Yritysjohdon päätöksenteon tukijärjestelmien modernit periaatteet

Julkiseen taloustietoon perustuva käytännön esimerkki

Käyn seuraavaksi läpi puhtaasti julkiseen tilinpäätösinformaatioon perustuvan käytännön esimerkin. Sovellan esimerkissä suurteholaskennan menetelmiin perustuvaa monijaksoista yritysmallia. En ole keskustellut tilinpäätösinformaatiosta automaattisesti johdettujen parametrien hienosäädöstä tai muustakaan malliin liittyvästä esimerkkiyrityksen johdon kanssa. Järjestelmän tarkistamiseksi olen tuottanut vastaavia automaattisia pro forma -strategioita keskisuurille ja suurille yrityksille usealla eri alalla. Näitä yrityksiä ovat mm. metsäyhtiö, energia-alan suuryritys, telakkayhtiö, kaivosalan suuryritys, konerakennusyhtiö, Big4 tilintarkastustoimisto, yritystietoa tarjoava yritys, majoitusratkaisuja meri-, offshore- ja rakennusteollisuuden tarpeisiin tarjoava yritys ja kirjanpitotoimisto.

Yritysmallin tarvitsemat parametrit johdetaan automaattisesti julkisesta tilinpäätösinformaatiosta (taulukko 1 pdf-tiedostossa, kaikki taulukot ja kuvaajat ovat samassa pdf-tiedostossa). Sain idean tälle automaatiolle keskusteluissa Suomen Asiakastieto Group Oy:n analyytikoiden kanssa vuonna 2017. Parametriavaruudessa tunnistettavia suureita ovat mm. sosiaalinen mediaindeksi (SMI), jolla on suora yhteys yrityksen markkinaosuuteen: markkinaosuutta enempää yritys ei voi myydä. Sain idean SMI:n tuomisesta yritysmalliin PWC Suomen edustajien kanssa käymissäni keskusteluissa vuonna 2017. Parametrien ja yrityksen taloushistorian perusteella määritetään pitkän tähtäyksen strategia (taulukko 2), jonka yritys vahvistaa tarpeellisten täsmennysten jälkeen (esim. investoinnit, varastonhallinta, osakeantisuunnitelma ja osinkosuunnitelma). Vahvistettu strategia muodostaa pohjan yrityksen vuosibudjetille, kuukausihajotelmalle ja -seurannalle (taulukko 3). Taulukosta 3 näemme yhdellä A4:lla

• Yrityksen vahvistetun monivuotisen strategian, tässä esimerkissä 5:lle vuodelle
• Vahvistetun budjetin seuraavalle vuodelle
• Kumulatiivisen toteuman, tässä esimerkissä maaliskuuhun 2017 saakka
• Osavuosikatsauksen
• Projektion vuoden loppuun.

Tällä A4:lla näkyvät yrityksen tuloslaskelma, tase ja kassavirrat:

alkava kassa + operatiiviset kassavirrat IAS 7:n mukaan ± rahoituserät, osingot ja investoinnit = päättävä kassa

Idean tällaiselle yhteenvetoraportille sain keskusteluissa Strategic Accounting (SAF) Oy:n hallituksen puheenjohtaja Riku Lehtisen kanssa vuonna 2018. SAF:illa on yli 40 vuoden kokemus konsultaatiosta ja koulutuksesta strategisen laskentatoimen alalla.

Koska esimerkin perusvuosi on 2016, voidaan kätevästi verrata ensimmäistä strategiavuotta toteumaan mahdollisten täsmennys- ja oikaisutarpeiden tunnistamiseksi. Myös maallikolla on mahdollisuuksia omaksua mainitulla A4:lla esitetty informaatio ja sitä kautta muodostaa parempi kokonaiskuva yrityksen taloudellisesta tilasta kuin pitkin organisaatiota hajautettujen osittaisraporttien kautta.

Täydellisesti toimiva kuukausiseuranta edellyttää lähtökohtaisesti vain 22 tietoa kuukausittain yrityksen kirjanpitojärjestelmästä (pääkirjasta). Tämä syöte on koottu erilliselle osiolle "Monthly keys". Tietoteknisesti tämä syöteinformaatio ei ole iso asia, mutta päätöksenteon kannalta jatkuvan A4-informaation mahdollistava ratkaisu on merkittävä.

Paradigman muutos ylimmän johdon päätösjärjestelmissä

Tässä kirjoituksessa esitelty järjestelmä ja erityisesti kokoava tieto taulukossa 3 edustavat paradigman muutosta moderniin Executive decision support -ajatteluun, missä suunnittelu ja budjetointi tehostuvat ja johtoryhmän koordinointi paranee.

Ensisilmäyksellä malli ei oleellisesti eroa tällä hetkellä käytössä olevista järjestelmistä, mutta järjestelmän sisäänrakennetut yritystason riskinhallintakomponentit tarjoavat mahdollisuuksia monipuolisempiin riskianalyyseihin kuin mihin päästään perinteisillä riskinhallintamenetelmillä. Lisäksi laskenta-alusta GHA tukee ainutlaatuisella tavalla holististen yritysmallien kytkemistä yrityksen teknologisiin prosesseihin. GHA on kirjoittajan vertaisarvioiduisssa tieteellisissä julkaisuissa dokumentoima akateeminen elämäntyö.

Moderni riskianalyysi

Esitän kuvaajassa 1 riskianalyysin, joka perustuu yritysmallin massiiviseen rinnakkaisprosessointiin suurteholaskennan menetelmin. Riskianalyysi koostuu seuraavista vaiheista:

(i)   Yrityksen keskeisten parametrien relevanttien kombinaatioiden määrittäminen
(ii)  Monijaksoisen yritysmallin ratkaiseminen kaikilla parametrikombinaatioilla
(iii) Jokaisen ratkaisun downside-riskin määritys.

