На хабре довольно часто можно встретить мнение, что все зеленая энергетика это тупик и какой-то обман “трудящихся”. Те, кого слышно в комментариях обычно за атомную энергетику и абсолютно против ветряков или солнечных панелей. Не смотря на эту позицию по факту в мире идет беспрецедентный процесс изменения энергетики в сторону ветряков и солнечных панелей. Сегодня я решил разобраться, каков реальный масштаб зеленой энергетики и какие выдятся перспективы. Основной источник международное агнество по энергетики (IEA).

Некоторые вводные по терминам

Существует путаница с терминах особенно при вычислении долей какого-то вида генерации в общем объеме. Мы можем выделить:

На этой неделе я решил посмотреть, что происходит в методах хранения и использования водорода. Одна из тем с которой я пересекся это использования аммиака, как метода работы с водородом.

В этой статье поговорим о том, в чем “засмес”, какие есть подводные камни и есть ли какие-то стартапы и компании, которые решают проблему в контексте устойчивого развития.

Что такого с водородом?

Вся история с водородом очень проста: если вы сжигаете водород, то вы получаете в качестве выхлопа воду (2H2 + О2 = 2Н2О) и тепло от сгорания.

В чем плюсы:

В прошлой статье про атомную промышленность я отмечал E.ON как одного из операторов атомных станций и я решил разобраться, чем этот бизнес занимается, кроме атомной генерации. Какой углеродный след оставит инвестор, если “свяжется” с этим бизнесом.

Что такое E.ON? Сами себя они описывают как бизнес занимающийся передачей энергии и газа, а так же дистрибуцией электроэнергии. Их бизнес по атомной генерации на самом деле это закрывающиеся направление и в 2022 году у них остается одна рабочая атомная станция. E.ON по сути является энергетической компанией, но почти не занимается генерацией.

После ряда трансформаций сегодня EON это:

Атомная промышленность является спорным топиком в импакт инвестициях. Вообще по отношению к атому люди делаятся на два лагеря - технооптимисты и технопессимисты. Первые верят, что технологии решают проблемы и приветствуют развитие атома, а вторые верят, что технологии приносят больше проблем и обычно выступают против атома. В итоге вопрос часто идеалогический, чем фактический.

Атомная промышленность точно сыграет свою заметную роль в вопросах энергоперехода. Последние несколько лет идут активные разговоры об атомном ренесансе. И это на фоне, того, что Фукусима была всего 10 лет назад. В 1996 году, 10 лет после чернобыля таких разговоров не было. Машстаб проблемы глобального потепления ставит перед нами необходимость выбирать все доступные технологии. Давайте разберем этот вопрос по пунктам.

Почему если мы покупаем облигацию бизнеса по производству электроэнергии на солнечной электростанции, мы можем считать, что это наши деньги приводят к снижению выбросов СО2?

На первый взгляд кажется, что только деньги тех, кто изначально вложил капитал и являются причиной существования этого бизнеса. А как следствие только эти первичные владельцы и являются причиной позитивных изменений, которые произошли в следствии строительства станции.

Однако, давайте представим, что я основатель фирмы. После основания фирмы я немедленно продаю свою долю другому человеку. И уже в его владении осуществляется строительство и эксплуатацию электростанции. Выходит, хотя я и был первичным источником денег в проекте, его реализация и эксплуатация проходит под владением другого лица. Правда ли можно сказать, что это именно я являюсь полным получателем всех благ от созданного актива?

Россия не остается в стороне от климатической повести. На РФ влияют обязательства по парижскому соглашению, трансграничное углеродное регулирование ЕС, а так же общее давление и ожидания инвесторов. Поэтому даже рынок РФ реагирует на повестку. Все выпущенные зеленые облигации котирующиеся на Московской Бирже можно найти на их сайте в разделе "Сектор устойчивого развития". Вот они:

На этой неделе я пытался построить картину того, каким образом частный инвестор может поучаствовать в импакт-инвестициях (что это такое тут).

В чем проблема? В том, что у вас на одной стороне инвестиции через облигации, а с другой стороны стартапы. А каков спектр между двумя этими крайностями? Очень просто купить облигации, гораздо сложнее вложить деньги в стартап. Можно ли подобрать форму с бОльшим прямым импактом, чем облигации банков развития, но при этом не погружаться в прямое инвестирование в стартап? Для этого я и решил составить эту шкалу доступности инвестиций.

