Моделирование юнит-экономики когортным анализом

Это метод исследования, при котором пользователи разделяются на группы (когорты) по времени их появления (например, «Когорта Январь»).

• Клиенты: Считаются как начальное количество привлеченных пользователей в периоде, умноженное на процент удержания (Retention) для текущего «возраста» группы.
• Выручка: Это сумма активных клиентов во всех когортах, умноженная на средний доход с одного клиента (ARPPU) в конкретном месяце.
• Прибыль: Вычисляется как Выручка минус переменные и постоянные издержки. Особенность нашей модели в том, что накладные расходы (CAC и постоянные траты) распределяются между когортами пропорционально количеству их активных пользователей.

Матрица влияния — это аналитический инструмент, предназначенный для определения степени зависимости итоговой прибыли компании от изменения отдельных операционных показателей (драйверов), таких как стоимость привлечения (CAC), удержание (Retention) или средний доход с пользователя (ARPPU).

1. В чем смысл данного инструмента?

В сложной бизнес-модели показатели влияют на результат с разной силой. Смысл матрицы — выявить наиболее приоритетные направления для оптимизации. Она помогает ответить на вопрос: «Что выгоднее для бизнеса прямо сейчас: снизить стоимость привлечения на 1% или увеличить удержание клиентов на 1%?».

Инструмент позволяет объективно сравнить драйверы с разными единицами измерения (рубли, проценты, количество человек) через их общее влияние на итоговую финансовую цель.

2. Как пользоваться инструментом?

Инструмент работает в двух режимах, которые переключаются в верхней части панели:

• Режим «Эффект на прибыль (+1%)» (Прямой анализ):
• Система поочередно увеличивает каждый показатель на 1% от его текущего значения в модели.
• Результат отображается в процентах: на сколько изменится общая прибыль за весь период прогноза.
• Пример: Если у Retention стоит показатель +15%, это значит, что улучшение удержания всего на один процент даст рост прибыли на 15%.
• Режим «Цели для роста (+1%)» (Обратный анализ):
• Система рассчитывает, какое минимальное изменение в единицах (рублях, человеках или процентах) требуется от конкретного драйвера, чтобы общая прибыль выросла ровно на 1%.
• Пример: Матрица может показать, что для роста прибыли на 1% вам нужно либо снизить CAC на 450 руб., либо привлечь еще 120 новых клиентов.

3. Методология расчета

Расчет производится методом локальной переоценки: модель полностью пересчитывает все когорты и финансовые потоки, внося изменение только в одну переменную. При этом учитывается время: изменения в Retention или виральности в начале периода имеют «накопительный эффект», который матрица фиксирует в итоговом значении.

4. Недостатки и ограничения модели

При анализе результатов важно учитывать следующие нюансы:

1. Линейное допущение: Модель предполагает, что при малых изменениях (1–5%) зависимость остается линейной. В реальности при масштабных изменениях (например, рост базы в 10 раз) могут возникнуть нелинейные эффекты (рост издержек на инфраструктуру, падение качества трафика), которые матрица не может предсказать заранее.
2. Изоляция драйверов (Отсутствие корреляции): Инструмент рассматривает каждый показатель как независимый. В реальном бизнесе показатели часто связаны: например, попытка резко снизить CAC может привести к привлечению менее лояльной аудитории и, как следствие, к падению Retention. Матрица показывает влияние каждого фактора в «вакууме».
3. Статичность базы: Эффективность драйвера в матрице напрямую зависит от того, какие базовые значения вы ввели в настройках. Если в вашей модели изначально заложены нулевые расходы, изменение CAC не покажет никакого влияния на прибыль.
4. Чувствительность к точке безубыточности: Если бизнес находится глубоко в убытке, процентные изменения прибыли могут выглядеть аномально высокими (сотни и тысячи процентов), так как база для сравнения очень мала. В таких случаях стоит ориентироваться на абсолютные значения (Abs. Effect).

В бизнесе показатели редко растут или падают по прямой линии. Использование математических кривых вместо простых линейных прогнозов позволяет создать модель, которая максимально приближена к реальности:

• Отражение жизненного цикла продукта: Продукты проходят этапы запуска, бурного роста и естественного угасания. Кривая Lifecycle или Gompertz моделирует этот путь гораздо точнее, чем обычный плюс-минус фиксированный процент.
• Эффект насыщения: Рано или поздно рынок «насыщается». Если вы растете на 10% каждый месяц, через 5 лет вы можете превысить население Земли. Кривые Logarithmic или Saturating помогают вовремя замедлить рост в прогнозе, чтобы он оставался реалистичным.
• Моделирование «хайпа» и спада: Кривая Sigmoid (S-образная) идеально подходит для новых технологий: сначала о вас знают немногие, потом наступает взрывной рост («переломный момент»), а затем рост стабилизируется.
• Учет сезонности и циклов: С помощью кривой Cyclical можно заложить в модель волнообразные колебания (например, падение продаж летом и рост в декабре), сохраняя при этом общий восходящий тренд.
• Проверка «на прочность»: Кривые позволяют увидеть, в какой момент расходы начнут расти быстрее выручки при определенных сценариях, что невозможно заметить в плоской таблице.

Нажмите кнопку «Поделиться» (Share) в шапке приложения. Система мгновенно упакует все ваши настройки (кривые, ручные правки, количество месяцев) в компактный код и добавит его в URL-ссылку.

• Важно: Ваши данные не сохраняются на сервере (это приватно), они хранятся прямо в самой ссылке. Просто скопируйте её и отправьте коллегам.

ARPPU (Average Revenue Per Paying User) — средний доход от одного платящего пользователя за период (неделю, месяц или квартал).

• Важно: Это не цена одного товара. В эту цифру должны входить все продажи, которые один клиент совершает за выбранный период (например, продление подписки + доп. покупки внутри приложения).

CAC (Customer Acquisition Cost) — это итоговая стоимость привлечения одного платящего пользователя. Сюда должны входить все затраты на маркетинг, рекламу и работу отдела продаж, деленные на количество полученных клиентов.

Виральность (K-factor) — это количество новых пользователей, которых приводит один платящий клиент. В нашей модели виральность считается как процент от новых привлеченных клиентов. Например, если вы привлекаете 100 человек с рекламы при виральности 10%, вы получите еще 10 «органических» пользователей бесплатно.

Постоянные (Fixed Costs): Траты, которые вы несете независимо от количества клиентов (аренда офиса, зарплаты команды, подписки на софт).

Переменные (Variable Costs): Траты, которые растут вместе с каждым новым клиентом (комиссии банков, серверные мощности, стоимость материалов, поддержка).