BUSINESS MODEL HYPOTHESES
Гипотеза в узком смысле: Данные условия (набор показателей бизнеса и продукта) способны обеспечить масштабируемость бизнес-модели.
Гипотеза в широком смысле: Данные условия (набор показателей бизнеса и продукта №1) способны обеспечить достижение целей компании (набор показателей бизнеса и продукта №2).
Гипотеза в широком смысле: Данные условия (набор показателей бизнеса и продукта №1) способны обеспечить достижение целей компании (набор показателей бизнеса и продукта №2).
Валидация гипотезы бизнес-модели позволяет сократить риски потери времени и капитала на поиск подходящих условий для достижения масштабируемости и захвата доли рынка: какие показатели воронки продаж, стоимости привлечения клиентов, времени окупаемости клиентов, необходимости количества удержанных и привлеченных клиентов, затрат на разные бизнес-процессы и т.д.
1. Шаблон гипотезы бизнес-модели
Важно, что под гипотезой бизнес-модели в Product Architecture Framework подразумевается не шаблон Business Model Canvas Александра Остервальдера и Ива Пинье, а её математическое воплощение в виде некоторой финансовой модели, состоящей из системы метрик компании и продукта. В отличие от других гипотез гипотеза бизнес-модели включает слишком много компонентов, которые зависят от контекста каждого конкретного вида бизнеса, поэтому универсальный шаблон предложен не будет. Однако, любая подобная модель по сути представляет собой цепочку формирования стоимости (превращения затрат в прибыль) в контексте конкретной компании, а потому включает / может включать следующие группы метрик.
Нет какой-то особой разницы между набором групп метрик для гипотез бизнес-моделей в узком смысле и гипотез бизнес-моделей в широком смысле - они отличаются только фокусом и решаемой задачей. Однако, существует другой важный аспект гипотез бизнес-модели - это понятие прямой и обратной задачи.
Прямая задача - это задача определения целевого набора метрик бизнес-модели, когда известен некоторый начальный набор метрик (обязательным условием является то, что оба набора метрик связаны в одну систему). Например, если известен маркетинговый бюджет, количество полученных за период лидов и количество клиентов (начальный набор метрик), мы можем вычислить конверсию из лидов в клиента, стоимость лида и стоимость клиента (целевой набор метрик). На этапе Product Discovery с прямой задачей может быть связана большая проблема, т.к. по сути никакого начального набора метрик еще не существует. В таком случае гипотеза бизнес-модели является гипотезой априори (т.е. до получения опытных данных), а её использование в принятии решений должно быть связано с большой осторожностью. Другое дело работать с гипотезами апостериори (в данном контексте апостериорная гипотеза - это гипотеза бизнес-модели, у которой начальный набор метрик представляет собой фактологические, а не гипотетические показатели), например, для расчета роста Contribution Margin через шесть периодов.
Обратная задача противоположна прямой и необходимо для того, чтобы понять, какой должен быть первоначальный набор метрик, чтобы получить целевой. Например, чтобы на третьем периоде мы смогли получить триста платящих клиентов, имея маркетинговый бюджет в один миллион рублей, какие должны быть конверсии воронки продаж, коэффициент удержания первого и второго месяцев, а также стоимость привлечения? Математически обратные задачи в подавляющем большинстве случаев не имеют единственного решения, в отличие от прямых задач. Например, для предложенного выше примера мы можем подобрать несколько начальных наборов метрик гипотезы бизнес-модели, которые так или иначе приведут к целевым. Для сокращения количества таких гипотез для обратных задач мы можем ввести граничные условия (например, чтобы стоимость лида не была выше 1200 рублей) или ввести функцию оптимизации (например, найти такой начальный набор метрик, чтобы стоимость комиссии поставщика была минимальной).
Прямая задача - это задача определения целевого набора метрик бизнес-модели, когда известен некоторый начальный набор метрик (обязательным условием является то, что оба набора метрик связаны в одну систему). Например, если известен маркетинговый бюджет, количество полученных за период лидов и количество клиентов (начальный набор метрик), мы можем вычислить конверсию из лидов в клиента, стоимость лида и стоимость клиента (целевой набор метрик). На этапе Product Discovery с прямой задачей может быть связана большая проблема, т.к. по сути никакого начального набора метрик еще не существует. В таком случае гипотеза бизнес-модели является гипотезой априори (т.е. до получения опытных данных), а её использование в принятии решений должно быть связано с большой осторожностью. Другое дело работать с гипотезами апостериори (в данном контексте апостериорная гипотеза - это гипотеза бизнес-модели, у которой начальный набор метрик представляет собой фактологические, а не гипотетические показатели), например, для расчета роста Contribution Margin через шесть периодов.
Обратная задача противоположна прямой и необходимо для того, чтобы понять, какой должен быть первоначальный набор метрик, чтобы получить целевой. Например, чтобы на третьем периоде мы смогли получить триста платящих клиентов, имея маркетинговый бюджет в один миллион рублей, какие должны быть конверсии воронки продаж, коэффициент удержания первого и второго месяцев, а также стоимость привлечения? Математически обратные задачи в подавляющем большинстве случаев не имеют единственного решения, в отличие от прямых задач. Например, для предложенного выше примера мы можем подобрать несколько начальных наборов метрик гипотезы бизнес-модели, которые так или иначе приведут к целевым. Для сокращения количества таких гипотез для обратных задач мы можем ввести граничные условия (например, чтобы стоимость лида не была выше 1200 рублей) или ввести функцию оптимизации (например, найти такой начальный набор метрик, чтобы стоимость комиссии поставщика была минимальной).
2. Эксперименты для валидации гипотез
Математическое моделирование
Способ проверки гипотезы бизнес-модели через построение математической финансовой модели, состоящей из системы метрик бизнеса и продукта. В этой системе метрик выделяется начальный и целевой наборы показателей, а также выбирается задача, которую необходимо решить: прямая или обратная. Валидация гипотезы происходит за счет поиска комбинации начального и целевого набора. Если такая комбинация найдена, гипотеза бизнес-модели считается доказанной (априори), иначе необходимо изменить набор начальных или целевых метрик и произвести поиск заново.
Сильные стороны:
- Быстрый и дешевый способ найти и отказаться от слабых гипотез, нереалистичных вариантов или неправдоподобных комбинаций метрик.
- Можно одновременно проработать десятки гипотез бизнес-модели, чтобы отобрать те, которые необходимо проверить в реальном мире.
- Модель будет актуальна даже тогда, когда валидация гипотезы будет завершена - как правило, она просто станет частью операционных процессов.
- Начальный набор метрик может сам представлять собой гипотезы (т.е. не основываться по сути ни на чем).
Ограничения:
- Обладает низкой степенью доверия, т.к. является моделью априори, которую еще нужно будет проверить в реальном мире.
- Требует знаний в области математического и финансового моделирования.
- Для повышения уровня достоверности и доверия к модели необходимо получить фактический начальный набор метрик.
Soft Launch
Способ проверки гипотезы бизнес-модели через запуск реально действующей бизнес-модели компании на рынке, отличном от целевого, но очень схожем по ключевым характеристикам. Продукт такого прототипа бизнес-модели может иметь отличающиеся свойства от того, что планируется запустить позже, например, имя, дизайн, некоторые отклонения по стоимости или формулировке офферов - в общем, свойства не являющиеся значимыми для проверки гипотезы бизнес-модели, как набора целевых метрик. Такой вид прототипа может быть использован как второй шаг валидации гипотезы бизнес-модели после математического моделирования, чтобы подтвердить корректность его предпосылок. Как правило, его используют в том случае, если велики репутационные издержки компании, связанные с потенциальным неудачным запуском какой-либо бизнес-модели.
Сильные стороны:
- Позволяет проверить ключевые слабые места бизнес-модели и продукта на аудитории, не являющейся целевой, но очень с ней схожей.
- Является самым сильным способом проверки любого вида гипотез, т.к. позволяет получить конечный результат - цепочку формирования стоимости компании.
Ограничения:
- Требует значительных инвестиций времени и капитала на свою валидацию.
- Значения реальной бизнес-модели и прототипа все-таки будут отличаться. При этом есть риск выбрать значимые отличающиеся характеристики, что сведет на нет эффективность эксперимента.
