chief-customer-officer-advisor

Visão geral da skill chief-customer-officer-advisor

Para que serve chief-customer-officer-advisor

chief-customer-officer-advisor é uma skill estratégica de liderança em Customer Success para founders, CCOs de startups, líderes de RevOps e operadores que precisam tomar decisões melhores sobre retenção, segmentação, cobertura de CS e desenho da organização voltada ao cliente. Ela não é um prompt genérico de “escreva um plano de CS”. A skill é estruturada em torno de quatro decisões executivas: se a retenção está de fato saudável, quais clientes merecem níveis diferentes de investimento, quantos CSMs são necessários e qual função voltada ao cliente contratar em seguida.

Usuários e decisões para os quais ela faz mais sentido

A skill chief-customer-officer-advisor é mais forte para empresas B2B SaaS ou negócios de assinatura que já têm dados suficientes de clientes e ARR para tornar os tradeoffs visíveis. Use quando estiver preparando uma narrativa de retenção para o board, redesenhando tiers de clientes, decidindo entre cobertura tech-touch, pooled, named CSM ou named-plus-exec, ou separando Customer Success de Support, Account Management e Implementation. Ela é especialmente útil como chief-customer-officer-advisor para planejamento de Customer Success porque combina julgamento operacional qualitativo com scripts auxiliares determinísticos.

O que a diferencia de um prompt comum de CS

O diferencial é a estrutura. O repositório inclui referências para decomposição de retenção, estratégia de segmentação de clientes, modelos de cobertura de CS e evolução da organização de CS, além de scripts em Python para análise de retenção, desenho de segmentação e cálculo de cobertura. Isso significa que a skill consegue ir de “me dê conselhos” para “diagnostique esta carteira de clientes e recomende mudanças operacionais” quando você fornece entradas limpas.

Como usar a skill chief-customer-officer-advisor

Contexto de instalação de chief-customer-officer-advisor

Instale a partir do caminho do repositório da skill no GitHub:

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

Se o seu executor de skills exigir um caminho local, use a localização no repositório:

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

Para uma checagem rápida de adoção, leia primeiro SKILL.md e depois as quatro referências de decisão: references/retention_decomposition.md, references/customer_segmentation_strategy.md, references/cs_coverage_model.md e references/cs_team_org_evolution.md. Revise os scripts somente depois de saber qual decisão você está tentando responder.

Entradas que tornam a skill útil

Um bom uso de chief-customer-officer-advisor depende do contexto do negócio, não apenas de uma pergunta. Informe estágio da empresa, faixa de ACV, ARR por segmento, número de clientes, headcount atual de CSMs, modelo de renovação, modelo de expansão, sintomas de churn e qual decisão precisa ser tomada. Para trabalhos de retenção, inclua ARR inicial, ARR renovado, ARR de expansão, ARR de contração, número de clientes e motivos de churn por coorte. Para segmentação, inclua ARR do cliente, tempo de casa, sinais de ICP, potencial de expansão, presença de sponsor executivo e custo aproximado de suporte.

Um prompt fraco seria: “Crie uma estratégia de CS para nós.”
Um prompt mais forte seria: “Somos uma empresa B2B SaaS Series A com $4.8M de ARR, 280 clientes e ACV mediano de $12K. O NRR é 112%, mas o GRR pode estar em torno de 82%. Temos 2 CSMs e 1 líder de suporte. Diagnostique se nossa retenção é saudável, proponha tiers de clientes e recomende se devemos migrar de cobertura pooled para named CSM.”

Fluxo prático e arquivos para executar

Comece por uma decisão, não pela função inteira de CCO. Se o problema é entender a verdade sobre churn, use retention_decomposition.md e, se fizer sentido, execute scripts/retention_decomposition_analyzer.py com JSON de coortes. Se o problema é “quem recebe tempo de CSM”, use customer_segmentation_strategy.md e scripts/customer_segmentation_designer.py. Se o problema é headcount, use cs_coverage_model.md e scripts/cs_coverage_calculator.py. Se o problema é sequência de contratações, use cs_team_org_evolution.md.

