startup-metrics-framework

startup-metrics-framework skill 概覽

startup-metrics-framework 的功能

startup-metrics-framework 是一套用於早期公司規劃與計算指標的 skill，重點不只是列出一串新創常見數字，而是建立一個真正可用的 KPI 架構。它適用於 SaaS、marketplace、consumer 與 B2B 新創，涵蓋從 seed 到 Series A 的階段，特別著重在營收、unit economics、成長效率與現金管理。

哪些人適合使用這個 skill

最適合的使用者包括創辦人、營運負責人、分析師、財務主管，以及準備對投資人溝通的團隊。若你需要：

• 依商業模式與公司階段選出正確的新創指標
• 用一致的方法計算核心 KPI
• 把原始營運資料整理成董事會、募資或內部經營管理可用的視角
• 判斷成長到底是健康，還是只是靠高成本硬推上去

那麼這個 skill 會很有幫助。

真正要解決的工作需求

大多數使用者要的不是公式本身，而是一套可重複使用的方法，能回答這類實際問題：

• 以我目前的新創模式來看，現在最重要的指標是哪些？
• CAC、LTV、burn multiple、payback 應該怎麼算？
• 我應該拿哪些 benchmark 來比較？
• 投資人或經營團隊儀表板上，到底該放哪些數字？

當你希望 agent 快速把這套思路整理清楚，而且輸出仍然貼近標準新創財務語言時，startup-metrics-framework 特別有價值。

startup-metrics-framework 有什麼不同

startup-metrics-framework 最大的差異，在於它對範圍拿捏很有紀律。它不是提供泛泛的資料分析建議，而是把新創指標整理成與公司健康度、募資溝通直接相關的架構，涵蓋：

• 通用的新創指標
• 營收與成長指標
• unit economics
• 效率與現金相關指標
• 依公司階段調整的預期與 benchmark 框架

因此，相較於一般「分析我的業務」這種 prompt，它對決策更有實際幫助。

什麼情況下適合用這個 skill

當你手上已經有至少基本的營運數據，現在需要一個解讀框架時，就很適合使用 startup-metrics-framework skill。特別適合以下情境：

• 建 dashboard 前先定義指標
• 準備 investor update
• 董事會指標回顧
• 新創 KPI 稽核與盤點
• 找出 unit economics 分析缺了哪些輸入資料

什麼情況下不適合用這個 skill

這個 skill 不能取代以下工作：

• 經審計等級的財務模型
• 客製化 BI 實作
• SQL pipeline 設計
• 從原始 event logs 做進階 cohort modeling
• 典型新創營運模型以外的產業專屬指標

如果你的核心需求是 data engineering、會計合規，或是需要在大量細部假設上做預測，單靠這個 skill 不夠。

如何使用 startup-metrics-framework skill

startup-metrics-framework 的安裝位置與脈絡

從 repository 可確認，這個 skill 位於：

plugins/startup-business-analyst/skills/startup-metrics-framework

這個 repo 常見的安裝方式是：

npx skills add https://github.com/wshobson/agents --skill startup-metrics-framework

如果你的環境使用不同的 skill loader，請用上面的 GitHub 路徑找到來源，並在你的 agent 環境中完成註冊。

先讀這個檔案

建議先從這裡開始：

• SKILL.md

這一段 repo 內容沒有額外提供 helper files、scripts 或 reference folders，因此這個 skill 的主要價值，幾乎都集中在這個檔案裡的指標定義、公式與 benchmark 框架。

startup-metrics-framework 需要哪些輸入

startup-metrics-framework usage 的品質，高度取決於你提供的數字是否完整。較好的輸入通常包括：

• 商業模式：SaaS、marketplace、consumer subscription、B2B services、hybrid
• 公司階段：pre-seed、seed、Series A
• 定價模式
• 每月營收或 bookings 資料
• 客戶數
• churn 或 retention 資料
• sales and marketing spend
• gross margin
• cash balance、burn、runway
• 若要分析 CAC，還需要 acquisition channels

