chief-customer-officer-advisor
von alirezarezvanichief-customer-officer-advisor ist ein Leadership-Skill für Customer Success in B2B SaaS, mit Fokus auf Retention, Segmentierung, CS-Coverage und Organisationsdesign. Nutze die Referenzen und Python-Scripts, um GRR vs NRR zu analysieren, Kunden zu tiern, den CSM-Personalbedarf zu dimensionieren und CS-Einstellungen zu planen.
Dieser Skill erreicht 84/100 Punkte und ist damit ein solider Kandidat für Verzeichnisnutzer, die Unterstützung für einen Startup-Chief-Customer-Officer oder für Customer-Success-Strategie suchen. Er bietet klare Anwendungsfälle, umfangreiche Entscheidungsframeworks und praktische Scripts, mit denen ein Agent von Beratung zu strukturierter Analyse übergehen kann. Die Installations- und Einführungshinweise sind jedoch nicht vollständig in sich abgeschlossen.
- Starke Auslösbarkeit: Das Frontmatter benennt klar, dass der Skill für Retention-Strategie, Kundensegmentierung, CS-Coverage-Modellierung und die Reihenfolge von CS-Einstellungen genutzt werden soll.
- Substanzieller operativer Nutzen: Vier fokussierte Referenzdateien definieren Entscheidungsframeworks für Retention-Dekomposition, Segmentierung, Coverage-Modelle und die Weiterentwicklung der CS-Organisation.
- Mehr Hebelwirkung als generisches Prompting, weil deterministische Python-Tools für Retention-Analyse, Kundensegmentierung sowie CS-Headcount- und Coverage-Berechnungen enthalten sind, inklusive JSON-Schemas und Beispielnutzung.
- Im Skill-Ordner gibt es keinen Installationsbefehl und kein README. Nutzer müssen die Installation daher aus dem Kontext des übergeordneten Repositorys ableiten.
- Die vorliegenden Hinweise passen am besten zu Customer-Success-Strategie in B2B-SaaS- oder Startup-Umfeldern; für Non-SaaS, Consumer-Geschäft oder stark regulierte Kundenorganisationen ist der Skill möglicherweise weniger geeignet.
Überblick über den chief-customer-officer-advisor skill
Wofür chief-customer-officer-advisor gedacht ist
chief-customer-officer-advisor ist ein strategischer Customer-Success-Leadership-Skill für Gründer, Startup-CCOs, RevOps-Verantwortliche und Operators, die bessere Entscheidungen zu Retention, Segmentierung, CS-Betreuung und dem Aufbau kundenorientierter Teams treffen müssen. Es ist kein generischer Prompt nach dem Muster „schreib uns einen CS-Plan“. Der Skill ist um vier Executive-Entscheidungen herum aufgebaut: ob die Retention wirklich gesund ist, welche Kunden unterschiedliche Investitionsniveaus verdienen, wie viele CSMs benötigt werden und welche kundennahe Rolle als Nächstes eingestellt werden sollte.
Für welche Nutzer und Entscheidungen der Skill am besten passt
Der chief-customer-officer-advisor skill ist besonders stark für B2B-SaaS- oder Subscription-Unternehmen, die bereits genug Kunden- und ARR-Daten haben, um Trade-offs sichtbar zu machen. Nutze ihn, wenn du eine Retention-Story für den Vorstand vorbereitest, Kundensegmente neu zuschneidest, zwischen Tech-Touch, Pooled, Named CSM oder Named-plus-Exec-Coverage entscheidest oder Customer Success von Support, Account Management und Implementation abgrenzen willst. Als chief-customer-officer-advisor für Customer-Success-Planung ist er besonders nützlich, weil er qualitatives Operating-Urteilsvermögen mit deterministischen Helper-Scripts kombiniert.
Was ihn von einem normalen CS-Prompt unterscheidet
Der Unterschied liegt in der Struktur. Das Repository enthält Referenzen zu Retention-Decomposition, Customer-Segmentation-Strategie, CS-Coverage-Modellen und der Weiterentwicklung von CS-Teamstrukturen sowie Python-Scripts für Retention-Analyse, Segmentierungsdesign und Coverage-Berechnung. Dadurch kann der Skill von „berate mich“ zu „diagnostiziere dieses Kundenportfolio und empfehle operative Änderungen“ wechseln, wenn du saubere Inputs lieferst.
