UNIVERZA V MARIBORU FAKULTETA ZA ELEKTROTEHNIKO, RAČUNALNIŠTVO IN INFORMATIKO Andrej Godec ANALIZA INFORMACIJSKE PODPORE PRI OBRAVNAVI TVEGANJ IN PREDLOG OPTIMIZACIJE POSLOVNEGA PROCESA ODOBRITVE KREDITOV Magistrsko delo Maribor, junij 2017
Analiza informacijske podpore pri obravnavi tveganj in predlog optimizacije poslovnega procesa odobritve kreditov Magistrsko delo Študent: Študijski program: Mentor: Somentorica: Lektor: Andrej Godec Študijski program 2. stopnje Informatika in tehnologije komuniciranja doc. dr. Boštjan Šumak dr. Maja Pušnik Manca Potušek, prof. angleščine in slovenščine
III
ZAHVALA Zahvaljujem se mentorju doc. dr. Boštjanu Šumaku za pomoč in vodenje pri nastajanju magistrskega dela. Prav tako se zahvaljujem dr. Maji Pušnik za pomoč, vodenje, usmerjanje s pomočjo teoretičnih in praktičnih primerov. Ravno tako gre zahvala uslužbencem Nove kreditne banke za sodelovanje. Posebna zahvala gre domačim za podporo, ki so me tekom študijskih let spodbujali in mi stali ob strani. IV
Analiza informacijske podpore pri obravnavi tveganj in predlog optimizacije poslovnega procesa odobritve kreditov Ključne besede: obravnava tveganj, informacijska podpora, optimizacija, proces UDK: 519.866:004(043.2) Povzetek Magistrsko delo obravnava tveganja na področju odobritve kreditov komitentov z metodami operacijskih raziskav in sodobno informacijsko podporo. Namen dela je pokazati, da s pomočjo metod operacijskih raziskav in z informacijsko podporo zmanjšujemo tveganja pri procesu odobritve bančnih kreditov. V praktičnem delu je izvedena anketa z namenom pridobivanja znanja za modeliranje in apliciranje metod iz operacijskih raziskav na aktivnosti v procesu odobritve kreditov s pomočjo indikatorjev učinkovitosti delovanja. Delo je zaključeno z ugotovitvami stopnje informatizacije in optimizacije na procesu odobritve kreditov in možnostmi uporabe OR v prihodnosti. V
Analysis of risk management information support and optimization proposal for loan approval business process Key words: risk analysis, IT support, optimization, process UDK: 519.866:004(043.2) Abstract The main topic of this master s degree revolves around the risks of granting bank loans to customers, using operations research methods with the support of contemporary informatics. The purpose of this paper is to show that with utilization of operations research methods and support of information, the risks at granting bank loans can be reduced. A survey has been conducted in order to acquire knowledge to model and apply methods from operations research in the area of granting bank loans, utilizing indicators of operating efficiency. Finally, the degrees of informatization and optimization in the process of granting bank loans are discussed. VI
KAZALO 1 UVOD... 1 1.1 Opredelitev problema... 2 1.2 Cilj magistrskega dela... 4 2 OBRAVNAVA TVEGANJ NA PODROČJU BANČNIŠTVA S POMOČJO OPERACIJSKIH RAZISKAV... 5 2.1 Splošno o operacijskih raziskavah... 5 2.2 Apliciranje operacijskih raziskav... 8 2.3 Operacijske raziskave v bančnem sektorju... 9 2.3.1 Newton-Raphsonova metoda... 12 2.3.2 Runge-Kutta metoda... 13 2.3.3 Markove stohastične verige (Markov chain Monte Carlo)... 15 2.3.4 Logistična regresija... 17 2.3.5 Primeri metod iz bančništva:... 