FEJLESZTÉSI PORTFOLIÓ

FEJLESZTÉSI PORTFOLIÓ

2012

1307 Bp., Pf.: 53 www.kockázatkutató.hu 1

Tartalom REFERENCIÁK .................................................................................................................. 3 FEJLESZTÉSI SZOLGÁLTATÁSOK ...................................................................................... 6

KOCKÁZATKEZELÉS ............................................................................................................................ 6 1. Early warning modell ............................................................................................... 6 2. Csalás (fraud) modellezése viselkedés analízissel ................................................... 7 3. Nemfizetési valószínűség modellezés, valamint scoring és ügyfélminősítő (rating) rendszer fejlesztés .............................................................................................................. 7 4. Kockázat – árazás – fedezet mátrix ......................................................................... 9 5. Lakossági kockázatkezelés évjáratmodellel (vintage analízis) ................................ 9 6. Az elutasított ügyfelek nemfizetési modellje ......................................................... 10 7. Ügyféllimit-rendszer kidolgozása .......................................................................... 10 8. LGD-adatstruktúra kidolgozása ............................................................................. 11 9. Behajtási scoring – követeléskezelő rendszer ........................................................ 11 10. Ingatlanfedezet értékelés és újraértékelés, települési rating .................................. 12 11. Stressz teszt ............................................................................................................ 12 12. Makro adatok hatásának vizsgálata az ügyféladatokra .......................................... 14 MARKETING, ÉRTÉKESÍTÉS, CRM ................................................................................................... 15 1. Ügyfél-szegmentáció, -előszűrés, célcsoport-képzés, az értékesítés esélye és az ügyfél-információk kapcsolata ......................................................................................... 15 2. Cross-selling elemzés, ajánlati csomag képzés ...................................................... 16 3. A kampány találat modellezése ............................................................................. 16 4. Vállalati hitelpiac alakulása (kihelyezések, késedelmi arányok – KHR) .............. 16 5. Ügyfélérték számítás és modellezés ...................................................................... 18 6. Vevő és szállítókapcsolatok feltérképezése, cégcsoport szintű ügyfélkezelés ...... 18 7. Disloyalitás modellezése, ügyfélmegtartás ............................................................ 20 8. CRM illetve Front End rendszerek felépítése ........................................................ 21 9. Start-up és 50 mFt alatti árbevételű cégek kezelése .............................................. 23 10. Termékportfolió analízis, termékfejlesztés ............................................................ 23 11. Ágazati hozampotenciál és/vagy ágazati kockázat modellezése ........................... 24 12. Fiókhatékonyság mérése ........................................................................................ 25 NEMZETGAZDASÁGI SZŰKKERESZTMETSZET KUTATÁS.......... HIBA! A KÖNYVJELZŐ NEM LÉTEZIK.


REFERENCIÁK A KKI munkatársai több éve végzik gazdasági adatok gyűjtését, rendszerezését, elemzését.

Számos kutatást

és

elemzést

végeztek

a

kockázatkezelés,

banki

termékfejlesztés és ügyfélkezelés témakörében, elsősorban kereskedelmi bankok számára. Mára már több hitelintézet számára készültek különböző pénzügyi kutatások, a pénzügyi szektorban - többek között - az alábbi főbb referenciákkal rendelkezünk: 

Erste Bank Hungary Nyrt.: o Vállalati Front-end

és

CRM

rendszer

specifikációjának

elkészítése

(ügyfélkezelés, értékesítés-fejlesztés, tárgyalásjelentés, riportrendszer) o Ágazati hozampotenciál és kockázat a vállalati hitelezésben o Vállalati nemfizetés modellezése és rating rendszer kidolgozása a Bázel II-es felkészülés jegyében o Datax adatbázis o Önkormányzati adatbázis o Üzleti információs adatbázis 

Magyar Fejlesztési Bank Rt.: o A hosszú távú hitelek kockázati modellje és rating-rendszere o A minősítő rendszer validációja o Datax adatbázis



OTP Bank Nyrt.: o Ágazati hozampotenciál és a kockázat számítása o Külföldi mikro és kkv nemfizetési modell és rating rendszer fejlesztése



Takarékbank Zrt.: o Vállalati PD-modell és rating rendszer o Datax adatbázis



Commerzbank Zrt.: o Vállalati PD-modell és rating rendszer




Kereskedelmi és Hitelbank Zrt.: o Ingatlanújraértékelési módszertan o Gazdasági adatok



Erste Leasing Autófinanszírozási Zrt.: o A makro tényezők és a belső portfolióadatok kapcsolata o Viselkedési scorecard o Hitelkockázati stressz-teszt



UnicreditLeasing Zrt.: o Vállalati nemfizetési modell és minősítő rendszer fejlesztése



Inter-Európa Bank Nyrt.: o A vállalati default esemény statisztikai modelljének létrehozása nagyméretű országos mintán, tesztelés a banki portfolión



Eximbank Zrt.: o Felkészülés az új CRD szerinti vállalati ügyfélminősítésre o Datax adatbázis



Raiffeisen Bank Zrt.: o KKV vállalatközi nemfizetés modellezése o Datax adatbázis o Önkormányzati adatbázis



CIB Bank Zrt.: o Datax adatbázis o Önkormányzati adatbázis



Fundamenta-Lakáskassza Zrt. o Üzleti terv kidolgozása o Lakossági scoring modell fejlesztése

