ChatGPT для анализа себестоимости и маржинальности: убыточные продукты за 15 минут

Собственник смотрит на отчёт о прибылях и убытках, видит плюс в конце строки и уверен, что бизнес растёт. А внутри этого плюса три продукта из десяти тянут компанию вниз, просто их убыток прячется за прибылью остальных семи. В 2026 году эту картину можно вскрыть за 15 минут вместо трёх часов в Excel — если правильно поставить задачу нейросети. В этой статье показываю, как через chatgpt.com посчитать полную себестоимость, маржинальность по каждому продукту и точку безубыточности компании, даю 10 готовых промптов и три кейса с реальной механикой расчёта. Я Натали Васильева, эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO», работаю с AI в финансовых задачах с февраля 2023 года.

Почему убыточные продукты не видно в обычном отчёте о прибылях

Прямой ответ: убыток одного продукта маскируется прибылью других, потому что стандартный P&L показывает компанию целиком, а не разбивку по SKU с честным распределением постоянных расходов.

Собственник видит месячный отчёт, видит прибыль, расслабляется — и продолжает вкладываться в развитие всей линейки поровну, включая позиции, которые давно тянут компанию на дно. Проблема не в том, что данные скрыты, а в том, что их никто не разложил на уровень отдельного продукта.

По моим наблюдениям на разборах с ученицами курса, минимум один продукт с отрицательной или околонулевой маржинальностью после честного распределения постоянных расходов находится чаще, чем в половине случаев — иногда это два-три продукта сразу. Причём собственник почти никогда не подозревает об этом заранее: интуиция подсказывает совсем других «виновников», чем показывает честный расчёт.

Классическая ошибка выглядит так: компания продаёт десять товарных позиций, считает прямые затраты по каждой (сырьё, закупочная цена, сдельная оплата труда), а постоянные расходы — аренду склада, зарплату бухгалтерии, амортизацию оборудования — просто вычитает одной строкой из общей выручки. Получается верная цифра прибыли компании и абсолютно бесполезная картина по отдельным продуктам.

На деле каждый продукт потребляет постоянные расходы неравномерно. Один SKU занимает половину склада и требует ручной сборки, второй лежит компактно и продаётся коробками без обработки. Если разнести аренду и зарплату сборщиков поровну между всеми позициями, первый продукт покажется прибыльнее, чем есть, а второй — беднее.

Именно эту ошибку я регулярно вижу на разборах с ученицами курса. Собственник уверен, что зарабатывает на всей линейке, а после честного распределения по драйверам затрат (время сборки, объём склада, доля в логистике) выясняется, что 2-3 позиции из линейки годами продаются в минус, просто субсидируются прибылью хитов продаж.

Вторая причина, почему проблему не видно годами: отчёты обычно строятся раз в квартал или раз в год, и в динамике падение маржинальности одного продукта размывается ростом выручки по остальным. Финдир смотрит на итоговую строку, видит рост год к году, и не докапывается до причины, почему рост не превращается в пропорциональный рост прибыли.

Третья причина чисто техническая: разложить 20-30 продуктов по трём-четырём драйверам затрат в Excel вручную — это десятки формул ВПР и СУММЕСЛИ, каждая из которых может содержать опечатку в диапазоне. Одна ошибка в формуле на середине таблицы — и весь расчёт по всем продуктам ниже искажён, а заметить это визуально почти невозможно.

ChatGPT решает эту задачу быстро именно потому, что умеет разложить условие на формулу и применить её к каждой строке таблицы без ручного копирования формул между ячейками. Модель не устаёт на 30-й строке и не путает диапазон ссылок, а если попросить показать код расчёта, ошибку можно найти за секунды, просто прочитав логику.

Что такое себестоимость, маржинальность и точка безубыточности простыми словами

Себестоимость — это полная сумма затрат на производство или закупку единицы продукта, включая прямые и часть косвенных расходов. Маржинальность — доля прибыли в выручке, выраженная в процентах. Точка безубыточности — объём продаж, при котором прибыль компании равна нулю.

На разборах с ученицами курса я вижу путаницу между этими тремя терминами почти в каждом втором расчёте, который приносят на первую консультацию. Разберём каждый термин отдельно, потому что путаница между ними стоит бизнесу реальных денег при установке цены.

