commercial-forecaster

commercial-forecaster

用途

帮助商业负责人在预测时回答三个问题：

1. 承诺值 / 最佳情景 / 仅基于管道的预测值是多少？（包含已披露假设的三级订单额预测）
2. 哪些客户群体正在流失，汇总 NRR 是否掩盖了这种流失？（按客户群体预测未来一段时间的 NRR/GRR）
3. 哪些销售漏斗阶段可靠，哪些只是统计噪声？（按阶段给出基于变异系数的置信区间）

该技能建议提供三个预测数字 + 明确的假设说明。CRO 展示数字，董事会看到假设，形式主义到此为止。

适用场景

• 为董事会编制季度订单额预测
• 准备 QBR 预测，CFO 会问“承诺值、最佳情景、仅基于管道的预测值分别是多少”
• 使用客户群体留存数据预测未来 4-8 个季度的 ARR
• 怀疑汇总 NRR 数字掩盖了近期某个客户群体的流失
• 管道覆盖率正在下降，需要了解哪些阶段仍然可信
• 有人要求提供“单一数字”，而你需要给出能揭示假设的结构化答案

请勿用于：

• 回溯财务结账和报告 → finance/financial-analysis
• 战略财务规划（多年规划、情景分析、融资）→ c-level-advisor/cfo-advisor
• “我们该聘请销售副总裁吗？”／区域设计／薪酬计划 → c-level-advisor/cro-advisor
• 定价 → 同类技能 pricing-strategist（基于已确定的价格预测收入）
• 单笔交易折扣审批 → 同类技能 deal-desk

工作流

步骤 1 — 收集销售管道、客户群体和历史转化数据

填写 assets/forecast_intake_template.md（约 20 分钟）。需收集：包含阶段／金额／预计成交日期／存续时长／最近活动时间的商机列表；过去 4 个季度和过去 12 个季度的阶段间历史转化率；各客户群体的 ARR、每季度留存数据和扩张数据；以及销售漏斗阶段名称和 12 个季度的转化历史。

步骤 2 — 执行三级订单额预测

scripts/bookings_forecaster.py --input intake.json --profile saas --output markdown

输出三个数字——承诺值、最佳情景、仅基于管道的预测值——并分别注明应用的转化率、所用数据窗口（过去 4 个季度与过去 12 个季度的数据按 70/30 加权），以及成交时长概率调整。承诺值与仅基于管道的预测值之间的差异可用作管道风险指标。

假设说明不可省略。 删除假设说明，预测就会沦为形式主义。

步骤 3 — 按客户群体预测 ARR

scripts/cohort_arr_projector.py --input intake.json --output markdown

按客户群体计算预测期内的 NRR 和 GRR。标记 NRR 低于滚动客户群体平均值的群体——汇总数字会掩盖这些正在流失的客户群体 2-3 个季度，之后这种流失才会显现在整体指标上。

输出包含汇总 NRR/GRR 趋势、客户群体热力图，以及流失客户群体提示。

步骤 4 — 评估各销售漏斗阶段的置信度

scripts/funnel_confidence_scorer.py --input intake.json --output markdown

按阶段给出：平均转化率、标准差、变异系数（CoV = 标准差 / 平均值）、置信区间（高 < 10%，中 10-25%，低 25-50%，极低 > 50%）。并为各阶段建议处理方式：扩展数据窗口、视为软性下限，或作为承诺质量标准。

步骤 5 — 整理预测演示文稿

将三级订单额预测、客户群体热力图和销售漏斗置信度汇总到 QBR／董事会演示文稿中。假设说明必须与预测数字放在同一张幻灯片上。 如果幻灯片上只有一个数字，没有假设说明，那就是形式主义。

脚本

• scripts/bookings_forecaster.py — 三级订单额预测（承诺值／最佳情景／仅基于管道的预测值），包含已披露的转化率、数据窗口和加权说明
• scripts/cohort_arr_projector.py — 按客户群体预测未来一段时间的 NRR/GRR，并提示流失客户群体
• scripts/funnel_confidence_scorer.py — 按阶段给出基于 CoV 的置信区间和处理建议

所有脚本仅使用标准库。三个脚本都支持 --help 和 --sample。

参考资料

• references/saas_forecasting_canon.md — Skok、Tunguz、OpenView、BVP、Pacific Crest/KeyBanc、ProfitWell、Patrick Campbell
• references/cohort_analysis_canon.md — Andrew Chen（a16z）、Brian Balfour、Skok、Ramanujam、OpenView、Lenny Rachitsky、Reforge
• references/forecast_anti_patterns.md — McKinsey、Tunguz、OpenView、MIT Sloan、Bain、Forrester、Pacific Crest

假设

• 历史转化率是先验，而非真相。 最近 4 个季度的权重为 70%，最近 12 个季度的权重为 30%。这种加权综合考虑了市场状态变化（近期放缓），又避免过度拟合单个糟糕季度。每份输出都会显示时间窗口和权重。
• 不披露假设区块的预测就是作秀。 这是此技能的硬性规则。CLI 不允许省略假设区块。
• 群组分解能比汇总数字提前 2-3 个季度发现流失。 不按群组拆分就报告 NRR，会掩盖流失。
• CoV（变异系数）是评估阶段置信度的正确方法。 平均转化率为 40%、标准差为 4%（CoV 为 10%）的阶段，置信度为 HIGH；平均转化率为 40%、标准差为 20%（CoV 为 50%）的阶段，置信度为 VERY LOW。相同的平均值可能掩盖截然不同的可靠性。
• 行业配置调整先验，而非真相。 配置会按行业调整默认阶段转化率；你的历史数据优先。
• 该技能会输出三个数字和一个假设区块。 CRO 负责选择承诺值、承担取舍，并向董事会说明差异。

反模式

• 只给出单一预测数字，不提供置信区间。 董事会会要求“那个数字”；正确做法是给出三个数字，并说明各自的假设。参见 forecast_anti_patterns.md。
• 盲目使用最近 12 个季度的转化率。 这会掩盖近期放缓。最近 4 个季度与最近 12 个季度按 70/30 加权，正是为了纠正这一点。
• 不按群组分解就报告 NRR。 汇总数字可能持平，但某个近期群组的收入可能已流失 15 个百分点；这一流失会在 2-3 个季度后反映到整体数据中。务必进行分解。
• 把最佳情形当作承诺值。 CFO 会让你吃不了兜着走。最佳情形包含按阶段加权、按时完成交易的概率低于 50% 的商机；承诺值只包含达到承诺标准的阶段。
• 隐藏假设区块。 该技能会拒绝；如果你手动删掉它，就得为这种作秀负责。
• 不标出存在流失的群组。 如果 cohort_arr_projector.py 标记了某个群组，而你在演示材料中隐藏了这一标记，下个季度就会被流失问题反噬。
• 忽略后期商机的存续时间。 一笔“口头承诺”的交易，如果已经口头承诺了 180 天，就不算承诺。预订预测器会自动降低停滞商机的权重；不要手动重新提高其权重。
• 不检查销售漏斗覆盖率。 行业经验法则：预测值 > 销售漏斗金额 ÷ 3 是一种反模式。工具会显示这个比率；请认真对待。

与以下内容的区别

• finance/financial-analysis — 回顾过去的财务结账、GAAP/IFRS 报告、与预算的差异。commercial-forecaster 负责前瞻性的销售漏斗计算。
• c-level-advisor/cfo-advisor — 多年期战略财务规划、融资情景、现金跑道。commercial-forecaster 是 CFO 的一个输入，而非战略本身。
• c-level-advisor/cro-advisor — CRO 的战略判断：是否聘请销售副总裁、区域设计、薪酬计划、何时增聘销售工程师。commercial-forecaster 提供 CRO 使用的计算结果；cro-advisor 提供 CRO 运用的判断。
• 同级工具 pricing-strategist — 制定价格（模型 + 区间）。commercial-forecaster 根据这些价格预测收入。先定价，再做预测。
• 同级工具 deal-desk — 逐笔交易评分 + 折扣审批流程。commercial-forecaster 汇总 deal-desk 每日处理的销售漏斗。