19 2.4 Analiza uporabe metod operacijskih raziskav v bančnem sektorju: sistematični pregled literature... 24 2.4.1 Ključne besede... 24 2.4.2 Iskalni nizi... 25 2.4.3 Število zadetkov po iskalnih bazah... 25 2.4.4 Omejitve iskanja... 26 2.4.5 Število relevantnih člankov na osnovi vključitvenih in izključitvenih kriterijev... 27 2.4.6 Seznam člankov, ki so bili uporabljeni za analizo... 27 2.4.7 Podatki zbrani iz člankov... 31 2.4.8 Rezultati analize zbranih podatkov... 33 2.4.9 Pridobivanje odgovorov na raziskovalna vprašanja s pomočjo ankete in intervjuja... 34 3 OBRAVNAVA TVEGANJ IN OPTIMIZACIJA PROCESA OBRAVNAVE TVEGANJ NA PODROČJU BANČNIŠTVA... 36 3.1 Kredit... 36 VII
3.2 Kreditno tveganje... 36 3.3 Poslovni proces odobritve posojil... 39 3.4 Opis procesa... 39 3.5 Identifikacija šibkih točk (kritičnih aktivnosti) v procesu... 42 3.5.1 KPI... 42 3.5.2 AS-IS model... 43 3.6 Predlogi izboljšav... 54 3.6.1 Odpravljanje tveganj... 54 3.6.2 TO-BE model... 56 3.7 Primerjava modela AS-IS in TO-BE... 67 4 ZANESLJIVOST REZULTATOV... 70 4.1 Nevarnosti za zanesljivost... 70 4.2 Veljavnost rezultatov... 70 5 ZAKLJUČEK... 71 5.1 Odgovori na raziskovalna vprašanja... 71 5.1.1 Potrditev hipotez... 72 5.2 Sklep... 73 5.3 Nadaljnje delo... 74 VIRI IN LITERATURA... 75 VIII
KAZALO SLIK SLIKA 1: TEORETIČNI MODEL... 3 SLIKA 2: PRIKAZ ITERACIJ, KJER GRAF PREIDE V GAUSSOVO KRIVULJO [15].... 16 SLIKA 3: GRAFIČNI PRIKAZ LOGISTIČNE REGRESIJE [37]... 17 SLIKA 4: POENOSTAVLJEN BPMN PROCES ODOBRITVE KREDITOV... 44 SLIKA 5: MODEL AS-IS PRIKAZ KOMUNIKACIJE MED BANKO IN KOMITENTOM (1. DEL SLIKE)... 46 SLIKA 6: MODEL AS-IS PRIKAZ KOMUNIKACIJE MED BANKO IN KOMITENTOM (2. DEL SLIKE)... 47 SLIKA 7: PODPROCES BANČNI KREDITI V MODELIRANJU AS-IS... 48 SLIKA 8: PODPROCES INFORMATIVNI IZRAČUN V MODELIRANJU AS-IS (1. DEL)... 48 SLIKA 9: NADALJEVANJE PODPROCESA INFORMATIVNI IZRAČUN (2. DEL)... 48 SLIKA 10: PODPROCES KREDITNO OVREDNOTENJE KOMITENTA V MODELIRANJU AS-IS... 49 SLIKA 11: PODPROCES MOŽNOSTI ZAVAROVANJA KREDITA V MODELIRANJU AS-IS... 49 SLIKA 12: VSTOPNA STRAN OKOLJA ACTIVITI S STRANJO UREJANJA PROFILA... 58 SLIKA 13: SPREMINJANJE VREDNOSTI POSLUŠALCEM (DODAJANJE OR NA AKTIVNOSTI)... 59 SLIKA 14: RUNGE-KUTTA METODA V PROGRAMSKEM JEZIKU JAVA... 60 SLIKA 15: PRENOVLJEN MODEL TO-BE PRIKAZUJE KOMUNIKACIJO MED BANKO IN KOMITENTOM... 62 SLIKA 16: PODPROCES BANČNI KREDITI V MODELIRANJU TO-BE... 63 SLIKA 17: PODPROCES INFORMATIVNI IZRAČUN V MODELIRANJU TO-BE (1. DEL)... 63 SLIKA 18: NADALJEVANJE PODPROCESA INFORMATIVNI IZRAČUN (2. DEL)... 63 SLIKA 19: PODPROCES KREDITNO OVREDNOTENJE KOMITENTA V MODELIRANJU TO-BE... 64 SLIKA 20: PODPROCES MOŽNOSTI ZAVAROVANJA KREDITA V MODELIRANJU TO-BE... 64 IX
KAZALO TABEL TABELA 1: OPERACIJSKE RAZISKAVE V RAZLIČNIH DOMENAH, PREDSTAVLJENO PODROČJE UPORABE TER NJIHOV LETNI PRIHRANEK [18]... 8 TABELA 2: OPERACIJSKE RAZISKAVE V BANČNEM SEKTORJU, OBMOČJE UPORABE TER NJIHOV LETNI PRIHRANEK [18]... 9 TABELA 3: PREDHODNO PREVERJENE IN PRIVZETE VREDNOSTI PRI KORAKU LOGISTIČNE REGRESIJE... 22 TABELA 4: KLASIFIKACIJSKA TABELA... 23 TABELA 5: PRIKAZ ŠTEVILA ZADETKOV PO ISKALNIH BAZAH ZA PRVI PODATKOVNI NIZ... 25 TABELA 6: PRIKAZ ŠTEVILA ZADETKOV PO ISKALNIH BAZAH ZA DRUGI PODATKOVNI NIZ... 26 TABELA 7: PRIKAZ ŠTEVILA ZADETKOV PO ISKALNIH BAZAH ZA TRETJI PODATKOVNI NIZ... 26 TABELA 8: ČLANKI S PODROČJA OPERACIJSKIH RAZISKAV, PRIDOBLJENI NA PODLAGI SISTEMATIČNEGA PREGLEDA LITERATURE... 