So nutzt du den chief-customer-officer-advisor skill
Installationskontext für chief-customer-officer-advisor
Installiere den Skill über den GitHub-Skill-Repository-Pfad:
npx skills add alirezarezvani/claude-skills --skill chief-customer-officer-advisor
Wenn dein Skill-Runner einen lokalen Pfad benötigt, nutze den Repository-Speicherort:
c-level-advisor/skills/chief-customer-officer-advisor
Für einen schnellen Adoption-Check lies zuerst SKILL.md und danach die vier Entscheidungsreferenzen: references/retention_decomposition.md, references/customer_segmentation_strategy.md, references/cs_coverage_model.md und references/cs_team_org_evolution.md. Sieh dir die Scripts erst an, wenn klar ist, welche Entscheidung du beantworten willst.
Inputs, die den Skill wirklich nützlich machen
Gute Nutzung von chief-customer-officer-advisor hängt vom Geschäftskontext ab, nicht nur von einer Frage. Gib Unternehmensphase, ACV-Spanne, ARR nach Segment, Kundenzahl, aktuelle CSM-Kapazität, Renewal-Motion, Expansionsmodell, Churn-Symptome und die anstehende Entscheidung an. Für Retention-Arbeit gehören Starting ARR, Renewed ARR, Expansion ARR, Contraction ARR, Kundenzahlen und Churn-Gründe nach Kohorte dazu. Für Segmentierung liefere Kunden-ARR, Tenure, ICP-Signale, Expansionspotenzial, vorhandene Executive Sponsors und grob geschätzte Support-Kosten.
Ein schwacher Prompt ist: „Erstelle eine CS-Strategie für uns.“
Ein stärkerer Prompt ist: „Wir sind ein Series-A-B2B-SaaS-Unternehmen mit $4.8M ARR, 280 Kunden und einem medianen ACV von $12K. NRR liegt bei 112%, aber GRR könnte eher bei 82% liegen. Wir haben 2 CSMs und 1 Support Lead. Diagnostiziere, ob unsere Retention gesund ist, schlage Kundentiers vor und empfehle, ob wir von Pooled auf Named CSM Coverage wechseln sollten.“
Praktischer Workflow und auszuführende Dateien
Beginne mit einer Entscheidung, nicht mit der gesamten CCO-Funktion. Wenn das Problem die ehrliche Churn-Diagnose ist, nutze retention_decomposition.md und führe optional scripts/retention_decomposition_analyzer.py mit Cohort-JSON aus. Wenn die Frage lautet „wer bekommt CSM-Zeit“, nutze customer_segmentation_strategy.md und scripts/customer_segmentation_designer.py. Wenn es um Headcount geht, nutze cs_coverage_model.md und scripts/cs_coverage_calculator.py. Wenn die Hiring-Reihenfolge das Problem ist, nutze cs_team_org_evolution.md.
Die Scripts sind Python-Tools nur auf Basis der Standardbibliothek und können mit eingebetteten Beispielen oder deinem eigenen JSON ausgeführt werden, zum Beispiel:
python scripts/cs_coverage_calculator.py book.json --output json
Nutze die Script-Ausgabe als Evidenz für den Agent und bitte den Skill anschließend, Trade-offs, Risiken und Executive Actions zu interpretieren.
Prompt-Muster für bessere Ergebnisse
Nutze diese Struktur: Kontext, Daten, Entscheidung, Einschränkungen, Ausgabeformat. Beispiel:
„Using chief-customer-officer-advisor, analyze our CS coverage. Context: Series B SaaS, $14M ARR, enterprise and mid-market customers. Data: Strategic tier has 12 customers and $5.2M ARR with 1 CSM; enterprise has 55 customers and $6.1M ARR with 2 CSMs; mid-market has 180 customers and $2.7M ARR with 1 CSM. Constraint: no more than two hires this year. Output: recommended coverage model, headcount gap, 12-month hiring sequence, and risks if we delay.“
FAQ zum chief-customer-officer-advisor skill
Ist chief-customer-officer-advisor nur für Startups?
