Как выстроить управление финансами в ИТ-компании — опыт CodeInside

Привет, я Анастасия Харитонова, финансовый и налоговый консультант, основательница fin.team. Уже 10 лет я строю финмодели, помогаю IT-бизнесу разбираться с налогами, настраивать управленческий учет и защищать бизнес-планы перед инвесторами.

Сегодня расскажу предпринимателям, которые идут в IT-сектор, как грамотно вести управленческий учет, чтобы понимать, какой проект забирает много времени, но приносит мало денег, потянет ли компания выход на зарубежный рынок и сколько можно потратить на бассейн на крыше.

Управленческий учет и бухгалтерия — это разные вещи. Бухгалтерия — для сдачи отчетности и уплаты налогов. Управленческий учет — для собственников бизнеса, чтобы видеть картину целиком и быстро принимать решения.

IT-компаниям, как и любому бизнесу, нужен финансовый план, чтобы понимать:

  • какие проекты и услуги забирают много времени и приносят мало денег;
  • сколько можно потратить на бассейн на крыше, чтобы не попасть в кассовый разрыв;
  • потянет ли компания выход на зарубежные рынки;
  • за сколько можно продать долю в бизнесе;
  • как оценить стоимость всего бизнеса целиком;
  • стоимость своих продуктов — не тянуть резину, а выпускать MVP, чтобы поскорее выйти на безубыточность.

Вот ссылка на шаблон финмодели, которым можно пользоваться поначалу, чтобы свести расходы с доходами и понять свои финансовые результаты.

В IT-бизнесе зарплата сотрудников и взносы с нее занимают около 70% от общего объема затрат, и когда команда не укладывается в сроки, это плохо не только для репутации, но и для прибыли

Поэтому, чтобы не запутаться, кому, за что и сколько нужно платить, сразу организуйте управленческий учет или делегируйте это на аутсорсинг — сэкономите время и нервы.

Налаживайте учет обязательств и денег, пока компания не разрослась, то есть пока у вас работает не больше пяти человек и проектов не больше трех. Потом, когда данных будет больше, навести порядок и посчитать реальную прибыль будет тяжелее.

Поначалу цифры по проекту можно вводить в гуглдоки или Excel, потом уже нужно подключать программы для автоматизации, например 1С.

Если сразу решите настраивать автоматизированный учет на 1С, то выбирайте «1С УНФ», она отлично справляется с задачами анализа данных и простая в использовании. Сотрудникам и руководителю будет нетрудно ее освоить.

Считайте окупаемость и прибыль с каждого проекта, а не все вместе. Тогда будет видно, что тянет вас на дно, а где золотая жила.

Пример из жизни. Ребята делают IT-продукты на заказ и всегда считали себя веб-студией, делали упор на разработку сайтов и держали с десяток фронтендеров на бенче. Когда стали настраивать управленку, в первый же месяц стало ясно, что, несмотря на количество заказов по вебу, маржа по этому направлению меньше из-за бенча и расходов на рекламу. А вот направление мобильных приложений показывает солидную прибыль при относительно низких затратах на продвижение. И его нужно активно развивать.

Распределяйте время команды на проекты с помощью выгрузки задач из Jira.

Для этого нужно выгрузить все задачи сотрудника за месяц из таск-менеджера в часах, определить удельный вес трудозатрат каждого проекта, а потом перевести это в денежный эквивалент:

взять затраты на сотрудника = зп на руки+ндфл+взносы с ФОТ

И распределить их пропорционально отработанному времени. В результате получим себестоимость трудозатрат проекта.

В IT Jira можно использовать не только для контроля задач и сроков по проектам, но и для анализа рентабельности проекта:

При оценке прибыльности проектов учитывайте временной фактор.

Часто аутсорсинговые компании делают проекты на заказ и выкатывают солидный фикс за результат, рассчитывая, что эта сумма покроет все затраты и принесет еще столько же сверху. Сотрудники не справляются в срок или в процессе выясняются неожиданные технические сложности, период выполнения работ растет, а поскольку зарплаты и налоговая нагрузка на программистов фиксированные, ежемесячно прибыльность проекта падает.

Считайте прибыль после акта сдачи-приемки работ, а не с момента получения денег.

В кассовых разрывах тонут не только крупные производственные компании, но и продвинутые айтишные. Чтобы не пришлось продавать новенькие макбуки на Авито для выплаты зарплаты сотрудникам, сразу настройте платежный календарь и запомните золотое правило:

ДЕНЬГИ на счету ≠ ПРИБЫЛЬ

Прибыль нужно считать, когда подписали акт сдачи проекта или этапа по проекту, а не когда деньги от заказчика поступили на ваш расчетный счет. Тем более практически всегда IT-компании работают по предоплате.