Условно можно разделить имеющиеся способы на несколько ступеней, двигаясь от которых мы идем от мира инвестиций очень высокого уровня и низкого риска в прямые инвестиции с высоким риском и очень специфичными объектами инвестирования:

Идея зеленых бондов это идея вложения в облигации компаний, которые или непосредственно занимаются зеленой повесткой, либо компании, который создают выпуск облигаций с конкретными зелеными целями.

Вариантов тут на самом деле много. И тут проще идти от конкретных компаний и фондов, которые в них вкладывают.

Давайте начнем в Фонда BGRN (iShares Global Green Bond ETF). Рассмотрим, что за компании внутри и какой импакт эти инвестиции оказывают, согласно отчетности фонда, а так же посмотрим, какую можно ожидать доходность. Там так много разных инвестиций, что мы будем рассматривать их одну за другой.

Сам фонд в основном состоит из государственных и квази-государственных облигаций, но так же присутствуют и корпоративные облигации. Многие страны начали выпускать специальные займы с импакт-целями, в рамках которых они использует полученные средства на финансирование импакт проектов, а так же отчитываются о результативности этих проектов.

Крупнейшей позицией в фонд BGRN является вложение в GREEN OAT облигации Франции (выпуски FR0013234333 и FR0014002JM6) совокупно это около 7% от размера фонда.

Что такое GREEN OAT и как вообще идут дела у Франции в отношении проблемы изменения климата?

GREEN OAT это серия облигаций выпускаемых Францией основной целью которых является финансирование инициатив связанных с борьбой с проблемами изменения климата. Текущий объем превлеченных средств это около 30 млрд евро (2.5 трлн рублей). Чтобы вам был понятен масштаб, бюджет России примерно 20 трлн рублей. Общий объем этой серии облигации это примерно 3-4 годовых расходов на образование.

Какие игроки есть на рынке импакт-инвестиций? Какие вообще бывают проекты по импакт инвестициям?

На самом деле эти вопросы сейчас обсуждаются и ландшафт меняется. В общем случае импакт инвестиции ставят своей целью не только получение прибыли, но и достижение измеримых позитивных изменений в обществе и экологии. Это кстати новый аналитический тренд, что всем этим проектам нужны понятные и измеримые метрики.

Тогда, что может быть примером импакт инвестиций?

Меня всегда смущало, что в благотворительности мы не боремся со "злом", а мы компенсируем последствия зла. Мы с одной стороны даем деньги на помощь бедным, а с другой стороны получаем эти же деньги от корпораций и правительств, которые виновны в этой бедности. Аналогично и с больными детьми, пенсионерами, собаками и кошками и прочим.

Кажется , что мы должны тратить наши благотворительные деньги на что-то, что изменяет наше общество. С одной стороны мы можем найти иные благотворительные фонды, чья специализация связана скорее с образованием и изменением среды, чем только с борьбой с конечным страданием.

Ряд моих коллег сталкиваются с проблемой, что для расчета какой-то метрики, например, коэффициента конверсии, приходится кверить всю базу данных. Или нужно провести детальное исследование по каждому клиенту, где клиентов миллионы. Такого рода квери могут работать довольно долго, даже в специально сделанных для этого хранилищах. Не очень-то прикольно ждать по 5-15-40 минут, пока считается простая метрика, чтобы выяснить, что тебе нужно посчитать что-то другое или добавить что-то еще.

Одним из решений этой проблемы является сэмплирование: мы не пытаемся вычислить нашу метрику на всем массиве данных, а берем подмножество, которое репрезентативно представляет нам нужные метрики. Это сэмпл может быть в 1000 раз меньше нашего массива данных, но при этом достаточно хорошо показывать нужные нам цифры.

В этой статье я решил продемонстрировать, как размеры выборки сэмплирования влияют на ошибку конечной метрики.

В этом году я побывал на конференции Data Crunch в Будапеште посвященной аналитике данных и Data Engeneering. На эту конференцию приглашают спикеров из Linkedin, Uber, Github и множества компаний "второго эшелона", где люди делятся своим опытом или же рассказывают об инструментах по работе с данными. Ну и что мне так же интересно — это пообщаться с участниками конференции по понять, насколько наша российская действительность отличается от Европы и США.

Из того, чтобы я отметил это:

1. Full Stack Data Sceince — 2 доклада были посвящены примерно той же теме, что я писал раньше. Сделайте DS/DA человеком, кто может решать задачи от начала и до конца. Не делите работу по "функциям", а делите DS по "топикам". Т.е. работа с данными это не разделение на части между теми, кто готовит, обрабатывает, анализирует, строит модели и визуализирует, а это разделение "топиков" между специалистами, кто может сделать все полностью.
2. From zero to hero — ребята рассказывали по то, как строили свой отдел DS с нуля. В целом как обычно, обычные здравые идеи работают:

Всем привет!

