# Sensitivity Analysis с AI: какой рычаг сильнее сдвигает runway стартапа — Churn или CAC?

> Sensitivity analysis для SaaS-стартапа с помощью AI: формулы, промпты для моделирования, таблицы сценариев, tornado-диаграммы. Churn vs CAC — какой параметр влияет на runway больше.
> Author: Roman Belov · Published: 2026-04-10 · Source: https://futurecraft.pro/ru/blog/sensitivity-analysis-ai/

Снижение месячного churn с 7% до 5% увеличивает LTV клиента на 40%. Снижение CAC на те же 28% увеличивает LTV/CAC ratio линейно. Churn влияет на revenue экспоненциально, CAC — линейно. Sensitivity analysis показывает эту разницу в числах и помогает принять решение: куда направить ограниченный бюджет.

Статья разбирает методологию sensitivity analysis для SaaS-стартапа, даёт формулы, готовые промпты для AI-моделирования и таблицы сценариев. Всё на конкретном примере: B2B SaaS с MRR $45K, 320 клиентами, runway 14 месяцев.

## Что такое sensitivity analysis и зачем он стартапу

Sensitivity analysis — метод оценки того, как изменение одного входного параметра влияет на выходную метрику при фиксации остальных. В контексте стартапа выходная метрика — runway (количество месяцев до исчерпания денег). Входные параметры — churn rate, CAC, ARPU, burn rate, конверсия.

Стартап оперирует в условиях неопределённости. Финансовая модель строится на допущениях: «churn будет 5%», «CAC снизим до $800». Sensitivity analysis проверяет, что произойдёт, если допущения окажутся неверными. Какой параметр при отклонении на 20% убивает runway быстрее всего?

Три практических применения:

**Приоритизация инвестиций.** Бюджет ограничен. Вложить $50K в снижение churn (улучшение onboarding, customer success) или в снижение CAC (оптимизация воронки, новые каналы)? Sensitivity analysis даёт количественный ответ.

**Stress-тестирование модели.** Инвестор спрашивает: «Что будет, если churn вырастет в полтора раза?» Вместо интуитивного ответа — таблица с точными цифрами по runway, MRR, cash balance.

**Определение точек невозврата.** При каком значении churn runway падает ниже 6 месяцев (критический порог для привлечения следующего раунда)?

## Базовая модель: входные параметры и формулы

Для sensitivity analysis нужна работающая финансовая модель. Возьмём типичный B2B SaaS на ранней стадии.

### Входные параметры

| Параметр | Значение | Описание |
|----------|----------|----------|
| MRR | $45,000 | Monthly Recurring Revenue |
| Клиенты | 320 | Активная база |
| ARPU | $140.63 | MRR / Клиенты |
| Monthly Churn | 6% | Доля уходящих клиентов в месяц |
| CAC | $1,200 | Cost of Acquisition |
| Новые клиенты/мес | 25 | Органика + платные каналы |
| Monthly Burn | $72,000 | Операционные расходы |
| Cash Balance | $520,000 | Остаток на счёте |

### Формулы расчёта runway

Runway в простейшей форме:

```
Runway = Cash Balance / Net Burn
Net Burn = Monthly Burn - MRR
```

Для статической модели (MRR не меняется): $520,000 / ($72,000 - $45,000) = 19.3 месяца.

Но MRR меняется каждый месяц. Динамическая модель учитывает рост и отток:

```
MRR(t+1) = MRR(t) × (1 - Churn) + New_Customers × ARPU
Net_New_MRR = New_Customers × ARPU - MRR(t) × Churn
Cash(t+1) = Cash(t) + MRR(t) - Burn - New_Customers × CAC
```

Runway — номер месяца, в котором Cash(t) впервые становится отрицательным.

При базовых параметрах динамическая модель даёт runway **14 месяцев**. Отличие от статической (19.3) объясняется расходами на привлечение: 25 клиентов × $1,200 = $30,000/мес дополнительного burn.

## Промпт для построения базовой модели

Промпт для Claude или другой LLM, который генерирует помесячную финансовую модель:

```
Построй помесячную финансовую модель SaaS-стартапа на 24 месяца.

Входные параметры:
- Текущий MRR: $45,000
- Количество клиентов: 320
- ARPU: $140.63
- Monthly churn rate: 6%
- CAC: $1,200
- Новые клиенты в месяц: 25 (постоянно)
- Monthly burn rate: $72,000 (фиксированный)
- Cash balance: $520,000
- Marketing spend включён в burn rate

Для каждого месяца рассчитай:
1. Клиенты на начало месяца
2. Ушедшие клиенты (Churn × база)
3. Новые клиенты
4. Клиенты на конец месяца
5. MRR
6. Revenue - Burn - (New_Customers × CAC) = Net Cash Flow
7. Cash Balance (нарастающим итогом)

Определи месяц, когда Cash Balance станет отрицательным (runway).

Формат: таблица, округление до целых долларов.
```

Результат — таблица из 24 строк с помесячной детализацией. Runway при базовых параметрах: месяц 14.

## One-way sensitivity analysis: один параметр за раз

One-way analysis варьирует один параметр, фиксируя остальные. Цель — измерить эластичность runway к каждому параметру.

### Промпт для one-way sensitivity analysis

```
На основе базовой модели проведи one-way sensitivity analysis.

Варьируй каждый параметр отдельно, фиксируя остальные на базовых значениях.
Диапазон: от -40% до +40% с шагом 10%.

Параметры для анализа:
1. Monthly Churn Rate (базовое: 6%)
2. CAC (базовое: $1,200)
3. ARPU (базовое: $140.63)
4. New Customers per Month (базовое: 25)
5. Monthly Burn Rate (базовое: $72,000)

Для каждой комбинации рассчитай runway (месяц, когда cash = 0).

Формат: таблица с параметрами по строкам и отклонениями по столбцам.
Добавь колонку "Δ Runway" — разницу с базовым сценарием (14 мес).
```

### Результаты: таблица эластичности runway

| Параметр | -40% | -20% | Base | +20% | +40% | Размах |
|----------|------|------|------|------|------|--------|
| **Churn Rate** | 24+ | 18 | 14 | 11 | 9 | **15+** |
| **CAC** | 18 | 16 | 14 | 12 | 11 | **7** |
| **ARPU** | 9 | 11 | 14 | 17 | 21 | **12** |
| **New Customers** | 11 | 12 | 14 | 16 | 18 | **7** |
| **Burn Rate** | 21 | 17 | 14 | 12 | 10 | **11** |

Размах (spread) — разница между runway при -40% и +40%. Чем больше размах, тем сильнее параметр влияет на runway.

Churn rate лидирует с размахом 15+ месяцев. При снижении churn на 40% (с 6% до 3.6%) runway превышает 24 месяца. При росте на 40% (до 8.4%) runway сокращается до 9 месяцев. CAC занимает последнее место с размахом 7 месяцев.

### Почему churn влияет нелинейно

Churn действует через два механизма одновременно:

1. **Прямой эффект на revenue.** Каждый ушедший клиент уносит ARPU навсегда. При churn 6% и 320 клиентах уходят 19 клиентов/мес ($2,672 MRR). При churn 8.4% — уходят 27 ($3,797 MRR).

2. **Компаундинг-эффект на базу.** Потерянные клиенты уменьшают базу, из которой считается отток в следующем месяце. При высоком churn база сокращается быстрее, чем пополняется, создавая отрицательный Net New MRR.

Формула зависимости размера базы от времени:

```
Customers(t) = Customers(0) × (1 - Churn)^t + New/Churn × (1 - (1 - Churn)^t)
```

При Churn < New/Customers(0) база растёт. При Churn > New/Customers(0) — сокращается. Пороговое значение для нашей модели: 25/320 = 7.8%. Текущий churn 6% ниже порога, база медленно растёт. Но запас минимален.

CAC, напротив, влияет линейно: каждый дополнительный доллар в CAC увеличивает ежемесячный burn на фиксированную сумму (New_Customers × ΔCAC). Нет компаундинга, нет нелинейности.

## Two-way sensitivity analysis: Churn × CAC

Two-way analysis варьирует два параметра одновременно. Результат — матрица, где каждая ячейка содержит runway для конкретной комбинации.

### Промпт для two-way sensitivity analysis

```
Построй two-way sensitivity analysis: Churn Rate × CAC.

Значения Churn Rate (строки): 3%, 4%, 5%, 6%, 7%, 8%, 9%
Значения CAC (столбцы): $600, $800, $1,000, $1,200, $1,400, $1,600

Остальные параметры фиксированы на базовых значениях.
Для каждой комбинации рассчитай runway (месяцев до cash = 0).

Формат: матрица. Выдели зоны:
- Зелёная: runway > 18 месяцев
- Жёлтая: 12-18 месяцев
- Красная: < 12 месяцев
```

### Матрица Churn × CAC

| Churn \ CAC | $600 | $800 | $1,000 | $1,200 | $1,400 | $1,600 |
|-------------|------|------|--------|--------|--------|--------|
| **3%** | 24+ | 24+ | 24+ | 24+ | 22 | 19 |
| **4%** | 24+ | 24+ | 22 | 19 | 17 | 15 |
| **5%** | 24+ | 21 | 18 | 16 | 14 | 13 |
| **6%** | 20 | 17 | 15 | **14** | 12 | 11 |
| **7%** | 16 | 14 | 13 | 11 | 10 | 9 |
| **8%** | 13 | 12 | 11 | 10 | 9 | 8 |
| **9%** | 11 | 10 | 9 | 8 | 8 | 7 |

Базовый сценарий (Churn 6%, CAC $1,200) выделен жирным: 14 месяцев.

Паттерн: движение вверх по таблице (снижение churn) даёт больший прирост runway, чем движение влево (снижение CAC). Переход от Churn 6% к 4% при CAC $1,200 добавляет 5 месяцев. Переход от CAC $1,200 к $600 при Churn 6% добавляет 6 месяцев. Но снижение CAC вдвое — нереалистичный сценарий, тогда как снижение churn на 2 п.п. достижимо через улучшение продукта.

## Tornado-диаграмма: визуализация влияния параметров

Tornado-диаграмма ранжирует параметры по силе влияния. Каждый параметр представлен горизонтальной полосой: левый край — runway при -20%, правый — при +20%.

### Промпт для генерации tornado-диаграммы

```
На основе результатов one-way sensitivity analysis построй данные
для tornado-диаграммы.

Для каждого параметра при отклонении ±20% от базового значения
укажи:
- Runway при -20%
- Runway при +20%
- Абсолютный размах (разница)

Отсортируй по убыванию размаха.

Затем сгенерируй Python-код (matplotlib) для построения
tornado-диаграммы с:
- Горизонтальными полосами для каждого параметра
- Вертикальной линией на базовом значении (14 мес)
- Подписями значений на концах полос
- Цветовым кодированием: синий (благоприятное отклонение),
  красный (неблагоприятное)
```

### Данные tornado-диаграммы

| Ранг | Параметр | Runway при -20% | Runway при +20% | Размах |
|------|----------|-----------------|-----------------|--------|
| 1 | Churn Rate | 18 | 11 | 7 |
| 2 | ARPU | 11 | 17 | 6 |
| 3 | Burn Rate | 17 | 12 | 5 |
| 4 | New Customers | 12 | 16 | 4 |
| 5 | CAC | 16 | 12 | 4 |

Churn Rate — параметр №1. При отклонении всего на 20% runway меняется на 7 месяцев. У CAC размах 4 месяца при том же отклонении. Разница почти вдвое.

### Python-код для tornado-диаграммы

```python
import matplotlib.pyplot as plt
import numpy as np

params = ['CAC', 'New Customers', 'Burn Rate', 'ARPU', 'Churn Rate']
low = [16, 12, 17, 11, 18]   # runway при благоприятном отклонении
high = [12, 16, 12, 17, 11]  # runway при неблагоприятном отклонении
base = 14

fig, ax = plt.subplots(figsize=(10, 5))

for i, (param, lo, hi) in enumerate(zip(params, low, high)):
    favorable = max(lo, hi)
    unfavorable = min(lo, hi)
    ax.barh(i, favorable - base, left=base, height=0.5,
            color='#2196F3', alpha=0.8)
    ax.barh(i, unfavorable - base, left=base, height=0.5,
            color='#F44336', alpha=0.8)
    ax.text(favorable + 0.2, i, str(favorable), va='center', fontsize=10)
    ax.text(unfavorable - 0.5, i, str(unfavorable), va='center', fontsize=10)

ax.axvline(x=base, color='black', linewidth=1.5, linestyle='--')
ax.set_yticks(range(len(params)))
ax.set_yticklabels(params, fontsize=11)
ax.set_xlabel('Runway (months)', fontsize=12)
ax.set_title('Tornado Diagram: Sensitivity of Runway to ±20% Change',
             fontsize=13)
plt.tight_layout()
plt.savefig('tornado_runway.png', dpi=150, bbox_inches='tight')
plt.show()
```

## Сценарный анализ: три стратегии роста

Sensitivity analysis показал, что churn — главный рычаг. Сравним три стратегии использования бюджета $50,000.

### Промпт для сценарного анализа

```
Сравни три стратегии инвестирования $50,000 для SaaS-стартапа.
Базовые параметры: MRR $45K, 320 клиентов, ARPU $140.63,
churn 6%, CAC $1,200, 25 новых клиентов/мес,
burn $72K, cash $520K.

Стратегия A — "Снижение Churn":
- $50K на customer success (нанять CSM, улучшить onboarding)
- Ожидаемый эффект: churn снижается с 6% до 4% через 2 месяца
- Burn увеличивается на $4,200/мес (зарплата CSM)

Стратегия B — "Снижение CAC":
- $50K на оптимизацию воронки и контент-маркетинг
- Ожидаемый эффект: CAC снижается с $1,200 до $900 через 3 месяца
- Burn увеличивается на $2,000/мес (контент-специалист)

Стратегия C — "Рост привлечения":
- $50K на платную рекламу
- Ожидаемый эффект: новых клиентов вырастает с 25 до 35 через 1 месяц
- Burn увеличивается на $12,000/мес (рекламный бюджет)
- CAC растёт до $1,400 (менее эффективные каналы)

Для каждой стратегии построй помесячную модель на 24 месяца.
Сравни: runway, MRR на месяц 12, cumulative revenue,
клиентская база на месяц 12.
```

### Результаты сравнения стратегий

| Метрика | Base | A: Churn↓ | B: CAC↓ | C: Growth↑ |
|---------|------|-----------|---------|------------|
| **Runway** | 14 мес | **20 мес** | 16 мес | 13 мес |
| **MRR (мес 12)** | $48,200 | $62,400 | $50,100 | $53,800 |
| **Клиенты (мес 12)** | 343 | 444 | 357 | 383 |
| **Cumulative Revenue (12 мес)** | $554K | $638K | $572K | $589K |
| **LTV/CAC (мес 12)** | 1.95 | 3.51 | 2.34 | 1.53 |

Стратегия A выигрывает по всем метрикам. Runway увеличивается на 6 месяцев. MRR к 12-му месяцу на 29% выше базового. LTV/CAC ratio почти удваивается — с 1.95 до 3.51. Это порог, выше которого инвесторы считают unit economics здоровой.

Стратегия C парадоксально сокращает runway на 1 месяц. Больше клиентов означает больше расходов на привлечение. При высоком churn новые клиенты уходят быстро, не успевая окупить CAC. Рост выглядит как прогресс, но сжигает cash быстрее.

## Breakeven-анализ: критические пороги параметров

Breakeven-анализ определяет значения параметров, при которых runway достигает критических порогов.

### Промпт для breakeven-анализа

```
Для базовой модели определи критические пороги каждого параметра.

Рассчитай значение каждого параметра, при котором:
1. Runway = 6 месяцев (критический минимум для fundraising)
2. Runway = 12 месяцев (минимальная зона комфорта)
3. Runway = 24 месяцев (целевой показатель)
4. Runway = бесконечность (Net Burn ≤ 0, самоокупаемость)

Параметры: Churn Rate, CAC, ARPU, New Customers, Burn Rate.
Остальные параметры — базовые.
Формат: таблица с порогами.
```

### Таблица критических порогов

| Параметр | Runway = 6 мес | Runway = 12 мес | Runway = 24 мес | Break-even |
|----------|---------------|-----------------|-----------------|------------|
| Churn Rate | 10.2% | 7.1% | 3.8% | 2.1% |
| CAC | $2,100 | $1,500 | $800 | $480 |
| ARPU | $95 | $120 | $165 | $195 |
| New Customers | 8 | 18 | 35 | 45 |
| Burn Rate | $105K | $82K | $58K | $47K |

Текущий churn 6% находится между порогами 12 и 24 месяцев. Запас до критического порога (6 месяцев runway): 4.2 процентных пункта. Запас по CAC: $900. Churn ближе к опасной зоне в относительном выражении.

Для достижения самоокупаемости churn должен снизиться до 2.1%. Это амбициозная цель, но достижимая для B2B SaaS с устойчивым product-market fit. По отраслевым бенчмаркам churn B2B SaaS обычно попадает в диапазон 3–5%, хотя разброс между сегментами велик.

## Monte Carlo симуляция: учёт неопределённости

Детерминированный sensitivity analysis предполагает, что все параметры, кроме варьируемого, фиксированы. В реальности все параметры флуктуируют одновременно. Monte Carlo симуляция моделирует тысячи сценариев со случайными отклонениями всех параметров.

### Промпт для Monte Carlo симуляции

```
Напиши Python-код для Monte Carlo симуляции runway SaaS-стартапа.

Базовые параметры:
- MRR: $45,000, Клиенты: 320, ARPU: $140.63
- Churn: 6%, CAC: $1,200, New Customers: 25/мес
- Burn: $72,000, Cash: $520,000

Распределения параметров (нормальные, обрезанные):
- Churn: mean=0.06, std=0.015, min=0.01, max=0.15
- CAC: mean=1200, std=300, min=400, max=3000
- New Customers: mean=25, std=5, min=5, max=50
- ARPU: mean=140.63, std=20, min=80, max=250
- Burn: mean=72000, std=8000, min=50000, max=100000

Количество симуляций: 10,000
Горизонт: 24 месяца

Для каждой симуляции сэмплируй параметры один раз и рассчитай
runway (или 24+ если cash не кончается).

Выведи:
1. Гистограмму распределения runway
2. Медиану, P10, P25, P75, P90
3. Вероятность runway < 6 месяцев
4. Вероятность runway < 12 месяцев
5. Вероятность runway > 24 месяцев
```

### Типичные результаты Monte Carlo (10,000 симуляций)

| Перцентиль | Runway |
|------------|--------|
| P10 | 8 мес |
| P25 | 11 мес |
| **Медиана (P50)** | **14 мес** |
| P75 | 19 мес |
| P90 | 24+ мес |

- Вероятность runway < 6 месяцев: ~4%
- Вероятность runway < 12 месяцев: ~28%
- Вероятность runway > 24 месяцев: ~18%

Медиана совпадает с детерминированной оценкой (14 месяцев). Но разброс значительный: в 28% симуляций runway оказывается меньше года. Это риск, который не виден в single-point forecast.

Correlation analysis внутри симуляции подтверждает результаты sensitivity analysis: корреляция между churn и runway составляет -0.72 (сильная отрицательная), между CAC и runway: -0.34 (умеренная). Churn объясняет вдвое больше вариации runway, чем CAC.

## Как принять решение на основе sensitivity analysis

**Шаг 1. Ранжировать параметры по влиянию.** Tornado-диаграмма даёт ранг. В нашем примере: Churn > ARPU > Burn > New Customers ≈ CAC.

**Шаг 2. Оценить управляемость каждого параметра.** Не все параметры одинаково контролируемы. Burn rate меняется решением (сократить расходы). Churn требует продуктовых изменений — дольше, но эффект сильнее. ARPU зависит от готовности рынка платить.

**Шаг 3. Построить матрицу «Влияние × Управляемость».**

| | Высокая управляемость | Низкая управляемость |
|---|---|---|
| **Высокое влияние** | Churn, Burn Rate | ARPU |
| **Низкое влияние** | CAC, New Customers | Рыночные факторы |

Приоритет — верхний левый квадрант: высокое влияние и высокая управляемость.

**Шаг 4. Определить целевые значения.** Из таблицы breakeven: для runway 18+ месяцев churn должен быть ≤ 4.5%. Текущий — 6%. Цель: снизить на 1.5 п.п. за 3 месяца.

**Шаг 5. Выбрать стратегию и мониторить.** Запустить инициативы по снижению churn. Повторять sensitivity analysis ежемесячно с обновлёнными данными. Отслеживать, сдвигается ли распределение runway в нужную сторону.

## Связь с unit economics

Sensitivity analysis дополняет расчёт [unit economics](/ru/blog/unit-economics-calculator-ai/). Unit economics отвечает на вопрос «зарабатываем ли мы на клиенте?». Sensitivity analysis отвечает на вопрос «какой параметр unit economics влияет на выживание бизнеса сильнее всего?».

LTV напрямую зависит от churn: `LTV = ARPU / Churn`. При churn 6% LTV = $2,344. При churn 4% LTV = $3,516. Разница 50%. LTV/CAC при churn 4%: 2.93 vs 1.95 при churn 6%. Один параметр переводит unit economics из зоны риска в здоровую зону.

## Чек-лист: sensitivity analysis для стартапа

1. Построить базовую помесячную модель с текущими параметрами
2. Провести one-way sensitivity analysis для 5–7 ключевых параметров
3. Построить tornado-диаграмму для ранжирования параметров
4. Провести two-way analysis для двух наиболее влиятельных параметров
5. Определить breakeven-пороги для каждого параметра
6. Запустить Monte Carlo симуляцию (10,000 итераций) для оценки вероятностей
7. Построить матрицу «Влияние × Управляемость»
8. Выбрать 1–2 параметра для фокусной работы
9. Установить целевые значения на основе breakeven-таблицы
10. Повторять анализ ежемесячно с актуальными данными

Все промпты работают с Claude, GPT-5.4, Gemini. Для Monte Carlo симуляции нужна Python-среда (локально или Google Colab). AI генерирует код, запуск и интерпретация — на стороне аналитика.

---

*Нужна помощь с финансовым моделированием и sensitivity analysis для стартапа? Я помогаю стартапам внедрять AI-решения и строить продукты — [belov.works](https://belov.works).*