• 17 июня 2019

    Как построить MRR отчет

    Принятие решений на основе данных является обязательным условием при развитии бизнеса. Однако подход основанный на данных сильно зависит от самих данных, правильности их сбора и обработки. Зачастую, бизнес не умеет собирать нужные данные правильно, так же он сталкивается с проблемами их обработки.

    Ключевые данные, необходимые для принятия решений, это данные о продажах, а именно, кто, когда, сколько платит. При этом, в современном мире данные о платежах обычно имеются в любом бизнесе.

    В качестве пример хочется рассмотреть SaaS продукты, так как они имеют одну интересную особенность — рекуррентные платежи. С одной стороны это хороший инструмент и мы получаем деньги с некоторой стабильностью, с другой стороны вести учет движения средств в такой модели используя стандартный бухгалтерский подход неправильно, так как он не учитывает будущие поступления, кроме того бухгалтерский подход нормирует все поступления на сутки, а следовательно при оплате клиентом месячной подписки с 20.01 по 19.02 мы получим вклад от услуги в оба месяца, при этом вклад в каждый месяц будет рассчитан пропорционально числу дней в месяце. При этом клиент понимает, что он подписался в январе, а следующий платеж он будет совершать в феврале. Для учета таких платежей придумали отчет MRR, в котором платежи нормируются на месяц начала действия оплаченного периода, таким образом, оплаченный период с 20.01 по 19.02 целиком будет относиться к январю.

    Преимущество MRR в том, что такой отчет нормирован на начало месяца каждого оплаченного периода, и таким образом в каждом месяце мы видим суммы без скачков. Кроме того, если использовать стандартный бухгалтерский отчет, что для всех платежей на год начинающихся не 1 числа месяца будем получать 13 месяцев в отчете, в которых есть вклад от такого платежа, хотя клиент оплачивал всего-лишь год — 12 месяцев. Кроме того, отчет MRR учитывает будущие платежи.

    Как же посчитать MRR небольшой компании, с чего начать, какие данные и как использовать? Для начала, весь отчет мы построим используя очень простую выгрузку из нашей учетной системы, например, банковского счета, взяв данные из выписок по оплате за наш сервис. Какие данные нам понадобятся?

    В нашей выгрузке обязательно должна быть следующая информация: customer_id — идентификатор клиента, уникальное значение определяющее каждого отдельного клиента; paid_amount — сумма, оплаченная клиентом; paid_plan – тип тарифного плана, для примера будем использовать 2 типа monthly и annual; invoice_crated – дата выставления счета, ее же для простоты будем считать датой начала оплаченного периода. В итоге наша выгрузка будет выглядеть примерно так.

    Для построения отчет нам необходимо сделать следующую доработку этих данных, а именно добавить правильную дату окончания оплаченного периода. Для этого нам надо не просто добавить 1 месяц или 1 год к текущей дате, а правильно учесть, такие месяца как февраль, високосный год и т.д. В итоге, правильная формула расчета даты окончания периода для нашей модели, в которой мы имеем платежи на 1 и на 12 месяцев будет следующей:

    =IF(D2="monthly";EDATE(B2;1)-1;EDATE(B2;12)-1)

    Что делает эта формула? Во-первых, она проверяет тип тарифного плана помесячный – monthly или annually – оплата сразу за год. Далее мы вычисляем дата с помощью функции EDATE, которая вычисляет правильно дата отстоящую на 1 месяц или на 12 месяцев от текущей, а также отнимает 1 день, чтобы правильно попадать в период оплаты. В итоге получаем следующую картину:

    Следующим этапом будет создать промежуточную таблицу по каждому клиенту, а именно распределение уплаченных средств согласно периодам (нормированным на начало месяца) в которые они попадают. Я называют такую таблицу Money Per Period или MPP.

    Фактически эта таблица, в которой строки это информация о нашем клиенте, а столбцы это периоды, в ячейках указывается уплаченная клиентом сумма за этот период.