Себестоимость делится на два слоя. Прямая себестоимость — то, что физически идёт в продукт: сырьё, комплектующие, сдельная оплата труда, упаковка. Полная себестоимость добавляет к этому долю постоянных расходов компании: аренду, оклады офиса, амортизацию, коммуналку. Разница между ними принципиальна: продукт может быть прибыльным по прямой себестоимости и убыточным по полной, если не тянет свою долю постоянных расходов.

Маржинальность считается от выручки, а не от себестоимости — это первая точка, где чаще всего ошибаются. Формула простая: прибыль делим на выручку и умножаем на 100%. Продали товар за 150 рублей, потратили 100 рублей на его создание, прибыль 50 рублей, маржинальность 33,3%, а не 50%, как многие интуитивно думают.

Точка безубыточности — это порог, ниже которого компания работает в убыток, а выше — в прибыль. Формула: постоянные расходы делим на маржинальность в долях. Если постоянные расходы 500 000 рублей в месяц, а средняя маржинальность 25%, точка безубыточности — два миллиона рублей выручки в месяц.

Три показателя связаны напрямую: без точной себестоимости не посчитать маржинальность, без маржинальности не найти точку безубыточности. ChatGPT удобен именно тем, что строит всю цепочку расчётов последовательно в одном диалоге, а не заставляет пересчитывать каждый раз с нуля.

С себестоимостью часто путают переменные затраты. Это не синонимы. Переменные затраты меняются пропорционально объёму производства (чем больше единиц, тем больше сырья), а часть себестоимости — постоянная и не зависит от объёма в моменте (амортизация станка одинакова, произвели вы 100 единиц или 150). Разделение затрат на переменные и постоянные — это основа управленческого учёта, известная как CVP-анализ (cost-volume-profit), и именно на ней строится расчёт точки безубыточности.

Маржинальность бывает валовой (gross margin) и операционной (operating margin). Валовая маржинальность учитывает только прямые затраты на производство или закупку. Операционная маржинальность вычитает ещё и все операционные расходы — маркетинг, администрирование, логистику. Когда вы просите ChatGPT посчитать «маржинальность продукта», уточняйте, какую именно вы имеете в виду — иначе получите валовую, которая обычно выглядит красивее операционной и может создать ложное ощущение благополучия.

Как подготовить данные для загрузки в ChatGPT правильно

Нужна одна таблица с тремя блоками: выручка по продуктам, прямые затраты по продуктам, постоянные расходы компании целиком. Без полного набора вводных расчёт будет технически верным, но практически бесполезным.

Самая частая причина, почему первый расчёт в ChatGPT получается кривым — неполные вводные, а не ошибка модели. Финансист выгружает только выручку и прямые затраты, забывая про постоянные расходы, и удивляется, почему все продукты в отчёте выглядят прибыльными.

Минимальный набор данных для честного расчёта:

• Выручка по каждому продукту или группе за выбранный период (месяц, квартал)
• Прямые затраты по каждому продукту: сырьё, закупочная цена, сдельная зарплата, упаковка, комиссия маркетплейса
• Объём продаж в штуках по каждому продукту — нужен для расчёта точки безубыточности в единицах
• Постоянные расходы компании целиком: аренда, оклады, коммуналка, амортизация, страховки, связь, бухгалтерское обслуживание
• Драйвер распределения, если он у вас есть: время производства, объём склада, доля в логистике — иначе ChatGPT предложит распределить поровну или пропорционально выручке

Если данных не хватает, честно скажите об этом в промпте: «постоянные расходы дам одной суммой, распредели пропорционально выручке за неимением лучшего драйвера». ChatGPT посчитает по вашей логике и явно её обозначит в ответе, а не будет молча предполагать за вас.

Ещё одна группа данных, которую забывают чаще всего, — переменные затраты, которые не являются прямой себестоимостью, но напрямую зависят от объёма продаж. Это эквайринг (обычно 1,5-3% от суммы платежа), комиссия маркетплейса (от 5 до 25% в зависимости от категории и площадки), процент возвратов и брака, расходы на упаковку при доставке. Если их не включить, маржинальность каждого продукта окажется завышена на несколько процентных пунктов, и решение о цене будет принято на основе слишком оптимистичной картины.

Качество исходной выгрузки тоже влияет на результат. Если в 1С или CRM часть затрат разнесена некорректно — например, зарплата сборщика записана как общий административный расход, а не как прямая затрата на конкретный продукт — ChatGPT унаследует эту ошибку и честно посчитает по ней. Модель не проверяет корректность вашей учётной системы, она работает с тем, что вы ей дали. Поэтому первый раз, когда считаете себестоимость через нейросеть, полезно бегло свериться с главным бухгалтером: не размазаны ли прямые затраты по общей статье расходов.

