Transforms metrics and findings into meaningful narratives — insight extraction, metrics-to-meaning conversion, comparison framing, and magnitude communication. Use when presenting scoring matrices, coverage metrics, performance data, cost estimates, or any quantitative finding that needs interpretation and context.
From maonpx claudepluginhub javimontano/mao-discovery-frameworkThis skill is limited to using the following tools:
examples/README.mdexamples/sample-output.htmlexamples/sample-output.mdprompts/metaprompts.mdprompts/use-case-prompts.mdreferences/body-of-knowledge.mdreferences/knowledge-graph.mmdreferences/state-of-the-art.mdEnables AI agents to execute x402 payments with per-task budgets, spending controls, and non-custodial wallets via MCP tools. Use when agents pay for APIs, services, or other agents.
Compares coding agents like Claude Code and Aider on custom YAML-defined codebase tasks using git worktrees, measuring pass rate, cost, time, and consistency.
Designs and optimizes AI agent action spaces, tool definitions, observation formats, error recovery, and context for higher task completion rates.
Transforms raw metrics, scores, and quantitative findings into meaningful narratives that drive understanding and action. Owns insight extraction, comparison framing, magnitude communication, and the bridge between numbers and decisions.
A number without context is noise. A number with context, comparison, and consequence is an insight. 92% test coverage means nothing until we know that the uncovered 8% concentrates the payment modules — exactly where risk is highest. Data metodologia-storytelling turns metrics into comprehension.
$1 — Data context: metrics, scoring, financial, performance, coverage (default: metrics)$2 — Audience: executive, technical, mixed (default: mixed)Parse from $ARGUMENTS.
Raw metric → Context → Comparison → Insight → Implication → Action
Example:
Raw: "Deployment frequency: 1/month"
Context: "El equipo despliega una vez al mes"
Comparison: "vs. benchmark DORA de equipos elite: múltiples por día"
Insight: "La brecha de 30x indica proceso manual o miedo al cambio"
Implication: "Cada feature espera en promedio 15 días de cola antes de llegar a producción"
Action: "Pipeline CI/CD automatizado puede cerrar la brecha a 1/semana en 3 sprints"
Data point → Pattern → Anomaly → Significance → Recommendation
Steps:
1. Observe the data point: "8 de 12 módulos tienen cobertura >90%"
2. Detect the pattern: "Los módulos con alta cobertura comparten equipo senior"
3. Identify the anomaly: "Los 4 módulos sin cobertura son todos del equipo junior"
4. Interpret the significance: "No es un problema de herramientas, es de capacitación"
5. Recommend: "Pair programming cross-team + coverage gates en CI"
| Frame Type | When | Example |
|---|---|---|
| Before/After | Projected improvement | "De 12 semanas a 4 semanas de time-to-market" |
| Peer Benchmark | Industry comparison | "vs. mediana del sector: 3 deploys/semana" |
| Industry Standard | Reference frameworks | "DORA elite: <1 hora lead time" |
| Internal Baseline | Historical comparison | "vs. Q1: incidentes reducidos 40%" |
| Target Gap | Distance to objective | "A 15 puntos del objetivo de disponibilidad 99.9%" |
| Cost Equivalence | Making FTE tangible | "Equivalente a 3 desarrolladores senior durante 6 meses" |
Abstract → Concrete → Impactful
"40 FTE-meses"
→ "Equivalente a un equipo de 8 personas durante 5 meses"
→ "Es decir, todo el equipo backend dedicado exclusivamente
desde enero hasta mayo, sin poder hacer nada más"
"99.5% disponibilidad"
→ "43 horas de downtime al año"
→ "Equivalente a casi 2 días completos sin servicio,
probablemente concentrados en momentos de alta demanda"
"$2M de deuda técnica" → NEVER. Use FTE-month equivalents.
When presenting scoring tables:
1. Lead with the pattern, not individual scores:
"De las 6 dimensiones evaluadas, 2 están en rojo y comparten causa raíz:
acoplamiento entre el módulo de autenticación y el core de negocio."
