szakmai vélemények, ötletek és tanácsok, valamint hírek a vállalati pénzügyek világából szakembereknek, cégtulajdonosoknak és minden érdeklődőnek

vállalati pénzügyek - néhány percben, kávé mellé

prediktív adatelemzés lehetőségei a pénzügyek területén - 2. rész

alkalmazási területek

2017. október 16. - György Gábor

A prediktív analízis eszköztárát - amelynek alapjaival egy múlt heti bejegyzésben foglalkoztunk - a pénzügyi és üzleti világban is számos területen alkalmazzák, elsősorban olyan témákban, amely valamely módon kapcsolódik az emberi viselkedéshez, üzleti és fogyasztói döntésekhez vagy éppen valamely esemény bekövetkeztének valószínűsége, kockázatelemzése kapcsán.

Az alábbiakban mutatunk ezekre néhány rövid esetet és következő bejegyzésben pedig egészen konkrét példán keresztül mutatjuk be a lehetőségeket.

 

Pénzintézeti kockázatelemzés, csődvalószínűség előrejelzés és kockázat alapú árazás

Az egyik legaktívabb területe a prediktív analízisek alkalmazásának: a bankok régóta használnak különböző statisztikai, előrejelző módszereket a hitelkockázatok mérésére, a hitelfelvevők csődvalószínűségének előrejelzésére. A becsült kockázati szint alapján pedig egyedi hitelárazási javaslatot lehet kialakítani akár ügyfél szinten is (természetesen a kockázati előrejelzés mellett egyéb paramétereket, mint pl. a banki hozamelvárások és forrásköltségek is figyelembe véve).

 

Partner és fizetési kockázatok mérése, követelés kezelés

A banki kockázatkezeléshez nagyon hasonlóan működik, csak itt a vizsgálat tárgyát jellemzően a kereskedelmi partnerek fizetőképessége, a várható vevői késedelmek vagy akár a nemfizetés kockázata jelentik.

B2B szegmensben egy adott vállalkozás pénzügyi profilja és partnerkapcsolati attribútumok (pl. mióta vevő, mennyire megbízható a korábbi tapasztalatok alapján stb.), míg a B2C piacokon az adott személy jövedelmi, társadalmi egyéb jellemzői alapján lehet a potenciális nemfizetés kockázatát előre jelezni.

Másik bejegyzéseinkben erre mutattunk konkrét példákat, egyrészt döntési fa algoritmus segítségével, másrészt logisztikus regressziós modell használatával.

 

Biztosítási kockázatvállalás számszerűsítése

A fentiekkel rokon terület, a kockázatok kiszűrésére és számszerűsítésére, valamint ez alapján a biztosítási díjak meghatározására irányuló modellezés. Például egy autó biztosítás esetén a biztosítók a múltbeli adataik alapján jó becsléseket tudnak adni, hogy az adott tulajdonos/vezető az életkor, nem, lakóhely stb. jellemzői alapján mekkora és milyen valószínűséggel okozhat balesetet.

 

Csalás felderítés

Még továbbra is a pénzügyi kockázatkezelésnél maradva, elsősorban a pénzügyi szolgáltatóknál a csalás gyanús tranzakciók vagy pl. távközlési cégek a rosszindulatú előfizetők kiszűrésére alkalmazhatók különböző prediktív modellek, amely a tranzakció vagy ügyfél karakterisztika alapján ad figyelmeztető jelzést.

 

Üzleti tervezés és pénzügyi előrejelzés

Az üzleti tervezés, a várható üzleti folyamatok pénzügyi modellezése számos formában és a tervezés különböző részterületein integrálhat magába prediktív módszertanokat, hiszen maga a tervezés/előrejelzés is egyfajta predikció. Az árbevétel oldalról elindulva a bevételre ható tényezők - kereslet, szezonalítás, árérzékenység stb. - vagy éppen azok idősoros elemzése alapján várható tendenciákra alapozva lehet predikítv előrejelző modell felállítani. Az értékesítési volumen pedig erősen korrelálhat a költségekkel, így abból  költségterv egy része is levezethető. De egyes költségek alakulása akár önálló modellek alapján is előre jelezhető.

 

Árazási kérdések

A prediktív analízis eszközeivel lehetőség van modellezni, hogy a múltbeli tapasztalatok figyelembe vételével egy adott termék árának a módosítása várhatóan hogyan hat a keresletre, egyes fogyasztói csoportok szintjén akár differenciáltan vizsgálni a potenciális hatásokat. Ezek a konklúziók pedig üzleti tervezéshez használható inputok lehetnek, ld. előző pont.

 

Keresztértékesítés, fogyasztói ajánlás

A múltbeli értékesítési adatok alapján elvégezhetők olyan fogyasztói kosár elemzések, amelyek alapján elemezhető, hogy adott terméket jellemzően milyen más termékkel együtt vásárolják a fogyasztók vagy egy A termék megvásárlás mekkora eséllyel vonja maga után B termék megvásárlást. Ezek a prediktív szabályok később felhasználhatók üzleti terezéshez, marketing büdzsé allokációjához vagy akár az értékesítési rendszereken keresztül „automatikus” ajánlásokat lehet tenni az ügyfeleknek.

 

Lead és opportunity scoring, előrejelzés

A CRM adatok, sales tölcsér elemzése alapján felállítható egy olyan prediktív modell, amely „megjósolja” hogy adott üzleti lehetőségből (ügyfél ajánlat) milyen valószínűséggel lesz ténylegesen üzlet és ezek összesítésével mekkora árbevétel várható a következő időszakra. B2B cégek esetében a valószínűség becslést olyan attribútumok alapján lehet elvégezni, mint pl. a potenciális partner cég mérete, életkora, tevékenysége, az ajánlat státusza a sales tölcsérben, az ügyfél/ajánlatkérés komolysága stb. Ezekre az attribútumokra egy prediktív modellt felállítva és a CRM adatokkal összekötve folyamatos előrejelzést kaphatunk a várható árbevételre vonatkozóan.  

 

A fentieken túl természetesen számos egyéb felhasználási terület elképzelhető, ezek között vannak olyanok, amelyek csak közvetve kapcsolódónak a pénzügyekhez, illetve inputként szolgálhatnak pénzügyi előrejelzéshez és tervezéshez is (pl. egy termelőüzem karbantartási igényeinek előrejelzése alapján nemcsak a műszaki terület kaphat hasznos információkat, hanem a cég üzleti tervében is megalapozottabbá válik a karbantartási költségek tervezése).

A következő bejegyzésben ez utóbbi esetre - karbantartási költségek tervezése - mutatunk be egy gyakorlati példát.

A bejegyzés trackback címe:

https://vallalatipenzugyek.blog.hu/api/trackback/id/tr1912942355