Skip to main content

growth-experiments

Utiliser quand l'utilisateur veut des expériences de croissance, un A/B test, un backlog growth, ou faire du CRO. Priorise les hypothèses par score ICE, définit un protocole d'expérience rigoureux, délègue l'exécution, lit les résultats par script et rend un verdict PASS/FAIL/INCONCLUSIF.

Datos de origen

Repositorio
PrendsTaPart/Plugin-Claude-MCP-BraindCode-
Última actividad en el origen
15 de julio de 2026 a las 10:01
Idioma detectado de SKILL.md
francés
Estrellas
8
Forks
0

Opciones de instalación

De forma predeterminada está seleccionado el prompt que primero revisa el origen. Puedes cambiar a un comando directo o descargar una copia local.

Revisa los archivos de origen

Lee SKILL.md y los archivos complementarios que muestra SkillsMP antes de decidir si quieres instalarlo.

Explorador de archivos
3 archivos

Mostrando SKILL.md

SKILL.md
Instrucciones de origen · Vista previa de solo lectura
name
growth-experiments
description
Utiliser quand l'utilisateur veut des expériences de croissance, un A/B test, un backlog growth, ou faire du CRO. Priorise les hypothèses par score ICE, définit un protocole d'expérience rigoureux, délègue l'exécution, lit les résultats par script et rend un verdict PASS/FAIL/INCONCLUSIF.
# Growth experiments — backlog ICE, protocole, verdict chiffré ## Étape 0 — Charger (obligatoire) - `${CLAUDE_PLUGIN_ROOT}/reference/priorite-mcp.md` et `garde-fous-marketing.md`. - **Lire `./rapido-kb/marketing/apprentissages.md` et `benchmarks.md` AVANT de proposer un backlog** — une hypothèse déjà testée (leçon passée) ne se re-teste pas à l'aveugle ; les leçons priment sur les défauts. Fichiers absents → créés depuis `${CLAUDE_PLUGIN_ROOT}/reference/kb-templates/` (voir `reference/memoire.md`). ## Méthode ### 1. Backlog scoré ICE Rassembler les hypothèses (impact, confidence, ease notés 1-10) → `python3 "${CLAUDE_PLUGIN_ROOT}/skills/growth-experiments/scripts/ice_score.py"` avec `{"hypotheses": [{nom, impact, confidence, ease}]}` → backlog **trié** (jamais priorisé de tête). ### 2. Protocole par expérience (avant de lancer) Pour chaque test : **hypothèse** (« si… alors… parce que… »), **métrique** unique, **taille d'échantillon minimale**, **durée**, **critère d'arrêt**. Un test sans protocole écrit ne se lance pas. ### 3. Exécution (déléguée au bon skill) - **Pub** → skill `tests-ab-meta` (rapido-meta-ads). - **Landing** → variantes via `create_editor_template` (rapidocrm) ou skill `usine-a-landing` (Lovable). - **Objet / email** → variantes via skill `email-sequence`. - Toute activation/envoi **confirmé** (hook `garde-envois`). ### 4. Lecture des résultats (jamais de tête) `python3 "${CLAUDE_PLUGIN_ROOT}/skills/growth-experiments/scripts/ab_result.py"` avec `{"controle": {n, conversions}, "variante": {n, conversions}, "seuil_min_echantillon": …}` → taux, uplift, z, **verdict PASS / FAIL / INCONCLUSIF** (test z à deux proportions). Un échantillon insuffisant = **INCONCLUSIF**, jamais « ça marche ». ### 5. Capitaliser (automatique) Ajouter 1 à 3 **leçons datées et SOURCÉES** (verdict du script) dans `./rapido-kb/marketing/apprentissages.md` (`date | contexte | leçon | preuve | skill source`) et **mettre à jour `benchmarks.md`** si un taux change — via `mise-a-jour-kb`. Pas de leçon sans preuve chiffrée. ## Livrable type Backlog priorisé ICE + protocole de l'expérience en cours + verdict chiffré du dernier test + prochaine hypothèse à tester. ## Cas d'usage croisés - Outillage A/B (méthode statistique, MDE) → skill `scale-ab-testing`. - Cartes de chaleur / enregistrements de session (CRO) → skill `scale-heatmaps`. - Mesurer le goulot d'un tunnel avant de tester → skill `tunnel-de-vente-360`. ## Garde-fous Priorisation et verdict **par script** ; protocole écrit avant tout test ; INCONCLUSIF assumé si échantillon insuffisant ; envois/activations confirmés ; leçons datées.
Ver en GitHub