    Теперь надо заполнить эту таблицу. Для этого надо взять платеж от каждого клиента и в зависимости от того, какой был тариф на месяц или на год внести нужно число в ячейку, для месячных берем сумму платежа, для годовых ее необходимо разделить на 12. Для этого нам понадобиться следующая функция

    =IF(AND(DATEVALUE("1."&B$1)>=DATEVALUE(data!$B2);
    DATEVALUE("1."&B$1)<=DATEVALUE(data!$F2)); data!$E2/(DATEDIF(data!$B2;data!$F2;"Ym")+1);0))

    В итоге мы получаем следующий вид

    При этом важно понимать, что если у нас в выгрузке есть клиенты, которые платили несколько раз, то они будут в данной выборке иметь несколько строчек, например, вот так

    Теперь надо свести этот отчет по каждому уникальному клиенту, чтобы правильно считать движение MRR (new, old, reactivation, expansion, contraction, churn). Для этого используем функцию

    =SUMIFS(mpp!B2:B112;mpp!$A$2:$A$112;$A2)

    И получаем следующую таблицу

    Каждая строка это отдельный клиент, а каждый столбец это сумма поступлений от клиента в этот период.

    Теперь можно переходить к построению отчета о движении MRR. Для этого нам надо определиться как мы будем считать new, old, reactivation, expansion, contraction и churn. New – это поступления от клиента, который нам ни разу еще не платил нам, то есть левее выбранного периода поступлений нет. Old — поступления в выбранном периоде равны поступлениям от предыдущего периода. Reactivation — поступления в текущем периоде не равны нулю, при этом в прошлом периоде они были равны нулю, а так же были поступления до предыдущего периода. Expansion – поступления в текущем периоде больше поступлений в предыдущем. Contraction – поступления в текущем периоде меньше поступлений в предыдущем. Churn – поступления в текущем периоде равны нулю, а в предыдущем больше нуля.

    В итоге у нас должна получиться, вот такая таблица, на основе которой мы можем построить график MRR.

    Чем плох данный метод?

    Главным недостатком является то, что расширять отчет трудозатратно, если необходимо сделать срез по тарифным планам, и посмотреть как выглядит MRR разных тарифных планов.

    Все подписчики:

    Один план:

    Другой план:

    Также данный подход тяжело использовать с обновлением данных, так как приходится обновлять огромное число ячеек в ручную, либо задавать большое число условий для построения MRR.

  • 08 апреля 2019

    MRR – что за зверь, и как его считать

    Monthly Recurring Revenue — регулярная месячная выручка, одна из метрик для принятия решений, которая применяется в основном в подписных моделях SaaS, при этом приведенная к месяцам.

    Для чего появился этот показатель? В целом логика, как мне кажется, была следующей, так как у нас подписная модель и мы имеем рекуррентные платежи, мы можем предсказать какой будет денежный поток от наших клиентов, а следовательно мы можем рассчитывать эффективность бизнеса. Почему это важно? Давайте рассмотрим простую модель, наш клиент подписался на сервис, на тариф стоимостью $12, при этом мы потратили на получение клиента $100. Денежный поток от клиента выглядит следующим образом:

    Хорошо видно, что в плюс мы выходим только на 9 месяце. Фактически именно благодаря подписной модели мы можем быть уверены, что деньги будут поступать в течении нескольких периодов. При этом возможно, что часть клиентов не будут продлевать.

    Если мы будем знать прогнозируемый поток от всех новых и имеющихся клиентов, а также будем учитывать и контролировать отток клиентов мы сможем спрогнозировать денежный поток на будущие периоды.

