Quem foi a mulher mais forte de todas as Olimpíadas?

Photo by Victor Freitas on Unsplash

A despeito da pandemia que nos aflige até hoje, os jogos olímpicos de Tóquio foram muito legais. O evento serviu para premiar os atletas que sacrificaram os últimos anos para estar ali, buscando o balanço psicológico, e rezando por qualquer sorte, para ajudar a encarar as provas. Todos esses esportistas de elite, cada um na sua categoria e gênero, estavam buscando responder a pergunta: quem é o melhor do meu esporte?

Já tinha lido sobre a estratégia da China de deliberadamente buscar a liderança do quadro de medalhas por focar em esportes individuais pouco conhecidos. O recente artigo do NYT e o resumo do Projeto 119 do Wikipedia ajudam a entender mais no detalhe. Dentre esses esportes, um deles seria o de levantamento de peso feminino. 

A modalidade de levantamento de peso feminino começou na Olimpíada de Sidney, em 2000. Dentre as possíveis 42 medalhas de ouro desse evento até o de Tóquio, a China levou 18, ou seja, 43% do total. Incrível! E aí veio a pergunta: apesar deles dominarem o quadro de medalhas dessa categoria, teria sido a mulher mais forte de todas as olimpíadas uma chinesa? Vamos aos dados (fonte: site oficial do evento):

Interessante e intuitivo: o total de peso levantado vai aumentando com as categorias, medidas por peso máximo das atletas participantes. Nesse critério, a recordista olímpica total seria a chinesa Lulu Zhou, em 2012. Mas seria justo? E se ajustássemos pelo peso de cada categoria, para verificar quem levanta mais relativo ao seu próprio peso?

Interessante e mais justo: quando se divide pelo peso da categoria, fica mais claro verificar que as atletas mais leves são mais fortes relativamente ao próprio peso. Nesse critério, a recordista olímpica total seria a também chinesa Wei-ling Chen, em 2008. Aqui está o vídeo da fera na performance do título.

Para quem sonha em disputar uma olimpíada na categoria, ao que tudo indica, deveria começar levantando pelo menos 3x o próprio peso na treinamento:

Incrível: não importa como olhamos, as atletas chinesas dominaram essa modalidade. Seria técnica? Deveríamos ajustar pela população? Talento natural? Ou aspectos mais nefastos da organização da sociedade chinesa que não cabem aqui discutir? 

---

Usamos a analogia do levantamento de peso feminino para tratar de um assunto importante e complexo: eficiência de receita por funcionário (headcount - “HC”). Importante porque buscamos na Astella o crescimento eficiente e a escalabilidade, para chegarmos com mais equity juntos com os founders no final da jornada. Complexo por várias razões, citando algumas:

• Difícil de se obter dados agregados do mercado público, logo do mercado privado é bem pior;
• Três variáveis pesam na comparação geográfica: produtividade x custo x câmbio;
• Quando se adiciona a dimensão modelos de negócio (SaaS, marketplace, Consumer), a análise perde ainda mais representatividade.

Mas somos brasileiros, e não desistimos nunca! Com a ajuda de modelos mentais, as famosas heurísticas, podemos fazer algumas inferências para nos ajudar. Como vivemos em um contexto de sistema complexo adaptativo para o mercado de venture capital, vamos derivar algumas hipóteses:

• Invariantes de escala/Auto-similaridades/fractalidade: características/dimensões/variáveis similares do sistema independente da escala dele.
  - Então, buscando alguns dados do maior mercado do mundo (escala), os EUA;
  - Tomasz Tunguz pegou dados de empresas listadas SaaS em 2015:

• OpenView divulga um report anual de métricas referências para empresas SaaS. Aqui estão os dados de ARR/HC do relatório de 2021:

Comentários e inferências:

• Parece ter um limite em torno de USD200k de ARR/HC nas empresas SaaS americanas. Isso equivale a USD17k de ARR por mês por colaborador full-time. Mas essa magnitude seria menos utilizável no nosso mercado brasileiro, por causa da tríade produtividade x custo x câmbio. Se algum leitor tiver alguma ideia legal de como aplicar um normalizador nessa referência, adoraria ouvir;
• O crescimento composto indica uma faixa de 25%-30% ao ano de melhoria na métrica de ARR/HC do ano 4 ao ano 8. Essa poderia ser usada como referência para o nosso contexto: deveria ser o piso do piso (melhor seria algo acima de 50%) dos primeiros anos (early stage), e média dos mais maduros (late stage);
• Vale a nota sobre toda a discussão de Product Lead Growth (“PLG”) que existe atualmente: será que essas métricas vão aumentar com a evolução desta estratégia? Acreditamos que sim, dado que já começam de bases mais altas quando comparadas com startups em início de jornada.