Когда подпишете акт, вы сможете точно подсчитать, сколько времени и денег потратили на разработку заказанного продукта и сколько заработали по этому проекту.

В следующий раз расскажу, как фиксировать договоренности с подрядчиками, чтобы оградить себя от проблем.

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

38.04.08. Финансы и кредит

1-й курс, 1, 2 модуль

Финансовые рынки и финансовые институты

Программа дисциплины

Цель курса — развитие навыков использования информационных технологий, необходимых современному финансисту. В рамках курса студенты научатся программированию на Python, R и SQL, познакомятся с коллаборационными информационными системами (github, сервисы для управления проектами), а также приложат полученные навыки к проектам в финансовой сфере. Первый модуль реализуется в формате blended learning, сочетая линейки online-курсов по языкам программирования и очные консультации с отработкой ключевых проблем и полезных приемов. Второй модуль закрепляет навыки программирования на реальных финансовых задачах по двум трекам: алгоритмическая торговля и управление риском. Курс уделяет особое внимание понятности и воспроизводимости разработанных продуктов, поэтому peer-review является центральным элементом в оценивании образовательных результатов.

Цель освоения дисциплины

  • IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 1. Базовые идеи построения торговых стратегийАльфа, основные принципы создания альф, разновидности позиций, momentum и reversion, мета-правила
  • IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 2. Визуализация, backtesting и подходы к отбору торговых стратегийПолезные и необходимые графики и
    диаграммы, принципы осуществления
    backtesting, инструменты для оценки качества
    торговой стратегии
  • IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 3. Структура финансовых данных и их предобработкаСтакан заявок, разновидности приказов,
    частота данных, наиболее частые ошибки в
    данных, полезные способы преобразования
    данных
  • IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 4. Execution, продвинутый backtesting и управление рискомОсобенности внедрения альф в торговых роботах, основные ошибки исполнения заявок, учет комиссий, проскальзываний, эффекта объема в backtesting, понятие stoploss и управление риском
  • IT для финансистов (ФРФИ). Трек 1. Торговые стратегии на финансовом рынке. Тема 5. Отладка торгового робота и презентация результатов работыРазработка автоматизированных отчетов, тестирование торговых роботов в рыночных условиях, презентация результатов работы торговых стратегий
  • IT для финансистов (ФРФИ). SQLОбучение основам программирования на SQL
  • IT для финансистов (ФРФИ). R/PythonОбучение основам программирования на R/Python
  • IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 4. Элементы пользовательского интерфейса и репортингВвод пользовательских параметров. Форматы хранения и экспорта результатов расчетов. Практика автоматизации аналитического отчета в задачах анализа риска кредитного портфеля, риска рыночной ликвидности и процентного риска.
  • IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 3. Визуализация данных и представление результатов расчетовВиды графиков, их атрибуты и их настройка. Практика использования matplotlib на примерах финансовых задач: анализ качества рейтинговой системы, риска ликвидности и динамики процентных ставок и кредитных спредов.
  • IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 2. Анализ структуры и качества данных, финансовые вычисленияОписательная статистика. Поиск ошибок, анализ пропусков, фильтрация данных. Построение выборки и анализ репрезентативности. Трансформация данных: объединение, агрегирование, группировки. Приложение к анализу кредитного портфеля, книги лимитированных заявок и структуры рынка облигаций.
  • IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 1. Неструктурированные финансовые данные и их организация в БДПрактика создания/организации/ управление БД и осуществления SQL запросов для финансовых данных: данные о кредитном портфеле банка; реестр биржевых заявок; данные рынка облигаций. Практика управления БД с помощью Python по API.
  • IT для финансистов (ФРФИ). Трек 2. Финансовые риски. Тема 5. Тестирование программных инструментовКритическая оценка документации программных инструментов, проверка соответствия функционала документации и содержанию практической задачи, поиск и локализация ошибок, исправление и предложения по доработке, заключение о тестировании
Читать также:  ГДЕ УЧАТ НА ФИНАНСЫ И КРЕДИТ

Элементы контроля

  • неблокирующийТрек 1. Самостоятельная работа №2
  • неблокирующийТрек 1. Самостоятельная работа №1
  • неблокирующийТрек 1. Самостоятельная работа №3
  • неблокирующийТрек 1. Проект
  • неблокирующийТрек 1. Peer-review самостоятельных заданий других студентов
  • блокирующийТестирование на знание основ программирования
  • неблокирующийТрек 2. Домашняя работа №1
  • неблокирующийТрек 2. Домашняя работа №2
  • неблокирующийТрек 2. Домашняя работа №3
  • неблокирующийТрек 2. Домашняя работа №4
  • неблокирующийТрек 2. Тестирование программ, написанных студентами трека в рамках домашних заданий

