INFORMATION TECHNOLOGY OF SEARCHING COMPARATIVE COMPANIES FOR BUSINESS VALUATION USING INTELLIGENT AGENTS
Authors:
1.
Astrakhan State Technical University
(Assistant of the Department of Higher and Applied Mathematics)
2.
Astrakhan State Technical University
3.
Astrakhan State Technical University
(Professor)
4.
Astrakhan State Technical University
Type:
Article
Pages:
from 99
to 106
Status:
Published
Received:
05.01.2019
Accepted:
25.01.2019
Published:
25.01.2019
Subject area:
VAC 05.12.2013 Системы, сети и устройства телекоммуникаций
VAC 05.13.01 Системный анализ, управление и обработка информации (по отраслям)
VAC 05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям)
VAC 05.13.10 Управление в социальных и экономических системах
VAC 05.13.18 Математическое моделирование, численные методы и комплексы программ
VAC 05.13.19 Методы и системы защиты информации, информационная безопасность
UDK 004.42:[658.012.12:334]
GRNTI 20.01 Общие вопросы информатики
GRNTI 28.01 Общие вопросы кибернетики
GRNTI 49.01 Общие вопросы связи
GRNTI 50.01 Общие вопросы автоматики и вычислительной техники
GRNTI 82.01 Общие вопросы организации и управления
VAC 05.13.01 Системный анализ, управление и обработка информации (по отраслям)
VAC 05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям)
VAC 05.13.10 Управление в социальных и экономических системах
VAC 05.13.18 Математическое моделирование, численные методы и комплексы программ
VAC 05.13.19 Методы и системы защиты информации, информационная безопасность
UDK 004.42:[658.012.12:334]
GRNTI 20.01 Общие вопросы информатики
GRNTI 28.01 Общие вопросы кибернетики
GRNTI 49.01 Общие вопросы связи
GRNTI 50.01 Общие вопросы автоматики и вычислительной техники
GRNTI 82.01 Общие вопросы организации и управления
Language:
Russian
Keywords:
IT company, information processing, comparative company, information technology, intelligent agent, information retrieval, precedent, decision making
Abstract (English):
The paper deals with developing information technology of data processing for solving business valuation problems based on the selection of comparative companies. An emerging IT company or a startup are taken as the object of study, for which traditional valuation methods are not apt. In terms of the research task there has been introduced the concept of a precedent - a company for which the search of analogues is being realized. The basic concepts of multi-agent systems are used. Four types of intelligent agents are presented that provide the implementation of the elements of the end-to-end technology: information search of objects with specified properties, intelligent processing of user requests, monitoring of objects, data mining. Stage sequence of the distributed decision-making technology has been considered. There are given metric and non-metric information processing mechanisms about analogues using metrics and proximity measures. The problem of non-metric information processing has been formulated. The tasks of data mining analysis have been defined, which are vital for monitoring the IT-companies in order to evaluate the business. The presented conclusions are summarized in the form of a complex information technology of data processing.
The paper deals with developing information technology of data processing for solving business valuation problems based on the selection of comparative companies. An emerging IT company or a startup are taken as the object of study, for which traditional valuation methods are not apt. In terms of the research task there has been introduced the concept of a precedent - a company for which the search of analogues is being realized. The basic concepts of multi-agent systems are used. Four types of intelligent agents are presented that provide the implementation of the elements of the end-to-end technology: information search of objects with specified properties, intelligent processing of user requests, monitoring of objects, data mining. Stage sequence of the distributed decision-making technology has been considered. There are given metric and non-metric information processing mechanisms about analogues using metrics and proximity measures. The problem of non-metric information processing has been formulated. The tasks of data mining analysis have been defined, which are vital for monitoring the IT-companies in order to evaluate the business. The presented conclusions are summarized in the form of a complex information technology of data processing.
Keywords:
IT company, information processing, comparative company, information technology, intelligent agent, information retrieval, precedent, decision making
IT company, information processing, comparative company, information technology, intelligent agent, information retrieval, precedent, decision making
Распоряжением Правительства РФ от 03 декабря 2012 г. № 2237-р утверждена Программа фундаментальных научных исследований государственных академий наук на 2013-2020 годы. В ней большое значение придается использованию методов искусственного интеллекта в областях знаний, связанных с неполнотой информации, слабой структурированностью проблем в управлении в социальных и экономических системах. В то же время полноценное информационное обеспечение любого процесса управления возможно только при использовании новейших информационных технологий, включая современные интеллектуальные технологии поддержки принятия решений. Одной из задач управления в экономических системах в условиях неопределенности является задача оценки стоимости бизнеса предприятия. Реализация этой задачи сдерживается ввиду несовершенства или отсутствия информационных моделей и механизмов, обеспечивающих данный процесс: постоянно актуализируемой базы знаний о предприятиях-аналогах, необходимых для сравнения; отсутствия механизмов сбора информации из любых открытых информационных источников для пополнения базы знаний; отсутствия системы критериев «подобия» компаний, содержащих неоднородную информацию; отсутствия обоснования метрик для вычисления «близости» предприятий-аналогов. Выходом из создавшегося положения является разработка программных средств для реализации информационной технологии поиска компаний-аналогов для оценки стоимости бизнеса, использующей современные механизмы, которые ускоряют процесс обработки информации (интеллектуальные агенты). Целью данной работы является повышение эффективности обработки информации при подборе и анализе компаний-аналогов, необходимых для реализации сравнительного подхода оценки стоимости бизнеса, путем использования агентно-ориентированного подхода. Математические методы для разработки информационной технологии, основанной на агентно-ориентированном подходе В современной научно-технической литературе тема моделирования информационной базы оценки бизнеса длительное время находилась на периферии исследовательских интересов, хотя значимость исследований в области информационного обеспечения оценки бизнеса подчеркивали многие ученые [1-3]. Использование в процессе оценки стоимости бизнеса математического аппарата, значительных объемов данных, в том числе и неструктурированных, неоднократное использование этих данных приводят к необходимости разработки новых информационных технологий обработки информации. В экономике существуют три базовых подхода для оценки стоимости предприятия: доходный, затратный и сравнительный, причем в работах [1-3] рассматривается сравнительный подход, основанный на сопоставлении стоимости оцениваемого предприятия со стоимостями сопоставимых предприятий, т. е. он предусматривает сравнение рассматриваемого бизнеса с аналогичными, которые были проданы на открытом рынке. В нашем случае для исследования выбраны предприятия IT-индустрии и стартапы, активно развивающиеся на российском рынке. Оценка их стоимости имеет существенные отличия вследствие нетипичности свойств, поэтому для их оценки применяется сравнительный подход на основе поиска компаний-аналогов оцениваемого предприятия [3]. Его реализация затруднена вследствие труднодоступности информации, необходимой для сравнения, точность оценки напрямую зависит от достоверности собранных сведений о продажах-аналогах. Главным условием для применения сравнительного подхода является реализация процедуры поиска адекватного предприятия-аналога, информация о котором либо недоступна, либо недостоверна или искажена. Оценка бизнеса IT-компаний имеет свою специфику; для IT-компаний небольшого масштаба или молодых стартапов доходный и затратный подходы не формируют достоверный результат. Стартапы являются компаниями с короткой историей операционной деятельности, поэтому методы экономической диагностики, основанные на ретроспективном анализе, к ним не применимы. Компании данного типа могут показывать 100 и более процентов роста, поэтому доходный подход не позволит точно спрогнозировать их доходы и даст ошибочный результат [4, 5]. Сравнительный метод позволяет быстро оценить компанию, он основан на сравнении экономических параметров заданной IT-компании с всевозможными действующими предприятиями-аналогами, российскими или зарубежными [6]. Поэтому сравнительный подход в основном используется в тех случаях, когда имеется достаточная информационная база по компаниям-аналогам, причем с необходимыми для оценки по данному подходу сведениями об их финансово-хозяйственной деятельности. В то же время вопросы создания информационной базы, программно-алгоритмических средств для реализации сравнительного подхода к оценке стоимости бизнеса IT-компании особенно слабо изучены [5]. Рассмотрим подходы, которые необходимо применить для построения информационной технологии подбора компаний-аналогов, генерирующие множество задач для разработки заявленной информационной технологии: 1. Использование методов информационного поиска в сети Интернет групп объектов с заданными признаками с участием интеллектуальных агентов [7-9]. 