Criticalidade: o comportamento complexo leva os sistemas a pontos de mudança de fase, quando estabilidade precede caos.

• Como o modelo de VC é estruturado por o financiamento por fases (pre-seed, seed, A, B, C...), os founders podem monitorar a estabilidade da sua receita/HC para indicar maturidade para mudar para a próxima fase;
• Podemos notar isso visualmente no gráfico do Tunguz: a cada 2 anos, as startups pulam de patamar no ARR/HC, o que bate com a média de meses entre das rodadas de investimentos (18-24 meses);
• Nesse contexto, estimamos que métrica mensal de receita/HC pode indicar estabilidade se as variações mês a mês diminuírem;
• Na sequência dos novos investimentos, as métricas caem e ficam mais voláteis, começando um novo ciclo: faz sentido, dado o número de novas contratações que devem ser treinadas para rampar o mais rapidamente possível.

Ajuste da amostragem para o contexto: no caso da falta de uma base representativa do mercado, uma perspectiva local da base de dados pode indicar melhores práticas/métricas em linha com a sua estratégia. Em outras palavras, você estaria buscando algo que seria necessário, mas não o suficiente para um case de sucesso.

• Repetindo o ponto que a nossa estratégia tem, dentre várias, a premissa de eficiência de receita por funcionário, que ajuda a compor nossos retornos acima das médias de mercado. Logo, olhando para o nosso portfólio, podemos indicar níveis da métrica que seriam referências para as startups que partem do mesmo princípio;
• Existem 2 vieses nesse raciocínio: enquadramento e de sobrevivência. É importante estar cientes deles quando usamos essas referências, e sempre buscar melhorar a base de dados para diminuir os erros decorrentes desses vieses;
• Feito os pontos acima, o que descobrimos do portfólio histórico da Astella?

• Seguindo a inspiração do ajuste por peso do levantamento de peso feminino, e se ajustássemos pela margem bruta de cada negócio?

Comentários e inferências:

• Tem uma variação grande nos níveis de eficiência das startups do nosso portfólio, mas seguem o comportamento esperado dos respectivos modelos: SaaS mais estável que marketplace que é mais estável que consumer;
• Ponderamos a média pela receita que é, na maioria do casos, o maior indicativo de evolução das startups, principalmente de early stage;
• O negócio de marketplace é o mais complicado de se analisar, pela eterna discussão entre a versão administrada (GMV = receita, logo o maior volume é compensado pela menor margem) e a não administrada (GMV não é igual a receita, logo o menor volume é compensado pela maior margem). Nos nossos dados, estamos considerando o administrado para essa comparação, mas isso não quer dizer que vemos com menos valor o marketplace não administrado. Simplesmente usamos outras lentes e métricas para entender o negócio;
• Visualmente vocês podem verificar a inclinação das retas como potencial de prêmio de cada modelo, e checamos isso para bases de dados de mercado históricas: quando se acerta, o prêmio de equity de consumer > prêmio de marketplace > prêmio de SaaS;
• Quando olhamos para os tamanhos das retas, poderia ser uma indicação de imaturidade do modelo de negócio no nosso contexto: consumer é o mais imaturo dos 3. Indica potencial de evolução (melhores playbooks?), ou seria inerente ao modelo em si?
• Quando ajustamos pela margem bruta, fica mais fácil perceber que apesar de mais receita gerada por marketplace e consumer, eles também precisam de mais capital. No caso do marketplace, reforçamos a complexidade adicional sobre a discussão de GMV versus receita, e temos que olhar com cautela para os melhores dados relativos acima.

Para finalizar, gostaria de mencionar alguns aspectos gerais sobre o tópico que ficaram mais claros durante os estudos da Astella:

• A métrica não é uma boa “explicadora” de valuations das empresa listadas de SaaS, e apesar de não encontrarmos estudos semelhantes para nossos outros modelos de negócios, encontramos comentários na mesma direção de fontes de qualidade, como Cloud Index e Cloud Judgement. Lembrando que esses estudos foram em empresas listadas, fico imaginando como seria para as privadas;
• Apesar de ser uma métrica passada (lagging indicator), consideramos receita por HC importante por ser indicativo de qualidade de produto tecnológico e também apontar para a menor necessidade de investimentos relativos para o crescimento futuro, dado que startups têm gastos irrisórios além do próprio HC. E menor investimento para alcançar os objetivos de crescimento significa mais equity para todos os acionistas!
  

---

Começamos essa série de artigos sobre as eficiências para entendermos melhor e trazermos mais clareza para o nosso contexto. No melhor estilo “necessário, mas não o suficiente”, se a sua startup estiver crescendo mais que as referências discutidas acima, deixe isso claro no seu pitch e venha falar conosco. Essa peça pode ajudar muito no quebra-cabeça analítico sobre o potencial da sua jornada de founder.