The art of using all those small financial margins

 

One of those days when ideas flow so quickly that I can almost see smoke rising from my keyboard. So, first things first, that business plan for the EneFin project. I have just passed in review the balance sheets of four FinTech companies – PayPal, Square Inc, Fintech Group AG, and Katipult – in order to make myself an idea of what the balance sheet of EneFin should look like. Surprise! By the look of their balance sheets, there is very little Tech in those FinTech companies, and a s**tload of Fin. How do I know that? Well, when I am reading a balance sheet, I start by paying attention to assets. The account of assets is a financial expression of the economic value present in the proprietary resources of a business. In other words, the structure observable on the active side of a balance sheet informs about what’s really valuable in the given business.

Moreover, when I see a lot of value accumulated in a given category A of assets, and quite little value in category B, I gather that people in that company want to have a lot of A and care a lot less about B. Stands to reason: they have accumulated a lot of A and little B. In any balance sheet, technological assets are to be found mostly under the heading of ‘Property, plant and equipment’. Depending on the accounting practices in use with the given company, intellectual property can be kicked out of this general category, into a separate one, labelled ‘Intangible assets’.

As I dug through the balance sheets of those FinTech companies, the value of those typically technological assets is ridiculously low, way below 10% of the total capital engaged. The lion’s part of said capital is allocated in financial assets. These split into two, functionally distinct categories: customer accounts and investments. This is, by the way, that tiny little detail that I completely overlooked before, as I had been nurturing my enthusiasm for my own idea, i.e. EneFin. In FinTech, you need to process financial transactions, and in order to process them, you need to maintain the corresponding current accounts, commonly called ‘customer accounts’.

The more customers I have in my EneFin project, the more transactions I process, and, consequently, the greater is the aggregate value reported on those customer accounts. Here comes the hard conclusion that I have made as I read those balance sheets: I need to rethink the business process of EneFin under that specific angle, i.e. as the creation of and capitalisation on the customer accounts, which will accompany transactions.

The second thing I need to think about, and which I found in those balance sheets, is hedging. Besides the financial assets that back up customer accounts, FinTech companies hold large amounts of low-risk, low-yield, debt-based financial assets, like sovereign bonds. This is the kind of thing you hold in order to hedge risks that you have in other assets. Those other assets must be those financial ones engaged in customer accounts. It looks as if every $ on customer accounts needed to have at least one sibling in hedging. Once again, something to ponder in the development of my business concept.

Thus, I need to figure out the core process of EneFin, its component customer relations, and the process of starting up the whole business precisely as a process of capital accumulation in customer accounts and in hedging. This is just part of the story I need to rethink. As I read those balance sheets, I am cross-reading the corresponding statements of income. The latter show important, current expenditures on technology, for example on the development of company’s software. Still, those current expenses do not reflect in the value of proprietary assets. In other words, those expenses do not capitalize. This is the money you need to spend in order to stay in the race, but you can hardly expect any durable return on it. It is a typical example of what we, economists, use to designate as ‘sunk costs’: you can hardly live without them, and you can hardly expect to recoup them later.

Right, so I need to figure out them processes. As any living organism, I do with what I have and what I have are those balance sheets. So I go and I am having a look at grandpa PayPal’s annual report. The first thing I do when I am having a stroll at the passive side of the balance sheet is to measure equity. In a balance sheet, equity is what is really yours, out of what you think is yours, i.e. out of your assets. At PayPal, by the end of 2017, shareholders’ equity was equal to $15 994 million. In other words, each dollar earnt in terms of revenues in 2017 ($13 094 mln) needed a puff cousin of $1,22 in equity. From another point of view, that equity of $15 994 million makes 37,5% of the total assets ($40 774 mln). That 37,5% is the coefficient of financial liquidity in PayPal. As financial institutions come, 37,5% is a lot. Banks start moaning when they are legally forced to go over and above 10%; PayPal looks really well-rooted in comparison.

The next thing I do on the passive side of a balance sheet is to look for things that sort of mirror similar things on the active side. On the active side of PayPal’s balance sheet, the biggest category is ‘Funds receivable and customer accounts’: $18 242 mln out of the total $40 774 mln of assets. On the passive side, in the dark forest of liabilities, I am spotting a similar beast. It has ‘Funds payable and amounts due to customers’ written on it, and it makes $19 742 mln. In probabilistic terms, each single $1 paid in on a customer account and held on this account has a mirror in some $0,94 held in assets that PayPal labels ‘Funds receivable and customer accounts’. The remaining $0,06 from that $1 are held in other assets.

Here, I am getting into the business process. A customer opens an account with PayPal. They can do it in two ways, or rather with two distinct purposes: for making payments or for receiving payments. When a customer wants to use the PayPal account mostly to make payments – let’s call them active payers – they will take care of transferring some money to this account from some other one, like from the personal bank account, of from a credit card. This happens frequently with people who buy and pay a lot online, and want their sort of financial crown jewels well protected. They open a PayPal account, and transfer there the amount of money necessary for those payments they think they will be doing like over the month to come. Even if one of those payments is traced back by some malware, the amount at risk is the amount transferred to the PayPal account, not the money on the person’s main bank account or on their credit card. Of course, really nasty malware can also trace back the transfer from my main account to the one I have on PayPal, and can be sort of tempted to attack that main account as well. Still, it makes at least one more firewall to cheat their way through.

Other customers, which I provisionally label as passive receivers, will open and hold a PayPal account mostly for receiving payments. For example, I maintain such an account for the purposes of this blog and as an adjacent functionality to my Patreon profile. The operational distinction between active payers and passive receivers is that the former are more likely than the latter to hold significant monetary balances on their PayPal account.

Let’s see how does PayPal handle those customers. I found an interesting passage on page 132 of their last annual report: ‘We hold all customer balances, both in the U.S. and internationally, as direct claims against us which are reflected on our consolidated balance sheet as a liability classified as amounts due to customers. Certain jurisdictions where PayPal operates require us to hold eligible liquid assets, as defined by the regulators in these jurisdictions, equal to at least 100% of the aggregate amount of all customer balances. Therefore, we use the assets underlying the customer balances to meet these regulatory requirements and separately classify the assets as customer accounts in our consolidated balance sheet. We classify the assets underlying the customer balances as current based on their purpose and availability to fulfill our direct obligation under amounts due to customers’.

OK, so I can see the first choices that a FinTech company can make in that respect. The monetary balances written on customer accounts can be held either directly by the operator of the FinTech platform, or their holding can be underwritten to a third party, a bank, for example. We call it a fiduciary contract. PayPal chooses the first option, i.e. holding customer accounts directly.

What’s the difference? If you hold directly the customer balances, they are your liability vis a vis your customers. You need to figure out, then, how to allocate those balances into some assets. Once you underwrite the holding of those balances to that fiduciary institution, you have a claim on that institution. Your customers have a claim on you, and this is your liability, and you have a claim on your underwriter, and this is your asset. The balance sheet balances itself.

Another choice that I can see kind of underneath that passage is the choice of jurisdiction. See there? ‘Certain jurisdictions […] require...’. Your choice is between the jurisdictions that require, and those which just don’t. It is about flexibility in your assets. In jurisdictions, which require to mirror the balances on customer accounts with ‘eligible assets’, the ‘eligible’ part is bound to be narrowed down somehow, either in the legal rules strictly spoken, or in some guidelines, or even in adjudication. It all tells you, how you should structure your financial assets.

Now, something that is not exactly a choice, but more of an imperative: liquidity of assets as functionally connected to the liquidity of liabilities. I am referring to the last sentence in that passage above. When a customer keeps money on a payment account – such as those at PayPal – the customer can withdraw their money any minute. Hence, if you want to mirror that on the asset side of the balance sheet, you need to place that money from customer accounts, waiting in full gear all the time, in placements that allow just as swift a withdrawal.

All that makes me think about the business process of the EneFin project. The supplier of energy issues the simple contracts that make the base for the complex EneFin contract, i.e. the futures on the supply of energy, and the participatory deed, e.g. shares. Now, those simple contracts have to be combined into the complex contract, EneFin way: whoever buys the futures on energy, buys the participatory deeds attached.

Question: how is that complex contract written into the balance sheet of EneFin? Option (I): all the rights attached to the complex contract remain with the supplier of energy and EneFin just provides a digital token to be put in circulation. EneFin acts on behalf and in the name of the supplier of energy. Financially, in such case, EneFin has a bundle of conditional claims on the supplier of energy, and this is an asset endowed with conditional value.

Those claims are conditional on the behaviour of buyers (consumers of energy). As long as nobody acquires the digital token registered with EneFin, there is no claim with EneFin on the supplier of energy. Once somebody buys the thing, EneFin has a claim on the supplier of energy to transfer the rights from simple contracts (future claim on energy at fixed price + claim on the supplier’s capital) onto the buyer of the token.

This option raises a secondary question: if the complex contract is an asset with EneFin, and it has a conditionally determined value, what sort of capital should mirror that asset on the passive side of the balance sheet? A liability? A share in equity?

Option (II): all the rights attached to the complex contract are entrusted with EneFin, i.e. EneFin becomes the fiduciary (not just the agent) of the primary issuer, i.e. of the supplier of energy. In this case, the contract becomes a liability with EneFin, and we need some assets to mirror its value.

The value, this time, is not as conditional as in Option (I). As a matter of fact, it is not conditional at all. There is the plain value defined as the quantity of energy (QE) encompassed by the contract multiplied by the price of that energy in the households-oriented pricing PHE. It is like V = QE[kWh]*PHE[kWh] and this value turns up in EneFin’s balance sheet as a liability. It needs being mirrored with assets of similar liquidity.

What’s similar liquidity? In general, liquidity of capital is measured with a coefficient of turnover divided by nominal value of the deeds being traded. Logically, the lower the turnover in a given nominal value V = QE[kWh]*PHE[kWh] of contracts entrusted with EneFin, the less liquid those mirroring assets have to be. As the transactional platform warms up and as trade spirals up, liquidity should increase on the asset side. Something to ponder carefully.

how is the complex contract written into the balance sheet of EneFin

Now, I switch to the buyer side, i.e. to relations with the consumers of energy. A buyer of energy – supposedly a household – needs to open an account with EneFin in order to be able to buy complex contracts on energy. They can: a) put money on that account and use it to pay for complex contracts b) not to put money on the account and buy complex contracts with a short-term loan offered by EneFin. In case (a) they create a liability in EneFin’s balance sheet, whilst (b) creates an asset with EneFin.

In case (a), EneFin has the choice between (a)(i) directly holding the monetary balance, and (a)(ii) commission an external financial institution as fiduciary, who will hold that balance. In case (a)(i), this is a liability, with a mirroring asset to be figured out on EneFin’s own. When in (a)(ii), that asset figures itself out, as the EneFin’s liability vis a vis the owner of the account is automatically mirrored by EneFin’s claim on the underwriter who holds the corresponding monetary balance on the base of the fiduciary contract.

Kind of a similar choice appears in case (b): EneFin can (b)(i) lay out that credit from its own balance sheet, or (b)(ii) just resell a loan financed by an external institution.

How does EneFin hold the balances on customers’ accounts

These are loose thoughts, for the moment. Sort of a brainstorm with myself. I hope the storm will rain with some good ideas, soon, but now, it makes me aware of some subtle distinctions I have not been noticing so far. ‘Cause so far, I thought that EneFin would just earn money on transactional fees, and on periodical subscription fees. Now, a different landscape appears under those brainstorm clouds. There are fees for the possible fiduciary services, to be paid to EneFin by the suppliers of energy, and the fiduciary fees to be possibly paid by EneFin to the underwriting financial institution who holds the balances from customers’ accounts. There is a commission that EneFin could have on reselling credit offered by an external agent. There are all the particular rates of return on financial assets of different kinds. After all, you can have an interest even on an overnight deposit.

Intuitively, I guess that the difference between sort of profitable and really profitable, and thus between just possibly sustainable and really sustainable, in that EneFin projects, lies very much in the art of using all those small financial margins.

I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French version as well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon page and become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

 

Support this blog

€10,00

Advertisements

Protège-cul, pardon, stratégie de réduction de risque

 

J’avance dans la rédaction de mon business plan pour le projet EneFin. Dans les deux mises à jour précédentes – « Fini de tourner autour du pot » ainsi que « The essential business concept seems to hold »  – j’ai pas mal avancé dans la description du contexte économique du projet, en ce qui concerne le marché d’énergies renouvelables et le marché financier. J’ai aussi tracé les contours du modèle d’entreprise pour EneFin. Il semble que dans la forme plus ou moins mature, après 4 ans d’exploitation, EneFin a des chances d’atteindre quelques 11 millions d’euros de chiffre d’affaires, avec plus de 5 millions d’euros de bénéfice d’exploitation. Quand j’y pense, ce modèle aura besoin d’un coup de calcul, çà et là : une marge d’exploitation de 50% n’est définitivement pas réaliste.

Maintenant, je pense à deux volets importants du business plan : le bilan et le marketing. En d’autres mots : combien de capital le projet aura-t-il besoin pour démarrer ? quel capital va-t-il accumuler ? comment les relations-client seront-elles créées et maintenues ?

Je commence par le bilan. Je commence par réfléchir sur les actifs dont EneFin aura besoin. Certainement, il y aura la technologie. Pour le moment, je prépare ce business plan comme si la plateforme transactionnelle EneFin était basée sur la technologie du contrat intelligent Ethereum et donc sur le langage de programmation « Pragma Solidity » qui est essentiellement open source. Je pense néanmoins qu’EneFin aura besoin de sa technologie propriétaire, ne serait-ce que pour garantir la sécurité des transactions, et la valeur comptable de cette technologie sera certainement une composante substantielle des actifs.

Ensuite, il y a les créances-client. Sur la base de toutes les études des cas des sociétés FinTech, ainsi que des business de service en général, je sais que cette composante du bilan est vraiment importante. Surtout au début, lorsque l’entreprise est en phase de lancement, l’argument qui prévaut dans les négociations avec les premiers clients c’est le crédit marchand. Intuitivement, je devine qu’EneFin aura besoin de cet argument et pour bien évaluer son poids financier, il faut que je définisse les paiements d’exploitation de la part des clients.

Le modèle d’entreprise que j’ai esquissé dans « The essential business concept seems to hold » assume deux sortes de revenus d’exploitation : commission sur transactions et abonnement fixe. J’assume que le volet d’activité basé sur la commission marchera comme c’est le cas typique, donc ladite commission sera surchargée ou bien prélevée sur le montant payé dans la transaction et au moment du paiement. Là, je ne vois pas trop de crédit marchand et donc pas de créance. En ce qui concerne l’abonnement fixe, je suis honnêtement à court d’idées. Je ne sais pas comment ça marche côté créances-client.

Je vois donc qu’il me faudra modeler un schéma par observation. A propos, il y a une société FinTech qui frappe par son absence dans le travail de recherche que j’ai effectué jusqu’à présent : PayPal. Je fais donc un saut rapide chez leur service d’information pour les investisseurs et je déniche les rapports annuels, de parmi lesquels je télécharge le plus récent. Dans leur bilan, créances-clients se soldent à 283 millions des dollars à la fin de 2017, et 214 millions à la fin 2016. Ceci fait, respectivement, $283 millions / $13 094 millions = 2,2% en 2017 – soit 7,8 jours de crédit marchand – et $214 millions / $10 842 millions = 2% = 7 jours de crédit marchand en 2016. Pas de quoi pomper le bilan, en fait. Oui, ils avaient fait plus de 13 milliards des dollars de chiffre d’affaires en 2017. Joli.

