P&L модель для стартапа: пошаговое построение от нуля до инвестиционного раунда

За последние семь лет я собрал и разобрал больше сотни финансовых моделей для стартапов на разных стадиях — от pre-seed до Series B. И вот что я заметил: основатели делятся на два типа. Первые открывают Excel за день до встречи с инвестором и рисуют hockey stick. Вторые строят P&L как рабочий инструмент и принимают решения на его основе каждую неделю.

Вторые привлекают раунды. Первые — нет.

Ниже — по шагам, как построить P&L модель, по которой можно принимать решения.

Зачем стартапу P&L до первой выручки

P&L (Profit & Loss, отчёт о прибылях и убытках) в корпоративном мире — бухгалтерский документ. В стартапе это симулятор бизнеса: «что будет, если мы наймём ещё двух разработчиков», «потянем ли мы рекламный бюджет $15K/мес», «когда кончатся деньги».

Три ситуации, когда P&L модель нужна немедленно:

1. Инвестор говорит: «Покажите модель». Инвестор хочет убедиться, что вы понимаете структуру расходов, знаете свой burn rate и можете объяснить, как unit-экономика выведет вас в прибыль. Красота таблицы его не интересует.

2. Вы решаете, нанимать ли ещё человека. Разработчик стоит $4 000–6 000/мес (с учётом налогов и инфраструктуры). Это $50K–70K в год. Без модели вы не знаете, как это повлияет на runway — срок жизни компании до следующего раунда или выхода в прибыль.

3. Вы выбираете бизнес-модель. Freemium или paid-only? Подписка или разовые платежи? Marketplace с комиссией 5% или 15%? Каждое из этих решений кардинально меняет структуру P&L, и без модели вы выбираете вслепую.

Есть и четвёртая ситуация, менее очевидная: вы уже работаете, но не можете объяснить убытки. Стартап тратит $30K в месяц, зарабатывает $8K. Где утекают деньги? Без P&L эта информация растворена между банковскими выписками, зарплатными ведомостями и счетами от AWS. Модель собирает всё в одну картину и показывает: 45% — ФОТ, 25% — маркетинг, 15% — инфраструктура, 15% — всё остальное. Теперь вы знаете, где резать.

Анатомия P&L: из чего состоит отчёт

P&L стартапа отличается от корпоративного. Нет выручки за прошлый год. Нет устоявшейся структуры расходов. Зато есть гипотезы и прогнозы. Вот базовая структура:

Revenue (Выручка)

Все источники дохода. Для SaaS это подписки, для маркетплейса — комиссии, для финтеха — interchange + комиссии. Считайте bottom-up, от единицы к целому.

$\text{Доход}_{\text{месяц}} = \sum_{i=1}^{n} \text{Клиенты}_i \times ARPU_i$

Где $n$ — количество тарифов или сегментов, $\text{Клиенты}_i$ — активные пользователи на тарифе $i$, $ARPU_i$ — средний доход с пользователя на этом тарифе.

COGS и Gross Margin (Себестоимость и валовая маржа)

COGS (Cost of Goods Sold) — прямые затраты на предоставление услуги: хостинг, процессинг платежей, поддержка пользователей, лицензии third-party API.

$\text{Валовая маржа} = \frac{\text{Доход} - COGS}{\text{Доход}} \times 100\%$

Для SaaS-стартапов Gross Margin обычно 70–85%. Если меньше 60% — модель вызовет вопросы у инвесторов. Маркетплейсы работают на 40–60%.

OpEx (Операционные расходы)

Всё, что не входит в COGS:

EBITDA и Net Income

$EBITDA = \text{Доход} - COGS - \text{Операционные расходы}$

$\text{Чистый доход} = EBITDA - \text{Налоги} - \text{Проценты} - \text{Амортизация}$

Для раннего стартапа EBITDA и Net Income почти совпадают (нет значимой амортизации и процентных платежей). Инвесторы на ранних стадиях смотрят прежде всего на EBITDA — она показывает операционную эффективность бизнеса.

