Поиск розовых единорогов в вашей экономике продукта

1027

На прошлой неделе наша команда myBI Connect представила свой проект Фонду развития Интернет Инициатив (ФРИИ). Мы прошли короткий курс обучения, который фонд устраивает перед отбором на одну из своих программ, получили массу полезных советов и услышали много разных мнений. В этой статье мы хотим поделиться опытом полученным там – достаточно простым и эффективным подходом к расчету экономики продукта и его реализацией на Power BI.

Для тех, кто не знаком ФРИИ – российский инвестиционный фонд, занимающийся инвестированием в IT проекты и оказанием поддержки в их развитии в виде обучения и трекинга. ФРИИ выстроил отличный процесс по отбору проектов и, имея богатый опыт, создал уникальную методологию работы с проектами на стадии “Стартап с MPV”, в которую мы немного погрузились на прошлой неделе.

В данной методологии рассматриваются наиболее важные для успешного запуска аспекты – от очень подробного “каздева” до оценки потенциальной доли рынка. Одна из задач ФРИИ по отношению к стартапам по их же словам – “убивать розовых единорогов у вас в головах”. Под “розовыми единорогами” тут подразумеваются заблуждения основателей продукта относительно их стартапа, их собственные “галлюцинации”, связанные с огромной верой в свой продукт, которая должна быть у каждого стартапера. Коллеги дают очень точную и прямую обратную связь относительно каждого проекта и , имея обширный опыт, за 10-15 минут разговора очень точно попадают в самые критичные части любого проекта, которые не дают ему полноценно развиваться в дальнейшем. Осознавать это больно, но безумно полезно понять  именно на старте.

 

Из всех техник ФРИИ для нас самой близкой оказался подсчет unit экономики проекта, который донес до нас Илья Красинский. Далее я кратко опишу свое прочтение его материала.

Итак, нам крайне важно до старта любого проекта посчитать следующие значения:

  1. Выручку с одного платящего пользователя (ARPPU). Это те деньги, которые в среднем, будет приносить нам каждый пользователь или клиент. На этот показатель, как правило, влияет средний чек, конверсия, средний срок жизни пользователя или количество повторных оплат и прочее.
  2. Стоимость привлечения клиента (CAC). Это все те затраты, которые относятся к привлечению новых пользователей, поделенные на количество пользователей.
  3. Потенциальный размер аудитории, которую мы сможем привлечь по такой стоимости.

Суть предельно проста – нам необходимо знать маржу с каждого клиента (ARPPU-CAC), чтобы определить получаем ли мы выгоду от каждого пользователя или работаем себе в убыток. Нам нужно максимально точно спрогнозировать конверсию, средний чек, срок жизни, себестоимость и прочие параметры. Далее нужно выяснить сколько пользователей мы сможем привлечь по такой цене, из этого будет следовать сможем ли мы вообще заработать.

Казалось бы, абсолютно банальные вещи, но на реальных примерах очевидно – каждый из показателей, участвующих в расчетах, может иметь решающее значение в том, будет ли проект успешен или нет. От себя могу добавить, что все параметры должны быть оценены максимально честно, а лучше даже занижено. Около 3х лет назад моя команда потеряла примерно 1 млн рублей и полгода работы над проектом, который с самого начала не имел шансов на успех. А все потому, что мы слишком сильно верили в него и необоснованно завысили несколько значений, в частности, конверсию в первую и повторные покупки. Это привело нас к тому, что продажи росли значительно спокойнее, чем в прогнозе, и проект требовал дополнительных инвестиций при достаточно низкой прибыльности. Видимо, не суждено нам было быть продавцами натуральной косметики (это абсолютно реальная история), если понимание этой механики появилось только что.

Мы стараемся учиться на своих ошибках, хотя это довольно сложно и велик соблазн обвинить в неудаче кого-то еще кроме себя. Поэтому для myBI Connect я создал простую модель расчета этой самой unit экономики сначала в Excel, а потом перенес ее в Power BI. Как и у любого проекта на старте у нас есть множество параметров, которые мы не знаем точно на текущей стадии. Для этого мы заложили в нашу модель возможность задавать промежуточные значения и подсчет позитивного и негативного исхода. Напоминает реализацию анализа “Что, если?”.

В этом отчете мы задаем границы значений наших основных параметров:

  • стоимость привлечения пользователя – CPC ;
  • конверсию в триал – CR в триал;
  • себестоимость каждого триала (myBI Connect выделяет каждому пользователю в триале кусочек нашего Azure и мы платим за него);
  • конверсию из триала в оплату – CR;
  • стоимость одного коннектора;
  • среднее количество коннекторов;
  • средний срок жизни пользователя – LT.

После этого получаем расчет наших основных величин:

Таким образом, мы закрываем первые 2 пункта этой механики – подсчет ARPPU и CAC. В результате, мы сразу можем увидеть влияние каждого показателя на финальный результат – конечную прибыль привлечения каждого пользователя (среднюю, конечно, и прогнозную). Отчет позволяет определить допустимые интервалы каждого параметра и найти комбинации, которые будут держать нас на плаву. Далее необходимо оценить количество пользователей, которых мы можем привлечь, исходя из бюджета, стоимости привлечения, общего объема аудитории, и наложить результат на все остальные затраты, которые мы несем. До этого пока не добрались. Кроме этого в наших планах в начать выводить на этот отчет еще и реальные показатели, которые мы будем получать из внешних систем отслеживания – их будет нам репортить в отчет наш сервис, для которого мы и строим эту модель;) Таким образом, мы сможем понимать реальное положение дел на текущий момент и прогнозировать изменение показателей в соответствии с нашими дальнейшими планами – тот самый анализ,  “а что, если подкрутим вот тут”.

В материалах ФРИИ Илья Красинский очень красочно демонстрирует “смерть” нескольких проектов из-за ошибок в unit экономике. Поэтому нам сразу захотелось реализовать эту модель в Power BI и поделиться этим опытом с вами. Я очень рекомендую вам повторить этот эксперимент с расчетом в excel, калькуляторе или на бумажке.

Данный анализ показал нам, что с такой ценой за каждый коннектор мы не выживем в дальнейшем. Мы использовали именно такую цену для привлечения наших первых пользователей early adopters, которые верят и понимают наш продукт. В дальнейшем мы будем увеличивать полезность сервиса, а за этим и его стоимость. Однако, цена для тех пользователей, которые успели стать нашими клиентами до повышения, не изменится.

Спасибо, что дочитали и надеюсь, эта статья убьет хотя бы пару “розовых единорогов”.