2. Highlight the anomalies:
"La dimensión de seguridad sorprende en verde dado que el equipo
no tiene un rol dedicado — evidencia de buenas prácticas orgánicas."
3. Connect to action:
"Los 2 rojos se resuelven con el escenario B en Fase 1 (Q2);
los 3 amarillos mejoran orgánicamente con la nueva arquitectura."
For multi-chart metodologia-storytelling (presentations, executive summaries):
Chart 1: The headline
"Aquí estamos" — current state summary metric
Chart 2: The context
"Así llegamos aquí" — trend or historical view
Chart 3: The comparison
"Así estamos vs. donde deberíamos estar" — benchmark gap
Chart 4: The path
"Así cerramos la brecha" — roadmap or scenario projection
Each chart builds on the previous. No standalone charts.
| Type | Guideline |
|---|---|
| Table footnotes | Explain methodology, not data (data goes in cells) |
| Semaphore criteria | Define thresholds: >80%, 50-80%, <50% |
| Cross-references | "→ See 03_AS-IS § Cobertura for methodology" |
| Source attribution | Evidence tag inline: "92% cobertura [CÓDIGO]" |
| Criterion | Check |
|---|---|
| Every metric has context | Not just the number — the story around it |
| Every metric has comparison | vs. baseline, benchmark, target, or prior period |
| Insights are actionable | "So what?" answered for every data point |
| Magnitudes are tangible | FTE-months translated to team-equivalents |
| Scoring patterns highlighted | Not just individual scores — the story across dimensions |
| No naked numbers | Zero metrics without interpretation |
| Caso Borde | Estrategia de Manejo |
|---|---|
| No hay benchmarks sectoriales disponibles | Usar linea base interna (trimestre anterior, otro equipo, otro proyecto). Declarar explicitamente: "Sin benchmark sectorial disponible; se usa linea base interna Q1 como referencia [SUPUESTO]". Si tampoco hay baseline interno, usar frameworks estandar (DORA, SRE). |
| Metricas contradictorias entre si | Presentar la contradiccion como hallazgo en si mismo. "La cobertura alta (92%) contradice la tasa de incidentes (8/mes), sugiriendo tests que no cubren escenarios reales [INFERENCIA]". La contradiccion ES la historia. |
| Datos escasos (<10 data points) | Reconocer limitacion explicitamente: "Con [N] datos, la tendencia es indicativa, no concluyente". Usar intervalos de confianza. Recomendar periodo de recoleccion antes de conclusiones definitivas. |
| Metricas que favorecen inaccion (todo en verde) | Buscar la historia debajo de la superficie: tendencias, velocidad de degradacion, costo de oportunidad. "Todo esta en verde hoy, pero la tendencia de los ultimos 3 trimestres muestra..." |
| Decision | Justificacion | Alternativa Descartada |
|---|---|---|
| Contexto antes que numero como regla | Un numero sin referencia es ruido. El lector no puede evaluar "92% cobertura" sin saber el target, el baseline, o el benchmark. | Numero primero: el lector forma juicio prematuro antes de tener marco de referencia. |
| Comparacion obligatoria en toda metrica | Toda metrica necesita al menos una referencia: vs baseline, vs industria, vs target, vs trimestre anterior. Sin comparacion no hay insight. | Metrica aislada: informativa pero no accionable; el lector no sabe si es bueno o malo. |
| Magnitudes tangibles sobre abstractas | "40 FTE-meses" no significa nada para un CEO. "Todo el equipo backend dedicado de enero a mayo sin hacer nada mas" genera comprension visceral. | Magnitudes abstractas: precisas pero no comunicativas para audiencia ejecutiva. |