    При этом существует два подхода, первый, рассчитать прогноз на основе бухгалтерского учета, согласно фактически оказанным услугам. При этом важно понимать, что согласно правилам бухгалтерского учета, все оказанные услуги нормируются на день. То есть, если мы имеем клиента, который купил наш тариф по цене $100, скажем 15.01.2019 на 12 месяцев, то его услуга будет длиться с 15.01.2019 по 14.01.2020. И мы должны рассчитать фактически оказанную услугу по дням:

    В столбце GAAP (американский стандарт бухгалтерского учета), видно, что так как мы купили услугу на год, а в году 365 дней, то цена одного дня услуги $3,29, при этом мы видим колебания в доходе каждый месяц и не одного месяца равного $100. Собственно это одна из причин, по которой ввели MRR, так как в MRR используют нормирование по месяцам, и следовательно каждый месяц равен $100.

    Также стоит обратить внимание на то, что согласно GAAP у периодов, которые начинаются не в первый день месяца всегда число месяцев на один больше, чем длительность периода, в нашем примере 13 месяцев при 12 месячном периоде, а по MRR строго 12. Собственно, это пока единственная причина внедрения MRR, которую мне удалось найти.

    Теперь давайте рассмотрим, какие бывают ситуации с расчетом MRR.

    Давайте рассмотрим эту картинку. В данном случае у нас есть клиент, который оплатил подписку в середине первого месяца. Следовательно, так как это первый платеж от этого клиента попадает в категорию new. Все последующие платежи от данного клиента в рамках данного тарифа, идущие без пауз попадают в категорию old. Спустя 3 месяца наш клиент, решил перейти на более дешевый тариф, разница текущим месяцев и предыдущим называется contraction, то есть это сумма, на которую уменьшился наш доход. Далее он продолжает платить по новому тарифу также еще 2 месяца. После чего делает паузу и не оплачивает тариф. Согласно правилам расчета MRR пауза получается равной в 1 месяц. Так как клиент вернулся к нам уже в следующем месяце. Если бы он вернулся бы в этом же, но спустя некоторое время, то разрыва в MRR не было.

    Но вернемся к исходной ситуации, после паузы, которая называется churn и равна платежу за предыдущий месяц, наш клиент возвращается на прежний тариф. Этот платеж называется reactivation. Спустя месяц, клиент решает расширить тариф, разница между новым и старым тарифом называется expansion.

    И так, у нас есть:

    1. new MRR – первый платеж от нового клиента
    2. old MRR – регулярный платеж от текущего клиента
    3. expansion MRR – расширение MRR, за счет перехода на новый тариф
    4. contraction MRR – уменьшение MRR, за счет перехода на новый тариф
    5. churn MRR – отток MRR, за счет прекращения оплаты
    6. reactivation MRR – возврат клиента, у которого был churn MRR

    Итоговый MRR считается по формуле:

    MRR = new + old + expansion + reactivation - churn - contraction

    продолжение следует…

  • 02 декабря 2018

    Вычисление среднего числа платежей через величину оттока

    Способ прогнозирования заработка с когорты пользователей, зная величину оттока для когорты на примере SaaS модели.

    Рассмотрим задачу, оценить сколько мы можем заработать на подписной модели. Величина дохода с одного клиента ARPC может быть рассчитана по формуле

    ARPC = AvP × APC

    где AvP — средний чек, а APC — среднее число платежей от наших клиентов. В SaaS средний чек, для упрощения, можем считать фиксированным, равным одному тарифному плану, например, 500₽. Остается понять, а какое среднее число платежей мы можем получить от наших клиентов. Если мы используем информацию на текущий момент, то мы просто берем имеющиеся данные. Но нас, интересует, то какие решения мы можем принять на основе этих расчетов. Как нам оценить сколько может быть платежей от наших пользователей? Давайте рассмотрим это с точки зрения оттока пользователей. Есть такой термин Churn Rate, который показывает, как уменьшается число клиентов со временем. Пусть у нас есть 100 клиентов и каждый месяц их становиться на 25% меньше. Через сколько месяцев у нас останется 1 или 0 клиентов? Когда я попросил людей рассчитать это число то почти все взяли excel и сделали простой расчет:

    Однако для постоянной работы так поступать не очень удобно. Можно аналитически рассчитать значение интервалов при которых наша когорта закончиться. Для этого, маркетологи, которые работают с данными величинами должны вспомнить школьную математику.

