Заманчивые возможности отраслевой аналитики

 

Авторы

Пшеничников Сергей, Генеральный директор компании IT Energy Analytics

Монахова Елена, Генеральный директор ЗАО "Тейдер"

 

    Реформа РАО "ЕЭС России" вступает в новую фазу, которая должна обеспечить широкое привлечение инвесторов в отрасль. Серьезным подспорьем в данном процессе становится бэнчмаркинг1 - один из важнейших инструментов информационно-аналитической поддержки реформированных компаний, обеспечивающий идентификацию компании среди себе подобных. Правильное позиционирование помогает предприятию либо выявить и своевременно устранить свои слабые стороны, или же осознать свои преимущества перед другими компаниями и грамотно использовать их для повышения инвестиционной привлекательности.
    Отраслевые аналитические исследования попадают в фокус внимания множества заинтересованных субъектов, которых условно можно разделить на три группы:

  • участники информационного (СМИ), финансового (инвестиционные компании, банки) и товарного (поставщики оборудования и топлива) рынков;
  • собственники (частные акционеры и государство);
  • представители собственников (менеджеры, чиновники).
        Перечисленные группы нуждаются в анализе разных технико-экономических показателей (срезов или проекций всего гиперкуба исходной отраслевой информации), их сравнении в различных сочетаниях и противопоставлении.
        Например, участнику фондового рынка в большинстве случаев прежде всего интересно установить факт переоценки или недооценки акций энергокомпаний. Для этого, во-первых, важно проанализировать поведение акций на рынке (цена, объемы торгов, ликвидность). Во-вторых, следует составить список энергокомпаний, определенным образом упорядоченный по данным признакам (показателям), т. е. получить операционный рейтинг акций. В-третьих, нужно составить, выбрать и рассчитать по исходным данным некоторую совокупность показателей экономической и производственной эффективности, а также состояния основного энергетического оборудования, построить некоторый интегральный показатель и составить еще один список, упорядоченный по этому показателю, т. е. построить еще один рейтинг.
        На заключительном этапе необходимо, определив близкие (похожие) энергокомпании, сделать выводы и наметить план действий по изменению портфеля акций.
        Специалисту по продажам оборудования целесообразно провести аналогичный анализ по двум спискам: состояние основного энергетического оборудования и платежеспособность энергокомпании.
        Анализ энергопредприятий в разрезе экономической и производственной эффективности (информация о состоянии основного энергетического оборудования станций, классификация энергокомпаний и входящих в них объектов и др.) позволяет позиционировать компании и их составляющие по таким параметрам, как "менеджмент - оборудование" (плохой менеджмент - изношенное оборудование; плохой менеджмент - отличное оборудование, отличный менеджмент - новое оборудование и т. д.).
        Топ-менеджеры могут проводить подобный анализ для построения системы премирования, а акционеры - для принятия решений о замене менеджмента или оборудования.
