startup-metrics-framework
von wshobsonstartup-metrics-framework unterstützt Gründer, Analysten und operative Teams dabei, Startup-KPIs wie CAC, LTV, Burn Multiple, Runway und Wachstumskennzahlen für SaaS-, Marketplace-, Consumer- und B2B-Startups zu berechnen.
Dieses Skill erreicht 72/100 Punkten. Es ist damit gut genug für eine Listung und dürfte Agents bei Startup-KPI-Aufgaben besser unterstützen als ein generischer Prompt. Verzeichnisnutzer sollten jedoch eher ein dokumentorientiertes Framework als einen eng operationalisierten Workflow erwarten. Das Repository zeigt substanziellen inhaltlichen Umfang mit Formeln, Benchmarks und modellspezifischen Abschnitten und liefert damit trotz begrenzter Ausführungshinweise und unterstützender Artefakte genug Klarheit für eine Installationsentscheidung.
- Hohe Auslösbarkeit: Die Beschreibung benennt klar, wann das Skill eingesetzt werden sollte, etwa für Metrik-Frameworks, CAC/LTV/Burn-Multiple-Berechnungen, Benchmarking sowie die Vorbereitung von Investor- oder Board-Dashboards.
- Substanzieller Inhalt: SKILL.md ist umfangreich, klar strukturiert und enthält Formeln, Benchmarks und mehrere Abschnitte zu Startup-Metriken statt bloßer Platzhaltertexte.
- Nützlicher Hebel für Agents: Häufige Startup-Finanz- und Wachstumskennzahlen werden in einer wiederverwendbaren Referenz gebündelt, was gegenüber einem generischen Prompt von Grund auf deutlich weniger Rätselraten erfordert.
- Die operative Klarheit ist eher mittel als stark: Im Repository sind weder Skripte noch Referenzen, Regeln oder ein Installationsbefehl erkennbar, daher müssen Agents Eingaben und Berechnungsablauf weiterhin selbst festlegen.
- Grenzen bei Vertrauenswürdigkeit und Passgenauigkeit: Benchmarks und Formeln sind im Skill enthalten, es fehlen jedoch zitierte Quellen oder verlinkte Referenzen, um Annahmen für einen konkreten Startup-Kontext zu validieren.
Überblick über das startup-metrics-framework-Skill
Was startup-metrics-framework macht
startup-metrics-framework ist ein Skill zur KPI-Planung und -Berechnung für Unternehmen in der Frühphase, die ein belastbares KPI-Framework brauchen – nicht nur eine lose Liste typischer Startup-Kennzahlen. Er ist für SaaS-, Marketplace-, Consumer- und B2B-Startups von Seed bis Series A ausgelegt, mit Fokus auf Umsatz, Unit Economics, Wachstumseffizienz und Cash-Management.
Für wen sich dieses Skill eignet
Am besten passt das Skill für Gründer:innen, Operator, Analyst:innen, Finance Leads und Teams in der Investor-Vorbereitung, die:
- die richtigen Startup-Kennzahlen je nach Geschäftsmodell und Phase auswählen müssen
- zentrale KPIs konsistent berechnen wollen
- rohe Unternehmensdaten in eine Sicht für Board, Fundraising oder operative Steuerung überführen möchten
- erkennen wollen, ob Wachstum wirklich gesund ist oder nur teuer erkauft wird
Die eigentliche Aufgabe dahinter
Die meisten Nutzer suchen nicht nur nach Formeln. Sie brauchen einen wiederholbaren Weg, um praktische Fragen zu beantworten wie:
- Welche Kennzahlen sind für mein Startup-Modell aktuell wirklich relevant?
- Wie sollte ich CAC, LTV, burn multiple oder payback berechnen?
- Mit welchem Benchmark sollte ich vergleichen?
- Was gehört in ein Investor- oder Leadership-Dashboard?
startup-metrics-framework ist besonders nützlich, wenn du möchtest, dass der Agent dieses Denken schnell strukturiert und die Ausgabe in der üblichen Sprache von Startup-Finance verankert bleibt.
Was startup-metrics-framework von anderen unterscheidet
Der wichtigste Unterschied ist die klare Begrenzung des Scopes. Statt allgemeine Hinweise zur Datenanalyse zu geben, ordnet das Skill Startup-Kennzahlen nach Unternehmensgesundheit und Relevanz fürs Fundraising. Abgedeckt werden:
- universelle Startup-Kennzahlen
- Umsatz- und Wachstumsmetriken
- Unit Economics
- Effizienz- und Cash-Kennzahlen
- phasenbezogene Erwartungen und Benchmark-Einordnung
Dadurch ist es für Entscheidungen deutlich nützlicher als ein gewöhnlicher Prompt wie „analyze my business“.