    Наша когорта представляет собой убывающую геометрическую прогрессию. И наша первая задача понять, а сколько циклов пройдет до тех пор пока в когорте не останется людей. Если мы используем показатель оттока в виде процента, то наша прогрессия бесконечная, и в ноль она превращается через бесконечное число циклов. Поэтому мы будем искать число итераций, при котором у нас остается 1 клиент. Для этого нам надо решить простое уравнение

    1 = b1 × qn-1

    Это степенное уравнение и его решением будет следующее выражение

    n = lg(1/b1) ÷ lg(1-q)

    Таким образом мы можем вычислить сколько циклов нам требуется, чтобы в нашей когорте остался 1 клиент. Следующий наш шаг понять, а сколько платежей мы можем получить за это время? Если мы рассматриваем SaaS, то среднее число платежей за интервал у нас равно 1 и тогда общее число платежей за время жизни когорты равно сумме n наших членов геометрической прогрессии.

    Сумма первых n членов геометрической прогрессии считается по формуле

    Sn=( b1 × (1-qn)) ÷ (1-q)

    Таким образом у нас есть все необходимое для расчета APC, а именно число клиентов b1 и число платежей совершенное ими за время жизни Sn.

    Как обычно, я подготовил для вас специальный файл, в котором вы можете рассчитывать экономику с учетом величины оттока.

    Для доступа к файлу вы должны оставить запрос.

  • 18 сентября 2018

    LTV:CAC = 3:1 так ли это?

    Последнее время я часто вижу и слышу утверждение, что LTV должно относиться к CAC как 3 к 1, при этом, сколько бы я не спрашивал об этом, я не вижу никакого внятного объяснения, почему должно быть соотношение именно 3 к 1, а не, скажем, 4 к 1, 10 к 1 и т.д., или почему 2 к 1 плохо.

    Первым это соотношение начал упоминать Дэвид Скок, однако, он не говорил, что это правило, в смысле того, что добившись соотношения LTV к CAC как 3 к 1, вы автоматически сделаете успешный бизнес, мало того, он как раз говорил, что проанализировав успешные бизнесы с моделью SAAS, обнаружил, что успешные компании имеют соотношение как 3 к 1 и выше.

    «Over the last two years, I have had the chance to validate these guidelines with many SaaS businesses, and it turns out that these early guesses have held up well. The best SaaS businesses have a LTV to CAC ratio that is higher than 3, sometimes as high as 7 or 8. And many of the best SaaS businesses are able to recover their CAC in 5-7 months.»

    Фактически мы видим, как из эмпирического подхода пытаются вывести правило, при этом данное соотношение, естественно, правилом не является. Важно понимать, смысл этого соотношения. Давайте его разберем.

    LTV — lifetime value или оборот с клиента за все время жизни. Существует много методик его расчета в зависимости от выбранной модели. Главное, что нужно помнить, это то, что мы имеем дело с оборотом, то есть всеми деньгами, которые выплачивает нам клиент за все время жизни.

    CAC — customer acquisition cost или все затраты, которые мы несем, чтобы получить этого клиента.

    Если мы вычтем из LTV CAC, то мы получим некую грязную прибыль, из которой мы будем содержать сам бизнес, а именно, оплачивать аренду офиса, платить заработную плату сотрудникам, нести какие-то еще дополнительные расходы.

    Предположим, мы имеем LTV = 300₽, CAC = 100₽, следовательно на весь наш бизнес у нас остается 200₽ с каждой продажи. Обратите внимание, соотношение у нас 3 к 1. Пусть наши постоянные расходы на бизнес составляют 10 000₽ в месяц. Следовательно, если мы имеем менее 50 продаж в месяц, то мы убыточны и при отсутствии финансирования просто разоримся, однако соотношение у нас 3 к 1.

