Разбор 2-й части проекта компании BeringPro «Единое казначейское решение» для ПАО «ГМК «Норильский никель»

Возвращаясь к самой финансовой модели: до старта проекта она жила в огромном Excel-файле и включала более сотни показателей, и считалась так быстро, как позволяют электронные таблицы, и настолько точно, как позволяет человеческий фактор.

Как решили: разработали Модель, объединяющую порядка 600 взаимосвязанных показателей, охватывающих основные финансовые контуры компании: выручку, OPEX (операционные расходы), налоги, оборотный капитал, инвестиционную и финансовую деятельность, денежные потоки, показатели прибыльности и метрики долговой нагрузки и ликвидности.

Выстроили методологию зависимостей между показателями, определив для каждого показателя:

• его место в общей структуре модели прогнозирования;
• вид показателя – прогнозируемый или производный;
• перечень зависимых показателей, использующих результат расчета;
• последовательность расчета.

А также в целом:

• Масштаб: 600+ показателей на 40+ уровнях расчета.
• Горизонт: от краткосрочного до долгосрочного.
• Гибкость: модель получила на вход изменения макропараметры (курсы валют, цены на металлы, ставка ЦБ, и др.) и микропараметры (объемы производства, реализации и т. п.). Изменили вводные — система автоматически пересчитала все результирующие показатели компании: EBITDA (прибыль компании до вычета из неё налогов, процентов по долговым обязательствам и амортизации), налоги, оборотный капитал, чистый денежный поток (FCF), метрики долга и еще 100+ показателей.

Статический расчет — это хорошо, но для управления рисками нужно уметь быстро проверять разные гипотезы, играя с управляемыми параметрами.

В чем была сложность: как быстро — за день пересчитать финансовую модель на оперативный горизонт и далее, если эксперты выдали новый прогноз по ценам на металлы? А еще и планируется реструктуризация долгового портфеля. Раньше приходилось копировать массивы данных, плодить новые версии файлов и тратить часы на сведение таблиц.

Как решили: В «Форсайте» создали Конфигуратор прогнозирования. Финансист задает глубину исторических данных и горизонт прогноза, выбирает макропараметры и другие сценарные условия.

Если после базового или оптимистичного сценария нужно проверить пессимистичный, пользователь создает сценарий «Консервативный прогноз цен». Система за 10-12 минут выдает полностью пересчитанный скользящий прогноз ликвидности с месячным интервалом.

Особенно ярко здесь раскрывается связка Форсайт с 1С:УХ. Как рассказывал в первой части, в 1С:УХ работает «Конструктор долгового портфеля», где моделируются гипотетические сделки (новые кредитные линии, выпуски облигаций). Так вот, Конфигуратор прогнозирования умеет применять эти управленческие версии долгового портфеля в сценарном прогнозе.

Пользователю больше не нужно подгружать графики, дообогащать цифры руками. Он выбирает нужную версию сценария долгового портфеля из 1С:УХ, и система автоматически рассчитывает эффективную процентную ставку с учетом структуры выплат, валютных курсов и всех сопутствующих комиссий, вычисляет дюрацию портфеля и показывает, как новый кредит повлияет на общую ликвидность, ковенанты и другие показатели финансовой модели.

Опираться на один, пусть даже детально просчитанный сценарий, согласитесь, довольно рискованно. Чтобы понимать свой реальный профиль риска, нужно проанализировать версии прогнозов, а также подобрать модель поведения через распределение и обеспечить надежность через тысячи итераций.

В чем была сложность: как математически, эконометрически обоснованно оценить, в каких границах окажется EBITDA через 3 или 11 месяцев, если курсы валют, ставка ЦБ и цены на продукцию будут колебаться одновременно и случайным образом?

Как решили: В конфигураторе стресс-тестирования пользователь задает входящие параметры, которые будут меняться — например, цена на металл, для которой подбирается статистическое распределение и зависимые и производные метрики, за которыми мы наблюдаем — выручка, чистый долг, налоги и т. д.

