Як масштабувати сервісну IT-компанію, коли ринок просідає

Growth Factory
3 дні тому
Читати 5 хв

Оновлено: 2 дні тому

Команди скорочують, найм ставлять на паузу, продажі буксують — і в якийсь момент здається, що єдиний сценарій на найближчі місяці: втриматися. Але парадокс у тому, що частина сервісних IT-компаній у цей самий період масштабується.

Ця стаття — розбір інсайтів зі стріму Growth Factory Academy на прикладі кейсу DATAFOREST: як компанія з фокусом на Data Engineering та AI виросла з 60 до 140 людей за останні три роки. Говоримо про управлінські рішення, процеси, продажі та роль фаундера в рості.

Ріст не трапляється сам по собі

Олександр Шеремета, співзасновник і management partner DATAFOREST, прямо називає ріст командною роботою. У сервісному бізнесі це звучить банально, але на практиці означає одне: компанія росте рівно настільки, наскільки дорослішає її система роботи з людьми — і з боку команди, і з боку клієнта.

Важлива думка: бізнес схожий на дитину. Він має навчитися базовим навичкам — і без цього масштабування не «підкрутити».

Що входить у цю базу, якщо перекласти на мову управління:

знайти market product fit (коли ваша пропозиція реально потрібна ринку)
сформувати зрозумілу цінність і навчитися її презентувати
вибудувати продажі як процес, а не серію випадкових вдалих угод
наймати або вирощувати людей під ваш тип сервісу

Вузька експертиза як прискорювач, а не обмеження

DATAFOREST починали з роботи з даними: скрепінг/парсинг (збір даних із джерел), автоматизація, репортинг. Далі логічно нарощували «шари» — зберігання даних (data warehouse, data lake — системи, де дані накопичуються й організовуються) та аналітику, машинне навчання.

На певному етапі компанія доповнила це веброзробкою та DevOps (практики, що забезпечують стабільну доставку змін у продукт: розгортання, інфраструктура, моніторинг). Так сформувалася сервісна лінійка, яку сьогодні продає DATAFOREST.

Окремо Олександр підкреслює: позиціонування в нинішньому вигляді сформувалося приблизно 4 роки тому, а компанії — близько 7. Тобто фокус — це не «раз і назавжди», а результат еволюції.

Вихід на англомовний ринок: навичка, яку не замінить красивий сайт

Компанія почала працювати зі скрепінгом — і багато клієнтів одразу були зі США. Це дало практику продавати онлайн, без зустрічей, і краще розуміти, як мислять американські клієнти та що для них важливо.

Важливе уточнення: DATAFOREST фокусуються не лише на США, а ширше — на англомовних країнах. У портфелі є клієнти з Австралії та Великої Британії, а також компанії, які фізично можуть бути в Ізраїлі чи Дубаї, але працюють на американський ринок.

Ключова теза тут — різні ринки мають різну «механіку входу» у проєкт. США і Європа відрізняються менеджмент-підходами та процесами — і це впливає на продажі та delivery.

Чому AI-проєкти складніші за «звичайний девелопмент»

На стрімі було кілька важливих пояснень, які добре заземлюють хайп навколо GenAI.

У веброзробці легше оцінювати строки: є функціонал, дизайн, бенчмарки, можна скласти roadmap (план робіт) і триматися прогнозованого коридору, якщо процеси стабільні.

У data science / AI все інакше: робота data-driven — результат експерименту визначає наступний крок. Ви можете піти «вправо», а там ще три гілки варіантів. І це погано прогнозується.

Друга проблема — очікування клієнта. Навіть коли вимоги записані, з’являються варіанти, які клієнт «мав на увазі», але не проговорив.

Третій шар — дані. Олександр нагадує принцип «garbage in — garbage out»: якщо на вхід моделі подати неякісні дані, результат буде таким самим. І «якість» тут — не лише очищення, а й те, як дані надходять у систему та як побудований шар роботи з ними.

Впровадження AI всередині компанії не гарантує дешевший сервіс

DATAFOREST змінюють процеси та частково впроваджують AI у роботі. Наприклад:

зменшили обсяг ручного дизайну й перейшли до дизайну з використанням AI
змінили підходи у роботі бізнес-аналізу та PM-функцій
працюють над кейсами, щоб стандартизувати використання AI у частинах розробки коду
використовують вайбкодінг/прототипування, щоб швидше показувати клієнту бачення рішення

Але «сильно знизити ціну послуг» вони не можуть просто тому, що з’явився AI. На enterprise та навіть mid-size (500+ людей) часто діють політики використання AI — без дозволів клієнта не можна застосовувати інструменти так, як вам було б зручно.

Олександр також підкреслює: здешевлення більше дає перевикористання алгоритмів, фреймворків, кодової бази та спільне бачення команди, ніж сам факт наявності AI.

Масштабування болить там, де закінчується «ручне керування»

Найскладніша частина росту, за словами Олександра, — дати правильний контекст усім напрямам і навчитися не «влазити» в процеси руками.

Процеси не працюють як інструкція: люди можуть не розуміти, чому вони саме такі — і починають їх обходити. Тоді компанія знову шукає причину: проблема у процесі чи у виконанні.

І тут є пастка для фаундера: коли він заходить у процес і «рятує», команда звикає, що наступного разу теж прийдуть і вирішать. Тому DATAFOREST поступово виводять фаундерів із процесів і замінюють це новими ролями та взаємозв’язками.

Ще один сильний фрагмент зі стріму: фаундери мультифункціональні. Коли вони виходять із операційки, їх неможливо замінити «однією людиною» — часто потрібно 3-7 ролей, щоб перекрити ті самі зони відповідальності.

Керованість замість «ідеального прогнозування»

У питанні планування Олександр робить важливий акцент: компанії на 40 людей, 150 людей і 3000 людей — це різні бізнеси. Вони по-різному працюють з плануванням і координацією.

DATAFOREST не будують «великі математичні прогнози», де ріст гарантований формулами. Вони працюють з індикаторами (наприклад, ціллю 200 людей на рік), декомпозують її на підрозділи й дивляться на практичні речі: як найняти, як забезпечити виплати, які буфери потрібні.

Також вони давно відповіли собі на питання «клієнт чи співробітник»: щоб рости, у кожному підрозділі має бути запас — приблизно 0,5–1 людина, яку можна швидко підключити під новий проєкт. Це критично, бо онбординг займає 5–10 робочих днів, а угоди можуть дійти до егрімента, але не перейти в revenue і не стартувати.

Щодо інструментів і систем: компанія не будує «все своє», а інтегрує готові рішення в один IT-ландшафт.

CRM для комунікації з клієнтами та пайплайном
HRM-система Hurma для роботи з людьми
ASpro для фінансової звітності та фінпроцесів
Jira для проєктного менеджменту та трекінгу

Лідген і продажі: працює не «канал», а математика

Олександр не заперечує, що результативність лідгену падає — питання у базі порівняння та в тому, наскільки компанія змінює механіки продажів під нові реалії.

Він описує «класичну» логіку пайплайну: від MQL до SQL і до продажів, з бенчмарком переходу з SQL у продаж близько 25%.

Далі — LTV (Lifetime Value: скільки компанія заробляє на клієнті за весь час) та cost of client (вартість залучення клієнта).

І це не теорія: якщо економіка каналу сходиться — туди варто інвестувати.

Outreach, за його словами, працює не у всіх. І причина зазвичай не в листах, а в відсутності чіткого меседжу та ICP (Ideal Customer Profile — портрет ідеального клієнта). Для аутрічу потрібен фокус і нішування.

Які канали використовує DATAFOREST (з того, що прозвучало на стрімі):

Upwork
inbound
партнерки (зараз перезапускають)
outreach
платформи, які генерують ліди
конференції

І важливий нюанс: кожен канал має ліміти. Конференцій небагато, зустрічей на день теж небагато — тому канал не «нескінченний». Його треба рахувати, тестувати, а інколи — ставити на паузу, якщо конверсія не виправдовує витрати.

Ком’юніті як інструмент фаундера: спершу зібрати, потім імплементувати

У фіналі стріму Олександр говорить про цінність бізнес-спільнот для фаундерів та людей, які приймають рішення. Обмін знаннями важливий, але не менш важливий баланс: інформацію треба не лише отримати, а й «переварити» — зробити аналіз і синтез, а потім спробувати впровадити у своїй компанії.