В новой реальности в числе первых под ударом оказываются предприниматели из малого и среднего бизнеса. Вскрываются «больные места»: несовершенства стратегии и бизнес-модели становятся критичным. На традиционные риски накладываются новые, например, перебои в логистике и рост инфляции.
Зачем нужен риск-менеджмент и где он поможет
Риск-менеджмент – это набор действий, которые помогают обезопасить бизнес от влияния внешних факторов и обеспечить максимальную эффективность в управлении. При этом полная «застрахованность» не гарантируется. Например, отследить непредвиденные события вроде пандемии попросту невозможно. Однако инструменты риск-менеджмента позволяют создать план действий в более-менее стабильных условиях. Любая нестабильность относительна, и вскоре наступает «новая нормальность». Как правило, в начале турбулентности компании обращаются к экспертным прогнозам. Когда у них накапливается достаточно статистики по новой реальности, они возвращаются к работе с данными.
Исследования школы Сколково показывают, что эффективность экспертного мнения колеблется на уровне 50%. Эконометрика снижает долю ошибок при расчетах до 30%. Решения на основе машинного обучения сокращают этот показатель до 10-15%.
К тому же компании, которые наладили процесс отслеживания рисков в условиях штиля, лучше справляются с непогодой. Если есть регламент действий с учетом разных вариантов развития событий, проще сориентироваться и приспособиться к новым реалиям.
Как аналитика помогает работать с рисками
Обработка массивов данных и выводы, которые можно из них сделать, помогают улучшить позиции бизнеса. По данным Forrester Analytics, data-driven компании имеют на 58% больше шансов превзойти свои цели по доходам, чем организации, не работающие с данными.
В страховании, например, аналитика, в том числе, позволяет бороться с недобросовестными клиентами. Существуют модели на основе имеющейся собственной статистики, дополнительных внешних источников, которые определяют вероятность мошенничества. Учитывается множество факторов: обстоятельства происшествия, время и место события, перечень повреждений и так далее. Вот что еще стоит учитывать при разработке модели для анализа:
- При анализе отраслевых рисков важно обращать внимание на показатели, влияющие как на вашу компанию, так и на конкурентов. Например, мы прогнозируем себестоимости страхового риска на основании исторических данных. Это одна из ключевых моделей машинного обучения, используемых при принятии решения и расчете тарифа. Если мы неправильно учтем инфляцию, то результат прогноза будет неверным, даже если сама модель точна.
- При помощи данных можно анализировать и внутренние риски. Например, при помощи моделирования и прогнозирования финансовых показателей компании, можно оценить стратегические риски при неправильном выборе курса развития компании. В том числе риски, возникающие в результате неадекватной организации работы предприятия.
Нужно учитывать, что если отраслевые показатели можно найти в открытом доступе или в специальных исследовательских агентствах, то ответственность за полноту внутренних данных лежит только на самой компании. Чтобы была возможность использовать ИИ, нужно следить за качеством данных и их своевременным обновлением.
Всем ли нужен риск-менеджмент?
Чем больше объем бизнеса, тем больше у него рисков. Как правило, в больших компаниях риск-менеджмент выделяется в отдельное направление. Сотрудники, занимающиеся оцифровкой существующих рисков и прогнозированием, находятся в тесном взаимодействии с другими подразделениями и руководством. У большой компании есть преимущество: она устойчивее за счет масштаба. Малый бизнес в ситуации экономической неопределенности часто оказывается на грани закрытия.
Работа с рисками, которые можно оцифровать при помощи статистики, уточнила бы прогнозы и помогла бы эффективнее вкладывать капитал для устойчивости компании. Необязательно сразу создавать нейросеть с ИИ, достаточно начать с базовых эконометрических инструментов Excel. С такими простыми инструментами аналитики уже можно разрабатывать action-план.
Важно предусмотреть регламент действий на случай рисков, которые не поддаются оцифровке. Например, многие компании до сих пор используют зарубежное программное обеспечение, а ведь иностранные IT-компании уходят из России. Используя зарубежное ПО, следует позаботиться созданием резервных копий и поиском альтернатив, чтобы отсутствие софта не застало врасплох.
Зачем математические модели бизнесу и как их разработать
Распространенный способ прогнозирования – применение моделей машинного обучения, которые анализируют массивы данных. В эту работу вовлечены разные специалисты и подразделения компании. Вот как обычно устроен процесс работы с моделями:
- Сбор данных для анализа. В средней или крупной компании есть сотни тысяч полей данных, их нужно собрать в одну общую базу, которая называется массивом данных. В этой базе данные приводят к одному формату по наполнению. Этим занимается data-scientist вместе с представителями бизнеса – они помогают найти в данных зависимости, объяснить их или опровергнуть.
- Построение модели. Data-scientist строит большое количество моделей обучения и выбирает из них самую функциональную. Этот процесс похож на кодинг – как и в программировании, в модели можно допустить баги. Поэтому модель проходит тест-кейсы и проверку от руководителей или сторонних data-сайентистов.
- Оценка эффективности и запуск. Модель готова, но работа только начинается – сотрудники из бизнес-подразделения оценивают, сколько денег может сохранить модель и от каких рисков оградить. По итогам оценки data-scientist либо дорабатывает модель, либо отдает ее в реализацию.
Запуск похож на обычную реализацию кода, но со своей спецификой. Например, модель сперва крутится в фоновом режиме – так компания финально проверяет, что она адекватно работает на практике. Например, компания захотела определить клиентов, которые не вернут кредит, если отсекать пользователей слишком требовательно, банк «просядет» в выручке.
Самые популярные модели – нейросети и градиентный бустинг. Эти алгоритмы машинного обучения позволяют решать задачи классификации и регрессии, а еще определять функции потерь. С ними можно построить, например, модель дефолта банка, оценить вероятность банкротства компании и так далее. Эти модели довольно быстро добиваются хорошего качества, но со временем могут деградировать. Это означает, что параметры, на которые они опираются, устаревают, и результат вычислений становится неадекватным. Поэтому их работу стоит пересматривать каждые полгода – хотя бы из гигиенических соображений.
Например, в компании могли быть модели, которые предсказывали инфляцию стоимости запчастей на год. Они показывали, что она должна или остаться на прежнем уровне, или немного снизиться. В июле 2022 года стоимость запчастей выросла почти в два раза к прошлому году. Компания вынуждена регулировать убытки с повышенной стоимостью запчастей. Дело в том, что модель не учла события из новой реальности и опиралась на нерелевантный опыт.
С чего начинать работу над рисками
Отдать риск-менеджмент, как и аналитику данных на аутсорс не получится. Данные дорого стоят на рынке и высоко конфиденциальны, их утечка – большая потеря для бизнеса, которая грозит репутационными потерями и штрафами. Единственный выход – практиковать управление рисками внутри компании.
Внедрение базового риск-менеджмента, как правило, не требует длительной подготовки и больших расходов:
- Оцениваем проблемы. Важно подумать, какие риски существуют на каждом из этапов ведения бизнеса: в рабочей коммуникации, реализации товара или производства услуги, работе с подрядчиками и поставщиками. К этому этапу стоит привлечь руководителей подразделений. Объясните им важность риск-менеджмента и замотивируйте на честную обратную связь о возможных потерях бизнеса на их участке ответственности.
- Оцифровываем риски. Поймите, какие бизнес-показатели или статистика отрасли нужны для работы с найденными проблемами. Бывает, что сразу нужных данных нет. Стоит начать работу с тем, что есть, параллельно собирая необходимые показатели, оценивать масштаб и возможные потери. Для начала работы с данными подойдут даже инструменты типа таблиц Excel. По мере развития бизнеса и обогащения данными стоит задействовать data-аналитиков и IT-специалистов.
- Управляем рисками. Полученные цифры, например, прогноз по потенциальному падению спроса, должны стать основанием для изменений в ведении бизнеса. Важно не игнорировать показатели и быстро принимать управленческие решения. Модели градиентного бустинга можно обучить буквально за день при запросе в быстром реагировании на ситуацию. Это касается, например, оценки денежного резерва компании в период экономического спада для корректировки бизнес-стратегии.
Там, где это необходимо, стоит создать методологию управления рисками – рабочий регламент действий для различных вариантов развития событий.
Помните, что финальный продукт работы с данными (математическая модель) может быть несовершенным. Чтобы не стать жертвой «модельного риска», важно быть внимательным при приемке модели. Разберитесь, на каких параметрах она построена, все ли учтено, действительно ли между показателями есть корреляция. Кроме того, каждая модель должна обновляться в соответствии с вновь поступающими данными, а прогнозы модели необходимо регулярно сверять с реальными показателями.
Также читайте: