Сценарный анализ и Monte Carlo: как тестировать гипотезы в финансовой модели

У вас есть финансовая модель. Одна. С одним набором цифр. Она показывает, что через 18 месяцев вы выходите на прибыль, NPV положительный, инвестор должен быть счастлив.

Но вот вопрос: что произойдёт, если churn окажется не 5%, а 8%? Если CAC вырастет вдвое? Если рынок просядет и конверсия в продажу упадёт на треть?

Одна модель — это не прогноз. Это надежда, оформленная в таблицу. Я видел десятки моделей, которые идеально складывались в базовом сценарии — и разваливались при первом столкновении с реальностью. Ниже — как проверить модель на прочность тремя способами: сценариями, анализом чувствительности и Monte Carlo.

Одна модель — три реальности: зачем нужны сценарии

Типичная ошибка, которую я встречаю: основатель строит модель, подбирает «реалистичные» параметры и несёт это инвестору. Проблема в том, что «реалистичные» — это всегда субъективно. Ваши 5% churn — это ваше желание, а не факт. Ваша конверсия 3% — это бенчмарк из статьи, а не ваш проверенный показатель.

Сценарный анализ вынуждает вас ответить на три вопроса:

1. Что будет, если всё пойдёт по плану? (Base case)
2. Что будет, если рынок окажется благоприятнее ожиданий? (Optimistic)
3. Что будет, если несколько ключевых допущений окажутся неверны? (Pessimistic)

Сценарий — это не «поменять одну цифру и посмотреть». Это согласованный набор параметров с объяснением, откуда он взялся. Если churn растёт, то, скорее всего, растёт и CAC (рынок конкурентный), а конверсия падает.

Сценарный анализ: методология

Определяем ключевые переменные (драйверы)

Не все параметры модели одинаково важны. Из 20-30 входных переменных обычно 5-7 определяют 80% результата. Для типичного SaaS-продукта ключевые драйверы:

• Churn rate — определяет LTV и размер активной базы. Небольшое изменение churn каскадирует через всю модель
• CAC — определяет скорость роста и скорость сжигания кеша. Напрямую влияет на runway
• ARPU — определяет выручку на пользователя. Связан с тарифной политикой и апселлом
• Конверсия из лида в продажу — определяет эффективность воронки. Для B2B может отличаться в 10 раз между каналами
• Time-to-launch — определяет, когда начинается монетизация. Каждый лишний месяц разработки — это расходы без выручки

Для финтех-продуктов к этому списку добавляются: комиссионная ставка, средний чек транзакции и retention curve. Для маркетплейсов — take rate и скорость балансировки спроса и предложения.

Чтобы найти драйверы, меняйте каждый параметр на +/-20% и смотрите, как меняется целевая метрика (NPV, прибыль на 36-й месяц, точка безубыточности). Те параметры, которые качают результат сильнее всего — ваши драйверы. Это, по сути, упрощённый анализ чувствительности, о котором подробнее ниже.

Задаём диапазоны: от пессимистичного до оптимистичного

Для каждого драйвера задаём три значения:

• Пессимистичное — «что если рынок хуже, чем мы думаем». Не катастрофа, а разумный downside. Ориентируйтесь на нижний квартиль бенчмарков по вашей индустрии.
• Базовое — ваша текущая лучшая оценка. Основана на данных, если они есть, или на обоснованных предположениях.
• Оптимистичное — «что если продукт зайдёт лучше ожиданий». Не фантазия, а верхний квартиль бенчмарков.

Пессимистичный сценарий не должен казаться невозможным, а оптимистичный — нереальным. Если так — вы плохо откалибровали диапазоны.

Строим 3 сценария с обоснованием

За каждым сценарием должна стоять история. Пессимистичный: «рынок конкурентный, CAC растёт, удержание ниже ожиданий». Оптимистичный: «product-market fit найден быстро, виральный рост, низкий отток». Базовый: «постепенный рост с типичными для индустрии показателями».

Пример: SaaS-продукт для управления проектами

Результаты на 36-й месяц:

Разница между пессимистичным и оптимистичным — порядок. Это нормально. Именно поэтому одного сценария недостаточно.

Обратите внимание на нелинейность. При churn 8% вместо 5% база перестаёт расти и стоит на месте. LTV падает с $400 до $187. CAC $50 при LTV $187 — модель убыточна на уровне unit-экономики. Поэтому в пессимистичном сценарии breakeven не наступает в пределах горизонта.

Инвестору вы показываете все три. Его вопрос будет: «Что вы делаете, если оказываетесь в пессимистичном сценарии?» Если у вас есть ответ (сократить команду, развернуть позиционирование, сфокусироваться на retention) — это зрелость. Подробнее о том, как защитить модель перед инвестором.