| Secuencia narrativa en dashboards (4 charts) | Cada chart construye sobre el anterior: estado -> tendencia -> benchmark -> camino. Sin secuencia, los charts son datos aislados. | Charts independientes: flexibles pero no construyen argumento acumulativo. |
graph TD
subgraph Core["Core: Data Storytelling"]
M2M[Metrics-to-Meaning]
INSIGHT[Insight Extraction]
COMPARE[Comparison Framing]
MAGNITUDE[Magnitude Communication]
end
subgraph Inputs["Inputs"]
METRICS[Metricas Crudas]
SCORES[Scoring Matrices]
BENCHMARKS[Benchmarks]
CONTEXT[Contexto de Negocio]
end
subgraph Outputs["Outputs"]
NARRATIVE[Metric Narratives]
DASHBOARD[Dashboard Sequences]
SCORING_N[Scoring Narratives]
PROJECTION[Projections]
end
subgraph Related["Related Skills"]
STORY[storytelling]
COPY[copywriting]
DATAVIZ[data-viz-storytelling]
TECHWRITE[technical-writing]
end
METRICS --> M2M
SCORES --> INSIGHT
BENCHMARKS --> COMPARE
CONTEXT --> MAGNITUDE
M2M --> NARRATIVE
INSIGHT --> SCORING_N
COMPARE --> DASHBOARD
MAGNITUDE --> PROJECTION
STORY --> Core
COPY --> NARRATIVE
Core --> DATAVIZ
TECHWRITE --> METRICS
Filename: Data_Narrative_{project}_{dimension}_{WIP|Aprobado}.md
# Narrativa de Datos: {project} - {dimension}
## Headline
{Una metrica clave con contexto y comparacion en una linea}
## Estado Actual
| Metrica | Valor | Baseline | Benchmark | Gap | Tendencia |
|---|---|---|---|---|---|
## Interpretacion
{Parrafo denso: patron detectado + anomalia + significancia}
## Implicacion
{So what? Que significa para el negocio en terminos tangibles}
## Recomendacion
{Accion concreta que cierra el gap, con timeline estimado}
## Fuentes
| Dato | Tag de Evidencia | Confianza |
|---|---|---|
Data_Narrative_{project}_{dimension}_{WIP}.html{fase}_{entregable}_{cliente}_{WIP}.docx{fase}_{entregable}_{cliente}_{WIP}.xlsx{fase}_{entregable}_{cliente}_{WIP}.pptxFilename: Scoring_Narrative_{project}_{WIP|Aprobado}.md
# Scoring Narrative: {project}
## Patron General
{De las N dimensiones evaluadas, X estan en rojo y comparten causa raiz: ...}
## Scoring Matrix
| Dimension | Score | Semaforo | Evidencia Clave | Causa Raiz |
|---|---|---|---|---|
## Anomalias
{Dimensiones que sorprenden -- positiva o negativamente -- con explicacion}
## Conexion a Accion
{Los rojos se resuelven con [escenario] en [fase]; los amarillos mejoran con...}
## Proyeccion
{Si no se actua: tendencia de scores en N trimestres}
| Dimension | Peso | Criterio |
|---|---|---|
| Trigger Accuracy | 10% | Se activa ante metricas, scores, datos cuantitativos que requieren interpretacion y contexto |
| Completeness | 25% | Toda metrica tiene contexto, comparacion, interpretacion, implicacion, y recomendacion |
| Clarity | 20% | Magnitudes tangibles; secuencia logica dato -> insight -> accion; cero numeros desnudos |
| Robustness | 20% | Produce narrativas utiles sin benchmarks, con datos escasos, con metricas contradictorias |
| Efficiency | 10% | Genera narrativa completa por metrica sin requerir multiples iteraciones |
| Value Density | 15% | Cada metrica interpretada genera insight accionable; ratio signal-to-noise alto |
Umbral minimo: 7/10
metodologia-storytelling — Arco narrativo general que consume las narrativas de datosmetodologia-copywriting — Prosa persuasiva que envuelve los insights de datosmetodologia-data-viz-storytelling — Visualizaciones que representan las narrativas de datosmetodologia-technical-writing — Precision documental de las metricas fuente