ТЕХНИЧЕСКОЕ ЗАДАНИЕ: Сделать финансовую модель LLM-продукта

1. Цель задачи

Спроектировать и построить финансовую модель LLM-продукта, которая позволит рассчитать выручку (Revenue), операционные затраты (Cost), юнит-экономику (Unit Economics) и оценить масштабируемость (Scalability) при различных сценариях. Модель должна быть пригодна для демонстрации бизнес-стейкхолдерам и принятия решений о ценообразовании и инвестициях.

Ключевой результат Презентация (10–15 слайдов) с обоснованными финансовыми прогнозами, диаграммами юнит-экономики и анализом точек безубыточности.

2. Исходные данные

Если нет реального инструмента — симулируем:

1. Используем открытые данные: цена API GPT-4o ($2.50 / 1M tokens|input tokens, $10.00 / 1M usage|output tokens), стоимость GPU (A100 ~$3/hr on demand).
2. Выберем гипотетический продукт: SaaS-чат-помощник для поддержки клиентов (1000 активных пользователей, 20 запросов/день, средняя длина запроса — 500 input + 200 output токенов).
3. Зададим базовые допущения: ARPU = $20/мес, churn = 5%, рост числа пользователей — 10% месяц.
4. Все расчёты проводим в Google Sheets или Jupyter Notebook с последующим экспортом в PDF/презентацию.

3. Технологический стек

4. Этапы выполнения

Этап 1: Определение структуры доходов и затрат (1–2 часа)

Действия

1. Разбить Revenue на потоки:
   • Subscription (месячная/годовая плата)
   • Pay-per-use (запрос, токен)
   • Enterprise-контракты (фикс + overage)
2. Разбить Cost на категории:
   • Compute (GPU/CPU инференс): цена за токен × количество токенов
   • Embedding + Retrieval (если RAG): стоимость векторной БД + эмбеддинг API
   • LLM API (если внешний): (input_tokens × input_price) + (output_tokens × output_price)
   • Инфраструктура: хостинг, CDN, база данных, мониторинг
   • Команда (opex): зарплаты, софт, маркетинг
3. Определить Unit Economics:
   • ARPU (Average Revenue Per User)
   • ARPC (Average Revenue Per Customer)
   • COGS (Cost of Goods Sold) на одного пользователя
   • Gross margin = (ARPU - COGS_per_user) / ARPU
4. Зафиксировать метрики масштабируемости:
   • Cost per request / cost per token
   • Revenue per request
   • Break-even по количеству пользователей

Ожидаемый результат этапа Структурированный список статей revenue и cost с формулами расчёта.

Этап 2: Построение модели в Google Sheets / Python (3–4 часа)

Действия

1. Создать файл модели с листами (tabs):
   • Assumptions — все допущения (цена токена, ARPU, churn, рост)
   • Unit Economics — детальный расчёт на одного пользователя
   • P&L Monthly — помесячный прогноз на 12–24 месяца
   • Scalability — как меняются метрики при x2, x10, x100 пользователей
2. Реализовать формулы (пример для Python):

   # Параметры (из Assumptions)
   DAILY_REQUESTS_PER_USER = 20
   INPUT_TOKENS = 500
   OUTPUT_TOKENS = 200
   INPUT_PRICE = 2.5e-6   # $ per token
   OUTPUT_PRICE = 10.0e-6
   ARPU_MONTHLY = 20.0
   CHURN_RATE = 0.05
   MONTHLY_GROWTH = 0.10
   INITIAL_USERS = 1000
   
   # Месячные расчёты (цикл по месяцам)
   users = [INITIAL_USERS]
   for m in range(1, 24):
       new_users = users[-1] * (1 - CHURN_RATE + MONTHLY_GROWTH)  # упрощённо
       users.append(new_users)
   
   revenue = [u * ARPU_MONTHLY for u in users]
   tokens_per_user_per_month = (INPUT_TOKENS + OUTPUT_TOKENS) * DAILY_REQUESTS_PER_USER * 30
   cost_per_user = tokens_per_user_per_month * (INPUT_PRICE * INPUT_TOKENS / (INPUT_TOKENS+OUTPUT_TOKENS) + OUTPUT_PRICE * OUTPUT_TOKENS / (INPUT_TOKENS+OUTPUT_TOKENS))
   # Или упрощённо: cost_per_user = (INPUT_TOKENS*INPUT_PRICE + OUTPUT_TOKENS*OUTPUT_PRICE) * DAILY_REQUESTS_PER_USER * 30
   total_cost = [u * cost_per_user for u in users]
   gross_profit = [rev - cost for rev, cost in zip(revenue, total_cost)]
   

3. Добавить визуализацию:
   • Диаграмма «Revenue vs Cost» по месяцам
   • Line chart для ARPU и COGS per user
   • Stacked bar для структуры затрат (compute vs embedding vs infra)
4. Провести Sensitivity Analysis:
   • Что если input tokens удвоятся? (50% выше)
   • Что если цена API вырастет на 20%?
   • Что если ARPU снизится до $15?

Ожидаемый результат этапа Работающая модель с динамическими графиками, расчётами и вкладкой sensitivity.

Этап 3: Анализ масштабируемости (2–3 часа)

Действия

1. Создать сценарии:
   • Baseline (1000 → 3000 пользователей за 12 месяцев)
   • Growth (10% → 15% рост в месяц)
   • Enterprise (средний ARPU $100, но медленный рост)
2. Рассчитать точку безубыточности (Break‑even) — количество пользователей, при котором gross profit = 0 (с учётом фиксированных затрат).

   fixed_costs = 5000  # $/мес (команда, сервера)
   break_even_users = fixed_costs / (ARPU_MONTHLY - cost_per_user)
   

3. Оценить эластичность: как изменение одного параметра влияет на break‑even.
4. Сравнить с конкурентами: построить таблицу «наш cost per request vs market».

Ожидаемый результат этапа Выводы о том, при каких условиях продукт становится прибыльным и как масштабирование влияет на margin.

Этап 4: Подготовка презентации для бизнеса (2–3 часа)

Действия

1. Определить аудиторию: CEO, инвесторы, product lead.
2. Собрать слайды:
   • Слайд 1 Executive Summary (ключевые цифры: ARPU, gross margin, break‑even point).
   • Слайд 2 Архитектура продукта (как используются LLM, что генерирует затраты).
   • Слайд 3 Unit Economics (диаграмма ARPU vs COGS, margin).
   • Слайд 4 P&L прогноз (график revenue/cost/profit за 12–24 месяца).
   • Слайд 5 Масштабирование (break‑even chart, сценарии).
   • Слайд 6 Sensitivity & Риски (таблица worst/base/best case).
   • Слайд 7 Рекомендации по ценообразованию / инвестициям.
3. Убедиться, что каждый слайд содержит:
   • Один ключевой месседж
   • Визуализацию (график/диаграмма)
   • Источник данных (Assumptions)
4. Сохранить презентацию в PDF.

Ожидаемый результат этапа Готовая презентация (10–12 слайдов) с расчётной моделью в приложении.

Этап 5: Валидация и доработка (1 час)

Действия

1. Проверить все формулы на арифметические ошибки.
2. Убедиться, что допущения разумны (сравнить с рыночными данными).
3. Попросить коллегу (или себя) пройти по сценариям и проверить логику.
4. Задокументировать версию модели и дату последнего обновления.

Ожидаемый результат этапа Финальная версия модели и презентации без ошибок.

5. Критерии приемки (Definition of Done)

• Создан единый файл модели (Google Sheets / Excel / Jupyter notebook) с листами Assumptions, Unit Economics, P&L, Scalability.
• В модели реализован расчёт ARPU, COGS per user, Gross margin (в процентах).
• Построен помесячный финансовый прогноз на 12–24 месяца с явным отражением revenue, cost, profit.
• Вычислена точка безубыточности (в количестве пользователей) для baseline сценария.
• Проведён sensitivity анализ как минимум по 3 ключевым параметрам (цена токена, ARPU, churn).
• Подготовлена презентация (≥10 слайдов) с графиками и выводами.
• Все допущения задокументированы и обоснованы сносками или ссылками на источники.
• Модель воспроизводима: достаточно ввести новые данные в лист Assumptions, чтобы пересчитать всё автоматически.

6. Ожидаемый результат

Основной артефакт Файл llm_financial_model_v1.xlsx (или .gsheet, .ipynb) с описанной структурой, и презентация llm_financial_model_pitch.pdf (Google Slides / PowerPoint).

Содержание файла модели

• Лист Assumptions — таблица со всеми входными данными (числа, ссылки).
• Лист Unit Economics — построчный расчёт на одного пользователя.
• Лист P&L Monthly — 12/24 строки (месяцев) с колонками: Users, Revenue, Cost (детали), Gross Profit, Margin %.
• Лист Scalability — таблица для 3 сценариев (базовый, оптимистичный, пессимистичный) с итоговыми показателями.
• Лист Sensitivity — heatmap или таблица «что‑если».

Дополнительные результаты

• Чёткое понимание, как изменение количества пользователей, стоимости API и тарифов влияет на прибыльность.
• Рекомендация по цене за запрос или подписке, основанная на юнит‑экономике.

7. Возможные сложности и их решение

8. Бюджет времени (оценка)

Примечание Для первого раза с изучением документации конкурентов и допущений — закладывайте +3 часа. При наличии готовых Assumptions всё выполняется за 6–8 часов.

9. Связанные вопросы из базы знаний

10. Чек-лист самопроверки

• Я чётко определил все источники дохода и статьи затрат, не пропустил ли я что‑то (например, cost of API calls для RAG, embedding, векторную БД)?
• Все формулы в модели пересчитываются автоматически при изменении Assumptions.
• Презентация содержит не только цифры, но и ключевые выводы (break‑even, рекомендация по цене).
• Sensitivity analysis охватывает самые критичные для бизнеса параметры.
• Я проверил арифметику: итоговая сумма revenue и cost совпадает с детализацией, margin от 0 до 100%.