주간 파이프라인 검토가 2시간 걸릴 때 /revenue-operations는 커버리지, 장기 지연, MAPE, Magic Number를 10분 안에 계산합니다. — Claude Skill
Claude Code용 Claude 스킬 · 제공: Alireza Rezvani · 실행: /revenue-operations (Claude 내)·업데이트: 2026년 6월 14일·v1.0.0
파이프라인 검토, 예측 정확도, 시장 진출 효율성 분석을 실행합니다
- 파이프라인 커버리지 비율(목표 할당 목표의 3-4x), stage 전환율 rates, 영업 속도, deal 장기 지연 표시, 집중 리스크
- Forecast MAPE 추적과 bias detection(over/under-forecasting), weighted accuracy, period trend, rep별 category breakdown
- GTM efficiency metrics: Magic Number(>0.75), LTV:CAC(>3:1), CAC Payback(<18mo), Burn Multiple(<2x), Rule of 40(>40%), NDR(>110%)
- 각 metric별 industry benchmark로 숫자가 좋은지 나쁜지 판단합니다
- 파이프라인 검토, 예측 보고서, 시장 진출 대시보드용 기본 제공 템플릿
대상
기능
주간 cadence가 CRM 내보내기, 수동 coverage 계산, 장기 지연 거래 찾기로 오전 절반을 잡아먹습니다. /revenue-operations는 내보내기에 pipeline_analyzer를 실행해 커버리지 격차, 장기 지연 표시, 집중 리스크를 10분 안에 드러냅니다.
투자자들이 forecast를 얼마나 잘하는지 묻습니다. /revenue-operations는 4개 분기의 MAPE를 bias detection과 함께 추적하고(rep들이 체계적으로 over-forecast 또는 under-forecast하는지), rep, segment, product별 breakdown을 제공합니다.
Series B까지 6주 남았고 lead investor가 Magic Number와 Rule of 40을 원합니다. /revenue-operations는 LTV:CAC, CAC Payback, Burn Multiple, Rule of 40을 stage별 industry benchmark와 함께 board-ready로 계산합니다.
분기 종료까지 2주 남았고 거래 12개이 협상에 멈춰 있습니다. /revenue-operations는 평균 cycle time의 2x를 넘긴 deal, stage 전환율 bottleneck, 밀어붙일 deal과 다음 분기로 넘길 deal을 식별합니다.
작동 방식
파이프라인 + 예측 + 매출 데이터를 JSON으로 내보내기합니다(deals, quota, stages, periods, ARR, costs)
pipeline_analyzer를 실행해 커버리지 비율, 전환율 rates, deal 장기 지연 표시, 집중 경고을 받습니다
forecast_accuracy_tracker를 실행해 period별 MAPE, bias direction, rep/segment별 accuracy rating을 받습니다
gtm_efficiency_calculator를 실행해 Magic Number, LTV:CAC, CAC Payback, Rule of 40과 benchmark를 받습니다
critical issues, trends, strategic recommendations 순서의 board-ready report를 받습니다
예시
열린 거래 47개, 파이프라인 210만 달러 할당 목표: 1,800,000달러 현재까지 마감: 620,000달러(34%) 평균 주기 일수: 45 단계: 발견, 자격 검증, 제안, 협상
할당 목표: 1,800,000달러 마감: 620,000달러(34%) 가중: 1,540,000달러(86%) 격차: 260,000달러 커버리지: 2.4x ⚠ 3배 목표 미만
발견 → 자격 검증: 62% 전환율(건강) 자격 검증 → 제안: 45% 전환율(건강) 제안 → 협상: 38% 전환율 ⚠ 50% 목표 미만 협상 → 수주: 71% 전환율(강함) 집중 리스크: 거래 1개 = 파이프라인의 22%(CloudFirst 140K달러)
⚠ Apex Co 160K달러 협상, 91일, 3월 12일 이후 activity 없음 ⚠ Orion Inc 75K달러 발견, 78일, 마감일이 이미 지남 ⚠ Pinnacle 90K달러 협상, 88일, 단일 담당자 의존
할당 목표 달성에 추가 260K달러 필요 → 단계 병목: Proposal → Neg 전환율 개선(38% → 50%) → Apex를 CTO 신규 접점로 되살리기(160K달러 정체) → 보충을 위해 2배 커버리지 기준 신규 파이프라인 180K달러 필요
개선되는 지표
지원 도구
매출 운영을(를) 사용해 보시겠어요?
시작 방법을 선택하세요.
이 스킬을 컴퓨터에 로컬로 설치하고 실행합니다.
컴퓨터에서 터미널을 열고 이 명령을 붙여넣으세요:
이 명령은 스킬과 모든 파일을 컴퓨터에 다운로드합니다:
모든 프로젝트에서 사용하려면 끝에 -g를 추가하세요.
Claude Code를 시작한 다음 명령을 입력하세요:
매출 운영
SaaS revenue team을 위한 pipeline analysis, forecast accuracy tracking, GTM efficiency measurement입니다.
Output formats: 모든 script는
--format text(human-readable)와--format json(dashboards/integrations)을 지원합니다.
Quick Start
# pipeline health와 coverage 분석
python scripts/pipeline_analyzer.py --input assets/sample_pipeline_data.json --format text
# 여러 period의 forecast accuracy 추적
python scripts/forecast_accuracy_tracker.py assets/sample_forecast_data.json --format text
# GTM efficiency metrics 계산
python scripts/gtm_efficiency_calculator.py assets/sample_gtm_data.json --format text
Tools Overview
1. Pipeline Analyzer
coverage ratios, stage conversion rates, deal velocity, aging risks, concentration risks를 포함해 sales pipeline health를 분석합니다.
Input: deals, quota, stage configuration이 포함된 JSON file Output: Coverage ratios, conversion rates, velocity metrics, aging flags, risk assessment
Usage:
python scripts/pipeline_analyzer.py --input pipeline.json --format text
계산되는 핵심 metrics:
- Pipeline Coverage Ratio -- Total pipeline value / quota target (healthy: 3-4x)
- Stage Conversion Rates -- stage-to-stage progression rates
- Sales Velocity -- (Opportunities x Avg Deal Size x Win Rate) / Avg Sales Cycle
- Deal Aging -- stage별 average cycle time의 2x를 넘긴 deal을 flag합니다
- Concentration Risk -- pipeline의 >40%가 단일 deal에 있을 때 경고합니다
- Coverage Gap Analysis -- pipeline이 부족한 quarter를 식별합니다
Input Schema:
{
"quota": 500000,
"stages": ["Discovery", "Qualification", "Proposal", "Negotiation", "Closed Won"],
"average_cycle_days": 45,
"deals": [
{
"id": "D001",
"name": "Acme Corp",
"stage": "Proposal",
"value": 85000,
"age_days": 32,
"close_date": "2025-03-15",
"owner": "rep_1"
}
]
}
2. Forecast Accuracy Tracker
MAPE로 시간에 따른 forecast accuracy를 추적하고, systematic bias를 detect하며, trend를 분석하고, category-level breakdown을 제공합니다.
Input: forecast periods와 optional category breakdowns가 포함된 JSON file Output: MAPE score, bias analysis, trends, category breakdown, accuracy rating
Usage:
python scripts/forecast_accuracy_tracker.py forecast_data.json --format text
계산되는 핵심 metrics:
- MAPE -- mean(|actual - forecast| / |actual|) x 100
- Forecast Bias -- Over-forecasting(positive) vs under-forecasting(negative) tendency
- Weighted Accuracy -- materiality를 위해 deal value로 weighted한 MAPE
- Period Trends -- 시간이 지나며 improving, stable, declining 중 어디인지
- Category Breakdown -- rep, product, segment 또는 custom dimension별 accuracy
Accuracy Ratings:
| Rating | MAPE Range | Interpretation |
|---|---|---|
| Excellent | <10% | 매우 예측 가능하고 data-driven process |
| Good | 10-15% | minor variance가 있는 reliable forecasting |
| Fair | 15-25% | process improvement 필요 |
| Poor | >25% | significant forecasting methodology gaps |
Input Schema:
{
"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. GTM Efficiency Calculator
industry benchmarking, ratings, improvement recommendations와 함께 core SaaS GTM efficiency metrics를 계산합니다.
Input: revenue, cost, customer metrics가 포함된 JSON file Output: Magic Number, LTV:CAC, CAC Payback, Burn Multiple, Rule of 40, NDR with ratings
Usage:
python scripts/gtm_efficiency_calculator.py gtm_data.json --format text
계산되는 핵심 metrics:
| 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% |
Input Schema:
{
"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
}
}
매출 운영 워크플로
Weekly Pipeline Review
주간 pipeline inspection cadence에 이 workflow를 사용하세요.
-
입력 데이터 확인: 진행 전에 pipeline export가 최신이고 모든 required fields(stage, value, close_date, owner)가 채워져 있는지 확인합니다.
-
pipeline report 생성:
python scripts/pipeline_analyzer.py --input current_pipeline.json --format text -
output totals를 CRM source system과 cross-check해 data integrity를 확인합니다.
-
핵심 indicators 검토:
- Pipeline coverage ratio가 quota의 3x 이상인가?
- threshold를 넘긴 aging deals는 무엇이며 어떤 deal에 intervention이 필요한가?
- Concentration risk가 있는가? 몇 개 large deal에 과도하게 의존하고 있는가?
- Stage distribution이 healthy funnel shape인가?
-
template으로 문서화:
assets/pipeline_review_template.md사용 -
Action items: aging deals 처리, pipeline concentration 재분배, coverage gaps 보강
Forecast Accuracy Review
forecasting discipline을 평가하고 개선하기 위해 monthly 또는 quarterly로 사용합니다.
-
입력 데이터 확인: 실행 전에 모든 forecast period에 corresponding actuals가 있고 누락 period가 없는지 확인합니다.
-
accuracy report 생성:
python scripts/forecast_accuracy_tracker.py forecast_history.json --format text -
actuals를 CRM의 closed-won records와 cross-check한 뒤 결론을 냅니다.
-
pattern 분석:
- MAPE가 내려가고 있는가(개선)?
- 어떤 rep 또는 segment의 error rate가 가장 높은가?
- systematic over- 또는 under-forecasting이 있는가?
-
template으로 문서화:
assets/forecast_report_template.md사용 -
Improvement actions: high-bias reps coaching, methodology 조정, data hygiene 개선
GTM Efficiency Audit
go-to-market efficiency를 평가하기 위해 quarterly 또는 board prep 중 사용합니다.
-
입력 데이터 확인: 실행 전에 revenue, cost, customer figures가 finance records와 reconcile되는지 확인합니다.
-
efficiency metrics 계산:
python scripts/gtm_efficiency_calculator.py quarterly_data.json --format text -
computed ARR와 spend totals를 finance system과 cross-check한 뒤 공유합니다.
-
target 대비 benchmark:
- Magic Number (>0.75)
- LTV:CAC (>3:1)
- CAC Payback (<18 months)
- Rule of 40 (>40%)
-
template으로 문서화:
assets/gtm_dashboard_template.md사용 -
Strategic decisions: spend allocation 조정, channel 최적화, retention 개선
Quarterly Business Review
comprehensive QBR analysis를 위해 세 도구를 함께 사용합니다.
- forward-looking coverage를 위해 pipeline analyzer 실행
- backward-looking accuracy를 위해 forecast tracker 실행
- efficiency benchmark를 위해 GTM calculator 실행
- pipeline health와 forecast accuracy cross-reference
- GTM efficiency metrics를 growth targets와 align
Reference Documentation
| Reference | Description |
|---|---|
| RevOps Metrics Guide | 전체 metrics hierarchy, definitions, formulas, interpretation |
| Pipeline Management Framework | Pipeline best practices, stage definitions, conversion benchmarks |
| GTM Efficiency Benchmarks | stage별 SaaS benchmarks, industry standards, improvement strategies |
Templates
| Template | Use Case |
|---|---|
| Pipeline Review Template | weekly/monthly pipeline inspection documentation |
| Forecast Report Template | forecast accuracy reporting and trend analysis |
| GTM Dashboard Template | leadership review용 GTM efficiency dashboard |
| Sample Pipeline Data | pipeline_analyzer.py용 example input |
| Expected Output | pipeline_analyzer.py의 reference output |