CC BY
57STUD NET
ПРИМЕНЕНИЕ ТЕХНОЛОГИИ "БОЛЬШИХ ДАННЫХ" В ПРОЦЕССЕ ФОРМИРОВАНИЯ ФИНАНСОВОЙ ОТЧЕТНОСТИ ПО МСФО НЕФТЕГАЗОВЫХ КОМПАНИЙ
APPLICATION OF "BIG DATA" TECHNOLOGY IN THE PROCESS OF FORMING FINANCIAL STATEMENTS ACCORDING TO IFRS OF OIL AND
GAS COMPANIES
УДК-33
Пыженков Роман Сергеевич, студент магистратуры, Финансовой Университет при Правительстве РФ, Москва
Научный руководитель: Сафонова Ирина Викторовна, канд. эконом. наук, доцент, Финансовой Университет при Правительстве РФ, Москва
Pyzhenkov Roman Sergeevich, [email protected] Scientific adviser: Safonova Irina Viktorovna, Candidate of Economic Sciences, associate Professor, Financial University under the Government of the Russian Federation, Moscow
АННОТАЦИЯ
В статье представлен анализ возможностей использования технологии управления "большими данными" нефтегазовыми компаниями с целью совершенствования управленческого учета и процесса формирования финансовой отчетности по МСФО. Рассматривается в рамках статьи потенциал от внедрения данной технологии для оптимизации процессов по сбору и обработке информации и получаемые конкурентные преимущества нефтегазовыми компаниями.
ANNOTATION
The article presents an analysis of the possibilities of using the technology of managing "big data" by oil and gas companies in order to improve managerial accounting and the process of forming financial statements in accordance with IFRS. The article considers the potential impact of implementation this technology to optimize the processes of collecting and processing information and the competitive advantages obtained by oil and gas companies.
Ключевые слова: Большие данные, экономический анализ, автоматизация процессов, финансовая отчетность, МСФО, современные информационные технологии
Keywords: Big data, economic analysis, process automation, financial statement, IFRS, modem information technology
Для подготовки финансовой отчётности по МСФО нефтегазовых компании требуется структурирование большого количества данных, что связно с комплексностью нефтегазовой деятельности. Нефтегазовая отрасль представляет сложную структуру, наполненную различными финансово-экономическими и технологическими процессами, которые характеризуются большим объемом критериев и показателей. Эти показатели и характеристики процессов требуется записывать, учитывать в специальных хранилищах данных и обеспечивать оперативный доступ к ним, для обработки данной информации.
В связи с постоянно растущим объемом фиксируемых данных необходимы оптимальные подходы по работе с этими данными, обработке полученных массивов и по извлечению полезной информации из них, для принятия актуальных для компаний нефтегазового сектора стратегических решений и формирования достоверной финансовой отчётности. Принятые в последние годы новые стандарты МСФО, такие как, МСФО 15, МСФО 16, МСФО 9 вносят необходимость проведения большего объема детализации раскрываемой информации в финансовой отчетности и усложнения расчетов для ее получения. В связи с чем, нефтегазовые компаний испытывают дополнительную потребность в модернизации и совершенствования систем сбора и обработки информации. Эта потребность особенно актуальна в текущий момент, так как в связи со сложной экономической ситуацией, вызванной началом пандемией Covid-19 и снижением цен на углеводороды, нефтегазовым компаниям приходится выполнять значительную переоценку своих активов и обязательств, что требует оперативной обработки больших массивов данных.
Для решения данных проблем нефтегазовые компании могут инвестировать и внедрять новые технологии по работе с большими объемами данных (big data). Технологии big data объединяют в себе набор инструментов, технологий, подходов и методов, которые предназначаются для решения проблем сбора и обработки больших объемов данных, а так же под big data понимается объем данных, который невозможно обработать традиционными и общепринятыми способами.
В качестве одних из определяющих характеристик для big data выделяют "три V": скорость (от англ. слова velocity, в смыслах как скорость прироста, так и необходимости проведения высокоскоростной обработки и получения результатов анализа данных), объём (от англ. слова volume, в смысле
величины физического объёма анализируемых данных), многообразие (от англ. слова variety, в смысле возможности проведения одновременной обработки и анализа различных типов полуструктурированных и структурированных данных).