Er ist auf operative Entscheidungen in Startups und Scale-ups ausgelegt, besonders im B2B-SaaS. Unternehmen in späteren Phasen können ihn weiterhin für Segmentierung oder Retention-Decomposition nutzen, aber die Standard-Schwellenwerte und die Hiring-Logik müssen für reife Enterprise-CS-Organisationen, regulierte Branchen oder komplexe globale Account-Strukturen möglicherweise angepasst werden.
Ersetzt der Skill einen Customer-Success-Consultant?
Nein. Der chief-customer-officer-advisor skill hilft dabei, Analysen zu strukturieren, versteckte Retention-Probleme sichtbar zu machen und Kundendaten in Entscheidungsoptionen zu übersetzen. Er führt keine Kundeninterviews, prüft keine CRM-Hygiene, validiert keine politischen Realitäten im Unternehmen und verhandelt keine Headcount-Trade-offs mit Executives. Betrachte ihn als Strategieanalyst und Entscheidungsrahmen, nicht als vollständigen operativen Owner.
Wann sollte ich diesen Skill nicht verwenden?
Nutze ihn nicht für Frontline-Support-Makros, Product-Onboarding-Copy, Sales-Playbooks oder taktische Account-Pläne, es sei denn, diese Artefakte hängen direkt mit einer übergeordneten CCO-Entscheidung zusammen. Er passt auch schlecht, wenn du überhaupt keine Kundendaten hast. Sammle in diesem Fall zuerst ARR-, Churn-, Expansion-, Support-Kosten- und Segmentinformationen.
Wie unterscheidet er sich von allgemeinen Business-Growth-Skills?
Allgemeine Growth-Skills betonen häufig Akquise, Funnel-Conversion oder Umsatztaktiken. Dieser Skill fokussiert sich auf die Customer Economics nach dem Verkauf: GRR versus NRR, Contraction versus Expansion, ICP-Fit, differenzierte Investitionen, CSM-Kapazität und Rollenklarheit zwischen Support, CS, AM und Implementation.
So verbesserst du den chief-customer-officer-advisor skill
Outputs von chief-customer-officer-advisor konkreter machen
Der schnellste Hebel ist eine höhere Granularität der Inputs. Ersetze vermischte Durchschnittswerte durch Daten auf Tier-Ebene. Statt „wir haben 500 Kunden und 5 CSMs“ liefere Kundenzahl, ARR, aktuelle CSMs, ACV-Spanne und Churn-Muster je Segment. Die Empfehlungen des Skills werden umsetzbarer, wenn sichtbar ist, wo CS-Zeit über- oder unterinvestiert ist.
Häufige Fehlerquellen vermeiden
Der wichtigste Fehler ist, nach einer universellen CS-Strategie zu fragen, obwohl die eigentliche Entscheidung viel enger ist. Ein weiterer ist, NRR zu optimieren und dabei schwache GRR zu ignorieren. Ein dritter ist, Hiring-Rat einzuholen, ohne das gescheiterte Kundenergebnis zu benennen: langsames Onboarding, ungelöste Support-Last, verpasste Renewals, geringe Expansion oder schwache Executive-Beziehungen. Verankere den Prompt im konkreten Failure Mode.
Nach der ersten Antwort iterieren
Bitte nach der ersten Ausgabe um einen Pressure Test: „Welche Annahmen würden diese Empfehlung verändern?“ Frage danach nach einer Executive-Version, einem Operating Plan und einer Data-Request-Liste. Für Vorstand oder Leadership sollte der Skill Fakten, Annahmen, Risiken und benötigte Entscheidungen getrennt ausweisen. Das verhindert selbstbewusste, aber zu schwach belegte Empfehlungen.
Schwellenwerte an dein Geschäft anpassen
Die eingebauten Referenzen nutzen praxisnahe SaaS-Baselines, aber dein Markt kann anders funktionieren. Passe ACV-Bänder, Tier-Namen, ARR-per-CSM-Erwartungen, ICP-Signale und Churn-Taxonomie an, bevor du dich auf finale Empfehlungen stützt. Ein PLG-Unternehmen, ein Enterprise-Produkt mit hohem Implementation-Anteil und ein services-unterstütztes SaaS-Geschäft sollten nicht dieselben Coverage-Schwellenwerte verwenden.