chief-data-officer-advisor
作者 alirezarezvanichief-data-officer-advisor 是面向新創資料決策的策略型 CDO skill，涵蓋 AI training data rights、warehouse vs lakehouse vs mesh strategy、customer-data asset valuation、M&A readiness，以及 data team hiring。它提供決策支援用的參考資料與 Python tools，重點不在戰術型 data engineering。
這個 skill 得分 84/100，代表它很適合收錄給需要策略型 Chief Data Officer 決策支援、而非一般提示詞的目錄使用者。repository 證據顯示它具備清楚的觸發條件、聚焦的決策框架，以及可執行的輔助 scripts；不過若能補上 README／install quick start 與更多端到端範例，採用門檻會更低。
- frontmatter 的觸發條件非常明確：列出 AI training data rights、lakehouse vs mesh、data asset valuation、M&A readiness、data hiring decisions 等具體情境，並排除戰術型 data engineering 工作。
- 內容以四類策略性 CDO 決策為核心，具備相當完整的操作框架，並針對 training-data rights、data product strategy、customer data valuation 與 data team evolution 提供專門參考資料。
- 包含三個 stdlib Python tools，並附有文件化的 JSON schemas 與 sample usage，可支援 training-data audits、architecture selection 與 data asset valuation。
- 目前沒有安裝指令或 README，因此使用者必須從 repository 路徑自行推斷安裝方式，而不是依照已打包好的快速上手流程。
- AI training-data rights 工作流程明確說明這不是法律意見；應用來整理並揭露需要交由法律顧問判斷的議題，而不是取代法律審查。
chief-data-officer-advisor skill 概覽
chief-data-officer-advisor 適合解決什麼問題
chief-data-officer-advisor 是一項面向策略型資料領導決策的 skill，適合創辦人、新創高階主管與 AI 團隊在做出難以回頭的資料決策前，取得類似 CDO 的判斷視角。它聚焦在四個董事會層級的問題：資料是否可用於 AI 訓練、哪一種資料架構符合公司目前階段、客戶資料應如何估值或產品化，以及下一個該招募的資料職能是什麼。
這不是用來寫 SQL、建 pipeline、設計 schema 或製作 dashboard 的助理。當決策會牽涉法律、組織、募資、產品或 M&A 後果時，chief-data-officer-advisor skill 最能發揮價值。
最適合的使用者與情境
如果你正在判斷是否能用客戶資料訓練模型、是否要從 warehouse 轉向 lakehouse、是否該避免過早採用 data mesh、如何量化客戶資料護城河，或是在創辦人主導的 analytics 不再能擴張後安排資料團隊招募順序，就適合使用這個 skill。
它特別適合 B2B SaaS、AI 新創、marketplace，以及資料密集型產品；在這些情境中，客戶合約、同意來源、資料獨占性與產品化風險都很關鍵。最契合的使用方式是 chief-data-officer-advisor for Strategic Planning，而不是日常工程執行。
它和一般 prompt 有什麼不同
一般 prompt 可能會提供概括性的資料策略建議。這個 skill 更偏向決策導向：它使用明確框架、依公司階段設定的門檻，以及可重複分析的 Python scripts。repository 內包含 AI 訓練資料權利、資料產品策略、作為資產的客戶資料、資料團隊組織演進等參考資料，也包含用於 audit、架構選擇與估值的 scripts。
安裝前需要了解的重要邊界
這個 skill 會揭示策略風險與決策選項；它不能取代法律顧問、安全審查、資料保護影響評估或技術架構設計。它在 AI 訓練資料方面的指引特別適合用來找出潛在議題，但對於受監管、PII 含量高、合作夥伴授權、爬取而來或會對外共享的資料，仍然需要法律核准。
如何使用 chief-data-officer-advisor skill
chief-data-officer-advisor 安裝情境
如果你的 agent 支援從 repository 安裝 skill，可以從 GitHub skill path 安裝：
npx skills add alirezarezvani/claude-skills --skill chief-data-officer-advisor
上游 skill 位於：
c-level-advisor/skills/chief-data-officer-advisor
安裝後，先預覽 SKILL.md，再閱讀與你的決策相符的 reference file。實際操作時，建議檢視：
references/ai_training_data_rights.mdreferences/data_product_strategy.mdreferences/customer_data_as_asset.mdreferences/data_team_org_evolution.mdscripts/ai_training_data_audit.pyscripts/data_product_strategy_picker.pyscripts/data_asset_valuator.py
讓 skill 更有用的輸入資料
chief-data-officer-advisor 的使用品質取決於你提供的公司事實是否具體。請包含公司階段、ARR（若相關）、資料來源、同意模式、客戶合約限制、資料量、內部資料使用者、ML 上線狀態，以及決策期限。
較弱的 prompt：
“Should we use a lakehouse?”