Banki tapasztalataink széles köre mellett kutatóink két tanulmány keretében segítették a PSZÁF ellenőrzői, tájékoztatói munkáját a CRD kapcsán: 

A nemfizetés modellezésének módszertani elemzése, valamint



A hazai LGD-adatbázis adatmodelljének összeállítása 1307 Bp., Pf.: 53 www.kockázatkutató.hu 4

témakörökben. A pénzügyi szektoron kívül a következő főbb referenciáink emelhetőek ki: 

Synergon Informatika Nyrt. o Vállalati Front-end Rendszer kialakítása



Magyar Villamos Művek Csoport o Kutatás-fejlesztési stratégiájának módszertana és eljárásrendje



FIAT Magyarország Kft. o Működési kockázatok felmérése és optimalizálása a folyamat kontrolling megfelelő szintjének megtervezése



Michelin Közép-Európa Zrt. o KKV-k fejlesztésének támogatása, empirikus vizsgálat



INVITEL Távközlési Zrt. o Ügyfél-szegmentáció módszertanának kidolgozása, modellezés o Ügyfélpotenciálok meghatározása a vállalati szegmensben



Pantel Távközlési Kft. o Üzleti adatbázis konszolidáció és adattisztítás



BISZ Zrt.: o adattisztítás



Magyar Államkincstár o adatgazdálkodási átvilágítás


FEJLESZTÉSI SZOLGÁLTATÁSOK

KOCKÁZATKEZELÉS

LGDadatmodell

Scoring, rating, ügyféllimit

Behajtási scoring

FEJLETT KOCKÁZATKEZELÉS

Csalás (fraud) előrejelzés

Early warning

1. Early warning modell Az ügyfélminősítés témakörében a széles körben alkalmazott „kötelező” rendszerek mellett egyre gyakoribbak és népszerűbbek az ún. early warning rendszerek, amelyekkel a nemfizetés eseményét – amelyet leggyakrabban a 90 napos késedelemként definiálnak -, szándékoznak megelőzni, időben kezelni a bankok. Előnyök Míg a klasszikus minősítő (scoring és rating) rendszerek kimondottan a nemteljesítés eseményét igyekeznek modellezni és előrejelezni, addig az early warning: 

már korai stádiumban (a default bekövetkezte előtt) képes megjelölni a problémássá váló ügyfeleket, ezzel hatékonyabb beavatkozásra ad lehetőséget a banknak,



illetve még olyan szakaszban éri tetten a problémás ügyfélt, amikor nem kell céltartalékot képezni. Ez jelentős megtakarításokat eredményez, tovább növelve a banki nyereségességet.


Az ilyen korai jelző rendszerek akkor hatékonyak, ha: 

megfelelően definiált a korai problémás ügyfelek köre, a korai esemény felismert,



a széles körű belső adatgyűjtést külső adatok is támogatják (pl. cég- és tulajdonosi kapcsolatok),



hatékony statisztikai eszközökkel támogatják a korai esemény modellezését,



országos, szegmensenkénti benchmark nemfizetési arányok is segítik a döntéshozókat,



a rendszer jelzései mellé olyan döntési pontokat és folyamatkezelést rendelnek hozzá, amelyek hatékonyan előzik meg a nemteljesítés eseményét.

2. Csalás (fraud) modellezése viselkedés analízissel A nem tisztességes ügyfelek – amelyek aránya számottevő – komoly károkat okoznak a pénzintézeti szektorban is, kiszűrésük, időben történő kezelésük mindenképpen kívánatos. Számos nemzetközi tanulmány rámutatott arra, hogy a kis cégek esetében beszámoló információk mellett fokozott jelentőséggel bírnak az ún „soft” (pl. viselkedési) információk, illetve a tulajdonos minősítése. Ezek együttes elemzésével magas megbízhatóság mellett modellezhető a csalás valószínűsége, akár kategorizálva az ügyfeleket kockázati szempontból. Társaságunk több hitelintézet és nagyvállalat számára végzett e támakörben kutatásokat, széleskörű statisztikai-matematikai módszertani ismeretekkel bír. A kutatás folyamán akár külső adatmintán modellezve tudjuk előrevetíteni a csalás eseményét, amit aztán a belső portfolió egyedein tesztelünk vissza. (Magánszemélyek esetében ez belső adatokból történik.) A risk alapú (elő)minősítés jelentős ráfordítás-megtakarítást eredményezhet az értékesítés oldalán, hiszen a sales csak a már előminősítésen szűrt cégekkel kell, hogy foglalkozzon, míg a kockázatkezelési oldalon folyamatos monitoring alatt tartja a portfolió egyedeit.

3. Nemfizetési valószínűség modellezés, ügyfélminősítő (rating) rendszer fejlesztés

valamint

scoring

és


A 2007-ben életbe lépett, bázeli ajánlásokra épülő új tőkemegfelelési direktíva (CRD) új alapokra helyezi a szavatoló-tőke számítást és ehhez kapcsolódóan a teljes banki kockázatkezelést. A bankok számára megnyílik a lehetőség, hogy ún. belső minősítésű módszerek (Internal Rating-Based Methods, IRB) alkalmazásával saját, belső mérési rendszerükkel

számítsák

tőkekövetelményüket.