Kuvaajien 1-2 tuottamiseen tarvitaan tuhansien strategiavaihtoehtojen ratkaisemista ja 102.4 miljardia täydellistä monijaksoista täsmäytettyä tilinpäätöstä. Kuvaaja havainnollistaa riskipintaa yrityksen parametriavaruudessa. Vihreä pinta edustaa turvatasoa, jonka yrityksen diskontattu kokonaistulos alittaa korkeintaan 2.5 % todennäköisyydellä. Yrityksen odotettu riskipinta on kuvattu sinisellä. Jokainen piste riskipinnassa edustaa strategiaa, jonka pohjana olevat kriittiset päätökset ja täydelliset taloudelliset laskelmat voidaan tuottaa täsmällisesti.

Kuvaajat 2-3 osoittavat, että järjestelmä toimii mielivaltaisilla suunnittelujaksoilla, tässä esimerkissä 100 vuoden horisontilla. Matemaattinen tehtävä luonnollisesti kasvaa horisontin mukana, mutta se ei käy numeerisesti hankalaksi. Pitkäaikainen laskelma indikoi samalla johdon suunnitelman stabiilisuutta. Yhdellä tietokoneella kuvaajan 1 tuottaminen vaatisi 3 vuorokautta jatkuvaa prosessointia, kuvaajan 2 tuottaminen puolestaan 66 vuorokautta. GHA:n rinnakkaismodulien avulla kuvaajan 1 tuottaminen CSC:n Cray XC40 supertietokoneella 4096 ydintä käyttäen kestää yhden CPU-minuutin ja kuvaajan 2 tuottaminen 23 CPU-minuuttia.

GHA laskenta-alusta

Edellä käytetty GHA-kirjasto tukee ongelmanratkaisua useilla tekniikoilla, kuten matemaattinen ohjelmointi, korkean suorituskyvyn simulaatiot, tekoälyyn perustuvat tekniikat ja näiden yhdistelmät. Kirjasto on kirjoitettu ANSI C:llä ja se tukee C++ ja F90-kielisiä kirjastoja. R-yhdistettävyys saadaan C++-käyttöliittymällä. Projektit voidaan kirjoittaa esim. C, C++, F, Open source R tai Matlab (Octave) -kielillä. Kirjasto sisältää MPI-wrapperit rinnakkaiskäsittelyyn supertietokoneilla. GHA kopioidaan jokaiselle rinnakkaiskoneelle prosessitason suorituskyvyn maksimoimiseksi. Eri ratkaisustrategioita voidaan käyttää samanaikaisesti eri laskentaytimissä tai ydinklustereissa. Early Mesh Interrupt mahdollistaa välittömän keskeyttämisen, kun ongelma on ratkaistu jossain verkon osassa. Mikä tahansa ulkoinen algoritmi voidaan kytkeä GHA:n kiihdytinfunktion kautta. GHA voidaan myös integroida muihin järjestelmiin. Kiihdyttimen ansiosta tutkija voi tehokkaasti käsitellä keskeistä kysymystä: Kuinka voin ratkaista numeerisen tutkimusongelman turvautumalla parhaisiin saatavilla oleviin tietokonetyökaluihin?

Järjestelmää on perusteellisesti testattu ja tulokset esitetty lukuisissa vertaisarvioiduissa tieteellisissä julkaisuissa talouden, tekniikan, soveltavan matematiikan, tilastotieteen, operaatioanalyysin ja fysiikan alalla. Alustaa on kehitetty ja käytetty mm. seuraavilla alueilla:

(i)    Tieteellinen laskenta

• Monimutkaiset globaalit optimointiongelmat.
• Laskennallisen fysiikan ongelmat.
• Rajoitettu optimointi: epälineaariset (disjunktiiviset) sekalukutehtävät
• vektori-aikasarjamallit
• Simulointitehtävät
• Poikkitieteelliset suurteholaskentatehtävät

(ii)      Yritysmallinnus
(iii)    Rekursiivinen salkkumallinnus.

Järjestelmä on osoittautunut joustavaksi työkaluksi teolliseen ja akateemiseen tutkimukseen ja menetelmäkehitykseen.

Haemme kumppaneita akateemiseen/kaupalliseen yhteistyöhön Åbo Akademin kanssa.

Kiitos: Kiitän Tieteen tietotekniikan keskus CSC:n asiantuntijoita neuvoista ja tuesta tieteelle vuosien saatossa.
 

Kirjoittaja on Åbo Akademin laskentatoimen ja optimointisysteemien professori.

Kuva: ThinkStock

Lisätietoja:

Östermark, R (2018): GHA: A generic artificial intelligence based HPC platform for cross-disciplinary R & D. (PDF presentation)

Östermark, R (1999): Solving irregular econometric and mathematical optimization problems with a genetic hybrid algorithm. Computational Economics 13:2 pp. 103-115.

Östermark, R (2015): A parallel algorithm for optimizing the capital structure contingent on maximum value at risk. Kybernetes. The International Journal of Systems and Cybernetics, 44 No 3, 384-405. (http://www.emeraldinsight.com/doi/abs/10.1108/K-08-2014-0171).

Lahti A, Östermark R, Kokko K: Optimizing atomic structures through geno-mathematical programming. Forthcoming in Communications in Computational Physics.

Julkaistu alunperin 20.06.2018.

Lisää tästä aiheesta » Siirry sisältöihin ja uutisiin »