Communitygithub.com

Finance Billing Ops

Workflow orienté preuves pour les revenus, la tarification, les remboursements, la facturation d'équipe et la vérité du modèle de facturation pour ECC. À utiliser lorsque l'utilisateur souhaite un aperçu des ventes, une comparaison de prix, un diagnostic de doublons de facturation ou une réalité de facturation basée sur le code plutôt que des conseils de paiement génériques.

Qu'est-ce que Finance Billing Ops ?

Ce skill (compétence) d'IA, 'Finance Billing Ops', est conçu pour les opérateurs ECC qui ont besoin de comprendre la réalité financière et de facturation de leurs produits, au-delà des affirmations marketing ou des conseils génériques. Il se concentre sur l'obtention de la vérité basée sur les données et le code : état des revenus, décisions de tarification, facturation par équipe et comportement réel du système de facturation. Contrairement au skill `customer-billing-ops` dédié à la remédiation client, celui-ci est destiné à la vérité opérationnelle. Il combine des données de facturation en direct, l'inspection du code source (via `github-ops`), la recherche de marché (`research-ops`), et une boucle de vérification pour distinguer les faits de revenus, l'impact client et la réalité du produit. Le workflow guide l'utilisateur à travers quatre étapes : commencer par les preuves de facturation les plus récentes, séparer les incidents clients des vérités produit, inspecter le comportement de facturation basé sur le code, et terminer par une décision et l'identification d'un écart produit. Le résultat est formaté en un rapport structuré incluant l'instantané, l'impact client, la vérité produit, la décision et l'écart à combler. Ce skill est précieux pour les développeurs, les chefs de produit et les ops qui doivent prendre des décisions éclairées sur la tarification, les remboursements et l'alignement des fonctionnalités de facturation avec le code réel, en évitant les pièges courants comme confondre les échecs de paiement avec les revenus nets ou inférer une facturation par siège à partir du seul langage marketing.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Finance Billing Ops ?

Utilisez ce skill lorsque l'utilisateur souhaite comprendre l'argent, la tarification, les remboursements, la logique des sièges d'équipe, ou si le produit se comporte réellement comme le site web et les arguments de vente le laissent entendre.

Ce skill est plus large que customer-billing-ops. Ce dernier est destiné à la remédiation client. Celui-ci est destiné à la vérité opérationnelle : état des revenus, décisions de tarification, facturation d'équipe et comportement de facturation basé sur le code.

Stack de Compétences

Intégrez ces compétences natives d'ECC dans le workflow lorsque cela est pertinent :

  • customer-billing-ops pour la remédiation et le suivi spécifiques au client
  • research-ops lorsque la tarification des concurrents ou les preuves de marché actuelles sont importantes
  • market-research lorsque la réponse doit aboutir à une recommandation de tarification
  • github-ops lorsque la vérité de facturation dépend du code, du backlog ou de l'état des versions dans les dépôts frères
  • verification-loop lorsque la réponse dépend de la vérification du comportement de paiement, de gestion des sièges ou des droits

Quand Utiliser

  • l'utilisateur demande des ventes Stripe, des remboursements, le MRR ou l'activité récente d'un client
  • l'utilisateur demande si la facturation d'équipe, la facturation par siège ou le cumul de quotas est réel dans le code
  • l'utilisateur souhaite des comparaisons de tarification concurrente ou des références de modèles de tarification
  • la question mélange des faits de revenus avec la vérité de mise en œuvre du produit

Garde-fous

  • distinguez les données en direct des instantanés sauvegardés
  • séparez :
    • fait de revenu
    • impact client
    • vérité produit basée sur le code
    • recommandation
  • ne dites pas "par siège" à moins que le chemin réel des droits ne l'impose
  • ne présumez pas que des abonnements en double impliquent une valeur double

Workflow

1. Partez des preuves de facturation les plus récentes

Privilégiez les données de facturation en direct. Si les données ne sont pas en direct, indiquez explicitement l'horodatage de l'instantané.

Normalisez l'image :

  • ventes payées
  • abonnements actifs
  • paiements échoués ou incomplets
  • remboursements
  • litiges
  • abonnements en double

2. Séparez les incidents clients de la vérité produit

Si la question est spécifique au client, classifiez d'abord :

  • doublon de paiement
  • intention réelle d'équipe
  • contrôles en libre-service défaillants
  • valeur produit non satisfaite
  • échec de paiement ou configuration incomplète

Séparez ensuite cela de la question produit plus large :

  • la facturation d'équipe existe-t-elle vraiment ?
  • les sièges sont-ils réellement comptés ?
  • la quantité lors du paiement modifie-t-elle les droits ?
  • le site exagère-t-il le comportement actuel ?

3. Inspectez le comportement de facturation basé sur le code

Si la réponse dépend de la vérité de mise en œuvre, inspectez le chemin du code :

  • paiement
  • page de tarification
  • calcul des droits
  • gestion des sièges ou des quotas
  • logique d'installation vs utilisation par utilisateur
  • portail de facturation ou support de gestion en libre-service

4. Terminez par une décision et un écart produit

Rapportez :

  • instantané des ventes
  • diagnostic du problème
  • vérité produit
  • action opérateur recommandée
  • écart produit ou de backlog

Format de Sortie

INSTANTANÉ
- horodatage
- revenus / abonnements / anomalies

IMPACT CLIENT
- qui est concerné
- ce qui s'est passé

VÉRITÉ PRODUIT
- ce que le code fait réellement
- ce que le site web ou les arguments de vente prétendent

DÉCISION
- remboursement / conservation / conversion / sans action

ÉCART PRODUIT
- élément de suivi exact à construire ou à corriger

Pièges

  • ne confondez pas les tentatives échouées avec les revenus nets
  • n'inférez pas la facturation d'équipe à partir du seul langage marketing
  • ne comparez pas les prix des concurrents de mémoire lorsque des preuves actuelles sont disponibles
  • ne passez pas du diagnostic directement au remboursement sans classifier le problème

Vérification

  • la réponse inclut une déclaration de données en direct ou un horodatage d'instantané
  • les affirmations de vérité produit sont basées sur le code
  • l'impact client et les conclusions plus larges sur la tarification/le produit sont clairement séparés

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.

Skills associés