較好的 prompt：
“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.”
策略規劃的建議工作流程
一開始請先說清楚你要做的決策，而不是先指定你期待的工具。請 skill 將決策分類到四個領域之一：training data rights、data product strategy、customer-data asset value，或 org evolution。
針對 AI 訓練問題，先準備一份類 JSON 的資料來源清單，包含 origin、data_class 與 use_case，再將回答與 scripts/ai_training_data_audit.py 交叉比對。針對架構問題，準備一份可對應 data_product_strategy_picker.py 的公司 profile。針對 M&A 或商業化問題，準備 corpus profile，並套用估值框架檢視。
實用的 prompt 模板
一個高品質的 chief-data-officer-advisor 指引 prompt 通常包含五個部分：
- Context: company stage, product type, customers, regulatory exposure.
- Decision: the exact choice you need to make.
- Current state: data stack, team, contracts, consent, volume, ML use.
- Constraints: budget, timeline, buyer diligence, customer carve-outs.
- Output format: recommendation, risks, mitigations, sequencing, open questions.
如果要向高階主管呈現，請要求輸出 “decision memo”；如果要比較資料來源或架構選項，請要求輸出 “audit table”。
chief-data-officer-advisor skill 常見問題
chief-data-officer-advisor 只適合已有 CDO 的公司嗎？
不是。這個 skill 往往在公司還沒有 CDO 之前更有價值。它能協助創辦人、CTO、產品主管與 AI 負責人避免過早進行架構轉換、提出有風險的資料變現主張，或用錯順序招募資料人才。
什麼時候不該使用這個 skill？
不要用它來撰寫 ETL code、最佳化 query、設計 schema、設定 dbt、選擇特定 cloud services，或除錯 pipeline。它可以建議某一層該買還是該自建，但不會產出可直接上線的技術實作計畫。
它和一般策略 prompt 相比如何？
一般 prompt 常會反映流行建議，例如「導入 lakehouse」、「建立 data mesh」或「聘請 data scientists」。這個 skill 的約束更明確。它會把建議連結到公司階段、資料量、使用者數量、ML 成熟度、同意來源、合約限制與組織準備度。
chief-data-officer-advisor skill 適合初學者嗎？
適合，只要使用者能描述商業情境即可。你不需要是資料架構師，但需要提供準確事實。如果你無法回答資料從哪裡來、誰同意了、誰每週使用它，或目前卡住的是哪個決策，那第一次輸出應該被視為探索，而不是最終建議。
如何改善 chief-data-officer-advisor skill
改善 chief-data-officer-advisor 的輸入品質
最快改善結果的方式，是用決策證據取代模糊目標。不要只問「Can we train on customer data?」，而是將每個來源分開列出：support tickets、product telemetry、uploaded files、call transcripts、partner feeds、synthetic data 與 scraped data。針對每一項，提供 origin、已知的 consent wording、data class、retention rules、deletion process，以及預期的 model use。
需要留意的常見失敗模式
最常見的失敗，是在隱藏關鍵限制的情況下要求一個很有把握的策略答案。遺漏客戶資料 carve-outs 會扭曲估值。遺漏 ML production status 可能導致過早建議 lakehouse。遺漏 consent provenance 會讓訓練資料建議過度樂觀。遺漏公司階段則可能產生過於資深或過早的招募計畫。
從建議迭代成決策備忘錄
第一次輸出後，請要求 skill 將 “recommendation,” “assumptions,” “risks,” “mitigations,” 與 “questions for counsel or board” 分開整理。這會把顧問式回答轉化為高階主管可用的文件。對於高風險決策，也請要求進行 red-team pass：“What would make this recommendation wrong?”
用在地脈絡延伸這個 skill
若要取得更好的 chief-data-officer-advisor 結果，可以加入公司專屬模板：已核准的 consent language、data processing agreements、architecture standards、cloud constraints、security review requirements，以及 board memo format。請將這些保留為 local context，而不是改動核心框架，讓 skill 保持可重複使用，同時讓輸出反映你的實際營運環境。