        Оценочным компаниям интегральный отраслевой анализ позволил бы применить неиспользуемый в настоящее время сравнительный метод оценки, позволяющий построить отраслевую систему технико-экономических мультипликаторов для определения сравнительных характеристик энергокомпаний (основа бэнчмаркинга). С помощью данного метода можно сопоставить похожие компании и выявить слабые звенья, приводящие, например, к падению финансовых показателей.
        Данные оптового рынка электроэнергии полезны для анализа эффективности загрузки станций (в первую очередь "дешевых" станций), а также для прогнозирования доходности генерирующих компаний относительно рыночных цен.
        Любая информация об электроэнергетике, позволяющая провести сравнительный анализ, сегодня привлекает внимание специалистов. Однако сама по себе подготовка данных для анализа уже является нетривиальной аналитической задачей. Проблемы возникают ввиду разнесенного во времени реформирования энергокомпаний. Из бывших региональных АО-энерго выделяются компании по видам деятельности (генерирующие, сетевые, сбытовые, сервисные). Затем выделившиеся по разным схемам компании объединяются (все - в разные сроки и не окончательно) в другие структуры, например в ТГК (или ОГК), МРСК.
        При подготовке данных все это приводит к необходимости восстановления (склейки) исторических данных, исключения внутренних оборотов при консолидации бухгалтерской отчетности и др. В итоге результаты вычислений зависят от списка объектов учета, изменяющегося во времени.
        Чаще всего массивы исходных данных отличаются весьма низким качеством. Причины тому самые разные - и технические (компании раскрывают информацию в разных форматах и объемах), и содержательные (существенная часть данных "не пробивается" из-за упомянутого динамического списка объектов учета).
        Недостаточное количество достоверных (качественных) данных отраслевым аналитикам приходится компенсировать хорошими инструментальными средствами. При этом традиционные статистические методы часто не работают (из-за низкого числа прецедентов), а классические математические методы не всегда применимы. К тому же, нет необходимости находить точные (в математическом смысле) решения в условиях, когда отраслевые объекты постоянно подвергаются юридическим преобразованиям, - вполне достаточно сводных оценок и общих прогнозов.
        Особого комментария заслуживает вопрос доверия к оценкам и прогнозам. Приведем одну занятную историческую аналогию. Некогда Э. Ферми шел по своему синхрофазотрону. Его догнал молодой физик-экспериментатор и попросил объяснить график. Энрико объяснил. Через некоторое время молодой человек вернулся и сообщил, что ошибочно показал Ферми перевернутый график. Попросил еще раз объяснить. Физик-теоретик, не моргнув глазом, дал объяснение и другому графику. В обоих случаях, получив нужную информацию, экспериментатор остался доволен - он доверял Ферми и не задумывался над тем, как великий ученый находит объяснения.
        Между тем при безоговорочном доверии со стороны заказчика и низком качестве отраслевой аналитики результаты действий могут иметь негативные последствия, приводить к финансовым и иным потерям. Опираться на сомнительные данные неразумно и опасно. По этой причине каждый из нас в ответственных жизненных ситуациях (будь то сложная операция, управление серьезными инвестициями или принятие судьбоносного для компании решения) предпочитает иметь дело с профессионалами, поскольку чем выше уровень принятия решения, тем значительнее цена ошибки.

        Шанс справиться с многообразием мира
        Современная эпоха характеризуется глобальным смещением мировых процессов от индустриализации к информатизации, в которой определяющими категориями являются скорость, сложность и нелинейность.
        Суммарное количество информации, доступной современному среднему человеку, удваивается через каждые пять лет. На первый план выходит задача снижения сложности, сведения разнообразия мира к нескольким показателям без потери содержательности. Руководитель в среднем способен осмысленно контролировать не более семи показателей. Таким образом, появляется необходимость использования сложных средств исследований для получения на выходе относительно простых результатов, пригодных для принятия решений.
        Неудивительно поэтому, что к концу прошлого века приобрели популярность разнообразные средства агрегирования информации, среди которых почетное место завоевали рейтинги, позволяющие наглядно представить сравнительный отраслевой анализ.
        Рейтинг - это список объектов, упорядоченных в соответствии с их оценкой (т. е. набором чисел, каждое из которых указывает на качество объекта). Оценка (или рейтинг) объектов называется интегральным индикатором2.
        Для построения интегральных индикаторов необходимо:

  • выбрать критерий сравнения объектов, по которому оценивается их качество;
  • удостовериться, что объекты сравнимы по данному критерию, и обосновать возможность их сравнения;
  • выбрать показатели для сравнения объектов по заданному критерию;
  • составить таблицу "Объект - показатель" и выполнить предварительную обработку данных (в частности, вставить пропущенные значения, выполнить инверсию и стандартизацию элементов таблицы).
        Сегодня уже ни у кого не вызывает сомнения возможность использования профессионально подготовленных рейтингов как серьезного инструмента управления и фундамента для принятия эффективных управленческих решений. При этом качество агрегирования определяется тем, насколько грамотно была поставлена задача, выбраны, подготовлены и верифицированы исходные данные, произведена настройка параметров на ожидания и потребности заказчика, исследована устойчивость рейтинговых оценок на изменения весовых коэффициентов (существуют математические методы подбора весовых коэффициентов в комбинации с экспертными оценками).
        Устойчивым считается рейтинг, который "не распадается" при последующих обновлениях (к примеру, компании, являвшиеся лидерами по каким-то критериям, не должны через год или полгода оказаться в "хвосте" рейтинга без объективных причин)3.
        Рейтинговые оценки могут иметь многоуровневый характер и учитывать любой набор типов данных (числовые значения, экспертные оценки). Существует также возможность построения синтетических (интегральных) рейтинговых оценок верхнего уровня, что позволяет локализовать и исследовать причины, по которым данные объекты изучения попали на соответствующее место рейтинга (какие показатели это обусловили).
        На основе применения различных элементов интеллектуального анализа данных (в том числе математики академиком Ю. И. Журавлевым) в 2005-2006 гг. ГВЦ Энергетики подготовил ряд отчетов по различным направлениям производственно-экономической деятельности обновленных энергокомпаний. Кроме того, построены десятки рейтингов, с разных сторон характеризующие происходящие в отрасли изменения. Рейтинги, "не настроенные" на потребителя, достаточно абстрактны и не позволяют получить однозначную оценку компаний, однако они дают возможность инвесторам сформировать обоснованное мнение в отношении своего участия (или неучастия) в инвестиционной деятельности, исходя из тех или иных мотивов и интересов.
        Интегральные рейтинги как наиболее лаконичная и концентрированная форма представления многоуровневой информации легли в основу серии справочников по российской электроэнергетике, инициированной в 2006 г. ОАО "ГВЦ Энергетики" (www.itenergy.ru, раздел "Аналитические отчеты"). В первых двух справочниках серии - "Генерирующие компании оптового рынка электроэнергии" и "Территориальные генерирующие компании" - содержатся общие сведения о генерирующих компаниях РАО "ЕЭС России" (руководство, акционерный капитал, структура), а также данные об основных производственных, технико-экономических и финансовых показателях деятельности ОГК и ТГК. Включенные в справочники сведения носят открытый характер и публикуются многими ОГК и ТГК на WEB-сайтах. В результате обработки указанных данных с применением соответствующих математических методов получены и включены в справочник рейтинговые и экспертные прогнозные оценки, позволяющие провести сопоставление ОГК и ТГК.
        Для различных групп пользователей отраслевых аналитических исследований результирующие отчеты будут разными. "Настройка на заказчика" заключается в построении целевых функций интегральных индикаторов, соответствующих интересам этих групп. Такие интегральные индикаторы могут состоять из небольшого числа показателей. "Настройка" на интересы потребителя также может выражаться в выборе весовых коэффициентов (с привлечением экспертных оценок либо без них). Например, для участников фондового рынка приоритетными показателями являются доходность и ликвидность, а для поставщиков энергетического оборудования - состояние данного оборудования. Соответственно, рейтинги, ориентированные на различное понимание "наилучшего объекта" и "важнейшего показателя", будут существенно различаться.
        В целом, результаты аналитических исследований с применением интеллектуального анализа данных (в виде рейтингов, таблиц или другого лаконичного представления) можно рассматривать как необходимый элемент принятия решений, позволяющий в сложных случаях (при неполных, противоречивых и недостоверных данных) быстро и однозначно дать ответы на важнейшие вопросы, связанные с покупкой акций, приобретением компаний, определением признаков приближающейся производственной катастрофы и т. д. Аналитики, способные выявить неочевидные закономерности и зависимости и соотнести результаты анализа с критериями заказчика, помогают обосновать выбор того или иного решения, приводя убедительные аргументы, ценность которых будет тем выше, чем более неопределенной является ситуация для потребителя.

