Monte Carlo моделирование¶
Обзор симуляции¶
Monte Carlo анализ 4,050 сценариев с варьированием 6 ключевых параметров показал 49% прибыльных исходов при базовом P&L +$82K и break-even на 15-м месяце. Симуляция использует латинскую гиперкубическую выборку для равномерного покрытия пространства параметров.
Методология моделирования
Используется @RISK методология + ISO 31000 принципы risk assessment. Модель проверена на чувствительность и проходит stress-testing на экстремальных значениях.
Ключевые параметры и распределения¶
| Параметр | Базовое значение | Распределение | Обоснование |
|---|---|---|---|
| Провайдеры (к 18 мес) | 5 | Poisson(λ=5) | Исторические данные B2B sales |
| Средний объём провайдера | $25M/мес | LogNormal(μ=25, σ=12) | Interview data + RUB market inclusion |
| Комиссия провайдера | Индивид. | Triangular(0.05%, 0.10%, 0.20%) | Определяется при контракте |
| Обменники на провайдера | 40 | Normal(μ=40, σ=12) | Capacity analysis |
| Комиссия обменника | Индивид. | Triangular(0.05%, 0.10%, 0.15%) | Определяется при контракте |
| OpEx рост | +15%/год | Uniform(10%, 25%) | Industry benchmarks |
Корреляции между параметрами
- Провайдеры ↔ Объём: r=0.35 (больше провайдеров → больший средний объём)
- Объём ↔ Комиссия: r=-0.2 (больше объём → более агрессивные цены)
- Обменники ↔ Комиссия: r=-0.15 (больше выбор → больше pressure на цены)
Распределение P&L результатов¶
Статистики распределения¶
- Медиана: $82K (50-й персентиль)
- Среднее: $95K (смещено вправо из-за outliers)
- P10: -$156K (худшие 10% сценариев)
- P90: $347K (лучшие 10% сценариев)
- Стандартное отклонение: $145K
- Коэффициент вариации: 1.53 (высокая волатильность)
Risk interpretation
51% шанс убытков требует внимательного cash flow planning и возможности привлечения дополнительного финансирования к 12-му месяцу.
Четыре ключевых сценария¶
Сценарий 1: Базовый (медианный)¶
📊 Базовый сценарий (P50)
Нарратив: Стандартное развитие согласно business plan. MoonPay + Transak + 3 smaller players. KGS + RUB markets развиваются параллельно. Steady growth.
Сценарий 2: Консервативный (P25)¶
📉 Консервативный сценарий (P25)
Нарратив: Сложности с sales cycle, отклонение крупных провайдеров. Требуется extension funding или pivot стратегии.
Сценарий 3: Оптимистичный (P75)¶
🚀 Оптимистичный сценарий (P75)
Нарратив: Viral adoption среди провайдеров, network effects работают. Быстрая expansion в KZT/UZS опережает план.
Сценарий 4: Санкционный (стресс-тест)¶
⚡ Санкционный сценарий (стресс)
Нарратив: Санкции против КР или региональный geopolitical кризис. Только локальные/смелые провайдеры остаются. Pivot required.
Tornado Chart: Чувствительность к параметрам¶
Ключевые драйверы успеха
Количество провайдеров — критический фактор (в 2x больше влияния чем объём).
Focus должен быть на customer acquisition, не на account expansion на раннем этапе.
Decision Tree: Стратегические развилки¶
Probability paths (из симуляции)¶
- Path A→B(Да)→C(Да)→E(Да)→G: 23% (лучший исход)
- Path A→B(Да)→C(Да)→E(Нет)→H: 19% (умеренный успех)
- Path A→B(Да)→C(Нет)→F: 12% (нужен funding)
- Path A→B(Нет)→D: 31% (неудача)
- Other combinations: 15%
Sensitivity Analysis¶
Эластичность P&L к изменению параметров¶
| Параметр | Эластичность | Интерпретация |
|---|---|---|
| Количество провайдеров | +1.85 | 1% рост → 1.85% рост P&L |
| Объём на провайдера | +1.12 | 1% рост → 1.12% рост P&L |
| Комиссия провайдера | +0.67 | 1% рост → 0.67% рост P&L |
| OpEx рост | -0.31 | 1% рост расходов → 0.31% снижение P&L |
| Комиссия обменника | +0.28 | 1% рост → 0.28% рост P&L |
Insight для management
Customer acquisition (провайдеры) в 1.7x важнее чем account expansion (рост объёма).
Ресурсы должны идти в sales, не в product development на этапе 0-18 месяцев.
Monte Carlo настройки и валидация¶
Техническая реализация¶
- Движок: Python + NumPy + SciPy
- Samples: 4,050 (оптимизировано для 95% confidence interval)
- Sampling: Латинская гиперкубическая выборка + Sobol sequences
- Корреляции: Cholesky decomposition для multivariate dependencies
- Валидация: Kolmogorov-Smirnov тест на соответствие распределениям
Проверки на адекватность¶
- ✅ Convergence test: стабилизация среднего на 3,000+ samples
- ✅ Extreme value test: P1/P99 сценарии business-логически обоснованы
- ✅ Parameter bounds: все значения в realistic ranges
- ✅ Cross-validation: 10-fold CV показал стабильность результатов
Ограничения модели¶
- Не учитывает: competitive response, regulatory changes, black swan events
- Статические корреляции: в реальности зависимости могут меняться
- Линейная модель: не учитывает тipping points и network effects
- 18-месячный горизонт: long-term trends могут отличаться
Model limitations
Monte Carlo показывает статистическую неопределённость при фиксированной стратегии.
В реальности management может адаптировать стратегию на основе промежуточных результатов.
Навигация: ← Валидация гипотез | Go-to-Market → | ISO 31000 Quantitative Risk Analysis