强制提问库（Matt Pocock 的审问纪律）

由 /cs:grill-commercial 或编排器逐一提问。每个问题都附有建议答案和权威引用。绝不打包提问。

1. “你使用的转化率是多少？采用最近 4 个季度还是最近 12 个季度的数据？” 建议答案：采用 70/30 的加权组合（最近 4 个季度占 70%，最近 12 个季度占 30%）。只看最近 12 个季度会掩盖近期放缓；只看最近 4 个季度则会被某个糟糕季度过度影响。 权威引用：Tomasz Tunguz（Theory Ventures）——预测研究表明，单一时间窗口的转化率估算会以约 3 个季度的滞后错过市场格局变化。

2. “你的销售管道覆盖率是多少？你的承诺额是否高于销售管道金额 ÷ 3？” 建议答案：3 倍覆盖率是 SaaS 行业的底线；低于 3 倍意味着你的承诺额缺乏结构性支撑。 权威引用：Pacific Crest / KeyBanc SaaS Survey——SaaS 头部四分位公司相对于承诺预订额，维持 3.0-4.5 倍的销售管道覆盖率。

3. “能否按客户群组展示净收入留存率（NRR），而不只是汇总数据？” 建议答案：没有各客户群组的细分数据，就绝不汇报汇总 NRR。存在流失问题的客户群组会被平均值掩盖。 权威引用：Patrick Campbell（ProfitWell）+ David Skok——按客户群组拆解留存情况，可在汇总 NRR 出现变化前 2-3 个季度发现流失问题。

4. “过去 12 个季度中，每个阶段转化率的变异系数（CoV）是多少？” 建议答案：CoV < 10% → 可用于承诺预测；10-25% → 中等；25-50% → 仅可作为保守下限；> 50% → 不要用该阶段进行预测。 权威引用：MIT Sloan 预测研究 / Hyndman & Athanasopoulos（Forecasting: Principles and Practice）——输入序列的 CoV 比均值更能可靠地预测预测准确度。

5. “每个处于后期阶段的机会在该阶段停留了多久？” 建议答案：阶段停留时间 > 阶段中位时长的 2 倍 → 视为停滞，从承诺额中剔除，仅保留在销售管道预测中。 权威引用：David Skok（For Entrepreneurs）——根据阶段停留时间识别停滞机会，是 SaaS 销售管道头部十分位公司的首要预测规范实践。

6. “你的最佳情景预测是否在仅基于销售管道的预测值的 30% 范围内？” 建议答案：如果最佳情景预测 < 仅基于销售管道的预测值的 50%，说明你的阶段转化率假设过于悲观，存在压低预测的情况；如果最佳情景预测 > 仅基于销售管道的预测值的 80%，说明你在画出陡峭上升曲线。 权威引用：McKinsey 关于预测偏差的研究 + OpenView SaaS 基准数据——大多数团队都陷入两种失败模式之一：压低预测（承诺额远低于实际业绩）或画出陡峭上升曲线（承诺额远高于实际业绩）。

7. “董事会演示文稿中的数字附带了哪些假设说明？” 建议答案：董事会演示文稿中的每个预测数字都应注明：(a) 转化率，(b) 数据时间窗口，(c) 加权方式，(d) 销售管道覆盖率。没有假设说明 = 这页幻灯片只是在演戏。 权威引用：Bain & Company 商业预测实践 + Forrester 销售管道覆盖率研究——未披露假设的预测与实际值之间的偏差，是披露假设预测的 2.3 倍。

按深度优先的方式推进。完成 1-3 并确认后，再开始 4-7。全部 7 个问题回答完后，依次调用 bookings_forecaster.py → cohort_arr_projector.py → funnel_confidence_scorer.py。