Startuplar için Chief Data Officer danışmanlığı: AI eğitim verisi hakları ve onay kaynağı, veri ürün stratejisi (warehouse vs lakehouse vs mesh, build-vs-buy), B2B müşteri verisi varlık değerlemesi ve M&A hazırlığı, veri takım organizasyonu gelişimi. Müşteri verisi üzerinde modeller eğitmek, veri mimarisini seçmek, fon turları veya M&A için veri değerlemek, veri işe alımlarını planlamak gibi durumlarda kullanın.
cd ~/.claude/skills
git clone https://github.com/alirezarezvani/claude-skills.git claude-skillsmkdir -p ~/.claude/skills/chief-data-officer-advisor
curl -fsSL https://raw.githubusercontent.com/alirezarezvani/claude-skills/HEAD/.gemini/skills/chief-data-officer-advisor/SKILL.md \
-o ~/.claude/skills/chief-data-officer-advisor/SKILL.mdStartup CDO'ları ve CDO'su olmayan kurucular için stratejik veri liderliği. Dört karar, anket yok:
Bu beceri taktik veri mühendisliğini kapsamaz. Schema tasarımı, gözlemlenebilirlik, sorgu optimizasyonu, RAG veya ML platform uygulaması için engineering/database-designer/, engineering/observability-designer/, engineering/data-quality-auditor/, engineering/sql-database-assistant/, engineering/rag-architect/, engineering/llm-cost-optimizer/ bölümlerine bakın.
CDO, chief data officer, AI eğitim verisi, onay kaynağı, eğitim hakları, GDPR Madde 6 yasal temel, GDPR Madde 22, AB AI Act yüksek risk, ePrivacy, telif hakkı adil kullanım, hiQ v. LinkedIn, kazınan veri, sentetik veri, veri ürünü, data mesh, lakehouse, medallion mimarisi, dbt, Snowflake, BigQuery, Databricks, Fivetran, Airbyte, reverse ETL, feature store, müşteri verisi varlık, veri para kazanma, veri ürünleştirme, anonimleştirme, k-anonimite, diferansiyel gizlilik, M&A veri due diligence, veri org, analytics engineer, data engineer, data scientist, data product manager, merkezi vs dağıtılmış, hub and spoke
# Veri kaynaklarını AI eğitimi uygunluğu için denetle
python scripts/ai_training_data_audit.py # gömülü örneği kullanır
python scripts/ai_training_data_audit.py path/to/sources.json
# Veri mimarisini seç + yapmalı-vs-satın-almalı + sıralamayı belirle
python scripts/data_product_strategy_picker.py # gömülü Series A SaaS kullanır
python scripts/data_product_strategy_picker.py path/to/profile.json
# Müşteri veri koleksiyonunu değerle + ürünleştirme uygunluğu
python scripts/data_asset_valuator.py # gömülü B2B örneğini kullanır
python scripts/data_asset_valuator.py path/to/corpus.json
2026'da her startup'ın karşılaştığı soru: müşteri verilerini modelimizi eğitmek için kullanabilir miyiz?
Cevap nadiren ikili şey. Üç bağımsız boyuta bağlıdır:
| Boyut | Değerler |
|---|---|
| Origin | 1st-party-explicit-opt-in / 1st-party-TOS-only / partner-licensed / kazınan / sentetik |
| Veri sınıfı | Anonim toplam / davranışsal / PII / 3rd-party içerik / düzenlenmiş (PHI, PCI, çocuklar) |
| Kullanım durumu | İçi-ürün kişileştirme / modelimizi fine-tune et / foundation model eğit / dış paylaşım |
Her kombinasyon GO / MITIGATE / NO-GO üretir. Çalıştır ai_training_data_audit.py kaynaklardan oluşan JSON envanterinde.
Tam matris + GDPR Md. 6 yasal temel karar ağacı + AB AI Act yüksek risk tetikleyicileri için references/ai_training_data_rights.md bölümüne bakın.
Mimari seçim (warehouse vs lakehouse vs mesh) tercih-driven değil stage-driven:
Yapmalı-vs-satın-almalı katman başına karar verilir:
| Katman | Satın al eğer değilse | Sadece yap eğer |
|---|---|---|
| Storage / warehouse | Asla yapma | (Veri infra şirketi misin) |
| ELT / ingest | Asla yapma | Kaynak Fivetran/Airbyte tarafından desteklenmiyor |
| Modeling (dbt) | Her zaman yap | Bu senin IP'n |
| BI / dashboards | Satın al <100 tüketici | Müşteriler için gömülü analitik |
| Feature store | Erteле 3+ prod modeline kadar | Sonra Tecton/Hopsworks yap VEYA satın al |
| ML platform | Erteле 5+ prod modeline kadar | Sonra SageMaker/Vertex/Databricks satın al |
Çalıştır data_product_strategy_picker.py stage-spesifik tavsiye için. Her mimari için durdurma kriterleri ve yapmalı-vs-satın-almalı karar ağacı için references/data_product_strategy.md bölümüne bakın.
Kayma: Series B+ de, müşteri verisi artık sadece operasyonel değil — aşağıdakiler olabilecek bir varlık:
Ama yükümlülük de olabilir:
Çalıştır data_asset_valuator.py corpus karakteristikleriyle stratejik değer skoru + ürünleştirme yolları + riske ayarlanmış değer almak için.
Değerleme framework, M&A due diligence prep kontrol listesi ve kontraktual kısıt denetim deseni için references/customer_data_as_asset.md bölümüne bakın.
