Опубликовано в журнале "Финансовый менеджмент" №5 год - 2018
Таболин А.В.,
кандидат экономических наук, руководитель отдела инвестиционного
планирования ПАО «Орелстрой»
В статье уделено внимание входящим данным и их отбору, показан негативный эффект как от недостатка, так и от излишка информации в модели. Детально рассмотрен алгоритм преобразования входящих данных в конечные расчеты, выделены стадии преобразования данных и методы.
Не все данные важны. Не все данные нужны
Ранее мы уже касались вопроса важности входящих данных и степени наполненности финансовой модели [1]. Было справедливо отмечено, что входящие данные – один из важнейших компонентов финансовой модели, если не самый важный. По этой причине уделим этому вопросу еще некоторое внимание.
Входящие данные можно определить как информацию об объекте моделирования и окружающей его среде, собранную и используемую для целей моделирования данного объекта. Здесь стоит обратить внимание, что такую информацию отличает от просто информации об объекте то, что при ее применении через определенный алгоритм преобразования данных происходит моделирование определенных процессов. То есть во входящие данные не должны включаться сведения об объекте моделирования, которые не используются в последующих расчетах и вычислениях. Такую информацию мы будем называть нерелевантными данными.
К примеру, при оценке экономической эффективности станка его физические размеры будут нерелевантными данными. В то же время вес станка может иметь значение для расчета затрат на транспортировку или дохода от его последующей сдачи в металлолом по окончании срока службы.
Для модели нерелевантные данные – это не что иное, как излишек информации. В научной литературе по экономическому и финансовому моделированию, к сожалению, не удалось обнаружить термин, соответствующий явлению избыточной информации в модели. Поскольку финансовая модель – это своего рода база данных (по крайней мере в части входящих данных), то, считаем, будет резонно для описания данного явления позаимствовать термин из ИТ – информационная избыточность, хотя и в другом понимании.
Проверка модели на информационную избыточность является одним из компонентов оценки, так называемой адекватности модели, при которой оцениваются такие характеристики модели, как точность, корректность, достоверность, доступность, эффективность, устойчивость к изменениям и представимость [2]. Соответственно, модель с лишней информацией не является точной и эффективной, а значит, и адекватной.
Чем же опасна информационная избыточность финансовой модели? На первый взгляд, ничем, так как нерелевантные данные не участвуют в расчетах, а значит, не влияют на получаемый результат и последующие выводы. Однако лишняя информация загромождает модель и усложняет ее восприятие сторонним пользователем. Также такая информация будет указывать на некую небрежность в составлении финансовой модели.
Вышеперечисленное, к счастью, не создает существенных негативных последствий для заказчика и исполнителя модели. Действительно, отрицательный эффект от нерелевантных данных возникает, если для получения и, соответственно, включения этих данных в модель были потрачены время и средства на поиск и сбор определенной информации, в итоге оказавшейся ненужной.
Например, при оценке экономического эффекта модернизации производственной линии железобентонных панелей была запрошена следующая информация (помимо прочего), на сбор которой было потрачено определенное время:
– нормы потребления сырья и материалов старой производственной линией;
– нормы потребления сырья и материалов новой производственной линией;
– затраты на текущий ремонт и содержание старой производственной линии;
– затраты на текущий ремонт и содержание новой производственной линии;
– нормы потребления энергоресурсов старой производственной линией;
– нормы потребления энергоресурсов новой производственной линией.
Все указанные данные были представлены, однако модернизация и сам технологический процесс производства железобетонных панелей не предполагали изменения норм потребления сырья и входящих материалов. Соответственно, эти данные оказались нерелевантными, а работа по их получению – ненужной.
Таким образом, одна из важнейших, как нам видится, задач автора модели – это корректное определение перечня необходимой ему информации для моделирования. Одинаково важно, чтобы автор не упустил какой-либо компонент данных, который окажется необходимым при моделировании, и чтобы он не запросил сведения, которые либо нерелевантны, либо крайне незначительны, а их сбор сопряжен с существенными трудозатратами.
Упущение в данных – некорректный результат на выходе
Разумеется, непосредственный эффект на получаемые из модели результаты оказывает именно отсутствие тех или иных данных в модели. Представьте себе ситуацию, когда при определении необходимого перечня входящих данных автор модели по ошибке не включил какую-то информацию об объекте моделирования в этот перечень. Соответственно, данная информация не была собрана и, как следствие, не была включена в расчеты модели. Это приведет к искажению получаемых в модели результатов, что в конечном счете может сказаться на правильности управленческого решения, принимаемого на основе этих результатов. В зависимости от затрат, связанных с этим управленческим решением, последствия недостаточности данных в модели могут привести к значительным негативным последствиям для компании.
