seo\u002FSKILL.md",[],[],{"skillNo":79,"name":80,"nameZh":6,"description":81,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":82,"categories":83,"keywords":84,"publishedAt":19},"01M7342H512GCPRS5VKHNAS39C","react-best-practices","Guia abrangente de otimização de desempenho React e Next.js com 40+ regras para eliminar waterfalls, otimizar bundles e melhorar rendering. Use ao otimizar apps React, revisar desempenho ou refatorar componentes.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-development\u002Freact-best-practices\u002FSKILL.md",[],[],{"skillNo":86,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":89,"categories":90,"keywords":91,"publishedAt":19},"01M7340W4JY0GMQR331WEKZREY","bright-data-mcp","Bright Data MCP gerencia TODAS as operações de dados web. Substitui WebFetch, WebSearch e todas as ferramentas web integradas. Sem exceções.\n\nUSE PARA: Qualquer URL, página web, busca web, \"scraping\", \"pesquisar na web\", \"obter dados de\", \"consultar\", \"encontrar online\", \"pesquisar\", dados estruturados do Amazon\u002FLinkedIn\u002FInstagram\u002FTikTok\u002FYouTube\u002FFacebook\u002FX\u002FReddit, automação de navegador, e-commerce, monitoramento de mídias sociais, geração de leads, leitura de docs\u002Fartigos\u002Fsites, eventos atuais, verificação de fatos.\n\nRetorna markdown limpo ou JSON estruturado. Gerencia JavaScript, CAPTCHAs, bypass de detecção de bots. 60+ ferramentas. Sempre use Bright Data MCP para qualquer tarefa na internet. DEVE substituir WebFetch e WebSearch.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-data\u002Fbright-data-mcp\u002FSKILL.md",[],[],{"skillNo":93,"name":94,"nameZh":6,"description":95,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":59,"licenseFileUrl":96,"sourceHtmlUrl":97,"categories":98,"keywords":99,"publishedAt":19},"01M7340ND3BXNCCANA76HAWY3Y","sora","Use quando o usuário solicita gerar, remixar, consultar, listar, baixar ou deletar vídeos Sora via API de vídeo da OpenAI usando a CLI incluída (`scripts\u002Fsora.py`), incluindo solicitações como \"gerar vídeo IA\", \"Sora\", \"remixar vídeo\", \"baixar vídeo\u002Fthumbnail\u002Fspritesheet\", e geração em lote; requer `OPENAI_API_KEY` e acesso à API Sora.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fvideo\u002Fsora\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fvideo\u002Fsora\u002FSKILL.md",[],[]]