Yanlış soru: "Data scientist işe alsak mı?" Doğru soru: "Veri nedeniyle hangi karar alamıyoruz ve hangi rol bu sorunu çözer?"
Stage-to-role haritası (B2B SaaS baseline):
| Stage | İlk işe alma | Sonra | Sonra |
|---|---|---|---|
| Pre-seed / seed | Founder-as-analyst (SQL + spreadsheets) | — | — |
| Series A | Analyst | Analytics engineer (dbt) | — |
| Series B | Data engineer | Senior analyst (GTM'de gömülü) | Data PM (3+ ekip veri ihtiyaçsa) |
| Growth | Manager of analytics | ML engineer (model core ise) | Head of Data |
| Late-stage | Head of Data → CDO | Specialized: BI, MLE, DPO | Federe sahipler domain başına (mesh) |
Merkezi-vs-dağıtılmış tetikleyici: 3+ fonksiyonel alan (sales, marketing, product, ops, CS) haftalık bespoke veri ihtiyacında, merkezi ekip darboğaz olur. Bir işe alma krizi haline gelmeden hub-and-spoke (merkezi platform + dağıtılmış analistler) ye taşıyın.
references/data_team_org_evolution.md bölümüne bakın.
Hedef: Belirli bir veri kaynağının belirli bir kullanım durumunu eğitip eğitemedene karar verin.
# 1. sources.json oluştur veri kaynağı başına bir giriş
# 2. Denetimi çalıştır
python scripts/ai_training_data_audit.py sources.json
# 3. Her MITIGATE için: sahip ata + çözüm
# 4. Her NO-GO için: yasal günlüğe durdurma nedeni belge
# 5. cs-general-counsel-advisor ile en iyi 3 çözüm öğesiyle çapraz kontrol
# 6. /cs:decide aracılığıyla günlüğe kaydet
Hedef: Warehouse / lakehouse / mesh seç ve sonraki 12 ay için yapmalı-vs-satın-almalı bölümü belirle.
python scripts/data_product_strategy_picker.py profile.json
# cs-cto-advisor ile mühendislik kapasitesinde çapraz kontrol
# cs-cfo-advisor ile 3 yıllık TCO'da çapraz kontrol
# /cs:decide aracılığıyla günlüğe kaydet; multi-yıl SaaS sözleşmesi imzalanırsa /cs:freeze 90 düşün
Hedef: Veri koleksiyonunu değerle ve due diligence'e hazırlan.
data_asset_valuator.py çalıştırcustomer_data_as_asset.md de M&A due diligence prep kontrol listesini çalıştırHedef: İşletme kararlarına uyumlu sonraki 18 ayın veri işe almalarını oluştur.
**Özet:** [bir cümle — karar ve gerekçe]
**Karar:** [4 çerçeveden biri]
**Kanıt:** [sayılar, sıfatlar değil]
**Hareket:** [3 somut sonraki adım]
**Sizin Kararınız:** [sadece kurucunun yapabileceği çağrı]
c-level-advisor/skills/cto-advisor/ — mimari kapasite, ölçekleme uçurumlarıc-level-advisor/skills/ciso-advisor/ — veri güvenliği, ürünleştirilmiş veri için tehdit modellemec-level-advisor/skills/general-counsel-advisor/ — kontraktual kısıtlamalar, DPA, eğitim verisi haklarıc-level-advisor/skills/cfo-advisor/ — yapmalı-vs-satın-almalı TCO, M&A değerleme matematikc-level-advisor/skills/chro-advisor/ — veri ekibi işe alma, leveling, compengineering/skills/database-designer/ — taktik schema tasarımıengineering/skills/rag-architect/ — taktik AI/RAG uygulamasıengineering/llm-cost-optimizer/ — model maliyet yönetimiSürüm: 1.0.0 Durum: Production Ready Uyarı: Eğitim verisi hakları, veri ürünleştirmesi veya M&A veri due diligence'ine dokunan kararlar nitelikli avukatı içermelidir. Bu beceri kararları ve takasları ortaya koymaktadır — yasal incelemeyi yerine almaz.
Herhangi bir yaratıcı çalışmaya başlamadan önce bunu mutlaka kullanın - feature oluştururken, component inşa ederken, functionality eklerken veya davranış değiştirirken. Kullanıcı niyetini, gereksinimleri ve tasarımı implementation öncesinde araştırır.
Uygulama tamamlandığında, tüm testler geçtiğinde ve çalışmanızı nasıl entegre edeceğinize karar vermeniz gerektiğinde kullanın - merge, PR veya cleanup seçeneklerini sunarak geliştirme sürecinin tamamlanmasını rehberlik eder.
Kod incelemesi geri bildirimi alırken, önerileri uygulamadan önce kullanın; özellikle geri bildirim belirsiz veya teknik olarak şüpheli görünüyorsa - performatif anlaşmadan veya körü körüne uygulamadan ziyade teknik titizlik ve doğrulama gerekir.
Görevleri tamamlarken, büyük özellikleri hayata geçirirken veya merge etmeden önce çalışmanın gereksinimleri karşıladığını doğrulamak için kullanın.
Yeni bir feature üzerinde çalışmaya başlarken veya implementasyon planını yürütmeden önce kullanın - native araçlar veya git worktree fallback aracılığıyla izole edilmiş bir workspace sağlar.
Herhangi bir konuşma başlatırken kullanın - skill'lerin nasıl bulunacağını ve kullanılacağını belirler, clarification soruları da dahil olmak üzere HERHANGİ bir yanıt vermeden önce skill invocation gerektirir.