Промежуточная аттестация

  • Ави Пфеффер — Вероятностное программирование на практике — Издательство «ДМК Пресс» — 2017 — 462с. — ISBN: 978-5-97060-410-6 — Текст электронный // ЭБС ЛАНЬ — URL: https://e.lanbook.com/book/97346
  • Андрианова А.А., Исмагилов Л.Н., Мухтарова Т.М. — Алгоритмизация и программирование. Практикум: учебное пособие — Издательство «Лань» — 2019 — 240с. — ISBN: 978-5-8114-3336-0 — Текст электронный // ЭБС ЛАНЬ — URL: https://e.lanbook.com/book/113933
  • Финансовые вычисления. Теория и практика : учеб.-справоч. пособие / Я.С. Мелкумов. — 2-е изд. — М. : ИНФРА-М, 2017. — 408 с. — (Высшее образование: Бакалавриат). — Режим доступа: http://znanium.com/catalog/product/765733

Рекомендуемая дополнительная литература

  • Акулич И.Л. — Математическое программирование в примерах и задачах — Издательство «Лань» — 2011 — 352с. — ISBN: 978-5-8114-0916-7 — Текст электронный // ЭБС ЛАНЬ — URL: https://e.lanbook.com/book/2027
  • Артёмов И.Л., Назаров М.В. — Введение в программирование больших вычислительных задач на современном Фортране с использованием компиляторов Intel — Национальный Открытый Университет «ИНТУИТ» — 2016 — 259с. — ISBN: — Текст электронный // ЭБС ЛАНЬ — URL: https://e.lanbook.com/book/100694

Наряду с ИИ и машинным обучением, финтех — одно из модных слов в ИТ-индустрии. Что такое финтех, кому будет интересно работать в этой области и какое будущее ее ждет? Об этом мы поговорили с Алексеем Масютиным, руководителем центра искусственного интеллекта НИУ ВШЭ и академическим руководителем магистратуры «Финансовые технологии и анализ данных».

Что такое финтех?

Чаще всего в понятие «финтех» входят разработка и внедрение в финансовую отрасль технологий, связанных с обработкой данных, принятием решений на основе машинного обучения и применением новых моделей участия в финансовом рынке.

Возьмём, к примеру, децентрализованные финансы. Они возникают благодаря технологии распределенных реестров.

На традиционном рынке есть центральный контрагент (например, биржа), который выступает гарантом определенных условий сделок. В децентрализованных финансах задачи гарантирования (например, обеспечения сделки) можно решать уже без центрального посредника, а алгоритмически, на основе программного обеспечения и оборудования. Это отчасти устраняет риск контрагента.

Еще одним примером внедрения финтеха является взаимодействие компаний при экспорте и импорте. Сейчас, как правило, применяются классические продукты, такие как банковские гарантии и аккредитивы, которые определяют, когда банк или контрагент платит другому контрагенту. Когда мы используем так называемые смарт-контракты, это можно зафиксировать алгоритмически, упростить документооборот и снизить транзакционные издержки.

Одним словом, финтех — это сфера, в которой самые современные технологии помогают улучшить традиционный финансовый мир.

Для нас уже не новинка то, что для физических лиц кредитный рейтинг вычисляется автоматически — за несколько минут в приложении можно получить кредит. Для юридических лиц эта процедура гораздо сложнее — это связано с большим количеством параметров в корпоративном кредитовании.

Но даже здесь есть прогресс: ведущие банки сокращают время выдачи кредитов до минут для большого количества клиентов. Это происходит за счет внедрения моделей, которые анализируют различные источники информации. Компания выигрывает в скорости, а банк выигрывает потому, что ему не нужно держать штат людей на сбор и обработку данных. Более того, банк будет лучше понимать, какие компании смогут вернуть кредит, и прокредитует только их.

Применение методов машинного обучения ускорили создание новых продуктов и даже бизнес-моделей. Примерами таких моделей могут служить необанки и peer-to-peer площадки. Внедрение этих технологий приводит, с одной стороны, к сокращению сроков предоставления услуги, с другой — к повышению качества услуг. Появляется персонализация продуктов и сервисов — банк может «нарезать» продукты не по каким-то широким категориям клиентов, а под каждого клиента предлагать свою конфигурацию.

Персонализация ведет к повышению вовлеченности пользователя. Больше пользователей продлит подписку и порекомендуют другим оформить подписку, а, значит, компания больше заработает.

Кому стоит идти в финтех?