Рассмотрим ситуацию на конкретном примере. Давайте представим, что компания рассматривает проект по расширению номенклатуры продукции. Новая продукция требует упаковки на палеты размерами 1000 × 1200, тогда как текущее производство использует палеты евростандарта (800 × 1200). Перед отгрузкой палеты покрываются термоусадочной пленкой в специальной установке, а затем по конвейеру перемещаются на склад. Новая линия будет использовать те же упаковочную установку и конвейер, что и действующее производство.
Автор модели резонно запросил всю информацию, касающуюся:
– объема капитальных вложений;
– номенклатуры и цен продукции, планируемой к выпуску на новой линии;
– норм потребления сырья и энергоресурсов;
– штатного расписания и фонда оплаты труда для новой линии;
– иных операционных расходов.
Однако, допустим, он не учел следующие изменения в связи с новой линией, которые оказывают влияние на показатели экономической эффективности (в скобках указана степень влияния):
– более высокие нормы потребления пленки на палеты большего размера (незначительный);
– ограничение по скорости конвейера, которое приводит в конечном счете к сокращению плановых мощностей новой линии ввиду невозможности перевезти все количество палет за необходимое время (значительный).
Несмотря на то что оба упущения автора модели связаны с технической составляющей проекта, что не является сферой его экспертизы, но является зоной ответственности технических специалистов, вовлеченных в процесс подготовки проекта, автор модели, по нашему мнению, должен хорошо представлять себе ту последовательность операций, которые он моделирует. Его обязанность – проверить достаточность ресурсов, а также «пропускную способность» всех процессов моделируемого объекта, чтобы избежать ситуации, описанной выше.
Хочется отметить, что важным и полезным качеством создателя модели является навык постоянной проверки всех данных модели на адекватность. Даже не являясь экспертом в коммерческой или в технической составляющей проекта, автор вполне может дать оценку тем или иным вводным. Например, сомнение должен вызвать рост продаж на 15% в год, в то время как до этого компания росла не более 5% в год. Или, к примеру, уточнению подлежит вводная по объему продаж в год в размере 100 000 ед., при условии, что весь рынок этой продукции составляет 130 000 ед., а компания занимает долю на рынке только 45%. Аналогично необходимо подвергнуть сомнению сохранение норм потребления электроэнергии в результате замены старого оборудования на новое, когда из технических характеристик видно, что энергопотребление у них разное.
Как готовить не менее важно, чем из чего
Выше мы показали значимость качества вводных данных для финансовой модели. Алгоритм преобразования этих данных тоже не менее важен, если даже не более важен. Модель – это своего рода «блюдо», только финансово-экономическое. Как и любой самый изысканный деликатес можно испортить, бездарно приготовив его, так и из самых полных, достоверных вводных можно
получить абсолютно бесполезные или даже вредные для пользователей модели результаты, неправильно их обработав.
Ранее, касаясь вопроса структуры финансовой модели, мы приводили информационную схему модели, в среднем звене которой располагался блок расчетов [1]. Задача этого блока – привести весь имеющийся спектр и разнообразие входящих данных к определенному, ограниченному набору выходной информации – результатам. Однако следует отметить, что с точки зрения методов преобразования данных блок расчетов можно разделить на две стадии: стадию подготовки данных и стадию калькуляции. На первой стадии данные обрабатываются таким образом (в основном с использованием логических и статистических методов), чтобы их можно было использовать в дальнейших расчетах. На второй стадии подготовленные данные агрегируются и приводятся к конечному показателю через набор определенных манипуляций с использованием в основном математических операций.
Методы преобразования данных напрямую зависят от самих этих данных и от искомых конечных показателей, поэтому они могут варьироваться в зависимости от вида модели, степени детализации и специфики объекта моделирования.
Видится обоснованным выделить следующие методы преобразования данных, характерных для стадии подготовки данных:
1) унификация (приведение данных к единым шкалам измерения или уровню детализации);
2) нормирование (исключение из данных разовых отклонений);
3) агрегирование (объединение компонентов данных);
4) декомпозиция (разбиение данных на более мелкие единицы);
5) интерполяция (нахождение промежуточных значений ряда);
6) экстраполяция (определение значений за пределами ряда).
Унификация. Входящие числовые данные могут иметь различные шкалы и веса. Например, в модели могут присутствовать и килограммы в час, и тонны в год, и человеко-час. Унификация приведет все эти показатели к единому измерению – к примеру, к часу. Это позволит нам на стадии калькуляции рассчитать, допустим, маржинальную прибыль работы станка в час. Пример унификации представлен в табл. 1.
Нормирование. Чаще всего нормирование используется при сглаживании влияния сезональности в вводных данных модели (табл. 2). Точно так же оно применяется и относительно, например, финансовой отчетности компании (если она объект моделирования), когда из отчетности устраняется эффект от какойлибо разовой операции, не связанной с нормальной операционной деятельностью (например, продажа старого цеха).
Агрегирование. Это аналог индукции в логике, когда из более частных элементов формируются более общие элементы. Сюда же относится процесс увеличения измерений показателей или временныHх шкал (к примеру, преобразование прогноза продаж в разбивке по месяцам в годовой прогноз для последующей экстраполяции). Ниже представлен пример агрегирования прогноза расходов строительно-монтажных работ (табл. 3).
Декомпозиция. Это процесс, обратный агрегированию и соответствующий дедукции в логике. Его задача – разбить более общий показатель на более мелкие составляющие. Хороший пример – выделение в составе выручки отдельно выручки от прямых продаж и продаж через дистрибьюторов (табл. 4).
Интерполяция. Метод предполагает получение промежуточных значений имеющегося ряда данных. Например, имеются данные об объеме перевозок в начале года и в конце. Чтобы построить график динамики объема перевозок по месяцам и будет использована интерполяция с определенными допущениями.
Пример интерполяции данных по продажам квартир представлен в табл. 5.
Экстраполяция. Этот прием очень часто применяется в финансовом моделировании. Суть метода – значения какого-либо параметра за рамками имеющегося ряда определяются исходя из зависимости, тренда имеющегося ряда значений этого параметра. То есть, к примеру, темпы роста выручки в прогнозный период будут рассчитаны на основе фактических данных за несколько прошедших периодов с учетом допущения, что фактические темпы не претерпят существенных изменений и выручка и в будущем будет меняться аналогично (табл. 6).
Набор используемых в модели методов и порядок их применения зависят от модели, вводных данных и искомых результатов, но условно можно выделить следующую последовательность указанных методов:
1) унификация: все показатели приводятся к единым шкалам для удобства сравнения;
2) нормирование: если требуется, то из показателей удаляются явления, существенно отклоняющиеся от нормы и искажающие картину;
3) агрегирование/декомпозиция: подбирается уровень детализации показателей, требуемый для последующих расчетов и аналитики;
4) интерполяция/экстраполяция: на основе имеющихся значений показателей «достраиваются» недостающие значения.
Подготовили – считаем
По завершении стадии подготовки данных, как мы уже отмечали, следует стадия калькуляции. На этой стадии манипуляции с показателями ограничиваются математическими действиями сложения, вычитания, умножения и деления. Скорее всего, это самый простой этап в цикле функционирования модели, так как все самое сложное осталось позади. Например, в модели денежных потоков на стадию калькуляции приходится простое сложение положительных денежных притоков (выручки) и отрицательных денежных оттоков (расходов) с целью получения чистого денежного потока. Но наиболее частый случай – это несколько операций с показателем, прежде чем он попадает в конечный результат. К примеру, преобразованную ранее производительность в единицах в год в производительность в единицах в месяц мы сначала умножаем на прогноз загрузки производства в разрезе месяцев, а затем умножаем на норму прибыли на единицу продукции в рублях на единицу, получив таким образом прогнозную прибыль по месяцам. Из прогнозной прибыли мы затем вычитаем первоначальные инвестиции в оборудование и находим искомый, допустим, чистый денежный поток от инвестиций в новое оборудование.
Несмотря на кажущуюся простоту этого этапа, здесь тоже могут присутствовать ошибки. Порядок подачи приготовленных блюд так же важен, как и качество приготовления самих блюд: десерт в начале обеда из трех блюд может испортить аппетит. Не менее важна и сочетаемость блюд: домашний салат будет плохо смотреться в одном ряду с гастрономическими шедеврами.
Аналогично и в модели. Имеется определенный набор данных. Задача – правильно их скомпоновать друг с другом и в нужном порядке. Резонным будет замечание, что от перемены мест слагаемых или множителей результат не меняется. Но это может оказать сильное негативное влияние на удобство восприятия модели пользователями или на удобство ее последующей проверки.
Для иллюстрации обратимся к ранее приведенному примеру с получением прогнозной прибыли по месяцам через перемножение производительности в месяц, прогноза загрузки и нормы прибыли. Итак, перемножив производительность в месяц и прогноз загрузки по месяцам, мы получили не что иное, как прогноз производства продукции в единицах в разбивке по месяцам. Полезная информация? Безусловно. Теперь давайте вместо прогноза по загрузке на производительность в месяц умножим норму прибыли на единицу, получив в итоге не очень применимый показатель максимальной прибыли в месяц. Бесспорно, что ничего ошибочного в этом расчете нет, но и полезного тоже. Не исключено, что в дальнейшем для каких-либо нужд нам придется-таки рассчитать прогноз производства продукции в месяцах. Тогда возникает вопрос: зачем нам лишняя операция и ненужный показатель (максимальная прибыль в месяц)?
Таким образом, очевидно, что оптимизация калькуляций и перечня рассчитываемых показателей не менее важна для адекватности модели и эффективной работы с моделью.
Литература
1. Таболин А.В. Финансовая модель: логика, структура, входящие данные и допущения // Вестник АКСОР. – 2017. – № 3–4. – С. 172–174.
2. Меркульев А.Ю., Горячева Е.П., Юрков Н.К. К вопросу об оценке адекватности модели // Молодой ученый. – 2014. – № 2. – С. 153–155.