Wann dieses Skill gut passt
Nutze das startup-metrics-framework skill, wenn du bereits zumindest grobe Unternehmensdaten hast und ein Framework für die Einordnung brauchst. Besonders hilfreich ist es für:
- Metrikdefinitionen vor dem Aufbau eines Dashboards
- die Vorbereitung von Investor Updates
- Board-Reviews von Kennzahlen
- KPI-Audits in Startups
- das Identifizieren fehlender Inputs für Unit-Economics-Analysen
Wann es nicht gut passt
Dieses Skill ist kein Ersatz für:
- auditierbare Finanzmodellierung
- individuelle BI-Implementierung
- SQL-Pipeline-Design
- fortgeschrittene Cohort-Modellierung auf Basis roher Event-Logs
- branchenspezifische Metriken außerhalb typischer Startup-Betriebsmodelle
Wenn dein Hauptbedarf in Data Engineering, Accounting-Compliance oder Forecasting mit detaillierten Annahmen liegt, reicht dieses Skill allein nicht aus.
So nutzt du das startup-metrics-framework-Skill
Installationskontext für startup-metrics-framework
Die Repository-Struktur zeigt, dass dieses Skill hier liegt:
plugins/startup-business-analyst/skills/startup-metrics-framework
Ein typisches Installationsmuster für dieses Repo ist:
npx skills add https://github.com/wshobson/agents --skill startup-metrics-framework
Wenn dein Setup einen anderen Skill-Loader verwendet, nutze den GitHub-Pfad oben, um die Quelle zu finden und sie in deiner Agent-Umgebung zu registrieren.
Diese Datei solltest du zuerst lesen
Beginne mit:
SKILL.md
Dieser Repo-Abschnitt enthält für dieses Skill keine zusätzlichen Hilfsdateien, Skripte oder Referenzordner. Der Großteil des Nutzens steckt daher im Verständnis der Kennzahlendefinitionen, Formeln und Benchmark-Einordnung in genau dieser einen Datei.
Welche Eingaben startup-metrics-framework braucht
Die Qualität der startup-metrics-framework usage hängt stark von den Zahlen ab, die du mitgibst. Gute Inputs enthalten in der Regel:
- Geschäftsmodell: SaaS, Marketplace, Consumer Subscription, B2B Services, Hybrid
- Unternehmensphase: pre-seed, seed, Series A
- Preismodell
- monatliche Umsatz- oder Bookings-Daten
- Kundenzahlen
- Churn- oder Retention-Daten
- Sales- und Marketing-Ausgaben
- Gross Margin
- Cash-Bestand, Burn, Runway
- Akquisitionskanäle, wenn CAC analysiert werden soll
Ohne diese Angaben kann der Agent zwar weiterhin ein Framework liefern, aber keine belastbare Kennzahlenbewertung.
Aus einem groben Ziel einen starken Prompt machen
Schwacher Prompt:
- „Analyze my startup metrics.“
Stärkerer Prompt:
- „Use startup-metrics-framework for Data Analysis on a seed-stage B2B SaaS company. We have $120k MRR, 8% monthly logo churn, 78% gross margin, $45k monthly sales and marketing spend, 30 new customers last month, $1.2M cash, and $95k net burn. Calculate CAC, LTV, CAC payback, burn multiple, and identify the top 5 issues to fix before fundraising.”
Die stärkere Version funktioniert besser, weil sie liefert:
- Kontext zum Geschäftsmodell
- Kontext zur Phase
- genug Daten für die Berechnung
- ein klares Ziel für die Ausgabe
Bester Workflow für den ersten Einsatz mit startup-metrics-framework
Ein praxistauglicher Ablauf für startup-metrics-framework install und Nutzung ist:
- Installiere oder registriere das Skill in deinem Agent-Setup.
- Lies
SKILL.mdeinmal vollständig, um die Kategorien der Kennzahlen zu verstehen. - Sammle deine aktuellen monatlichen Operativzahlen.
- Bitte den Agenten zunächst nur die Kennzahlen zu berechnen, die mit deinen tatsächlich vorhandenen Daten unterstützt werden.
- Bitte danach um Einordnung, Benchmark-Vergleich und Empfehlungen für die nächsten Schritte.
So reduzierst du halluzinierte Annahmen und erkennst Datenlücken frühzeitig.
