Quand la revue hebdomadaire du portefeuille commercial prend 2 heures, /revenue-operations calcule couverture, aging, MAPE et Magic Number en 10 minutes. — Claude Skill
Une compétence Claude pour Claude Code par Alireza Rezvani — exécuter /revenue-operations dans Claude·Mis à jour le 8 juin 2026·v1.0.0
Exécutez l'analyse de portefeuille commercial, la précision des forecasts et l'efficacité GTM.
- Ratio de couverture du portefeuille commercial (cible 3-4x quota), taux de conversion par étape, vélocité sales, flags d'ancienneté, risque de concentration
- Suivi MAPE forecast avec détection de biais (sur/sous-forecast), précision pondérée, tendances par période, breakdown par rep
- Métriques d'efficacité GTM : Magic Number (>0,75), LTV:CAC (>3:1), CAC Payback (<18 mois), Burn Multiple (<2x), Rule of 40 (>40 %), NDR (>110 %)
- Benchmarks sectoriels par métrique pour savoir si votre chiffre est bon ou mauvais — pas seulement ce qu'il vaut
- Modèles intégrés pour revue portefeuille commercial, rapport forecast et dashboard GTM
Pour qui
Lancez une revue hebdomadaire du portefeuille commercial en 10 minutes avec ratios de couverture, signaux d'aging et risque de concentration
Voir les compétences de ce rôleDéfendez le forecast devant le board avec tendances de précision MAPE et analyse des biais
Voir les compétences de ce rôleRepérez les opportunités bloqués en étape et intervenez avant la fin du trimestre
Voir les compétences de ce rôleObtenez les benchmarks d'efficacité GTM (Magic Number, Rule of 40) pour la levée de fonds
Voir les compétences de ce rôleCe qu'il fait
Votre cadence hebdo consomme une demi-matinée entre exports CRM, calculs manuels de couverture et chasse aux opportunités vieillissants. /revenue-operations lance pipeline_analyzer sur votre export et fait ressortir écarts de couverture, flags d'ancienneté et risque de concentration en 10 minutes.
Les investisseurs demandent la qualité de vos forecasts. /revenue-operations suit le MAPE sur 4 trimestres avec détection de biais (les commerciaux sur- ou sous-forecastent-ils systématiquement ?) et découpes par rep, segment et produit.
Vous êtes à 6 semaines d'une Series B et le lead investor veut Magic Number et Rule of 40. /revenue-operations calcule LTV:CAC, CAC Payback, Burn Multiple et Rule of 40 avec benchmarks par stade — prêt pour board.
Deux semaines restantes dans le trimestre et 12 opportunités bloqués en Negotiation. /revenue-operations signale les opportunités au-delà de 2x le cycle moyen, fait ressortir les goulots de conversion et identifie quels opportunités pousser vs glisser.
Fonctionnement
Exportez vos données portefeuille commercial + forecast + revenu en JSON (opportunités, quota, étapes, périodes, ARR, coûts).
Lancez pipeline_analyzer — obtenez ratio de couverture, taux de conversion, flags d'ancienneté, alertes de concentration.
Lancez forecast_accuracy_tracker — obtenez MAPE par période, direction du biais, notation de précision par rep/segment.
Lancez gtm_efficiency_calculator — obtenez Magic Number, LTV:CAC, CAC Payback, Rule of 40 avec benchmarks.
Obtenez un rapport prêt pour board : problèmes critiques d'abord, puis tendances, puis recommandations stratégiques.
