Upptagen men inte lönsam
in Fintech

Det korta svaret

Hög TPV och tunn bidragsmarginal är ett produktmixproblem där utlåning har omvandlat intäkter värda en 7x multipel till intäkter värda en 2x multipel. Det som gör det svårare för fintechbolag är strukturellt: utlåning har låst P&L och omvandlar intäkter värda en 7x multipel till intäkter värda en 2x multipel. Varje trovärdigt svar måste därför hålla samman blandad take rate och charge-off rate i samma vy, vilket är precis där de flesta interna analyser stannar eftersom de två lever i olika system.

När TPV är stort och bidragsmarginalen fortsätter vara låg är instinkten att titta på driftskostnader. Vissa kostnader kan sänkas, men det ändrar inte utfallet eftersom orsaken ligger längre upp: betalningsvolymen och de handlarkonton som accepteras kräver utlåning som pressar ned den blandade take rate.

Mönstret upprepar sig över kanaler. Ett litet antal handlarsegment eller origineringskällor ger positiv bidragsmarginal efter charge-offs. En lång svans av volym håller warehouse-faciliteten och operationerna sysselsatta men tillför lite eller inget till marginalen. Eftersom det låg-marginalflödet tar kapacitet kan det högre-marginalarbetet inte skalas – gränsen är inte efterfrågan utan att faciliteten redan är allokerad till fel mix.

Rättningen är en urvalsregel baserad på bidragsmarginal per kanal och handlartyp, inte en effektiviseringskampanj. När varje källa till TPV kan rangordnas efter sin nettoeffekt på marginalen efter charge-offs och CAC blir valet av vilken volym som ska accepteras eller nekas mekaniskt.

Fintechoperatörer når den här punkten när TPV och antalet handlare ökar medan nettointäkter och bidragsmarginal inte gör det: utlåning tillämpas på en större andel av flödet, den blandade take rate faller och warehouse-upptag ökar utan motsvarande marginalökning. Ingen ny produkt eller marknadsexpansion löser det förrän mixen av accepterad volym ändras.

Hur du ser att det är ditt problem

De här tre tillsammans är signaturen. En ensam pekar oftast någon annanstans.

✓ TPV och antalet handlare ökar medan bidragsmarginalen står stilla eller sjunker och warehouse-faciliteten är fullt utnyttjad
✓ Att identifiera vilka kanaler eller handlarkohorter som gav positiv bidragsmarginal förra perioden kräver en engångsanalys istället för en löpande rapport
✓ Att neka en kategori volym eller handlare känns omöjligt eftersom det skulle sänka rapporterad TPV även när bidragsmarginalen på den volymen är negativ

Steget som brukar göra det värre. Att ta in mer warehouse-kapacitet eller kapital för att hantera större volym, vilket bara förstorar faciliteten som är allokerad till den låg-marginala mixen och upprepar samma P&L-kompression i större skala.

Who this is for — and who it is not

It is for you if you run or finance a fintech and everyone is fully occupied and cash is tight. It is the situation where the numbers are available but nobody has put them in an order that produces a decision.

It is not for you if Percision is the wrong tool if you already know the answer and only need execution capacity, or if the business is pre-revenue — then the constraint is evidence about the market, not analysis of your own figures. Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library. Also wrong if you need facilitation, politics, or someone to sit with a lender or buyer. Those are human jobs.

Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library.

Hur det ser ut när analysen körs

Below is an excerpt from a real run of this analysis on ett fintechbolag. It is a sample profile rather than a customer, and it is engine output translated from English — this is the format you get, on your own numbers.

The subject is Verrano Pay, a sample company profile used for testing rather than a customer — $84M net revenue, 28,000 merchants, $9.4B of payment volume.

This is one move out of a full analysis. Read a complete report — every page, no email required.

Vad motorn gör med den här frågan

This question routes to Proprietary EFF Methodology, one of 29 engagements the platform runs. For fintechbolag it works through blended take rate, charge-off rate, contribution margin and CAC by channel, then produces the sequence rather than a list of options — which move first, what it funds, and the observation that would say the sequence is wrong.

You watch the analysis get built before paying anything. Läs en komplett rapport här if you would rather see the depth first.

Frågor som folk ställer om det här

Hur vet jag vilket arbete jag ska sluta ta?

Rangordna efter bidrag per enhet av din verkliga begränsning – maskintimme, debiterbar timme, leveransslot, kvadratmeter. Inte efter intäkt och inte efter bruttomarginalprocent, båda gynnar pålitligt fel arbete när begränsningen är kapacitet.

Skadar det relationen att säga nej till arbete?

Ibland, och det är oftast billigare än alternativet. I praktiken gör ett pris som speglar vad arbetet förbrukar antingen kontot lönsamt eller flyttar det till en konkurrent, och båda utfallen är bättre än det nuvarande.

Är det ett prissättningsproblem eller ett effektivitetsproblem?

Testa det: om varje jobb kördes perfekt med noll spill, skulle de tunna jobben då gå med vinst? Om svaret är nej är det prissättning och urval, och inget effektiviseringsprogram når dit.

Is this different in fintech than in other industries?

Materially, yes. Lending fixed the P&L and converts revenue worth a 7x multiple into revenue worth a 2x multiple — which changes both the diagnosis and the order of the fixes. The metrics that decide it here are blended take rate, charge-off rate, contribution margin, and an answer built on industry-general benchmarks will usually point at the wrong one first.

What data do I need before this analysis is worth running for a fintech?

Less than most people expect. Your last twelve months of revenue and cost split the way you already split it, plus whatever you hold on blended take rate and charge-off rate. The analysis is explicit about what it is assuming where your data stops, which is more useful than waiting for numbers you may never have.

When is Percision the wrong tool?

Percision is the wrong tool if you already know the answer and only need execution capacity, or if the business is pre-revenue — then the constraint is evidence about the market, not analysis of your own figures. Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library. Also wrong if you need facilitation, politics, or someone to sit with a lender or buyer. Those are human jobs.

Does Percision replace a lawyer, tax advisor, auditor, or AI implementation team?

Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library.