Система позволяет подобрать модель будущего поведения данных, ориентируясь на исторические ряды или загруженные данные, задействуя механизм подбора распределений. Для обеспечения надежности метода Монте-Карло задается количество итераций — обычно это 10 000 прогонов расчетов 40-уровневой финансовой модели с изменением значений входящих параметров.

Утром CFO открывает дашборд и видит не просто цифру, а конкретные квантили. Например: «С вероятностью 80% значение EBITDA в 5-м месяце не превысит 37 млд. руб., а с вероятностью 20% не упадет ниже 29 млд. руб. Можно понять уровень вероятности, с которой тот или иной финансовый показатель попадает в тот или иной интервал значения, какой именно риск-фактор сильнее всего бьет по показателям.

Помимо прогнозирования, блок ПиУФР решает еще одну интересную задачу. Обычно крупные компании ориентируются на оценки внешних рейтинговых агентств. Но агентства работают преимущественно с публичной отчетностью и стандартными моделями.

Обладая информацией: детали контрактов, реальные ежедневные денежные потоки, внутренние сценарии хеджирования и позицию по ликвидности в реальном времени, корпоративные финансисты могут рассчитать более точный кредитный рейтинг и узнать о своем бизнесе гораздо больше и узких мест, и положительных моментов.

Понимая это, в рамках проекта автоматизировали внутренний расчет собственных кредитных рейтингов по методологиям ведущих агентств (Moody’s, S&P, Fitch, Эксперт РА, НКР).

Структура оценки: 50% веса отдано финансовой устойчивости, 20% — ликвидности, 15% — диверсификации, 10% — корпоративному управлению, 5% — риск-менеджменту.

Зачем это бизнесу? Прозрачность кредитного профиля позволяет аргументированно торговаться с банками. Когда вы приходите к кредитору с детальной, математически обоснованной моделью своей устойчивости, вы получаете преимущество в процентах, смягчение ковенантов или снижение требований к обеспечению займов.

Серьезным вызовом на проекте стала производительность. Одно дело — спроектировать красивую архитектуру «на бумаге», и совсем другое — заставить ее работать с реальными объемами корпоративных данных.

Исходные данные для прогнозирования — это порядка 150 000 строк. Итоговые данные прогноза разрастаются в несколько раз в зависимости от горизонта планирования. А когда запускается стресс-тестирование на 10 000 итераций методом Монте-Карло, система генерирует около 600 миллионов строк данных. Каждый прогон стресс-теста весит порядка 60 гигабайт чистой информации.

Ранее расчет версии прогноза на полной финансовой модели с максимальным количеством, один стресс-тест считался бы не менее недели, а сейчас финансисту понадобится менее 8 часов.

Как решили проблему:

• Грамотно выстроенные кубы данных: эмпирическим путем выстроили архитектуру кубов для максимального быстродействия алгоритмов расчета.
• Горизонтальное масштабирование: был создан кластер из двух серверов, что позволило распараллелить вычисления на 48 потоков.
• Оптимизация СУБД: применили партицирование таблиц. Во время расчета данные пишутся в чистую таблицу, а для хранения и вывода в отчеты используется отдельная структура.
• Фоновые процессы: В «Форсайте» нетиповым образом использовали функционал бизнес-процессов. Теперь финансист нажимает кнопку «Рассчитать», задача уходит в фон, а пользователь может спокойно продолжать работу в системе, не блокируя свой компьютер.

Обычно внедрение сложной IT-системы пугает бизнес тем, что любой шаг в сторону требует написания ТЗ для разработчиков. Поменялась методика расчета — пиши заявку в техподдержку и жди несколько дней.

В чем был вызов: во-первых, такого человека еще надо найти, который компетентно понимает архитектуру финансовой модели, влияние, риски ошибочных изменений, и в целом имеет «вид сверху». Во-вторых, показатели, организационные изменения внутри компании имеют место быть.

Как решили: В архитектуру заложили специальную роль «суперпользователя». Финансист, виртуозно владеющий формулами в Excel, может через обычный браузер зайти в дерево расчетов, провалиться на любой нужный уровень и открыть встроенный редактор формул и внести нужные изменения. Система перестраивает финансовую модель под изменения. Как итог – управление методологией остается в руках компетентных финансистов.