chief-data-officer-advisor
作者 alirezarezvanichief-data-officer-advisor 是一款面向创业公司数据决策的战略型 CDO skill，覆盖 AI training data rights、warehouse vs lakehouse vs mesh strategy、customer-data asset valuation、M&A readiness，以及 data team hiring。它提供参考资料和 Python tools 用于决策支持，而不是战术层面的 data engineering。
该 skill 评分为 84/100，说明它适合收录给需要战略性 Chief Data Officer 决策支持的目录用户，而不是只想要通用提示词的人。repository 证据显示，它具备清晰的触发场景、聚焦的决策框架和可执行的辅助脚本；不过，如果补充 README/安装快速入门以及更多端到端示例，采用门槛会更低。
- frontmatter 的触发条件非常清晰：明确列出 AI training data rights、lakehouse vs mesh、data asset valuation、M&A readiness、data hiring decisions 等具体场景，并排除战术层面的 data engineering。
- 围绕四类战略性 CDO 决策提供了较完整的实操内容，并为 training-data rights、data product strategy、customer data valuation、data team evolution 配套专门参考资料。
- 包含三个基于 stdlib 的 Python tools，提供已记录的 JSON schemas 和示例用法，可用于 training-data audits、architecture selection 和 data asset valuation。
- 未提供安装命令或 README，用户需要根据 repository path 自行推断安装方式，而不是按现成的快速入门流程操作。
- AI training-data rights 工作流明确说明其不构成法律意见，应用于帮助发现需要提交法律顾问评估的问题，而不能替代法律审查。
chief-data-officer-advisor skill 概览
chief-data-officer-advisor 适合解决什么问题
chief-data-officer-advisor 是一项面向战略数据领导力的 skill，适合创始人、创业公司高管和 AI 团队在做出不可逆的数据决策前，获得接近 CDO 视角的判断。它聚焦四类董事会级别的问题：数据是否可用于 AI 训练；哪种数据架构匹配当前公司阶段；客户数据应如何估值或产品化；下一步应该招聘什么样的数据角色。
它不是 SQL、pipeline、schema 或 dashboard 构建助手。chief-data-officer-advisor skill 最适合用于那些会带来法律、组织、融资、产品或 M&A 影响的决策场景。
最适合的用户与场景
如果你正在判断是否使用客户数据训练模型、是否从 warehouse 迁移到 lakehouse、是否应该抵制过早采用 data mesh、如何量化客户数据护城河，或在创始人主导的数据分析无法继续扩展后如何安排数据团队招聘顺序，这个 skill 会很有用。
它尤其适合 B2B SaaS、AI 创业公司、marketplace，以及数据密集型产品；在这些场景中，客户合同、同意来源、数据独占性和产品化风险都很关键。它最匹配的定位是 chief-data-officer-advisor for Strategic Planning，而不是日常工程执行。
它与通用 prompt 的区别
通用 prompt 可能会给出宽泛的数据战略建议。这个 skill 更偏向决策：它使用明确的框架、按公司阶段划分的阈值，以及用于可重复分析的 Python 脚本。repository 中包含 AI 训练数据权利、数据产品战略、客户数据作为资产、数据团队组织演进等参考资料，也包含用于审计、架构选择和估值的脚本。
安装前需要了解的重要边界
这个 skill 会呈现战略风险和决策选项；它不能替代法律顾问、安全审查、数据保护影响评估或技术架构设计。它关于 AI 训练数据的指导尤其适合用于识别潜在问题，但对于受监管、PII 占比高、合作伙伴授权、爬取来源或需要对外共享的数据，仍然必须经过法律审批。
如何使用 chief-data-officer-advisor skill
chief-data-officer-advisor 的安装上下文
如果你的 agent 支持从 repositories 安装 skill，可以从 GitHub skill path 安装：
npx skills add alirezarezvani/claude-skills --skill chief-data-officer-advisor
上游 skill 位于：
c-level-advisor/skills/chief-data-officer-advisor
安装后，先预览 SKILL.md，再阅读与你的决策相匹配的 reference file。实际使用时，建议重点查看：
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
让 chief-data-officer-advisor 输出更有价值的输入
chief-data-officer-advisor 的使用质量取决于你提供的公司事实是否具体。请包含公司阶段、ARR（如相关）、数据来源、同意机制、客户合同限制、数据量、内部数据消费者、ML 生产状态，以及决策截止时间。
较弱的 prompt：
“Should we use a lakehouse?”
