Banki fejlesztések
Munkatársaink széles körű tapasztalatai és a referenciái alapján a következő szakterületeken nyújtunk szolgáltatásokat a pénzügyi szféra szereplői számára:
•    Kockázatkezelés
•    Ügyfélkezelés (CRM), ügyfél-szegmentáció
•    Értékesítés-fejlesztés, kampánymenedzsment
•    Termékfejlesztés
•    Projekt- és folyamatmenedzsment

Vállalati tanácsadás
Munkatársaink széles körű tapasztalatai és referenciái alapján a következő szakterületeken nyújtunk szolgáltatásokat a vállalati szféra szereplői számára:
•    Kockázatkezelés
•    Ügyfélkezelés (CRM)
•    Ügyfél-szegmentáció

Banki fejlesztések

Kockázatkezelés
PD modellezés
Vállalati nemfizetési valószínűség (Probability of Default, PD) modellezés, scoring és/vagy rating rendszer kifejlesztése
A 2007-ben életbe lépett, bázeli ajánlásokra épülő új tőke-megfelelési 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 egy megfelelő sokaságú és időtávú mintából létrejövő modell lehet, amelyből kiszámítható a nemfizetés valószínűsége, illetve - továbblépve - rating kategóriák képezhetőek.
A munka 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 munka végeredménye egy döntően objektív paraméterekből álló, a nemfizetést 1 éves időtávon előrejelző matematikai modell, illetve a fejlesztési minta és - opcionálisan - a belső portfolió felhasználásával kialakított kockázati rating rendszer. A fejlesztés eredménye továbbá a fejlesztési mintán és a belső portfolión történő kockázati értékelések, besorolások, illetve a teljes körű fejlesztési dokumentáció átadása.
A nemfizetési adatmintát a KHR-t üzemeltető együttműködő partnerünk, a BISZ Zrt. támogatásával állítjuk össze. A KHR-ben (korábbi nevén: BAR) 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. Tapasztalataink szerint egy 1000-1000 jó és rossz vállalati egyedből álló minta már magas (~80%) megbízhatóságú modellt eredményez (Az adatminta vétele ügyfelünk felhatalmazásával, anonimizált módon történik.)
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. Az eljárást többféle algoritmus, elképzelés alapján el tudjuk végezni, összehasonlítva az azok közti különbségek eredményét, kockázati hatásait.

Stressz események
A stressz események hatása a banki portfolióira (stresstesting)
A kockázatkezelésen belül kiemelten foglalkozunk a stressz tesztekkel, mint a jelenleg érvényben lévő és a 2008-tól érvényes előírások közti egyik legfőbb eltérést jelentő követelménnyel. A kiemelés oka egyrészt, hogy minden piaci szereplő számára előírás a stressz események rendszeres hatásvizsgálata, másrészt több kockázati tényezőhöz (pl. külső tényezők kockázata, kamatláb-kockázat, stb.) is kapcsolódik.
A stressz teszt egy általános kifejezés, amely azokat a technikákat, módszereket fedi le, amellyel a pénzügyi intézmények a sebezhetőségüket kivételes, ritka, ám potenciálisan bekövetkező, előforduló események hatását mérik. Ezek az események például a következők: kamatláb-változás, forint árfolyam változása, hitelképesség változás, likviditást befolyásoló események, stb.
A fentiek hatásait több módszerrel lehet mérni, ezek a belső tőkekövetelmény számítási rendszer kontextusában az alábbiak:
•    Az egyszerű érzékenységi teszt rövid távú érzékenységét határozza meg egy darab kockázati faktor változása esetén.
•    Forgató könyv elemzés (scenario analysis) előre meghatározott forgató könyv alapján változnak a kockázati paraméterek (amelyek kicsi, bár nem nulla valószínűséggel következhetnek be) és ezen paraméterek hatását vizsgálja.
A hitelkockázatok esetén a makrogazdaság változásai okozhatnak lehetséges hitelezési veszteségeket. Ezért a hitelkockázati stressz tesztek esetén a gazdasági folyamatok közül legalább a két fő típusát kell modellezni, ezek a következők: enyhe illetve erős gazdasági recesszió.
A munka során meghatározásra kerülnek azok a szélsőséges piaci tényezők, melyek reális veszélyt jelentenek a pénzintézet számára, majd kidolgozásra kerülnek az egyes szcenáriók, illetve érzékenységi modellek.
A szélsőséges piaci körülmények esetére rendelkezésre álló akció tervek kidolgozásával biztosítható a pénzintézet stabilitása változékony gazdasági környezetben is.
LGD-adatstruktúra
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. (Társaságunk a PSZÁF számára hasonló témában készített tanulmányt az összbanki LGD adatmodelljének létrehozása kapcsán.)

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.