Под хеллоувин я побывал на конференции в Будапеште (Data Crunch) и послушал там ряд интересных докладов. Один из них был от Uber, которые рассказывали о том, на каких подходах они организовали свою платформу управления данными. Этот доклад был не столько технический, сколько менеджерский и продуктовый.

Uber обширно используется данные, которые собирает в результате взаимодействия с пассажирами и водителями. Они рассчитывают стоимость поездки, оценивают потоки людей, меняют алгоритмы цены, дают рекомендации водителям, как им больше заработать и все это основываясь на собранных данных. В такой компании вся работа с данными не может быть сконцентрирована в руках группы аналитиков и DS, т.к. иначе придется нанять их слишком много, да к тому же они не всегда погружены в бизнес контекст.

"Анализ данных" часто организован так: вот у нас разработчики хранилища, а вот у нас аналитики. В DWH (data warehouse, хранилище) умеют SQL, а аналитики у нас умеют работать c экселем. Если нам нужно что-то проанализировать, то идете к аналитикам, а они идут за данными к DWH за данными. Вроде бы логично. И многие воспринимают, что это нормальное разделение труда. В этой статье я хочу донести мысль, что это разделение труда ошибочное и грандиозно снижает эффективность и производительность труда всего процесса анализа данных.

Типичный цикл работы по аналитической задаче выглядит так:

1. Бизнес приходит с проблемой и просит получить ответ.
2. Аналитики обсуждают с бизнесом, что надо сделать.
3. Аналитики поняли, что от них хочет бизнес и понимают, что им примерно нужно в данных.
4. Аналитики пишут запрос в DWH, чтобы получить данные.
5. DWH берет запрос, читает, спрашивает, уточняет, извлекают данные, отдают.
6. Аналитики понимают, что взяли не все или их неверно поняли, они пишут снова запрос в DWH, чтобы получить данные.
7. DWH берет запрос, читает, спрашивает, уточняет, извлекают данные, отдают.

В четверг 4 октября я побывал на конференции DataVizDay в Минске в качестве спикера. Поделюсь самыми интересными идеями и впечатлением от Миснка.

Ключевые идеи:

1. 80% ваших усилий будет до BI и визуализации, потому что данные бывают или плохие или очень плохие и в основном вы будете тратить время на подготовку и сбор данных.
   2.Тем не менее визуализация создает ценность вашего дата продукта. Без визуализации получается просто куча цифр.
2. К сожалению очень часто визуализация плохая, используют плохие подходы, типы графиков и гистограмм, перегружают представления деталями. В итоге часто мы видим Kill by powerpoint и обилие данные не добавляет прозрачности в аналитике.
3. Эксель продолжает занимать значительную роль в процессах. И часто компании не готовы перейти на что-то продвинутое. Но даже на экселе можно построить много чего интересного, потому что хорошая аналитика скорее начинается с чистоты и подготовки данных, а не с красивых дашбордов.

В прошлой статье я рассказал как для целей прогнозирования выручки люди построили большой и сложный excel файл (можете почитать тут). Мы решили вмешаться в этот стыд и предложили переделать модель прогноза так, чтобы было меньше ошибок, проще эксплуатация, появилась гибкость в настройке.

Какие ключевые проблемы в описанной модели:

1. Данные, модель и представления смешаны в одну сущность. Из-за этого изменение хотя бы в одном элементы разрушает весь этот монолит.
2. Чрезмерный расчет на ручную обработку, что плодит ошибки и опечатки в огромных количествах.

Что мы предложили:

1. В начальной модели нигде не фигурировали исходные данные на которых она была построена. Мы предложили внести эти данные в формате 2-ой нормальной формы в сам файл Excel на 2 отдельных листа (продажи и кол-во клиентов). Благо, данные по продажам в нашей агрегации по месяцам — это всего лишь десятки тысяч строк, а не миллионы. Так же мы настроили получение этих данных при помощи Power Query напрямую из базы данных.

Каждая компания это не звездные технологии и супер крутые программисты, а огромная гора bottleneck, неэффективностей и сумма плохих решений, которая как-то да едет и делает свою работу. Но вот вы решили сделать какие-то изменения и сразу начинаете сталкиваться с тем, что в огромном кол-ве бизнес процессов у вас проблемы. Ну и эти проблемы, конечно, нужно решать не идеальным способом, а оптимальным по трудозатратам.