В широком смысле понятие big data включает в себя совокупность информационных и математических технологий по следующим направлениям:
• работа с большими массивами данных;
• интеллектуальный анализ данных;
• предиктивная аналитика, которая включает машинное обучение.
В текущий момент технология big data является одним из ключевых драйверов будущего развития информационных технологий. Данное направление модернизации и развития информационных систем, получает широкое распространение в международной практике. Данная тенденция связано с тем, что в эпоху информационных технологий, стало накапливаться большие массивы информации, требующие структурной обработки и анализа, что ускорило процесс развития и совершенствования технологий big data. Дополнительно появилось множество инструментов, датчиков позволяющих собирать большие массивы информации на всех этапах операционного цикла компании, что дает возможность эффективнее использовать технологии big data.
Методы и техники анализа, применимые к большим данным:
• методы класса data mining: кластерный анализ, обучение ассоциативным правилам, регрессионный анализ, классификация;
• интеграция и смешение данных — это набор техник, которые позволяют интегрировать вместе разнородные данные, собранные из разнообразных источников для проведения структурного анализа
• сетевой анализ, искусственные нейронные сети, оптимизация, в том числе генетические алгоритмы;
• использование моделей, которые построены на базе машинного обучения или статистического анализа для формирования комплексных прогнозов на основе базовых моделей;
• прогнозная аналитика;
• краудсорсинг;
• распознавание образов;
• имитационное моделирование;
• статистический анализ, в качестве примеров методов можно привести анализ временных рядов и A/B-тестирование.
• визуализация аналитических данных, с использованием анимации и интерактивных возможностей, как для получения итоговых результатов обработки данных, так и для использования в качестве исходной информации для дальнейшего анализа.
В нефтегазовой отрасли использование big data позволит существенно повысить эффективность операционной деятельность. Данная технология позволит повысить скорость обработки информацию и ее точность, полученные результаты анализа информации ускорят процесс подготовки финансовой отчетности, повысит ее качество, а так же предоставит возможность менеджменту компании принимать более эффективные управленческие решение. Big data позволяет автоматизировать алгоритмы разработки нефтегазовых месторождений, а так же работу скважин для максимизации ее добычи. Использование данных технологий дает возможность выбирать на этапах разработки и геологоразведки месторождения наиболее эффективные способы разработки месторождений, а при дальнейшей добычи иметь детальную информацию о структуре пласта углеводородов и динамике его изменения, использовать эту информацию для увеличения дебита скважины.
Формирование автоматизированной системы сбора данных на всех этапах технологической цепочки - от геологоразведки до транспортировки нефти и газа дает возможность нефтегазовой компании оптимизировать процесс составления финансовой отчетности. Сформированные по результатам обработки структурированные массивы данных, можно алгоритмизировать, что позволяет автоматизировать сбор раскрытий финансовой отчетности. Нефтегазовой отрасли в связи с высокой долей неопределённости на этапе геологоразведки и добычи углеводородов характерен высокий уровень использования оценочных суждений. Технологии big data позволят повысить точность оценок и прогнозов, что положительно скажется на используемых оценочных показателях и уменьшит количество ошибок в финансовой отчетности. Применяемые в финансовой отчетности по МСФО профессиональные суждения дополнятся результатам проведённого структурного анализа. В рамках текущего экономического кризиса, снижения цен на нефть и падения спроса на углеводороды, вызванных пандемией Covid-19, нефтегазовым компаниям требуется учитывать в своих оценках постоянно изменяющиеся факторы и big data дает возможность ускорить и оптимизировать этот процесс.
Среди нефтегазовых компаний автоматизируют процесс консолидации финансовой отчетности в первую очередь крупные группы компаний. В связи с обширным географическим присутствием и сложностью структуры группы, им требуется выполнение консолидации большого количества отдельных трансформационных моделей дочерних компаний. Данная задача эффективно может быть решена за счет использования технологий big data.
Одним из наиболее трудоемких этапов, с которым сталкиваются нефтегазовые компании в процессе консолидации финансовой отчетности, является элиминация внутригрупповых оборотов ("ВГО"). Для нефтегазовых групп с большим количеством дочерних компаний в своей структуре, матрицы сверки внутригрупповых оборотов очень объемны и требуют значительных временных затрат для их обработки. Решить эту задачу при помощи автоматизированной информационной системы можно значительно эффективнее. Применение технологий big data дает возможность оптимизировать сбор точной и полной информации по остаткам в расчетах и оборотам между компаниями внутри группы, так и своевременное выявлять все расхождения.
Автоматизация учета по МСФО является одним из ключевых факторов повышения эффективности деятельности нефтегазовых компании. Внедрение автоматизированной информационной системы учета по международным стандартам дает возможность обеспечить менеджмент компании детализированной информацией о ее деятельности и ускорить принятие управленческих решений. Данные меры позволят нефтегазовым компаниям быстро адаптироваться к изменениям на рынке углеводородов. Автоматизация международного учета значительно сокращает время аудита и подготовки финансовой отчетности, таким образом обеспечивая нефтегазовым компаниям экономию затрат и большую гибкость при привлечении иностранного капитала. Внедрение информационных систем, таких как технология big data, связана с рядом сложностей, однако эффективность работы в них существенно превосходит затраты на их внедрение.
Литература
1. М.М. Хасанов, Перспективные технологии Big Data в нефтяном инжиниринге. 2017. [Электронный ресурс]. URL: https://ntc.gazprom-neft.ru/research-and-development/papers/13596/ (Дата обращения -10.05.2020).
2. Deloitte. The big thing about big data and the Internet of Things. 2017. [Электронный ресурс]. URL: https://www2.deloitte.com/content/
dam/Deloitte/global/Documents/Technology/gx-tech-big-data-iot-dec-2016.pdf. (Дата обращения: 11.05.2020).
3. David Court. "Getting Big Impact from Big Data." 2015. [Электронный ресурс]. URL: https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/getting-big-impact-from-big-data (Дата обращения: 11.05.2020).
4. Deloitte. Challenges and solutions for the digital transformation and use of exponential technologies. 2015. [Электронный ресурс]. URL: https://www.pac.gr/bcm/uploads/industry-4-0-deloitte-study.pdf (Дата обращения: 10.05.2020).
5. The Free Encyclopedia Wikipedia. Big data. [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/- Большие_данные (Дата обращения: 10.05.2020).
6. Keith D. Foote. Big Data Trends in 2019. [Электронный ресурс]. URL: https://www.dataversity.net/big-data-trends-2019/ (Дата обращения: 12.05.2020).
Literature
1. M. M. Khasanov, Promising Big Data technologies in oil engineering. 2017. [Electronic resource]. URL: https://ntc.gazprom-neft.ru/research-and-development/papers/13596/ (date accessed - 10.05.2020).
2. Deloitte. The big thing about big data and the Internet of Things. 2017. [Electronic resource]. URL: https://www2.deloitte.com/content/ dam/Deloitte/global/Documents/Technology/gx-tech-big-data-iot-dec-2016.pdf. (Date accessed: 11.05.2020).
3. David Court. "Getting Big Impact from Big Data." 2015. [Electronic resource]. URL: https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/getting-big-impact-from-big-data (accessed: 11.05.2020).
4. Deloitte. Challenges and solutions for the digital transformation and use of exponential technologies. 2015. [Electronic resource]. URL: https://www.pac.gr/bcm/uploads/industry-4-0-deloitte-study.pdf (date accessed: 10.05.2020).
5. The Free Encyclopedia Wikipedia. Big data. [Electronic resource]. URL: https://ru.wikipedia.org/wiki/ - Big_data (accessed: 10.05.2020).
6. Keith D. Foote. Big Data Trends in 2019. [Electronic resource]. URL: https://www.dataversity.net/big-data-trends-2019/ (accessed: 12.05.2020).