Empfohlene Prompt-Struktur
Eine verlässliche Prompt-Vorlage ist:
- Unternehmensart und Phase
- Zeitraum
- Ausgangsmetriken, denen du bereits vertraust
- Formeln, die angewendet werden sollen
- Benchmark- oder Entscheidungskontext
- gewünschtes Ausgabeformat
Beispiel:
- „Apply startup-metrics-framework to a Series A marketplace startup using the last 6 months of data. Compute revenue growth, CAC, LTV, take rate, burn multiple, and runway. Flag any metric that is directionally weak and separate calculation assumptions from conclusions.”
Was das Skill besonders gut abdeckt
Laut Quelle ist dieses Skill besonders stark bei:
- MRR- und ARR-Einordnung
- Interpretation von Wachstumsraten
- CAC- und LTV-Grundlagen
- churn-bezogenen Unit Economics
- Burn- und Runway-Logik
- benchmark-orientierter Analyse für Unternehmen in der Frühphase
Das reicht aus, um KPI-Reviews, Investor-Materialien und operative Dashboards auf Planungsebene zu unterstützen.
Wo du trotzdem selbst urteilen musst
Das Skill liefert Formeln und Benchmark-Logik, aber du musst weiterhin entscheiden:
- ob logo churn oder revenue churn verwendet werden soll
- ob CAC anteilige Overhead-Kosten enthalten sollte
- ob ARPU monatlich oder annualisiert gerechnet werden soll
- ob eine gemischte Kennzahl große Unterschiede zwischen Segmenten verdeckt
Diese Entscheidungen können die Ergebnisse deutlich verändern. Bitte den Agenten daher, Annahmen immer explizit zu machen.
Lesepfad durch das Repository
Da das Skill in einer einzelnen Datei konzentriert ist, ist dieser Lesepfad sinnvoll:
- Überblick in
SKILL.md - Abschnitt zu universellen Kennzahlen
- Abschnitt zu Unit Economics
- Abschnitte zu Cash und Effizienz
- phasenbezogene Benchmark-Referenzen
Lies es in dieser Reihenfolge, wenn du sowohl die Formeln als auch ihre operative Bedeutung verstehen möchtest.
Praktische Nutzungstipps, die die Qualität der Ergebnisse verbessern
Für bessere Ergebnisse bei der startup-metrics-framework usage:
- nutze eine einheitliche Zeitbasis, in der Regel monatlich
- kennzeichne, ob Kundenzahlen logos, accounts oder active payers meinen
- trenne gross revenue von net revenue
- gib an, ob churn monatlich oder jährlich ist
- nenne sowohl burn als auch aktuellen Cash-Bestand, wenn du eine Runway-Analyse willst
- bitte den Agenten, vor der Interpretation zuerst die Formeln zu zeigen
So vermeidest du die häufigsten Verwechslungen bei Metrikdefinitionen.
FAQ zum startup-metrics-framework-Skill
Ist startup-metrics-framework gut für Einsteiger?
Ja, sofern du die Grundstruktur deiner Unternehmensdaten bereits kennst. Das Skill ist zugänglich, weil es mit etablierten Startup-Kennzahlen arbeitet. Einsteiger sollten Begriffe wie CAC, ARPU, churn und gross margin aber trotzdem vor Entscheidungen noch einmal prüfen.
Ist startup-metrics-framework nur für SaaS?
Nein. Laut Quelle richtet es sich ausdrücklich an SaaS-, Marketplace-, Consumer- und B2B-Startups. Am besten passt es dort, wo recurring revenue, acquisition cost, retention und burn relevant sind. Weniger hilfreich ist es bei Geschäftsmodellen mit stark unregelmäßigen Projekterlösen oder komplexen Kapitalstrukturen.
Was ist der Hauptvorteil gegenüber einem normalen Prompt?
Ein normaler Prompt liefert oft nur eine generische KPI-Liste. startup-metrics-framework bietet eine stärker strukturierte Startup-Finance-Perspektive: Formeln, Benchmark-Kontext und eine bewusst engere Auswahl von Kennzahlen, die zur Phase und zum Geschäftsmodell passen. Das reduziert in der Praxis meist das Hin und Her bei der Prompting-Schleife.
Kann ich startup-metrics-framework für Investor Reporting nutzen?
Ja. Das ist einer der stärksten Anwendungsfälle. Das Skill passt sehr gut zu Investor Updates und Board-Reports, insbesondere bei Wachstum, Unit Economics und Cash-Effizienz. Wichtig ist nur, dass die Ausgangszahlen bereits bereinigt und intern konsistent sind.
Macht startup-metrics-framework tiefgehende Finanzmodellierung?
Nein. Es ist ein Framework und Analysewerkzeug, kein vollständiger Builder für Operating Models. Es hilft dabei, wichtige Startup-Kennzahlen zu definieren und zu berechnen, ersetzt aber weder spreadsheet-basiertes Planning noch Szenario-Modellierung oder die Prüfung durch ein Finance-Team.
