Как оценивать проекты и гипотезы через драйверную модель для реалистичного планирования
В условиях нестабильной экономики и быстро меняющегося рынка для компаний среднего бизнеса, особенно в сфере транспортной логистики и e-commerce фулфилмента (комплекс логистических услуг), крайне важно уметь адекватно планировать и оценивать эффективность проектов на год вперёд. Традиционные методы, основанные на экспертных оценках и произвольных прогнозах, часто приводят к чрезмерно оптимистичным результатам, которые не соответствуют реальности, считает директор по аналитике и эффективности платформы каршеринга «Ситидрайв» Евгений Гапон. В ходе форума Data Day 2026 эксперт показал недостатки планирования драйверной модели и полезные подходы для повышения точности и реалистичности прогнозов.
Традиционные ошибки при планировании проектов и гипотез
В большинстве компаний процесс годового планирования происходит примерно одинаково: руководители подразделений выдвигают инициативы, которые обещают значительный рост прибыли — от десятков до сотен миллионов рублей, и эти оценки вносятся в общую финансовую модель. Но зачастую такие прогнозы не подкреплены реальными данными и основаны на экспертных «пальцем в небо» предположениях, рассказал директор по аналитике и эффективности платформы каршеринга «Ситидрайв» Евгений Гапон в ходе сессии «Путешествия и транспорт» на форуме Data Day 2026. В качестве примера эксперт взял выдуманная компания «Вектор Логистика» со своим PNL и гипотезами, которые максимально приблизил к реальным показателям. Компания относится к среднему бизнесу с прибылью, что немаловажно, в текущих реалиях.
Итак, в декабре 2025 руководители департаментов собираются на планирование будущего 2026 года, и рассказывают, как сделают «звездолет», который принесет «стопятьсот» миллионов дополнительного гросс-профита. Весь план основывается на исторической экстраполяции какого-то пилотного проекта в лучшем случае, но чаще на бенчмаркетах конкурентов. Это проектное «блюдо» обильно подкрепляется исследованиями, рекламными бюджетами. Затем «закатывается» в Exel и получается головокружительная финансовая перспектива — бизнес улетает в космос! Евгений Гапон отмечает, что подобные планирования скорее норма, чем исключения в компаниях. Эксперт ссылается на свой опыт работы в ряде компаний, включая логистическую.
Основные проблемы такого подхода:
— Отрыв от реального бизнеса: гипотезы не базируются на внутренних операционных метриках компании и не учитывают текущие показатели.
— Отсутствие подтверждения экспериментами: зачастую нет пилотных проектов или исторических данных, которые могли бы подтвердить сделанные заявления.
— Сложности в проверке реалистичности: без объективных метрик и статистики сложно понять, насколько прогнозы соотносятся с рыночной ситуацией или конкурентным окружением.
— Суммирование гипотез без учета взаимовлияния: при сложении эффектов от нескольких инициатив итоговые цифры могут быть неоправданно завышены, что приводит к нереалистичному увеличению прибыли до трёхкратного роста.
Драйверная модель как инструмент для оценки проектов
Драйверная модель — это методология, которая позволяет связать финансовые показатели с ключевыми операционными метриками, влияющими на бизнес. В основе модели лежит разложение P&L (отчёта о прибылях и убытках) на составляющие юнит-экономики и операционных драйверов.
Ключевые особенности драйверной модели:
— Связь с операционными показателями: модель учитывает конверсии, количество заказов, утилизацию ресурсов и другие важные метрики.
— Динамический пересчёт: позволяет в реальном времени оценивать влияние различных гипотез на чистую прибыль и EBITDA.
— Учет сезонности и текущей инерции: базируется на реальных данных из прошлых периодов, что помогает построить «run rate» — прогноз с учётом текущих трендов.
— Прозрачность и простота: не требует чрезмерного усложнения, что снижает накопление ошибок и повышает удобство использования.
Как правильно использовать драйверную модель для оценки гипотез
- Идентификация ключевых гипотез
На основе идей от менеджеров и команд формируется перечень инициатив, влияющих на различные аспекты юнит-экономики.
- Качественная и количественная оценка влияния
Каждая гипотеза анализируется с точки зрения её влияния на операционные показатели, основываясь на пилотах, экспериментах или экспертных оценках.
- Внесение данных в модель
Гипотезы вносятся по отдельности в Excel-калькулятор или облачное решение, где пересчитывается их влияние на финансовые результаты.
- Оценка инкрементального эффекта
Модель показывает, насколько увеличится EBITDA или чистая прибыль при реализации каждой инициативы
- Применение коэффициента реалистичности «одна треть»
Итоговую сумму оценок всех гипотез делят на три, чтобы получить более реалистичную цифру ожидаемого эффекта, учитывая, что не все инициативы сработают в полном объёме.
Евгений Гапон рекомендует не усложнять модель чрезмерной детализацией и сегментацией метрик, чтобы избежать накопления ошибок. Оценивать каждую гипотезу отдельно, чтобы правильно понимать её эффект и избежать мультипликативных ошибок.
«Важно использовать предварительные эксперименты и пилоты для более обоснованных оценок. Учитывать рыночные условия: при падающем рынке даже удержание текущих показателей требует усилий, а рост — тем более», — говорит эксперт.
В опыте нескольких компаний, где применялся данный подход, итоговые оценки инкрементального эффекта по инициативам совпадали с реальными результатами с погрешностью «плюс-минус километр», отмечает он. Это существенно лучше, чем традиционные экспертные оценки без анализа данных
По оценкам Евгения Гапона, зрелый бизнес в нормальных условиях растёт на 3–5% в год, а в условиях падающего рынка для поддержания стабильности требуется прилагать дополнительные усилия. «Соответственно, целевой рост в 20% требует не только точной модели, но и эффективной коммуникации с руководством и акционерами», — отмечает эксперт.
Он рекомендует использовать драйверную модель как инструмент для планирования, а не как бухгалтерский отчёт. Это помогает сосредоточиться на ключевых бизнес-показателях, а не на деталях мелких статей.
«Постоянно уточняйте и адаптируйте модель. Используйте данные прошлых А/Б тестов и результатов гипотез для корректировки коэффициентов и повышения точности прогнозов», — говорит Гапон.
Нельзя полагаться исключительно на технологии и AI. Модель не заменит здравого смысла и качественной аналитической работы, но может существенно повысить эффективность принятия решений. При этом, отмечает эксперт, нельзя загружать в ИИ-модель реальные данные, поскольку возникает риск их утечки.
Важно обеспечить прозрачность и понимание модели среди всех заинтересованных сторон. Это поможет выстраивать правильные ожидания и снижать риск разочарований.
Для компаний логистического и e-commerce сегмента, стремящихся к устойчивому развитию и росту, особенно в условиях нестабильного рынка, критически важно использовать продуманные и реалистичные методы планирования. Драйверная модель, основанная на разложении финансовых показателей на операционные метрики и применении коэффициента реалистичности, предоставляет эффективный инструмент для оценки проектов и гипотез. Её применение позволяет избежать завышенных прогнозов, повысить точность планирования и лучше понимать, какие инициативы действительно способны принести прибыль. При этом важно помнить о необходимости предварительной аналитической работы, экспериментального подтверждения гипотез и регулярного уточнения модели на основе фактических данных.
Павел Паршков
Фото: PRO Шеринг, презентация «Ситидрайв»