Az elutasított ügyfelek nemfizetési modellje
A fejlesztés 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 fejlesztés sales oldalról is nagy hasznossággal bír, hiszen alapja és mérőeszköze lehet a hitelezési tartomány „kiszélesítésének”.
Ingatlan-értékelés
Ingatlan (biztosítéki) értékelés és újraértékelés
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.
 

ÜGYFÉLKEZELÉS (CRM), ÜGYFÉL-SZEGMENTÁCIÓ

CRM illetve Front End rendszerek
CRM illetve Front End rendszerek üzleti és/vagy funkcionális specifikációjának kidolgozása
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 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 fejlesztés alapfeladatai közé tartozik:
•    az értékesítési folyamatok nyomon követése a megkereséstől az ajánlatadásig,
•    ügyfél- és termékalapú információk kinyerése,
•    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 fejlesztés első mozzanataként valamennyi releváns felhasználó igényeinek felmérését végezzük el, a fejlesztés horderejénél fogva a Bank és Társaságunk közös, iteratív együttműködésében valósul meg. A munka végeredményeként a rendszer üzleti és/vagy funkcionális specifikációjának elkészítését vállaljuk, utóbbi közvetlen inputként szolgál a rendszerterv elkészítéséhez és az informatikai fejlesztéshez.
 
________________________________________
[1] Ezek közül néhányat kiemelt fejlesztési irányként fogalmaztunk meg!

Pre-rating
Ügyfelek előszűrése, pre-ratingje
A mikrovállalati szegmens ma még a legérintetlenebb piac a bankok számára, ami hatalmas növekedési lehetőségeket, ám egyben jóval magasabb kockázatokat is rejt. Részben a kockázatok hatékony kezelése, részben az akvirálni kívánt részszegmens helyes megválasztása érdekében van szükség a célpiac előszűrésére, pre-ratingjére, valamint a limitek meghatározására.
Az előszűrés többnyire előre meghatározott ismérvek szerint történhet, mint például:
•    nem negatív saját tőke és MSZE
•    nem került felszámolás alá
•    legalább egy éves múlt
 
Emellett további akvizíciós és kockázati előszűrőként ajánljuk a (pl. KHR-ből vagy felszámolási adatokból származó) nemfizetési esemény előrejelzésének modellezését és pre-ratingjét is.
Ügyfélérték-számítás
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 ügyfél-szintű eredményt adják vissza.
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.
 

Vevő- és szállítókapcsolatok
Vevő- és szállítókapcsolatok feltérképezése, illetve 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 fejlesztés keretein belül.
A modul - szorosan kapcsolódva az előző fejlesztési ponthoz - megteremti a lehetőségét, hogy a banki vállalati ügyfelek és tisztségviselőik 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 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.
Start-up cégek
Start-up és 50 mFt alatti árbevételű cégek kezelése
A legnagyobb növekedéssel lehetőséget a hitelintézeti szektor számára az induló és apró 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.
 

Ügyfél-szegmentáció
Ügyfél-szegmentáció, új termékek értékesítésének 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. Társaságunk széles körű tapasztalatokkal bír a (szegmentációs modellezés témakörében leginkább elfogadott) klasszifikációs fák alkalmazási területén. A vállalati oldalon teljes körű adatbeszerzéssel támogatjuk a szegmentáció folyamatát, ezzel a céginformációk, beszámolók is a szegmentálás input adativá válnak. A fejlesztés végeredményeként homogén kategóriákhoz jut a Megbízó, amely eredmény a helyes cselekvési stratégia kiválasztásában nyújt támogatást, legyen szó akár termékfejlesztésről vagy az értékesítési szervezet/eszközök vagy a sales/kommunikációs csatornák alkalmazásáról.
Disloyalitás
Disloyalitás modellezése
Köztudott, hogy az ügyfelek megtartása jóval olcsóbb, mint megszerzésük. Ez kiemelten igaz a mai magyar bankpiacon, ahol 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 az előző pontban leírt szegmentáláshoz.
Ágazati hozampotenciál
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 fejlesztés 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 fejlesztés eredménye egyrészt segíti a banki akvizíciót, másrészt hatékony monitoring eszközként alkalmazható az ügyfélportfolió kockázati értékelésére.
 

Campaign hit
A kampány találat modellezése – campaign hit modeling 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.