Os scripts são ferramentas Python que usam apenas stdlib e podem ser executados com exemplos embutidos ou com seu próprio JSON, por exemplo:

python scripts/cs_coverage_calculator.py book.json --output json

Use a saída dos scripts como evidência para o agente e depois peça que a skill interprete tradeoffs, riscos e ações executivas.

Padrão de prompt para melhores resultados

Use esta estrutura: contexto, dados, decisão, restrições e formato de saída. Exemplo:

“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 da skill chief-customer-officer-advisor

chief-customer-officer-advisor é apenas para startups?

Ela foi desenhada em torno de decisões operacionais de startups e scale-ups, especialmente B2B SaaS. Empresas em estágios mais avançados ainda podem usá-la para segmentação ou decomposição de retenção, mas os thresholds padrão e a lógica de contratação podem precisar de ajustes para organizações maduras de enterprise CS, setores regulados ou estruturas complexas de contas globais.

Ela substitui um consultor de Customer Success?

Não. A skill chief-customer-officer-advisor ajuda a estruturar a análise, revelar problemas ocultos de retenção e transformar dados de clientes em opções de decisão. Ela não entrevista clientes, não inspeciona a higiene do CRM, não valida realidades políticas internas nem negocia tradeoffs de headcount com executivos. Trate-a como uma analista de estratégia e um framework de decisão, não como a dona completa da operação.

Quando eu não devo usar esta skill?

Não use para macros de suporte de linha de frente, textos de onboarding de produto, playbooks de vendas ou planos táticos de contas, a menos que esses artefatos estejam conectados a uma decisão de CCO de nível mais alto. Ela também não é uma boa escolha se você não tem nenhum dado de clientes. Nesse caso, primeiro reúna ARR, churn, expansão, custo de suporte e informações de segmento.

Como ela se diferencia de skills gerais de crescimento de negócio?

Skills gerais de crescimento costumam enfatizar aquisição, conversão de funil ou táticas de receita. Esta skill foca na economia do cliente no pós-venda: GRR versus NRR, contração versus expansão, aderência ao ICP, investimento diferenciado, capacidade de CSM e clareza de papéis entre Support, CS, AM e Implementation.

Como melhorar a skill chief-customer-officer-advisor

Torne as saídas de chief-customer-officer-advisor mais específicas

A melhoria mais rápida vem de entradas mais granulares. Substitua médias agregadas por dados no nível de tier. Em vez de “temos 500 clientes e 5 CSMs”, forneça número de clientes, ARR, CSMs atuais, faixa de ACV e padrão de churn por segmento. As recomendações da skill se tornam mais acionáveis quando ela consegue enxergar onde o tempo de CS está sendo investido demais ou de menos.

Evite modos de falha comuns

O principal modo de falha é pedir uma estratégia universal de CS quando a decisão real é mais estreita. Outro é otimizar NRR enquanto se ignora um GRR fraco. Um terceiro é pedir orientação de contratação sem nomear o resultado de cliente que está falhando: onboarding lento, carga de suporte não resolvida, renovações perdidas, baixa expansão ou relacionamentos executivos fracos. Ancore o prompt no modo de falha.

Itere depois da primeira resposta

Depois da primeira saída, peça um teste de pressão: “What assumptions would change this recommendation?” Em seguida, peça uma versão executiva, um plano operacional e uma lista de dados necessários. Para uso com board ou liderança, peça que a skill separe fatos, premissas, riscos e decisões necessárias. Isso evita recomendações confiantes, mas pouco sustentadas por evidências.

Customize os thresholds para o seu negócio

As referências embutidas usam benchmarks práticos de SaaS, mas o seu mercado pode ser diferente. Ajuste faixas de ACV, nomes de tiers, expectativas de ARR por CSM, sinais de ICP e taxonomia de churn antes de confiar nas recomendações finais. Uma empresa PLG, um produto enterprise com implementação pesada e um negócio SaaS assistido por serviços não deveriam usar thresholds de cobertura idênticos.