CONTEMPORARY PROBLEMS OF ECONOMIC ANALYSIS IN RUSSIAN COMMERCIAL ORGANIZATIONS: FROM RETROSPECTIVE TO BUSINESS INTELLIGENCE

Full Text

В условиях современной экономики, характеризующейся высокой степенью неопределенности, разрывом логистических цепочек и волатильностью спроса, требования к качеству управления коммерческой организацией кардинально меняются. Если в период стабильного роста компании могли позволить себе принимать решения на основе интуиции или квартальных отчетов, то сегодня скорость реакции на изменения внешней среды становится фактором выживания.

Экономический анализ, как функция управления, призван обеспечивать менеджмент объективной информацией [1, 2]. Проблематика анализа широко освещена в трудах отечественных экономистов (М.И. Баканова, А.Д. Шеремета, В.И. Бариленко), однако большинство классических работ фокусируются на методиках расчета коэффициентов на основе бухгалтерской отчетности. В то же время, вопросы цифровой трансформации аналитической функции и применения современных Business Intelligence (BI) систем в условиях российской действительности исследованы недостаточно полно, особенно в контексте предприятий малого и среднего бизнеса (далее – МСБ) и агропромышленного комплекса (АПК).

Практика показывает, что в значительном числе российских предприятий анализ носит формальный характер. Зачастую он сводится к «посмертному учету» – констатации финансовых результатов по итогам периода, когда возможность повлиять на ситуацию уже упущена. Целью данной работы является выявление ключевых проблем экономического анализа и обоснование роли бизнес-аналитики как нового эволюционного этапа в развитии систем управления российскими предприятиями.

1. Проблематика экономического анализа: от методологии до кадров. Нами была разработана структурно-логическая схема проблемного поля экономического анализа (рис. 1), позволяющая выделить три ключевых блока проблем: методологические, информационно-технические и кадровые.

1.1. Информационный разрыв и феномен «Excel-зависимости». Одной из самых острых проблем остается качество и доступность данных. Во многих организациях существует так называемая «лоскутная автоматизация». Учет ведется в разрозненных системах, каждая из которых решает свои локальные задачи:

1. бухгалтерский учет ведется в системах класса 1С;
2. управление клиентами – в CRM-системах (Customer Relationship Management – система управления взаимоотношениями с клентами);

3. складской учет – в WMS (Warehouse Management System – система управления складом) или локальных файлах.

 

Рис. 1. Структурно-логическая схема проблематики экономического анализа и перехода к BI-аналитике

 

Данные в этих системах часто не синхронизированы. Например, выручка в CRM (управленческий взгляд по факту сделки) может отличаться от выручки в бухгалтерской системе (фискальный взгляд по факту подписания актов) из-за разницы в моментах признания доходов.

Это порождает тотальную зависимость от табличных редакторов (Microsoft Excel). По оценкам экспертов рынка IT и консалтинга, до 70-80% российских компаний сегмента МСБ используют Excel как основной инструмент управленческой отчетности [3, 5, 6]. Несмотря на гибкость, Excel в масштабах предприятия несет критические риски:

1. Высокая трудоемкость: Финансовый директор или аналитик тратит до 80% времени на сбор, выгрузку и «чистку» данных (процесс Data Preparation) и только 20% – на интеллектуальный анализ;
2. Отсутствие «единой версии правды»: разные отделы (продажи и финансы) приходят на совещания с разными цифрами по одним и тем же показателям, так как используют разные выборки и фильтры в своих таблицах. Это парализует процесс принятия управленческих решений;
3. Риск потери данных: Локальные файлы подвержены коррупции, случайному удалению или несанкционированному копированию. Также здесь действует принцип GIGO (Garbage In, Garbage Out – «мусор на входе – мусор на выходе»): при неверных входящих данных результат анализа также будет неверным, независимо от сложности применяемых формул.

1.2. Методологическая стагнация и ограничения ФСБУ. Второй блок проблем — доминирование ретроспективного подхода.

Традиционный анализ в России исторически вырос из бухгалтерского учета, который жестко регламентирован Федеральными стандартами бухгалтерского учета (ФСБУ). Главная цель бухгалтерского учета – формирование отчетности для внешних пользователей (налоговой службы, банков). Такой подход накладывает серьезные ограничения на управленческий анализ:

1. запаздывание: бухгалтерская отчетность формируется к 20-25 числу месяца, следующего за отчетным. Для оперативного управления это слишком поздно;
2. статичность: Методики (например, вертикальный и горизонтальный анализ баланса) отвечают на вопрос «Что случилось?», но не дают ответа на вопросы «Почему это случилось?» и «Что будет дальше?»;
3. фокус на прошлом: анализируются исторические данные, тогда как для управления важен прогноз (например, кассовых разрывов).

1.3. Кадровый дефицит и разрыв компетенций. По данным исследований рынка труда (hh.ru), в России наблюдается острый дефицит специалистов с компетенциями на стыке экономики и IT [4]. Возникает профессиональный разрыв:

1. традиционный бухгалтер отлично знает ФСБУ и налоговый кодекс, но часто не обладает навыками работы с большими данными (Big Data) и визуализацией;
2. IT-специалисты и дата-сайентисты умеют писать код, но часто не понимают экономической сущности показателей, таких как EBITDA (Earnings Before Interest, Taxes, Depreciation and Amortization – прибыль до вычета процентов, налогов и амортизации), маржинальность, оборачиваемость.

Это создает барьер для внедрения современных аналитических инструментов, так как некому поставить корректное техническое задание.

2. Эволюция аналитической функции и переход к BI. Проблемы, описанные выше, носят эволюционный характер. Российский бизнес проходит стадии зрелости работы с данными. Мы можем выделить три этапа эволюции аналитической функции (табл. 1).

 

Таблица 1. Этапы эволюции функции экономического анализа в организации

Этап развития	Характеристика (Тип анализа)	Используемый инструментарий	Основной вопрос
Учетный	Описательная аналитика (Descriptive). Фиксация фактов хозяйственной жизни.	1С, Бумажные отчеты, простые таблицы	Что произошло в прошлом месяце?
Диагностический	Диагностическая аналитика (Diagnostic). Поиск причин отклонений через ручную обработку. Текущее состояние большинства МСБ.	Excel (сложные формулы, макросы), Google Sheets	Почему это произошло?
Стратегический	Предиктивная аналитика (Predictive). Прогнозирование и моделирование сценариев.	BI-системы, DWH (хранилища данных), Machine Learning	Что произойдет, если...? Как достичь цели?

 

Для выживания в текущих условиях компаниям необходимо форсировать переход от второго этапа к третьему.

2.1. Специфика для агропромышленного комплекса. Для Омской области, как крупного аграрного региона, вопросы аналитики стоят особенно остро. Агробизнес характеризуется высокой зависимостью от внешних факторов (погода, цены на ГСМ) и низкой маржинальностью. Ошибка в планировании здесь стоит дорого.

На передовых предприятиях региона («Омский бекон», ГК «Руском») уже внедрены элементы цифровизации, схожие по принципам с промышленными системами мониторинга оборудования. Если на заводе датчики следят за работой ЧПУ-станков, то в АПК используются системы телеметрии для техники (ГЛОНАСС/GPS мониторинг, датчики уровня топлива). Эти системы решают конкретные задачи:

1. контроль расхода ГСМ: предотвращение хищений и перерасхода топлива;
2. соблюдение технологии: контроль скоростного режима техники при посеве или обработке (превышение скорости ведет к нарушению агротехнологии и потере урожая);
3. учет выработки: автоматический расчет обработанной площади для начисления заработной платы механизаторам [7].

Эти системы генерируют огромный массив данных (Big Data). Обработать такой поток информации вручную в Excel невозможно. Именно здесь возникает потребность в BI-аналитике, которая собирает данные с полей, складов и бухгалтерии в единый дашборд агронома или директора.

Однако в сегменте среднего агробизнеса (фермерские хозяйства) сохраняется «цифровое неравенство»: учет ведется в тетрадях или разрозненных таблицах, что не позволяет видеть реальную себестоимость продукции в разрезе каждого поля или культуры в режиме реального времени.

2.2. Бизнес-аналитика (BI) как решение. Решением является переход к системам Business Intelligence (BI). Внедрение BI-аналитики позволяет преодолеть ограничения традиционного подхода. Сравнительная характеристика традиционного анализа и BI-аналитикипредставлена в таблице 2.

 

Таблица 2. Сравнительная характеристика традиционного анализа и BI-аналитики

Критерий сравнения	Традиционный подход (Excel, 1С)	Подход на основе Business Intelligence (BI)
Цель анализа	Констатация факта (Ретроспектива)	Прогноз и поиск инсайтов (Перспектива)
Источники данных	Ручные выгрузки, разрозненные файлы	Автоматическая консолидация из всех систем (DWH)
Оперативность	Раз в месяц (после закрытия периода)	Режим реального времени (Near Real-Time)
Доступность	Статичные отчеты для руководства	Интерактивные дашборды с детализацией (Drill-down)
Роль аналитика	Сборщик данных («оператор Excel»)	Бизнес-партнер, интерпретирующий тренды
Влияние на стратегию	Низкое (ретроспективный анализ)	Высокое (оперативная коррекция курса)

 

Анализ практики внедрения BI-систем показывает следующий экономический эффект [3]:

1. сокращение трудозатрат на подготовку отчетности: с 3-5 дней до 1-2 часов (за счет автоматизации сбора данных);
2. повышение оборачиваемости запасов на 15-20% (за счет выявления неликвидов в реальном времени);
3. рост маржинальности продаж на 3-5% (за счет оперативного контроля цен и скидок).

Проведенное исследование позволяет сделать вывод, что традиционные подходы к экономическому анализу в российских коммерческих организациях исчерпали свой ресурс эффективности. «Excel-зависимость», методологическая отсталость и разрыв между различными контурами учета становятся тормозом развития.

Перспектива развития экономического анализа лежит в плоскости внедрения BI-технологий (Visiology, Modus BI, Форсайт), которые позволяют высвободить ресурсы аналитиков от рутины для решения стратегических задач. Это требует не только инвестиций в ПО, но и кардинального изменения культуры менеджмента – готовности доверять данным и перестраивать процессы на их основе.

About the authors

V. A. Kivgan

Omsk State Agrarian University named after P.A. Stolypin

Author for correspondence.
Email: va.kivgan2506@omgau.org

Graduate Student

Russian Federation, Russia, Omsk

S. A. Nardina

Omsk State Agrarian University named after P.A. Stolypin

Email: sa.nardina@omgau.org

Candidate of Economic Sciences, Associate Professor

Russian Federation, Russia, Omsk

References

Supplementary files