Vállalati hitelpiac - Vállalati hitelpiac alakulása
A fejlesztés a vállalati hitelpiac szegmens-arányait, illetve terjeszkedési potenciáljait hivatott bemutatni. A fejlesztés célja, hogy Ügyfelünk a magyar vállalati hitelpiac előre meghatározott szegmens-arányainak KHR-ből történő meghatározásával pontos képet kapjon az egyes részpiacok hitelezési összegeiről, illetve saját részesedével össze tudja azt vetni. A fejlesztés 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.
Pre-rating
Ügyfelek előszűrése, pre-ratingje
A mikrovállalati szegmens ma még a legérintetlenebb piac a bankok számára, ami hatalmas növekedési lehetőségeket, ám egyben jóval magasabb kockázatokat is rejt. Részben a kockázatok hatékony kezelése, részben az akvirálni kívánt részszegmens helyes megválasztása érdekében van szükség a célpiac előszűrésére, pre-ratingjére, valamint a limitek meghatározására.
Az előszűrés többnyire előre meghatározott ismérvek szerint történhet, mint például:
•    nem negatív saját tőke és MSZE
•    nem került felszámolás alá
•    legalább egy éves múlt
 
Emellett további akvizíciós és kockázati előszűrőként ajánljuk a (pl. KHR-ből vagy felszámolási adatokból származó) nemfizetési esemény előrejelzésének modellezését és pre-ratingjét is.

Ügyfélérték-számítás (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 ügyfél-szintű eredményt adják vissza.
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.

Ügyfél-szegmentáció
Ügyfél-szegmentáció, új termékek értékesítésének 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. Társaságunk széles körű tapasztalatokkal bír a (szegmentációs modellezés témakörében leginkább elfogadott) klasszifikációs fák alkalmazási területén. A vállalati oldalon teljes körű adatbeszerzéssel támogatjuk a szegmentáció folyamatát, ezzel a céginformációk, beszámolók is a szegmentálás input adativá válnak. A fejlesztés végeredményeként homogén kategóriákhoz jut a Megbízó, amely eredmény a helyes cselekvési stratégia kiválasztásában nyújt támogatást, legyen szó akár termékfejlesztésről vagy az értékesítési szervezet/eszközök vagy a sales/kommunikációs csatornák alkalmazásáról.
Disloyalitás
Disloyalitás modellezése
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 az előző pontban leírt szegmentáláshoz.
 

TERMÉKFEJLESZTÉS

Vállalati hitelpiac (Vállalati hitelpiac alakulása)
A fejlesztés a vállalati hitelpiac szegmens-arányait, illetve terjeszkedési potenciáljait hivatott bemutatni. A fejlesztés célja, hogy Ügyfelünk a magyar vállalati hitelpiac előre meghatározott szegmens-arányainak KHR-ből történő meghatározásával pontos képet kapjon az egyes részpiacok hitelezési összegeiről, illetve saját részesedével össze tudja azt vetni. A fejlesztés 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. (Példánkat lásd a mellékletben.)
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.
Versenytársfigyelés
Termékfejlesztéssel összehangolt versenytársfigyelés
A bankszektorban tapasztalható, egyre erősödő verseny megköveteli a szektortársak termékeinek, kondícióinak, fejlődési irányainak folyamatos nyomon követését. A piaci folyamatok prompt lereagálása, a gyors termékfejlesztés és az időbeli piacra lépés versenyelőnyhöz juttatja a hitelintézetet. Ennek hatékony eszközeként kínáljuk a folyamatos, szisztematikus, adatbázisszerű piacfigyelést.

Termékfejlesztési stratégia (Termékfejlesztési stratégia kidolgozása)
A mikrovállalati ügyfélkör helyzetének és kezelésének bankon belüli megváltozása új stratégia kidolgozását követeli meg. Ennek kezdő lépcsője az alábbi területek felmérését, értékelését foglalja magába (helyzetértékelés):
•    a bank ezen ügyfélkörben elérni kívánt céljai és realizált eredményei,
•    a ma használt termékstruktúra, értékesítési csatornák,
•    belső folyamatok, ügymenetek,
•    az ügyfelek számára ma nyújtott előnyök,
•    a szegmens felé történő (corporate üzletágtól eltérő) pozícionálás mai állapota.
Ezt követően meg kell határozni e kérdéskörökben azokat a célokat és eredményeket, amelyeket a bank el szeretne érni meghatározott időtávon belül. (Gap-analízis)
Ezekhez kell kapcsolni azokat az eszközöket, amelyek a jövőbeli célok elérését szolgálják.
A mikroszegmens hatékony elérése és kiszolgálása érdekében a következő kérdéseknek megfelelve kell eszközeit felhasználnia a banknak[1]:
•    A legjobb/legértékesebb ügyfélért küzdök? (ügyfél-szegmentáció, pre-rating, ügyfél-érték számítás)
•    Vonzó/értékes szolgáltatást nyújtok az ügyfélnek? (árazás, versenytársfigyelés, termékfejlesztés)
•    A leghatékonyabb csatornákon keresztül nyújtom a szolgáltatásaimat? (DM, kampánymenedzsment)
•    Megfelelőek-e a belső folyamataim a minőségi kiszolgáláshoz? (CRM, front-end)