    Таким образом видно, что само по себе соотношение еще ничего не показывает, скорее оно говорит нам о том, что при положительной разнице между LTV и CAC, мы должны иметь достаточное число продаж, чтобы выйти на окупаемость бизнеса. Следовательно нам должны быть интересны бизнесы, в модели которых рост продаж не вызывает пропорционального роста расходов. И вот этому правилу удовлетворяет как раз SAAS, про которые и писал Дэвид Скок.

    Эти бизнесы позволяют нам увеличивать продажи, при сохранении численности персонала, а значит и расходов на офис и т.д. А следовательно мы можем поднять наши продажи с минимальной разницей между LTV и CAC до необходимого уровня и стать прибыльными. И вот по статистике, в SAAS большинство успешных компанией имеет соотношение LTV к CAC как 3 к 1 и более. Естественно в других бизнес моделях это соотношение будет другим. Мало того, если у вас соотношение не 3 к 1, а меньше, при этом вы имеете достаточное число продаж, чтобы быть прибыльными, то вы молодцы. Также верно и обратное, не смотря на соотношение 3 к 1 или 4 к 1, если у вас недостаточное число продаж, вы разоряетесь.

    Исходя из этого я рекомендую учитывать не только соотношение LTV к CAC, и не только время необходимое для того, чтобы вернуть затраты на привлечение (Дэвид Скок, пишет, что это должно быть менее 12 месяцев), но и на то, способны ли вы масштабировать продажи до необходимого вам объема.

  • 04 сентября 2018

    Манипулирование статистикой

    В книге «Путеводитель по лжи» Даниеля Левитина рассказывается о том, как мы неправильно интерпретируем информацию, о том, как часто путаем корреляции с причинно-следственными связями и т.д. Главный посыл книги — проверяйте всю информацию, которую получаете, не доверяйте никому.

    Недавно мне попалось на глаза высказывание в FB.

    Данное высказывание и самое главное график меня немного удивили. Согласно высказыванию, и приведенному графику должно сложиться мнение, что школ не хватает. Для проверки я опубликовал график и попросил людей сказать мне какие выводы они делают видя этот график.

    Как видим мы легко поддаемся влиянию информации. Из графика видно, что школ стало меньше, но почему мы решили, что стало меньше мест? Из графика это не следует, мало того никаких указаний на это нет. Но зато этот график показывает нужную автору динамику.

    Если бы мы хотели показать, что все меньше и меньше мест в школах становиться и приходиться переводить школьников на учебу в две смены и т.д. То нужно было бы строить график числа мест в школе и сравнивать его с числом учеников и тогда будет видно нехватка мест у нас или нет. Также стоит делать это сравнение по регионам, так как в разных регионах может быть разная картина.

    Проверяйте данные, которые к вам поступают.

  • 14 августа 2018

    Trial vs Test drive

    «For a buyer, being able to get this level of proof is far better than having to trust what a web site or salesperson has told them. Think about how you buy a car. How important is it to you to test drive the car before you part with tens of thousands of dollars?»

    Мнение Дэвида Скока о триале, с которым я не согласен, так как зачастую триал это возможность бесплатно пользоваться продуктом, тогда как во время тест-драйва в магазин не съездить. Разные задачи у триала и тест-драйва.

    Почему мне не нравится триал? Дело в том, что наша воронка и так усложняется, изначально воронка была простой, а именно пришел и купил, за частью мы имели ровно один шаг до денег. Однако, со временем, таки продажи стало сложно масштабировать, и появилась реклама, задача которой было проинформировать потребителей о новом продукте. С одной стороны, мы смогли увеличить поток потенциальных покупателей, с другой, добавили один шаг в воронку.

    Тоже самое происходит и с тестовыми периодами в интернет проектах. Мы и так увеличили воронку, начав использовать интернет, так мы еще добавили возможность использовать продукт бесплатно. По факту, такой подход очень сильно понижает итоговую конверсию, и результат вы получите только на огромном трафике, которого у вас может и не быть.

    Кроме того, мне кажется, что триалы появляются там, где командам не удается донести ценность до клиента и приходится дать пользователю продукт бесплатно, в надежде показать ему wow moment.

    В своем сервисе ueCalc я поддался на уговоры и включил тестовый период. При этом после запуска сервиса у меня его не было, но были первые продажи, люди приходили и оплачивали сервис. Затем, я включил тестовый период, что же произошло? У меня резко выросло число регистраций, но вот конверсия упала до нуля! Конечно, можно сказать, что пользователи не нашли wow moment, а я не смог им дать его. С другой стороны, отключив триал, пользователи начали платить, возвращаться и платит повторно.

    Кроме отключения триала, я создал настоящий тест-драйв, такой же как у автодиллеров. А именно, можно бесплатно получить доступ к демо сессии, и воспользоваться всем функционалом продукта, но посчитать можно только предопределенную модель, свои данные вводить нельзя, как и использовать тест-драйв в своих целях.

    Хотите познакомиться с возможностями калькулятора, добро пожаловать на тест драйв.

  • 01 мая 2018

    Анализ рынка снизу

    В прошлой статье, я рассмотрел подход, который позволяет оценить рынок снизу используя метрики продукта. Основная цель материала была в том, чтобы оценить не только емкость рынка классическим способом, число клиентов умноженное на средний доход за все время жизни

    M = C × cLTV,

    но и учитывая возможность достижения рынка данным продуктом. Однако для того, чтобы учесть показатели продукта, я ввел неочевидный параметр MT, который показывал, сколько раз вам надо оповестить рынок о своем продукте, перед тем, как они купят его. Фактически это означало следующее: мы можем делать такую маркетинговую активность, которая приводит к нам в продукт определенное число пользователей. При этом у нас имеется конверсия, которая превращает пользователей в клиентов. Следовательно за, например, месяц, мы можем получить определенное число клиентов. Следовательно легко рассчитать сколько месяцев потребуется нам, чтобы суммарное число клиентов стало равно числу клиентов, определенное долей рынка. При этом за это время мы должны привлечь в продукт определенное число пользователей, которое может превысить число пользователей на рынке. И параметр MT, как раз показывает, сколько раз надо контактировать с каждым пользователем на рынке, чтобы превратить его в нашего клиента.

    После публикации статьи и первых вопросов, я решил развить тему, а именно ответить на вопрос о том, почему вообще понадобился этот параметр MT. В итоге я решил рассуждать следующим образом: наша коммуникация с рынком строится на том, как мы умеем работать с рекламой, то есть привлекать целевую аудиторию (ЦА) в продукт и конверсии, как мы умеем конвертировать ЦА в клиентов. А следовательно, подход к оценке рынка через число контактов с аудиторией MT, не совсем корректный.

    В этот раз я решил начать с того, как мы привлекаем аудиторию в продукт. Чем лучше мы умеем делать рекламу и доносить ценность продукта, тем лучше мы попадаем в клиентский сегмент и следовательно можем ожидать более высокой конверсии. Плохая реклама дает нам плохое попадание в ЦА, а следовательно мы приводим на продукт много лишней аудитории и соответственно получаем низкую конверсию.

    7 млрд человек — это все люди живущие на Земле, при этом 100 млн человек это весь доступный нам рынок (TAM), при этом мы планируем заполучить долю 10%, то есть 10 млн человек (SAM). Однако наш продукт устроен так, что мы получаем в месяц 10 000 человек (MAU), которых с конверсией 0,1% превращаем в клиентов — 10.

    Таким образом, чтобы достичь нашего рынка с такими параметрами нам надо потратить 1 млн месяцев, при этом за время мы должны прогнать через свой продукт 10 млрд человек! А максимально доступно у нас 7 млрд. Теперь важно понять, что такое юнит-экономика. Согласно этому подходу, информирование и привлечение аудитории происходит один раз, при этом если мы коммуницируем с аудиторией несколько раз, это лишь влияет на стоимость привлечения пользователя, подробнее можете посмотреть в моей статье — Записки Growth hacker #7. Учитывая это, мы не можем привлечь в продукт 10 млрд человек, если у нас есть только 7 млрд!

    А следовательно, весь доступный нам рынок это 7 млн человек SOM. То есть с таким продуктом, заявленный рынок недостижим.

    Как обычно я предлагаю вам калькулятор в котором вы можете просчитать свой рынок.

  • 22 апреля 2018

    Оценка рынка в юнит-экономике

    Подход юнит-экономики можно использовать не только для принятия решений в бизнесе при разработке продукта, но и для анализа емкости рынка, который вы планируете завоевать.

    Наша задача понять, сколько мы заработаем на нашем продукте если займем определенную долю рынка и возможно ли это сделать, сколько раз нам придется информировать нашу целевую аудиторию о продукте, прежде чем, мы сможем захватить нужную нам долю рынка.

    Для этого введем новые параметры, связанные с рынком, а именно, емкость рынка в клиентах, фактические число потенциальных клиентов; доля рынка, которую вы планируете захватить; количество итераций знакомства всего рынка с вашим продуктом, чтобы захватить нужную вам долю рынка с вашей текущей конверсией.

    В данном примере, мы имеем рынок в 30 миллионов потенциальных клиентов, мы планируем захватить 25% рынка, но текущая конверсия у нас 0,50%. Доля 25% рынка от 30 миллионов это 7,5 миллионов клиентов. С нашей текущей конверсией, мы должны ознакомить с нашим продуктом 1 500 000 000 пользователей (UA), однако же всего на рынке 30 миллионов, значит число итераций будет 50. То есть, нам надо будет 50 раз информировать каждого представителя целевой аудитории, чтобы с конверсией 0,50% получить требуемый охват рынка.

    Кроме того, зная эти значения мы можем оценить, а сколько мы потратим денег на то, чтобы захватить нашу долю рынка.

    При стоимости привлечения одного пользователя в 20₽, нам надо будет потратить 30 миллиардов рублей, AC = UA × MT × CPA, так как каждого пользователя нам надо будет привлекать несколько раз. Таким образом измениться и формула для Contribution Margin:

    CM = UA × (ARPU — CPA × MT)

    И как видим, при текущих значениях метрик, данное значение отрицательное. То есть заработать не получиться.

    И итоговая таблица будет выглядеть следующим образом:

    Ниже я сделал расчет экономики на месячную когорту, предположив, что за 1 месяц мы можем информировать 0,1% от рынка. Хорошо видно, что имея в целом положительную экономику в глобальном смысле такой бизнес делать не стоит, так как на информирование рынка о продукте и захват требуемой доли уйдет больше денег, чем мы получим с рынка.

    Файл с расчетом.

    Запись на youtube.

  • 11 марта 2018

    Моделирование экономики для проектных бизнесов

    Сегодня мы рассмотрим кейс экономики парикмахерской. Изначально все началось с того, что я опубликовал видео о том, как оценить бизнес по случайно обнародованным данным. Рассматривая этот кейс, я получил много замечаний о том, что в таком бизнесе затраты на парикмахеров растут вместе с числом стрижек. То есть строя модель экономики необходимо учитывать рост затратов вместе с ростом продаж. По этому я решил немного переделать модель экономики и уйти от классического представления в когортах к представлению по периодам.

    Мы будем изучать модель у которой будут следующие вводные параметры

    Кроме них, также, мы будем считать, что на маркетинг мы тратим 30 000₽ в месяц, а стартовые инвестиции на открытие парикмахерской составляют 200 000₽.

    Данные параметры говорят нам о том, что у нас в месяц приходит 800 новых клиентов, при этом в среднем клиент живет с нами 9 месяцев, при этом возвращается не более 80% клиентов из прошлого месяца. Также мы знаем, что один парикмахер может сделать 150 стрижек за месяц и ему для работы требуется 6 квадратных метров площади, каждый из которых обходится нам в 400₽ в месяц. Наши парикмахеры работают без заработной платы, при этом забирают 50% от проведенной стрижки. На каждую стрижку мы тратим 20₽, в которые входят расходы на покупку инвентаря и расходных материалов, электричества и тп, для администрирования работы парикмахерской у нас будет работать менеджер с заработной платой 20 000₽ в месяц. Ну и для простоты рассмотрим ситуацию с упрощенной системой налогообложения в 6% годовых с оборота.

    Зная все эти данные давайте начнем с заполнения когорт по месяцам с точки зрения получения и удержания клиентов.

    Обратите внимание, число стрижек, которые мы совершаем растет от месяца к месяцу, но начиная с 10 месяца перестает расти. Виной тому, время жизни нашего клиента, а именно 9 месяцев. При этом каждый парикмахер у нас может делать не более 150 стрижек в месяц, а следовательно число число парикмахеров должно расти от месяца к месяцу, точно так же как и площадь для нашей парикмахерской. При этом каждая стрижка приносит нам доход, а значит мы можем расписать денежные потоки, приход и расход. В итоге мы можем построить вот такую таблицу

    Где мы видим, как месяц к месяцу меняются потоки денег. В данном примере хорошо видно, что у нас есть как новые клиенты, например, в 2 месяц — 800 человек и есть 640 клиентов первого месяца, которые решили прийти второй раз, что в итоге дает нам 1440 стрижек во второй месяц, против 800 в первый, а значит нам придется нанимать дополнительно парикмахеров и снимать большее помещение. В итоге к 12 месяцу с таким потоком клиентов нам надо 24 парикмахера и 144 квадратных метров площади. При этом мы не можем снимать каждый месяц новое помещение под парикмахерскую, а следовательно надо готовиться к росту заранее и мы изначально должны снимать помещение площадью 144 квадратных метра, что приносит дополнительный убыток в первые месяцы. Выглядеть это будет следующим образом

    В данном случае мы также учитываем еще и наши инвестиции в бизнес. Если нарисовать график денег (total) то получиться следующий вид

    Как видно, бизнес проходит точку безубыточности только на 12 месяц. Давайте теперь посмотрим на юнит-экономику в когортах.

    Как видим, все когорты у нас положительные. Причем важно понимать, что все когорты посчитаны за период с 1 по 12 месяцы. И такой вид представления экономики говорит нам о том, что в целом продаем мы с прибылью, но так как наш бизнес имеет затраты, которые растут вместе с доходами, то учитывать приходиться все потоки денег, а не только те, что связаны с продажей. В целом эта разница показывает различие применения инструментов, первая таблица показывает как устроены денежные потоки в нашем бизнесе и мы можем прогнозировать точку безубыточности, а запись в когортах позволяет оценивать эффективность принятых решений через призму доходности продаж.

    Еще хочу отметить важность правильного прогноза метрик, если мы не сможем обеспечить 800 новых клиентов в месяц, жизнь клиента не менее 9 месяцев и коэффициент удержания на уровне 80%, а сможем например вот такие значения

    То наш бизнес увы будет разоряться и не будет иметь даже шанса на выздоровление

    Если же мы достигнем значений

    То нам остается только спрогнозировать срок, через который мы достигнем точки безубыточности.

    Так же вы можете посмотреть видео, сделанное на основе данного материала

  • 04 февраля 2018

    Видео-блог Data Driven Decisions

    Последнее время меня часто просили показать видео, в котором рассказывалось о юнит-экономики, о том, как ее применять при принятии решений в бизнесе и так далее. В итоге, 4 недели назад, я запустил на YouTube канал, в который стал выкладывать небольшие видео ролики.

    На данный момент вышло уже 4 ролика. Первый ролик посвящен введению в подход, рассмотрен стартап по доставке товаров для ваших питомцев. Затем мы рассмотрели термин Contribution Margin и то, почему он важен. В двух последующих роликах я рассказал о том, как используя юнит-экономику можно оценить эффективность выбранной модели монетизации.