如果缺少這些資料，agent 仍然可以提供框架，但無法給出可靠的指標判讀。

把模糊目標變成高品質 prompt

較弱的 prompt：

• 「Analyze my startup metrics.」

較強的 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.」

後者比較有效，因為它提供了：

• 商業模式脈絡
• 公司階段脈絡
• 足夠的計算資料
• 清楚的輸出目標

第一次使用 startup-metrics-framework 的最佳流程

實務上，startup-metrics-framework install 與使用可以依照以下流程進行：

1. 在你的 agent 環境中安裝或註冊這個 skill。
2. 先讀一次 SKILL.md，理解它的指標分類。
3. 整理最新的每月營運數字。
4. 先請 agent 只計算你目前資料足以支撐的指標。
5. 接著再要求解讀、benchmark 比較，以及下一步建議。

這樣做能降低 hallucinated assumptions，也能更早看出哪些地方缺資料。

建議的 prompt 結構

較穩定的 prompt 模板可包含：

• 公司類型與階段
• 時間範圍
• 你已經確認可信的原始指標
• 希望套用的公式
• benchmark 或決策脈絡
• 想要的輸出格式

範例：

• 「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.」

startup-metrics-framework 擅長處理的內容

根據原始內容，這個 skill 最強的地方在於：

• MRR 與 ARR 的框架整理
• 成長率解讀
• CAC 與 LTV 的基本分析
• 與 churn 連動的 unit economics
• burn 與 runway 的思考方式
• 面向早期公司的 benchmark 導向分析

這些能力已足以支援規劃層級的 KPI review、投資人資料與營運 dashboard。

哪些地方仍然需要你自行判斷

這個 skill 會提供公式與 benchmark 邏輯，但以下判斷仍需要你自己做：

• 應該用 logo churn 還是 revenue churn
• CAC 是否要納入部分間接成本
• ARPU 應以月為基準，還是年化處理
• blended metric 是否掩蓋了不同客群的重大差異

這些選擇都可能實質改變輸出結果。建議要求 agent 明確寫出假設。

Repository 的閱讀順序

由於這個 skill 幾乎集中在單一檔案中，較有效率的閱讀順序是：

1. SKILL.md 概覽
2. universal metrics section
3. unit economics section
4. cash and efficiency sections
5. 與公司階段對應的 benchmark references

如果你想同時理解公式本身，以及這些公式為何在營運上重要，建議照這個順序看。

能提升 startup-metrics-framework 輸出品質的實用技巧

想讓 startup-metrics-framework usage 的結果更可靠，建議：

• 只提供單一時間基準，通常以 monthly 為主
• 清楚標示客戶數是 logos、accounts 還是 active payers
• 分開 gross revenue 與 net revenue
• 說明 churn 是 monthly 還是 annual
• 若要分析 runway，請同時提供 burn 與 current cash
• 要求 agent 在解讀前先列出 formulas

這些做法可以避免最常見的指標定義混淆。

startup-metrics-framework skill 常見問題

startup-metrics-framework 適合新手嗎？

適合，前提是你已經大致掌握自己的業務資料長什麼樣。這個 skill 採用的是標準新創指標，因此進入門檻不高；但若是初學者，在依結果採取行動前，仍應確認 CAC、ARPU、churn 與 gross margin 等定義是否正確。

startup-metrics-framework 只適用於 SaaS 嗎？

不是。原始內容明確指出它的對象包括 SaaS、marketplace、consumer 與 B2B 新創。當 recurring revenue、獲客成本、留存與 burn 是關鍵議題時，它會特別適合。若你的業務收入高度不規則，或資本結構非常複雜，幫助就會比較有限。

相較一般 prompt，startup-metrics-framework 的主要優勢是什麼？

一般 prompt 很容易只產出一份很泛的 KPI 清單。startup-metrics-framework 則提供更有結構的新創財務視角：包含公式、benchmark 脈絡，以及更聚焦於公司階段與商業模式真正重要的指標集合。通常也能減少來回補充 prompt 的次數。

可以把 startup-metrics-framework 用在投資人報告嗎？

可以，而且這正是它最適合的用途之一。這個 skill 與 investor update、board report 的需求相當貼近，特別是在 growth、unit economics 與 cash efficiency 方面。不過前提是你的原始數字已經先整理乾淨，且內部定義一致。

startup-metrics-framework 會做深入的財務建模嗎？

不會。它是框架與分析輔助工具，不是完整的 operating model builder。它能幫你定義並計算重要的新創指標，但不能取代 spreadsheet-based planning、scenario modeling，或財務團隊的正式審查。

什麼情況下不建議安裝 startup-metrics-framework？

如果你的主要需求是以下任一項，就可以跳過：

• SQL 或 dashboard 實作
• 會計等級的 reporting
• 基於 event data 的進階 cohort analytics
• 早期新創財務範圍之外的產業專屬營運指標

這些情境下，BI、analytics engineering 或 FP&A 導向的 skill 會更適合。

如何改善 startup-metrics-framework skill 的使用效果

先把指標定義講清楚，startup-metrics-framework 會快很多

想提升 startup-metrics-framework 輸出品質，最快的方法就是在下結論前，先把每個容易歧義的數字定義好。例如：

• 「CAC includes salaries, paid media, and software, but excludes founder time.」
• 「Churn is monthly logo churn.」
• 「ARPU is monthly subscription revenue per paying account.」

這能避免無效比較，也能降低 payback 計算失真的風險。

把 assumptions 與 analysis 分開要求

一個很實用的 prompt 順序是：

1. 「List assumptions needed.」
2. 「Show formulas.」
3. 「Compute metrics.」
4. 「Interpret results.」
5. 「Recommend actions.」

這樣的流程更方便稽核，也能提高對最終分析結果的信任度。

當 blended metrics 掩蓋真相時，提供分群資料給 startup-metrics-framework

如果你的客戶類型不只一種，不要只提供 blended averages。更好的輸入方式是分開提供：

• SMB vs enterprise
• paid vs organic acquisition
• self-serve vs sales-led
• geography 或 product line 拆分

這會明顯改善 CAC、LTV 與 growth efficiency 的解讀品質。

留意 startup-metrics-framework 常見失準情境

startup-metrics-framework guide 類型輸出最常見的問題包括：

• 混用 monthly 與 annual 數值
• 把 revenue churn 與 logo churn 當成同一件事
• 用尚未穩定的早期 churn 資料去計算 LTV
• 計算 LTV 時忽略 gross margin
• 把所有 acquisition channels 都視為同等效率

如果第一版答案看起來過於整齊、過於樂觀，建議直接要求 agent 逐項檢查這些失準點。

改善 startup-metrics-framework for Data Analysis prompt 的方式

想讓 startup-metrics-framework for Data Analysis 的結果更強，建議要求：

• calculation table
• 明確列出使用的 formulas
• missing-data flags
• benchmark comparison
• 依可能影響排序的 action ranking

範例：

• 「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.」

拿到第一版輸出後，如何有效迭代 startup-metrics-framework

第二輪最有效的 prompt，不是「重做一次」，而是更具體地追問：

• 「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.」

這樣可以把這個 skill 從單純的公式說明工具，進一步變成決策支援工具。

針對利害關係人改善 startup-metrics-framework 的輸出格式

如果你的最終用途是 board update 或 fundraising memo，建議要求輸出分成以下段落：

• current metric snapshot
• benchmark comparison
• risks
• actions
• data gaps

相較於單純列公式，這樣更能讓 startup-metrics-framework skill 真正融入實際工作流程。

在正式落地前先驗證 startup-metrics-framework 的結果

在把結果放進 dashboard 或 investor document 之前，請先確認：

• 每個指標對應的 source-of-truth system
• time windows
• inclusion and exclusion rules
• finance 與 growth 團隊之間的定義是否一致

這個 skill 最強的用法，是先用它把分析架構整理好，再回頭用你內部的指標定義做驗證。