Communitygithub.com

Finance Billing Ops

Evidenzbasierter Workflow für Umsätze, Preise, Rückerstattungen, Teamabrechnung und Abrechnungsmodelle für ECC. Verwenden Sie dies, wenn der Benutzer eine Verkaufsübersicht, einen Preisvergleich, eine Diagnose doppelter Abbuchungen oder eine durch Code gestützte Abrechnungsrealität anstelle allgemeiner Zahlungsberatung wünscht.

Was ist Finance Billing Ops?

Finance Billing Ops ist ein Spezialwissen für Entwickler und Betreiber, die genaue, durch Code und Live-Daten gestützte Antworten zu Umsätzen, Preismodellen, Rückerstattungen und Teamabrechnung benötigen. Es ist für ECC (vermutlich ein Produkt- oder Plattform-Ökosystem) konzipiert und unterscheidet sich von kundenorientierten Abrechnungsskills, indem es sich auf die operative Wahrheit konzentriert: Was der Code tatsächlich tut, im Vergleich zu dem, was die Website oder das Vertriebsmaterial behauptet. Der Skill unterstützt Plattformen wie ECC-native Tools, Stripe (für Live-Daten) und GitHub (für Code-Inspektion) und integriert andere Skills wie `customer-billing-ops`, `research-ops` und `verification-loop`. Er arbeitet in einem strukturierten Workflow: Beginne mit den frischesten Abrechnungsdaten, trenne Kundenincidents von Produktwahrheiten, inspiziere Code-Pfade für Checkout, Sitzverwaltung oder Berechtigungen und ende mit einer Entscheidung und identifizierten Produktlücken. Der Skill stellt sicher, dass Aussagen zu Produktwahrheiten durch Code belegt sind, und vermeidet typische Fallstricke wie die Vermischung von fehlgeschlagenen Versuchen mit Nettoumsätzen oder die Annahme von Teambilling nur aufgrund von Marketingtexten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/finance-billing-ops

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Finance Billing Ops?

Verwenden Sie dies, wenn der Benutzer Geld, Preise, Rückerstattungen, Team-Sitzlogik verstehen möchte oder ob sich das Produkt tatsächlich so verhält, wie es die Website und die Vertriebstexte implizieren.

Dies ist breiter gefasst als customer-billing-ops. Dieser Skill ist für die Kundenabwicklung. Dieser Skill ist für die operative Wahrheit: Umsatzstatus, Preisentscheidungen, Teamabrechnung und durch Code gestütztes Abrechnungsverhalten.

Skill-Stack

Ziehen Sie diese ECC-nativen Skills bei Bedarf in den Workflow ein:

  • customer-billing-ops für kundenspezifische Abwicklung und Nachverfolgung
  • research-ops, wenn Wettbewerberpreise oder aktuelle Marktbelege relevant sind
  • market-research, wenn die Antwort in einer Preisempfehlung enden soll
  • github-ops, wenn die Abrechnungswahrheit von Code, Backlog oder Release-Status in Schwester-Repos abhängt
  • verification-loop, wenn die Antwort vom Nachweis des Checkouts, der Sitzverwaltung oder des Berechtigungsverhaltens abhängt

Wann zu verwenden

  • Benutzer fragt nach Stripe-Verkäufen, Rückerstattungen, MRR oder aktueller Kundenaktivität
  • Benutzer fragt, ob Teamabrechnung, Pro-Sitz-Abrechnung oder Quotenstapelung im Code real sind
  • Benutzer wünscht Preisvergleiche von Wettbewerbern oder Benchmarks für Preismodelle
  • Die Frage vermischt Umsatzfakten mit der Implementierungswahrheit des Produkts

Leitplanken

  • Unterscheiden Sie Live-Daten von gespeicherten Momentaufnahmen
  • Trennen Sie:
    • Umsatzfakt
    • Kundenauswirkung
    • Durch Code gestützte Produktwahrheit
    • Empfehlung
  • Sagen Sie nicht „pro Sitz“, es sei denn, der tatsächliche Berechtigungspfad erzwingt dies
  • Gehen Sie nicht davon aus, dass doppelte Abonnements einen doppelten Wert implizieren

Workflow

1. Beginnen Sie mit den frischesten Abrechnungsbelegen

Bevorzugen Sie Live-Abrechnungsdaten. Wenn die Daten nicht live sind, geben Sie den Zeitstempel der Momentaufnahme explizit an.

Normalisieren Sie das Bild:

  • bezahlte Verkäufe
  • aktive Abonnements
  • fehlgeschlagene oder unvollständige Checkouts
  • Rückerstattungen
  • Streitfälle
  • doppelte Abonnements

2. Trennen Sie Kundenincidents von der Produktwahrheit

Wenn die Frage kundenspezifisch ist, klassifizieren Sie zuerst:

  • doppelter Checkout
  • echte Teamabsicht
  • defekte Selbstbedienungssteuerungen
  • unerfüllter Produktwert
  • fehlgeschlagene Zahlung oder unvollständige Einrichtung

Trennen Sie dies dann von der breiteren Produktfrage:

  • existiert Teamabrechnung wirklich?
  • werden Sitze tatsächlich gezählt?
  • ändert die Checkout-Menge die Berechtigung?
  • übertreibt die Website das aktuelle Verhalten?

3. Inspizieren Sie durch Code gestütztes Abrechnungsverhalten

Wenn die Antwort von der Implementierungswahrheit abhängt, inspizieren Sie den Codepfad:

  • Checkout
  • Preisseite
  • Berechtigungsberechnung
  • Sitz- oder Quotenabwicklung
  • Installations- vs. Benutzernutzungslogik
  • Abrechnungsportal oder Selbstbedienungsverwaltungsunterstützung

4. Beenden Sie mit einer Entscheidung und einer Produktlücke

Berichten Sie:

  • Verkaufsübersicht
  • Problemdiagnose
  • Produktwahrheit
  • empfohlene Betreibermaßnahme
  • Produkt- oder Backlog-Lücke

Ausgabeformat

SNAPSHOT
- Zeitstempel
- Umsatz / Abonnements / Anomalien

KUNDENAUSWIRKUNG
- wer ist betroffen
- was ist passiert

PRODUKTWAHRHEIT
- was der Code tatsächlich tut
- was die Website oder der Vertriebstext behauptet

ENTSCHEIDUNG
- Rückerstattung / Erhalten / Konvertieren / Keine Aktion

PRODUKTLÜCKE
- genaues Folgeeintrag, das gebaut oder behoben werden muss

Fallstricke

  • Vermischen Sie fehlgeschlagene Versuche nicht mit dem Nettoumsatz
  • Leiten Sie Teamabrechnung nicht allein aus Marketingsprache ab
  • Vergleichen Sie Wettbewerberpreise nicht aus dem Gedächtnis, wenn aktuelle Belege verfügbar sind
  • Springen Sie nicht von der Diagnose direkt zur Rückerstattung, ohne das Problem zu klassifizieren

Verifikation

  • Die Antwort enthält eine Live-Daten-Aussage oder einen Zeitstempel der Momentaufnahme
  • Behauptungen zur Produktwahrheit sind durch Code belegt
  • Kundenauswirkung und breitere Preis-/Produktschlussfolgerungen sind sauber getrennt

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

Verwandte Skills