Categoria: Startups

O E-commerce é uma loja de apenas um vendedor — que pode ser feito via Atacado ou DNVB (Marcas Nascidas Digitalmente).

Ex metafórico: Uma loja de rua

Já o Marketplace é um site que vende produtos ou serviços de vários vendedores.

Ex metafórico: Um shopping com série de lojas diferentes

Até a próxima!

Novamente, citando a ótima newsletter sobre Startups e Venture Capital do Lucas Abreu. Vou trazer aqui pontos específicos, mas vale muito assinar a News e ler o artigo completo.

O post se refere a Blitzscalling, Startups que tem amplo crescimento em uma velocidade incrível.

Leia mais: “Blitzscalling” por Reid Hoffmann e Chris Yeh

Os 4 fatores de crescimento de Startups

#1 Tamanho de Mercado

-Quando o Tamanho de Mercado é pequeno ou de nicho, dificilmente justificará interesse de Fundos

-É preciso entender o TAM (Total Adressable Market) e como será o crescimento em 3-5 anos

#2 Efeitos de Rede ou Landsgrab

–Efeito de Rede: valor do produto aumenta a medida que mais Users são adicionados (ex: Craiglist)

–Landgrab: crescimento em mercado de oceano azul (ex: Slack)

#3 Distribuição

–Alavancando redes existentes: vendas através de canais com volume (ex: Airbnb começou a vender via Craiglist)

–Viralidade: usuários atraem mais usuários (ex: Robinhood, em que a principal fonte de aquisição é indicação)

#4 Margens Brutas

-Lucro bruto = Receita líquida – Custo do produto

-Margens brutas = Valuation maior = Atração de Fundos (mercado deseja margens brutas >60%)

-Ex. de Blitzscalling sem Margem bruta alt: WeWork (15-20%). Errou ao fazer Blitzscalling não tendo Margens brutas altas

Os 2 fatores limitantes de crescimento de Startups

#1 Falta de Product Market Fit

Leia mais: Product Market Fit: 4 sinais de que não está dando certo

-PMFit = Produto atender a necessidade dos usuários

-Ex: Groupon, tinha Mercado; Efeito de rede; Margens brutas altas; Distribuição viral; mas não tinha PMFit (experiência ruim pra vendedores-compradores) o que deteriorou o valuation

#2 Escalabilidade operacional

-Não adianta crescer sem saber lidar com crescimento

–Limitações humanas: quando o modelo exige contratação de um “exército” de pessoas

–Limitações de infraestrutura: quando não existe infra pra lidar com demanda do uso de clientes

-Ex: Twitter, de 2009 a 2012 “caía” muitas vezes. Reestruturou a rede para virar o jogo.

–

Exemplos finais de empresas que aplicaram Blitzscalling, ou seja, mercados grandes, com características winners take most, altas margens brutas, distribuição viral, com product market fit e sem limitação de escalabilidade operacional:

Slack, Uber, IFood, Rappi, Airbnb, Amazon, Linkedin, Faceboook.

Para mais artigos como esse, novamente: newsletter sobre Startups e Venture Capital do Lucas Abreu.

Espero que tenha sido útil pra você como foi pra mim! Até.

Post original, de DataBaseTown.com, em tradução livre:

DATA

Dados são uma coleção de informação factual

tipos: Dados estruturados e não estruturados

BIG DATA

Big Data são sets de dados enormes, com os chamados “V”: volume; variedade; velocidade; visão; valor, etc.

MACHINE LEARNING

O aprendizado de máquina é um campo de investigação dedicado a entender e construir métodos que ‘aprendem’, ou seja, métodos que aproveitam dados para melhorar o desempenho em algum conjunto de tarefas.

Se divide em: supervised learning; unsupervised learning e reinforcement learning.

STATISTICS AND PROBABILITY

A fundação numérica de Data Science tem muito a ver com Estatística e Probabilidade, aplicadas, trazendo uma visão via insights e afins.

PROGRAMMING LANGUAGES

Geralmente, organização de dados e investigação são finalizadas por programação de computador (Python, R, etc.)

–

Até a próxima!

Recentemente estou estudando bastante Product Market Fit.

Muito lemos sobre “os sinais de que está dando certo“: vendas, recorrência, mais volume, crescimento da equipe e afins.

Mas quais são os sinais de quando as coisas não estão dando certo? Cito 4:

• Baixa adesão no “Sign up”, “Trial” ou registro inicial, por alguns motivos: a proposta de valor não resoou; a precificação está confusa; etc.

• Sem “Wow moments” identificáveis, onde o cliente sabe o que há de especial no produto; seja a percepção de um 1o Valor; ou algo mais completo como chegar ao 1o Sucesso na solução

• Quando chega a hora de pagarem, clientes fogem. Não perceberam afinal nem o 1o Valor

• O Status Quo não é quebrado, não muda tão facilmente, portanto isso faz o cliente procurar outra solução que vire o jogo pra ele

Quais pontos você acrescentaria aí? Até!

Product Market Fit, em linhas gerais, pode ser classificado como achar:

• Uma certa persona com uma certa necessidade que você está resolvendo

Para mostrar que essa persona usa seu produto, são métricas relevantes:

1-Número (#) de Users

2-Taxa de crescimento (%) de User MoM (mês a mês)

3-Depoimentos qualitativos dos Users

4-Dados demográficos recolhidos recolhidos (idade, sexo, geografia, etc.)

Já para provar que o produto está resolvendo a necessidade, são métricas relevantes:

1-Receita ($)

2-Taxa de Crescimento de Receita MoM (mês a mês)

3-Taxa de churn de clientes pagos

–

Enfim, Product Market Fit é algo contínuo. Normalmente começa com um fit “fraco” até um fit “forte” ao longo do tempo.

Podem surgir mais personas para a mesma necessidade, novas maneiras de gerar Receita e por aí vai. Mas as métricas citadas já dão um norte muito bom para quem está com esse desafio em mãos.

Até!