chief-data-officer-advisor

chief-data-officer-advisor skill 개요

chief-data-officer-advisor의 용도

chief-data-officer-advisor는 되돌리기 어려운 데이터 의사결정을 내리기 전에 CDO 수준의 판단이 필요한 창업자, 스타트업 임원, AI 팀을 위한 전략적 데이터 리더십 skill입니다. 이 skill은 이사회 수준에서 다뤄야 할 네 가지 질문에 집중합니다. 데이터를 AI 학습에 사용할 수 있는지, 회사 단계에 맞는 데이터 아키텍처는 무엇인지, 고객 데이터를 어떻게 가치 평가하거나 제품화해야 하는지, 다음으로 어떤 데이터 역할을 채용해야 하는지입니다.

이는 SQL, 파이프라인, 스키마, 대시보드 구축을 도와주는 assistant가 아닙니다. chief-data-officer-advisor skill은 의사결정이 법무, 조직, 투자 유치, 제품, M&A에 영향을 미칠 때 가장 적합합니다.

가장 잘 맞는 사용자와 상황

고객 데이터로 모델을 학습해도 되는지, warehouse에서 lakehouse로 전환해야 하는지, 너무 이른 data mesh 도입을 막아야 하는지, 고객 데이터 해자를 정량화해야 하는지, 창업자 주도 분석이 더 이상 확장되지 않을 때 데이터 채용 순서를 정해야 하는지 고민 중이라면 이 skill을 사용하세요.

특히 고객 계약, 동의 출처, 데이터 독점성, 제품화 리스크가 중요한 B2B SaaS, AI 스타트업, 마켓플레이스, 데이터가 풍부한 제품에 유용합니다. 가장 잘 맞는 용도는 일상적인 엔지니어링 실행이 아니라 chief-data-officer-advisor for Strategic Planning입니다.

일반 프롬프트와 다른 점

일반 프롬프트도 폭넓은 데이터 전략 조언을 줄 수는 있습니다. 하지만 이 skill은 더 의사결정 중심입니다. 명시적인 프레임워크, 회사 단계별 기준, 반복 분석을 위한 Python 스크립트를 활용합니다. repository에는 AI 학습 데이터 권리, 데이터 제품 전략, 자산으로서의 고객 데이터, 데이터 팀 조직 진화에 관한 참고 자료가 포함되어 있으며, 감사, 아키텍처 선택, 가치 평가를 위한 스크립트도 함께 제공됩니다.

설치 전 알아야 할 중요한 경계

이 skill은 전략적 리스크와 의사결정 옵션을 드러내는 데 도움을 주지만, 법률 자문, 보안 검토, 데이터 보호 영향 평가, 기술 아키텍처 설계를 대체하지는 않습니다. AI 학습 데이터 관련 가이드는 쟁점을 발견하는 데 특히 유용하지만, 규제 대상 데이터, PII가 많은 데이터, 파트너 라이선스 데이터, 스크래핑 데이터, 외부 공유 데이터에는 여전히 법무 승인이 필요합니다.

chief-data-officer-advisor skill 사용 방법

chief-data-officer-advisor 설치 맥락

agent가 repository에서 skill 설치를 지원한다면 GitHub skill 경로에서 설치하세요.

npx skills add alirezarezvani/claude-skills --skill chief-data-officer-advisor

upstream skill 위치는 다음과 같습니다.

c-level-advisor/skills/chief-data-officer-advisor

설치 후에는 먼저 SKILL.md를 미리 확인하고, 그다음 현재 의사결정에 맞는 reference file을 읽으세요. 실제 실행 시에는 다음 파일을 살펴보는 것이 좋습니다.

• references/ai_training_data_rights.md
• references/data_product_strategy.md
• references/customer_data_as_asset.md
• references/data_team_org_evolution.md
• scripts/ai_training_data_audit.py
• scripts/data_product_strategy_picker.py
• scripts/data_asset_valuator.py

skill을 유용하게 만드는 입력 정보

chief-data-officer-advisor의 사용 품질은 구체적인 회사 정보에 크게 좌우됩니다. 회사 단계, 관련이 있다면 ARR, 데이터 소스, 동의 모델, 고객 계약상 제약, 데이터 규모, 사내 데이터 소비자, ML 프로덕션 상태, 의사결정 마감일을 포함하세요.

약한 프롬프트:

“Should we use a lakehouse?”

더 나은 프롬프트:

“Use chief-data-officer-advisor to decide our data architecture. We are Series A B2B SaaS, 55 employees, 3-person data team, 8 weekly data consumer groups, 4.5TB product and event data, one churn model in production, Snowflake today, S3 logs unused, board wants self-serve BI and ML feature reliability within 12 months. Recommend warehouse vs lakehouse vs mesh, build-vs-buy by layer, kill criteria, and a sequencing plan.”

전략 기획을 위한 권장 워크플로

먼저 기대하는 도구가 아니라 내려야 할 의사결정의 이름을 붙이세요. 이 skill에게 해당 의사결정이 네 가지 영역 중 어디에 속하는지 분류하도록 요청하세요. 네 가지 영역은 학습 데이터 권리, 데이터 제품 전략, 고객 데이터 자산 가치, 조직 진화입니다.

