Коротко — математическое ожидание у сценария C выше $0,2\cdot 5=1,0млн$, затем A $0,4\cdot 2=0,8млн$ и B $0,6\cdot 0,5=0,3млн$. Но выбор только по EV редко оптимален: нужны менеджерские и стратегические оценки риска, опциональности и операционной реализуемости. Ниже — какие факторы учитывать и какие методы применять на практике $шагииинструменты$.

1) Менеджерские и стратегические факторы $которыеидут«сверху»EV$

Риск-профиль компании и стейкхолдеров: готовность к высокой волатильности прибыли $C$ против предпочтения стабильного, пусть меньшего дохода $B$.Ирреверсивность вложений и срок окупаемости: можно ли выйти/свернуть проект после неудачи? сколько времени и денег потребуется?Капитальные и операционные ограничения $cashrunway,команда,производственныемощности$.Стратегическое соответствие: совпадает ли сценарий с долгосрочными целями, платформой, брендом, IP и экосистемой?Обучение и информация $optionvalue$: какой сценарий даёт больше знаний/позиций для будущих запусков?Сетевая динамика и масштабируемость: есть ли эффекты масштаба, которые делают большой выигрыш в C особенно ценным?Конкуренция и скорости выхода на рынок: кто может занять нишу быстрее; как конкуренты отреагируют?Регуляторные, юридические, валютные и локальные бизнес-риски.Каннибализация и влияние на существующие продукты/партнёров.Возможность партнёрств или местных каналов $снижениерискачерезпартнёров$.Имиджевые/репутационные риски $неудачныйзапускнавидномрынкеможетсильноударитьпобренду$.Коррелированность сценариев с основным бизнесом $еслирисккоррелирован—общийпортфельрискованнее$.

2) Методы и инструменты принятия решений $чтоиспользоватьикогда$

Базовые: EV + дисперсия $стандартноеотклонение$, downside risk $VaR$, таблица сценариев $best/worst/base$.Анализ чувствительности и сценарный анализ: выделить ключевые параметры $вероятностиуспеха,цена,маржа,CAC,LTV$ и смотреть, при каких изменениях сценарий меняется местами.Дерево решений с опциями $decisiontree$: моделирует последовательные решения $пилот\to масштабирование\to отказ$ и позволяет учесть стоимости стадий.Реальные опционы $RealOptions$: оценка стоимости гибкости — отсрочка запуска, опция расширить/свернуть, инвестировать по этапам. Особенно полезно, если можно запускать поэтапно.Монте‑Карло: прогнать распределения по ключевым параметрам, получить распределение NPV/прибылей, вероятность банкротства и т.д.Value of Information $VOI$ / VOI‑анализ: оценить, стоит ли тратить ресурсы на дополнительную информацию $пилот,рынок‑исследование$ перед большим вложением.Эксперименты и тестирование $search/testing$:
MVP / pilot launch в одном регионе/сегменте.A/B‑тесты маркетинговых гипотез, pricing experiments.Канальная проверка $тестчерезпартнёра,Amazon,локальныйдистрибьютор$.Быстрая валидация unit‑economics $CAC,conversion,retention,LTV$.Байесовский апдейт: обновлять вероятности успеха по мере поступления данных от пилота.Мультикритериальный анализ $MCDA$: если важны и немонетарные критерии $стратегия,репутация,быстрыйвход$, использовать веса и шкалы.Стресс‑тесты и негативные сценарии: проверять выживаемость при ухудшении рынка/конкуренции.Игровой анализ/стратегическая игра: моделирование конкурентной реакции $особенноеслизапускстратегическизначим$.Управленческая карта рисков + план смягчения $mitigationplans$.

3) Практическая последовательность $рекомендуемаядорожнаякарта$

Уточнить цели: рост/выручка/маркет‑положение/учебная ценность, и ограничения $runway,maxCAPEX$.Построить модель по каждому сценарию: денежные потоки, CAPEX/OPEX, timing, точки безубыточности; вычислить EV, дисперсию, downside.Определить ключевые неопределённости и метрики $CAC,LTV,конверсия,churn,частотаповторныхпокупок,нормативы,времязапуска$.Провести анализ чувствительности и сценарный анализ, Monte‑Carlo для понимания распределения результатов.Оценить опциональную ценность $реальныеопционы$: можно ли разбить запуск на этапы? если да — построить дерево решений с опциями «масштабировать/остановить».Запустить быстрый, недорогой пилот в контрольной географии/сегменте и измерить KPI. Прописать заранее «go/no‑go» триггеры (например: CAC < X, конверсия > Y, LTV/CAC > 3, payback < Z мес).Использовать байесовский апдейт + VOI: если пилот даёт существенную информацию, перейти к масштабированию; если нет — либо инвестировать в дополнительные эксперименты, либо отказаться.При масштабировании применять staged investment $фазысKPI‑контролем$, страхование рисков через партнёрство/аутсорс/контракты.Параллельно — мультикритериальная оценка немонетарных последствий и согласование с топ‑стратегией компании.

4) Практические KPI и триггеры для пилота

CAC $costtoacquirecustomer$Conversion rate $фуннель$Retention / DAU/MAU / churnLTV $customerlifetimevalue$LTV/CAC и payback periodGross margin per unit / contribution marginChurn & cohort behaviorChannel scalability metrics $Saturationofpaidchannels,organicvirality$ Установите пороги для «зеленого»/«желтого»/«красного» статуса и заранее решите действие по результатам.

5) Как выбрать между A, B, C в менеджерском ключе $практическиеподсказки$

Если у вас короткий runway и высокая авersion к риску — B $высшаявероятностьуспеха$ или A $балансриск/вознаграждение$ предпочтительнее.Если у вас достаточный капитал, желание быстро захватить рынок и высокий риск‑апетит — C $высокийupside$ с staged investments и опцией «лишь при подтверждении сигналов масштабировать».Если основной приоритет — узнавать и тестировать рынок $учитьсяинакапливатьопциональность$ — начать с A или с пилота C в небольшой географии, чтобы оценить потенциал.Если запуск носит стратегический характер $например,нуженкрупныйуспехдлясозданияплатформы$ — целиться в C, но через реальное опционное моделирование и строгие go/no‑go триггеры.

6) Риски и меры смягчения

Финансовый риск: staged funding, covenants, insurance.Рыночный риск: пилоты, партнёрства, локализация.Операционный риск: outsource, контрактные поставщики.Репутационный: soft launch, ограниченная реклама.Регуляторный: консультации/локальные юристы, phased compliance.

7) Что я бы сделал на вашем месте $конкретнаярекомендация$

Построил простую финансовую модель по трём сценариям + sensitivity/Monte‑Carlo.Определил ключевые измеримые гипотезы и запустил минимально‑стоимостный пилот $MVP$ в контрольной стране/сегменте с чёткими KPI и заранее прописанными триггерами.Применил дерево решений с реальными опционами: инвестировать небольшой бюджет в пилот → по сигналам масштабировать $либовA,либовC$, либо сворачивать.Параллельно сделал VOI‑анализ, чтобы понять, стоит ли тратить больше на исследования перед масштабом.

Если хотите, могу:

Построить пример decision tree/реальной опционной модели под ваши данные $включаякапиталовложенияисроки$.Составить шаблон пилота с набором KPI и порогов go/no‑go.Сделать Monte‑Carlo по вашим предположениям и показать распределение результатов.

Скажите, что важнее — upside $макс.прибыль$, стабильность или быстрый захват рынка — и дам конкретный план действий с цифрами и KPI.