chief-customer-officer-advisor

chief-customer-officer-advisor skill 概覽

chief-customer-officer-advisor 適合用來做什麼

chief-customer-officer-advisor 是一套面向 Customer Success 高階決策的策略型 skill，適合創辦人、新創 CCO、RevOps 負責人，以及需要在留存、客戶分層、CS 覆蓋模式與面向客戶組織設計上做出更精準判斷的營運主管。它不是一般那種「幫我寫一份 CS 計畫」的提示詞。這個 skill 圍繞四個高階決策設計：留存表現是否真的健康、哪些客戶值得不同程度的投入、需要多少 CSM，以及下一個該招募的面向客戶角色是什麼。

最適合的使用者與決策情境

chief-customer-officer-advisor skill 最適合 B2B SaaS 或訂閱制公司，前提是你已經有足夠的客戶與 ARR 資料，可以看出取捨在哪裡。當你正在準備董事會的留存敘事、重新設計客戶分層、決定要採用 tech-touch、pooled、named CSM 或 named-plus-exec 覆蓋模式，或是要釐清 Customer Success 與 Support、Account Management、Implementation 的分工時，可以使用它。作為 Customer Success 規劃用的 chief-customer-officer-advisor，它特別有價值，因為它結合了定性的營運判斷與可重複執行的決定性輔助腳本。

它和一般 CS prompt 有什麼不同

差異在於結構。這個 repository 包含留存拆解、客戶分層策略、CS 覆蓋模型，以及 CS 團隊組織演進的參考文件，另有用於留存分析、分層設計與覆蓋率計算的 Python scripts。也就是說，只要你提供乾淨的輸入資料，這個 skill 可以從「給我建議」進一步變成「診斷這本 book of business，並建議營運上的調整」。

如何使用 chief-customer-officer-advisor skill

chief-customer-officer-advisor 安裝情境

從 GitHub skill repository path 安裝：

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

如果你的 skill runner 需要 local path，請使用 repository 位置：

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

若要快速判斷是否值得導入，先讀 SKILL.md，再讀四份決策參考文件：references/retention_decomposition.md、references/customer_segmentation_strategy.md、references/cs_coverage_model.md，以及 references/cs_team_org_evolution.md。等你確定要回答哪一類決策問題之後，再檢視 scripts。

讓 chief-customer-officer-advisor 更有用的輸入資料

要把 chief-customer-officer-advisor 用好，關鍵不是只丟一個問題，而是提供足夠的業務脈絡。請提供公司階段、ACV 區間、各 segment 的 ARR、客戶數、目前 CSM 人數、續約流程、擴張模式、流失症狀，以及眼前要做的決策。若是留存分析，請提供 starting ARR、renewed ARR、expansion ARR、contraction ARR、客戶數，以及各 cohort 的流失原因。若是客戶分層，請提供 customer ARR、tenure、ICP signals、expansion potential、是否有 executive sponsor，以及大致的 support cost。

較弱的 prompt 是：「Create a CS strategy for us。」
較強的 prompt 是：「We are a Series A B2B SaaS company at $4.8M ARR, 280 customers, median ACV $12K. NRR is 112%, but GRR may be around 82%. We have 2 CSMs and 1 support lead. Diagnose whether our retention is healthy, propose customer tiers, and recommend whether to move from pooled to named CSM coverage.」

實際工作流程與要執行的檔案

先從一個決策開始，不要一口氣處理整個 CCO 職能。如果問題是「流失真相是什麼」，請使用 retention_decomposition.md，並可視需要用 cohort JSON 執行 scripts/retention_decomposition_analyzer.py。如果問題是「誰應該得到 CSM 的時間」，請使用 customer_segmentation_strategy.md 與 scripts/customer_segmentation_designer.py。如果問題是人力需求，請使用 cs_coverage_model.md 與 scripts/cs_coverage_calculator.py。如果問題是招募順序，請使用 cs_team_org_evolution.md。

這些 scripts 是僅使用 stdlib 的 Python tools，可以搭配內建 sample 或你自己的 JSON 執行，例如：

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

把 script output 當作提供給 agent 的證據，再請 skill 解讀取捨、風險與高階主管應採取的行動。

取得更好結果的 prompt 寫法

使用這個結構：context、data、decision、constraints、output format。例如：

「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.」

chief-customer-officer-advisor skill 常見問題

chief-customer-officer-advisor 只適合新創公司嗎？

它是圍繞新創與 scale-up 的營運決策所設計，特別適合 B2B SaaS。較成熟階段的公司仍然可以用它做客戶分層或留存拆解，但預設門檻與招募邏輯可能需要依成熟的 enterprise CS 組織、受監管產業，或複雜的全球帳戶結構進行調整。

它可以取代 Customer Success 顧問嗎？

不行。chief-customer-officer-advisor skill 可以協助你建立分析架構、揭露隱藏的留存問題，並把客戶資料轉化為決策選項。它不會訪談客戶、檢查 CRM 資料品質、驗證組織政治現實，也不會替你和高階主管協商人力取捨。請把它視為策略分析師與決策框架，而不是完整的營運 owner。

什麼情況不該使用這個 skill？

不要把它用在一線客服巨集、產品 onboarding 文案、銷售 playbook，或戰術型 account plan 上，除非這些產出明確連結到更高層次的 CCO 決策。如果你完全沒有任何客戶資料，它也不適合。在這種情況下，請先蒐集 ARR、churn、expansion、support cost 與 segment 資訊。

它和一般 business-growth skills 有什麼不同？

一般 growth skills 常強調獲客、漏斗轉換或營收戰術。這個 skill 專注於售後的客戶經濟：GRR 與 NRR 的差異、contraction 與 expansion、ICP fit、差異化投入、CSM capacity，以及 Support、CS、AM、Implementation 之間的角色清晰度。

如何改進 chief-customer-officer-advisor skill 的使用效果

讓 chief-customer-officer-advisor 的輸出更具體

最快的改進方式，是提高輸入資料的粒度。用 tier-level data 取代混合平均值。與其說「we have 500 customers and 5 CSMs」，不如依 segment 提供 customer count、ARR、current CSMs、ACV range 與 churn pattern。當 skill 看得出 CS 時間在哪些地方投入過多或投入不足，建議就會更可執行。

避免常見失敗模式

最主要的失敗模式，是在真正的決策其實更窄時，卻要求一套通用 CS strategy。另一個常見問題，是只最佳化 NRR，卻忽略疲弱的 GRR。第三種，是要求招募建議，卻沒有說清楚失敗的客戶結果是什麼：onboarding 太慢、support load 無法消化、renewals 漏接、expansion 偏低，或 executive relationships 薄弱。請把 prompt 錨定在具體的 failure mode 上。

在第一版答案後繼續迭代

拿到第一版輸出後，請要求它做 pressure test：「What assumptions would change this recommendation?」接著再要求 executive version、operating plan，以及 data request list。若要用於董事會或領導團隊討論，請讓 skill 分開列出 facts、assumptions、risks，以及 decisions needed。這可以避免產生看似自信、但證據不足的建議。

依你的業務調整門檻

內建參考文件使用的是實務上的 SaaS baseline，但你的市場可能不同。在依賴最終建議之前，請先調整 ACV bands、tier names、ARR-per-CSM expectations、ICP signals 與 churn taxonomy。PLG 公司、enterprise implementation-heavy product，以及 services-assisted SaaS business，不應該使用完全相同的覆蓋門檻。