Caspian Advisory Partners è una società di consulenza per investimenti cross-border focalizzata su operazioni di energia rinnovabile su scala utility in Central Asia. Asel Bekova guida l’analisi quantitativa dei deal per il pipeline dei mercati emergenti della società, occupandosi di strutturazione del project finance, preparazione per il comitato crediti e reporting rivolto agli investitori. La società opera in modo snello, con una profonda competenza in DCF e tempistiche di deal misurate in settimane.
Tre strutture di finanziamento, nessun template per il Kazakhstan
L’incarico: costruire un DCF a 25 anni per un progetto solare fotovoltaico su scala utility in Kazakhstan, coprendo simultaneamente tre strutture — 100% equity, un prestito bancario commerciale e un prestito agevolato di una development finance institution. Ognuna richiedeva NPV, Equity IRR e DSCR: nove output finanziari distinti da un unico orizzonte di progetto.
Per questo mercato non esisteva alcun template. La storia dell’inflazione del Kazakhstan e il mix energetico domestico non potevano essere sostituiti con benchmark europei. Il prezzo del PPA doveva essere ancorato ai reali livelli di clearing delle aste solari in Kazakhstan e al tariffario regolato — non a stime di LCOE di altri mercati. L’uso di input generici produce valori di NPV e IRR che non reggono al vaglio del comitato.
Tre passaggi preliminari precedevano qualsiasi analisi vera e propria: individuare e interpretare i file macro del Kazakhstan, predisporre un ambiente Python con numpy_financial e ricalibrare Capex e prezzo del PPA una volta che gli output iniziali non riflettevano condizioni di mercato locali credibili. Fatto manualmente e in sequenza, questo rischiava di far saltare del tutto il ciclo di funding.
Energent.ai è diventato il layer di modello e delivery
L’agente ha gestito ogni passaggio, dall’input grezzo al deliverable finale:
- Ha acquisito i file sulla storia dell’inflazione e sul mix energetico del Kazakhstan dallo storage locale — individuandoli, leggendo e parsando i dati prima ancora che venisse scritta una singola formula
- Ha costruito un DCF Python a 25 anni che copriva ricavi, spese operative, piani di servizio del debito e flussi di cassa post-debito verso l’equity per tutte e tre le strutture simultaneamente
- Ha installato numpy_financial, eseguito il modello e verificato gli output iniziali rispetto alle condizioni di mercato del Kazakhstan
- Ha ricalibrato Capex e prezzo del PPA sui prezzi di clearing delle aste e sui livelli tariffari regolati del Kazakhstan a metà sessione, senza riavviare il modello
- Ha prodotto un report analitico strutturato che copriva metodologia DCF, confronto tra strutture di finanziamento, contesto macro del Kazakhstan e interpretazione delle metriche in linguaggio semplice
- Ha attivato un subagent di visualizzazione per costruire una dashboard HTML interattiva di confronto che mostrava NPV, Equity IRR e DSCR per tutte e tre le strutture sull’intero orizzonte di 25 anni
Nessun modellatore esterno. Nessun passaggio separato di setup dell’ambiente. Nessuno strumento secondario di visualizzazione.
Calibrazione locale, non solo calcolo più veloce
- Input macro specifici per il Kazakhstan — la storia dell’inflazione e il mix energetico sono stati acquisiti direttamente da file locali, non sostituiti con proxy generici per mercati emergenti che non superano la revisione del lender
- Ricalibrazione a metà sessione — quando Capex e prezzo del PPA iniziali producevano uno spread di sostenibilità non credibile, entrambi gli input sono stati corretti e il modello rieseguito nella stessa sessione, non in un ciclo di revisione
- Produzione parallela dei deliverable — il report analitico e la dashboard HTML sono stati prodotti contemporaneamente, comprimendo un workflow multi-step in una singola sessione verificabile
- Formato di output pronto per il comitato — la dashboard non richiedeva ulteriore formattazione né accesso al file del modello prima di poter essere distribuita ai membri del comitato
Nove output e una dashboard, in una singola sessione verificabile
- Nove output finanziari — NPV, Equity IRR e DSCR per ciascuna delle tre strutture di finanziamento — prodotti e calibrati su input specifici del Kazakhstan
- Due artifact pronti per la presentazione consegnati: report analitico strutturato e dashboard HTML interattiva di confronto
- Correzione delle assunzioni completata a metà sessione, senza coinvolgere uno specialista esterno né riavviare il modello
- Un workflow che copriva raccolta dati, costruzione del modello, revisione delle assunzioni e produzione della dashboard compresso in una sola sessione
"In un deal in un mercato emergente, la fase di calibrazione delle assunzioni è quella che richiede più tempo. Averla fatta in sessione — con i materiali per il comitato già pronti — ci ha permesso di concentrarci sulle decisioni discrezionali, non sulla costruzione del modello." — Asel Bekova, Senior Finance Analyst at Caspian Advisory Partners