Řízení úvěrového rizika pomocí pokročilých nástrojů pro analýzu dat

Tradiční přístup ke kvantifikaci úvěrového rizika v oblasti retailového bankovnictví často spoléhá na proměnné, které jsou nejviditelnější, jako je roční/měsíční příjem, délka zaměstnaneckého poměru, pracovní pozice atd. Ačkoli tradiční indikátory pro výpočet pravděpodobnosti, že klient nebude dluh splácet, jsou stále platné, doba pokročilých analytických nástrojů vnesla do rovnice úvěrového rizika i jiné parametry.

Pokud sledujete náš web zaměřený na Big Data & Data Science, možná už jste se seznámili s naším přístupem k segmentaci zákazníků. Využíváme takzvané pseudosociální sítě nebo sociální scoring. Dokonce v současné době provádíme na toto téma vědecký výzkum na Karlově univerzitě v Praze, což dále dokládá, že naše metody jsou state-of-the-art.

Tak tedy: Které parametry vašeho klienta jsou v současné době nejsofistikovanější a neměly by chybět ve vašem předpovědním modelu úvěrových rizik?

Profilování domácnosti

Existují dva hlavní způsoby, jak může banka propojit jednotlivé osoby žijící ve společné domácnosti. Za prvé, když vám to klient o sobě sám řekne (např. sezdaný pár, rodiče a jejich děti). Za druhé s využitím historie bankovních transakcí zákazníka. Toto jsou skryté informace, které často vynesou na světlo ne zcela jasné soužití dvou či více osob ve společné domácnosti, aniž by byly např. v manželském nebo příbuzenském vztahu. Abyste získali mnohem přesnější hodnocení úvěrového rizika nebo úvěrového skóre klienta, je výhodné porozumět sociálnímu prostředí, ve kterém žije. Žije uchazeč o úvěr v domácnosti s nízkými příjmy? Stává se často, že ostatní členové jeho/její domácnosti splácejí kontokorentní úvěr? Všechny tyto faktory hrají roli.

Podobné chování

Analytici úvěrových rizik dokážou prostřednictvím pseudosociálních sítí chytře rozdělit klienty, kteří se ve skutečném životě navzájem pravděpodobně neznají, do sociálních skupin na základě podobností v jejich chování. Toto je skvělý způsob, jak vytvořit tzv. Know Your Customer (KYC) profil. Prostřednictvím dat o transakcích můžete porozumět potřebám např. nastávajících matek, kancelářských pracovníků nebo dělníků v továrnách. Přestože rádi věříme tomu, že každý z nás je jedinečnou lidskou bytostí (což nezpochybňuji), podíváme-li se na lidi z pohledu transakcí, míra předvídatelnosti a podobnosti nákupních preferencí, četnosti výběru hotovosti a navštěvovaných hospod je udivující.

Podrobné profilování osobnosti

Již od skandálu společnosti Cambridge   bylo jasné, že podrobné profilování osobnosti bude dalším významným trendem. Bankovní sektor je velmi specifický a má přístup pouze k určitým typům dat, většinou jde o transakce při platbách kartou. V porovnání s jinými komerčními sektory tato skutečnost může být poněkud limitující, což vyžaduje kreativní přístup k prozkoumávání dat. Navíc je třeba se ještě důsledněji zabývat etickými otázkami. V ideálním případě by klient měl mít možnost zjistit, jak a proč byl klasifikován a zda jej to zvýhodňuje (či nikoli).

Proaktivní řízení úvěrových rizik

Nakonec lze díky kombinaci všech tří výše zmíněných parametrů vynaložené úsilí využít ještě lépe a zaměřit se na skutečnou pomoc zákazníkům. Jestliže dokážete přesně předvídat neschopnost klienta splácet úvěry, pak můžete rovněž zavést preventivní opatření. Banka své klienty včas upozorní na tvořící se problém, a to ještě předtím, než k nesplácení dluhu vůbec dojde, a stejně tak jim může v podobných situacích nabídnout pomocnou ruku – tak vypadá skvělý zákaznický servis na úplně jiné úrovni!

Jestliže byste měli zájem blíže probrat, jak k tomuto tématu ve společnosti Profinit přistupujeme, obraťte se na nás.

Máme více než 20 let zkušeností s poskytováním služeb pro banky, pojišťovací společnosti a finanční sektor.

 

Autor: Barbora Janulíková

Business Development Manager