startup-metrics-framework

startup-metrics-framework skill 概览

startup-metrics-framework 是做什么的

startup-metrics-framework 是一项面向早期公司的指标规划与计算 skill，适合那些需要一套可落地的 KPI 框架，而不只是零散 startup 指标清单的团队。它主要面向从 seed 到 Series A 阶段的 SaaS、marketplace、consumer 和 B2B startup，重点覆盖收入、unit economics、增长效率和现金管理。

谁适合使用这个 skill

最适合的用户包括创始人、运营负责人、分析师、财务负责人，以及负责融资准备的团队。他们通常需要：

• 根据业务模式和公司阶段选择合适的 startup metrics
• 用一致的方法计算核心 KPI
• 把原始业务数据整理成适合董事会、融资或经营管理查看的视图
• 判断增长到底是健康增长，还是单纯靠高成本堆出来的

它真正解决的工作问题

大多数用户并不只是想找几个公式，而是需要一种可重复的方法，来回答这些实际问题：

• 以我现在的 startup 模式，哪些指标最重要？
• CAC、LTV、burn multiple、payback 应该怎么计算？
• 应该对比什么 benchmark？
• investor 或管理层 dashboard 上到底该放哪些指标？

当你希望 agent 快速把这套思路搭起来，并且输出仍然贴近标准 startup finance 语言时，startup-metrics-framework 最有价值。

startup-metrics-framework 的差异化优势

它最核心的差异在于范围控制非常明确。它不是给你泛泛的数据分析建议，而是围绕业务健康度和融资相关性来组织 startup metrics。具体覆盖：

• 通用 startup metrics
• 收入与增长指标
• unit economics
• 效率与现金类指标
• 按阶段区分的预期与 benchmark 参考框架

相比普通的“analyze my business”提示词，这会更适合拿来做决策。

什么时候适合用这个 skill

当你已经有了至少一版粗略的业务输入数据，并且需要一个可用于解读的框架时，就适合使用 startup-metrics-framework skill。它尤其适合：

• 在搭 dashboard 之前先统一 metric 定义
• 准备 investor update
• 做 board metric review
• 进行 startup KPI 审核
• 找出 unit-economics 分析中缺失的关键输入

什么时候不适合用

这个 skill 不能替代以下工作：

• 审计级财务建模
• 定制化 BI 实施
• SQL pipeline 设计
• 基于原始事件日志的高级 cohort 建模
• 典型 startup 运营模型之外的行业专属指标体系

如果你的核心需求是数据工程、会计合规，或者带有详细假设的预测建模，那只靠这个 skill 还不够。

如何使用 startup-metrics-framework skill

startup-metrics-framework 的安装上下文

仓库信息显示，这个 skill 位于：

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

这个仓库常见的安装方式是：

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

如果你的环境使用的是不同的 skill loader，就用上面的 GitHub 路径去定位源码，并在自己的 agent 环境里完成注册。

先读这个文件

建议先看：

• SKILL.md

这个仓库片段没有为该 skill 额外暴露 helper 文件、脚本或参考目录，所以大部分价值都集中在这一个文件里，重点是理解其中的 metric 定义、公式和 benchmark framing。

startup-metrics-framework 需要什么输入

startup-metrics-framework usage 的效果，非常依赖你提供的数据质量。高质量输入通常包括：

• 业务模式：SaaS、marketplace、consumer subscription、B2B services、hybrid
• 公司阶段：pre-seed、seed、Series A
• 定价模型
• 月度收入或 bookings 数据
• 客户数量
• churn 或 retention 数据
• 销售和市场投入
• gross margin
• cash balance、burn、runway
• 如果要分析 CAC，还需要 acquisition channels

如果缺少这些信息，agent 依然可以给出框架，但很难做出可靠的指标判断。

如何把模糊目标变成高质量 prompt

弱 prompt：

• “Analyze my startup metrics.”

更强的 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.”

后者效果更好，因为它明确提供了：

• 业务模式上下文
• 阶段上下文
• 足够用于计算的数据
• 清晰的输出目标

初次使用 startup-metrics-framework 的最佳工作流

一个实用的 startup-metrics-framework install 与使用流程是：

1. 先在你的 agent 环境里安装或注册这个 skill。
2. 通读一次 SKILL.md，先了解它的 metric 分类。
3. 收集最新的月度经营数据。
4. 先让 agent 只计算那些你手头数据足以支持的指标。
5. 再要求它做解读、benchmark 对比和下一步建议。

这样可以减少凭空补假设的情况，也能更早暴露缺失数据的问题。

推荐的 prompt 结构

一个稳定可用的 prompt 模板通常包括：

• 公司类型和阶段
• 时间范围
• 你已经确认可信的源指标
• 希望套用的公式
• benchmark 或决策场景
• 期望的输出格式

示例：

• “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.”