Exemple
47 opportunités ouverts, 2,1 M$ de portefeuille commercial Quota : 1 800 000 $ Clos à date : 620 000 $ (34 %) Cycle moyen : 45 jours Étapes : Discovery, Qualification, Proposal, Negotiation
Quota : 1 800 000 $ Clos : 620 000 $ (34 %) Pondéré : 1 540 000 $ (86 %) Écart : 260 000 $ Couverture : 2,4x ⚠ sous la cible 3x
Discovery → Qual : 62 % conversion (sain) Qual → Proposal : 45 % conversion (sain) Proposal → Neg : 38 % conversion ⚠ sous cible 50 % Neg → Won : 71 % conversion (fort) Risque de concentration : 1 opportunité = 22 % du portefeuille commercial (CloudFirst 140 K$)
⚠ Apex Co 160 K$ Negotiation, 91 jours, aucune activité depuis le 12 mars ⚠ Orion Inc 75 K$ Discovery, 78 jours, date de close déjà manquée ⚠ Pinnacle 90 K$ Negotiation, 88 jours, single-threaded
Pour atteindre le quota : 260 K$ supplémentaires requis → Goulot d'étape : améliorer Proposal → Neg (38 % → 50 %) → Réactiver Apex avec un nouveau contact CTO (160 K$ bloqués) → Besoin de 180 K$ de nouveau portefeuille commercial à 2x de couverture pour compenser
Métriques améliorées
Compatible avec
Récupère les données de forecast pondéré et les insights portefeuille commercial pilotés par l'IA en entrée
Exporte les opportunités, étapes et données de forecast du portefeuille commercial pour les analyseurs
Source CRM alternative pour l'analyse de couverture du portefeuille commercial et de conversion
Source CRM alternative pour les entrées de portefeuille commercial et de forecast
Envie d'utiliser Revenue Operations ?
Choisissez comment commencer.
Installez et exécutez cette compétence localement sur votre ordinateur.
Ouvrez un terminal sur votre ordinateur et collez cette commande :
Cela télécharge la compétence avec tous ses fichiers sur votre ordinateur :
Ajoutez -g à la fin pour le rendre disponible dans tous vos projets.
Démarrez Claude Code, puis tapez la commande :
Revenue Operations
Analyse de portefeuille commercial, suivi de précision du forecast et mesure d'efficacité GTM pour les équipes revenu SaaS.
Formats de sortie : tous les scripts prennent en charge
--format text(lisible par humain) et--format json(dashboards/intégrations).
Démarrage rapide
# Analyser la santé et la couverture du portefeuille commercial
python scripts/pipeline_analyzer.py --input assets/sample_pipeline_data.json --format text
# Suivre la précision du forecast sur plusieurs périodes
python scripts/forecast_accuracy_tracker.py assets/sample_forecast_data.json --format text
# Calculer les métriques d'efficacité GTM
python scripts/gtm_efficiency_calculator.py assets/sample_gtm_data.json --format text
Vue d'ensemble des outils
1. Analyseur de portefeuille commercial
Analyse la santé du portefeuille commercial commercial, notamment les ratios de couverture, les taux de conversion par étape, la vélocité des opportunités, les risques d'ancienneté et les risques de concentration.
Entrée : fichier JSON avec opportunités, quota et configuration des étapes Sortie : ratios de couverture, taux de conversion, métriques de vélocité, alertes d'ancienneté, évaluation des risques
Utilisation :
python scripts/pipeline_analyzer.py --input pipeline.json --format text
Métriques clés calculées :
- Ratio de couverture du portefeuille commercial -- valeur totale du portefeuille commercial / objectif de quota (sain : 3-4x)
- Taux de conversion par étape -- taux de progression d'une étape à l'autre
- Vélocité commerciale -- (opportunités x taille moyenne de opportunité x win rate) / cycle de vente moyen
- Ancienneté des opportunités -- signale les opportunités dépassant 2x le temps de cycle moyen par étape
- Risque de concentration -- alerte quand >40% du portefeuille commercial se trouve dans un seul opportunité
- Analyse des écarts de couverture -- identifie les trimestres avec portefeuille commercial insuffisant
Schéma d'entrée :
{
"quota": 500000,
"stages": ["Discovery", "Qualification", "Proposal", "Negotiation", "Closed Won"],
"average_cycle_days": 45,
"opportunités": [
{
"id": "D001",
"name": "Acme Corp",
"stage": "Proposal",
"value": 85000,
"age_days": 32,
"close_date": "2025-03-15",
"owner": "rep_1"
}
]
}
2. Suivi de précision du forecast
Suit la précision du forecast dans le temps avec MAPE, détecte les biais systématiques, analyse les tendances et fournit des ventilations par catégorie.
Entrée : fichier JSON avec périodes de forecast et ventilations optionnelles par catégorie Sortie : score MAPE, analyse de biais, tendances, ventilation par catégorie, rating de précision
Utilisation :
python scripts/forecast_accuracy_tracker.py forecast_data.json --format text
Métriques clés calculées :
- MAPE -- mean(|actual - forecast| / |actual|) x 100
- Biais de forecast -- tendance au sur-forecast (positif) vs sous-forecast (négatif)
- Précision pondérée -- MAPE pondéré par la valeur de opportunité pour tenir compte de la matérialité
- Tendances par période -- précision qui s'améliore, reste stable ou se dégrade dans le temps
- Ventilation par catégorie -- précision par rep, produit, segment ou toute dimension personnalisée
Ratings de précision :
| Rating | MAPE Range | Interprétation |
|---|---|---|
| Excellent | <10% | Processus très prévisible, piloté par les données |
| Good | 10-15% | Forecast fiable avec variance mineure |
| Fair | 15-25% | Nécessite une amélioration du processus |
| Poor | >25% | Lacunes significatives dans la méthodologie de forecast |
Schéma d'entrée :
{
"forecast_periods": [
{"period": "2025-Q1", "forecast": 480000, "actual": 520000},
{"period": "2025-Q2", "forecast": 550000, "actual": 510000}
],
"category_breakdowns": {
"by_rep": [
{"category": "Rep A", "forecast": 200000, "actual": 210000},
{"category": "Rep B", "forecast": 280000, "actual": 310000}
]
}
}
3. Calculateur d'efficacité GTM
Calcule les métriques clés d'efficacité GTM SaaS avec benchmarks industrie, ratings et recommandations d'amélioration.
Entrée : fichier JSON avec métriques de revenu, coûts et clients Sortie : Magic Number, LTV:CAC, CAC Payback, Burn Multiple, Rule of 40, NDR avec ratings
Utilisation :
python scripts/gtm_efficiency_calculator.py gtm_data.json --format text
Métriques clés calculées :
| Metric | Formula | Target |
|---|---|---|
| Magic Number | Net New ARR / Prior Period S&M Spend | >0.75 |
| LTV:CAC | (ARPA x Gross Margin / Churn Rate) / CAC | >3:1 |
| CAC Payback | CAC / (ARPA x Gross Margin) months | <18 months |
| Burn Multiple | Net Burn / Net New ARR | <2x |
| Rule of 40 | Revenue Growth % + FCF Margin % | >40% |
| Net Dollar Retention | (Begin ARR + Expansion - Contraction - Churn) / Begin ARR | >110% |
Schéma d'entrée :
{
"revenue": {
"current_arr": 5000000,
"prior_arr": 3800000,
"net_new_arr": 1200000,
"arpa_monthly": 2500,
"revenue_growth_pct": 31.6
},
"costs": {
"sales_marketing_spend": 1800000,
"cac": 18000,
"gross_margin_pct": 78,
"total_operating_expense": 6500000,
"net_burn": 1500000,
"fcf_margin_pct": 8.4
},
"customers": {
"beginning_arr": 3800000,
"expansion_arr": 600000,
"contraction_arr": 100000,
"churned_arr": 300000,
"annual_churn_rate_pct": 8
}
}
Workflows de Revenue Operations
Revue hebdomadaire du portefeuille commercial
Utilisez ce workflow pour votre cadence d'inspection hebdomadaire du portefeuille commercial.
-
Vérifier les données d'entrée : confirmer que l'export portefeuille commercial est à jour et que tous les champs requis (stage, value, close_date, owner) sont renseignés avant de continuer.
-
Générer le rapport portefeuille commercial :
python scripts/pipeline_analyzer.py --input current_pipeline.json --format text -
Recouper les totaux de sortie avec votre système CRM source pour confirmer l'intégrité des données.
-
Revoir les indicateurs clés :
- Ratio de couverture du portefeuille commercial (est-il au-dessus de 3x le quota ?)
- opportunités vieillissants au-delà du seuil (quels opportunités nécessitent une intervention ?)
- Risque de concentration (dépendons-nous trop de quelques gros opportunités ?)
- Distribution par étape (la forme de l'entonnoir est-elle saine ?)
-
Documenter avec le template : utiliser
assets/pipeline_review_template.md -
Actions : traiter les opportunités vieillissants, redistribuer la concentration portefeuille commercial, combler les écarts de couverture
Revue de précision du forecast
À utiliser mensuellement ou trimestriellement pour évaluer et améliorer la discipline de forecast.
-
Vérifier les données d'entrée : confirmer que toutes les périodes de forecast ont des actuals correspondants et qu'aucune période ne manque avant exécution.
-
Générer le rapport de précision :
python scripts/forecast_accuracy_tracker.py forecast_history.json --format text -
Recouper les actuals avec les enregistrements closed-won de votre CRM avant de tirer des conclusions.
-
Analyser les patterns :
- Le MAPE baisse-t-il (amélioration) ?
- Quels commerciaux ou segments ont les taux d'erreur les plus élevés ?
- Existe-t-il un sur-forecast ou sous-forecast systématique ?
-
Documenter avec le template : utiliser
assets/forecast_report_template.md -
Actions d'amélioration : coacher les commerciaux à fort biais, ajuster la méthodologie, améliorer l'hygiène des données
Audit d'efficacité GTM
À utiliser trimestriellement ou lors de la préparation board pour évaluer l'efficacité go-to-market.
-
Vérifier les données d'entrée : confirmer que les chiffres de revenu, coûts et clients réconcilient avec les dossiers finance avant exécution.
-
Calculer les métriques d'efficacité :
python scripts/gtm_efficiency_calculator.py quarterly_data.json --format text -
Recouper l'ARR et les totaux de dépenses calculés avec votre système finance avant partage des résultats.
-
Benchmarker contre les cibles :
- Magic Number (>0.75)
- LTV:CAC (>3:1)
- CAC Payback (<18 months)
- Rule of 40 (>40%)
-
Documenter avec le template : utiliser
assets/gtm_dashboard_template.md -
Décisions stratégiques : ajuster l'allocation de dépenses, optimiser les canaux, améliorer la rétention
Revue commerciale trimestrielle
Combinez les trois outils pour une analyse QBR complète.
- Lancer le portefeuille commercial analyzer pour la couverture prospective
- Lancer le forecast tracker pour la précision rétrospective
- Lancer le GTM calculator pour les benchmarks d'efficacité
- Croiser la santé portefeuille commercial avec la précision du forecast
- Aligner les métriques d'efficacité GTM avec les objectifs de croissance
Documentation de référence
| Référence | Description |
|---|---|
| RevOps Metrics Guide | Hiérarchie complète des métriques, définitions, formules et interprétation |
| portefeuille commercial Management Framework | Bonnes pratiques portefeuille commercial, définitions d'étapes, benchmarks de conversion |
| GTM Efficiency Benchmarks | Benchmarks SaaS par stade, standards industrie, stratégies d'amélioration |
Modèles
| Template | Cas d'usage |
|---|---|
| portefeuille commercial Review Template | Documentation d'inspection portefeuille commercial hebdomadaire/mensuelle |
| Forecast Report Template | Reporting de précision forecast et analyse de tendances |
| GTM Dashboard Template | Dashboard d'efficacité GTM pour revue leadership |
| Sample portefeuille commercial Data | Exemple d'entrée pour pipeline_analyzer.py |
| Expected Output | Sortie de référence de pipeline_analyzer.py |