Aufrufe
vor 3 Jahren

01 | 2012 NEWS

  • Text
  • Experten
  • Banking
  • Technologie
  • Sicherheit
  • Msggillardon
  • Ikano
  • Basel
  • Anforderungen
  • Banken
  • Produkte
  • Analyse
  • Informationen
  • Operational
Emotional oder rational

u Business u

u Business u Unternehmenssteuerung Die erzielbaren Verwertungserlöse werden durch die zugrunde liegenden Sicherheiten determiniert und bilden einen wesentlichen Bestandteil für die Verlustquotenprognose des Loss Given Default (LGD) 1 . Nachgelagert zur Sicherheitenverwertung erfolgt die Durchführung von Inkassotätigkeiten, die die Beitreibung der Erlöse beinhalten, die aus der persönlichen Haftung des Kreditnehmers entstehen. Die Inkassotätigkeiten beginnen organisatorisch somit erst nach der bilanziellen Ausbuchung eines Vertrags 2 , wofür das Inkasso-Scoring die Grundlage des Bearbeitungsprozesses darstellt. Die Zahlungstätigkeit eines Schuldners wird durch zwei Arten von Zahlungen gekennzeichnet: Einerseits treten Schuldner auf, die einem regelmäßigen Zahlungsverhalten mit vielen kleineren Beträgen folgen, andererseits lassen sich hohe, aber sehr unregelmäßige Zahlungsströme beobachten. Da die unregelmäßigen Zahlungsströme per Definition keinen Gesetzmäßigkeiten folgen, dient das Inkasso-Scoring zur Prognose der kontinuierlichen Zahlungen, bei denen ein kausaler Zusammenhang zwischen den Eigenschaften des Schuldners sowie der Höhe der Zahlung hergestellt werden kann. LGD Inkasso-Scoring Durchführung der Modellvalidierung und Modellweiterentwicklung Ausfall Ausbuchung Abbildung 1: Einordnung des Inkasso-Scorings in den Kreditlebenszyklus Das Inkasso-Scoring ist durch eine hohe persönliche Kundenbindung charakterisiert. Aus diesem Grund ist die Verwendung eines mathematisch-statistischen Modells zur Determinierung der relevanten Maßnahmen je Schuldner für eine kosteneffiziente und ressourcenschonende Abwicklung von wesentlicher Bedeutung. Das in diesem Artikel beschriebene Inkasso-Scoring erfüllt genau jenen Zweck und dient zur Differenzierung zwischen „guten“ und „schlechten“ Schuldnern im Sinne erwarteter zukünftiger Zahlungen. Analog zu den klassischen Parametermodellen im Retailgeschäft (PD, LGD, CCF) 3 basiert das Inkasso-Scoring der Bausparkasse auf den historisch beobachteten Zahlungsströmen, hier aber ab dem Zeitpunkt der bilanziellen Ausbuchung eines Vertrags. Die Zahlungsströme können über einen langen Zeitraum zu beobachten sein, da die erworbenen Rechtstitel zum Teil bis zu 30 Jahre bestehen bleiben. Da das Inkasso-Scoring derzeit nur im Retailbereich angewendet wird und durch hohe Stückzahlen bzw. weitestgehend homogene Schuldner geprägt ist, bietet sich ein Einsatz mathematisch-statistischer Methoden an. Die nachfolgende Grafik spezifiziert die Vorgehensweise, die zur Modellvalidierung und -entwicklung angewendet wurde. Die Datenerhebung beinhaltet die Auswahl der relevanten Datensätze sowie die Überprüfung einer ausreichenden Datenqualität, die essenziell für eine erfolgreiche Modellentwicklung ist. 6 1 2 3 4 5 6 Datenerhebung intern } extern Deskriptive Analysen 5 zur Datenqualität 3 Ex-post-Kalkulation Long-List-Merkmale 4 Validierung bisheriges Modell Modelldesign, univariate Analyse, Short-List-Kategorisierung Multivariate Analyse, Modellauswahl, Score-Verteilung Initiale Modellvalidierung Abbildung 2: Standardisiertes Vorgehen bei der Parameterschätzung und -validierung Im Gegensatz zu den aufsichtsrechtlich definierten Risikoparametern PD, LGD und CCF ist im Rahmen des Inkasso-Scorings per se keine Zielgröße 4 vorgegeben. 6 1 2 16 I NEWS 01/2012

Business t Unternehmenssteuerung t Bei der Wahl der Zielgröße bot sich grundsätzlich entweder die Wahl einer absoluten oder einer relativen Zielgröße an. Eine absolute Zielgröße prognostiziert direkt die erwarteten Umsätze, die der jeweilige Kunde ab dem Zeitpunkt einer Bewertung zahlen wird. Alternativ kann eine relative Zielgröße verwendet werden, beispielsweise die durchschnittlichen Zahlungen pro Monat. Es wird somit kein absoluter Zahlungsbetrag prognostiziert, sondern in dem Fall nur die durchschnittlichen monatlichen Umsätze angegeben. Die prognostizierten Gesamtumsätze bei einem Schuldner variieren folglich in Abhängigkeit der Monate, für die eine Beurteilung gültig ist. Nach Abwägung der unterschiedlichen Vorund Nachteile wurde die Zielgröße als durchschnittliche monatliche Umsätze definiert, insbesondere wurde dadurch eine höhere Trennschärfe für das Modell erzielt. Im nächsten Schritt muss festgelegt werden, welche Umsätze zur Bildung der Zielgröße herangezogen werden. Neben den Erlösen wurden auch die Kosten integriert, die im Zusammenhang mit der Geldeintreibung anfallen. Hierunter werden u. a. die Notariatsund Gerichtskosten sowie Rücklastschriftgebühren subsumiert. Fixe Kosten, wie beispielsweise Personalkosten, die bei jedem Kredit anfallen und den einzelnen Krediten nicht eindeutig zugeordnet werden können, wurden nicht in das Modell integriert. Durch diese Vorgehensweise ist eine ökonomische Sichtweise bereits implizit gewährleistet. Auf Basis der neu kalkulierten Zielgröße wurde die Validierung des bisher im Einsatz befindlichen Modells durchgeführt. Die Validierungsergebnisse zeigten, dass bei dem ursprünglichen Modell eine geringe Trennschärfe gegeben war. Weiterhin ließen sich einige Strukturbrüche und Instabilitäten im Zeitablauf beobachten, die eine umfangreiche Weiterentwicklung des Modells erforderten. Die Weiterentwicklung bestand im Wesentlichen aus den Schritten 4-6 aus Abbildung 1 5 , nämlich aus der Wahl des Modelldesigns, den uni- und multivariaten Analysen sowie der initialen Modellvalidierung. In den univariaten Analysen wurden die unabhängigen Merkmale 6 getrennt auf ihren Erklärungsgehalt bzgl. der Zielgröße untersucht. Merkmale ohne wesentlichen Erklärungsgehalt werden für die folgenden Schritte ausgeschlossen. Im Rahmen der multivariaten Analyse wird der Einfluss der relevanten Variablen auf die Zielgröße in dem vorher gewählten Modelldesign ermittelt und das finale Modell bestimmt. Zudem wird eine initiale Modellvalidierung durchgeführt, um eine Überanpassung an die Entwicklungsdaten, ein sogenanntes Overfitting, zu vermeiden. Das bisherige Modelldesign des Inkasso-Scorings konnte von der Modellkomplexität etwas reduziert werden, da durch die neue Definition der Zielgröße als mathematisch-statistisches Verfahren eine lineare Regressionsanalyse 7 als adäquate Methode angewendet werden kann. Die lineare Regression bietet einige Vorteile. Aufgrund des leicht verständlichen Modellaufbaus ist eine hohe Akzeptanz des neuen Modells gewährleistet, da sich die Ausprägungen des Modells einfach interpretieren lassen. So kann für jedes unabhängige Merkmal aus dem Koeffizienten in der linearen Regression sofort der Einfluss auf die Zielgröße bestimmt werden. 1 Modelle zur Prognose des LGD sind insb. bei Instituten, die den IRB-Approach aus Basel II zur Eigenkapitalunterlegung verwenden, regulatorisch vorgeschrieben und durch die Bankenaufsicht genehmigungspflichtig. Auch in Nicht-IRB- Instituten sind die Modelle weit verbreitet und determinieren u. a. die Vor- und Nachkalkulation, die Portfoliosteuerung oder die Höhe der Risikovorsorge. 2 Die dadurch entstehenden Erlöse werden bilanziell als außerordentliche Erträge behandelt. 3 Probability of Default (Ausfallwahrscheinlichkeit), Loss Given Default (Verlustquote bei Ausfall) und Credit Conversion Factor (Limitauslastungsfaktor). 4 Eine Zielgröße bezeichnet die Variable, deren Prognose mittels eines Modells angestrebt wird. Bei einem Verhaltensscoring wäre es z. B. die Ein-Jahres-PD. 5 Standardvorgehen für Parameterschätzungen der msgGillardon AG. 6 Merkmale, die die Ausprägungen der Zielvariablen erklären, auch „erklärende Merkmale genannt. Die Zielvariable selbst ist die abhängige Variable. 7 Mathematische Details zum Verfahren finden sich in jedem Mathematikbuch, u. a. Sachs/Hedderich (2006) oder Fahrmeier/Hamerle/Tutz (1996). NEWS 01/2012 I 17

msg

01 | 2018 public
02 | 2017 public
01 | 2017 public
02 | 2016 public
01 | 2016 public
02 | 2015 public
01 | 2015 public
01 | 2014 public
01 | 2014 msg systems study
01 | 2015 msg systems Studienband
Future Utility 2030
Lünendonk® Trendstudie
Digitale Transformation | DE
Digital Transformation | EN
DE | inscom 2014 Report
EN | inscom 2014 Report

msgGillardon

02 | 2018 NEWS
03 | 2016 NEWS
02 | 2016 NEWS
01 | 2016 NEWS
03 | 2015 NEWS
02 | 2015 NEWS
01 | 2015 NEWS
02 | 2014 NEWS
01 | 2014 NEWS
02 | 2013 NEWS
01 | 2012 NEWS
02 | 2011 NEWS
01 | 2010 NEWS
MaRisk
01 | 2017 banking insight
01 | 2015 banking insight
01 | 2014 banking insight
01 | 2013 banking insight
01 | 2012 banking insight
02 | 2011 banking insight
01 | 2011 banking insight
01 | 2010 banking insight
2018 | Seminarkatalog | Finanzen

Über msg



msg ist eine unabhängige, international agierende Unternehmensgruppe mit weltweit mehr als 6.000 Mitarbeitern. Sie bietet ein ganzheitliches Leistungsspektrum aus einfallsreicher strategischer Beratung und intelligenten, nachhaltig wertschöpfenden IT-Lösungen für die Branchen Automotive, Banking, Food, Insurance, Life Science & Healthcare, Public Sector, Telecommunications, Travel & Logistics sowie Utilities und hat in über 35 Jahren einen ausgezeichneten Ruf als Branchenspezialist erworben.

Die Bandbreite unterschiedlicher Branchen- und Themenschwerpunkte decken im Unternehmensverbund eigenständige Gesellschaften ab: Dabei bildet die msg systems ag den zentralen Kern der Unternehmensgruppe und arbeitet mit den Gesellschaften fachlich und organisatorisch eng zusammen. So werden die Kompetenzen, Erfahrungen und das Know-how aller Mitglieder zu einem ganzheitlichen Lösungsportfolio mit messbarem Mehrwert für die Kunden gebündelt. msg nimmt im Ranking der IT-Beratungs- und Systemintegrationsunternehmen in Deutschland Platz 7 ein.


© 2018 by msg systems ag - powered by yumpu Datenschutz | Impressum