# Data Verify

> Verifica la reproducibilidad y consistencia de un análisis de datos antes de presentarlo, validando contra la pregunta original y documentando limitaciones.

- Skill: `leandrobenjaminl/data-verify` (Agent Skill)
- Install (CLI): `npx skillmds@latest add leandrobenjaminl/data-verify`
- Raw SKILL.md: https://api.skillmd.com/api/skills/leandrobenjaminl/data-verify/raw
- Safety review: PASS (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics, Coding & Dev Tools, Data Analysis
- Tags: Data Verification, Peer Review, Reproducibility, Sanity Checks, Sensitivity Analysis
- License: MIT
- Author: LeandroBenjaminL (https://skillmd.com/u/leandrobenjaminl)
- Updated: 2026-08-22
- Page: https://skillmd.com/skills/leandrobenjaminl/data-verify

---


# Skill: data-verify

Verificación final. Antes de presentar, asegurate de que no estás diciendo una mentira.

## Trigger

- Terminaste el análisis y estás por presentar
- Vas a hacer un commit con resultados
- Alguien más va a usar tus conclusiones para tomar decisiones
- El análisis tiene implicancias de negocio importantes

## Workflow LEND

```
1. ANALIZAR
   ├── ¿El análisis responde la pregunta original?
   ├── ¿Los datos son correctos? (verificar fuente, fechas, filtros)
   ├── ¿Las transformaciones son correctas? (re-ejecutar pipeline)
   └── ¿Las conclusiones están justificadas por los datos?

2. OFRECER (Menú del Senior)
   ├── A) Auto-verify — re-ejecutar pipeline de principio a fin, comparar resultados
   ├── B) Peer review — que otro agente (judgment-day) revise hallazgos y código
   └── C) Sanity checks — tests manuales: "esto tiene sentido?" con reglas de negocio

3. ELEGIR → confirmación

4. HACER
   ├── Re-ejecutar: correr el pipeline completo desde los datos crudos
   ├── Verificar: mismos datos crudos → mismos resultados (reproducibilidad)
   ├── Sanity checks: los números tienen sentido (no hay valores imposibles)
   ├── Cross-check: ¿las conclusiones cambian si cambia un parámetro? (sensibilidad)
   └── Documentar el proceso de verificación

5. VERIFICAR
   ├── El análisis es reproducible
   ├── Las conclusiones son robustas (no sensibles a pequeños cambios)
   └── Estaría dispuesto a defender estos resultados frente a un cliente
```

## Patrones

- **Reproducibilidad**: si no podés re-ejecutar y obtener lo mismo, no está verificado
- **Regla del titular**: si el resultado fuera un titular de diario, ¿lo publicarías?
- **Test de la abuela**: si se lo explicás a alguien no técnico, ¿lo entiende?
- **Sensibilidad**: ¿cómo cambian los resultados si sacás el 5% de los datos?

## Anti-patrones

- ❌ Presentar sin verificar — "funcionaba antes" no es verificación
- ❌ Confiar en un solo run — si no es reproducible, puede ser un accidente
- ❌ Ignorar resultados contra-intuitivos — si algo parece raro, investigá antes de presentar
- ❌ No documentar limitaciones — todo análisis tiene supuestos, documentalos