A

fejlett

módszer

bevezetése

természetesen nemcsak egy esetlegesen (és szándékoltan) alacsonyabb tartalékolást eredményezhet, hanem emellett a kockázatkezelési technikák fejlődését is maga után vonja. Az IRB alkalmazása azonban csak számos követelmény kielégítését követően valósítható meg, amelyek teljesítése komoly adathátteret és szakmai felkészültséget követel meg az intézményektől. A hitelkockázat egyik fő komponensét megtestesítő nemfizetés valószínűsége esetében a tőkeszámítás eszköze, amely egy megfelelő sokaságú és időtávú mintából létrejövő modell lehet, amelyből kiszámítható a nemfizetés valószínűsége, illetve - továbblépve - rating kategóriák képezhetőek. A kutatás keretében a teljes megvalósítási folyamatot végigvisszük, kezdve a módszertani alapelvek lefektetésétől, az adatbeszerzés, -szűrés, -korrigálás folyamatán keresztül az objektív ismérvekből végzett statisztikai modellezés és minősítési rendszer felépítéséig bezárólag. A nemfizetési adatminta merítési alapja a KHR, amelyben valamennyi hazai hitelezett vállalkozás nyilvántartásban kerül, így a szegmentálás terén szinte korlátlan lehetőséget kap a bank, pl. meghatározhatja, hogy mely árbevétel-szegmens egyedei, milyen ágazati megoszlásban szerepeljenek a mintában. Emellett biztosított a többéves adatmerítési időtáv is. A modellezés során a szegmentációs erő mérése mellett nagy hangsúlyt fektetünk az ún. „out-of-sample” és időbeli stabilitás vizsgálatára, illetve a bevont ismérvek optimális számának megállapítására. A számított modellt teszteljük a bank portfolióján is.


A nemfizetési modell elkészítését követően a CRD előírásainak megfelelő (minimum 7+1 kategóriából álló) rating-rendszert illesztünk az ügyfélminősítés folyamatához. A besoroló-rendszer elkészítésekor az időbeli migráció mellett elemzés alá vonjuk az új és a jelenlegi banki rendszer eltéréseit, migrációját is.

4. Kockázat – árazás – fedezet mátrix

A fejlesztés több másik kutatási témához kapcsolódik szervesen, úgy, mint a nemfizetési modellek, ügyfélérték számítás vagy épp az LGD-adatstruktúra, fedezetértékelés, amelyek összehangolt alkalmazásával maximalizálható a banki hozam. A klasszikus kockázatmodellezés mellett kiemelt hangsúlyt fektetünk a kockázati költség, árazás és fedezet

hármasának

együttes

bevonásába.

A

kockázati

költséget

beillesztve

finomhangolhatóvá válnak a besorolási kategóriák és a hitelezési döntési pontok. A kockázathoz illesztett fedezeti és árazási módszerek mind kockázati, mind értékesítési oldalról is alkalmasak arra, hogy megfelelően szegmentálják az ügyfeleket.

5. Lakossági kockázatkezelés évjáratmodellel (vintage analízis) A hitelezési folyamat elejét képező scoring és a végét jelentő behajtás közötti időintervallum elemzésére, vizsgálatára hivatott kvantitatív módszer. Használatával le lehet írni a hitelezési folyamatot, mérni lehet a scoring és behajtási rendszerek hatékonyságát, folyamatos képet kapva a portfolió (minőségi) alakulásáról. Leginkább a hosszabb távú hitelek értékelését kínálja, folyamatosan figyelemmel kísérve a hitel életkorát. Alkalmazásával kimutathatóvá válnak a portfolión a belső szabályozási vagy


külső környezeti változások (pl. devizaárfolyam-változások, kamatemelések) hatásai, akár részportfoliókra, pl. terméktípusokra bontva. További előnye, hogy reálisan összevethetővé teszi az azonos életkorú, ámde eltérő időpontokban felvett hitelek körét.

6. Az elutasított ügyfelek nemfizetési modellje A kutatás a banki vállalati minősítő modellek/rendszerek másodfajú hibáját hivatott mérni. A munka során azon vállalatokból kerül összeállításra nagyméretű országos minta, akiket a hitelező minősítési rendszere elutasított, ámde - valamely más finanszírozónál – mégis külső forráshoz jutott. A modellezés eredményeképp az elutasított ügyfelek modellje összevetési alapot kínál a banki ügyfélminősítéshez képest, csökkentve annak másodfajú hibaarányát, illetve kimutatva az e tekintetben szignifikáns ismérveket. A kutatás sales oldalról is nagy hasznossággal bír, hiszen alapja és mérőeszköze lehet a hitelezési tartomány „kiszélesítésének”.

7. Ügyféllimit-rendszer kidolgozása A kutatás célja, hogy nagyméretű (akár több tízezres) országos mintán a már korábban létrehozott nemfizetési modell felhasználásával vizsgálat alá vonjuk a hazai vállalati hitelezési

arányok és

a

vállalatok hitelezhetőségét,

ügyféllimitét.

A kutatás

végeredménye a vállalati szektor eladósodottsága és a rating alapú hitelezhetőségének összevetése, valamint az országos minta egyedeinek értékelése. A kutatás alaphipotézise, hogy a társaságok hitelezése kockázati oldalról addig maximalizálható, amíg minősítésük nem romlik a nemteljesítő (vagy a jelenleginél jelentősen rosszabb) kategóriáig. A kutatás felépítése: 1. Módszertani alaphipotézisek meghatározása (pl. beruházási vs. folyó működési hitelek kezelése) 2. Nagyméretű hazai minta összeállítása, beszámolók beszerzése 3. Egyedi nemfizetési valószínűségek számítása 4. Rating kategóriák képzése, vállalatminősítés


5. Beszámolók rendszerének kialakítása, a hitelek és a rating kapcsolatának felépítése 6. Minta eladósodottságának és besorolásának összevetése, a hitelezhetőség határainak vizsgálata 7. A minta hitelarányainak egyéb, általános „ökölszabályok” szerinti vizsgálata

8. LGD-adatstruktúra kidolgozása A CRD szerinti várható veszteség számításának egyik komponense a nemteljesítéskori veszteségráta (loss given default, LGD). A szuverén, az intézményi és a vállalkozói portfoliókra alkalmazható fejlett IRB módszer esetén, valamint a lakossági portfolióra alkalmazott IRB függvényben, - ahol csak egy módszert ad a szabályozás -, a bank saját maga által számított veszteségráta értéke alkalmazható. Ebben az esetben a hitelintézetnek komoly követelmény-rendszernek kell megfelelnie, illetve átfogó adatgyűjtéssel kell rendelkeznie a múltbeli default események kapcsán, amelyekből képes saját LGD számításra. A fejlesztés hazai piac sajátosságaihoz igazodva teremti meg a nemteljesítéskori veszteségráta hatékony gyűjtésének és mérésének eszközét. Az adatstruktúra biztosítja work-out módszer szerinti teljes folyamatkezelést a default esemény és az ügylet zárása közti időintervallumban.

9. Behajtási scoring – követeléskezelő rendszer A nemteljesítővé váló ügyfelek esetében is érdemes a behajtás eredményességét mérni, modellezni, annak érdekében, hogy hatékonyabban használják fel a work-out erőforrásait. Az ügyfél jellemzői, valamint az eljárás lépéseinek bevonásával meghatározhatóak

azok

a

szegmensek,

amelyekkel

érdemes

belső

erőforrás

felhasználásával behajtást eszközölni (a magas megtérülés ígéretéből fakadóan), míg lesznek olyan ügyfélcsoportok is, amelyek értékesítését javasolhatja az előrejelző rendszer. A modell eredményeihez eltérő beavatkozási és döntési pontokat rendelünk, amelyek egy teljes követeléskezelő rendszer csúcsosodnak ki.


10.

Ingatlanfedezet értékelés és újraértékelés, települési rating

A termékfejlesztés részhalmazát képező jelzálog-alapú hiteltermékek értékelő eszközeként kínáljuk az INGA nevű ingatlan-értékelő adatbázis szolgáltatásunkat, amely mely kizárólag hiteles (KSH és Illetékhivatal) adatokon alapuló gyorsértékelést ad a lakóingatlanok értékére. Emellett a jövőbeli újraértékelési kötelezettségi előírás teljesítéséhez kínáljuk az erre épülő újraértékelő adatbázisunkat, amely arra ad választ,

hogy

két

időpont

között

adott

település

lakóingatlanainak

fajlagos

négyzetméterértékei milyen mértékben változtak. Az ingatlanértékek, a piaci likviditás (forgalmi adatok), valamint a település-statisztikai jellemzők alapján elkészítjük a települések negyedéves kockázati rangsorát, ratingjét is, mely segítségével megelőzhető a gyorsan devalválódó ingatlanok fedezetként való bevonása.

11.

Stressz teszt

A mai pénzügyi válság folyamatait figyelemmel kísérve kulcs-sikertényezőnek tartjuk, hogy a pénzügyi szolgáltató egyedi és ágazati szinten is értékelni tudja a finanszírozott ügyfeleket a stressz események tekintetében. Érzékeljük, hogy igen komoly feladat elé állítja a bankot a mai válság, legfőként az, hogy miként tisztítson portfoliót úgy, hogy csak a tényleg bajban lévő és kevésbé immunis cégeket ne finanszírozza tovább, de emellett tisztán lássa a stressz eseményeknek ellenállni képes társaságok csoportjait. Mitől több ez a megoldás egy „általános” stressz-teszttől? 

Megnevezi azon külső tényezőket, amelyek erőteljes hatást gyakorolnak a belső portfoliók nemteljesítési arányára.



Különböző stressz-szcenáriókkal sokkolva a portfoliót előrejelzi a jövőbeli PD-görbe alakulását.



Szegmentált módon is képes kezelni a stressz esemény hatásait. (Nem azonos hatások érik például egy exportra berendezkedett termelő ágazat és egy hazai szolgáltató iparág cégeit a devizaárfolyamok változásával.) 1307 Bp., Pf.: 53 www.kockázatkutató.hu 12



Az előretekintő stressz-szcenáriók mellett a tényadatok alkalmazásával stresszmonitoringra is alkalmas, gyors beavatkozási lehetőséget ad az intensive care-re.



Használatával csökken a nemteljesítők aránya és az LGD, mindemellett célzott portfoliótisztítás végezhető, nem elutasítva a stressz mellett is rendben működő ügyfeleket.


12.

Makro adatok hatásának vizsgálata az ügyféladatokra

Az egyes makro indikátorok és kiemelt ügyféladatok összefüggéseinek elemzése, modellezése statisztikai módszerek segítségével. A fejlesztés lényege, hogy olyan sokaságú és mélységű adathalmazokat kapcsoljon össze és elemezzen, amely mind a hitelkockázati, mind az értékesítési és termékfejlesztési oldalon új információkat ad a Megrendelő döntéshozóinak kezébe, s ezzel termékfejlesztési, kockázatmodellezési kutatások alapjává válhat. Olyan relevánsnak hitt kapcsolatok vizsgálatára nyílik lehetőség, mint például a kiadott új lakásépítési engedélyek száma és a lakáshitel portfolió állománya, illetve az új hitelszerződések száma közti összefüggések feltárása. Az eredmények alátámaszthatják a külső tényezők banki portfolióra, banki értékesítésre gyakorolt hatását, egyben előre jelezhetik jövőbeli alakulásukat.


MARKETING, ÉRTÉKESÍTÉS, CRM

Ügyfélszegmentáció

Termékfejlesztés és analízis

Növekvő eladások

Ügyfélkezelés és elemzés

Piacismeret

1. Ügyfél-szegmentáció, -előszűrés, célcsoport-képzés, az értékesítés esélye és az ügyfél-információk kapcsolata A Bank ügyfélkezelési-rendszerében található értékesítési és egyéb, valamint külső adatok felhasználásával tudjuk modellezni azokat az összefüggéseket, amelyek az értékesítési esélyeket és tapasztalatokat tükrözik. Egyik ilyen kérdés lehet például, hogy az input adatokból modellezhető-e az eladott termékek száma, vagy például a sales által megkeresett, de elutasított ügyfelek adataiból kideríthető-e a sikertelenség oka. Ennek eredményeként - az ügyfél viselkedési és egyéb külső adatainak segítségével statisztikai módszerekkel határozhatók meg azok az ügyfél kategóriák, amelyek a pontosabb „ügyfél-kalibrációval” az értékesítés esélyét és hatékonyságát növelik. Az egyes ügyfélcsoportok kialakítását adatbányászati, statisztikai eszközökkel végezzük. A vállalati oldalon teljes körű adatbeszerzéssel támogatjuk a szegmentáció folyamatát, ezzel a céginformációk, beszámolók is a szegmentálás input adativá válnak. A kutatás végeredményeként homogén kategóriákhoz jut a Megbízó, amely eredmény a helyes cselekvési

stratégia

termékfejlesztésről

kiválasztásában vagy

az

nyújt

értékesítési

támogatást,

legyen

szervezet/eszközök

szó vagy

akár a

sales/kommunikációs csatornák alkalmazásáról.


A szegmentáció és célcsoport képzés többnyire előre meghatározott ismérvek szerint történhet, mint például: 

vállalati alapadatok (nem negatív saját tőke és MSZE, cég elleni múltbeli eljárások, árbevétel szerinti osztályozás, tendenciák szerinti csoportosítás)



pénzügyi ismérvek egyedi szinten, illetve ágazati összevetésben (pl. ágazathoz képest magasabb jövedelmezőségű társaságok kiválasztása)



KHR információk (pl. következő 3 hónapban lejáró hitellel rendelkezők köre)

Emellett további akvizíciós és kockázati előszűrőként ajánljuk a KHR nemfizetési esemény előrejelzésének modellezését és kockázati pre-ratingjét, a cégkapcsolati hálók felderítését is.

2. Cross-selling elemzés, ajánlati csomag képzés Az értékesítési lehetőségek modellezése mellett kiemelt jelentőséggel bír a mai meglévő eladás mellett a további szolgáltatások értékesíthetőségének modellezése, az ebből történő ügyfél-szegmensek képzése, valamint a rájuk szabott ajánlati csomagok kialakítása. Mindezek erős ügyfélmegtartó erőt generálhatnak, csökkentve a disloyalitás valószínűségét.

3. A kampány találat modellezése A fejlesztés elsődleges célja a banki vállalati hitelezési kampány sikertényezőinek meghatározása, modellezése statisztikai eszközökkel, illetve ezek kivetítése a teljes szegmensre, meghatározva a következő kampányban megcélzandó ügyfélkört. A fejlesztés megcélzott eredménye az előkészítés mellett a kampány technikák korszerűsödése, a kampány találati arányok növekedése, illetve ezzel összefüggésben a kampány költségek csökkenése.

4. Vállalati hitelpiac alakulása (kihelyezések, késedelmi arányok – KHR) A fejlesztés a vállalati hitelpiac szegmens-arányait, illetve terjeszkedési potenciáljait hivatott bemutatni. A fejlesztés célja, hogy Ügyfelünk a magyar vállalati hitelpiac előre 1307 Bp., Pf.: 53 www.kockázatkutató.hu 16

meghatározott szegmens-arányainak KHR-ből történő meghatározásával pontos képet kapjon az egyes részpiacok hitelezési összegeiről, illetve saját részesedével össze tudja azt vetni. A kutatás az eredmények elemzésével, feldolgozásával elősegíti a szektorban

rejlő

üzleti

lehetőségek

hatékony

kiaknázását,

kijelölve

a

legperspektivikusabb vállalati szegmenseket, döntéstámogató eszközként szolgálva mind az értékesítés, mind a termékfejlesztés számára. A vállalati szegmensek az alábbi 3 tényező szerint kerülnek kialakításra: 

ágazat (2 számjegyű TEÁOR mélység)



árbevétel-kategória (8 szabadon választható bevételi szegmens)



földrajzi elhelyezkedés (megyei bontás)

A kereszttáblák kialakítását két fő bontásban végezzük el: 

állományi és



utolsó negyedéves, új hitelszerződések szerinti bontásban.

A hitelezési adatok HUF/FX, illetve éven belüli / túli bontásban: 

hitelszerződés-szám (db), illetve



hitelállomány-érték (millió Ft) meghatározásával kereszttáblázatos formában kerülnek megadásra a fentebb leírt részszegmensekben.

Emellett megadásra kerülnek: 

az adott negyedév állományai osztva az előző negyedév állományaival (piac bővülése),



a 30/90 napos késedelmi arányok.

A kereszttáblák mellett valamennyi megye – árbevétel - TEÁOR kombinációhoz átadásra kerülnek a hitelezési alapadatok is.


5. Ügyfélérték számítás és modellezés Jövedelmezőség-számítás jelenleg A jelenleg működő banki rendszerek közül az alapvető ügyfélérték számítás nem megoldott. A (sok helyen alkalmazott) MIS rendszer gyűjti össze azokat a jövedelmezőségi adatokat, amely klasszikus értelemben az ügyfeleken ténylegesen realizált bevételeket és eredményeket számítják ki szegmensenként. A szegmenseként összesített adatok algoritmusok segítségével osztja le konkrét ügyfelekre az eredményt. Ennek a top-down megközelítésnek nagy hátránya, hogy a visszaosztott algoritmusok nem a pontos egyedi eredményt adják vissza ügyfelenként. Az ügyfélérték elméleti megközelítése Az egyedi jövedelmezőség számítása nem azonos az ügyfélértékkel. Számos esetben jelentős közvetett bevételt (eredményt) realizál a bank egy ügyfélen. Ez elsősorban olyan esetekben fordul elő, ha az ügyfél az üzleti partnereit (jellemzően vevőit) is arra ösztönzi, hogy banki ügyfél legyen (csökkentve ezzel saját költségét és nagyobb kedvezményeket várva a banktól). Ezekben az esetekben, ahol egy vállalathoz egy vagy több másik vállalat ilyen típusú közvetett kapcsolatban áll az ügyfélérték-számítás során korrigálásra kell, hogy kerüljön. Ügyfélérték szerinti kategorizálás Az ügyfélérték-modellezése lehetőséget ad a Megbízó számára, hogy a belső ügyfélköltéseket felhasználva statisztikai módszerekkel lemodellezze a költési kategóriákat, majd „rávetítse” azt a jelenleg nem banki ügyfélkörre, segítve a legnagyobb értékkel kecsegtető ügyfelek kiválasztását.

6. Vevő és szállítókapcsolatok feltérképezése, cégcsoport szintű ügyfélkezelés


Minden szolgáltató sales tevékenységének egyik kiemelt célja, hogy megtalálja a legértékesebb ügyfeleket. Ezek az ügyfelek lesznek azok, akik vezérfogyasztóként más ügyfeleket is bevonnak a szolgáltató ügyfélkörébe, megtakarítva a szolgáltató értékesítési ráfordításait. Ez az ún. „cherry picking” folyamat az ügyfélkapcsolatok, ügyfélforgalmak feltérképezésével történhet, amelyhez mind input adatbázis (pl. céginformációk, cég és/vagy tulajdonosi kapcsolatok) oldalról, mind adatbányászati eszközök alkalmazásával segítséget tudunk adni a kutatás keretein belül. A modul - szorosan kapcsolódva az előző fejlesztési ponthoz - megteremti a lehetőségét, hogy a banki ügyfelek és tisztségviselők üzleti kapcsolatait és összefonódásait feltérképezze, amely külön mozgatórugóként szolgálhat a target cégek kijelöléséhez, egyben az ügyfélérték számításának is alapja lehet. Ma

három

lehetőség

nyílik

a

piaci

együttműködések

és

csoportosulások

feltérképezéséhez: 

A banki ügyfelek számlaforgalmának figyelése és szisztematikus feldolgozása,



A hitelezési adatlapok digitalizálásával és adatbázisba rendezésével,



Külső adatbázisok vásárlásával.

A banki ügyfelek számlaforgalmának figyelése és szisztematikus feldolgozása A kimenő és bejövő számlaforgalom összesítése kulcskérdés az ügyfelek bankolási szokásainak megismeréséhez. Ennek ügyfélkezelési, ügyfél-csoportosítási, akvizíciós és akár kockázatkezelési vetületei is lehetnek. A vizsgálandó számlamozgások algoritmusainak kifejlesztése, csoportosítása képzi a modul alapját. Ezek meghatározásával párhuzamosan lehetséges az ügyfélkezelési folyamatok és mechanizmusok megalkotása is. A hitelezési adatlapok digitalizálása és adatbázisba rendezése A mai gyakorlatban megszokott, hogy a hiteligényléshez a hitelkérelmi adatlapon a bank bekéri a legjelentősebb vevőket és szállítókat konkrét adatokkal kiegészítve, melyről az


ügyfél nyilatkozik. Ezek adatbázisba történő rögzítésével és ennek az ügyféladatbázissal történő összehasonlításával szintén kinyerhető egy olyan ügyfélkör, melynek akvizíciós célú megkeresése indokolt. Külső adatbázisok vásárlása A piacon fellelhető olyan, referenciával és múlttal rendelkező cégadatbázis, amely a kiemelt vállalatok legfőbb vevői és szállítói, valamint a cégek közötti tulajdonviszonyok, valamint a tisztségviselők más társaságokban való pozíciója kinyerhetők. Ez szintén olyan tudást ad a bank kezébe, amellyel célzott és hatékonyabb akvizíciót és ügyfélkezelést tud folytatni.

7. Disloyalitás modellezése, ügyfélmegtartás Köztudott, hogy az ügyfelek megtartása jóval olcsóbb, mint megszerzésük. Ez kiemelten igaz a mai magyar bankpiacon, ahol igen erős verseny dúl a szolgáltatók között. Emiatt kulcssiker-tényezőként tekinthetünk az ügyfélmegtartás eszközeire, illetve ezzel összefüggésben a disloyalitás előrejelzésére. Kijelenthetjük, hogy a legtöbb esetben egy ügyfél szokásainak, attitűdjeinek ismerete segítségével az elpártolás előre jelezhető, a tipikus előjelek adatbányászati, statisztikai eszközökkel magas megbízhatóság mellett megállapíthatók. A szolgáltatók kiterjedt belső ügyféladataira, valamint (főleg vállalati portfolió esetében) külső adatokra támaszkodva elkerülhetővé válnak ezek az ügyfélvesztések, meghatározhatóak és időben alkalmazhatóvá válnak a helyes cselekvések ezen ügyfelekkel szemben. E fejlesztés kiemelten kapcsolódik a szegmentáláshoz, illetve az ajánlati csomag képzéshez, amely az ügyfélmegtartás hatékony eszköze.


8. CRM illetve Front End rendszerek felépítése

A bankszférában évek óta egyre erőteljesebben kiéleződő piaci verseny ma már megköveteli az ügyfélkezelés folyamatos fejlesztését, automatizálását, a hatékonyság növelését és mérését. Ennek egyik kulcs-sikertényezője egy jól felépített CRM-rendszer. A CRM általánosságban az ügyfelekkel kapcsolatos adatok gyűjtéséről, elemzéséről, az ügyfelek igényeinek mélyebb megismeréséről, illetve e tudásnak a megfelelő ügyfélkapcsolati

pontokon

történő

felhasználásáról

szól,

az

ügyfélportfolió

jövedelemtermelő képességének növelésének reményében. A CRM alapvető célja, hogy csökkentse a kollégák adminisztrációs terheit, s egyben olyan hasznos információkat, értékesítési támogatást adjon a kezükbe, amely lerövidíti a döntés-előkészítés fázisát, emellett work-flow oldalon egy strukturált és átlátható felületen keresztül biztosítja az ügyfélkezelési folyamatot. Az akvizíció terén a belső és külső adatbázisok együttes felhasználásával, valamint strukturált lekérdezésekkel és elemzésekkel teszi hatékonyabbá a potenciális ügyfelek elérését és akvirálását. A front mellett vezetői szinten megteremti az egyes üzletágak és szervezeti szintek hatékonyságának mérését, a banki jövedelmezőség pontosabb becslését. A rendszer - preferáltan - moduláris felépítéséből fakadóan a későbbiekben olyan kiegészítő funkciókkal bővíthető, amelyek már az egyes részterületek igényeinek 1307 Bp., Pf.: 53 www.kockázatkutató.hu 21

kielégítését célozzák meg. A CRM több banki rendszerhez kapcsolódva, megteremti az információ

közös,

centralizált

elérését,

míg

más

belső

rendszerekkel

való

összekapcsolása biztosítja az eddigi fejlesztések beépülését. A külső adatbázisokhoz (pl. mérlegtár, céginformációk, KHR, Takarnet) hozzáférést, illetve elérési utakat kínálva már egy kezdeti „tudásközpont” létrejöttét indítja el. A kutatás alapfeladatai közé tartozhat: 

Tárgyalásjelentés: az értékesítési folyamatok nyomon követése a megkereséstől az ajánlatadásig.



Ügyfél- és termék-portfolió analízis: ügyfél- és termékalapú információk kinyerése, értékelése, szegmentációja.



Vezetői Információs Rendszer (VIR): olyan riportrendszer kialakítása, amely támogatja a stratégiai döntés-előkészítést és az üzleti területek elemzési feladatait.

Az alapfeladatok mellett kiegészítő modulok segítségével további feladatok elvégzését támogatja a rendszer, amelyek a fejlesztés következő lépcsőivé válhatnak 1: 

az akvizíciós adatbázisok kezelése, stratégiai szegmensek definiálása és nyomon követése,



az ügyfél (dis)loyalitás monitoringja,



értékesítési

és

reklám

akciók

menedzselése,

utánkövetése

(kampánymenedzsment), 

versenytársfigyelés,



cross- és deep-selling folyamatok támogatása,



ügyfélérték és ügyfél-jövedelmezőség számítás hozzárendelése.

A kutatás első mozzanataként valamennyi releváns felhasználó igényeinek felmérését végezzük el, a fejlesztés horderejénél fogva a Bank és a Kutató közös, iteratív együttműködésében valósul meg. A kutatás végeredményeként a rendszer üzleti 1

Ezek közül néhányat kiemelt fejlesztési irányként fogalmaztunk meg!


és/vagy funkcionális specifikációjának elkészítését vállaljuk, utóbbi közvetlen inputként szolgál a rendszerterv elkészítéséhez.

9. Start-up és 50 mFt alatti árbevételű cégek kezelése A

legnagyobb

növekedéssel

lehetőséget

(és

valószínűsíthetően

legolcsóbban

kivitelezhető piacszerzést) a hitelintézeti szektor számára az induló és mikró vállalatok köre jelenti. E cégek kezelése azonban sok tekintetben más jellegű cselekvést igényel meg a bank oldaláról, mind kockázati, mind akvizíciós szempontból. Az induló cégek észleléséhez és értékeléséhez széles körű céginformációs adatokat és ehhez kapcsolódó (pl. ágazati) cégtipizálási eljárásokat tudunk a Megrendelő rendelkezésére bocsátani. Adatgyűjtéseinket és statisztikáinkat a banki adatokkal összegyúrva kiemelhetők az e szegmensen belüli legígéretesebb vállalattípusok. Risk oldalról szegmentált modellezést végezve képesek vagyunk mérni e cégkör speciális kockázatát.

10.

Termékportfolió analízis, termékfejlesztés

A belső portfolió több vetületű elemzése, valamint annak folyamatos fejlesztése kulcssikertényezője a keresleti oldal növelésének, a vevői elégedettség magasan tartásának, illetve a lemorzsolódás alacsony szinten tartásának. Segítségével a kockázat fedezettség - árazás - jövedelmezőség területeken vizsgálva, rangsorolva jól kimutathatóvá válnak a szolgáltatások közti eltérések, rangsorolva őket nyomon követhetővé válnak a szolgáltatások közti változások, migrációk. Ez utóbbi hatékony eszköze annak, hogy kimutathatóak legyenek az új termékek kannibalizációs hatásai is. A kutatás eredményeként már a termékfejlesztés korai stádiumában becslések készíthetőek az ügyfélmegtartó erőről, a várható hozamokról, illetve a jövőbeli akvizíciós kampányok sikerességéről. A vizsgálat során a meglévő ügyfelek termékhasználati szokásai kerülnek fókuszba, különös tekintettel a termékhasználatváltozásokra, a termékválasztás optimalitására, valamint a korábbi termék-bevezetések sikerességére.


11.

Ágazati hozampotenciál és/vagy ágazati kockázat modellezése

A különböző gazdasági ágazatokra nem csak eltérő gazdálkodás a jellemző, de banki szempontból eltérő átlaghozam érhető el, eltérő kockázattal párosulva. Ennek meghatározására egy olyan ágazati rangsor kialakítása kínálkozhat megoldásként, amely a magyar gazdasági ágazatok vállalatainak potenciális banki hozamait és azok kockázatát mutatja. A kutatás eredménye olyan eljárás és számítás, amely ágazati szinten nem csak egymáshoz való viszonyt mutat, hanem az iparági (teljes és átlagos) potenciális hozamok valamint kockázatok számszerűsítését is éves szinten. A fejlesztés során

többféle

csoportosítással

(pl.

árbevétel,

hitelezett/nem-hitelezett)

élve

szegmentáltan is kiszámíthatóak a hozamok. A kutatás eredménye egyrészt segíti a banki akvizíciót, másrészt hatékony monitoring eszközként alkalmazható az ügyfélportfolió kockázati értékelésére.


12.

Fiókhatékonyság mérése

A kirendeltségi hatékonyságok mérése kulcsfontosságú a kiterjedt értékesítési hálózattal rendelkező szolgáltatók számára. A módszertanunk a fióki hatékonyság mérése mellett például autófinanszírozás területén a dealerek jutalékrendszerének felülvizsgálatára, vagy akár a biztosítási ügynökök teljesítményeinek mérésére is alkalmas. Az egyik módszertani irány a területi potenciál alapján elkészített rendszer, amely mind a vizsgált területek fejlettségét, főbb statisztikai mutatóit, mind az adott területek ügyféladatait tartalmazzák, így definiálva az értékesítőhelyektől elvárható teljesítményeket. A becslő-modell eredményei összefoglalják az "átlagos" teljesítményre vonatkozó elvárásokat, amelyeket a tény eredményekkel összevetve határozzuk meg az átlag alatti, illetve az elvártnál jobban teljesítő értékesítőhelyeket, rangsorolva az egyes kirendeltségeket. A modellek leírják a kapcsolatot a külső változók (pl. népesség), a belső változók (pl. ügyfélszám), és az értékesítési teljesítmények között. A kirendeltségek közti összevetést hasonló változói környezet mellett javasoljuk elvégezni. További hasznos külső tényező lehet a versenytárs bankok fiókjainak elhelyezkedése, ami rámutathat a versenytársi pozíciókra, összefüggésekre az adott földrajzi régióban.


Nemzetgazdasági Szűk Keresztmetszet Kutatás

Kutatásunk célja volt, hogy azonosítsuk és számszerűsítsük a növekedést gátló ún. „intangible” tényezőket. Kutatásunk a vállalati (mikro) szintű elemzéssel indult, de a modellezés ágazati és nemzetgazdasági (makro) szinten folyt és az interpretálható eredményeink is erre az aggregáltsági szintre készültek. A modellezés adatforrása egy 1000 rekordból álló vállalatokat érintő megkérdezés volt. A kutatás a NAV-al együttműködésben folyt. A kutatás eredményei: 1. közvetlenül hasznosítható eredmény: A kutatás outputjaként részletes ágazati bontásban rendelkezésre állnak, hogy hol milyen immateriális tényezők a relevánsak. 2. közvetetten hasznosítható eredmény: A szűk keresztmetszetek ágazati részletezettséggel felmérésre kerültek, az egyes vállalatok a megfelelő immateriális tényezők jobb kihasználásával hatékonyabban és eredményesebben működhetnek.


FEJLESZTÉSI PORTFOLIÓ

Recommend Documents