Il semble donc qu’en termes de créances-clients, ce business de PayPal n’est pas vraiment surchargé financièrement. Quel est donc la catégorie d’actifs la plus substantielle dans leur bilan ? ‘Tendez, voilà, ça vient… La catégorie qu’ils dénomment « Funds receivable and Customer Accounts » en anglais, ce qui se traduit comme « Fonds de créances et comptes-client ». Similarité curieuse à la catégorie « Accounts receivable » que je viens d’analyser et qui veut dire, précisément, créances-clients. Que représentent donc ces fonds de créances, qui font 18,24 milliards des dollars en 2017 et 14,36 milliards en 2016 ? Je cherche et je trouve. Note explicative no. 5, attachée au bilan, précise que les fonds de créances et comptes-client contiennent : des titres obligataires du gouvernement (un peu plus d’1/3ème du total de cette catégorie), des soldes monétaires (un peu moins d’1/3ème du total), ensuite la catégorie dénommée « fonds de créances » (encore une fois, un peu moins d’1/3ème du total) et enfin les titres obligataires des sociétés privées ainsi que des comptes à terme, les deux faisant à peu près 1/6ème du total.

Bon. Non, pas tout à fait. La catégorie « fonds de créances et comptes-client » contient une sous-catégorie « fonds de créances » qui consiste en… Précisément, la note explicative no. 5 ne dit rien à ce sujet. Quel bonheur que je sois chercheur. Je sais comment déguiser une défaite intellectuelle en triomphe, ou presque. Lorsque je suis vaincu sur le détail, je me replie sur les généralités. Dans le bilan de PayPal, la généralité la plus prononcée c’est la domination d’actifs financiers, tellement marquée que la distinction-même entre les actifs fixes et les actifs circulants devient largement conventionnelle. Les actifs fixes du type technologique, sous la catégorie « Propriété et équipement » fait 3,7% du total d’actifs et 11,7% du chiffre d’affaires. Oui, je sais, ces petits pourcentages innocents se traduisent, en chiffres absolus, comme plus de 1,5 milliards des dollars.

Cette étude de cas de PayPal m’a rendu conscient, par ailleurs, d’un fait important à propos du bilan de mon projet EneFin. Une plateforme transactionnelle, ça doit maintenir des comptes-client et leur maintenance, au sens financier du terme, requiert la possession d’actifs financiers pour balancer la valeur des transactions faites par les clients sur leurs comptes. Dans le cas de PayPal, un chiffre d’affaires de 13 094 milliards des dollars en 2017 requérait un montant de presque 7 milliards, soit 49,6% dudit chiffre d’affaires, au titre des comptes-clients.

De tout en tout, chez PayPal, ils semblent avoir besoin de $3,11 de capital bilan pour chaque $1 de chiffre d’affaires. Plutôt touffu comme business et en plus, PayPal c’est l’un des pépères-fondateurs du FinTech en général, la chancelière Merkel du secteur, quoi. Je me tourne à nouveau vers Square Inc, bien respectable aussi en termes de chiffre d’affaires mais comme moins vénérable que PayPal. Leur bilan à eux, 2,2 milliards des dollars d’actifs vers la fin 2017 coexistaient avec 2,2 milliards de chiffre d’affaires, donc le coefficient « actifs / chiffre d’affaires » faisait presque exactement 1,00. Les actifs financiers dominent dans ce bilan aussi et la catégorie la plus substantielle est faite des règlements courants (« settlements receivable » en anglais), 620 millions des dollars à la fin 2017. Les actifs typiquement technologiques, donc propriété et équipement, ça fait $91,5 millions, soit 4,2% d’actifs et 4,1% du chiffre d’affaires.

Je change de continent, je retourne en Europe et je me concentre sur le cas de la société allemande Fintech Group AG. Le dernier rapport annuel que j’ai correspond à l’année comptable 2016, donc une année plus tôt que ce que je viens de passer en revue pour PayPal et Square Inc. Ce bilan se solde par 1,53 milliards d’euros d’actifs pour un chiffre d’affaires de 95 millions, ce qui fait plus de €16 de capital pour chaque euro de ventes. J’avais dit que PayPal était touffu financièrement ? Eh ben, Fintech Group c’est carrément un coussin financier. Vu le chiffre d’affaires qu’ils font, ils nagent dans du capital bilan, carrément. Les actifs financiers font l’essentiel de ce bain capitaliste, avec la catégorie « Propriété et équipement » montant à 5,6 millions d’euros. Ça fait 0,4% d’actifs et 5,9% du chiffre d’affaires.

Mon quatrième modèle est la société canadienne Katipult. Ils ont publié leur rapport annuel pour 2017. Là, je vois un schéma financier différent en termes de la proportion entre le bilan et le compte d’exploitation : 430 241 dollars canadiens d’actifs contre 1 136 467 dollars canadiens de chiffre d’affaires. Ça fait à peine $0,38 d’actifs pour chaque $1 de ventes, donc une proportion inverse à celle observée dans les trois cas précédents. Dans ce bilan-ci, la catégorie « Propriété et équipement » se solde à $3 580 ( ?? – c’est à peine la valeur d’un ordinateur bien solide), donc 0,8% d’actifs et 0,3% du chiffre d’affaires.

Ce survol rapide des bilans dans l’industrie FinTech m’a fait me rendre compte que côté bilan, le FinTech c’est bien plus du financier que de la haute technologie. J’ai bien fait de passer ces cas en revue. Initialement, j’étais persuadé que le capital d’une société FinTech est pompé, dans une large mesure, dans la technologie et apparemment, je me gourais complètement. Le bilan, dans le FinTech, ça semble se construire surtout et avant tout autour du capital liquide qui sert à balancer les comptes transactionnels courants. Je peux assumer que cette allocation particulière de capital fait autour de 50% du chiffre d’affaires. Un dixième de ceci, soit 5% du chiffre d’affaires, est alloué à la technologie propriétaire de l’entreprise. Ces 55% du chiffre d’affaires sont le squelette du bilan. Comme nous le savons tous (j’espère), les squelettes, ça n’a pas vraiment de perspectives terribles de développement autonome. Faut du muscle à mettre par-dessus et ici, le muscle, il est fait de tous ces actifs financiers périphériques bien respectables du type créancier, surtout des obligations, qui n’ont pas vraiment l’air très affiliés à l’exploitation elle-même. Je pense qu’ils servent comme protège-cul, pardon, comme stratégie de réduction de risque.

Ce muscle financier peut aller de 45% du chiffre d’affaires jusqu’à plusieurs fois son multiple. Une société FinTech que je peux modeler à partir de ces quatre études des cas c’est donc, en fait, un hybride de deux organisations différentes, un opérateur des transactions digitales couplé avec un fonds d’investissement du type private equity fortement concentré sur les investissements à bas risque et à une valeur nominale solide. Je crois que je comprends la logique de ce schéma. Un opérateur des transactions digitales strictement dit – et donc le capital engagé dans le financement des comptes client – est un business à haut risque opérationnel : les risques typiquement technologiques se combinent avec l’exposition au hacking. La présence de la partie « fonds d’investissement » sert à contrebalancer ce haut risque opérationnel par un risque financier bas.

Ça prend forme. Le bilan du projet EneFin, je veux dire. Avec ces coefficients calculés sur la base d’études des cas, je peux faire une estimation des actifs sur la base du chiffre d’affaires prospectif, celui que j’avais déjà présenté dans dans « The essential business concept seems to hold ». J’assume que, comme dans le cas de Square Inc, dans EneFin les actifs seront à égalité avec le chiffre d’affaires.

Les composants principaux d’actifs d’EneFin
Année Actifs « technologiques » : propriété et équipement Actifs financiers : comptes-clients comme fonds do créances Actifs financiers pour compenser le risque
1 € 128 366,66 € 1 283 666,59 € 1 155 299,93
2 € 357 362,34 € 3 573 623,38 € 3 216 261,04
2 € 454 758,26 € 4 547 582,57 € 4 092 824,31
4 € 552 154,18 € 5 521 541,76 € 4 969 387,58

Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund (aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon . Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

 

Vous pouvez donner votre support financier à ce blog

€10,00

The essential business concept seems to hold

 

And so I am going straight into writing the business plan for my EneFin project. It means that from now on, for like the next two or three weeks, updates to my blog will be basically pieces of business plan, or nearly. In my last update in French, I already started connecting the dots. I focused mostly on the market of renewable energies in Europe, in comparison to other regions of the world. You can look up « Fini de tourner autour du pot » for more details.

The EneFin project is a FinTech concept designed for the market of renewable energies, for the moment just in Europe, but I believe it can be transposed into other regions of the world. In that respect, one important thing is to keep in mind. For the purposes of this project, Europe is being defined as EU + Norway + Switzerland.

FinTech means finance, and so I take on studying the financial context. I want to identify basic patterns in that respect. I focus on two basic components of the financial market, i.e. on the supply of money, and that of credit. I take the two corresponding metrics from the resources published by the World Bank, i.e. the supply of broad money as % of the GDP, and the supply of credit from the domestic financial sector, once again as % of GDP. As they are both denominated in units of the GDP, I need that bugger too, and so I look it up, as given in constant 2010 US$.

The logic I am following here is that anything economic that happens, i.e. creation or consumption of utility, has a financial counterpart. Every hour worked, every machine installed in a factory etc. has a shadow sibling in the form of some money written on some accounts, which, in turn, has a shadow cousin in the form of credit written in the balance sheets of banks. Each gigawatt hour of renewable energy is supposed to be mirrored by monetary balances, and both of them, i.e. the gigawatt hour and its monetary shadow, are being mirrored by some lending and borrowing in banks.

I define five geographic regions, namely: a) Europe (EU + Switzerland + Norway) b) North America c) China d) Middle East & North Africa and e) Latin America & Caribbean. I consider China as representative for the emerging Asian economies. In each of these regions, I have already calculated the overall consumption of renewable energies in gigawatt hours. Now, I calculate the absolute supply of broad money, and that of credit, and then I compute two coefficients: broad money, and domestic credit, supplied per 1 GWh of renewable energy. In other words, I am assessing how big financial a shadow each such gigawatt hour has, across space and over time. I am trying to define the shape of that shadow, as well, by computing the difference between money supplied, and domestic credit provided, once again per 1 GWh of renewable energy consumed.

Three graphs below are portraying the results of those calculations. Further below, I am developing an interpretation of that data.

M per GWh

Domestic credit per GWh

M minus Credit per GWh

I’m back after graphs, with, hopefully, pertinent an interpretation. Here is the thing: credit goes after expected profits, whilst money goes after transactions, as well as after uncertainty as for what kind of resources should we invest in so as to have those profits. You need credit to finance a new windfarm, and you need to monetize this credit, i.e. to transform it into monetary balances that you hold on your bank account, when there is a lot of alternative technologies for your windfarm, and you are really in two (at least two) minds as for which one is the right one for you.

Financial aggregates are like ravens – you can learn a lot by observing the way they go. Europe, such as defined in my business plan, is definitely burning the rubber as for the amount of renewable energy consumed. Still, credit from Europe seems to be going mostly to Middle East and North Africa, and a bit to China, as well. This is funny, because it has been so for centuries. Anyway, if a lot of credit emigrates, it is obviously looking for new horizons in foreign markets. It seems to see better horizons in them foreign markets than home. Money, i.e. our response to uncertainty and hesitation, tends to decline a bit in Europe, whilst it is swelling in other regions. The diagnosis that Herr Doktor Wasniewski can formulate is the following: Europe has developed a lot of actual, current capacity for generating renewable energies, and yet this capacity seems to be somehow short-legged. Both the innovative input from new inventions, and the financial greasing with credit and monetary balances seem to be fading in the market of this proud, small, and cold continent. I think this is the Dark Side of the Force, and said Force is called ‘Fiscal Stimulation’. When you look at the development of renewables in Europe, they burgeon mostly in those countries, where the fiscal shoulder of the government strongly supports the corresponding investments. Upstream subsidies, and feed-in-tariffs downstream, it is all nice as long as we don’t realize one thing: strong, resilient social structures emerge as the outcome of struggle and fighting, not as the result of gentle patting on the shoulder.

In other words, the European market of renewable energies lacks efficient, market-based solutions, which could channel capital towards new technologies and their applications, and give a hand to fiscal instruments in that respect.  

It looks nice. I mean, I have just developed a coherent, economically well-grounded argument in favour of developing functionalities such as EneFin, and it didn’t hurt as much as I thought it would have.

Now, I change my optic, and I turn towards the financials of the EneFin project itself. I am starting from the point of breaking even, i.e. from the mutual balance between the gross margin generated on transactions with customers, and the fixed costs of the business. I need to figure out the probable amount of fixed costs. How to estimate fixed costs in a business structure that does not exist yet? The easiest way is business modelling. I take a business as similar as possible to what I want to develop, and I barefacedly copy what they do. The closest cousin to my project, which I can find and emulate is FinTech Group AG in Germany. In Table 1, below, you can see their selected financials.

 

Table 1 Selected financials of FinTech Group AG

Year Fixed costs in €000 Revenue €000 Share of fixed costs in revenue
2015 41 718 75 024 55,6%
2016 38 916 95 021 41,0%
estimate 2017* 45 020 99 124 45,4%
Average 41 885 89 723 46,7%

*this is an estimate based on mid-year results, i.e. semi-annual figures have been multiplied by two

This is pretty obvious that revenues reaching over 99 millions of euro annually will be, in the start-up phase, out of reach in the EneFin project. What counts the most are proportions. It looks like a FinTech company located in Europe needs some €0,47 of fixed costs for each €1 of revenue, in order to keep its business structure afloat. Still, fixed costs are fixed. I know, it sounds a bit tautological, but it is the essential property of fixed costs. In a given business model, i.e. in a bundle of processes that create and capture value added, we need a certain fixed structure to maintain those processes. Thus, now, I wonder what is the minimum size of a business structure in the FinTech business.

What do I do when I don’t know how to go about a piece of information I don’t know? I go Google, and I type: ‘what is the minimum size of a FinTech business?’. Ridiculous? Maybe, but efficient. My first hit is a fellow Word Press site, labelled ‘Venture Scanner’, and there, I find this article entitled Average Company Size Per FinTech Category, and Bob’s my uncle. The EneFin concept matches three categories mentioned there, i.e. Crowdfunding, Institutional Investment, and Small Business Tools, with respective headcounts of 38, 40, and 80 employees.

It is so easy. It should be illegal. I type ‘what is the average salary of an engineer in Europe?’. My first hit is also a blog, www.daxx.com and there, I find this piece of information entitled ‘IT Salaries: Which Is the Highest-Paying Country for a Software Developer?’. Looks like €60 000 a year is a reasonable average.

Now, I assume that among those typical sizes of organizations in FinTech, I aim for the relatively smaller, i.e. 40 people. Those 40 people are supposed to earn €60 000 each, on average, and that makes a total payroll of 40 * €60 000 = €2 400 000 a year. Good. Next step: the rent. Once again, Professor Google directs me onto the path of wisdom, to the website called ‘The Balance Small Business’, and there I find the calculator of work space necessary. Looks like it is some 18,6 m2 per engineer (the original article gives amounts in square feet, but you just multiply them by 0,093). Hence, I need, for my EneFin structure, like 18,6 * 40 = 744 m2 in terms of office space. I check a big business hub, Frankfurt, Germany, for rental prices. Looks like €20 a month per 1 m2 is a reasonable rate to expect for a relatively good location, which makes me 744 * €20 *12 = €178 560 a year.