28 TABELA 9: ČLANKI ZA PODROČJE DOLOČANJA NIVOJA TVEGANJA PRI ODOBRITVI KREDITOV... 29 TABELA 10: ČLANKI ZA PODROČJE INFORMATIZACIJE POSLOVNEGA PROCESA ODOBRITVE KREDITOV... 30 TABELA 11: SIMULACIJA PROCESA AS-IS... 50 TABELA 12: ČASOVNA SIMULACIJA MODELA AS-IS... 51 TABELA 13: OZKA GRLA V AS-IS PROCESU. Z MODRO BARVO STA OZNAČENI OZKI GRLI... 53 TABELA 14: PRIKAZ DEJAVNOSTI BREZ DODANE VREDNOSTI... 54 TABELA 15: PRIKAZ OBREMENITVE V VLOGAH... 55 TABELA 17: PRIKAZ PREOBREMENITVE TER OPTIMIZACIJE Z UKREPI... 56 TABELA 18: SPREMENJENE AKTIVNOSTI PO PRENOVI TO-BE... 57 TABELA 19: STROŠKOVNA SIMULACIJA TO-BE PROCESA; Z RUMENO JE PRIKAZANA VKLJUČITEV OR METOD NAD AKTIVNOSTMI.. 65 TABELA 20: ČASOVNA SIMULACIJA TO-BE MODELA; Z RUMENO BARVO SO OZNAČENE AKTIVNOSTI, KJER SO OR METODE VKLJUČENE... 66 TABELA 21: STROŠKOVNA PRIMERJA AS-IS IN TO-BE MODELA... 67 TABELA 22: ČASOVNA PRIMERJAVA AS-IS IN TO-BE MODELA... 67 TABELA 23: PRIKAZ KONČNEGA STATUSA HIPOTEZ... 73 X
SEZNAM UPORABLJENIH KRATIC BPMN CCF EAD IT KPI LGD MCMC MS NKBM NR OR PD SPL TRR Angl. Business Process Model and Notation ali sl. Model poslovnega procesa in notacija Angl. Credit conversion factor ali sl. Faktor kreditne pretvorbe Angl. Exposure at Default ali sl. Izpostavljenost ob neplačilu Informacijske tehnologije Angl. Key performance indicator ali sl. Ključni indikator delovanja Angl. Loss Given Default ali sl. Izguba v primeru neplačila Angl. Markov chain Monte Carlo ali sl. Markove verige Monte Carlo Microsoft (podjetje) Nova Kreditna Banka Maribor Newton-Raphsonova metoda Operacijske raziskave Angl. The probability of default ali sl. Verjetnost neplačila Sistematični pregled literature (ang. SLR - sistematic literature review) Transakcijski račun XI
1 UVOD Gospodarstva po svetu je v zadnjih letih pestila dolžniška kriza. Po izhodu iz krize se je izkazalo, da so bile krive banke oz. finančne institucije ali finančna podjetja, katera so zašla v težave s svojimi nezavarovanimi posojili ali krediti. Nezavarovani krediti so krizo odražali v vseh gospodarskih panogah. Gospodarsko klimo lahko država uravnava s postavljanjem zakonom in zagotavljanjem reda tudi na nivoju bančnih ustanov ter tako utvari stopnjo blaginje v državi [1]. Tokom desetletjih so se razvijali varnostni standardizirani mehanizmi, kateri so v pomoč pri odločanju v bančnemu sektorju. Ne glede na varnostne standardne mehanizme lahko banke določajo svoje nižje stopnje tveganja od predpisanih [2]. Banke pri posojanju denarja komitentom, lahko ne zahtevajo zavarovanja kredita, kar doprinese večjo stopnjo tveganja. Večina bank, zaradi svoje poglavitne dejavnosti posojanja in varčevanja denarja, svoje kredite zavaruje in za njih zahteva še poplačilo za posojen denar, ki se kaže v vrnjeni izposojeni vsoti s seštevkom obresti. Pri zavarovanju banke, zaradi poslovanja z denarjem uporabljajo zelo dovršene mehanizme varnosti [3]. Večina bank ima razvite oddelke, katere se posvečajo upravljanjem in predvidevanjem tveganj s pomočjo matematičnih enačb in formul. Kljub temu banke, da banke zavarujejo kredite so izpostavljene strahu pred negotovimi dogodki, do katerih lahko pride [4]. Ti dogodki se kažejo kot nevrnjen znesek, časovno