Период, за который берутся данные, тоже влияет на картину. Месяц с высоким сезонным спросом даст одну картину маржинальности, низкий сезон — другую, особенно если постоянные расходы (аренда, оклады) остаются неизменными, а выручка колеблется. Для честной оценки лучше брать либо усреднённый показатель за 3-6 месяцев, либо явно указывать в промпте, что месяц нетипичный, и просить модель не делать долгосрочных выводов на основе одного периода.

Готовые промпты для анализа себестоимости и маржинальности в ChatGPT

Ниже 10 промптов, которые закрывают весь цикл: от первого расчёта себестоимости до поиска убыточных продуктов и построения точки безубыточности. Каждый промпт можно скопировать и адаптировать под свою отрасль.

Промпт 1. Базовый расчёт себестоимости и маржинальности по продуктам

Ты финансовый аналитик с опытом в юнит-экономике розничных
и производственных компаний. Проанализируй прикреплённую
таблицу с выручкой и прямыми затратами по продуктам.

Задача: для каждого продукта посчитай прямую себестоимость,
маржинальность в процентах (прибыль / выручка × 100) и вклад
в общую прибыль компании в рублях.

Считай в коде на Python, покажи формулы расчёта.
Не додумывай данные, которых нет в таблице — если чего-то
не хватает, укажи явно, что нужно уточнить.

Формат ответа: таблица из колонок — продукт, выручка,
прямые затраты, прибыль, маржинальность %, ранг по
маржинальности от самого высокого к самому низкому.

Промпт 2. Распределение постоянных расходов по продуктам

Ты финансовый аналитик. У меня есть постоянные расходы
компании за месяц: [вставь сумму и структуру — аренда,
ФОТ офиса, коммуналка, амортизация].

Задача: распредели эти расходы между продуктами из
приложенной таблицы по драйверу [время производства /
объём склада / доля в выручке — выбери подходящий].

Покажи формулу распределения по каждой статье расходов
отдельно, а не общей суммой. После распределения
пересчитай полную себестоимость и маржинальность
по каждому продукту с учётом постоянных расходов.

Считай в коде на Python.

Промпт 3. Поиск убыточных продуктов

Ты финансовый аналитик, который специализируется на
поиске скрытых убытков в продуктовой линейке.

На основе таблицы полной себестоимости (прямые + постоянные
расходы) найди все продукты с отрицательной или
маржинальностью ниже [укажи порог, например 10%].

Для каждого убыточного продукта объясни: убыток идёт
от прямых затрат (продукт дорогой в производстве) или
от распределения постоянных расходов (продукт занимает
слишком много ресурсов компании относительно выручки).

Дай рекомендацию по каждому: поднять цену, снизить
затраты, изменить объём продаж или снять с продажи.

Промпт 4. Расчёт точки безубыточности компании

Ты финансовый аналитик. Посчитай точку безубыточности
компании на основе данных:

- Постоянные расходы за месяц: [сумма]
- Средняя маржинальность по всей линейке: [процент]
- Средняя цена единицы товара: [сумма], если считать
  в штуках, а не только в рублях выручки

Формула: точка безубыточности (руб) = постоянные расходы /
маржинальность в долях. Точка безубыточности (шт) =
результат в рублях / средняя цена единицы.

Считай в коде на Python, покажи промежуточные шаги.
Дополнительно посчитай, на сколько процентов должна
вырасти выручка от текущего уровня, чтобы дойти до точки
безубыточности, если сейчас компания работает в минус.

Промпт 5. Точка безубыточности по отдельному продукту

Ты финансовый аналитик. Мне нужна точка безубыточности
не по всей компании, а по конкретному продукту [название
или условное обозначение].

Данные: маржинальность продукта [процент], доля постоянных
расходов компании, отнесённая на этот продукт [сумма или
процент от общих постоянных расходов], средняя цена
единицы [сумма].

Посчитай, сколько единиц этого продукта нужно продать
в месяц, чтобы он окупал закреплённую за ним долю
постоянных расходов. Сравни с текущим фактическим
объёмом продаж и покажи разницу.

Промпт 6. Сравнение наценки и маржинальности

Ты финансовый консультант, который объясняет разницу между
наценкой и маржинальностью простым языком для собственника
без экономического образования.

У меня есть список товаров с закупочной ценой и ценой
продажи [вставь таблицу]. Посчитай для каждого товара:
наценку в процентах (от себестоимости) и маржинальность
в процентах (от выручки).