Thus, the basic payroll plus the rental of office space makes €2 400 000 + €178 560 =  €2 578 560 a year, which I multiply by two in order to account for marketing and other administrative expenses. Now, some of you could ask, isn’t that multiplying by two a bit far-fetched? Well, what I can tell you for sure: at least some of those 40 people, maybe even most of them, will have to travel, and business trips, it costs insane amounts of money. Anyway, my rough guess of fixed costs for the core structure of EneFin is €5 157 120 a year, and this is sort of the first pit-stop on the path of development in that business. Based on what I found earlier, with that FinTech Group AG, I assume that €5 157 120 a year needs €5 157 120 / 0,467 =  €11 043 083,51 a year in terms of revenue.

A pit-stop, you reach it after having driven on that racing track for some time, and here, the time is like 4 years. I assume that cycle on the grounds of the case study I did regarding the business model of Square Inc. You can find the details in « The expected amount of what can happen ». My vision of EneFin in terms of products marketed is a 50/50 balance between transaction based-revenues, on the one hand, and those based on subscription, on the other hand. Therefore, I split the target revenue of €11 043 083,51 a year, to be reached in the third year, into two halves, or partial targets of €5 521 542 each. In other words, I am sketching a business model, which leads to developing, over 4 years, two business units inside the same business concept. One of those business units would be focused on developing a product based on transaction fees, the other one would target a subscription-based utility.

I am using the model cycles of growth I nailed down, with the help of Euclidean distance, in the analogous, i.e. transaction-based and subscription-based, business fields at Square Inc. I apply it to the target revenue of EneFin, as calculated and structured above. The results are shown in Table 2 below.

 

Table 2 First approach to revenues and operational margin at EneFin

Planned percentage of the target revenue Planned revenue in €
Year Subscription-based Transaction-based Subscription-based Transaction-based Operational profit after fixed costs of €5 157 120
1 10% 37% € 534 033 € 2 033 301 € (2 589 787)
2 47% 83% € 2 571 877 € 4 575 370 € 1 990 127
2 73% 91% € 4 046 709 € 5 048 456 € 3 938 045
4 100% 100% € 5 521 542 € 5 521 542 € 5 885 964

 

Now, the market. I made a practical (I hope!) approach from that angle in « The stubbornly recurrent LCOE ». Provisionally, I estimate the basic transaction fee collected by EneFin at 5%, although the fork of possible rates is really wide, ranging from fractions of a percentage point, practiced in the actual financial business, e.g. the 0,4% collected by brokerage houses on your transaction in the stock market, up to the nearly 20% apparently collected by of Square Inc in their transaction-based products.

Subscription-based products seem to be sort of better in the FinTech business, but you need to tempt your customers into paying a fixed subscription fee instead of a casual, transaction-based one. You tempt them crudely and primitively, by making the subscription-based fee more attractive financially if they do a large amount of transactions. The mathematical construct that I adopt to simulate this one is the following: if %T is the transaction-based fee, expressed as a percentage of the actual transactions, the subscription-based fee %S should be like %S = 0,5*%T. If %T = 5%, then %S should modestly stay at %S = 2,5%.

I take the target revenues from the 4th year of the simulated development cycle, as shown above, and I compute the value of energy, at retail market prices, that corresponds to those revenues. It makes, respectively, €220 861 670 of energy in the subscription-based market, and €110 430 835 in the transaction-based one, €331 292 505 in total. Now, I take that lump sum and I apply it to the national markets of selected European countries, at their local retail prices. I calculate the quantity of kilowatt hours that correspond, in each country, to those €331 292 505, and I express it as the percentage of the overall national market of energy for households. Additionally, I calculate the amount of capital that suppliers of energy can raise through the complex contracts of EneFin, where the fork between the retail price for households and that for non-household users is being invested into the balance sheet of the supplier. The results of this particular calculation are shown in Table 3, below.

 

Table 3

Country Price of electricity for households, per 1 kWh Non-household price of electricity, per 1 kWh Percentage of the national market of households, served by EneFin at target revenue Capital raised by local suppliers via EneFin at target revenue
Austria € 0,20 € 0,09 2,5% € 182 210 877,94
Switzerland € 0,19 € 0,10 3,5% € 152 445 943,44
Czech Republic € 0,14 € 0,07 2,9% € 165 646 252,68
Germany € 0,35 € 0,15 0,2% € 189 310 003,06
Spain € 0,23 € 0,11 0,6% € 172 848 263,66
Estonia € 0,12 € 0,09 25,0% € 82 823 126,34
Finland € 0,16 € 0,07 3,2% € 186 352 034,26
France € 0,17 € 0,10 0,4% € 136 414 561,03
United Kingdom € 0,18 € 0,13 0,5% € 92 025 695,93
Netherlands € 0,16 € 0,08 1,4% € 165 646 252,68
Norway € 0,17 € 0,07 3,2% € 194 877 944,33
Poland € 0,15 € 0,09 1,2% € 132 517 002,14
Portugal € 0,23 € 0,12 3,2% € 158 444 241,69

 

Good. That business plan seems to be taking shape. EneFin seems to need just sort of a beachhead in most national markets of energy, in order to keep its head above the water. Of course, there is a lot of testing and retesting of numbers before I nail them down definitively, but the essential business concept seems to hold.

I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French version as well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon page and become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

 

Support this blog

€10,00

Fini de tourner autour du pot

 

Je suis en train de rédiger le business planpour mon concept EneFin. Oui, vous avez bien lu : j’ai fini de tourner autour du pot et maintenant, le pot, je suis en train de le former. Je pense que la rédaction du business plan en deux versions linguistiques – anglaise et française – ça va me prendre dans les 10 – 15 jours. Les mises à jour que je vais faire durant cette période seront essentiellement un compte rendu de l’avancement courant de ce travail de rédaction.

Alors, l’idée de base. Le projet EneFin consiste à créer une fonctionnalité du type FinTech pour financer le développement d’énergies renouvelables. Ce business plan se concentre sur le marché européen, défini comme UE + la Suisse + la Norvège. J’assume qu’on peut transposer le concept d’entreprise ci-décrit sur d’autres marchés géographiques qui présentent des caractéristiques économiques similaires. L’idée de base consiste à exploiter les différences qui sont empiriquement observables dans le marché de l’énergie, entre les prix offerts à des catégories diverses des consommateurs finaux. Cette disparité des prix est la base pour créer un marché financier – une plateforme transactionnelle digitale – où les consommateurs d’énergie pourraient acquérir et(ou) échanger des contrats complexes, composés, d’une part, des contrats à terme pour la fourniture future d’énergie, et des titres de participation dans le bilan du fournisseur d’autre part. Cette plateforme transactionnelle ferait l’ossature capitaliste commune pour le développement des projets locaux en énergies renouvelables.

Ce business plan se concentre sur l’application du concept EneFin au financement des projets de développement d’infrastructures urbaines des sources d’énergies renouvelables, composées des turbines éoliennes et hydrauliques de petite taille, ainsi que des modules photovoltaïques. Cette ligne d’approche s’appuie sur trois faits empiriques. Premièrement, l’Europe, comme définie pour les besoins de ce business plan (UE + Suisse + Norvège) semble tenir la position de leader quant au développement d’énergies renouvelables. Deuxièmement, les villes offrent une densité de population favorables à la création des fonctionnalités FinTech. Troisièmement, la technologie des petites turbines éoliennes et hydrauliques s’est remarquablement développée durant les 15 dernières années ; ces solutions sont à présent tout à fait applicables dans le milieu urbain.

Je reproduis ci-dessous le tableau des prix d’énergie, dont la disparité m’avait inspirée à formuler le concept EneFin. Le tableau vient de la mise à jour intitulée « Je recalcule ça en épisodes de chargement des smartphones » du 17 Avril 2018.

Tableau 1 Prix moyens d’électricité, par kWh, dans certains pays européens

Pays Prix d’une kWh pour les ménages Prix d’une kWh pour les consommateurs institutionnels
Autriche € 0,20 € 0,09
Suisse € 0,19 € 0,10
République Tchèque € 0,14 € 0,07
Allemagne € 0,35 € 0,15
Espagne € 0,23 € 0,11
Estonie € 0,12 € 0,09
Finlande € 0,16 € 0,07
France € 0,17 € 0,10
Royaume Uni € 0,18 € 0,13
Hollande € 0,16 € 0,08
Norvège € 0,17 € 0,07
Pologne € 0,15 € 0,09
Portugal € 0,23 € 0,12

Maintenant, ceux qui viennent de se brancher sur mon blog peuvent avoir une idée un peu plus claire de la chose. Si en Pologne – mon pays natal – le ménage moyen paie €0,15 pour une kilowatt heure et la même kilowatt heure ne coûte que €0,09 dans le tarif plus avantageux, les €0,15 – €0,09 = €0,06 sont simplement le résultat de la politique des distributeurs d’énergie. Il n’y a aucune valeur ajoutée – aucune utilité économique, si vous voulez – derrière cette différence.

Ledit ménage moyen en Pologne consomme, en moyenne, 2 490,21 de kilogrammes d’équivalent pétrole par an par personne (ceci vient des données de la Banque Mondiale), ce qui donne 28 961,10 kilowatt heures. Le multiplicateur ici est égal à 11,63 kWh pour chaque kilo d’équivalent pétrole. Un ménage polonais – moyen, toujours – compte 2,8 personnes. Ceci nous donne 81 091,08 kWh par ménage par an. Maintenant, le truc important quant à l’interprétation de cette statistique sur la consommation finale d’énergie : c’est une valeur composée. Notre consommation d’énergie est déterminée par notre panier technologique dans trois domaines distincts : la consommation ménagère strictement dite, le transport et l’énergie incorporée dans les biens et services que nous achetons. Dans ces 2 490,21 kilogrammes d’équivalent pétrole par an par personne il y a donc des trajets en voiture, en bus ou en train, il y a aussi le nouveau joli smartphone tout comme l’entrecôte de bœuf que je mange au resto à midi, et il y a enfin l’électricité que je consomme pour alimenter mon frigo.

Il y a beaucoup d’informations contradictoires sur la structure exacte de ce panier tripartite de consommation finale d’énergie au niveau des pays particuliers. Probablement les meilleures estimations, on peut les dériver des agrégats accessibles sur le site de l’Agence Internationale d’Énergie. Pour le monde entier, la consommation ménagère semble faire comme 26% de la consommation finale totale. Pour la Pologne, ça semble aller dans les 31%. Encore, faut être prudent dans ces estimations. J’avais déniché un rapport publié sur www.energymarketprice.com, dans leur série « Energy Statistics Report », qui suggère que la consommation ménagère d’énergie, en Europe, ne fait que 17,3% du total.

Je fais donc une estimation en intervalle, pour mon ménage Polonais moyen. La consommation ménagère ferait [17,3%*81 091,08 kWh ≤ x ≤ 31%*81 091,08 kWh]  <=>  [14 028,76 kWh ≤ x ≤ 25 134,93 kWh]. Vu la différence des prix finaux d’énergie spécifiée plus haut, ceci donne entre €841,73 et €1 508,10que le ménage moyen en Pologne paie annuellement, uniquement à titre de sa position très faible vis à vis des fournisseurs d’énergie. Vous pouvez faire le même calcul pour tout pays où les prix d’énergie sont plus ou moins transparents, au moins en ce qui concerne leur montant final. Si nous prenons donc une ville de, disons, 800 000 habitants, comme Krakow, en Pologne, où j’habite moi-même, ça donne un flux annuel de trésorerie entre €240 492 979,83 et €430 884 454,76qui représente, en fait, une valeur économique attachée au quasi-monopole, temporaire et local, des fournisseurs d’énergie. Ce flux de trésorerie pourrait être transformé aussi bien en quelque chose de vraiment utile. Ce quelque chose d’utile peut consister en un réseau local, urbain, des sources d’énergie renouvelable : petites turbines hydrauliques ou éoliennes ainsi que des nids des modules photovoltaïques. Tout ça combiné en un ensemble incrusté dans l’infrastructure urbaine. L’entité légale qui gérerait un tel réseau pourrait être financée par le même flux de trésorerie que nous payons aujourd’hui à titre d’hommage monopolistique forcé. Les clients d’une telle entité, qui achèteraient son énergie, pourraient en même temps acquérir ses titres de participation et en devenir des actionnaires. C’est un schéma coopératif que je voudrais, à travers une fonctionnalité FinTech, doter de la

Voilà le concept de base. Je passe maintenant au contexte économique plus large. Dans une série des graphes, ci-dessous, j’introduis une constatation générale : l’Europe à un marché d’énergies renouvelables en croissance rapide, qui néanmoins reste un peu en recul derrière les pays asiatiques en termes d’inventions technologiques dans ce domaine. Il y a comme un déficit de recherche et développement, en Europe, en termes d’énergies renouvelables, par rapport au potentiel du marché que nous avons à notre disposition. J’ai comme une intuition personnelle que les technologies qui restent le plus sous-développées en Europe sont celles relatives à l’énergie hydraulique.

Le concept EneFin consiste donc à créer un mécanisme financier qui transfèrerait le capital du marché des gros réseaux connectés aux grosses centrales électriques vers le marché des relativement petits systèmes énergétiques locaux basés sur la génération d’énergies renouvelables. Ici, encore une fois, j’ai une idée qui pour le moment est simplement une intuition : si on achemine le capital vers des entités qui expérimentent avec leur structure-même, ces entités peuvent être relativement plus enclines que les grands opérateurs à expérimenter avec leur base technologique, ce qui, à son tour, peut stimuler l’innovation.

Bon, jetez un coup d’œil sur ces graphes, ci-dessous, et après, je résume le concept du produit financier EneFin, comme je veux le présenter dans le business plan.

RenewGWh_FR

Renew_Index_FR

RenewPourcentage_FR

Vertical_FR

Hydro_FR

Avec le concept économique de base, donc l’acheminement de capital du point « A » vers point « B », il faut un produit financier approprié. Le produit que j’ai en tête est complexe. Tout d’abord, le fournisseur d’énergie qui veut obtenir du financement à travers EneFin émet des contrats à terme pour la fourniture future d’énergie, avec ladite énergie pré-vendue à un prix avantageux pour le consommateur ménager, identique ou proche de celui que les distributeurs d’énergie pratiquent normalement avec les grands utilisateurs institutionnels. La quantité d’énergie contenue dans ces contrats à terme est en même temps évaluée aux prix moins avantageux et plus élevé, réservé aux utilisateurs ménagers. La différence entre la valeur du marché de cette énergie en prix typiquement « ménages », et la valeur en prix « gros clients institutionnels » est transformée en des titres de participation dans le bilan du fournisseur d’énergie.

Ensuite – et ça, c’est le trait spécifique d’EneFin – ces  deux contrats, légalement distincts mais fonctionnellement liés, sont combinés dans un produit financier complexe, digital, dont l’analogie la plus proche que je voie est le contrat intelligent Ethereum. Par ailleurs, cette technologie est celle de base que je prévois pour la plateforme transactionnelle EneFin. On serait donc dans l’univers du langage de programmation « Pragma Solidity ». L’utilisation de contrat intelligent digitalisé simplifie les transactions avec ces contrats complexes. Là, je suis la même logique que vous pouvez trouver dans toutes les bourses d’échange financier : les titres légaux proprement dits sont déposés tranquillos dans un coffre en banque et tout l’échange se fait en des titres secondaires, comme des certificats de dépôt, seulement ce seraient des titres digitaux similaires à une crypto-monnaie. Ça résout tout un tas des problèmes légaux. J’avais développé plus abondamment sur ce sujet dans « Les séquences, ça me pousse à poser cette sorte des questions ».

Ce produit financier complexe peut être vendu en deux formes principales. Premièrement, EneFin peut agir comme une bourse financière, donc offrir l’espace organisé d’échange et prélever une commission sur chaque transaction. Je pense que c’est la modalité la plus probable dans la phase de lancement du projet. Mon observation de la société FinTech américaine du nom de Square Inc. indique que cette façon de vendre un produit FinTech est de loin la plus intuitive mais pas nécessairement la plus profitable. En ce qui concerne la création de bénéfice dans le projet EneFin, il faudra – je pense – prévoir soit une seconde phase soit une forme « pro » du produit, basée sur l’abonnement périodique payé par les fournisseurs d’énergie qui participent au projet. C’est le modèle d’entreprise pratiqué à succès par la société canadienne Katipult.

Ci-dessous, je résume ces principes de base en une forme graphique. Je pense que ce sera tout pour aujourd’hui. Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Contrat complexe EneFin

Contrat EneFin 2

Prix du contrat EneFin

Digitalisation EneFin

 

Vous pouvez donner votre support financier à ce blog

€10,00

 

The stubbornly recurrent LCOE

 

I am thinking about those results I got in my last two research updates, namely in “The expected amount of what can happen”, and in “Contagion étonnement cohérente”. Each time, I found something intriguingly coherent in mathematical terms. In “The expected amount of what can happen”, I have probably nailed down some kind of cycle in business development, some 3 – 4 years, as regards the FinTech industry. In “Contagion étonnement cohérente”, on the other hand, I have seemingly identified a cycle of behavioural change in customers, like around 2 months, which allows to interpolate two distinct, predictive models as for the development of a market: the epidemic model based on a geometric-exponential function, and the classical model of absorption based on the normal distribution. That cycle of behavioural change looks like the time lap to put into an equation, where the number of customers is a function of time elapsed, like n(t) = e0,69*t.  Why ‘0,69’ in n(t) = e0,69*t? Well, the 0,69 fits nicely, when the exponential function n(t) = eß*tneeds to match a geometric process that duplicates the number of customers at every ‘t’ elapsed, like n(t) = 2*n(t-1) + 1.

I have identified those two cycles of change, thus, and they both look like cycles of behavioural change. It takes a FinTech business like 3+ years to pass from launching a product to stabilizing it, and it apparently takes the customers some 2 months to modify significantly their behaviour – or to take a distinctive, noticeable step in such behavioural change – regarding a new technology. I am trying to wrap my mind around each of those cycles separately, as well as around their mutual connection. It seems important for continuing to write that business plan of mine for the EneFinproject, that FinTech concept for the market of energy, where households and small businesses would buy their energy through futures contracts combined with participatory deeds in the balance sheet of the energy provider.

Now, before I go further, a little explanation for those of you, who might not quite grasp the way I run this blog. This is a research log in the most literal sense of the term. I write and publish as I think about things and as I channel my energy into the thinking. This blog is the living account of what I do, not a planned presentation. As for what I do the latter category, you can find it under the heading of “Your takeaways / Vos plats à emporter“. The approach I use, the one from the side of raw science on the make, is the reason why you can see me coming and going about ideas, and this is why I write in two languages: English and French. I found out that my thinking goes just sort of better when I alternate those two.

Anyway, I am trying to understand what I have discovered, I mean those two intriguing cycles of behavioural change, and I want to incorporate that understanding in the writing of my business plan for the EneFinproject. Cycle of change spells process: there is any point of talking about a cycle if it happens like recurrently, with one cycle following a previous cycle.

So, I do what I need to do, namely I am sketching the landscape. I am visualising urban networks composed of wind turbines with vertical axis, such as I started visualising in « Something to exploit subsequently». Each network has a different operator, who maintains a certain number of turbines scattered across the city. Let this city be Lisbon, Portugal, one of my favourite places in Europe, which, on the top of all its beauty, allows experiencing that shortest interval of time in the universe, i.e. the time elapsing between the traffic lights turning greed, for vehicles, and someone from among said vehicles hooting impatiently.

We are in Lisbon, and there are local operators of urban wind turbines, and with the wind speed being 4,47 m/s on average, each turbine, such as described in the patent application no. EP 3 214 303 A1, generates an electric power averaging 47,81 kilowatts. That makes 47,81 kilowatts * 8760 hours in the normal calendar year = 418 815,60 kilowatt hoursof energy a year. At €0,23 for each kWh at the basic price for households, in Portugal, the output of one turbine is worth like € 96 327,59. According to the basic scheme of EneFin, those € 96 327,59 further split themselves in two, and make:

€ 50 257,87in Futures contracts on energy, sold to households at the more advantageous rate of €0,12, normally reserved for the big institutional end users
€ 46 069,72in Participatory deeds in the balance sheet of the operator who currently owns the turbine

Thus, each local operator of those specific wind turbines has a basic business unit – one turbine – and the growth of business is measured at the pace of developing such consecutive units. Now, the transactional platform « EneFin» implants itself in this market, as a FinTech utility for managing financial flows between the local operators of those turbines, on the one hand, and the households willing to buy energy from those turbines and invest in their balance sheet. I assume, for the moment, that EneFin takes 5% of commissionon the trading of each complex contract. One turbine generates 5%*€ 96 327,59 =  € 4 816,38 of commission to EneFin.

I am progressively make the above converge with those cycles I have identified. In the first place, I take those two cycles I have identified, i.e. the ≈ 2 months of behavioural change in customers, and the ≈ 3+ years of business maturation. On the top of that, I take the simulations of absorption, as you can see in « Safely narrow down the apparent chaos». That means I take into account still another cycle, that of 7 years = 84 months for the absorption of innovation in the market of renewable energies. As I am having a look at the thing, I am going to start the checking with the last one. Thus, I take the percentages of the market, calculated « Safely narrow down the apparent chaos», and I apply them to the population of Lisbon, Portugal, i.e. 2 943 000 peopleas for the end of 2017.

The results of this particular step in my calculations are shown in Table 1 below. Before I go interpreting and transforming those numbers, further below the table, a few words of reminder and explanation for those among the readers, who might now have quite followed my previous updates on this blog. Variability of the population is the coefficient of proportion, calculated as the standard deviation divided by the mean, said mean being the average time an average customer needs in order to switch to a new technology. This average time, in the calculations I have made so far, is assumed to be 7 years = 84 months. The coefficient of variability reflects the relative heterogeneity of the population. The greater its value, the more differentiated are the observable patterns of behaviour. At v = 0,2it is like a beach, in summer, on the Mediterranean coast, or like North Korea, i.e. people behaving in very predictable, and very recurrent ways. At v = 2, it is more like a Halloween party: everybody tries to be original.

Table 1

Number of customers acquired in Lisbon
[a] [b] [c] [d]
Variability of the population 12th month 24th month 36th month
0,1 0 0 0
0,2 30 583 6 896
0,3 5 336 25 445 86 087
0,4 29 997 93 632 212 617
0,5 61 627 161 533 310 881
0,6 85 978 206 314 365 497
0,7 100 653 229 546 387 893
0,8 107 866 238 238 390 878
0,9 110 200 238 211 383 217
1 109 574 233 290 370 157
1,1 107 240 225 801 354 689
1,2 103 981 217 113 338 471
1,3 100 272 208 016 322 402
1,4 96 397 198 958 306 948
1,5 92 525 190 184 292 331
1,6 88 753 181 821 278 638
1,7 85 134 173 925 265 878
1,8 81 695 166 513 254 020
1,9 78 446 159 577 243 014
2 75 386 153 098 232 799

Now, I do two things to those numbers. Firstly, I try to make them kind of relative to incidences of epidemic contagion. Mathematically, it means referring to that geometric process, which duplicates the number of customers at every ‘t’ elapsed, like n(t) = 2*n(t-1) + 1, which is nicely (almost) matched by the exponential function n(t) = e0,69*t. So what I do now is to take the natural logarithm out of each number in columns [b] – [d]in Table 1, and I divide it by 0,69. This is how I get the ‘t’, or the number of temporal cycles in the exponential function n(t) = e0,69*tso as to obtain the same number as shown in Table 1. Then, I divide the time frames in the headings of those columns, thus, respectively, 12, 24, and 36, by the that number of temporal cycles. As a result, I get the length of one period of epidemic contagion between customers, expressed in months.

Good, let’s diagnose this epidemic contagion. Herr Doktor Wasniewski (this is me) has pinned down the numbers shown in Table 2 below. Something starts emerging, and I am telling you, I don’t really like it. I have enough emergent things, which I have no clue what they mean, on my hands. One more emergent phenomenon is one more pain in my intellectual ass. Anyway, what is emerging, is a pattern of decreasing velocity. When I take the numbers from Table 1, obtained with a classical model of absorption, and based on the normal distribution, those numbers require various paces of epidemic contagion in the behaviour of customers. In the beginning, the contagion need to be f***ing fast, like 0,7 ÷ 0,8 of a month, so some 21 – 24 days. Only in very homogenous populations, with variability sort of v = 0,2, it is a bit longer.

One thing: do not really pay attention to the row labelled ‘Variability of the population 0,1’. This is very homogenous a population, and I placed it here mostly for the sake of contrast. The values in brackets in this particular row of Table 2 are negative, which essentially suggests that if I want that few customers, I need going back in time.

So, I start with quite vivacious a contagion, something to put in the scenario of an American thriller, like ‘World War Z no. 23’. Subsequently, the velocity of contagion is supposed to curb down, to like 1,3 ÷ 1,4 months in the second year, and almost 2 months in the 3rdyear. It correlates surprisingly with that 3+ years cycle of getting some stance in the business, which I have very intuitively identified, using Euclidean distances, in «The expected amount of what can happen». I understand that as the pace of contagion between clients is to slow down, my marketing needs to be less and less aggressive, ergo my business gains in gravitas and respectability.

Table 2

The length of one temporal period « t » in the epidemic contagion n(t) = 2*n(t-1) + 1 ≈ e0,69*t, in the local market of Lisbon, Portugal
[a] [b] [c] [d]
Variability of the population 12th month 24th month 36th month
0,1  (0,34)  (1,26)  (6,55)
0,2  2,44  2,60  2,81
0,3  0,96  1,63  2,19
0,4  0,80  1,45  2,02
0,5  0,75  1,38  1,96
0,6  0,73  1,35  1,94
0,7  0,72  1,34  1,93
0,8  0,71  1,34  1,93
0,9  0,71  1,34  1,93
1  0,71  1,34  1,94
1,1  0,71  1,34  1,94
1,2  0,72  1,35  1,95
1,3  0,72  1,35  1,96
1,4  0,72  1,36  1,97
1,5  0,72  1,36  1,97
1,6  0,73  1,37  1,98
1,7  0,73  1,37  1,99
1,8  0,73  1,38  2,00
1,9  0,73  1,38  2,00
2  0,74  1,39  2,01

The second thing I do to numbers in Table 1 is to convert them into money, and more specifically into: a) the amount of transaction-based fee of 5%, collected by the EneFin platform, when b) the amount of capital collected by the suppliers of energy via the EneFin platform. I start by assuming that my customers are not really single people, but households. The numbers in Table 1, referring to single persons, are being divided by 2,6, which is the average size of one household in Portugal.

In the next step, I convert households into energy. Easy. One person in Portugal consumes, for the strictly spoken household use, some 4 288,92 kWh a year. That makes 11 151,20 kWh per household per year. Now, I convert energy into money, which, in financial terms, means €1 338,14a year in futures contracts on energy, at €0,12 per kWh, and €1 226,63in terms of capital invested in the supplier of energy via those complex contracts in the EneFin way. The commission taken by EneFin is 5%*(€1 338,14+ €1 226,63) =  €128,24. Those are the basic steps that both the operator of urban wind turbines, and the EneFin platform will be taking, in this scenario, as they will attract new customers.

People converted into money are shown in Tables 3 and 4, below, respectively as the amount of transaction-based fee collected by EneFin, and as the capital collected by the suppliers of energy via those complex contracts traded at EneFin. As I connect the dots, more specifically tables 2 – 4, I can see that time matters. Each year, out of the three, makes a very distinct phase. During the 1styear, I need to work my ass off, in terms of marketing, to acquire customers very quickly. Still, it does not make much difference, in financial terms, which exact variability of population is the context of me working my ass off. On the other hand, in the 3rdyear, I can be much more respectable in my marketing, I can afford to go easy on customers, and, in the same time, the variability of the local population starts mattering in financial terms.

Table 3

Transaction-based fee collected by EneFin in Lisbon
Variability of the population 1st year 2nd year 3rd year
0,1 € 0,00 € 0,00 € 1,11
0,2 € 1 458,22 € 28 752,43 € 340 124,01
0,3 € 263 195,64 € 1 255 033,65 € 4 246 097,13
0,4 € 1 479 526,18 € 4 618 201,31 € 10 486 926,46
0,5 € 3 039 639,48 € 7 967 324,44 € 15 333 595,20
0,6 € 4 240 693,13 € 10 176 019,80 € 18 027 422,81
0,7 € 4 964 515,36 € 11 321 936,93 € 19 132 083,67
0,8 € 5 320 300,96 € 11 750 639,54 € 19 279 326,77
0,9 € 5 435 424,51 € 11 749 281,67 € 18 901 432,22
1 € 5 404 510,95 € 11 506 577,11 € 18 257 283,50
1,1 € 5 289 424,10 € 11 137 214,92 € 17 494 337,16
1,2 € 5 128 672,87 € 10 708 687,77 € 16 694 429,35
1,3 € 4 945 700,41 € 10 259 985,98 € 15 901 851,61
1,4 € 4 754 575,54 € 9 813 197,53 € 15 139 607,38
1,5 € 4 563 606,09 € 9 380 437,89 € 14 418 674,83
1,6 € 4 377 570,97 € 8 967 947,88 € 13 743 280,35
1,7 € 4 199 088,86 € 8 578 519,11 € 13 113 914,13
1,8 € 4 029 458,58 € 8 212 936,36 € 12 529 062,43
1,9 € 3 869 177,26 € 7 870 840,04 € 11 986 204,76
2 € 3 718 261,64 € 7 551 243,62 € 11 482 385,83

Table 4

Capital collected by the suppliers of energy via EneFin, in Lisbon
Variability of the population 1st year 2nd year 3rd year
0,1  € 0,00  € 0,00  € 10,63
0,2  € 13 948,06  € 275 020,26  € 3 253 324,36
0,3  € 2 517 495,89  € 12 004 537,77  € 40 614 395,82
0,4  € 14 151 834,00  € 44 173 614,09  € 100 308 629,20
0,5  € 29 074 492,97  € 76 208 352,96  € 146 667 559,88
0,6  € 40 562 705,95  € 97 334 772,00  € 172 434 323,50
0,7  € 47 486 146,88  € 108 295 598,06  € 183 000 528,68
0,8  € 50 889 276,10  € 112 396 186,64  € 184 408 925,42
0,9  € 51 990 445,74  € 112 383 198,48  € 180 794 321,60
1  € 51 694 754,11  € 110 061 702,11  € 174 632 966,74
1,1  € 50 593 935,49  € 106 528 711,32  € 167 335 299,39
1,2  € 49 056 331,91  € 102 429 800,96  € 159 684 091,36
1,3  € 47 306 179,81  € 98 137 917,98  € 152 102 996,27
1,4  € 45 478 048,96  € 93 864 336,33  € 144 812 044,65
1,5  € 43 651 404,71  € 89 724 941,73  € 137 916 243,78
1,6  € 41 871 957,84  € 85 779 428,52  € 131 456 019,80
1,7  € 40 164 756,47  € 82 054 498,57  € 125 436 061,23
1,8  € 38 542 223,78  € 78 557 658,50  € 119 841 889,05
1,9  € 37 009 114,98  € 75 285 468,80  € 114 649 394,41
2  € 35 565 590,09  € 72 228 493,11  € 109 830 309,84

 Now, I do one final check. I take the formula of LCOE, or the levelized cost of energy, as shown in the formula below:

LCOE

Symbols in the equation have the following meaning: a) Itis the capital invested in period t b) Mtstands for the cost of maintenance in period t c) Ftsymbolizes the cost of fuel in period t and d) Etis the output of energy in period t. I assume that wind is for free, so my Ftis zero. I further assume that It+ Mtmake a lump sum of capital, acquired by the supplier of energy, and equal to the amounts of capital calculated in Table 4. Thus I take those amounts from Table 4, and I divide each of them by the energy consumed in the corresponding headcount of households. Now, it becomes really strange: whatever the phase in time, and whatever the variability of behaviour assumed in the local population, the thus-computed LCOE is always equal to €0,11. Always! Can you understand? Well, if you do, you are smarter than me, because I don’t. How can so differentiated an array of numbers, in Tables 1 – 4, yield one and the same cost of energy, those €0,11? Honestly, I don’t know.

Calm down, Herr Doktor Wasniewski. This is probably how those Greeks hit their π. Maybe I am hitting another one. I am trying to take another path. I take the number(s) of people from Table 1, I take their average consumption of energy, as official for Portugal – 4 288,92 kWh a year per person – and, finally, I take the 47,81 kilowattsof capacity in one single wind turbine, as described in the patent application no. EP 3 214 303 A1, in Lisbon, with the wind speed 4,47 m/s on average. Yes, you guessed right: I want to calculate the number of such wind turbines needed to supply energy to the given number of people, as shown in Table 1. The numerical result of this particular path of thinking is shown in Table 5 below.

The Devil never sleeps, as we say in Poland. Bloody right. He has just tempted me to take the capital amounts from Table 4 (above) and divide them by the number of turbines from Table 5. Guess what. Another constant. Whatever the exact variability in behaviour, and whatever the year, it is always €46 069,64. I can’t help it, I continue. I take that constant €46 069,64 of capital invested per one turbine, and I divide it by the constant LCOE €0,11 per kWh, and it yields  418 815,60 kWh, or 37,56 households (2,6 person per household) per turbine, in order to make it sort of smooth in numbers.

Table 5

Number of wind turbines needed for the number of customers as in Table 1
Variability of the population 1st year 2nd year 3rd year
0,1 0 0 0
0,2 0 6 71
0,3 55 261 882
0,4 307 959 2 177
0,5 631 1 654 3 184
0,6 880 2 113 3 743
0,7 1 031 2 351 3 972
0,8 1 105 2 440 4 003
0,9 1 129 2 439 3 924
1 1 122 2 389 3 791
1,1 1 098 2 312 3 632
1,2 1 065 2 223 3 466
1,3 1 027 2 130 3 302
1,4 987 2 037 3 143
1,5 948 1 948 2 994
1,6 909 1 862 2 853
1,7 872 1 781 2 723
1,8 837 1 705 2 601
1,9 803 1 634 2 489
2 772 1 568 2 384

Another thing to wrap my mind around. My brain needs some rest. Enough science for today. I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

 

Support this blog

€10,00

Contagion étonnement cohérente

 

Je me suis un peu dispersé, dans mon discours de la méthode, en ce qui concerne le marketing de mon projet EneFin. Je voulais simplement comprendre comment est-ce que la plateforme EneFin attirerait ses clients, de parmi tous les clients potentiels sur le marché et paf ! : ça s’est échappé à tout contrôle. Par « ça » je veux dire mes processus cognitifs. Je le sens bien, là, mon bouledogue joyeux interne. Il prend plaisir à mordre dans le problème en tant que tel, même sans solutions concrètes en vue.

Eh ben moi, je vais en avoir besoin, des solutions concrètes. Il faut donc que je mette un peu d’ordre dans tout ça, je veux dire dans le même « ça » que dans le paragraphe précèdent. J’ai formulé trois méthodes de base pour prévoir le nombre des clients de la plateforme EneFin. Premièrement, c’est le modèle classique d’absorption d’innovation où le nombre de mes clients est calculé comme une fraction de la population totale de ménages. La fraction, je la calcule avec la courbe de distribution normale où le temps moyen d’absorption de l’innovation par le ménage moyen est de 7 ans et j’expérimente avec des hypothèses diverses quant au coefficient de variabilité de la population. A ce sujet, dans « Le modèle d’un marché relativement conformiste » ainsi que dans « Safely narrow down the apparent chaos » vous pouvez voir des prédictions que j’avais déjà faites à titre d’échauffement.

Deuxièmement, j’ai ce modèle épidémique, à voir en détail dans « La valeur espérée » où les services de la plateforme EneFinse propagent dans la population des clients comme une contagion. Chaque client acquis en attire deux de plus, donc c’est essentiellement une progression géométrique du type n(t) = 2*n(t-1) + 1, qui s’approche très près d’une courbe exponentielle à la formule n(t) = e0,69*t. Le « t » c’est le temps.

Troisièmement et sous un angle d’approche tout à fait différent, j’avais identifié quelque chose comme un cycle de développement du portefeuille clients dans une entreprise EneFin. Le cycle, il semble être de 3 à 4 ans, il vient de l’observation du cas de la société américaine Square Inc.et vous pouvez lire les détails dans « The expected amount of what can happen ».

Trois methodes de prevoir les ventes

Je pense que je vais appliquer toutes les trois méthodes en concours, puisque chacune d’elles m’offre une perspective différente. Je commence par trouver des repères de base pour la courbe d’absorption de l’innovation. Dans ce cas, le repère de base c’est la taille du marché potentiel. Je conduis ce créneau particulier de recherche sur l’échantillon des 13 pays européens que j’avais déjà mentionné plusieurs fois (regardez, par exemple, « Good hypotheses are simple »). J’utilise les données de la Banque Mondiale en ce qui concerne la populationainsi que celles des Nations Unies à propos de la taille moyenne des ménages. Vous avez les résultats du calcul dans Tableau 1.

Tableau 1

Pays Population 2016 Taille moyenne des ménages (personnes par ménage) Nombre de ménages
Autriche 8 747 358 2,30 3 803 199
Suisse 8 372 098 2,20 3 805 499
République Tchèque 10 561 633 2,30 4 592 014
Allemagne 82 667 685 2,10 39 365 564
Espagne 46 443 959 2,60 17 863 061
Estonie 1 316 481 2,30 572 383
Finlande 5 495 096 2,10 2 616 712
France 66 896 109 2,30 29 085 265
Royaume Uni 65 637 239 2,30 28 537 930
Hollande 17 018 408 2,30 7 399 308
Norvège 5 232 929 2,20 2 378 604
Pologne 37 948 016 2,80 13 552 863
Portugal 10 324 611 2,60 3 971 004
Total 366 661 622 2,35 (moyenne pondérée) 156 265 895

Alors, juste pour me faire une idée, je prends les taux d’absorption calculés dans « Safely narrow down the apparent chaos » et je les applique à ces populations, pour calculer le nombre des ménages qui pourraient, hypothétiquement, être les clients de la plateforme EneFin. Les résultat de ce calcul particulier, vous pouvez le trouver dans un fichier Excel que j’ai placé dans les archives de mon blog. La disparité des nombres que je trouve ainsi est énorme. Dans le cas du Royaume Uni, par exemple, ça va de 0,22 client dans une population extrêmement homogène, variabilité v = Ω/µ = 0,1, jusqu’à 3 790 302,83 clients dans la population qui semble, en général, la plus accueillante, celle dotée de la variabilité v = Ω/µ = 0,8.

Maintenant, quoi ? Tout d’abord, la compréhension de ces nombres. Ils représentent le nombre hypothétique des clients que la plateforme EneFinpourrait attirer en l’espace des 36 mois à travers le mécanisme d’absorption d’innovation, un classique de la littérature du sujet (encore une fois, regardez du côté de chez Robertson). C’est un mécanisme où on adopte l’approche strictement structurelle. On en sait que dalle sur la façon exacte dont le nouveau business attire ses clients, on s’en fiche des compétiteurs, et on se concentre sur la courbe normale marquée par un temps d’absorption moyen µ et une déviation standard Ω, cette dernière étant calculée sur la base d’hypothèses à propos de la homogénéité / hétérogénéité relative de la population en question. Vous connaissez ces machines à sous (pièges à cons ?) où vous pouvez manipuler une pince pour tirer un jouet en peluche de parmi tout un tas des jouets similaires ? Eh bien, cette approche strictement structurelle c’est un peu ça. On imagine une pince socio-économique qui sélectionne des entités précises pour qu’elles joignent le portefeuille des clients du business donné.

Sonne un peu comme science-fiction ? Tout à fait. C’est la raison pour laquelle, tout en gardant le respect dû à une méthode solide, il vaut mieux approfondir la compréhension des clients et de leur comportement. Le comportement, ça me renvoie à la méthode épidémique. Je prends donc cette fonction exponentielle n(t) = e0,69*tavec « t » représentant une période de temps. Cet exponentiel représente, à son tour, une contagion modérément folle, où à partir du client zéro, chaque client acquis attire, durant une période de temps « t », deux autres clients. C’est du n(t) = 2*n(t-1) + 1, quoi.

Lorsque j’y pense, à cette épidémie modérément agressive, c’est pas si bête que ça. Le truc, c’est de bien définir le « t ». C’est un cycle de modification comportementale. Je suis un ménage innocent. L’un de mes voisins contracte le virus EneFin. Combien de temps vais-je résister à ce monstre ? Quelle réponse immunologique je vais développer ? Tout ça, c’est un truc passionnant en soi, cette modification des comportements. J’y avais consacré toute une série des mises à jour sur mon blog, en Janvieret en Février, surtout. Vous pouvez y regarder.

Ma question, à présent, est : « Est-ce que les nombres obtenus à travers la courbe normalereflètent un cycle cohérent de modification comportementale du type épidémique ? ». Allons voir. Je prends donc ce fichier Excelet je commence mon raisonnement en posant l’hypothèse que ce nombre précis, il pourrait refléter le « n » obtenu à travers exponentielle n(t) = e0,69*t.  Je fais le calcul suivant : je tire le logarithme naturel de chacun de ces nombres et je le divise par 0,69. De cette façon je fais cracher le « t » à ce n(t) = e0,69*t. Allez-y, si vous avez téléchargé ce fichier Excel, vous pouvez faire de même. Si le nombre local des clients est, hypothétiquement, le résultat de croissance épidémiquen(t) = e0,69*t , alors ln(n)/0,69 = t = le nombre des périodes de tempsdistinctes qui pourraient produire le résultat épidémique égal à « n » obtenu à travers la courbe normale.

Avant de discuter les résultats de ce petit calcul, une digression. Sans la colonne intitulée « variability 0,1 » de ce fichier Excelet, vous trouverez, quel calcul que vous ne fassiez, des nombres aberrants. Dans ce cas précis, le calcul du « t » à travers le logarithme naturel donne des valeurs négatives, donc, en principe, c’est du voyage temporel dans le passé. La colonne « variability 0,1 » représente un cas extrême, une population si homogène, que la déviation standard Ω ne fait que 0,1 de la moyenne µ. De telles situations n’arrivent que très rarement en réalité. Une population comme ça est tellement peu diversifiée qu’il est à peine justifié de l’analyser avec un courbe de distribution normale. Je l’avais inclue dans mes simulations juste pour montrer l’étendue des états possibles. Vous pouvez l’ignorer en toute tranquillité.

Alors, ces « t » locaux. Comme je les calcule, j’obtiens – et c’est une surprise – une rangée des valeurs beaucoup plus homogène que les « n » de départ. Entre t = 10,44au plus court et t = 24,42au plus long, le temps moyen est de µ(t) = 19,44et la déviation standard de ce temps est de Ω(t) = 2,40. En d’autres mots, si le nombre des clients acquis après 36 mois, simulé avec une courbe normale, était le résultant d’une croissance épidémique exponentielle épidémiquen(t) = e0,69*t , alors le temps nécessaire pour obtenir le même « n » à travers ladite croissance épidémique serait de 19,44 périodes distinctes « t » en moyenne, avec très peu de variabilité autour de cette moyenne.

Important : ce « t » est le nombre des périodes de temps distinctes, donc le nombre des cycles de contagionn(t) = 2*n(t-1) + 1. Ce n’est pas le nombre des mois, mais j’y passe, justement. Si mon « n », hypothétiquement obtenu à travers la contagion n(t) = e0,69*t survient après 19,44 périodes en moyenne et le même « n », obtenu à travers l’absorption suivant la courbe normale, devient ce qu’il devient après 36 mois, cela veut dire qu’une période de contagion « t » est de t = 36 / 19,44 = 1,88mois. En généralisant, t = 36 / {ln[n(t)] / 0,69} = (36 * 0,69) / ln[n(t)] = 24,84 / ln[n(t)]. Ainsi généralisé, le « t » rend, à part la moyenne µ(t) = 1,88, un maximum de 3,45 mois et un minimum de 1,47 mois, avec une déviation standard Ω(t) = 0,26.

Je sens que j’ai besoin de résumer. J’avais donc pris treize populations nationales européennes : Autriche, Suisse, République Tchèque, Allemagne, Espagne, Estonie, Finlande, France, Royaume Uni, Hollande, Norvège, Pologne, Portugal. Ça fait dans les 367 millions de personnes, soit quelques 156 millions de ménages. D’autre part, j’avais pris un cycle de changement technologique, très crument observé en ce qui concerne les nouvelles technologies éolienneset je l’ai fixé à 7 ans, ou bien 84 mois. Je me suis dit que ces 7 ans, c’est le temps moyen qu’un ménage moyen a besoin pour absorber une technologie nouvelle. Ensuite, j’ai fait à ces 156 millions des ménages absorber une technologie nouvelle, celle de la plateforme transactionnelle EneFin, avec des hypothèses variées à propos de l’homogénéité relative des ces populations. J’avais obtenu tout un univers des nombres possibles des ménages qu’EneFin aurait des chances d’attirer. Ces nombres disparates, je les ai testées comme des résultats possibles d’une croissance épidémiquen(t) = e0,69*t  où « t » est un cycle de contagion durant lequel chaque client acquis en attire deux autres. Aussi étonnant que ça puisse être, ces nombres très variés, obtenus pour des populations nationales variées avec des assomptions tout ce qu’il y a de cavalier, rendent un cycle de contagion (modification comportementale) remarquablement consistant de t ≈ 2 mois.

Lorsque j’écris « aussi étonnant que ça puisse être », c’est essentiellement de mon propre étonnement que je parle. Ces résultats, c’est l’une de ces occasions quand j’ai l’impression d’être tombé sur la théorie de quelque chose mais je suis à court d’idées en ce qui concerne quelle pourrait bien être cette chose. Je suis 100% sérieux, là. Je ne comprends pas, comment ces nombres calculés avec la courbe normalepeuvent bien rendre un cycle de croissance épidémique aussi cohérent.

Cela veut dire que mon cerveau a besoin de prendre sa distance, là. Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Vous pouvez donner votre support financier à ce blog

€10,00

 

The expected amount of what can happen

 

I am working on that customer forecast thing for my EneFinproject. I want to hit as accurate a forecast, regarding the volume and value of sales, as well as the number of customers, as possible. In my last three updates – Le modèle d’un marché relativement conformiste, Safely narrow down the apparent chaos, and La valeur espérée– I sort of kept turning around that forecast, testing and discussing various angles of approach. So far, I have been sticking to one, central, and somehow an implicit assumption, namely that the EneFinproject – that transactional platform for trading complex contracts, combining futures on energy with participatory deeds – will tap into patterns observable in the market of energy. Still, EneFinis essentially a FinTech concept, which just explores those large disparities between the retail prices of electricity in Europe. Essentially, the concept is applicable in any market with noticeable variance in prices, at the same tier of the value chain. Thus, I could look for good patterns and assumptions in the market of financial services, even very straightforwardly in the FinTech sector.

Good, time to work up to the desired synaptic tension. I open up calmly, with the financial results of Square Inc., a big, US – based FinTech company. I am rummaging in their SEC filings, and more specifically in their 10-K annual report for 2017. I am spotting that nice history of revenues, which I present here below, first as a table with values given in millions of dollars, then as two consecutive graphs, just to give you an idea of proportions.

 

Table 1

  Revenue of Square Inc., USD mln
Year Transaction-based revenue Subscription-based revenue Hardware revenue Total net revenue
2013  433,74  –  4,24  552,43
2014  707,80  12,05  7,32  850,19
2015  1 050,45  58,01  16,38  1 267,12
2016  1 456,16  129,35  44,31  1 708,72
2017  1 920,17  252,66  41,42  2 214,25

 

Graph 1

Square Inc Revenue 2017

 

Graph 2

Square Inc Revenue 2013 2017

The revenues of Square Inc., in terms of sheer size, are a bit out of reach for any startup in the FinTech industry. What I am interested in are mostly proportions. Here, in this update, I am going to apply one particular path of thinking to studying those sizes and proportions. Mind you: this is basic science in action. ‘Basic’ means that I take the very basic analytical tools of logic and mathematics, and I am sort of counting my way through that data. In educational terms it is good example of how you can use the most fundamental logical structures you have in your personal toolbox and invent a method of discovering reality.

And so I discover. I start with the category ‘Subscription-based revenue’, as it looks very much like a startup inside an established business, i.e. it starts from scratch. Intrapreneurship, it is called, I believe. My goal is to find benchmarks for my EneFinproject, and, more specifically, to form some understanding about the way a FinTech project can build its customer base. The specific history of subscription-based revenue with Square Inc. is a process I want to squeeze as much information out as possible. So I start squeezing. A process is an account of happening. It is like a space made of phenomena, carved out of a larger space where, where, technically, anyone can do anything. I take each year of that time series, from 2013 through 2017, as a space, and in a space, distance matters. So I measure distances, the Euclidean ones. In a unidimensional space, as it is the case here, the Euclidean distancebetween two points is very much akin local deviation. I subtract the value at point B from the value at point A, and, just to be sure of getting rid of that impertinent minus that could possibly poke its head out of the computation, I take the so-obtained difference to its square power, so I do (A – B)2, just to take a square root of that square power immediately afterwards: [(A – B)2]1/2.

The logic of the Euclidean distance is basically made for planes, i.e. for two-dimensional spaces. In that natural environment of its own, the Euclidean distance looks very much the I-hope-really-familiar-to-you Pythagorean theorem. C’mon, you know that: a2+ b2= c2, in a right triangle. Now, if you place your right triangle in a manifold with numerical coordinates, your line segments a,b, and cbecome like a = x2– x1, b = y2– y1, and c = [(x2– x1)2+ (y2– y1)2]1/2. If you have more than two dimensions, i.e. when your space truly becomes a space, you need to reduce them down to two dimensions, precisely by taking those multiple dimensions two by two and converting the complex coordinates of a point into Euclidean distances. Complicated? I hope so, honestly. If it wasn’t, I couldn’t play the smart guy here.

Right, my Square Inc. case study. I am coming back to it. I take that history of growing revenues in the ‘Subscription-based’ category and I consider it as a specific, local unfolding of events in a space. I calculate distances, in millions of dollars, in between each pair of years.  I take the value of revenues in a given year and I subtract it from the value of revenues in any given other year. I treat the so-obtained difference with that anti-minus, square-root-of-square-power therapy. The picture below summarizes that part of the analytical process, and Table 2, further below the picture, gives the numerical results, i.e. the Euclidean distances in between each given pair of years, in millions of dollars in revenue, and corrected for the temporal distance in that given pair of years.

Square Euclidean Subscription Revenue

 

Table 2

Euclidean distance in subscription-based revenues, USD mln over time between years
2013 2014 2015 2016 2017
2013 12,09 58,05 129,39 252,70
2014 12,09 45,98 117,32 240,64
2015 58,05 45,98 71,35 194,66
2016 129,39 117,32 71,35 123,32
2017 252,70 240,64 194,66 123,32

 

Now, as we have those results, what’s the next step? The next step consists in a bit of intellectual gymnastics. Those Euclidean distances in Table 2, they are happenings. They reflect the amount of sales that happened in between those pairs of years. Each year is a checkpoint: those revenues are measured at the end – or, more exactly, after the closure – of the fiscal year. Between 2014 and 2015, there are 365 days of temporal distance etc.

We have a set of happenings. What is the kind of happening that we can expect the most to happen? Answer: the average. Yes, the average. Why the average? Because the average is the expected value in a set of numerical observations. You can go back to Safely narrow down the apparent chaos if you need to refresh your background. This is the theorem of de Moivre – Laplace: the expected value in a set is the average. I am just reverting the order of ideas. I claim that the average is the expected value.

The average from Table 2 is $124,5 mln. This is the expected amount of what can happen, in one year, to the revenues of Square Inc. from subscription-based sales. It serves me to denominate the actual revenues as reported in Table 1. By denominating, I mean taking the actual, subscription-based revenue from each year, and dividing it by that average Euclidean distance. You can see the result in the picture below. Some kind of cycle seems to emerge: this particular branch of business at Square Inc. needed like 4 years to exceed the expected amount of what can happen in one year, namely the average Euclidean distance.

Square Euclidean Subscription Revenue_2

A good scientist checks his facts. Firstly, it is in order to make sure they are his facts. Sometimes, quite embarrassingly, they turn out to be somebody else’s facts, and that creates awkward situations when it comes to sharing the merit, and the cash, coming with a Nobel award. Secondly, checking facts broadens one’s intellectual horizons, although it might hurt a bit. So I am checking my facts. Good scientist, check!

I repeat the same computational procedure with the two remaining categories of revenues at Square Inc: the transaction-based ones, and those coming from the sales of hardware. Still, what I do is almost the same computational procedure. The ‘almost’ part regards the fact that those two other fields of business had non-null revenues in 2013, when the publicly disclosed financial reporting starts. Subscription-based revenues started from the literal scratch, and those two other had already something in their respective belts in 2013. In order to make my calculations mutually comparable, I need to transform the time series of transaction-based, and hardware-based revenues so as they look as starting from nearly nothing.

This is simple. You want to make people look as if they were starting from scratch? Just take their money from them. Usually works, this one. This is what I do. I take $433,73 mln from each year of transaction-based sales, and $4,23 mln with respect to each year of hardware-based revenues. Instantaneously, both look younger, and, as soon as they do, I make them do the same gymnastics. Bet Eucliean, one! Compute the expected Euclidean, two! Divide reality by the expected Euclidean, three!

Seems to work. In those two other categories of revenues, I can observe slightly shorter a cycle of achieving the expected amount of happening, like 3+ years. Useful for that business plan of mine, for the EneFinproject.

You can see the general drift of those calculations in the pictures and tables that follow below. Now, one thing is to keep in mind. What I am doing here is having fun with science, just as we can have fun with painting, photography, sport or travel: you take some simple tools, and you just see what happens when you use them the way you think could be interesting. This is probably the strongest message I want to deliver in that entire scientific blog of mine: it is fun to have fun with science.

Square Inc transformation of revenue

 

Table 3

Euclidean distance in transaction-based revenue, USD mln over time between years
2013 2014 2015 2016 2017
2013 274,06 616,71 1 022,43 1 486,44
2014 274,06 342,65 748,36 1 212,38
2015 616,71 342,65 405,72 869,73
2016 1 022,43 748,36 405,72 464,02
2017 1 486,44 1 212,38 869,73 464,02

 

 

Table 4

Euclidean distance in hardware-based revenues, USD mln over time between years
2013 2014 2015 2016 2017
2013 12,09 58,05 129,39 252,70
2014 3,24 45,98 117,32 240,64
2015 12,30 9,11 71,35 194,66
2016 40,18 37,04 27,95 123,32
2017 37,39 34,22 25,12 3,06

Square Euclidean Transaction Revenue

Square Euclidean Hardware Revenue

 

I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

Support this blog

€10,00

 

 

La valeur espérée

Dans ma dernière mise à jour en anglais – Safely narrow down the apparent chaos– j’avais fait un pas en avant (enfin, j’espère) dans l’estimation du nombre des clients que je pourrais faire dans mon projet EneFin. Je me suis dit que ça ne serait peut-être pas entièrement idiot d’aller un peu en profondeur et expliquer toute cette idée de prédire le nombre des clients en s’aidant de la distribution normale.

Voilà le problème de départ : comment prédire une quantité future et incertaine ? Lorsque nous voulons prédire le nombre ou la taille de quoi que ce soit, serait-ce le nombre des billets vendus pour un concert ou la quantité de matériel rocheux éjecté dans l’éruption d’un volcan, vous avons deux voies – mutuellement alternatives mais pas mutuellement exclusives – à suivre : la méthode épidémique ou bien la méthode de changement structurel.

Dans la méthode épidémique, je me concentre sur le nombre (ou la taille) de départ et je me demande comment ce numéraire initial peut possiblement croître. Lorsque j’applique cette logique au nombre des clients potentiels, je peux utiliser ce qu’on appelle la théorie de l’épidémie : l’attraction des clients consécutifs est étudiée comme la propagation d’un pathogène. Ça commence avec le patient zéro – mon premier client – qui contacte (contamine) ses potes et ses cousins et certains parmi eux deviennent mes clients. Ceux-là, à leur tour, contaminent d’autres et ainsi ça se développe, par contamination.

Si je veux modeler me développement de mon portefeuille des clients comme une contamination épidémique, j’ai besoin des assomptions initiales en ce qui concerne la contamination strictement dite. Il faut quelque sorte de contact pour rendre possible la transmission. En d’autres mots, il faut que je raconte une histoire plausible à propos des relations sociales entre mes clients potentiels et de la façon dont ils se transmettent mutuellement des schémas de comportement. Mathématiquement, j’ai deux outils de base pour modeler l’effet agrégé de cette transmission des schémas de comportement: le premier c’est la fonction factorielleou bien sa cousine, la fonction gamma, le deuxième c’est la fonction exponentielle.

Dans la méthode de changement structurel, je change d’optique et au départ je me concentre sur la population totale des toutes les entités qui peuvent potentiellement devenir mes clients. Je définis donc un marché potentiel total et ensuite je me demande comment je vais développer mon portefeuille clients à l’intérieur de cet univers. Je perçois l’ensemble de mes clients comme un sous-ensemble d’une population plus large. Comme certains membres de cette population totale graviteront vers mon offre, la proportion entre mon portefeuille clients et cette population totale changera. Dans cette approche, ma prédiction se concentre plus sur le pourcentage que mes clients vont représenter dans la population totale que sur leur nombre absolu. Côté maths, c’est le bon moment pour sortir de mon sac des outils comme la distribution normale, ou bien celle de Poisson, ou encore celle de Weibulletc.

Epidemie et changement structurel

 

Maintenant, vous pouvez légitimement demander laquelle de ces deux méthodes – épidémique et structurelle – est la meilleure des deux et si on peut possiblement les mélanger. A mon avis, la méthode structurelle est la meilleure des deux en général. Elle est à la fois plus rationnelle, plus intuitive, plus simple et mieux instrumentée mathématiquement. Encore, pour avoir une idée vraiment précise et un modèle analytique vraiment solide, il est bon d’ajouter une pincée de la méthode épidémique.

Je commence par expliquer l’aspect rationnel. Peut-être vous vous souvenez de ces épisodes d’enfance lorsque vous mesuriez votre taille en faisant des marques sur le châssis dormant d’une porte. Vous pouviez observer la progression directement – « je suis plus grand(e) qu’il y a deux mois » – et vous aviez une idée vague de la taille finale que vous pourriez probablement atteindre. Vous observiez les adultes autour de vous et vous vous disiez qu’un jour, vous serez aussi grand(e) qu’eux. Vous perceviez votre propre taille en proportion à la taille-cible des adultes. A un niveau plus général et plus profond, c’est comme ça que marche la réalité : comme des structures entremêlées. Tout ce qui existe est une structure à l’intérieur d’une structure plus vaste et en même temps contient des structures plus locales à l’intérieur de soi-même. La méthode structurelle est fondamentalement en phase avec la façon dont notre cerveau rationnalise notre expérience de la réalité.

Encore, si vous étiez un gosse bien curieux – moi j’étais une vraie peste à cet égard, je tuais les adultes avec mes questions – vous voulez comprendre comment ça se fait que la marque de votre taille, sur le châssis de la porte, et plus haut que celle d’il y a deux mois. Alors voilà que vous prenez connaissance de toute l’histoire des cellules qui se multiplient. Vous passez de l’approche structurelle à la théorie de l’épidémie. Toute croissance de matière organique peut être étudiée comme une épidémie, celle d’un certain code génétique. Voilà la bonne place pour la méthode épidémique : comprendre ces petites interactions locales dans des petites structures locales.

Dans la prédiction du nombre futurs de mes clients, dans un business plan, la méthode structurelle commence avec des assomptions bien vérifiables empiriquement. La taille de mon marché potentiel entier, je peux la mesurer – ou bien faire des assomptions solides à ce sujet – sur la base des données économiques accessibles : démographie, consommation ménagère, investissement entrepreneurial etc. Tout ça, ce sont des repères bien distincts et ce qui est même plus important, intersubjectifs. Vous allez chez INSEE, chez Eurostat, ou bien chez la Banque Mondiale, et vous avez ces données de départ. C’est comme si vous aviez la carte essentielle d’un territoire : ça rassure.

Ensuite, lorsque je passe en revue – tout à fait subjectivement, je l’admets – les outils mathématiques dont je dispose pour prédire le nombre de mes clients, les structurels sont beaucoup plus simples à utiliser que les épidémiques. En fait, je pense qu’il est utile d’étudier la différence en peu plus en profondeur. Je retourne donc à mon concept EneFin(regardez du côté de Le modèle d’un marché relativement conformistepour vous rafraichir la mémoire) et je me dis : « OK, j’ai donc le premier client : la première personne qui a acheté au moins un contrat complexe via EneFin. Qu’est-ce qui se passe ensuite ? ».

L’épidémie d’abord. Mon premier client convainc deux autres. Ça fait 1 plus la factorielle de deux, donc dans ce deuxième moment de mon histoire j’ai 1 + 2 ! = 1 + 1 * 2 = 1 + 2 = 3 clients. Ces deux autres font de même, donc chacun d’eux convainc deux suivants, ce qui fait 4 de plus. Par conséquent, dans le troisième moment de mon histoire j’ai 1 + 1 * 2 + 2 * 2 = 7 = 1 + 3 ! clients. Ainsi vient le quatrième moment de l’histoire et des suivants. A chaque fois chacun des clients convaincus jusqu’alors en attire deux autres et j’ai bien sûr mon patient zéro. Au moment « t » j’ai donc le double du nombre des clients gagnés au moment « t – 1 » plus 1. En mathématique commun ça fait n(t) = 2*n(t-1) + 1.

Est-ce que ça se marie avec les factorielles des moments consécutifs ? Pas tout à fait. A partir du moment no. 4, la discorde s’insinue. Prenez le cas du moment no. 8. La chaîne n(t) = 2*n(t-1) + 1donne n(8) = 255clients, mais la factorielle 8 ! ça fait 40 321 clients. Comme une légère différence. Eh ben oui, puisque la factorielle pure et dure ça implique une contamination de plus en plus rapide. Pour avoir 8 ! = 40 321 clients au moment 8, chacun des 7 ! = 5 041 clients déjà attirés préalablement jusqu’au moment 7 devrait attirer 40 321/5 041 = 7,998611387 amis et cousins. Pour avoir le point de départ du moment 7, donc ces 7 ! = 5 041 clients, au moment 6 j’étais obligé d’avoir 6 ! = 721 clients, dont chacun avait convaincu 6,991678225 autres.

Alors voilà que j’ai deux contaminations différentes : une avec la progression n(t) = 2*n(t-1) + 1, l’autre qui file au rythme de n(t) = t ! + 1. Tableau 1 ci-dessous donne une idée de ces deux propagations épidémiques.

Tableau 1 – Comparaison des propagations épidémiques : n(t) = 2*n(t-1) + 1et n(t) = t ! + 1.

  Épidémie n(t) = 2*n(t-1) + 1 Épidémie n(t) = t ! + 1
Moment Nombre total des clients Nombre des clients nouveaux attirés par chaque client existant Nombre total des clients Nombre des clients nouveaux attirés par chaque client existant
1 1 2 2 2
2 3 3 3 1,5
3 7 2,333333333 7 2,333333333
4 15 2,142857143 25 3,571428571
5 31 2,066666667 121 4,84
6 63 2,032258065 721 5,958677686
7 127 2,015873016 5 041 6,991678225
8 255 2,007874016 40 321 7,998611387
9 511 2,003921569 362 881 8,999801592
10 1 023 2,001956947 3 628 801 9,999975198
11 2 047 2,000977517 39 916 801 10,99999724
12 4 095 2,00048852 479 001 601 11,99999972
13 8 191 2,0002442 6 227 020 801 12,99999997
14 16 383 2,000122085 87 178 291 201 14
15 32 767 2,000061039 1 307 674 368 001 15
16 65 535 2,000030519 20 922 789 888 001 16

 

A première vue, la progression purement factorielle n(t) = t ! + 1c’est un peu fou. Ça pourrait servir à simuler, par exemple, le nombre des transactions dans une fonctionnalité FinTech, mais pas le nombre des clients. La propagation géométrique n(t) = 2*n(t-1) + 1semble un peu plus réaliste. Elle a aussi un trait mathématique intéressant. Si vous tirez le logarithme naturel du nombre total des clients à chaque moment consécutif et ensuite vous divisez ce logarithme par la valeur du moment – donc par 4 au moment no. 4 etc. – vous arrivez très vite, dès le moment no. 5, à la valeur quasi constante de ln[n(t)/t] ≈ 0,69. En d’autres mots, la propagation épidémique n(t) = 2*n(t-1) + 1est à peu de chose près équivalente à la croissance exponentielle n(t) = e0,69*t. Qu’est-ce que ça prouve ? Eh bien, dans les sciences économiques on assume que si la croissance quantitative d’un phénomène suit la logique de n(t) = e ß*t, avec ßplus ou moins constant, cela représente raisonnablement une hystérèse, donc un développement où chaque pas consécutif détermine le pas suivant d’une façon plus ou moins cohérente.

J’ai donc une hystérèse bien jolie, mais est-elle réaliste ? Puis-je assumer une progression où chaque période consécutive va me permettre de doubler la taille de mon portefeuille clients ? Comment définir cette période de changement du simple au double ? Comment puis-je simuler une situation ou quelques-uns de parmi mes clients attirent, chacun, deux nouveaux pendant que d’autres attirent cinq nouveaux ?

Voilà le moment quand la méthode épidémique, illustrée ci-dessus, devient de plus en plus encombrante avec toutes les assomptions qu’il faut y ajouter. Voilà donc le moment de tourner vers la méthode structurelle. Nous y retournons avec la version française des mêmes schémas graphiques que j’avais déjà présentés dans Safely narrow down the apparent chaos. Je les présente ci-dessous en j’enchaîne ensuite.

Distribution normale de base

 

Distribution normale interpretation

L’application pratique de la distribution normale exige un peu de flexibilité, surtout dans l’interprétation d’un paramètre-clé : la moyenne ou le « µ » dans l’équation. En théorie, la moyenne est la valeur espérée dans un ensemble des données. D’habitude, on l’interprète comme un attribut de la moyenne : dès qu’on la calcule, on peut la considérer comme valeur espérée. Maintenant, je vous propose d’inverser le raisonnement. Prenons une valeur que nous pouvons considérer comme espérée, donc comme, à la fois, ce que nous voulons avoir (espérons), et ce qui est objectivement vérifiable (pour savoir si on a obtenu ce qu’on espérait d’avoir). Dans cet outil de calcul que vous pouvez trouver sur mon blog, le « Business Planning Calculator », une telle valeur est le point mort des ventes, donc le nombre des clients qui nous garantit la couverture de nos frais fixes. On peut prendre le niveau des ventes qui garantit 20% de marge opérationnelle. On peut prendre, comme notre valeur espérée, tout ce qui est : a) désirable b) objectivement mesurable et vérifiable.

Une fois notre valeur espérée identifiée, nous assumons que c’est la moyenne d’une distribution normale. Tout autour de cet état que nous voulons atteindre, il y a des états plus ou moins voisins, qui se composent en une courbe de Gauss. Si nous vérifions la réalité autour de nous, nous découvrirons ces états voisins de la moyenne – par exemple à travers l’étude des cas des business similaires au notre – et ainsi nous pouvons estimer la déviation standard de notre courbe. Voilà, on a les deux paramètres de la distribution normale.

Bon, j’en finis avec la science, pour aujourd’hui. Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

Vous pouvez donner votre support financier à ce blog

€10,00

 

Safely narrow down the apparent chaos

There is that thing about me: I like understanding. I represent my internal process of understanding as the interplay of three imaginary entities: the curious ape, the happy bulldog, and the austere monk. The curious ape is the part of me who instinctively reaches for anything new and interesting. The curious ape does basic gauging of that new thing: ‘can kill or hopefully not always?’, ‘edible or unfortunately not without risk?’ etc. When it does not always kill and can be eaten, the happy bulldog is released from its leash. It takes pleasure in rummaging around things, sniffing and digging in the search of adjacent phenomena. Believe me, when my internal happy bulldog starts sniffing around and digging things out, they just pile up. Whenever I study a new topic, the folder I have assigned to it swells like a balloon, with articles, books, reports, websites etc. A moment comes when those piles of adjacent phenomena start needing some order and this is when my internal austere monk steps into the game. His basic tool is the Ockham’s razor, which cuts the obvious from the dubious, and thus, eventually, cuts bullshit off.

In my last update in French, namely in Le modèle d’un marché relativement conformiste, I returned to that business plan for the project EneFin, and the first thing my internal curious ape is gauging right now is the so-called absorption by the market. EneFin is supposed to be an innovative concept, and, as any innovation, it will need to kind of get into the market. It can do so as people in the market will opt for shifting from being just potential users to being the actual ones. In other words, the success of any business depends on a sequence of decisions taken by people who are supposed to be customers.

People are supposed to make decisions regarding my new products or technologies. Decisions have their patterns. I wrote more about this particular issue in an update on this blog, entitled ‘And so I ventured myself into the realm of what people think they can do’, for example. Now, I am interested in the more marketing-oriented, aggregate outcome of those decisions. The commonly used theoretical tool here is the normal distribution(see for example Robertson): we assume that, as customers switch to purchasing that new thing, the population of users grows as a cumulative normal fraction (i.e. fraction based on the normal distribution) of the general population.

As I said, I like understanding. What I want is to really understandthe logic behind simulating aggregate outcomes of customers’ decisions with the help of normal distribution. Right, then let’s do some understanding. Below, I am introducing two graphical presentations of the normal distribution: the first is the ‘official’ one, the second, further below, is my own, uncombed and freshly woken up interpretation.

The normal distribution

 

Normal distribution interpreted

 

So, the logic behind the equation starts biblically: in the beginning, there is chaos. Everyone can do anything. Said chaos occurs in a space, based on the constant e = 2,71828, known as the base of the natural logarithm and reputed to be really handy for studying dynamic processes. This space is ex. Any customer can take any decision in a space made by ‘e’ elevated to the power ‘x’, or the power of the moment. Yes, ‘x’ is a moment, i.e. the moment when we observe the distribution of customers’ decisions.

Chaos gets narrowed down by referring to µ, or the arithmetical average of all the moments studied. This is the expression (x – µ)2or the local variance, observable in the moment x. In order to have an arithmetical average, and have it the same in all the moments ‘x’, we need to close the frame, i.e. to define the set of x’s. Essentially, we are saying to that initial chaos: ‘Look, chaos, it is time to pull yourself together a bit, and so we peg down the set of moments you contain, we draw an average of all those moments, and that average is sort of the point where 50% of you, chaos, is being taken and recognized, and we position every moment xregarding its distance from the average moment µ’.

Thus, the initial chaos ‘e power x’ gets dressed a little, into ‘e power (x – µ)2‘. Still, a dressed chaos is still chaos. Now, there is that old intuition, progressively unfolded by Isaac Newton, Gottfried Wilhelm Leibnizand Abraham de Moivreat the verge of the 17thand 18thcenturies, then grounded by Carl Friedrich Gauss, and Thomas Bayes: chaos is a metaphysical concept born out of insufficient understanding, ‘cause your average reality, babe, has patterns and structures in it.

The way that things structure themselves is most frequently sort of a mainstream fashion, that most events stick to, accompanied by fringe phenomena who want to be remembered as the rebels of their time (right, space-time). The mainstream fashion is observable as an expected value. The big thing about maths is being able to discover by yourself that when you add up all the moments in the apparent chaos, and then you divide the so-obtained sum by the number of moments added, you get a value, which we call arithmetical average, and which actually doesn’t exist in that set of moments, but it sets the mainstream fashion for all the moments in that apparent chaos. Moments tend to stick around the average, whose habitual nickname is ‘µ’.

Once you have the expected value, you can slice your apparent chaos in two, sort of respectively on the right, and on the left of the expected value that doesn’t actually exist. In each of the two slices you can repeat the same operation: add up everything, then divide by the number of items in that everything, and get something expected that doesn’t exist. That second average can have two, alternative properties as for structuring. On the one hand, it can set another mainstream, sort of next door to that first mainstream: moments on one side of the first average tend to cluster and pile up around that second average. Then it means that we have another expected value, and we should split our initial, apparent chaos into two separate chaoses, each with its expected value inside, and study each of them separately. On the other hand, that second average can be sort of insignificant in its power of clustering moments: it is just the average (expected) distance from the first average, and we call it standard deviation, habitually represented with the Greek sigma.

We have the expected distance (i.e. standard deviation) from the expected value in our apparent chaos, and it allows us to call our chaos for further tidying up. We go and slice off some parts of that chaos, which seem not to be really relevant regarding our mainstream. Firstly, we do it by dividing our initial logarithm, being the local variance (x – µ)2, by twice the general variance, or two times sigma power two. We can be even meaner and add a minus sign in front of that divided local variance, and it means that instead of expanding our constant e = 2,71828, into a larger space, we are actually folding it into a smaller space. Thus, we get a space much smaller than the initial ‘e power (x – µ)2‘.

Now, we progressively chip some bits out of that smaller, folded space. We divide it by the standard deviation. I know, technically we multiply it by one divided by standard deviation, but if you are like older than twelve, you can easily understand the equivalence here. Next, we multiply the so-obtained quotient by that funny constant: one divided by the square root of two times π. This constant is 0,39894228 and if my memory is correct is was a big discovery from the part of Carl Friedrich Gauss: in any apparent chaos, you can safely narrow down the number of the realistically possible occurrences to like four tenths of that initial chaos.

After all that chipping we did to our initial, charmingly chaotic ‘e power x‘ space, we get the normal space, or that contained under the curve of normal distribution. This is what the whole theory of probability, and its rich pragmatic cousin, statistics, are about: narrowing down the range of uncertain, future occurrences to a space smaller than ‘anything can happen’. You can do it in many ways, i.e. we have many different statistical distributions. The normal one is like the top dog in that yard, but you can easily experiment with the steps described above and see by yourself what happens. You can kick that Gaussian constant 0,39894228 out of the equation, or you can make it stronger by taking away the square root and just keep two times π in its denominator; you can divide the local variance (x – µ)2just by one time its cousin general variance instead of twice etc. I am persuaded that this is what Carl Friedrich Gaussdid: he kept experimenting with equations until he came up with something practical.

And so am I, I mean I keep experimenting with equations so as to come up with something practical. I am applying all that elaborate philosophy of harnessed chaos to my EneFinthing and to predicting the number of my customers. As I am using normal distribution as my basic, quantitative screwdriver, I start with assuming that however many customers I got, that however many is always a fraction (percentage) of a total population. This is what statistical distributions are meant to yield: a probability, thus a fraction of reality, elegantly expressed as a percentage.

I take a planning horizon of three years, just as I do in the Business Planning Calculator, that analytical tool you can download from a subpage of https://discoversocialsciences.com. In order to make my curves smoother, I represent those three years as 36 months. This is my set of moments ‘x’, ranging from 1 to 36. The expected, average value that does not exist in that range of moments is the average time that a typical potential customer, out there, in the total population, needs to try and buy energy via EneFin. I have no clue, although I have an intuition. In the research on innovative activity in the realm of renewable energies, I have discovered something like a cycle. It is the time needed for the annual number of patent applications to double, with respect to a given technology (wind, photovoltaic etc.). See Time to come to the ad rem, for example, for more details. That cycle seems to be 7 years in Europe and in the United States, whilst it drops down to 3 years in China.

I stick to 7 years, as I am mostly interested, for the moment, in the European market. Seven years equals 7*12 = 84 months. I provisionally choose those 84 months as my average µfor using normal distribution in my forecast. Now, the standard deviation. Once again, no clue, and an intuition. The intuition’s name is ‘coefficient of variability’, which I baptise ßfor the moment. Variability is the coefficient that you get when you divide standard deviation by the mean average value. Another proportion. The greater the ß, the more dispersed is my set of customers into different subsets: lifestyles, cities, neighbourhoods etc. Conversely, the smaller the ß, the more conformist is that population, with relatively more people sailing in the mainstream. I casually assume my variability to be found somewhere in 0,1 ≤ ß ≤ 2, with a step of 0,1. With µ = 84, that makes my Ω (another symbol for sigma, or standard deviation) fall into 0,1*84 ≤ Ω ≤ 2*84 <=> 8,4 ≤ Ω ≤ 168. At ß = 0,1 => Ω = 8,4my customers are boringly similar to each other, whilst at ß = 2 => Ω = 168they are like separate tribes.

In order to make my presentation simpler, I take three checkpoints in time, namely the end of each consecutive year out of the three. Denominated in months, it gives: the 12thmonth, the 24thmonth, and the 36thmonth. I Table 1, below, you can find the results: the percentage of the market I expect to absorb into EneFin, with the average time of behavioural change in my customers pegged at µ = 84, and at various degrees of disparity between individual behavioural changes.

Table 1 Simulation of absorption in the market, with the average time of behavioural change equal to µ = 84 months

Percentage of the market absorbed
Variability of the population Standard deviation with µ = 84 12th month 24 month 36 month
0,1 8,4 8,1944E-18 6,82798E-13 7,65322E-09
0,2 16,8 1,00458E-05 0,02% 0,23%
0,3 25,2 0,18% 0,86% 2,93%
0,4 33,6 1,02% 3,18% 7,22%
0,5 42 2,09% 5,49% 10,56%
0,6 50,4 2,92% 7,01% 12,42%
0,7 58,8 3,42% 7,80% 13,18%
0,8 67,2 3,67% 8,10% 13,28%
0,9 75,6 3,74% 8,09% 13,02%
1 84 3,72% 7,93% 12,58%
1,1 92,4 3,64% 7,67% 12,05%
1,2 100,8 3,53% 7,38% 11,50%
1,3 109,2 3,41% 7,07% 10,95%
1,4 117,6 3,28% 6,76% 10,43%
1,5 126 3,14% 6,46% 9,93%
1,6 134,4 3,02% 6,18% 9,47%
1,7 142,8 2,89% 5,91% 9,03%
1,8 151,2 2,78% 5,66% 8,63%
1,9 159,6 2,67% 5,42% 8,26%
2 168 2,56% 5,20% 7,91%

I think it is enough science for today. That sunlight will not enjoy itself. It needs me to enjoy it. I am consistently delivering good, almost new science to my readers, and love doing it, and I am working on crowdfunding this activity of mine. As we talk business plans, I remind you that you can download, from the library of my blog, the business plan I prepared for my semi-scientific project Befund  (and you can access the French versionas well). You can also get a free e-copy of my book ‘Capitalism and Political Power’ You can support my research by donating directly, any amount you consider appropriate, to my PayPal account. You can also consider going to my Patreon pageand become my patron. If you decide so, I will be grateful for suggesting me two things that Patreon suggests me to suggest you. Firstly, what kind of reward would you expect in exchange of supporting me? Secondly, what kind of phases would you like to see in the development of my research, and of the corresponding educational tools?

Support this blog

€10,00

Le modèle d’un marché relativement conformiste

C’est l’un de ces moments quand beaucoup d’idées se bousculent dans ma tête, et lorsque je dis « bousculent », je veux dire qu’il y a vraiment des coups de coude là-dedans. Dans une situation comme celle-ci, j’ai deux façons de procéder. Tout d’abord, je peux regarder chaque idée séparée de près, énumérer toutes ces idées séparées etc. Bref, je peux être Aristotélicien. Ensuite, je peux considérer la situation présente comme un phénomène, façon Husserl ou Gadamer : ce qui se passe maintenant c’est moi qui pense à tous ces trucs différents, donc le mieux que je puisse faire est de se concentrer sur le phénomène de moi qui pense à tous ces trucs différents.

Ce chemin phénoménologique a un certain charme que je ne manque pas d’apprécier. Néanmoins, il y a un petit piège à éviter dès le début et le piège consiste à se concentrer sur la question « qu’est-ce que je pense ? ». La question qui ouvre vraiment une nouvelle porte c’est « comment est-ce que je pense ? ». Je pense comme si je circulais dans du trafic dense : mon esprit slalome parmi les différents projets et différentes idées qui s’y attachent. Ce slalom, il commence à m’agacer. Quelle est la conclusion ou bien l’observation générale que je peux tirer du travail de recherche que j’ai effectué depuis que j’eus publié le business plan du projet BeFund ? Tout ce travail relatif au projet EneFin, au carrefour de l’industrie FinTech et du marché de l’énergie, comment puis-je le résumer, jusqu’alors ?

Point de vue utilitaire, le travail fait sur ces deux concepts d’entreprise consécutifs – BeFund et EneFin –  m’a fait penser à créer un outil relativement simple de planification, pour pouvoir tester des concepts d’entreprise d’une façon structurée. C’est ainsi que j’ai créé, la semaine dernière, cet outil de calcul et planification pour préparer un business plan. Si vous cliquez ce lien hypertexte que je viens de donner, vous atterrissez sur une sous-page du blog Discover Social Scienceset là, vous pouvez télécharger directement le fichier Excel avec ce que j’appelle, pour le moment, « Business Planning Calculator ».

Point de vue théorie, je viens de découvrir cette connexion étrange entre le nombre d’inventions déposées pour breveter, dans le domaine d’énergies renouvelables, d’une part, et la taille du marché d’énergies renouvelables (consultez, par exemple : Je corrèleainsi que Time to come to the ad rem). Ces corrélations que j’ai découvertes, je ne sais même pas encore comment les appeler, tellement elles sont bizarroïdes. Faute d’une meilleure étiquette scientifique, j’appelle ce phénomène « la banalisation des technologies de génération d’énergies renouvelables ».

C’est ainsi que je suis en train de préparer un business plan pour le projet EneFin(consultez Traps and loopholeset Les séquences, ça me pousse à poser cette sorte des questions) et en même temps j’essaie de développer une interprétation scientifiquement cohérente de ce phénomène de banalisation des technologies. J’espère que ces deux créneaux de travail intellectuel vont se joindre l’un à l’autre. J’ai beau être un passionné de la science, la dissonance cognitive ça me tue parfois, lorsque c’est trop intense.

Bon, fini de geindre. Je me prends au boulot. J’ouvre « Business Planning Calculator » et je fais une copie de ce fichier Excel, spécialement pour le projet EneFin. La première table du calculateur me demande de préciser les produits que je veux vendre. Je m’en tiens aux trois cas de référence que j’avais déjà décrit, de façon sommaire, sur ce blog : la société américaine Square Inc., la société canadienne Katipultainsi que la société allemande FinTech Group AG. EneFin serait une fonctionnalité type Blockchain, dotée de la capacité de créer et de mettre en circulation des contrats intelligents complexes, sous la forme des tokens d’une crypto-monnaie. Chaque contrat serait un produit à part. Vous pouvez trouver un résumé de l’idée dans les illustrations ci-dessous.

 Contrat complexe EneFin

Contrat EneFin 2

Prix du contrat EneFin

Maintenant, il y a un choix stratégique à faireen ce qui concerne le développement et l’appropriation de la technologie. Option A : EneFin se contente d’organiser le marché, tout en utilisant une base technologique externe, par exemple celle d’Ethereum. Option B : EneFin crée sa propre technologie de base, une sorte de kernel (noyau) du système informatique, et développe des fonctionnalités particulières sur la base dudit kernel. Option A s’associe plutôt avec le modèle d’entreprise de Square Inc.et sur la base de ce que je sais à leur sujet (consultez The smaller more and more in FinTechet Plus ou moins les facteurs associés) les économies d’échelle sont cruciales dans ce chemin stratégique et encore, même avec la tout à fait respectable échelle d’opérations chez Square ne garantit pas de succès financier. Option B, en revanche, c’est plutôt le schéma de chez Katipultou bien chez FinTech Group AGet là, les résultats financiers de ceux deux business semblent prometteurs.

Ce que je vais donc faire c’est une boucle d’analyse. Je commence par construire in business plan pour l’Option A, donc pour un concept d’entreprise où mon produit sera le contrat complexe façon EneFin et son prix sera la marge de commission sur chaque transaction. Ceci va me conduire à bâtir un modèle analytique qui simule combien de marge brute le projet va générer en fonction des facteurs primordiaux : des prix d’électricité, de la quantité d’énergie mise en échange à travers EneFin ainsi que de la valeur des titres participatifs associés, du nombre des clients individuels ainsi que du nombre des participants institutionnels.

Une fois ce pas franchi, je passerai à l’estimation des frais fixes d’entreprise et à la décision si la marge transactionnelle, à elle seule, sera la source suffisante de revenu pour dégager une de bénéfice opérationnel d’au moins 20% sur les frais fixes. Si la réponse sera « oui », le business plan pour Option A sera un concept autonome et dans ce cas je développerai Option B comme une extension possible. Dans le cas contraire, donc si la marge brute dégagée sur la commission transactionnelle sera moins que 20% au-dessus des frais fixes, j’incorporerai l’Option B comme partie intégrante du projet et je referai le business plan du début.

Je commence mon analyse en formulant une équation de départ. C’est un réflexe chez les économistes. D’autres gens engagent la conversation avec une blague ou bien par une remarque anodine comme « Ne fait-il pas beau aujourd’hui ? ». Nous, les économistes, on engage avec une équation. La mienne, vous pouvez la voir ci-dessous :

Equation de marge brute EneFin 1

Le truc qui semble être le plus intéressant côté science, dans cette équation, c’est la dernière partie, donc cette fonction f(CME*N)qui transforme une population autrement innocente des consommateurs d’énergie en clients d’EneFin. Cette fonction transforme une consommation agrégée d’énergie en un marché à exploiter. Donc, à priori, j’ai une quantité en kilowatt heures, qui peut se sentir plus confortable en mégawatt ou même en des gigawatt heures, par ailleurs, et cette quantité se transforme en trois facteurs distincts à voir de l’autre côté du signe d’égalité : une quantité des contrats complexes façon EneFin, un prix unitaire pour un contrat et enfin en la marge de commission d’EneFin. Cette dernière, en fait, est aussi un prix, relatif au prix unitaire des contrats. J’ai donc une quantité et deux prix.

Je commence par dériver la quantité Qdes contrats, de l’agrégat CME*Net je commence ce commencement en le représentant la fonction f(CME*N)comme un processus de décision. Dans la population de N clients potentiels, certains vont décider d’acheter leur énergie – ainsi que des titres de participation dans le capital des fournisseurs d’énergie – à travers le système EneFin, d’autres vont s’en abstenir. Les certains qui vont être partants pour EneFin vont se subdiviser en des certains qui décideront d’acheter toute leur énergie à travers EneFin, d’une part, et en des certains qui vont acheter juste une partie de leur énergie par ce moyen. Ces deux sous-ensembles des certains se subdiviseront suivant une séquence temporelle : certains parmi certains vont se décider plutôt vite pendant que d’autres certains parmi des certains vont y aller mollo, à pas de balade.

Decisions des clients EneFin 1

Comme l’eut écrit Milton Friedman, les hypothèses, une fois qu’on s’y prend sérieusement à les formuler, elles débordent. Faut se concentrer sur ce qui est possible à exprimer d’une façon plus ou moins vérifiable. Je décide donc de simuler trois formes possibles de la fonctionf(CME*N). Premièrement, suivant les assomptions déjà classiques de Robertson, je construis une fonction d’absorption d’innovation, où la population des clients d’EneFinse développe comme une fraction croissante de la population totale N, suivant la logique de la distribution normale (Gaussienne). C’est essentiellement le scénario où une fois une personne opte pour EneFin, c’est un choix complet : la personne en question commence à acheter toute leur énergie à travers EneFin. Les deux paramètres de cette fonction sont Gaussiens, donc le temps moyen qu’un client de la population N prend à se décider pour EneFin, ainsi que la déviation standard de ce temps. Deuxièmement, je construis un scénario un peu à l’opposé de ce premier, où les clients sont plutôt réticents et conservatifs et leur comportement peut être représenté avec la distribution de Poisson, appelée parfois « la distribution d’évènements rares ». Là, j’ai besoin de juste un paramètre, c’est-à-dire le temps moyen de décision dans un client typique.

Troisièmement, j’essaie de tirer au milieu, parmi le scénario relativement optimiste de la progression Gaussienne et celui, relativement pessimiste, de la distribution de Poisson. Pour le faire, je retiens la structure logique de la progression Gaussienne, mais je change légèrement les assomptions en ce qui concerne les décisions individuelles. Au lieu d’assumer qu’une fois qu’un consommateur se décide d’utiliser EneFin, il ou elle achète toute son énergie à travers ce système, j’assume des achats partiels. Cette fois, tout consommateur peut acheter des pourcentages variables de leur consommation individuelle d’énergie sur EneFin. Mathématiquement, cela veut dire que je retiens la distribution normale comme fonction de base mais je change l’ensemble de définition, ou, si vous voulez, l’ensemble des abscisses « x » de ma fonction : je remplace l’ensemble Ndes clients par l’ensemble des kilowatt heures consommées, donc par CME*N. Comme c’est du Gaussien, j’ai les mêmes paramètres que dans mon premier scénario : le temps moyen d’absorption d’une kilowatt heure moyenne et la déviation standard de cette moyenne.

La grande question, avec ces simulations, est comment établir la valeur des paramètres. Je pense à utiliser ce que j’avais découvert à propos de la dynamique des technologies éoliennes, en particulier celles des turbines à l’axe vertical (consultez Je corrèleet Time to come to the ad rem). Apparemment, en phase d’expansion de cette technologie, le nombre des demandes de brevet qui y correspondent doublait en 7 ans en Europe et aux États-Unis, et ça prenait 3 ans en Chine. Là, je suis en train d’avancer à tâtons, mais je besoin d’un point d’attache raisonnable. Je prends ces 7 ans comme temps moyen d’un cycle technologique qui survient dans le domaine des énergies renouvelables et je le transpose dans mes trois fonctions d’absorption.

J’ai donc un horizon de planification de trois ans, dans mon « Business Planning Calculator ». Je transforme ça en mois, pour étirer mon ensemble de définition, donc j’ai 36 mois. J’ai u cycle d’absorption de 7 ans = 7*12 = 84 mois. J’assume que la fonction Gaussienne de base serait une fonction standard, où la déviation standard est égale à la moyenne. Je teste rapidement si ça tient débout, tout ça. Eh bien, ça tient, mais en partie seulement : la fonction Gaussienne marche comme outil de prédiction avec ces assomptions, mais la distribution de Poisson rend, sur ces 3 années de planification, des pourcentages indéfiniment petits du marché : 0,000000288% après trois ans. Je comprends maintenant pourquoi Robertson avait opté pour la distribution normale.

Je dis donc au revoir à Poisson, j’en reste à la distribution de Gauss, et cela veut dire que je retiens les scénarios 1 et 2, donc une migration progressive des clients vers EneFin, soit selon le modèle « tout ou rien » (scénario 1) ou bien selon la philosophie de mettre ses œufs dans des paniers différents et voir ce qui se passe (scénario 2). Je commence à jouer avec les paramètres. J’ai déjà calculé le pourcentage du marché possible à absorber dans la distribution Gaussienne standard où la déviation standard est égale à la moyenne. Je formule deux autres hypothèses pour voir la différence. D’une part, je simule le comportement d’un marché plutôt conformiste, où la grande majorité des clients est près de la moyenne, donc la déviation standard est égale à la moitié de ladite moyenne. D’autre part, j’imagine une population très diversifiée en termes des schémas de comportement, avec les ailes de la courbe de Gauss relativement étirées, donc où la déviation standard est égale à deux fois la moyenne.

Vous pouvez voir les résultats de ces tests dans Tableau 1, ci-dessous. Il me semble que les pourcentages dans les colonnes des côtés (distribution standard et la distribution dispersée) sont trop élevés pour être réalistes. En revanche, ceux dans la colonne du milieu semblent plus proches de la vie réelle. Je retiens donc le modèle d’un marché relativement conformiste et je vais jouer encore avec les paramètres pour étudier la sensitivité de mon modèle de marketing au choix des assomptions.

Tableau 1

  Pourcentage du marché absorbé dans la plateforme EneFin
  Absorption Gaussienne standard ; déviation standard = la moyenne Absorption Gaussienne conformiste ; déviations standard = 0,5 de la moyenne Absorption Gaussienne conformiste ; déviations standard = 2 fois la moyenne
Fin de l’année 1 19,6% 4,3% 33,4%
Fin de l’année 2 23,8% 7,7% 36,0%
Fin de l’année 3 28,4% 12,7% 38,8%

Je continue à vous fournir de la bonne science, presque neuve, juste un peu cabossée dans le processus de conception. Je vous rappelle que vous pouvez télécharger le business plan du projet BeFund(aussi accessible en version anglaise). Vous pouvez aussi télécharger mon livre intitulé “Capitalism and Political Power”. Je veux utiliser le financement participatif pour me donner une assise financière dans cet effort. Vous pouvez soutenir financièrement ma recherche, selon votre meilleur jugement, à travers mon compte PayPal. Vous pouvez aussi vous enregistrer comme mon patron sur mon compte Patreon. Si vous en faites ainsi, je vous serai reconnaissant pour m’indiquer deux trucs importants : quel genre de récompense attendez-vous en échange du patronage et quelles étapes souhaitiez-vous voir dans mon travail ?

 

Vous pouvez donner votre support financier à ce blog

€10,00