2. Использование методов многокритериального выбора компаний-аналогов с использованием правил нечеткой классификации для учета многокритериальности задачи оценки стоимости IT-компании и метрической неоднородности состава характеристик [10]. 3. Использование методов рассуждения по прецедентам для извлечения и адаптации близкого решения из множества ранее решенных похожих задач и формализация знаний, например в виде онтологической модели [11]. Для решения первой задачи предполагается использовать агентный подход. Для него необходимо определить типы интеллектуальных агентов и их поведение, зависящее от среды, в которой они находятся. Под агентом понимается программный поисковый робот, мигрирующий по компьютерной сети в целях отыскания нужной информации, иначе говоря - программная сущность с заранее заданным поведением, обеспечивающим взаимодействие с внешней средой, изменяющейся вслед за существующей экономической ситуацией. Задачей агента информационного поиска является сбор адресов документов и их реквизитов (с последующим сохранением в базе данных), имеющих заданные параметры в части: - принадлежности IT-отрасли; - ведения аналогичных хозяйственных операций; - наличия идентичной номенклатуры продукции или услуг; - одинаковых масштабов деятельности; - влияния аналогичных экономических факторов. Для реализации предлагается разработать как элемент информационной технологии программный модуль «Информационный агент», который по заданному расписанию будет осуществлять обход заданных ему страниц с информацией о купле-продаже IT-компаний, собирать гиперссылки на страницы и выгружать данные по компаниям, сохраняя их в базе данных в виде атрибутивной информации следующего вида: - адрес страницы на сайте; - дата индексации; - название компании; - вид выпускаемой продукции или услуг; - диверсификация продукции или услуг; - стадия жизненного цикла, на которой находится предприятие; - сведения о компании: стоимость компании, прибыль, денежный поток, рыночная стоимость материальных активов; - дата оценки стоимости. В качестве информационных источников - среды для работы агента - могут выступать официально публикуемая информация в сети Интернет; информация по стартапам; справочники фирм; информация, которая публикуется самими фирмами; информация о фирмах, которая предоставляется по заказу правительственных организаций; ростеры (досье) на фирмы, которые формируются в международных экономических организациях, и пр. Предлагаемый интеллектуальный агент будет востребован не только на начальных этапах сбора данных для системы обработки информации, но и для непрерывного решения повторяющихся поисковых задач (мониторинга информации). Предполагается автономность в работе агентов, исключающая вмешательство пользователя для запуска закрепленных за агентами задач. Для задач информационного поиска и принятия решений предполагается использование следующих типов агентов: - пользовательские агенты (User Agents), необходимые для поиска информации по заданному предмету. Они самостоятельно заполняют web-формы, сохраняя информацию для последующего использования, просматривают веб-страницы, регистрируя ключевую информацию; - управляющие и наблюдающие агенты (Monitoring and Surveillance Agents), которые ведут мониторинг и пополняют хранилище данных информацией из различных источников; - агенты, добывающие информацию (Data mining agents), которые осуществляют анализ информации в хранилище данных, сигнализируя о наличии новой информации или изменениях в существующей, способные генерировать глобальные тренды в изменяющихся данных; - интерфейсные агенты (Interface Agents), осуществляющие диалог с пользователем на основе интеллектуального взаимодействия, ассистирующие при формулировке запросов пользователя и сообщающие другим агентам предметную область поискового запроса или методы обработки информации и принятия решений. Рассмотрим поэтапную схему информационной технологии распределенного принятия решений несколькими интеллектуальными агентами. На различных этапах агенты являются и потребителями, и поставщиками информации, исключая вмешательство человека. 1. Интерфейсный агент формализует запрос пользователя, сделанный на естественном или псевдоестественном языке. 2. Управляющий агент (аналог лица, принимающего решение) декомпозирует исходную проблему: задает множество из n компаний-аналогов IT = {it1, it2, …, itn}, обладающих свойствами K = {k1, k2, …, km}, где m - количество свойств. Для определения свойств-характеристик каждой IT-компании iti предлагается сопоставить множество характеристик . Каждая IT-компания в этом случае представима в виде , где fj(kj) - характеристическая функция, определяющая подмножество K* K для i-й IT-компании. Примеры характеристик указаны в таблице. Характеристики IT-компании Характеристика Единицы измерения Характеристика Единицы измерения Сумма затрат на привлечение новых клиентов (CAC) Руб. Уровень возврата инвестиций (ROI) % Cash-Flow Руб. Ставка дисконтирования % Мультипликаторы - Ожидаемые темпы роста % Рыночная капитализация Руб. Регулярный месячный доход Руб. Задолженность Руб. Число сотрудников Чел. Выручка Руб. EBITDA Руб. Разумная идея (базовая стоимость) Руб. Валовая прибыль Руб. Вводится понятие прецедента - компании, для которой осуществляется поиск аналогов: , - свойства которого заранее известны. 3. Управляющий агент распределяет задачи поиска аналогов между отдельными исполнителями-агентами. Цель данного этапа - отбор наиболее близких к прецеденту компаний-аналогов. Отличия в поведении интеллектуальных агентов заключены в использовании различных оригинальных метрик близости либо различных методов выбора. В любом случае управляющий агент, определяя характер исходных данных, инициализирует решение той или иной задачи выбора, постановка которой в общем виде такова: из заданного множества n компаний-аналогов IT = {it1, it2, …, itn}, обладающих свойствами K = {k1, k2, …, km}, где m - количество свойств, необходимо выбрать подмножество компаний, близких к аналогу it*: it*l = {itl Î IT | ρ(itl, it*) ≤ ε, itl Î {1, 2, n}}, где ρ(itl, it*) - метрика близости компаний-аналогов и прецедента, вычисляемая по m характеристикам аналога и прецедента и ; ɛ - заданный уровень отклонения j-х характеристик аналога и прецедента друг от друга. 3.1. Определение меры близости для метрических характеристик. Сложность выбора метрики, связанная с неоднородностью характеристик, выражена в использовании для их оценивания различных метрических шкал, что не позволяет использовать на данном множестве характеристик алгебру операций. Наиболее известным является математический метод определения «ближайшего соседа», способный измерить степень близости по любой характеристике при условии, что для них введены отношения порядка и эквивалентности: где wj - степень важности j-й характеристики. При использовании характеристик, измеренных в метрических шкалах, можно применить евклидово расстояние или Манхэттенскую метрику, при условии, что все характеристики будут приведены к одной шкале измерений или нормированы. Если не требуется точное совпадение характеристик (или оно недостижимо), возможно использовать метрику Журавлева: где ɛ - заданный уровень отклонения j-х характеристик аналога и прецедента. Для дихотомических признаков возможно использовать меру сходства Хэмминга, определяя максимальное число совпадающих характеристик у прецедента и аналога: 3.2. Определение меры близости для неметрических характеристик. Если не удается ввести метрику, агентами используются различные меры близости на основе методов многомерной классификации. Учитывая наличие значительной неопределенности в оценке компаний-аналогов и решении последующих задач выбора, предлагается использовать методы нечеткой кластеризации для определения алгоритма действий интеллектуального агента [12]. Предлагается выполнение оценки зафиксированной i-й IT-компании в определенные моменты времени , где T - общий период наблюдений за объектом, по показателям k1, k2, …, km. Используя термины кластеризации, IT = {it1, it2, …, itn} - это множество объектов кластеризации, K = {k1, k2, …, km} - множество признаков кластеризации, KL = {KL1, KL2, ..., KLs} - множество непересекающихся кластеров, ALG = {Alg1, Alg2, …, Algp} - множество алгоритмов кластеризации, каждый из которых закреплен за отдельным интеллектуальным агентом. Необходимо разбить исходное множество компаний-аналогов на заданное число непересекающихся кластеров с применением заданных результативных алгоритмов кластеризации: При использовании нечеткой кластеризации выделенные кластеры будут нечеткими и будут описываться матрицей нечеткого разбиения M = [µi,j], где µi,j - функция принадлежности i-й IT-компании к нечетким кластерам KL1, KL2, …, KLs, на которую наложены следующие ограничения: Основными алгоритмами нечеткой кластеризации являются нечеткая кластеризация по методу С-средних, алгоритм Густафсона - Кесселя. Для реализации алгоритма нечеткой кластеризации по методу С-средних необходимо минимизировать функционал →min, где - вектор центров кластеров; em - экспоненциальный вес. Для алгоритма Густафсона - Кесселя необходимо минимизировать функционал →min, где Kj - собственная матрица. 4. Обобщение результатов управляющим агентом: формирование отношения порядка или отбор множества недоминируемых альтернатив, формируемого из компаний-аналогов. 5. Добывающие информацию агенты постоянно сканируют сырые данные, находящиеся в хранилище, и решают следующие задачи: - верификация данных; - сопоставление найденных данных атрибутивным характеристикам; - поиск пропущенных значений в полученных данных; - отбор наиболее информативных характеристик для последующего анализа или сравнения, поскольку увеличение числа характеристик значительно влияет на погрешность результата, а их взаимозависимость искажает результат; - поиск глобальных тенденций на основе ретроспективной информации о компаниях-аналогах; - решение задач классификации и кластеризации компаний-аналогов; - прогнозирование развития жизненного цикла прецедента на основе анализа временных данных о деятельности компаний-аналогов. Заключение Рассмотрены вопросы экономической диагностики IT-компаний и стартапов в задаче оценки стоимости бизнеса, основанные на использовании метода рассуждений по прецедентам и сравнении аналогов. Отобраны характеристики и рассмотрены вопросы выбора метрик и мер близости для количественных и качественных характеристик аналогов. Приведены математические методы, упорядочивающие множество аналогов по близости к прецеденту. Представленные результаты обобщены в виде комплексной информационной технологии обработки данных.
1. Larchenko A. P. Ocenka biznesa. Podhody i metody. SPb.: PRTeam, 2008. 59 s.
2. Prosvetov G. Ocenka biznesa - zadachi i resheniya. M.: Al'fa-Press, 2015. 240 s.
3. Filippov M. V., Gluschenko I. V. Ocenka stoimosti informacii v informacionnom biznese // Biznes. Obrazovanie. Pravo. 2009. № 8. S. 97-100.
4. Kondrat'ev K. A. Osobennosti ocenki stoimosti IT-kompaniy // Izv. Tul. gos. un-ta. Ekonomicheskie i yuridicheskie nauki. 2013. № 4-1. S. 140-145.
5. Metelev V. M. Osobennosti ocenki stoimosti biznesa IT-kompaniy // Ekonomicheskie nauki: sb. st. po materialam XLIII Mezhdunar. nauch.-prakt. konf. № 6 (43). URL: https://sibac.info/archive/ economy/6(43).pdf (data obrascheniya: 29.09.2017).
6. Nazarova V. V., Il'ina M. E. Ocenka stoimosti kompaniy informacionno-tehnologicheskogo sektora (IT-sektora) // Naukovedenie. 2014. № 3 (22). URL: https://cyberleninka.ru/article/n/otsenka-stoimosti-kompaniy-informatsio (data obrascheniya: 29.09.2017).
7. Dosyn D. G., Kovalevych V. M. Architecture of intelligent system of internet information search // Iskusstvennyy intellekt. 2012. № 3. S. 241-252.
8. Shouman M. A. Model' processa mnogoyazykovogo intellektual'nogo informacionnogo poiska s uchetom mul'tiagentnoy realizacii // Fundamental'nye issledovaniya. 2015. № 12-4. S. 724-728.
9. Iurygina I., Anisimov A., Lakhin O., Stratilatova N., Egorov A., Skirmunt V. Ontology and multi-agent technology application for intellectual property knowledge management // Indian Journal of Science and Technology. 2016. V. 9. N. 46. P. 107500.
10. Safronov A. S., Moroz A. V., Nikolaychuk S. V. Analiz kriteriev dlya klassifikacii IT-kompaniy // Vostochno-Evropeyskiy zhurnal peredovyh tehnologiy. 2011. № 6 (49). S. 44-45.
11. Shurshev V. F., Kochkin G. A., Kochkina V. R. Model' sistemy podderzhki prinyatiya resheniy na osnove rassuzhdeniy po precedentam // Vestn. Astrahan. gos. tehn. un-ta. Ser.: Upravlenie, vychislitel'naya tehnika i informatika. 2013. № 2. S. 175-183.
12. Chertina E. V. Ispol'zovanie algoritmov Gustafsona - Kesselya i FCM dlya resheniya zadachi mnogokriterial'nogo vybora innovacionnyh IT-proektov // Sovremennye tendencii razvitiya nauki i tehnologii: sb. tr. XVI Mezhdunar. nauch.-prakt. konf. Belgorod, 2016. S. 89-93.