        На острие технологий: интеллектуальный анализ данных
        Профессионализм отраслевого аналитика заключается в умении выявить истинные потребности заказчика и соучастии в постановке важной для клиента задачи (причем зачастую полезный для обеих сторон эффект возникает при полностью пассивной позиции заказчика).
        Соучастие в постановке задачи может способствовать нахождению наилучшего ее решения за счет предоставления свободы выбора исходных массивов доступных и максимально достоверных данных. Взаимодействие с заказчиком (обычно топ-менеджером) на начальном этапе позволяет также точнее сформулировать критерий успешности проекта и оказать помощь при интерпретации результатов.
        Между постановкой задачи и интерпретацией результатов находится самый важный этап отраслевой аналитики - выбор инструментальных средств. В настоящее время признанным во всем мире инструментарием является интеллектуальный анализ данных (ИАД).
        Встречаются разные определения ИАД. SAS Institute утверждает, что ИАД - это процесс выделения, исследования и моделирования больших объемов данных для обнаружения неизвестных до этого структур (patterns) в целях достижения преимуществ в бизнесе. Gartner Group считает, что это процесс, целью которого является обнаружение новых значимых корреляций, паттернов и тенденций в результате "просеивания" большого объема данных с использованием методик распознавания паттернов, статистических и математических методов. В обоих определениях подчеркивается, что ценность представляют новые знания, полученные в результате анализа данных. ИАД выявляет неочевидные, неожиданные закономерности в данных, которые часто не могут быть обнаружены традиционными статистическими методами. Найденные знания могут применяться в дальнейшем к новым данным, причем с достаточной степенью достоверности. Например, при анализе исторических данных по топливообеспечению (с 1992 г.) удалось найти сезонные, квартальные закономерности по регионам и отрасли в целом, позволяющие построить систему верификации данных по отклонениям от некоторых нормальных (закономерных) значений, а также исследовать причины отклонений в тех случаях, когда они превышают допустимый порог.
        Интеллектуальный анализ данных в последние десятилетия получил значительное развитие в России в связи с тем, что при решении конкретных бизнес-задач аналитики все чаще сталкиваются с ситуациями, когда отсутствуют адекватные математические модели соответствующей предметной области, на базе которых можно было бы проводить расчеты и получать количественные или качественные оценки. Зачастую требуется найти убедительный и аргументированный ответ (например, в форме прогноза) в условиях неполноты, противоречивости или некорректности исходных данных.
        Стандартные математические методы (успешно используемые в математической физике) в этих случаях неэффективны, поэтому в конце прошлого века в прикладных областях стали активно появляться и успешно приживаться так называемые некорректные (эвристические) алгоритмы. Такие алгоритмы основываются на интуитивных принципах, однако дают достаточно точные прогнозы при решении плохо формализуемых задач (в медицине, геологии, физике, политике и т. п.).
        Успешность применения некорректных алгоритмов, появившихся в результате экспериментов, позволила рассматривать их как новое для математики множество объектов. Дальнейшее развитие эта идея нашла в алгебраическом подходе к прогнозированию и к проблеме распознавания (образов, ситуаций, поведения), предложенном академиком Юрием Ивановичем Журавлевым.
        Суть метода состоит в получении оптимальных синтезированных алгоритмов для успешного решения конкретных прикладных задач путем специальным образом отобранных алгоритмов из их совокупности и корректирующих операций над ними.
        Революционность предложенных методов привела к возникновению новой культуры прикладных исследований, открывающей совершенно иные перспективы для работы с неточными, неполными, противоречивыми данными и получения точных прогнозов в условиях слабоформализуемых задач. При этом были сняты ограничения на используемые типы данных (числовые, логические), появилась возможность восстанавливать отсутствующие элементы массивов данных, обучать алгоритмы на прецедентах для наилучшего соответствия поставленной задаче.
        Под руководством академика РАН Ю. И. Журавлева и члена-корреспондента РАН К. В. Рудакова на основе описанных выше методов были разработаны инструментальные среды и прикладные системы (www.forecsys.ru), обеспечившие переход от теории к практике.
        С применением данных инструментальных сред была разработана и внедрена на ММВБ в промышленную эксплуатацию автоматизированная система финансового надзора, позволяющая выявлять случаи нестандартного поведения участников и бумаг (например, инсайдерская торговля и манипулирование). Также были разработаны имитационная модель биржевой торговли (биржевой тренажер) и система прогнозирования цен на скандинавской бирже электроэнергии Nordpool.
        Крупный российский бизнес тоже почувствовал вкус к новым возможностям в области прогнозирования, используя инструментальные среды для анализа и прогнозирования, основанные на методе Журавлева, в сети универсамов "Перекресток", ОАО "Мобильные ТелеСистемы", банке "Петрокоммерц" и др.

  •