Если вам нравится математика и программирование, лучшей сферы, чем финтех, нет. Именно здесь есть шанс стать разноплановым ИТ-специалистом: дата-инженером, специалистом по анализу данных или инженером машинного обучения.

Машинное обучение. Финтех охватывает все классы задач машинного обучения и все типы данных:

  • классические модели на структурированных данных, когда прогнозируется та или иная величина либо классифицируются объекты;
  • текстовые данные из новостных источников, из отчетности компаний;
  • биометрия. В некоторых банках для совершения операций уже не нужен паспорт — достаточно биометрической идентификации при входе в офис;
  • графовые данные о связях о клиентах и их транзакциях.

Быстрый результат. В финтехе ты, как правило, сразу видишь результат своей работы. Здесь, когда ты разрабатываешь новый алгоритм обработки данных, он проходит валидацию и внедряется. Ты сразу видишь свою инновацию, свою модель, новый источник данных, который ты подключил. Более того, в финтехе почти всегда можно измерить, удалось ли тебе решить задачу, так как здесь есть объективные метрики.

Основные направления в финтехе

  • Машинное обучение в финансовой сфере
  • Блокчейн
  • Биометрия и компьютерное зрение
  • Виртуальные помощники и синтез речи
  • Алгоритмическая торговля
  • Рекомендательные системы

Как попасть в финтех?

Навыки, которые нужны в финтехе — это, конечно, математика, машинное обучение и программирование. Чтобы идти в разработку финансовых технологий, нужно прежде всего себе знать классическую линейку банковских и страховых продуктов, производные финансовые инструменты и регулирование банкинга и страхования.

Безусловно, нужно системное мышление, которое позволяет из отдельных вводных составить полную картину и сделать единое решение. Еще я бы особо выделил soft skills и коммуникационные навыки. Цель индустрии — в том, чтобы оперативно делать новые классные сервисы. Для этого нужно уметь слышать клиента — то есть нужна эмпатия. Чтобы создать хороший сервис необходимо представить себя на месте клиента и почувствовать, что его тревожит, какие у него сложности, какие издержки он несет. Также нужно уметь сформулировать задачу для разработчика — поставить ТЗ, собрать дополнительные данные, а самое главное — замотивировать разработчика на участие в проекте.

Чтобы понять, интересны ли вам проекты из области финтеха, посмотрите лекции летней школы по финтеху. Эта школа прошла на факультете компьютерных наук НИУ ВШЭ в 2021 году. Она охватила все основные разделы финтеха.

А если вы захотите получить практические навыки, необходимые для работы в финтехе, присмотритесь к платформе Open Data Science. Здесь можно пройти бесплатные курсы по разным разделам компьютерных наук, принять участие в соревнованиях и конференциях.

Будущее финтеха

В будущем на финтех, как мне кажется, будут влиять два фактора.

Государство. Поскольку технологии распределенных реестров меняют возможности контроля за движением финансовых потоков, важно смотреть на опыт государственного финансирования сферы. С одной стороны, технологии распределенных реестров появились, чтобы уйти от центрального контролирующего агента, которым является государство. Но с другой, одновременно они дали большие возможности для контроля. Усиление контроля за новыми финансовыми инструментами сейчас происходит по всему миру.

Возможно, что в будущем у нас будут деньги разных «цветов». Каждый «цвет» можно будет потратить только определенным образом. Например, пособие на ребенка, выплаченное деньгами правильного «цвета», можно будет потратить только на детские товары.

Риск. Также будут влиять вопросы модельного риска и, кроме того, этики искусственного интеллекта. Модельный риск — это когда модель машинного обучения начинает работать не так, как ожидалось, когда ее свойства и качество работы сильно меняются.

Раньше не так много процессов были завязаны на алгоритмы и рекомендательные системы, поэтому ситуацию можно было решить вручную. Сейчас нужны принципиально новые инструменты управления портфелем моделей машинного обучения. Из-за этого возникнет тренд на стандартизацию методов применения искусственного интеллекта. Такая работа уже ведется — в том числе, у нас в Вышке.

Как выстроить управление финансами в ИТ-компании — опыт CodeInside

Финтех (финансовые технологии) — это инновации и разработки в сфере финансовых услуг, предназначенные для упрощения взаимоотношений с денежным средствам, а также для повышения доступности таких услуг для населения и бизнеса. Кроме того, финтехом могут называться различные технологические стартапы и крупные компании, которые продают усовершенствованные финансовые услуги.

Читать также:  Какие финансовые причуды характерны для организаций с различными организационными, правовыми и экономическими структурами?

Как выстроить управление финансами в ИТ-компании — опыт CodeInside

Финансовые технологии используются в различных операциях по осуществлению кредитования, платежей, переводов, сбережений, инвестирования, страхования, оптимизируя бизнес-модели и делая более клиентоориентированными как крупные банки, так и узкопрофильные финансовые компании.

Развитие цифровых финансовых технологий обусловлено достижением таких целей, как:

  • обеспечение конкурентных условий на финансовых рынках;
  • оказание более доступных и качественных финансовых услуг, расширение их перечня;
  • сокращение рисков и издержек в финансовой сфере;
  • обеспечение безопасности и стабильности при эксплуатации инструментов финтеха.

Наиболее часто финансовые технологии в цифровой экономике применяются в направлениях:

  • краудфандинга и финансирования бизнеса (Indiegogo, Kickstarter, Boomstarter, Planeta.ru, StartTrack);
  • платежей и розничных транзакций: сервисов онлайн платежей, сервисов онлайн переводов, Р2Р обмена валют (переводов между физическими лицами), сервисов B2B платежей и переводов (переводы между юридическими лицами), касс и смарт-терминалов в «облаке», сервисов массовых выплат (PayPal, WePay, Alipay, WeChat, Apple Pay, Google Pay, VK Pay, Яндекс.Деньги, Qiwi Кошелек);
  • блокчейна и криптовалют (Bitcoin, Ethereum, Cardano, EOS, Tron, ChainLink, Tezos);
  • цифрового банкинга (Тинькофф банк, Monzo, Revolut, Starling Bank, Finicity, N26);
  • искусственный интеллект (AI). Алгоритмы искусственного интеллекта могут применяться для составления прогнозов обстановки на фондовом рынке и аналитики экономической ситуации. ИИ применяется для сбора и формирования сведений о наиболее частых действиях клиентов и обеспечивает финансовым учреждениям лучшее понимание своей клиентуры. Еще один инструмент, созданный на базе ИИ — чатботы, которые используются банками для информационной поддержки клиентов;
  • BigData — в финансовом секторе BigData чаще всего применяются для составления прогнозов по инвестициям клиентов и рыночным изменениям и для формирования обновленных стратегий и портфелей. Большие данные также задействуются для профилактики действий мошенников,  помогают банкам сегментировать маркетинговые стратегии и позволяют оптимизировать деятельность компании;
  • Robotic Process Automation — это технология ИИ, работа которой сфокусирована на автоматизации конкретных повторяющихся задач (например, ввода данных в информационные системы), которые не требуют специальных навыков. RPA помогает в обработке финансовой информации, такой, как данные по кредиторской и дебиторской задолженности, более продуктивно, чем ручная обработка, и с меньшим числом ошибок;
  • блокчейн —  распределенная база данных, состоящая из блоков для записи и хранения информации. Каждый блок при этом содержит конкретный тип данных об операции, выполненной пользователем. Блокчейн был разработан непосредственно для решения задач финтеха.

Для читателей нашего блога Seeneco мы попросили финансового директора компании CodeInside – Елену Емелину — поделиться опытом управления финансами в ИТ-компании

CodeInside – ИТ-разработчик с офисом в Пензе. Компания с 2009 года разрабатывает программное обеспечение для госструктур, коммерческих компаний в России и за рубежом. В 2017 году CodeInside закрепилась и в рейтинге международных IT-разработчиков Top Custom Software Development Companies.

Как выстроить управление финансами в ИТ-компании — опыт CodeInside

Елена рассказала о том, как организован сейчас учет в их компании, и на какие вещи в управлении финансами нужно обратить внимание ИТ-предпринимателям.

Модели ценообразования в ИТ-проектах

Не секрет, что основной ресурс любой ИТ-компании – это люди. Именно их знания, умения и компетенции, выраженные в услугах для заказчиков, приносят деньги. Но это и основная статья затрат. Поэтому от того, как компания управляет этим ресурсом, и зависит ее денежный поток.

Наша компания работает по двум моделям проектного ценообразования – Fixed Price и Time&Materials. Первая модель – это традиционная модель проектной разработки, когда заказчик и менеджер проекта определяют в техзадании весь объем работ, согласовывают фиксированный бюджет и точные сроки реализации проекта. В Fixed Price (или Fixed Fee) клиенты оплачивают конечный результат, а исполнитель – время своих разработчиков. В этом случае, если программисты проведут больше времени за разработкой, а бюджет не изменится, то прибыль компании снижается. Поэтому тут много зависит от умения менеджеров оценить заранее трудозатраты. Хотя риски и форс-мажоры могут возникнуть в любом проекте.

Вторая модель – Time&Materials (T&M) – это оплата заказчиком фактически затраченных ресурсов – времени разработчика. Сейчас такая методика встречается все чаще и чаще, и все больше наших проектов переходит также на эту модель. Конечно, она несет гораздо меньше рисков для нас. Но и для заказчика имеет свои плюсы, когда высока степень неопределенности. Безусловно, что с заказчиком при этом важно определить предел рентабельности, чтобы были определенные рамки конечного бюджета.

Как для проектов с фиксированной ценой, так и проектов Time&Materials важно иметь систему учета, которая показывает, каков общий бюджет, сколько уже сделано, какое количество часов при этом потрачено.

Особенности проектного учета

В нашей компании несколько десятков разработчиков и одновременно несколько разных проектов. Один сотрудник не работает постоянно над одним проектом. Часть рабочего времени он уделяет одному проекту, часть – другому. Может в течение дня выполнять различные задачи для нескольких проектов. Кроме этого, проекты заканчиваются, появляются новые, кто-то из сотрудников уходит в отпуск, кого-то нанимают на работу.

Как выстроить управление финансами в ИТ-компании — опыт CodeInside

Чтобы во всем этом потоке корректно рассчитать, сколько же конкретный проект стоит для компании, мы настроили выгрузку данных о временных затратах сотрудников на проекты из системы тайм- и таск-менеджера (мы используем сервис Assembla). Далее, на основе этих данных уже в Google-таблицах группируются и анализируются финансовые результаты. Сейчас мы собираем данные по факту, но движемся к тому, чтобы оценивать рентабельность в real-time: сколько сделано, сколько часов потрачено и каков общий бюджет, чтобы мы заранее видели, когда мы приближаемся к тому, что мы «потратили» весь бюджет проекта.

Оценка рентабельности проектов

Четкий учет и распределение времени по проектам дает возможность оценивать рентабельность проекта.

Расчет рентабельности мы строим на основе метода начислений – то есть на основе признания доходов и расходов проекта, — независимо от фактического времени поступлений и выплат денежных средств.

Проектный учет методом начисления позволяет разбивать денежные потоки по отдельным задачам. В итоге становится видно, сколько каждый заказчик заплатил и какую долю он нам приносит в общей выручке. Причем важен не сам валовый доход, а чистая прибыль от конкретного проекта. Миллионный бюджет, десятки программистов и множество задач в сухих цифрах могут обернуться мизерной прибылью.

Точки контроля и финансовые показатели

Раз в месяц мы в Codeinside – руководители, заместители, менеджеры – собираемся и для анализа финансовой ситуации по проектам и в целом по компании. Мы отслеживаем и обсуждаем ряд показателей:

  • Себестоимость проектов: как выше уже сказали, мы вычисляем, сколько реально затрат мы понесли на реализацию проекта. При оплате по схеме Fix Price списываем эти траты из прибыли, а при Time&Materials можем переложить на оплату заказчиком.
  • Количество продуктивного времени и потерь: финансовая эффективность складываются в нашей сфере из того, как расходуется время наших сотрудников, поэтому мы отслеживаем, как программисты отчитываются в системе учета. К примеру, если на проекты списано не 168 часов, а всего 130, пытаемся вычислить, что происходило в неучтенное время – решение внутренних задач, горящие хвосты, перекуры и кофе-брейки.
  • Структура косвенных расходов: определяем, сколько денег потратили на аренду, развитие сотрудников, административный персонал и другие косвенные расходы.
  • Чистая прогнозируемая прибыль от предлагаемых проектов: выбираем интересные заказы, обсуждаем бюджет, рассчитываем рентабельность.
  • Планируемые расходы и поступления: анализируем прогноз денежного потока, сверяем платежный календарь, намечаем управление свободными средствами.

С такой информацией проще принимать управленческие решения. Это позволяет находить точки роста и повышать эффективность работы.

Планирование финансов

На основе этого строится прогноз движения денежных средств и платежный календарь, который позволяет управлять наличием денежных средств:

Поступления и расходования разносим на ближайшие месяцы так, чтобы не возникало кассовых разрывов, а временно свободные деньги были размещены на депозите.

Рекомендации для ИТ-компании

  • Введите учет рабочего времени сотрудников: введите дисциплину распределять рабочее время по проектам, задачам. В этом вам могут помочь множество специальных инструментов и сервисов.
  • Определите стоимость часа каждого программиста: для ориентира можно взять текущую зарплату сотрудника и данные о заработке аналогичных специалистов по рынку.
  • Старайтесь эффективно распределять трудозатраты по проектам: на проект с небольшим бюджетом посадить сотрудника с невысокой стоимостью часа, чтобы заказ не выполнял тот специалист, который обходится работодателю дороже.
  • Рассчитывайте себестоимость услуг и полную стоимость разработки: для этого учитывайте все расходы и сопутствующие траты отдельно по каждому проекту.
  • Планируйте все денежные потоки и составляйте платежный календарь хотя бы на пару-тройку месяцев, чтобы избежать кассовых разрывов. В любой момент времени нужно понимать, какие суммы будут поступать в ближайшее время по действующим договорам и проектам, а также какие расходы предстоят компании.
Читать также:  Волшебные приключения Людмилы Тищенко в мире финансов и рецензия на книгу "Тайна заброшенного города"

Читайте больше на blog.seeneco.com

Как выстроить управление финансами в ИТ-компании — опыт CodeInside

Как выстроить управление финансами в ИТ-компании — опыт CodeInside

DATA SCIENCE ACADEMY
Научитесь использовать инструменты анализа данных, включая языки программирования и средства визуализации.

Статья доступна в аудиоверсии

В последнее время Data Science и машинное обучение активно используются во многих сферах бизнеса, в том числе и в финансах. Это одно из самых перспективных направлений в современном мире IT. Крупнейшие организации внедряют методы науки о данных в рабочий процесс, что позволяет вывести бизнес на более высокий уровень эффективности.

Data Science может успешно использоваться в самых разных аспектах финансовой деятельности: от управления данными пользователей до создания торговых стратегий. В большинстве ситуаций внедрение новых методик позволяет получить максимальный профит по всем параметрам.

Рассмотрим самые благоприятные для применения Data Science направления.

Автоматизация управления рисками

Финансовые отделы небольших фирм и гигантских корпораций отвечают за безопасность и надежность компании. Поэтому они уделяют первостепенное внимание финансовым рискам. За последнее время в этой области, как и во всем финансовом секторе, произошли большие изменения. Новые модели машинного обучения позволяют намного эффективнее вычислять риски и управлять ими. Благодаря этому компании могут почувствовать себя увереннее на рынке.

Угрозу бизнесу представляют десятки различных факторов: конкуренты, законодатели, инвесторы, даже собственные клиенты. Кроме того, необходимо разделять риски по важности и потенциальным убыткам. Это очень большой объем информации, из которого непросто сделать правильные выводы. На помощь приходят сложные самообучающиеся алгоритмы Data Science. Они способны эффективно обработать данные и рассчитать риски, а также построить модель дальнейшего устойчивого развития организации.

Одним из важнейших направлений Data Science применительно к финансам является кредитный скоринг. Алгоритмы машинного обучения способны анализировать десятки факторов, определяющих платежеспособность заемщиков, включая моделирование прошлых расходов. Этот подход применим при работе с любыми клиентами: постоянными, новыми и даже теми, у которых совсем нет кредитной истории.

В целом определение и мониторинг рисков – это идеальная задача для машинного обучения. Сейчас оно только начинает внедряться в эту сферу деятельности. Чтобы целиком перейти на новую технологию, в компаниях необходимо провести определенную подготовку:

  • полностью автоматизировать базовые финансовые процессы;
  • обучить персонал новым способам работы и аналитическим приемам;
  • подготовить финансовую базу для перехода на современные методы.

Результат может превзойти все ожидания. Доходы появятся даже там, где ранее это казалось невозможным.

Управление клиентскими данными

Данные – это важнейший ресурс любой организации. Эффективное управление ими – ключ к успеху в бизнесе. В то же время это невероятно сложное дело. Разнообразие и количество финансового материала поражает воображение: от активности в социальных сетях и мобильных взаимодействий до рыночных сводок и деталей транзакций. Большая его часть очень плохо структурирована. Ручная обработка такого огромного объема информации попросту невозможна.

Многие финансовые организации уже осознали, какую выгоду можно получить, если использовать для управления данными методы машинного обучения. Искусственный интеллект способен быстро и эффективно анализировать огромные массивы текстов, превращая их в структурированную полезную информацию. Для этого используются технологии обработки естественного языка, интеллектуальный анализ данных и текстовая аналитика. Благодаря им удается включить в бизнес-процессы недоступную ранее информацию и рационально применять ее, извлекая еще больше выгоды.

Практический пример внедрения Data Science в этой области – анализ влияния на рынок определенных изменений с помощью изучения данных потребителей в социальных сетях.

Предсказательная аналитика

В основе любой финансовой услуги лежит аналитика. Но одно дело анализировать уже имеющиеся данные, и совсем другое – попытаться предсказать будущие события. Это вполне реально, если грамотно обработать существующую информацию и выявить закономерности.

Сложные аналитические алгоритмы эффективно извлекают данные из различных источников: средств массовой информации, новостей, социальных сетей. Собранный материал используется для предсказания ценообразования, пожизненной ценности клиентов, изменений фондового рынка и других показателей. На их основе можно планировать действия организации для получения максимальной прибыли.

Аналитика в реальном времени

Алгоритмы Data Science способны анализировать большие объемы данных из множества источников и очень быстро выявлять любые изменения в них. Это позволяет моментально реагировать на некоторые события и называется real time аналитикой.

В финансовой сфере есть три основных направления, требующих мгновенного принятия решений:

  • выявление мошенничества;
  • потребительский анализ;
  • алгоритмическая торговля.

Рассмотрим каждое из них подробнее.

Выявление мошенничества

Уважающие себя финансовые организации должны предоставлять пользователям безопасность и сохранность их данных на самом высоком уровне. Достичь этого непросто. Необходимо использовать производительную систему обнаружения любого мошенничества и  актуальную базу преступников. Система должна иметь хорошую поддержку и своевременно обновляться.

О возможном мошенничестве зачастую свидетельствуют необычное поведение клиентов или оборудования. Учитывая высокую динамичность финансовых процессов, отследить подобные отклонения очень сложно. Однако опытные и квалифицированные Data Science инженеры могут создать алгоритмы, которые на это способны. Их самый большой плюс – эффективный и интеллектуальный процесс самообучения, который со временем становится все более развитым.

На рынках ценных бумаг инструменты машинного обучения применяются для отслеживания частого появления сигналов, указывающих на подозрительные действия участников. Это один из практических примеров системы обнаружения мошенничества.

Потребительский анализ

При взаимодействии с пользователем очень важно проводить качественную персонализацию и предугадывать потребности клиента. Для этого нет метода лучше, чем аналитика в реальном времени.

Современный искусственный интеллект может собирать информацию о настроении клиентов, взаимодействии в социальных сетях, отзывах и мнениях. Это огромный объем данных, который при правильной обработке позволяет существенно увеличить прибыль.

Алгоритмическая торговля

В этой области на карту поставлено само время, поэтому real time аналитика – то, что нужно. Только что полученная информация теряет актуальность – а вместе с ней и ценность – в течение короткого времени, поэтому обрабатывать ее необходимо очень быстро. Медлительные трейдеры не добиваются успеха. Стратегически важные решения принимаются за считанные секунды на основе анализа самых последних данных.

Объединение аналитики в реальном времени и предсказательного анализа открывает большие перспективы в этом направлении. Раньше это была популярная практика: чтобы предугадать поведение рынка и его возможности, организации нанимали математиков для разработки поведенческих моделей, по которым затем создавались торговые алгоритмы. Сегодня с этой задачей успешнее и быстрее справляются машины.

С самого начала эпохи Data Science и искусственного интеллекта большинство бирж для принятия решений используют алгоритмические торговые стратегии. На основе самых свежих данных компьютеры рассчитывают действия, которые необходимо предпринять. Для самообучения модели приходится обрабатывать ссылки из социальных сетей, финансовую статистику, информацию из телепередач, новостей и книг, что повышает вероятность точных прогнозов.

Появление таких технологий работы с данными, как Hadoop, NoSQL и Storm значительно изменило общую картину в финансовой среде, а применение точных алгоритмов дало возможность инженерам разработать более совершенные методы анализа полученной информации.

Глубокая персонализация и модификация

Ключевой шаг к успеху и востребованности на современном рынке – поддержание персонализированных отношений с клиентами, это понимает любая компания. Суть подхода состоит в том, чтобы проанализировать имеющийся финансовый опыт клиента и составить предложение с учетом его интересов и предпочтений.

Искусственный интеллект дает возможность вывести клиентскую персонализацию на абсолютно новый уровень за счет усовершенствованного понимания человеческого языка и эмоций. Инженеры, специализирующиеся на машинном обучении, могут с помощью специальных моделей собирать информацию о поведении людей. Это позволяет выявлять ситуации, в которых клиентам необходима помощь или консультация. Таким образом, потребитель незаметно для себя получает всю интересующую его информацию, точное персональное предложение и принимает необходимое финансовое решение. Это стало доступным благодаря грамотному сочетанию предсказательной аналитики и расширенных возможностей компьютерных технологий.

Заключение

Использование методов Data Science дает финансовым организациям возможность выделиться среди конкурентов и модернизировать свою внутреннюю структуру. Наборы и варианты финансовых данных непрерывно изменяются, что создает необходимость в постоянном использовании машинного обучения и инструментов искусственного интеллекта для улучшения анализа и повышения скорости работы.

Блог SF Education

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *