| name | revenue-operations |
| description | 分析销售管道健康状况、收入预测准确性以及 SaaS 收入优化的 GTM 效率指标。适用于分析销售管道覆盖率、预测收入、评估进入市场表现、审查销售指标、评估管道分析、使用 MAPE 跟踪预测准确性、计算 GTM 效率，或衡量 SaaS 团队的销售效率和单位经济效益。 |
收入运营 (Revenue Operations)
为 SaaS 收入团队提供管道分析、预测准确性跟踪和 GTM 效率衡量。
输出格式： 所有脚本均支持 --format text（人类可读）和 --format json（用于仪表板/集成）。
快速开始
python scripts/pipeline_analyzer.py --input assets/sample_pipeline_data.json --format text
python scripts/forecast_accuracy_tracker.py assets/sample_forecast_data.json --format text
python scripts/gtm_efficiency_calculator.py assets/sample_gtm_data.json --format text
工具概述
1. 管道分析器 (Pipeline Analyzer)
分析销售管道健康状况，包括覆盖率、阶段转化率、交易速度、老化风险和集中度风险。
输入： 包含交易、业绩目标和阶段配置的 JSON 文件
输出： 覆盖率、转化率、速度指标、老化标记、风险评估
用法：
python scripts/pipeline_analyzer.py --input pipeline.json --format text
计算的核心指标：
- 管道覆盖率 (Pipeline Coverage Ratio) -- 总管道价值 / 业绩目标 (健康值: 3-4x)
- 阶段转化率 (Stage Conversion Rates) -- 阶段间的推进率
- 销售速度 (Sales Velocity) -- (机会数 x 平均交易大小 x 赢单率) / 平均销售周期
- 交易老化 (Deal Aging) -- 标记超过各阶段平均周期时间 2 倍的交易
- 集中度风险 (Concentration Risk) -- 当超过 40% 的管道集中在单笔交易时发出警告
- 覆盖缺口分析 (Coverage Gap Analysis) -- 识别管道不足的季度
输入 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. 预测准确性跟踪器 (Forecast Accuracy Tracker)
使用 MAPE 跟踪随时间变化的预测准确性，检测系统性偏差，分析趋势，并提供类别层级的明细。
输入： 包含预测周期和可选类别明细的 JSON 文件
输出： MAPE 分数、偏差分析、趋势、类别明细、准确性评级
用法：
python scripts/forecast_accuracy_tracker.py forecast_data.json --format text
计算的核心指标：
- MAPE -- mean(|实际 - 预测| / |实际|) x 100
- 预测偏差 (Forecast Bias) -- 过度预测（正值）对比预测不足（负值）的倾向
- 加权准确性 (Weighted Accuracy) -- 按交易价值加权的 MAPE，用于衡量重要性
- 周期趋势 (Period Trends) -- 随时间改善、稳定或下降的准确性
- 类别明细 (Category Breakdown) -- 按销售代表、产品、细分市场或任何自定义维度划分的准确性
准确性评级：
| 评级 | MAPE 范围 | 解释 |
|---|
| 优秀 (Excellent) | <10% | 高度可预测，数据驱动的流程 |
| 良好 (Good) | 10-15% | 可靠的预测，存在微小差异 |
| 一般 (Fair) | 15-25% | 需要改进流程 |
| 较差 (Poor) | >25% | 预测方法论存在显著差距 |
输入 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 效率计算器 (GTM Efficiency Calculator)
计算 SaaS 核心 GTM 效率指标，并提供行业基准对照、评级和改进建议。
输入： 包含收入、成本和客户指标的 JSON 文件
输出： 魔力数字 (Magic Number)、LTV:CAC、CAC 回报周期、烧钱倍数、40 原则、NDR 及其评级
用法：
python scripts/gtm_efficiency_calculator.py gtm_data.json --format text
计算的核心指标：
| 指标 | 公式 | 目标值 |
|---|
| 魔力数字 (Magic Number) | 净新增 ARR / 上一周期 S&M 支出 | >0.75 |
| LTV:CAC | (ARPA x 毛利率 / 流失率) / CAC | >3:1 |
| CAC 回报周期 | CAC / (ARPA x 毛利率) 月数 | <18 个月 |
| 烧钱倍数 (Burn Multiple) | 净烧钱额 / 净新增 ARR | <2x |
| 40 原则 (Rule of 40) | 收入增长率 % + FCF 利润率 % | >40% |
| 净美元留存率 (NDR) | (期初 ARR + 增购 - 缩减 - 流失) / 期初 ARR | >110% |
输入 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
}
}
收入运营工作流
每周管道审查 (Weekly Pipeline Review)
在每周的管道检查节奏中使用此工作流。
-
验证输入数据： 在开始前确认管道导出数据是实时的，并且所有必填字段（阶段、价值、结单日期、负责人）已填充。
-
生成管道报告：
python scripts/pipeline_analyzer.py --input current_pipeline.json --format text
-
交叉核对输出总量： 对比 CRM 源系统以确认数据完整性。
-
审查关键指标：
- 管道覆盖率（是否高于 3 倍业绩目标？）
- 超过阈值的老化交易（哪些交易需要干预？）
- 集中度风险（我们是否过度依赖少数几笔大额交易？）
- 阶段分布（漏斗形状是否健康？）
-
使用模板归档： 使用 assets/pipeline_review_template.md
-
行动项： 处理老化交易、重新分配管道集中度、填补覆盖缺口。
预测准确性审查 (Forecast Accuracy Review)
按月或按季度使用，以评估和改进预测纪律。
-
验证输入数据： 在运行前确认所有预测周期都有对应的实际值，且没有遗漏任何周期。
-
生成准确性报告：
python scripts/forecast_accuracy_tracker.py forecast_history.json --format text
-
交叉核对实际值： 在得出结论前，对比 CRM 中的已成交记录核实实际值。
-
分析模式：
- MAPE 是否呈下降趋势（正在改善）？
- 哪些销售代表或细分市场的错误率最高？
- 是否存在系统性的过度预测或预测不足？
-
使用模板归档： 使用 assets/forecast_report_template.md
-
改进行动： 辅导高偏差的销售代表、调整方法论、提高数据卫生。
GTM 效率审计 (GTM Efficiency Audit)
在季度或董事会准备期间使用，以评估进入市场效率。
-
验证输入数据： 在运行前确认收入、成本和客户数据与财务记录一致。
-
计算效率指标：
python scripts/gtm_efficiency_calculator.py quarterly_data.json --format text
-
交叉核对计算出的 ARR 和支出总量： 在分享结果前，对比财务系统进行核实。
-
对照目标基准：
- 魔力数字 (>0.75)
- LTV:CAC (>3:1)
- CAC 回报周期 (<18 个月)
- 40 原则 (>40%)
-
使用模板归档： 使用 assets/gtm_dashboard_template.md
-
战略决策： 调整支出分配、优化渠道、提高留存率。
季度业务回顾 (Quarterly Business Review)
结合所有三个工具进行全面的 QBR 分析。
- 运行管道分析器进行前瞻性覆盖率分析
- 运行预测跟踪器进行回顾性准确性分析
- 运行 GTM 计算器获取效率基准
- 将管道健康状况与预测准确性进行交叉对照
- 将 GTM 效率指标与增长目标对齐
参考文档
模板