Покажи оба числа рядом в таблице и коротко объясни,
почему они разные, на примере одного товара с самой
большой разницей между показателями.

Промпт 7. Сценарный анализ изменения цены

Ты финансовый аналитик. Проведи сценарный анализ: как
изменится маржинальность и прибыль компании, если поднять
цену на продукт [название] на 5%, 10% и 15%.

Учти, что при росте цены объём продаж может снизиться —
рассмотри три сценария: продажи не меняются, падают на 10%,
падают на 20%. Данные по текущей себестоимости, цене
и объёму продаж — в приложенной таблице.

Построй сравнительную таблицу: сценарий, новая цена,
ожидаемый объём, выручка, прибыль, маржинальность.
Отметь, какой сценарий математически безопаснее.

Промпт 8. Анализ структуры затрат по группе продуктов

Ты финансовый аналитик. Проанализируй структуру затрат
по группе продуктов [укажи категорию] за последние
[период]. Разбей затраты на категории: сырьё/закупка,
оплата труда, логистика, упаковка, прочее.

Покажи, какая категория затрат растёт быстрее выручки
за выбранный период — это сигнал, что себестоимость
«ползёт» и маржинальность будет падать, даже если цена
не меняется.

Формат: таблица по категориям затрат в динамике
по месяцам + короткий вывод, на что обратить внимание
в первую очередь.

Промпт 9. Проверка методики распределения расходов

Ты финансовый аудитор, который проверяет корректность
методики распределения затрат в чужом расчёте.

Вот как я распределил постоянные расходы между продуктами:
[опиши свою логику или вставь таблицу].

Проверь: есть ли в этой методике системная ошибка —
например, распределение поровну там, где продукты
потребляют ресурсы компании неравномерно. Предложи
альтернативный драйвер распределения, если текущий
искажает картину, и покажи разницу в марже по продуктам
при смене драйвера.

Промпт 10. Итоговая сводка для собственника

Ты финансовый директор, который готовит короткую сводку
для собственника бизнеса без финансового образования.

На основе всех расчётов себестоимости, маржинальности
и точки безубыточности из этого диалога подготовь сводку
на одну страницу: топ-3 самых прибыльных продукта,
топ-3 самых убыточных, точка безубыточности компании
и одна главная рекомендация на ближайший месяц.

Пиши простым языком без финансового жаргона, как будто
объясняешь другу, который никогда не изучал экономику.
Используй конкретные цифры из расчётов, а не общие фразы.

Кейс 1: как производственная компания нашла убыточный SKU за 20 минут

Ученица курса, финансовый директор небольшого производства мебельной фурнитуры, вела учёт по 18 позициям каталога. Отчёт о прибылях компании показывал прибыль ежемесячно, но собственник интуитивно чувствовал, что часть линейки «не окупается» — просто не мог доказать это цифрами.

Она выгрузила из 1С таблицу с выручкой и прямыми затратами по каждой позиции, добавила постоянные расходы компании одной суммой — 420 000 рублей в месяц — и загрузила в ChatGPT с промптом на распределение расходов пропорционально времени производства каждой позиции (у мебельной фурнитуры разное время обработки на станке).

Результат: три позиции из 18 показали маржинальность ниже 5% после честного распределения постоянных расходов, хотя по прямым затратам выглядели вполне рабочими. Одна позиция вообще ушла в минус на 8% — она требовала долгой ручной доводки на станке, занимала непропорционально много производственного времени относительно своей цены.

Расчёт занял 22 минуты вместе с выгрузкой данных и проверкой формул. В Excel аналогичный анализ с ручным распределением по драйверу времени она делала бы, по её собственной оценке, 4-5 часов — с большой вероятностью ошибиться в формуле распределения на середине таблицы. Убыточную позицию собственник поднял в цене на 18%, две другие пересмотрел по составу материалов.

Собственник цифрам сразу не поверил и попросил пересчитать вручную в Excel — бухгалтер потратила на это ещё около трёх часов, но расхождение с расчётом ChatGPT оказалось меньше одного процента. После этого разбор себестоимости по всей линейке стал ежемесячной рутиной: в начале каждого месяца финдир выгружает свежие данные и повторяет тот же промпт, чтобы отслеживать, не уходит ли в минус ещё какая-то позиция из-за роста цен на материалы.

Убыточную позицию с продажи всё-таки не сняли. Собственник решил оставить её в каталоге как имиджевую — она привлекала клиентов, которые потом покупали более маржинальные товары, — но теперь он точно знал, во сколько рублей в месяц ему обходится это решение.

Кейс 2: розничная сеть нашла точку безубыточности после смены аренды

Другая ученица, финансист розничной сети из четырёх магазинов формата у дома, столкнулась с задачей после переезда одной точки на новую аренду с более высокой ставкой. Нужно было быстро понять, при каком дневном обороте магазин выходит в ноль на новом месте.

Она собрала в ChatGPT данные: новая аренда 180 000 рублей в месяц, зарплата персонала магазина 210 000 рублей, прочие постоянные расходы (коммуналка, охрана, связь) 45 000 рублей — итого 435 000 рублей постоянных расходов. Средняя маржинальность по чеку в этом формате розницы — 22%.

Промпт на расчёт точки безубыточности выдал результат: 1 977 000 рублей выручки в месяц, чтобы магазин просто окупал новую аренду и расходы. При среднем чеке 850 рублей это примерно 78 покупателей в день. Прежний оборот точки на старом адресе — около 65 покупателей в день, то есть магазин не дотягивал до новой точки безубыточности на 20%.

Эта цифра дала финансисту аргумент для разговора с собственником о переезде обратно на менее дорогую локацию, вместо того чтобы полгода наблюдать за падающей прибылью и гадать, в чём причина. Расчёт с формулировкой промпта и проверкой цифр занял 15 минут.

Изначально финансист собиралась просто зафиксировать факт «магазин не окупается» и передать это собственнику как есть. Но после расчёта точки безубыточности она попросила ChatGPT дополнительно посчитать, при каком снижении аренды или при каком росте среднего чека магазин выходит в ноль на текущем трафике без переезда. Получилось два сценария: снизить аренду на 15% или поднять средний чек на 12% через допродажи на кассе.

Первая попытка переговоров с арендодателем провалилась — он отказался снижать ставку и предложил только отсрочку платежа на месяц, что не решало проблему по существу. Собственник тогда сделал ставку на второй рычаг: ввёл на кассе акцию «третий товар по акции». Через полтора месяца средний чек вырос, но не на расчётные 12%, а на 7%, и магазин всё ещё не дотягивал до точки безубыточности. Только когда через месяц аренду всё же пересмотрели — арендодатель вернулся к переговорам сам, узнав, что соседнее помещение опустело, — комбинация выросшего чека и сниженной на 10% аренды вывела точку безубыточности вниз настолько, что магазин закрыл третий месяц в плюс.

Кейс 3: онлайн-школа разобралась с маржинальностью тарифов

Третий пример — из смежной ниши, онлайн-образование. Продюсер небольшого образовательного проекта запуталась в марже трёх тарифов курса: базовый, стандарт, премиум с личными созвонами. Интуитивно казалось, что премиум-тариф самый прибыльный, потому что стоит дороже всех.

После загрузки в ChatGPT данных по цене каждого тарифа, переменным затратам (эквайринг, комиссия платформы) и трудозатратам экспертов на проверку домашних заданий и созвоны выяснилось обратное: премиум-тариф давал маржинальность 31%, а базовый — 58%. Личные созвоны с экспертом «съедали» большую часть наценки премиума через время специалиста, которое не было явно оценено в деньгах раньше.

Продюсер пересчитала стоимость часа работы эксперта и подняла цену премиум-тарифа на 25%, сохранив базовый без изменений. Часть постоянных клиентов на созвонах восприняла повышение плохо: два человека из группы, набранной на премиум в предыдущем потоке, написали, что рассчитывали на прежнюю цену, и продюсеру пришлось зафиксировать для них старую стоимость до конца обучения — иначе рисковала потерять лояльность на ровном месте.

Через два месяца, уже на новом потоке, она свела фактические продажи по всем тарифам в ту же таблицу и попросила ChatGPT пересчитать общую маржинальность по новым ценам: цифра выросла с 44% до 51% без изменения количества продаж — просто за счёт правильной цены самого трудозатратного тарифа.

Как считать себестоимость для услуг и цифровых продуктов, а не только для товаров

Для услуг главная переменная себестоимости — это время специалистов, переведённое в рубли через часовую ставку, а не материалы или сырьё. В производстве и рознице себестоимость почти всегда «видна» в закупочных документах, а в услугах она растворяется в календаре эксперта и легко ускользает от учёта, если специально не переводить часы в рубли через ставку.

Финансисты, которые привыкли считать себестоимость для торговли или производства, часто теряются, когда нужно применить ту же логику к услугам, консалтингу или цифровым продуктам. Кажется, что раз нет физического товара, то и считать особо нечего — цена минус переменные расходы вроде эквайринга, и всё. Это неверно и приводит к тем же ошибкам, что и в кейсе с онлайн-школой выше.

Для услуги себестоимость складывается из нескольких компонентов, которые легко упустить:

• Время специалиста, переведённое в рубли через ставку (оклад специалиста, делённый на рабочие часы в месяц)
• Инструменты и подписки, которые нужны для оказания услуги (лицензии на софт, доступы к базам данных, оплата сторонних сервисов)
• Административная поддержка, обслуживающая процесс (менеджер, который ведёт клиента, бухгалтерия, поддержка)
• Комиссии платформ и посредников, если услуга продаётся не напрямую (маркетплейсы фриланса, агрегаторы, партнёрские программы)

Промпт для ChatGPT в этом случае строится немного иначе, чем для товарной себестоимости: вместо «сырья» вы даёте модели часовую ставку каждого вовлечённого специалиста и количество часов, которое реально уходит на оказание услуги одному клиенту. Это требует более точного тайм-трекинга на входе — если специалисты не фиксируют время по задачам, первый расчёт будет приблизительным, и об этом стоит явно предупредить в промпте.

Сложность цифровых продуктов и подписочных моделей — распределение затрат на разработку и поддержку продукта между тарифами. Если у вас есть SaaS-сервис с тремя тарифами, затраты на серверную инфраструктуру и разработку логично распределять не поровну, а пропорционально фактическому использованию ресурсов каждым тарифом — это тот же принцип драйвера распределения, что мы разбирали для товарной себестоимости, просто с другим набором драйверов: объём хранимых данных, количество запросов к API, число активных пользователей.

Как встроить регулярный анализ себестоимости в ежемесячный цикл отчётности

Разовый расчёт даёт снимок на конкретный момент, но реальную пользу анализ себестоимости приносит только при регулярном повторении — иначе продукт снова незаметно уходит в минус через несколько месяцев из-за роста цен на сырьё или изменения структуры продаж.

Практика, которую я рекомендую ученицам курса: закрепить один и тот же промпт-каркас и повторять расчёт в первую неделю каждого месяца, сразу после закрытия предыдущего периода в учётной системе. Это занимает не больше 20 минут, если данные уже структурированы правильно, и позволяет ловить проблему в зародыше, а не через квартал, когда убыток по позиции успел накопиться в заметную сумму.

Для этого удобно завести отдельный документ или чат в ChatGPT, в котором сохранена история расчётов по месяцам — тогда можно попросить модель сравнить текущий месяц с предыдущим и явно показать, у каких продуктов маржинальность выросла, а у каких упала, и почему. Такой сравнительный запрос выглядит примерно так: «сравни себестоимость и маржинальность за июнь и июль, покажи продукты с изменением маржинальности больше 3 процентных пунктов и объясни, за счёт какой статьи затрат произошло изменение».

Постепенно этот процесс можно довести до состояния, когда финдир тратит на ежемесячный контроль себестоимости не 20 минут вдумчивой работы, а буквально 5 минут на проверку готового отчёта — если один раз выстроить связку выгрузки, промпта и формата, в котором привычно видеть результат.

Как правильно распределить постоянные расходы: три метода

Прямой ответ: универсального метода нет, выбор зависит от того, что реально потребляет ваш продукт больше всего — время, площадь или деньги. Ошибка в выборе метода искажает маржинальность сильнее, чем ошибка в исходных цифрах.

Метод 1. Пропорционально выручке. Самый простой и самый неточный способ. Продукт с большей выручкой получает большую долю постоянных расходов, независимо от того, сколько ресурсов компании реально потребляет. Подходит, если у всех продуктов примерно одинаковый цикл производства и требования к ресурсам.

Метод 2. По драйверу времени или трудозатрат. Постоянные расходы распределяются пропорционально времени, которое продукт занимает в производстве, обслуживании или продаже. Подходит для производства, услуг, где ключевой ограниченный ресурс — часы сотрудников или станка.

Метод 3. По драйверу площади или объёма. Для складской и розничной логики: продукт, занимающий больше места на складе или в магазине, получает большую долю аренды. Подходит для ритейла и дистрибуции, где аренда — крупнейшая статья постоянных расходов.

ChatGPT сам предложит метод, если не указать его явно, но лучше выбрать драйвер осознанно и написать в промпте — тогда результат будет соответствовать реальной экономике бизнеса, а не усреднённой логике модели.

Возможен и гибридный подход, когда разные статьи постоянных расходов распределяются разными драйверами внутри одного расчёта. Аренда склада логично идёт по объёму, который продукт занимает физически, а зарплата отдела продаж — по времени, которое менеджеры тратят на консультации по каждой категории. ChatGPT спокойно работает с такой комбинированной логикой, если явно расписать в промпте, какая статья затрат каким драйвером распределяется — просто это требует чуть больше точности на входе, зато даёт более честную картину, чем один универсальный драйвер на все расходы сразу.

Выбранный метод распределения не константа на годы вперёд. Если структура бизнеса меняется — вырос ассортимент, изменилась логистика, часть производства перешла на аутсорс — драйвер, который был точным год назад, может исказить картину сегодня. Раз в полгода-год полезно пересматривать саму методику распределения, а не только пересчитывать цифры по старой формуле.

Как найти точку безубыточности не только для компании, но и для каждого продукта

Точка безубыточности компании целиком — полезная цифра для собственника, но она не показывает, какие продукты близки к своей персональной точке окупаемости, а какие давно её прошли и работают чистой прибылью.

Для расчёта точки безубыточности по отдельному продукту нужно закрепить за ним долю постоянных расходов компании — тем же методом распределения, что использовался для расчёта себестоимости. Дальше формула та же: закреплённые постоянные расходы делим на маржинальность конкретного продукта в долях.

Это даёт объём продаж в штуках или рублях, который продукт обязан обеспечить, чтобы окупить свою долю в общих расходах компании. Если фактический объём продаж ниже расчётной точки безубыточности — продукт формально в убытке для компании, даже если по прямой себестоимости выглядит прибыльным.

Такой расчёт особенно полезен при принятии решения о запуске новых SKU: до старта продаж можно спрогнозировать, сколько единиц нужно продавать в месяц, чтобы новинка не тянула компанию вниз, и сравнить с реалистичным прогнозом спроса.

Частые ошибки при анализе себестоимости через нейросеть

Ошибка первая — забыть про постоянные расходы вообще и оперировать только прямыми затратами. Результат технически верный, но показывает валовую маржу, а не реальную прибыльность продукта после всех расходов компании.

Ошибка вторая — просить модель считать «в уме» без явного требования использовать код. На больших таблицах с десятками SKU и множеством статей затрат вероятность арифметической неточности растёт, особенно при сложных распределениях по нескольким драйверам одновременно.

Ошибка третья — не указывать метод распределения постоянных расходов и получать результат по умолчанию (обычно пропорционально выручке), который может не соответствовать реальной экономике компании.

Ошибка четвёртая — принимать решение об изменении цены или снятии продукта с продажи сразу после первого расчёта, без перепроверки методики и без учёта нефинансовых факторов: стратегической ценности продукта, влияния на привлечение клиентов через воронку, сезонности спроса.

Ошибка пятая — загружать в публичный сервис файлы с реальными названиями контрагентов, точными суммами контрактов и другими чувствительными данными без предварительного обезличивания.

Ошибка шестая, менее очевидная — сравнивать маржинальность продуктов из разных категорий без поправки на разную бизнес-модель. У розничного товара с быстрым оборотом и услуги с длинным циклом продажи разная логика прибыльности: товар может показывать скромную маржинальность в процентах, но зарабатывать много абсолютных рублей за счёт объёма, а штучная услуга — наоборот, высокую маржинальность на низком объёме. Сравнивать их напрямую по одному проценту без учёта оборачиваемости — методологическая ошибка, которая приводит к неверным управленческим решениям о том, что развивать в первую очередь.

Как обезличить данные о себестоимости перед загрузкой в ChatGPT

Перед отправкой файла в публичную нейросеть замените реальные названия продуктов, поставщиков и клиентов на условные обозначения: «Продукт А», «Поставщик 1». Структура затрат и относительные величины (проценты, доли) остаются без изменений — именно они нужны для расчёта.

Если в таблице есть точные суммы крупных индивидуальных контрактов, которые могут раскрыть личность контрагента при утечке, замените их на округлённые значения или диапазоны. Для внутреннего анализа маржинальности это не критично: важны пропорции, а не абсолютная точность до рубля.

Документы под режимом коммерческой тайны, банковской тайны или NDA в публичную версию ChatGPT загружать не стоит вообще. Для таких случаев существуют корпоративные тарифы ChatGPT Team и аналогичные решения у других вендоров, где поставщик договорно гарантирует неиспользование данных для обучения моделей — но и это стоит проверять по актуальному пользовательскому соглашению перед загрузкой чувствительной информации.

Когда стоит перепроверить расчёт ChatGPT второй моделью

На базовом расчёте себестоимости и маржинальности разница между нейросетями не критична. Она проявляется на сложных матрицах: 30+ SKU, несколько драйверов распределения расходов одновременно, длинные цепочки взаимосвязанных вычислений, где ошибка в одном шаге тянет за собой все следующие.

Для ежемесячного пересчёта по большой продуктовой линейке я прогоняю тот же промпт через Claude Sonnet 4.6 и сверяю итоговую маржинальность по каждому продукту. Расхождение больше нескольких процентных пунктов почти всегда означает, что модели по-разному распределили постоянные расходы между позициями, и тогда приходится разбираться вручную, какая логика точнее отражает вашу экономику.

Для разовой задачи такая перепроверка не нужна — тратить на неё 15 лишних минут ради одного расчёта не имеет смысла. Она оправдана, когда от результата зависит решение с реальными деньгами: изменение цены, снятие продукта с продажи, пересмотр методики распределения расходов на годы вперёд.

Чек-лист: анализ себестоимости и маржинальности за 15 минут

1. Соберите три блока данных. Выручка по продуктам, прямые затраты по продуктам, постоянные расходы компании целиком.
2. Определите драйвер распределения. Время производства, объём склада или доля в выручке — выберите то, что реально отражает потребление ресурсов вашими продуктами.
3. Обезличьте чувствительные данные. Уберите реальные названия контрагентов и точные суммы крупных контрактов перед загрузкой.
4. Загрузите файл с чёткой ролью и задачей. Роль финансового аналитика, конкретная задача, требование считать в коде на Python.
5. Получите ранжирование продуктов по маржинальности. От самого прибыльного до убыточного, с суммой вклада каждого в общую прибыль.
6. Проверьте методику распределения расходов. Спросите модель, как именно она разнесла постоянные затраты, и сверьте с реальной логикой бизнеса.
7. Рассчитайте точку безубыточности. Отдельно для компании целиком и, если нужно, для ключевых продуктов.
8. Перепроверьте два-три расчёта вручную. Прежде чем менять цену или снимать продукт с продажи, убедитесь, что цифры верны.

Заключение: от разового расчёта к системе

Разовый расчёт себестоимости через ChatGPT решает конкретную задачу за 15 минут. Но реальная финансовая система компании требует регулярного пересчёта — раз в месяц, а не раз в год, когда собственник вдруг замечает падение прибыли и не понимает причину.

Такая система строится не на одном промпте, а на связке инструментов: регулярной выгрузке из учётной системы, стандартизированном промпт-каркасе под вашу отрасль, проверке результата через вторую модель на сложных случаях и правилах обезличивания данных, которые не приходится придумывать заново каждый месяц.

ChatGPT и другие нейросети не заменяют финансового директора и не принимают решения вместо него. Модель считает быстро и без усталости, но не знает стратегии компании, не чувствует отношений с ключевыми клиентами и не видит долгосрочных договорённостей, которые не попали в цифры. Она даёт материал для решения — а решение всё равно принимает человек, который понимает контекст бизнеса шире, чем таблица затрат.

На курсе «AI-навыки финансиста» онлайн-школы «Финансовый директор | Мастер CFO» я показываю, как собрать эту систему целиком: от промптов под юнит-экономику и себестоимость до автоматизации регулярной отчётности через связку нейросетей с Excel и 1С.

Записаться на курс «AI-навыки финансиста»

Если хотите для начала попробовать бесплатный формат — заберите запись эфира «Навигация по нейросетям для начинающих» и потренируйтесь на своих данных перед тем, как встраивать это в ежемесячный процесс.

Забрать запись эфира бесплатно

Об авторе

Натали Васильева. Эксперт по нейросетям и продюсер онлайн-школы «Финансовый директор | Мастер CFO». С нейросетями в работе финансиста с февраля 2023 года. Через курс «AI-навыки финансиста» прошли 800+ финансистов, главбухов и финдиров. Веду Telegram-канал @findir_pro, канал «АИ с Софьей и Натали» и MAX-канал школы. Личный набор инструментов: ChatGPT Plus, Claude Pro, Gemini Advanced.