AI 학습 관련 질문이라면 origin, data_class, use_case가 포함된 JSON 형태의 데이터 소스 목록을 준비한 뒤, 답변을 scripts/ai_training_data_audit.py와 비교하세요. 아키텍처 질문이라면 data_product_strategy_picker.py와 호환되는 회사 프로필을 준비하세요. M&A나 수익화 관련 질문이라면 corpus profile을 준비해 가치 평가 프레임워크에 대입하세요.

실무에 적합한 프롬프트 패턴

좋은 chief-data-officer-advisor 가이드 프롬프트는 다섯 부분으로 구성됩니다.

1. Context: 회사 단계, 제품 유형, 고객, 규제 노출도.
2. Decision: 지금 내려야 하는 정확한 선택.
3. Current state: 데이터 스택, 팀, 계약, 동의, 규모, ML 사용 현황.
4. Constraints: 예산, 일정, 인수자 실사, 고객별 예외 조항.
5. Output format: 권고안, 리스크, 완화 방안, 실행 순서, 열린 질문.

임원에게 보고할 때는 “decision memo” 형식의 출력을 요청하고, 데이터 소스나 아키텍처 옵션을 비교할 때는 “audit table” 형식의 출력을 요청하세요.

chief-data-officer-advisor skill FAQ

chief-data-officer-advisor는 CDO가 있는 회사에만 필요한가요?

아닙니다. 이 skill은 회사에 CDO가 생기기 전 단계에서 더 큰 가치를 내는 경우가 많습니다. 창업자, CTO, 제품 책임자, AI 리드가 너무 이른 아키텍처 전환, 위험한 데이터 수익화 주장, 순서가 맞지 않는 데이터 채용을 피하는 데 도움을 줍니다.

이 skill을 쓰지 말아야 할 때는 언제인가요?

ETL 코드 작성, 쿼리 최적화, 스키마 설계, dbt 설정, 특정 클라우드 서비스 선정, 파이프라인 디버깅에는 사용하지 마세요. 어떤 계층을 구매할지 직접 구축할지 권고할 수는 있지만, 프로덕션에 바로 적용 가능한 기술 구현 계획을 만들어 주지는 않습니다.

일반적인 전략 프롬프트와 비교하면 어떤가요?

일반 프롬프트는 “lakehouse를 도입하라”, “data mesh를 구축하라”, “data scientist를 채용하라”처럼 유행하는 조언을 반영하는 경우가 많습니다. 이 skill은 더 제한적으로 판단합니다. 권고를 회사 단계, 데이터 규모, 소비자 수, ML 성숙도, 동의 출처, 계약상 제한, 조직 준비도와 연결합니다.

chief-data-officer-advisor skill은 초보자도 쓰기 쉬운가요?

네, 사용자가 비즈니스 상황을 설명할 수 있다면 충분히 사용할 수 있습니다. 데이터 아키텍트일 필요는 없지만, 정확한 사실을 제공해야 합니다. 데이터가 어디에서 왔는지, 누가 동의했는지, 누가 매주 사용하는지, 어떤 의사결정이 막혀 있는지 답할 수 없다면 첫 번째 출력은 최종 권고가 아니라 discovery로 다뤄야 합니다.

chief-data-officer-advisor skill 개선 방법

chief-data-officer-advisor 입력 개선하기

결과를 가장 빠르게 개선하는 방법은 모호한 목표를 의사결정 근거로 바꾸는 것입니다. “Can we train on customer data?”라고 묻는 대신, support tickets, product telemetry, uploaded files, call transcripts, partner feeds, synthetic data, scraped data를 각각 별도로 나열하세요. 각 항목마다 origin, 알고 있다면 consent wording, data class, retention rules, deletion process, intended model use를 제공하세요.

주의해야 할 흔한 실패 패턴

가장 흔한 실패는 핵심 제약을 숨긴 채 확신에 찬 전략 답변을 요구하는 것입니다. 고객 데이터 carve-out이 빠지면 가치 평가가 왜곡될 수 있습니다. ML 프로덕션 상태가 빠지면 너무 이른 lakehouse 권고로 이어질 수 있습니다. 동의 출처가 빠지면 학습 데이터 관련 조언이 지나치게 낙관적일 수 있습니다. 회사 단계가 빠지면 지나치게 시니어하거나 너무 이른 채용 계획이 나올 수 있습니다.

권고안에서 decision memo로 발전시키기

첫 출력 이후에는 skill에게 “recommendation,” “assumptions,” “risks,” “mitigations,” “questions for counsel or board”를 분리해 달라고 요청하세요. 이렇게 하면 자문형 답변을 임원 보고용 산출물로 바꿀 수 있습니다. 중요한 의사결정이라면 red-team 검토도 요청하세요. “What would make this recommendation wrong?”

로컬 맥락으로 skill 확장하기

더 나은 chief-data-officer-advisor 결과를 얻으려면 회사별 템플릿을 추가하세요. 승인된 consent language, data processing agreements, architecture standards, cloud constraints, security review requirements, board memo format 등이 여기에 해당합니다. 이를 core framework를 바꾸는 방식이 아니라 local context로 유지하면, skill의 재사용성은 유지하면서도 출력이 실제 운영 환경을 반영하게 됩니다.