Пошаговое построение P&L (на примере SaaS-продукта)

Пример — B2B SaaS-продукт для управления проектами. Три тарифа: Free, Pro ($29/мес), Enterprise ($99/мес).

Шаг 1. Горизонт прогнозирования

Стандартный горизонт — 36 месяцев. Вот почему:

• 12 месяцев — слишком мало, не показывает выход на безубыточность
• 60 месяцев — слишком далеко, прогноз становится фантазией
• 36 месяцев — покрывает 2–3 инвестиционных раунда и показывает, когда модель начинает работать

Определите дату начала и дату запуска (launch date). Между ними — pre-launch фаза, когда расходы уже есть, а выручки ещё нет. В моей практике этот промежуток составляет 3–6 месяцев, и его забывают в 70% моделей, которые мне попадаются.

Шаг 2. Bottom-Up модель выручки

Забудьте про TAM/SAM/SOM на этом этапе. Начните с конкретных каналов привлечения.

Каналы привлечения (пример)

Итого: ~51 новый платящий клиент в месяц на старте.

Модель выручки с учётом churn

$\text{Активные клиенты}_t = \text{Активные клиенты}_{t-1} + \text{Новые}\_\text{Клиенты}_t - \text{Ушедшие}\_\text{Клиенты}_t$

$\text{Ушедшие}\_\text{Клиенты}_t = \text{Активные клиенты}_{t-1} \times \text{Отток}\_\text{Ставка}$

$\text{Доход}_t = \text{Активные клиенты}_t^{Pro} \times \$29 + \text{Активные клиенты}_t^{Ent} \times \$99$

При churn 5% в месяц и 51 новом клиенте/мес (распределение: 70% Pro, 30% Enterprise):

MRR стабилизируется к 24-му месяцу — это нормально при постоянном churn и фиксированном притоке. Математически, при постоянном притоке $N$ и churn rate $c$ число активных пользователей стремится к:

$\text{Активные клиенты}_{max} = \frac{N}{c} = \frac{51}{0.05} = 1\,020$

Это потолок при текущих параметрах. Чтобы его поднять, нужно либо увеличивать приток, либо снижать churn. Подробнее о влиянии оттока на модель читайте в статье про когортный анализ и retention.

Обратите внимание: в таблице выше мы использовали простой churn rate. На практике более реалистична retention curve — кривая, которая показывает, какой процент когорты остаётся активным через 1, 2, 3... 12 месяцев. В первый месяц уходит больше пользователей, чем в шестой. Использование retention curve вместо фиксированного churn даёт разницу в прогнозе MRR до 15–20%.

Шаг 3. Разделение расходов на постоянные и переменные

Постоянные расходы — не зависят от количества клиентов:

• Аренда офиса: $2 000/мес
• SaaS-инструменты (Slack, Figma, GitHub): $800/мес
• Бухгалтерия и юридические: $500/мес

Переменные расходы — растут с клиентской базой:

• Хостинг (AWS): $0.5 на активного пользователя/мес
• Процессинг платежей (Stripe): 2,9% от выручки
• Поддержка: $1 на активного пользователя/мес

$\text{Переменные расходы}_t = \text{Клиенты}_t \times \text{Расходы}_{\text{на клиента}} + \text{Доход}_t \times \text{Процессинг}\%$

Шаг 4. Команда и ФОТ

Самая большая статья расходов стартапа. Планируйте помесячно с учётом найма.

Итого ФОТ: $21 200/мес на старте, $27 700/мес после 6-го месяца.

Типичная ошибка: забыть налоги и социальные отчисления. В моделях, которые я разбираю, это добавляет 15–30% к «голой» зарплате в зависимости от юрисдикции.

Ещё одна тонкость — allocation. Designer на 50% означает, что он работает над вашим продуктом полдня. Это часто встречается на ранних стадиях: CTO одновременно пишет код и управляет инфраструктурой, маркетолог совмещает контент и performance. Модель должна отражать это, иначе ФОТ будет завышен.

Планируйте найм помесячно, а не «команда будет стоить $X». Стартап не нанимает всех в первый день. Типичный паттерн: core-команда (CTO + 1–2 разработчика) с первого месяца, маркетинг и дизайн после MVP, поддержка после запуска. Каждый найм сдвигает burn rate вверх ступенькой — эти ступеньки должны быть видны в модели.

Шаг 5. Точка безубыточности

Break-even point (BEP) — месяц, когда ежемесячная выручка покрывает все расходы.

$BEP: \text{Доход}_t \geq \text{Постоянные расходы}_t + \text{Переменные расходы}_t$

Для нашего примера:

В нашем примере модель не выходит в плюс за 36 месяцев при текущих параметрах. Это сигнал: нужно либо увеличивать приток клиентов, либо снижать churn, либо повышать ARPU. Именно для этого нужны сценарии.

Ещё одна полезная метрика — кумулятивный cash flow. Это накопленный убыток с начала проекта. Он показывает, сколько денег стартап «сожжёт» до выхода в прибыль:

$\text{Накопленные}\ CF_t = \sum_{m=0}^{t} (\text{Доход}_m - \text{Расходы}_m)$

Для нашего примера кумулятивный убыток к 36-му месяцу составит около $480K. Это и есть минимальный размер инвестиции, который нужно привлечь. С запасом (обычно x1.5) — $720K.

Шаг 6. Сценарный анализ

Три сценария — абсолютный минимум для инвестора.

В оптимистичном сценарии (85 новых клиентов, 3% churn, 40% Enterprise) BEP достигается к 22-му месяцу. Этот сценарий показывает инвестору потенциал: при правильных инвестициях в каналы привлечения модель работает.

Подробнее о методологии построения сценариев, включая анализ чувствительности и метод Монте-Карло, я разбираю в отдельной статье о сценарном анализе.

5 типичных ошибок в P&L стартапа

Ошибка 1: Hockey Stick без обоснования

«В первый месяц 100 клиентов, через год — 10 000». Я видел десятки таких моделей. Инвестор тут же спросит: «Какие каналы? Какая конверсия? Какой бюджет?» Если ответа нет — модель летит в корзину.

Как правильно: каждое число в модели выручки должно быть привязано к конкретному каналу с измеримыми параметрами (reach, конверсия, стоимость). Рост должен получаться из расчёта.

Ошибка 2: Забытые расходы

Топ-5 расходов, которые забывают:

1. Налоги на ФОТ (15–30% поверх зарплаты)
2. Процессинг платежей (2,5–3,5% от выручки — Stripe, PayPal)
3. Инфраструктура (AWS счёт на $500–2000/мес удивляет многих)
4. Юридические расходы (регистрация, compliance, GDPR)
5. SaaS-инструменты команды ($50–200 на человека/мес)

В моей практике «забытые» расходы составляют 15–25% от общего бюджета. Добавьте в модель строку «Непредвиденные расходы» — 10% от OpEx.

Ошибка 3: Один сценарий

Один сценарий — это не модель, это фантазия. Инвестор хочет видеть:

• Базовый: реалистичные допущения
• Пессимистичный: что если конверсия вдвое ниже, а churn вдвое выше?
• Оптимистичный: что если вирусный эффект увеличит приток в 2 раза?

Модель без сценариев не отвечает на главный вопрос: «Какой диапазон исходов?»

Ошибка 4: Нет связи между каналами и выручкой

Доходная часть: «MRR будет расти на 15% в месяц». Расходная часть: «Маркетинг $5 000/мес». Между ними — пустота. Нет объяснения, как $5 000 маркетингового бюджета превращаются в 15% роста MRR.

Как правильно: каждый канал привлечения — это воронка с параметрами. Расход на канал определяет reach, reach через конверсии даёт клиентов, клиенты через ARPU дают выручку. Подробнее о связи каналов и unit-экономики — в отдельной статье.

Ошибка 5: Статичная модель

Модель, которая не обновляется — мертва. Через месяц после создания реальные числа разойдутся с прогнозом, и модель станет бесполезной.

Как правильно: план-факт анализ ежемесячно. Сравнивайте прогнозные значения с реальными, корректируйте допущения, пересчитывайте. Об инструментах, где это делать проще, чем в Excel, — в статье Финмоделирование без Excel.

Инструменты: Excel, Google Sheets или специализированные платформы

Когда Excel достаточно

Excel хорош для первой модели: гибкий, знакомый, не требует подписки. Если вы один основатель с одним продуктом и вам нужна модель для себя — Excel подойдёт.

Но у Excel есть потолок. По данным исследования F1F9, 88% финансовых моделей в таблицах содержат ошибки. Дело не в квалификации авторов: таблица никак не защищает от ошибок — нет валидации формул, нет автоматического пересчёта связанных метрик, нет версионирования. Подробнее об ограничениях табличного моделирования — в статье Финмоделирование без Excel.

Что дают специализированные инструменты

Что меняется в специализированном инструменте:

Автоматический пересчёт. Меняете churn rate — пересчитываются все связанные метрики: активные пользователи, MRR, LTV, точка безубыточности, NPV. В Excel для этого нужно вручную проверить каждую формулу.

Встроенные сценарии. Сценарии переключаются одной кнопкой, без копирования листов. Параметры сценария задаются один раз, модель пересчитывается мгновенно.

Коллаборация. Финансовая модель — не документ одного человека. CFO строит структуру, маркетолог заполняет каналы, CTO планирует команду. В ProductWave, например, каждый участник работает со своей секцией модели, а результат агрегируется в общий P&L и дашборд в реальном времени.

Чеклист: минимально жизнеспособная P&L модель

Перед тем как показывать модель инвестору или принимать на её основе решения, проверьте:

Структура

• Горизонт прогнозирования 24–36 месяцев
• Помесячная детализация (не квартальная)
• Разделение на pre-launch и post-launch фазы
• Определены дата начала и дата запуска продукта

Доходная часть

• Bottom-up модель: каналы -> конверсии -> клиенты -> выручка
• Учтён churn (помесячный отток)
• Учтёна retention curve (если SaaS/подписочная модель)
• Несколько источников дохода разделены

Расходная часть

• ФОТ с налогами и соцотчислениями
• Переменные расходы привязаны к количеству пользователей
• Маркетинговый бюджет привязан к каналам
• Включены «скрытые» расходы (процессинг, инфра, юридические)
• Строка «непредвиденные» (10% от OpEx)

Аналитика

• Рассчитана точка безубыточности
• Три сценария (пессимистичный / базовый / оптимистичный)
• Рассчитан runway (при текущем burn rate)
• Связь между инвестицией и ростом метрик

Метрики

• CAC по каналам
• LTV и LTV/CAC
• Gross Margin
• Burn rate и runway
• NPV и IRR для инвестиционного раунда

Пять вопросов к готовой модели

Готовая модель должна отвечать на пять вопросов:

1. Когда закончатся деньги? Runway при текущем burn rate — первое, что должна показать модель.
2. Сколько нужно привлечь инвестиций и на что? Не «$500K на развитие», а «$500K на 18 месяцев runway: $320K ФОТ, $90K маркетинг, $90K инфра и резерв».
3. Какие рычаги роста? Сценарный анализ покажет, что сильнее влияет на результат — снижение churn на 2% или увеличение конверсии на 1%.
4. Когда модель выходит в прибыль? Break-even point считается из допущений, его не угадывают.
5. Модель масштабируема? Если при удвоении клиентов маржа падает — модель не масштабируется.

Если вы строите P&L впервые и не хотите тратить неделю на отладку формул в Excel — попробуйте ProductWave. Он сам считает P&L, строит сценарии и показывает метрики на дашборде. На бесплатном тарифе можно собрать первую модель и проверить, работает ли ваша бизнес-модель — до того, как вы потратите первый доллар.