更好的 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.”
用于战略规划的建议工作流
先说清楚你要做的决策，而不是先指定你期待的工具。让这个 skill 先把决策归入它的四个领域之一：training data rights、data product strategy、customer-data asset value 或 org evolution。
对于 AI 训练问题，准备一个接近 JSON 的数据来源列表，包含 origin、data_class 和 use_case，然后将输出与 scripts/ai_training_data_audit.py 对照。对于架构问题，准备一份与 data_product_strategy_picker.py 兼容的公司画像。对于 M&A 或商业化问题，准备 corpus profile，并用估值框架进行分析。
实用 prompt 模板
一个高质量的 chief-data-officer-advisor 指导型 prompt 通常包含五部分：
- 背景： 公司阶段、产品类型、客户、监管暴露。
- 决策： 你需要做出的具体选择。
- 当前状态： data stack、团队、合同、同意情况、数据量、ML 使用情况。
- 约束： 预算、时间线、买方尽调、客户 carve-outs。
- 输出格式： 建议、风险、缓解措施、执行顺序、待确认问题。
面向高管汇报时，可以要求输出 “decision memo”；比较数据来源或架构选项时，可以要求输出 “audit table”。
chief-data-officer-advisor skill 常见问题
chief-data-officer-advisor 只适合已有 CDO 的公司吗？
不是。很多时候，在公司还没有 CDO 之前，这个 skill 反而更有价值。它可以帮助创始人、CTO、产品负责人和 AI 负责人避免过早进行架构迁移、提出有风险的数据商业化主张，或错误安排数据岗位招聘顺序。
什么时候不应该使用这个 skill？
不要用它来写 ETL 代码、优化 query、设计 schema、配置 dbt、选择具体 cloud services，或调试 pipelines。它可以建议某一层应该 buy 还是 build，但不会产出可直接上线的技术实施方案。
它与普通战略 prompt 相比如何？
普通 prompt 往往会反映流行建议，例如 “adopt a lakehouse”、“build a data mesh” 或 “hire data scientists”。这个 skill 约束更强。它会把建议绑定到公司阶段、数据量、消费者数量、ML 成熟度、同意来源、合同限制和组织准备度上。
chief-data-officer-advisor skill 对初学者友好吗？
友好，前提是用户能够描述清楚业务情境。你不需要是数据架构师，但必须提供准确事实。如果你无法回答数据从哪里来、谁同意了、谁每周使用它，或当前被卡住的决策是什么，那么第一次输出应被视为探索发现，而不是最终建议。
如何改进 chief-data-officer-advisor skill
改进 chief-data-officer-advisor 的输入
提升结果质量最快的方法，是用决策证据替代模糊目标。不要只问 “Can we train on customer data?”，而是把每个来源单独列出：support tickets、product telemetry、uploaded files、call transcripts、partner feeds、synthetic data 和 scraped data。针对每个来源，提供 origin、已知的 consent wording、data class、retention rules、deletion process，以及预期的 model use。
需要警惕的常见失败模式
最常见的失败，是在隐藏关键约束的同时要求给出自信的战略答案。缺少客户数据 carve-outs 会扭曲估值。缺少 ML 生产状态可能导致过早推荐 lakehouse。缺少 consent provenance 会让训练数据建议过于乐观。缺少公司阶段会产出过于高级或过早的招聘计划。
从建议迭代成 decision memo
拿到第一次输出后，让这个 skill 将内容拆分为 “recommendation”、“assumptions”、“risks”、“mitigations” 和 “questions for counsel or board”。这样可以把咨询式回答转化为高管可用的材料。对于高风险决策，还应要求做一次 red-team pass：“What would make this recommendation wrong?”
用本地上下文扩展这个 skill
为了获得更好的 chief-data-officer-advisor 结果，可以添加公司专属模板：approved consent language、data processing agreements、architecture standards、cloud constraints、security review requirements 和 board memo format。把这些作为 local context 保留，而不是修改核心框架，这样 skill 仍可复用，同时输出也能反映你的实际运营环境。