Хочу поделится одним таким примером, связанных с моей темой анализа данных и управления данными. Во многих организациях существует финансовые службы, основная цель которых предоставлять финансовую информацию руководству о состоянии предприятия. Среди многих работ этих людей есть одна такая задача: составление прогноза выручки на следующий период (год, квартал у кого как). Этот прогноз выручки часто бывает первым этапов в согласовании планов на следующий период и составлении общего прогноза по прибылям и убыткам предприятия.

Все, кто занимается такого рода прогнозированием, понимают, что в этом вопросе важна не столько точность прогнозов, сколько правильные взаимосвязи между вашими предпосылками и результатами. Ведь что мы хотим от прогноза? Мы хотим узнать, что будет, если делать все как обычно (AS IS) и что будет, если мы что-то поменяем (сценарии). Для того, чтобы сделать эту работу финансовая служба должна придумать какую-то модель предприятия, которой она может легко управлять, легко объяснять бизнесу как она работает и легко предоставлять данные в различных разрезах, в которых бизнес захочет это дело посмотреть.

Это все отличные намерения, но тут мы сталкиваемся с суровой реальностью: методологические и технические навыки для выполнения этих задач в конкретных предприятиях откровенно слабы. Модели неудобные, быстро не изменяемые, не обновляемые, легко ничего не объясняется, файлы не удобные, а разрезы получить невозможно или очень долго. Давайте посмотрим конкретный пример, где всё плохо и как это можно исправить.

Сегодня мы добавим в анализе еще один аспект — сегментацию и кластеризацию клиентской базы. Как я уже не раз писал, анализ клиентской базы остается не полным, если мы смотрим на наших клиентов, как на большую кучу одинаковых людей. Клиенты разделяются на типы и по-разному потребяют продукт. Кто-то покупает часто, но не много, кто-то быстро уходит, кто-то покупает много и часто. Для увеличения эффективности стоит выяснить, какие есть группы клиентов и затем разобраться, как ваши действия позволят вам привлечь нужных вам клиентов. Используют два основных способа разобраться в группам ваших клиентов: эвристики и кластеризация

Метод 1: Эвристики и экспертные оценки

В рамках этого подхода вы на основе опыта, логики использования вашего продукта и клиентских историй, придумываете различные портреты потребителей и затем оцениваете, сколько у вас клиентов попадают под эти определения. Или же можете использовать более численные подходы, основанные на анализе показателей клиентов. Несколько популярных численным эвристик подходов это:

ABC-XYZ

Основная идея разделить клиентов по общему вкладу в вашу выручку и по динамике роста показателей. ABC отвечает за вклад в выручку, XYZ отвечает за стабильность выручки. Это формирует 9 сегментов

Разработка программного обеспечения и эксплуатация уже реализованного софта (например, приложения) находится в особом положении в контексте анализа расходов. Особенность в том, что типичный цикл производства товара и его продажи не существует в ИТ отрасли. Вместо этого мы имеем фактически бесплатно размножаемые копии продукта, но высокие издержки на само создание этого продукта и его поддержание. По этой причине экономика ИТ компании сильно отличается от экономики “свечного завода” или магазина.

Давайте детальнее рассмотрим ситуацию с издержками в ИТ компании. К сожалению не получится обобщить все ИТ компании в одну схему. Я попробую выделить несколько распространенных схем работы и рассмотреть их. Возможно кто-то из читателей добавит еще какие-то схемы, интересные для рассмотрения.

Я хочу выделить следующие типы ИТ компаний, хотя этот список, конечно, не полный:

1. Аутсорсинговая разработка — команда пишет софт под заказ и под требования заказчика. В дальнейшем софт чаще сопровождается самим заказчиком. Отношения фокусируются только на разработке и по сути продажи часов работников (как в форме прямой продажи часов, так и fix price, когда риски изменения сроков проекта ложатся на разработчика)
2. Вендор B2B софта — команда пишет софт для дистрибуции B2B, осуществляет внедрение, поддержку и разработку нового функционала.
3. B2C продукты — сюда я отнесу все компании, занимающиеся созданием B2C приложений и продуктов, работающих с массовым клиентом.
4. Провайдеры инфраструктуры — хостеры, дата центры, серверные мощности, сервисы обработки транзакций и т.п.

Какие расходы имеет первый тип компании? Давайте разделим на разные кучки расходы по основным типам, которые не зависят от предприятия: