chief-customer-officer-advisor

chief-customer-officer-advisor skill 概览

chief-customer-officer-advisor 适合解决什么问题

chief-customer-officer-advisor 是一个面向 Customer Success 领导层的战略型 skill，适合创始人、创业公司 CCO、RevOps 负责人以及运营管理者，用来更清晰地判断留存、客户分层、CS 覆盖模式和客户-facing 组织设计。它不是一个泛泛的“帮我写一份 CS 计划”的 prompt。这个 skill 围绕四类高管级决策组织内容：留存是否真的健康、哪些客户值得不同程度的投入、需要多少 CSM，以及下一步应该招聘哪个客户-facing 角色。

最适合的用户与决策场景

chief-customer-officer-advisor skill 最适合 B2B SaaS 或订阅制业务，尤其是已经有足够客户数据和 ARR 数据、能够看清取舍的团队。你可以在准备董事会留存叙事、重新设计客户分层、决定采用 tech-touch、pooled、named CSM 还是 named-plus-exec 覆盖模式，或拆分 Customer Success、Support、Account Management 和 Implementation 职能时使用它。作为 Customer Success 规划工具，chief-customer-officer-advisor 尤其有价值，因为它把定性的运营判断和确定性的辅助脚本结合在一起。

它和普通 CS prompt 的区别

核心差异在于结构。这个 repository 包含留存拆解、客户分层策略、CS 覆盖模型和 CS 团队组织演进的参考资料，还提供用于留存分析、分层设计和覆盖测算的 Python 脚本。这意味着，只要你提供干净的输入，skill 就可以从“给我建议”推进到“诊断这本客户资产，并推荐运营调整”。

如何使用 chief-customer-officer-advisor skill

chief-customer-officer-advisor 安装场景

从 GitHub skill repository path 安装：

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

如果你的 skill runner 需要本地路径，请使用 repository 位置：

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

做快速采用评估时，先阅读 SKILL.md，再看四份决策参考：references/retention_decomposition.md、references/customer_segmentation_strategy.md、references/cs_coverage_model.md 和 references/cs_team_org_evolution.md。只有在明确自己要回答哪类决策之后，再去查看脚本。

让 skill 真正有用的输入

用好 chief-customer-officer-advisor，关键不只是提出问题，而是提供业务上下文。请提供公司阶段、ACV 区间、各 segment 的 ARR、客户数量、当前 CSM 人数、续约动作、扩张收入模型、流失症状，以及当前必须做出的决策。做留存分析时，应包含 starting ARR、renewed ARR、expansion ARR、contraction ARR、客户数量，以及按 cohort 划分的 churn reasons。做客户分层时，应包含客户 ARR、tenure、ICP signals、expansion potential、是否有 executive sponsor，以及大致 support cost。

较弱的 prompt 是：“帮我们制定一个 CS strategy。”
更好的 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.”

实用工作流与需要运行的文件

从一个决策开始，不要一上来覆盖整个 CCO 职能。如果问题是看清 churn truth，使用 retention_decomposition.md，并可选择用 cohort JSON 运行 scripts/retention_decomposition_analyzer.py。如果问题是“谁应该获得 CSM 时间”，使用 customer_segmentation_strategy.md 和 scripts/customer_segmentation_designer.py。如果问题是 headcount，使用 cs_coverage_model.md 和 scripts/cs_coverage_calculator.py。如果问题是招聘顺序，使用 cs_team_org_evolution.md。

这些脚本是仅依赖 stdlib 的 Python 工具，可以用内置 sample 或你自己的 JSON 运行，例如：

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

把脚本输出作为给 agent 的证据，然后请 skill 解读取舍、风险和高管层应采取的行动。

获得更好结果的 prompt 模式

使用这个结构：context、data、decision、constraints、output format。示例：

“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 常见问题

chief-customer-officer-advisor 只适合创业公司吗？

它的设计重点是创业公司和 scale-up 阶段的运营决策，尤其是 B2B SaaS。更成熟阶段的公司仍然可以用它做客户分层或留存拆解，但默认阈值和招聘逻辑可能需要针对成熟的 enterprise CS 组织、受监管行业或复杂的全球大客户结构进行调整。

它能替代 Customer Success 顾问吗？

不能。chief-customer-officer-advisor skill 可以帮助组织分析框架、暴露隐藏的留存问题，并把客户数据转化为可选决策方案。它不会访谈客户、检查 CRM hygiene、验证组织政治现实，也不会和高管协商 headcount 取舍。应把它当作战略分析师和决策框架，而不是完整的运营负责人。

什么时候不应该使用这个 skill？

不要用它来写一线 support macros、product onboarding copy、sales playbooks 或战术性 account plans，除非这些产物与更高层级的 CCO 决策直接相关。如果你完全没有客户数据，它也不适合直接使用。那种情况下，应先收集 ARR、churn、expansion、support cost 和 segment 信息。

它和通用业务增长类 skill 有什么不同？

通用增长类 skill 往往更强调获客、漏斗转化或收入战术。这个 skill 聚焦售后客户经济学：GRR 与 NRR 的差异、contraction 与 expansion、ICP fit、差异化投入、CSM capacity，以及 Support、CS、AM 和 Implementation 之间的角色边界。

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

让 chief-customer-officer-advisor 输出更具体

最快的改进方式是提高输入颗粒度。用 tier-level data 替代混合平均值。不要只说“we have 500 customers and 5 CSMs”，而是按 segment 提供客户数量、ARR、当前 CSM 人数、ACV 区间和 churn pattern。当 skill 能看清哪些地方 CS 时间投入过多或投入不足时，它给出的建议会更可执行。

避免常见失败模式

最常见的失败模式，是要求一个放之四海而皆准的 CS strategy，但真实决策其实更窄。另一个问题是只优化 NRR，却忽视偏弱的 GRR。第三个问题是寻求招聘建议时，没有说清失败的客户结果是什么：onboarding 太慢、support load 无法消化、renewals 漏掉、expansion 偏低，或 executive relationships 薄弱。把 prompt 锚定到具体 failure mode 上。

在第一版答案后继续迭代

拿到第一版输出后，要求做一次 pressure test：“What assumptions would change this recommendation?” 然后再要求生成 executive version、operating plan 和 data request list。用于董事会或领导层沟通时，让 skill 分开列出 facts、assumptions、risks 和 decisions needed。这样可以避免建议看起来很自信，但证据不足。

根据你的业务自定义阈值

内置参考使用的是实用的 SaaS 基线，但你的市场可能不同。在依赖最终建议之前，请调整 ACV bands、tier names、ARR-per-CSM expectations、ICP signals 和 churn taxonomy。PLG 公司、实施很重的 enterprise 产品，以及 services-assisted SaaS 业务，不应该使用完全相同的覆盖阈值。