potratne terjatve do kreditojemalca, smrt kreditojemalca ali druge oblike negotovosti [5]. Zaradi takih pomislekov se institucije najprej vprašajo, kako se lahko učinkovito zavarujejo, poleg vseh obstoječih mehanizmov, da bi nastali dolg bil poplačan oziroma izplačan. Po pravni poti obstaja več mehanizmov zavarovanja kreditov. V pogodbi se opredeli višino zneska, obresti, časovne roke, zavarovanje ter zakonske stvari. Po strinjanju obeh strani kreditodajalca in kreditojemalca se podpiše pogodba. Pogodba je overjena s strani notarja ali pooblaščene osebe, katera je s strani države verodostojna in pristojna [6]. Kljub podpisu pogodbe s pravno podlago lahko pride do neljubega ali neizbežnega dogodka, kjer poplačilo ni mogoče izterjati niti po pravni poti, kljub temu, da je zavarovano [5][7]. V določenih primerih je zelo težko vnaprej opredeliti kritično tveganje. Tudi v primerih, da je bila predhodno izvedena analiza z dokumentirano stopnjo tveganja [8]. 1
1.1 Opredelitev problema Tveganja v poslovnem procesu odobritve kreditov v bančnem sektorju so vedno prisotna. Na njih lahko vplivamo in jih omilimo s pravočasnim odkrivanjem in upravljanjem. Banke in sorodne ustanove se pri izdaji posojil zavedajo tveganj in svoja posojila na različne načine zavarujejo. Pogosto pred izdajo posojila izvajajo različne procese obravnave tveganj. V sklopu obravnave tveganj na področju bančništva bančne inštitucije uporabljajo matematične metode s področja stohastičnih procesov za določanje tveganj, cen, garancij, zamudnin, itd. [9]. V uporabi so še metode linearna diskriminanta analize, logit analiza (logistična regresija), k-najbližjih sosedov za razvrščanje, klasifikacija in regresijska drevesa [10]. V zadnjih desetletjih s prihodom računalnikov in povečano informacijsko podporo se velika večina poslovnih procesov prenavlja ali na novo načrtuje z vključitvijo večje avtomatizacije aktivnosti v samem poslovnem procesu. Zato velika večina podjetij načrtuje informacijske sisteme za lažjo podporo pri upravljanju. Avtomatizacije aktivnosti v bankah lahko opazimo kot računalniško podporo matematičnim funkcijam, saj je na ta način razbremenjen človek, ki s pomočjo računalnika hitreje in bolj sigurno opravi delo, zaradi česar je zaznati časovno prednost [11]. Zaradi razlogov s področja tveganj pri odobritvi kreditov fizičnim osebam in stopnji informatizacije pri procesu obravnave kreditov je z vidika raziskovalnega področja za sledečo tematiko zastavljenih šest raziskovalnih vprašanj, na katera bodo v sklopu raziskave podani odgovori. RV1: Ali obstaja proces obravnave tveganj na področju odobritve kreditov, ki določi nivo tveganja? RV2: Ali je na področju obravnave kreditov visoka stopnja informatizacije? RV3: Ali lahko izboljšamo poslovni proces odobritve kredita v bančnem sektorju? RV4: Ali je na področju obravnave kreditov smiselno vključiti in obravnavati različne oblike tveganj? RV5: Kako lahko uporabimo metode operacijskih raziskav, podprte s pomočjo najsodobnejših tehnologij IKT, za povečanje stopnje informatizacije in avtomatizacije poslovnih procesov odobritev kreditov v bančnem sektorju? 2
