Communitygithub.com

finance-billing-ops

Flujo de trabajo de verdad basado en evidencia para ingresos, precios, reembolsos, facturación de equipos y modelo de facturación para ECC. Úsalo cuando el usuario quiera una instantánea de ventas, comparación de precios, diagnóstico de cargos duplicados o realidad de facturación respaldada por código, en lugar de consejos genéricos de pagos.

¿Qué es finance-billing-ops?

Esta habilidad está diseñada para operadores de ECC que necesitan comprender la realidad financiera respaldada por código, en lugar de depender de afirmaciones de marketing o sugerencias genéricas. Permite obtener instantáneas precisas de ventas, diagnosticar cargos duplicados, comparar precios con competidores y verificar si comportamientos como la facturación por asiento o el manejo de cuotas se implementan realmente en el código. Es más amplia que `customer-billing-ops`, ya que se centra en la verdad del producto y del operador, no solo en la remediación de clientes. La habilidad distingue claramente entre datos en vivo y instantáneas guardadas, separa incidentes de clientes de la verdad del producto, y finaliza con una decisión y una brecha de producto identificada. Es compatible con flujos de trabajo que involucran Stripe, GitHub, investigación de mercado y verificación de comportamiento, ideal para preguntas que mezclan hechos de ingresos con la realidad de la implementación del producto.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/finance-billing-ops

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Finance Billing Ops

Utiliza esto cuando el usuario quiera entender el dinero, los precios, los reembolsos, la lógica de asientos de equipo, o si el producto realmente se comporta como el sitio web y el texto de ventas implican.

Esto es más amplio que customer-billing-ops. Esa habilidad es para la remediación de clientes. Esta habilidad es para la verdad del operador: estado de ingresos, decisiones de precios, facturación de equipos y comportamiento de facturación respaldado por código.

Pila de Habilidades

Incorpora estas habilidades nativas de ECC en el flujo de trabajo cuando sea relevante:

  • customer-billing-ops para remediación y seguimiento específicos del cliente
  • research-ops cuando los precios de la competencia o la evidencia actual del mercado sean importantes
  • market-research cuando la respuesta deba terminar en una recomendación de precios
  • github-ops cuando la verdad de la facturación dependa del código, el backlog o el estado de lanzamiento en repositorios hermanos
  • verification-loop cuando la respuesta dependa de probar el comportamiento del proceso de pago, la gestión de asientos o los derechos de acceso

Cuándo Usarlo

  • el usuario pregunta sobre ventas de Stripe, reembolsos, MRR o actividad reciente de clientes
  • el usuario pregunta si la facturación de equipos, la facturación por asiento o la acumulación de cuotas son reales en el código
  • el usuario quiere comparaciones de precios de la competencia o puntos de referencia de modelos de precios
  • la pregunta mezcla hechos de ingresos con la verdad de la implementación del producto

Salvaguardas

  • distingue datos en vivo de instantáneas guardadas
  • separa:
    • hecho de ingresos
    • impacto en el cliente
    • verdad del producto respaldada por código
    • recomendación
  • no digas "por asiento" a menos que la ruta de derechos real lo haga cumplir
  • no asumas que las suscripciones duplicadas implican valor duplicado

Flujo de Trabajo

1. Comienza desde la evidencia de facturación más reciente

Prefiere datos de facturación en vivo. Si los datos no son en vivo, indica explícitamente la marca de tiempo de la instantánea.

Normaliza la imagen:

  • ventas pagadas
  • suscripciones activas
  • procesos de pago fallidos o incompletos
  • reembolsos
  • disputas
  • suscripciones duplicadas

2. Separa los incidentes de clientes de la verdad del producto

Si la pregunta es específica del cliente, clasifica primero:

  • proceso de pago duplicado
  • intención real de equipo
  • controles de autoservicio rotos
  • valor del producto no cumplido
  • pago fallido o configuración incompleta

Luego separa eso de la pregunta más amplia del producto:

  • ¿la facturación de equipos realmente existe?
  • ¿los asientos se cuentan realmente?
  • ¿la cantidad en el proceso de pago cambia los derechos?
  • ¿el sitio exagera el comportamiento actual?

3. Inspecciona el comportamiento de facturación respaldado por código

Si la respuesta depende de la verdad de la implementación, inspecciona la ruta del código:

  • proceso de pago
  • página de precios
  • cálculo de derechos
  • manejo de asientos o cuotas
  • lógica de instalación vs. uso del usuario
  • soporte del portal de facturación o autoservicio de gestión

4. Termina con una decisión y una brecha de producto

Informa:

  • instantánea de ventas
  • diagnóstico del problema
  • verdad del producto
  • acción recomendada del operador
  • brecha del producto o del backlog

Formato de Salida

INSTANTÁNEA
- marca de tiempo
- ingresos / suscripciones / anomalías

IMPACTO EN EL CLIENTE
- quién está afectado
- qué sucedió

VERDAD DEL PRODUCTO
- lo que el código realmente hace
- lo que el sitio web o el texto de ventas afirma

DECISIÓN
- reembolsar / conservar / convertir / no operar

BRECHA DEL PRODUCTO
- elemento de seguimiento exacto para construir o arreglar

Errores Comunes

  • no confundas intentos fallidos con ingresos netos
  • no infieras facturación de equipos solo a partir del lenguaje de marketing
  • no compares precios de la competencia de memoria cuando haya evidencia actual disponible
  • no pases del diagnóstico directamente al reembolso sin clasificar el problema

Verificación

  • la respuesta incluye una declaración de datos en vivo o una marca de tiempo de instantánea
  • las afirmaciones de verdad del producto están respaldadas por código
  • el impacto en el cliente y las conclusiones más amplias de precios/producto están limpiamente separadas

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/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

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.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills relacionados