entscheidungsvorlage
Erstellt aus quantitativen Umfragedaten (CSV) eine strukturierte Entscheidungsvorlage (Decision Memo): Ausgangslage, Optionen mit Pro/Contra und Datenbeleg, begründete Empfehlung, Risiken/Annahmen. Er
SKILL.md.agents/skills/entscheidungsvorlage/SKILL.md
GitHubEntscheidungsvorlage (Decision Memo)
Ziel: Zu der in der Anfrage des Nutzers genannten Entscheidung eine
handlungsleitende Vorlage bauen, in der jede Option mit Daten belegt ist und eine
klare Empfehlung ausgesprochen wird. Für Entscheider:innen, nicht für Analyst:innen.
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,--sigfür Signifikanz + Effektstärke (Einfach × Einfach).text COL [--filter ...] [--sample N]— O-Töne/Freitext als Beleg.
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 — dieser Skill profitiert davon am meisten, weil
darin die anstehende Entscheidung und das Publikum der Vorlage stehen. Ausgangslage,
Gegenstand und Glossar daraus übernehmen; die Zahlen kommen weiterhin nur aus dem Motor.
Rekrutierungsweg und der Abschnitt „Wer fehlt" gehören unter Risiken und Annahmen: Eine
Option, die unter den Antwortenden stark aussieht, kann bei den nie Erreichten anders
aussehen. Dort genannte Erwartungen sind Prüfgegenstand, nie Beleg — nie eine Erwartung
darüber entscheiden lassen, welche Option gewinnt. Gibt es kein solches Dokument, wie
bisher vorgehen und am Ende einmal auf umfrage-kontext hinweisen.
Vorgehen
- Entscheidung schärfen. Was genau ist zu entscheiden? Welche Optionen sind plausibel? Wenn nicht vorgegeben, leite 2–4 realistische Optionen ab (inkl. „Status quo / nichts tun" als Referenz).
- Profilieren und die entscheidungsrelevanten Variablen finden.
- Evidenz je Option sammeln. Für jede Option gezielt die Daten befragen, die dafür oder dagegen sprechen (Verteilungen, Kreuzvergleiche, ggf. Signifikanz, Freitext- Bedarfe). Auch die Größe betroffener Nutzergruppen quantifizieren (Impact).
- Abwägen und empfehlen. Optionen anhand der Evidenz vergleichen, eine begründete Empfehlung geben. Trade-offs offenlegen, nicht verstecken.
- Report speichern nach
reports/(date +%F+ kebab-Titel, nicht überschreiben) und Empfehlung + Pfad in der Antwort nennen.
Report-Format
# Entscheidungsvorlage: <Entscheidung>
**Datenbasis:** <Datei> · n = <…> · <Datum>
## Empfehlung
Klare Aussage in 1–2 Sätzen: welche Option, warum.
## Ausgangslage
Warum steht die Entscheidung an? Relevanter Datenkontext in 2–4 Sätzen.
## Optionen im Vergleich
| Option | Dafür (Daten) | Dagegen (Daten) | Betroffene (Impact) |
|---|---|---|---|
| A … | … (Zahl) | … (Zahl) | … % der Nutzer |
| B … | … | … | … |
| Status quo | … | … | … |
## Begründung der Empfehlung
Warum die empfohlene Option die Abwägung gewinnt — mit den entscheidenden Zahlen.
## Risiken & Annahmen
Was muss zutreffen? Was könnte schiefgehen? Datenlücken/Unsicherheiten — einschließlich
wen die Umfrage nicht erreicht hat (aus dem Umfrage-Kontext) und was das für die Empfehlung
bedeuten kann.
## Nächste Schritte
2–4 konkrete, priorisierte Schritte.
## Methodik
Genutzte Spalten/Filter/Tests in einem Absatz.
Regeln
- Jede Option braucht Datenbeleg (pro und contra) — keine Bauchentscheidung.
- Empfehlung eindeutig aussprechen, aber Trade-offs und Unsicherheiten transparent machen.
- Signifikanz/Effektstärke nutzen, wo Gruppenunterschiede die Entscheidung tragen.
- Impact quantifizieren (wie viele Nutzer/welcher Anteil betroffen).
- Sprache = Sprache der Anfrage (Standard Deutsch). Entscheider-Ton: knapp, konkret.