Дмитрий Ланецкий – Юнит-экономика для роста: модель, сценарии и контрольные пороги (страница 4)

LTV (Lifetime Value) – жизненная ценность клиента: сколько валовой/вкладной маржи приносит клиент за весь срок жизни.

Есть два популярных подхода:

исторический LTV: считаем по фактическим данным когорты (лучше, но нужен срок наблюдения);

прогнозный LTV: строим модель на удержании, среднем чеке, частоте покупок (быстрее, но легко самообмануться).

Важный нюанс: LTV бывает по выручке и по марже. Управленчески полезнее LTV по марже, потому что именно маржа платит зарплаты и аренду, а не красивая выручка.

LTV/CAC и срок окупаемости: два лаконичных теста на здравомыслие

Когда модель уже собрана, есть два сверхпрактичных теста:

LTV/CAC – отношение жизненной ценности к стоимости привлечения.

Если у вас LTV/CAC < 1, вы покупаете клиентов дороже, чем они приносят. Это не «стратегия», это просто способ быстро потерять деньги.

Payback Period – срок окупаемости привлечения.

Даже если LTV высокий, он может быть размазан по времени так, что бизнес умрёт от кассового разрыва раньше, чем «окупится в теории».

Люди часто фокусируются на LTV/CAC и забывают про окупаемость. А cashflow, как водится, не читает ваши презентации.

Retention и churn: удержание и отток как гравитация модели

Retention – доля клиентов, которые остаются/возвращаются.

Churn – доля, которые уходят.

Для подписки churn – король. Для e-commerce важнее частота повторных покупок и «окно» возвращения клиента.

ИИ полезен здесь тем, что может:

быстро строить когортные таблицы (если дать данные);

находить аномалии: «почему у когорты ноября retention резко хуже?»;

предлагать гипотезы (но не путать с фактами): сезонность, изменения цены, качество, логистика.

Конверсия воронки: от клика до денег (и где исчезает магия)

Юнит-экономика рушится, когда вы считаете CAC на клике, а LTV на клиенте, и между ними пустота. Нужна воронка:

показы → клики → лиды → квалифицированные лиды → оплаты → повтор → удержание.

В каждом шаге есть конверсия. Маленькое падение на раннем этапе может уничтожить экономику целиком.

ИИ может быть «детектором протечек»: он помогает визуально и логически проверить, что числа связаны правильно и нигде не подставлена конверсия «из головы».

Переменные vs постоянные: почему важно не путать

Юнит-экономика в строгом виде любит переменные расходы. Но бизнес живёт ещё и постоянными, поэтому нужен мостик:

вклад в покрытие на юнит

× количество юнитов

= покрытие постоянных + прибыль

Если вклад в покрытие маленький, вам нужно слишком много юнитов, чтобы просто выйти в ноль. И это важный вывод: иногда проблема не в маркетинге, а в самой структуре продукта/себестоимости.

ИИ как «проверяльщик логики»: типовые ошибки формул

Вот ошибки, которые ИИ может ловить почти автоматически, если вы даёте ему модель или таблицу:

смешали выручку брутто и нетто в разных местах;

посчитали маржу на заказ, а CAC – на клиента, не связав повторные заказы;

забыли возвраты/отмены или учли их дважды;

учли комиссию маркетплейса и эквайринг одновременно, хотя эквайринг уже внутри комиссии (бывает);

берёте среднее по больнице вместо когорт (LTV выходит «красивым», но неработающим);

не разделили каналы: один канал тянет модель вверх, другой вниз, а в среднем «норм».

ИИ не волшебник, но он отличная «машина для нахождения несостыковок».

Артефакт: минимальный набор метрик для первой рабочей модели

Если вы строите модель впервые, не нужно сразу пытаться объять вселенную. Достаточно собрать минимальный комплект:

Цена / средний чек (AOV) или ARPU (выручка на пользователя)

Нетто-выручка (с учётом скидок и возвратов)

COGS / себестоимость на юнит

Переменные комиссии/логистика/эквайринг/поддержка

Вклад в покрытие на юнит

CAC (или CPA/CPO) по основным каналам

Повторяемость: частота покупок или retention/churn

LTV по марже (хотя бы грубо)

LTV/CAC

Payback period

С этим набором вы уже сможете ответить на главный вопрос: каждый новый юнит делает нас богаче или беднее?

Эта глава – про «скелет». Дальше обычно начинается самое интересное: данные и реальность. Следующая логика – как собрать входные данные, не утонуть в хаосе источников, и как с помощью ИИ автоматизировать часть рутины так, чтобы модель обновлялась регулярно, а не по праздникам.

Глава 4. Данные: где взять цифры и как не построить модель из воздуха

Юнит-экономика ломается не потому, что формулы сложные. Она ломается потому, что входные данные – грязные, неполные, из разных миров и часто противоречат друг другу. И это нормально: бизнес – не лаборатория, а живой организм, который постоянно что-то меняет, забывает и делает «как получится».

Задача этой главы – превратить «хаос источников» в понятный поток: что именно собирать, откуда, как часто и с какими проверками, чтобы модель оставалась в реальности.

Три уровня данных: идеал, рабочий минимум и “хоть что-то”

Есть соблазн сказать: «Сначала настроим идеальную аналитику, потом посчитаем юнит». Это ловушка. Вы не обязаны быть NASA, чтобы понять, прибыльны ли вы.

Удобно мыслить тремя уровнями зрелости:

Рабочий минимум – хватает, чтобы принимать решения по каналам и продуктам.

Хороший уровень – можно оптимизировать удержание, когорты, сезоны, точнее прогнозировать.

Идеал – красиво, автоматизировано, почти без ручного труда. Но это не стартовая точка.

Самый полезный принцип: сначала модель на минимуме, потом улучшение точности там, где это влияет на решения.

Карта источников: где обычно лежат нужные цифры