Wann sollte ich startup-metrics-framework nicht installieren?
Lass es aus, wenn dein Hauptbedarf in Folgendem liegt:
- SQL- oder Dashboard-Implementierung
- reporting auf Accounting-Niveau
- fortgeschrittene Cohort-Analytics auf Basis von Event-Daten
- branchenspezifische operative Kennzahlen außerhalb von Early-Stage-Startup-Finance
In diesen Fällen passt ein BI-, Analytics-Engineering- oder FP&A-fokussiertes Skill besser.
So verbesserst du das startup-metrics-framework-Skill
Definiere Kennzahlen im startup-metrics-framework von Anfang an sauber
Der schnellste Weg, die Ergebnisse von startup-metrics-framework zu verbessern, ist, jede mehrdeutige Zahl zu definieren, bevor du nach Schlussfolgerungen fragst. Zum Beispiel:
- „CAC includes salaries, paid media, and software, but excludes founder time.”
- „Churn is monthly logo churn.”
- „ARPU is monthly subscription revenue per paying account.”
So vermeidest du ungültige Vergleiche und fehlerhafte Payback-Berechnungen.
Fordere Annahmen getrennt von der Analyse an
Ein starkes Prompt-Muster ist:
- „List assumptions needed.”
- „Show formulas.”
- „Compute metrics.”
- „Interpret results.”
- „Recommend actions.”
Diese Reihenfolge macht das Skill leichter prüfbar und stärkt das Vertrauen in die finale Analyse.
Liefere segmentierte Daten, wenn gemischte Kennzahlen die eigentliche Story verdecken
Wenn du mehrere Kundentypen hast, gib nicht nur gemischte Durchschnittswerte an. Bessere Inputs sind:
- SMB vs enterprise
- paid vs organic acquisition
- self-serve vs sales-led
- geography- oder product-line-Splits
Das verbessert die Interpretation von CAC, LTV und Wachstumseffizienz spürbar.
Achte auf typische Fehlermuster
Die häufigsten Probleme bei Ausgaben im Stil eines startup-metrics-framework guide sind:
- monatliche und jährliche Werte werden vermischt
- revenue churn und logo churn werden austauschbar verwendet
- LTV wird aus instabilen frühen churn-Daten berechnet
- gross margin wird bei LTV ignoriert
- alle Akquisitionskanäle werden als gleich effizient behandelt
Wenn die erste Antwort zu glatt wirkt, bitte den Agenten, genau diese Fehlermuster gezielt zu prüfen.
Verbessere startup-metrics-framework für Data Analysis-Prompts
Für stärkere Ergebnisse mit startup-metrics-framework for Data Analysis solltest du anfordern:
- eine Berechnungstabelle
- die explizit verwendeten Formeln
- Hinweise auf fehlende Daten
- einen Benchmark-Vergleich
- eine Priorisierung von Maßnahmen nach wahrscheinlichem Effekt
Beispiel:
- „Use startup-metrics-framework to compute the metrics below in a table, note any assumptions, compare to seed-stage benchmarks, and rank the top 3 operational fixes by likely effect on burn multiple and CAC payback.”
Nach der ersten Ausgabe mit startup-metrics-framework iterieren
Die besten Prompts für den zweiten Durchlauf sind nicht „redo this“, sondern gezielt formuliert:
- „Recalculate CAC excluding brand spend.”
- „Show the impact of reducing churn from 8% to 5%.”
- „Separate logo churn from revenue churn.”
- „Reframe this for a board deck.”
So wird das Skill von einem Formel-Erklärer zu einem echten Entscheidungstool.
Ausgabeformat für Stakeholder verbessern
Wenn du die Ergebnisse für ein Board Update oder ein Fundraising Memo brauchst, bitte um eine Ausgabe in Abschnitten:
- aktueller Kennzahlen-Snapshot
- Benchmark-Vergleich
- Risiken
- Maßnahmen
- Datenlücken
Damit wird das startup-metrics-framework skill in realen Workflows deutlich nützlicher als eine rohe Formelliste.
Vor der operativen Nutzung validieren
Bevor du die Ergebnisse in ein Dashboard oder Investor-Dokument übernimmst, prüfe:
- das source-of-truth-System für jede Kennzahl
- die verwendeten Zeitfenster
- Regeln für Ein- und Ausschlüsse
- die Konsistenz zwischen Finance- und Growth-Team
Das Skill ist am stärksten, wenn es die Analyse strukturiert und die Ergebnisse anschließend an euren internen Metrikdefinitionen validiert werden.