Финансовая модель Threat Intelligence платформы

Описание

Threat Intelligence платформа — это программный продукт по подписке для мониторинга и анализа киберугроз. Инвестиционный проект строится вокруг команды разработки и аналитиков, создающих ядро платформы, и последующего масштабирования через прямые продажи B2B-клиентам. Экономику определяют три фактора: стоимость привлечения клиента (CAC), ежемесячный отток (churn) и способность расширять подписку (expansion).

Модель покрывает полный цикл: от создания прототипа и найма ключевых сотрудников до устойчивого роста с десятками клиентов. Детально проработана тарифная сетка (базовый, продвинутый, корпоративный уровни), зависящая от объёма источников данных, частоты обновлений и функциональных модулей. Расходы на сторонние фиды разведданных напрямую привязаны к числу подписчиков, что создаёт переменную составляющую себестоимости.

Отдельное внимание уделено когортному анализу и юнит-экономике: модель автоматически рассчитывает LTV, период окупаемости клиента, вклад upsell в рост ARR. Это позволяет оценить реальную эффективность каналов продаж и принять решение о бюджетировании маркетинга. Модель ориентирована на SaaS-поставку; для варианта развёртывания на инфраструктуре заказчика (on-premise) предусмотрена дополнительная опция.

Особенности моделирования

• Когортный анализ с помесячным расчётом удержания, оттока и Expansion MRR по каждой когорте, начиная с месяца первой оплаты.
• Многоуровневая тарифная сетка с переменным чеком в зависимости от выбранного пакета, количества пользователей и объёма данных.
• Воронка продаж с этапами: посев (лид) → демо/пилот → коммерческое предложение → подписанный контракт, с конверсиями и длительностью каждого этапа.
• Прямые переменные расходы на лицензирование сторонних фидов угроз, привязанные к количеству активных подписчиков.
• ФОТ команды: разработчики ядра, frontend/backend, аналитики угроз, инженеры данных, отдел продаж (SDR/AE), поддержка и customer success, с плавающим графиком найма под рост.
• Затраты на облачную инфраструктуру (AWS/Azure/GCP) как переменная функция от числа клиентов и объёма обрабатываемых данных, с выделением базовой постоянной части.
• Капитализация расходов на разработку (НИОКР) и амортизация нематериального актива в соответствии с ИТ-льготой.
• Постепенный выход на плановый уровень продаж и удержания с учётом «кривой обучения» команды продаж и референс-эффекта.
• Расчёт SaaS-метрик в динамике: ARR, Churn Rate, LTV/CAC, срок окупаемости CAC, Rule of 40.

Что входит в базовую версию

• Модуль выручки: SaaS-подписки по 3 тарифным планам, с автоматическим расчётом ARR, ARPU, поступлениями помесячно.
• Переменные расходы: лицензии на TI-фиды, облачная инфраструктура, комиссии платёжных систем.
• ФОТ и штатное расписание: роли (разработка, аналитика, продажи, маркетинг, поддержка), даты выхода, зарплаты, налоги (с учётом ИТ-льгот по взносам).
• Маркетинг и продажи: бюджет на контент, мероприятия, SDR-команду; воронка привлечения с конверсиями, расчёт CAC.
• Капитальные затраты: разработка платформы (оплата труда, лицензии на инструменты), предоплаченные фиды на старте.
• Налоговый блок: ИТ-аккредитация, ставка налога на прибыль 0%, пониженные страховые взносы, освобождение от НДС для SaaS.
• Финансовые отчёты: ОДДС, ОПиУ, Баланс, показатели NPV, IRR, DPP + блок SaaS-метрик.

Типичные ошибки моделирования

• Не учитывают отток клиентов и считают, что привлечённые остаются навсегда — LTV завышается в 2-3 раза, что ведёт к переоценке окупаемости.
• Закладывают мгновенное закрытие сделок без учёта пилотного периода (3-6 месяцев) — выручка первых 12 месяцев завышается на 40-60%.
• Не разделяют затраты на привлечение и обслуживание (CAC vs Customer Success), что искажает юнит-экономику: прибыльность клиента переоценивается на 20-30%.
• Игнорируют переменный характер расходов на фиды данных — валовая маржа завышается на 15-25%.
• Не моделируют upsell и расширение подписки внутри базы, теряя от 30% потенциального Expansion MRR, что даёт заниженный ARR на зрелых этапах.
• Забывают про рост облачных затрат по мере накопления данных и клиентов — операционные расходы занижаются на 10-20%.