Анализ чувствительности: какая переменная влияет сильнее всего

Что такое анализ чувствительности

Сценарный анализ меняет несколько параметров одновременно. Анализ чувствительности — другой инструмент: он меняет один параметр, удерживая остальные на базовом уровне. Цель — определить, какой драйвер оказывает наибольшее влияние на результат.

Формально: чувствительность целевой метрики $Y$ к параметру $x_i$:

$S_i = \frac{\Delta Y / Y}{\Delta x_i / x_i}$

Если $S_i = 2$, значит, изменение параметра на 10% меняет результат на 20%. Экономисты называют это эластичностью.

Tornado Chart: визуализация влияния каждого параметра

Tornado chart (или tornado diagram) — стандартный способ визуализации чувствительности. По оси Y — параметры, по оси X — диапазон изменения целевой метрики. Каждая горизонтальная полоса показывает, как изменение одного параметра (от пессимистичного до оптимистичного значения) сдвигает результат.

Параметры упорядочены по убыванию влияния — самый влиятельный сверху. Получается фигура, похожая на торнадо: широкие полосы вверху, узкие внизу.

Для нашего SaaS-примера Tornado chart по NPV:

Пример: churn влияет на NPV сильнее, чем цена подписки

Результат неочевидный, но типичный: churn rate оказывает в 2.4 раза большее влияние на NPV, чем ARPU. Почему? Потому что churn работает как мультипликатор: он определяет не только текущую выручку, но и размер базы через 12, 24, 36 месяцев. Эффект накапливается экспоненциально.

$\text{LTV} = \frac{ARPU}{\text{Отток}}$

При churn 3%: LTV = $20 / 0.03 = $667. При churn 8%: LTV = $20 / 0.08 = $250. Разница в 2.7x — и это только прямой эффект, без учёта сложного процента роста базы.

Практический вывод: если ваш Tornado chart показывает, что churn — главный драйвер, то инвестиция в retention ($50K на улучшение онбординга) может дать больше, чем инвестиция в привлечение ($50K на рекламу).

Менее очевидно другое: time-to-launch (нижняя полоса, $75K размах) влияет относительно слабо. Это значит, что спешить с запуском в ущерб качеству продукта — плохая стратегия. Лучше потратить лишние 2 месяца на продукт и снизить churn, чем запуститься раньше с сырым продуктом.

Monte Carlo: от 3 сценариев к 10 000

Идея: случайные комбинации вместо ручных сценариев

Три сценария — это минимум. Но в реальности параметры не принимают дискретные значения «плохо / нормально / хорошо». Churn может быть 4.7%, CAC — $28, а конверсия — 2.3%. Бесконечное количество комбинаций, и вы не можете создать их вручную.

Кроме того, три сценария не учитывают корреляции. В реальности churn и CAC могут расти одновременно (конкурентный рынок), а могут двигаться в разных направлениях (churn растёт из-за технических проблем, но CAC падает благодаря виральности). Ручные сценарии фиксируют 3-5 «историй», но пропускают тысячи промежуточных комбинаций.

Monte Carlo simulation решает эту проблему: вы задаёте для каждого параметра не три значения, а распределение вероятностей. Затем компьютер генерирует тысячи (обычно 5 000–10 000) случайных комбинаций, прогоняет модель для каждой и собирает статистику результатов. Метод назван в честь казино Монте-Карло.

Задание распределений для переменных

Для каждого параметра выбираем тип распределения:

Нормальное (Gaussian) — когда вы знаете среднее и примерный разброс. Подходит для ARPU, размера сделки.

$f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$

Параметры: среднее $\mu$ = базовое значение, стандартное отклонение $\sigma$ определяет разброс. Правило: 95% значений попадут в $\mu \pm 2\sigma$.

Треугольное (Triangular) — когда вы знаете минимум, максимум и наиболее вероятное значение. Подходит для большинства параметров стартапа: churn, CAC, конверсия.

Параметры: min (pessimistic), mode (base), max (optimistic). Распределение несимметрично — это реалистичнее нормального.

Равномерное (Uniform) — когда вы не знаете ничего, кроме диапазона. Подходит для time-to-launch, рыночных факторов.

Для нашего примера:

Запуск симуляции: что показывает гистограмма

Каждая итерация: случайное значение churn (из треугольного распределения) + случайный CAC + случайный ARPU + ... = один прогон модели = одно значение NPV. Повторяем 10 000 раз.

Результат — гистограмма: по оси X — значение NPV, по оси Y — частота (сколько раз из 10 000 такое значение встретилось). Получается «колокол» или асимметричная кривая, которая показывает распределение возможных исходов.

В нашем примере гистограмма может показать:

• Среднее NPV: +$115 000
• Медиана NPV: +$85 000 (распределение скошено вправо)
• Диапазон: от -$350 000 до +$1 500 000
• 22% итераций дали отрицательный NPV

Разница между средним и медианой важна. Медиана ниже — значит, есть «хвост» сверхуспешных исходов (несколько комбинаций с низким churn + высоким ARPU), которые тянут среднее вверх. Для принятия решений ориентируйтесь на медиану — она устойчивее к выбросам.

Отдельно посмотрите на 22% вероятность отрицательного NPV. Отказываться от проекта из-за неё не нужно, но риск теперь виден в цифрах. Если инвестор видит, что при 78% исходов NPV положительный, а при наихудших 10% убыток ограничен $350K (при инвестиции $5M) — это управляемый риск. Без Monte Carlo эта информация скрыта за одним числом «NPV = +$95K».

P50, P90, P10 — вероятностные оценки

Процентили — главный язык Monte Carlo:

• P10: значение, ниже которого лишь 10% исходов. Это «почти worst case». В нашем примере P10 NPV = -$180 000.
• P50: медиана — значение, которое делит исходы пополам. 50% шансов, что будет лучше, 50% — что хуже. P50 NPV = +$85 000.
• P90: значение, ниже которого 90% исходов. Это консервативная верхняя оценка. P90 NPV = +$420 000.

Для разных аудиторий используются разные процентили:

Когда инвестор спрашивает «Какой NPV?», ответ «от -$180K до +$420K с медианой +$85K» — это на порядок зрелее, чем «+$95K». Первый ответ показывает, что вы понимаете неопределённость. Подробнее о метриках NPV и IRR — в отдельной статье.

Практическое применение: какой метод когда использовать

Три инструмента — три ситуации:

Сценарный анализ: стратегия и питч

Когда использовать: подготовка к раунду, стратегическое планирование, борд-презентации.

Сценарный анализ хорош тем, что каждый сценарий — это история. Инвестор может спросить: «Что стоит за пессимистичным сценарием?» — и вы расскажете: «Конкуренты выходят на рынок, CAC растёт, удержание снижается. В этом случае мы фокусируемся на enterprise-сегменте, где churn ниже».

Анализ чувствительности: операционные решения

Когда использовать: квартальное планирование, распределение бюджета, приоритизация инициатив.

Tornado chart отвечает на конкретный вопрос: «Куда вложить следующий миллион?» Если churn влияет на NPV в 2,4 раза сильнее, чем цена подписки, как в примере выше, ответ очевиден — в retention.

Monte Carlo: оценка инвестиционного риска

Когда использовать: due diligence, оценка вероятности дефолта, страхование, крупные capital allocation решения.

Только Monte Carlo даёт распределение вероятностей: вместо «лучшего и худшего случая» — «вероятность убытка 22%». Фонду с портфелем из 30 стартапов нужна именно такая оценка.

В Excel реализация Monte Carlo — это 500+ строк VBA, ручное управление RAND(), циклы и макросы. Нужно аккуратно обработать распределения, собрать результаты в массив, построить гистограмму, посчитать процентили. Поддерживать и отлаживать такое — отдельный проект. Добавление нового параметра в симуляцию — ещё час работы. Изменение типа распределения — переписывание кода. В специализированных инструментах всё это работает из коробки: указал диапазон, выбрал распределение, нажал кнопку.

Как встроить сценарный анализ в рабочий процесс

Сценарии нужны не только перед питчем. Я обновляю их по такому графику:

Ежемесячно: обновляйте базовый сценарий фактическими данными. Churn оказался 6%, а не 5%? Обновите base case. Сдвигайте диапазоны пессимистичного и оптимистичного сценариев.

Ежеквартально: пересматривайте Tornado chart. Драйверы могут меняться: на ранней стадии главный риск — product-market fit (конверсия), на стадии роста — CAC и retention.

Перед ключевыми решениями: запускайте Monte Carlo. Нанимать 5 разработчиков или 3? Выходить на новый рынок или углублять текущий? Это capital allocation решения, и они заслуживают вероятностной оценки.

Типичная ошибка: строить сценарии один раз и никогда не возвращаться к ним. Через 6 месяцев ваши допущения уже не актуальны — рынок изменился, у вас появились реальные данные, гипотезы подтвердились или опровергнулись.

При построении P&L модели закладывайте возможность сценарного анализа с самого начала — структурируйте входные параметры так, чтобы их можно было менять набором.

В ProductWave сценарный анализ, Tornado chart и Monte Carlo встроены прямо в модель. Вы задаёте диапазоны для ключевых параметров, переключаетесь между сценариями одним кликом и видите распределение NPV на гистограмме — без формул, макросов и ручного перебора.

Вместо заключения

Последнее наблюдение из практики: если сценарный анализ занимает 3 часа в Excel, его не делают. Если 3 минуты — его делают каждый месяц.

Попробуйте ProductWave — постройте P&L модель и протестируйте свои гипотезы на прочность через сценарии, чувствительность и Monte Carlo.