这个 skill 擅长覆盖哪些内容

从源码来看，这个 skill 最强的部分包括：

• MRR 和 ARR 的框架化表达
• 增长率解读
• CAC 和 LTV 基础分析
• 与 churn 相关的 unit economics
• burn 和 runway 分析思路
• 面向早期公司的 benchmark 导向分析

这些内容已经足以支持规划层面的 KPI review、investor 材料准备和经营 dashboard 设计。

哪些地方仍然需要你自己判断

这个 skill 会给出公式和 benchmark 逻辑，但以下问题仍然需要你自己拍板：

• 应该用 logo churn 还是 revenue churn
• CAC 是否应包含部分 overhead
• ARPU 应按月计算还是年化
• blended metric 是否掩盖了关键客群差异

这些选择会实质性影响输出结果。建议让 agent 明确写出它使用的 assumptions。

仓库阅读路径

因为这个 skill 基本集中在一个文件里，比较高效的阅读顺序是：

1. SKILL.md 总览
2. universal metrics 部分
3. unit economics 部分
4. cash 和 efficiency 部分
5. 与阶段相关的 benchmark references

如果你既想理解公式本身，也想理解这些公式在经营层面为什么重要，就按这个顺序读。

提升输出质量的实用使用建议

想让 startup-metrics-framework usage 结果更可靠，建议你：

• 统一时间口径，通常使用月度
• 明确客户数量指的是 logos、accounts 还是 active payers
• 区分 gross revenue 和 net revenue
• 说明 churn 是按月还是按年
• 如果要分析 runway，同时提供 burn 和 current cash
• 让 agent 先展示公式，再开始解读结果

这样能避免最常见的 metric 定义混淆。

startup-metrics-framework skill 常见问题

startup-metrics-framework 适合新手吗？

适合，前提是你已经大致知道自己业务数据的基本结构。这个 skill 因为采用的是标准 startup metrics，所以入门门槛不高；但新手在根据结果采取行动前，仍然应该先核实 CAC、ARPU、churn 和 gross margin 这些定义。

startup-metrics-framework 只适用于 SaaS 吗？

不是。源码明确写了它面向 SaaS、marketplace、consumer 和 B2B startup。只要业务里 recurring revenue、acquisition cost、retention 和 burn 是核心问题，它通常都适用。对于收入高度不规则的项目制业务，或者资本结构很复杂的公司，它的帮助会相对有限。

相比普通 prompt，它最大的优势是什么？

普通 prompt 往往只会产出一份比较泛的 KPI 清单。startup-metrics-framework 提供的是更结构化的 startup finance 分析视角：有公式、有 benchmark 上下文，也会更聚焦于和阶段、业务模式真正相关的那一小组指标。通常意味着你需要来回补充说明的次数更少。

我可以用 startup-metrics-framework 做 investor reporting 吗？

可以。这正是它最适合的场景之一。这个 skill 和 investor update、board report 的需求非常契合，尤其是在增长、unit economics 和现金效率这几个维度上。不过前提是你的源数据已经清洗过，并且内部口径一致。

startup-metrics-framework 能做深度财务建模吗？

不能。它是一个框架和分析辅助工具，不是完整的经营模型搭建器。它能帮助你定义并计算重要的 startup metrics，但不能替代基于 spreadsheet 的规划、情景建模，或财务团队复核。

什么情况下不建议安装 startup-metrics-framework？

如果你的主要需求是以下内容，就可以跳过：

• SQL 或 dashboard 实施
• 会计级报表
• 基于事件数据的高级 cohort analytics
• 早期 startup finance 范畴之外的行业专属运营指标

在这些场景下，BI、analytics engineering 或 FP&A 导向的 skill 会更匹配。

如何改进 startup-metrics-framework skill

先把 metric 定义说清楚，能最快提升 startup-metrics-framework 效果

提升 startup-metrics-framework 输出质量最快的方法，就是在要求结论前，先把每个容易歧义的数字定义清楚。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.”

这样可以避免无效对比，以及错误的 payback 计算。

把 assumptions 和分析分开提问

一个很强的 prompt 结构是：

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

这种顺序更便于审查，也更容易提升你对最终分析结果的信任度。

当 blended metrics 掩盖问题时，提供分层数据

如果你有多种客户类型，不要只给 blended average。更好的输入方式包括：

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

这会明显提升 CAC、LTV 和增长效率的解读质量。

留意 startup-metrics-framework 常见失真点

startup-metrics-framework guide 风格输出里，最常见的问题包括：

• 混用月度值和年度值
• 把 revenue churn 和 logo churn 当成同一个概念
• 用尚不稳定的早期 churn 数据去计算 LTV
• 在 LTV 里忽略 gross margin
• 默认所有 acquisition channels 的效率都一样

如果第一版回答看起来“过于工整”，就让 agent 专门检查这些失真点。

优化 startup-metrics-framework for Data Analysis 的 prompt 写法

想获得更强的 startup-metrics-framework for Data Analysis 结果，可以明确要求：

• calculation table
• 使用的明确公式
• missing-data flags
• benchmark comparison
• 按潜在影响排序的行动建议

示例：

• “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.”

在第一轮输出后继续迭代

高质量的第二轮 prompt 不是“redo this”，而是更有针对性，比如：

• “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.”

这样你就能把这个 skill 从“公式解释器”用成真正的决策支持工具。

面向 stakeholder 时，优化输出格式

如果你的最终用途是 board update 或 fundraising memo，可以要求输出按以下部分组织：

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

相比直接给一串公式，这会让 startup-metrics-framework skill 在真实工作流里更好用。

在真正落地前先做校验

在你把结果放进 dashboard 或 investor 文档之前，先确认：

• 每个 metric 对应的 source-of-truth system
• 时间窗口
• inclusion 和 exclusion 规则
• finance 团队与 growth 团队之间的口径一致性

这个 skill 最擅长的是帮助你搭建分析框架；真正进入执行前，仍然要回到你内部的 metric 定义做校验。