openvaluation

Методы оценки стартапов как проверяемый код. Berkus, Scorecard, Risk Factor Summation, метод венчурного капитала, First Chicago и рыночные мультипликаторы — реализованы, протестированы и способны показать свои расчёты.

Бесплатно и с открытым исходным кодом, лицензия MIT. Чистый Python, без зависимостей, без API-ключей, без сетевых вызовов.

pip install openvaluation

Методы для компаний без выручки, которые реально используют ангельские группы, живут в учебниках, таблицах и электронных таблицах, но не в поддерживаемом программном обеспечении. Поищите на GitHub «Berkus method» — найдёте разрозненные скрипты с нулём звёзд; каждый коммерческий инструмент, реализующий эти методы, держит арифметику закрытой. Этот пакет — недостающий элемент: библиотека, которую может вызвать агент, скрипт или блокнот и получить защищаемое число с приложенным выводом.

from openvaluation import Engine

company = {
    "company": {"sector": "saas", "stage": "seed", "region": "us"},
    "financials": {"revenue": {"arr": 480_000}},
    "berkus": {"sound_idea": 1.0, "prototype": 1.0, "management_team": 0.8,
               "strategic_relationships": 0.4, "product_rollout": 0.6},
    "scorecard": {"management_team": 1.25, "opportunity_size": 1.4},
}

print(Engine().run_all(company, stage="seed").summary())

4 methods ran; median 4,420,000 USD (range 1,400,000–6,462,500)

  berkus                         1,900,000  [1,400,000 – 2,400,000]
  ev_arr                         3,840,000  [2,400,000 – 5,760,000]
  risk_factor_summation          5,000,000  [4,750,000 – 5,250,000]
  scorecard                      5,875,000  [5,287,500 – 6,462,500]

  2 methods could not run:
    vc_method: vc_method needs exit.value, exit.revenue (supply an exit value, or
      projected revenue at exit to apply a multiple to)
    first_chicago: first_chicago needs scenarios.success.probability, ...

Извлечение вероятностно; арифметика — нет

Языковые модели постоянно спрашивают, сколько стоит стартап, и они плохи в этом — не в рассуждениях, а в арифметике и в запоминании того, какой метод требует какой вход. Однако они очень хороши в чтении питч-дека и извлечении структурированных фактов.

Этот пакет проводит границу между этими двумя задачами. Модель читает документы и заполняет поля. Движок выполняет арифметику детерминированно и сообщает, как именно он к этому пришёл. Одинаковый вход, одинаковый выход, каждый раз — без модели в цикле, которая могла бы отклоняться.

result = Engine().run(company, "berkus")
print(result.explain())

berkus: 1,900,000 USD (range 1,400,000–2,400,000)

Steps
  1. Sound idea — basic value, product risk: 500,000  — rating 1.00
  2. Prototype — technology risk: 500,000  — rating 1.00
  3. Quality management team — execution risk: 400,000  — rating 0.80
  4. Strategic relationships — market risk: 200,000  — rating 0.40
  5. Product rollout or sales — production risk: 300,000  — rating 0.60
  6. Pre-money valuation: 1,900,000  — sum of five elements

Assumptions
  cap_per_element: 500000.0

Limitations
  - Berkus caps pre-revenue value and ignores market size, growth and financials.
  - Ratings are judgements, not measurements; this run capped at 2,500,000.
  - This company reports revenue; Berkus was designed for pre-revenue companies
    and a revenue-based method will usually say more.

Sources
  - Dave Berkus, 'The Berkus Method: Valuing an Early Stage Investment' (berkonomics.com)

Каждый результат несёт свои шаги, свои допущения, свои ограничения и ссылку на метод. Оценка, которую никто не может проверить, не стоит защиты.

Related MCP server: tvr-mcp-server

Что вообще можно запустить?

Обычно вопрос возникает до оценки: учитывая то, что известно о компании, какие методы доступны и какой один недостающий факт откроет больше всего?

report = Engine().readiness(company)

[m.method for m in report.ready]     # ['berkus', 'scorecard', 'risk_factor_summation', 'ev_arr']
report.unlocks()
# {'exit.value|exit.revenue': ('vc_method',),
#  'financials.ebitda': ('ev_ebitda',),
#  'financials.revenue.annual': ('ev_revenue',)}

unlocks() упорядочен по тому, сколько методов освобождает каждое недостающее поле, поэтому первая запись — самое полезное, что можно пойти и выяснить. | в пути означает, что подойдёт любое из полей.

Метод, о котором сообщается как о готовом, всегда запускается — этот инвариант тестируется, потому что отчёт о готовности, который лжёт, хуже, чем его отсутствие.

Методы

Полная документация по каждому методу — формула, проработанный пример, ограничения и источник, по одной странице на каждый. Каждый пример на этих страницах выполняется тестовым набором, поэтому ничто не может отклониться от кода.

Каждый метод реализован из его опубликованного описания и цитирует его. Веса Scorecard — это веса Билла Пейна (30% команда, 25% возможность, 15% продукт, 10% конкуренция, 10% продажи, 5% потребность в инвестициях, 5% прочее); Berkus ограничивает пять элементов по 500 000 каждый; Risk Factor Summation сдвигает сопоставимое среднее на 250 000 за шаг по двенадцати факторам. Каждая из этих констант — аргумент конструктора, а не магическое число, зарытое в арифметике.

from openvaluation import Berkus, RiskFactorSummation

Berkus(cap_per_element=300_000)          # a market where 500k is too rich
RiskFactorSummation(step=100_000)        # finer-grained risk adjustments

Данные для бенчмарков — ваша проблема, и пакет об этом говорит

Три метода нуждаются во внешних числах: сколько стоят сопоставимые компании, по какому мультипликатору торгуется сектор, под какую ставку фонд андеррайтит. Эти числа устаревают, и ни одна библиотека не должна делать вид, что это не так, поэтому они поступают через провайдера, которого вы поставляете.

Провайдер по умолчанию поставляет иллюстративные заглушки — круглые, без дат, чтобы примеры работали. Любая оценка, которая их касается, говорит об этом в своих ограничениях:

  - Benchmark figures are illustrative placeholders, not market data; replace
    StaticBenchmarks with a real source before relying on this figure

Методы, которые никогда не обращаются к рыночным данным, например Berkus, не несут этой оговорки. Предоставьте реальные цифры — и она исчезнет:

from openvaluation import Engine, Multiple, TableBenchmarks

benchmarks = TableBenchmarks(
    seed_valuations={"saas": 4_200_000},
    multiple_table={("saas", "ARR"): Multiple(4.1, 6.8, 11.2, basis="ARR",
                                              source="Our comp set", sample_size=180,
                                              as_of="2026-06-30")},
    rate_table={"seed": 0.5},
    citations=("Our comp set, n=180, June 2026",),
)

engine = Engine(benchmarks=benchmarks)

Или реализуйте BenchmarkProvider поверх того, что у вас есть — базы данных, API, электронной таблицы. Три метода, все синхронные. Отраслевые мультипликаторы и стоимость капитала, публикуемые Асватом Дамадараном в NYU Stern, — обычная бесплатная отправная точка.

Провайдер, у которого нет цифры, вызывает UnknownBenchmark, а не подставляет догадку, потому что оценка, построенная на выдуманном мультипликаторе, хуже, чем отсутствие оценки.

Дайте это ИИ-агенту

Отправьте методы любой модели, с которой вы уже общаетесь. MCP-сервер предоставляет четыре инструмента, и, поскольку арифметика происходит в Python, модель не может ошибиться в расчётах:

pip install "openvaluation[mcp]"

{"mcpServers": {"openvaluation": {"command": "openvaluation-mcp"}}}

Инструкции сервера сообщают модели то, что она иначе сделала бы неправильно: что оценки Berkus и Scorecard — это суждения, требующие доказательств, что поставляемые бенчмарк-цифры — заглушки, оговорку о которых нужно передавать дальше, и что медиана сама по себе не является ответом.

Те же четыре функции импортируются без MCP, для HTTP-обработчика или блокнота:

from openvaluation.tools import check_readiness, value_company

check_readiness(company)   # plain dicts in, plain dicts out

Из командной строки

openvaluation company.json                     # every applicable method
openvaluation company.json --readiness         # what can run, what is missing
openvaluation company.json --method berkus --explain
openvaluation company.json --json              # for piping onward
openvaluation --list-methods

Формат ввода

Обычный вложенный словарь — всё, что создал ваш этап извлечения. Поля читаются по точечному пути, поэтому ничего не должно быть полным:

{
  "company":    {"sector": "saas", "stage": "seed", "region": "us"},
  "financials": {"revenue": {"arr": 480000, "annual": 520000}, "ebitda": 90000},
  "product":    {"stage": "mvp"},
  "berkus":     {"sound_idea": 1.0, "prototype": 0.8},
  "scorecard":  {"management_team": 1.25, "opportunity_size": 1.4},
  "risk":       {"management": 2, "competition": -1},
  "exit":       {"revenue": 40000000, "years": 5, "dilution": 0.3},
  "funding":    {"round_size": 2000000},
  "scenarios":  {"success": {"value": 80000000, "probability": 0.15},
                 "base":    {"value": 15000000, "probability": 0.35},
                 "failure": {"value": 0,        "probability": 0.50}}
}

Суммы могут быть голыми числами, числовыми строками или объектами {"value": 480000, "currency": "USD"}. Ставки могут быть 0.4 или 40. Ноль считается отсутствующим для таких величин, как выручка, потому что нулевая выручка и неизвестная выручка — один и тот же вход для этих методов.

Чем это не является

• Не инвестиционная рекомендация и не оценка по 409A. Эти методы дают переговорные якоря и проверки здравомыслия. Оценка с юридическим или налоговым статусом требует квалифицированного оценщика.

• Не экстрактор. Он принимает структурированные факты; извлечение их из питч-дека — отдельная задача, и хорошая для языковой модели.

• Не источник рыночных данных. См. выше.

• Не механизм суждений. Оценки Berkus и факторы Scorecard — это суждения о компании. Пакет записывает и применяет их; он не формирует их.

Когда методы расходятся более чем на медиану, отчёт говорит об этом — потому что это расхождение является информацией, и усреднение его уничтожает.

Требования

Python 3.9+ (разработано и протестировано на 3.11). Нет зависимостей времени выполнения.

Откуда это взялось

Я построил движок оценки, лежащий в основе Wakeworth, который оценивает стартапы по загруженным документам. Сами методы — общеизвестное знание и должны быть в публичном коде; проприетарными там остаются извлечение документов и отчётность вокруг них. Этот пакет — слой методов, пересобранный отдельно из опубликованных описаний, с открытыми константами и каждым результатом, показывающим свои расчёты.

Участие

Приветствуются issues и pull request'ы. Я поддерживаю это на основе best-effort наряду с другой работой, поэтому ожидайте обдуманных ответов, а не быстрых. Самые полезные вклады — метод, реализованный из цитируемого источника, или случай, когда арифметика здесь расходится с проработанным примером в литературе.

git clone https://github.com/yagebin79386/openvaluation
cd openvaluation
pip install -e ".[dev]"
pytest

Лицензия

MIT — см. LICENSE.

Последнее обновление: 2026-08-20 · Changelog