RV6: Ali lahko s pomočjo tehnologij ITK spremljamo in vrednotimo tveganja znotraj procesa odobritve kreditov? Na podlagi zgoraj zastavljenih raziskovalnih vprašanj so oblikovane naslednje hipoteze, ki bodo v nadaljevanju raziskave potrjene ali ovržene. H1: Na področju bančništva obstajajo procesi obravnave tveganj pri odobritvi kreditov. H2: Pri procesu obravnave kreditov je visoka stopnja informatizacije. H3: Poslovni proces odobritve kredita lahko izboljšamo. H4: Obstajajo kritične aktivnosti oziroma tveganja v poslovnem procesu, kjer je smiselno vključiti OR v odobritve kreditov, saj občutno vplivajo na uspešnost poslovnega procesa. H5: Uporaba tehnologij ITK pripomore k izboljšanju poslovnega procesa obravnave tveganja. H6: S pomočjo ITK tehnologij vplivamo na nadzorovanje tveganj in njihovo merjenje. Iz zastavljenih hipotez je sestavljen teoretični model predstavljen na Sliki 1. Slika 1: Teoretični model 3
1.2 Cilj magistrskega dela Cilj magistrskega dela je analiza informacijske podpore ter raziskava in predlog optimizacije poslovnega procesa odobritve kreditov, pri čemer bi zmanjšali število odobrenih slabih kreditov. V sklopu magistrskega dela je tudi prenova poslovnega procesa iz trenutnega stanja (model AS-IS) v prenovljeno stanje (model TO-BE) s pomočjo uporabe metod operacijskih raziskav. Posebno velja omeniti metode, kot so Runge-Kutta in Newton- Rapshonova metoda ter algoritem Markov chain Monte Carlo (MCMC) [12] [13] [14] [15], ki podajajo boljši približek številu vrnjenih kreditov z namenom izločiti kredite, za katere obstaja sum, da ne bodo vrnjeni. V sklopu raziskave bomo pregledali rabo operacijskih raziskav v bančnem sektorju in definirali področje, kjer je uporaba OR aktivna. V prvem poglavju so zastavljena raziskovalna vprašanja, ki bodo tekom magistrskega dela potrjena ali ovržena. V drugem poglavju je predstavljena zgodovina operacijskih raziskav na naravoslovnih področjih in na področju bančništva s predstavitvijo metod, ki se v bančništvu uporabljajo. Sledi tretje poglavje z naslovom Obravnava tveganj in optimizacija procesa obravnave tveganj na področju bančništva, kjer je obravnavano problemsko področje z razlago pojmov in odobritve kreditov. Opisan je proces odobritve kreditov, kjer s pomočjo znanstvenih člankov in literature potrdimo ali ovržemo hipoteze. Podpoglavje 3.4 opisuje proces odobritve kreditov, ki je kasneje zmodeliran in pri katerem so preučene šibke točke ter odstranjevanje tveganj iz samega procesa. Po tej fazi sledi ponovno modeliranje procesa z namenom njegove optimizacije. Četrto poglavje je namenjeno zanesljivosti podatkov, pridobljenih s pomočjo raziskovalnih metod. V petem poglavju je predstavljena zanesljivost rezultatov, dobljenih s pomočjo raziskovalnih metod. Šesto poglavje je zaključek magistrske naloge z odgovori na raziskovalna vprašanja in potrditvijo hipotez, sklepom ter nadaljnjim delom. 4
2 OBRAVNAVA TVEGANJ NA PODROČJU BANČNIŠTVA S POMOČJO OPERACIJSKIH RAZISKAV V tem poglavju so opisane operacijske raziskave in ključne metode, s katerimi bomo v nadaljevanju operirali pri izboljšanju obravnave tveganj v poslovnem procesu odobritve kreditov. Predstavljena je zgodovina operacijskih raziskav področij gospodarstva in javnega sektorja, kjer se operacijske raziskave dnevno uporabljajo. Bistven poudarek je na bančništvu in metodah iz operacijskih raziskav, s pomočjo katerih obravnavamo tveganja. 2.1 Splošno o operacijskih raziskavah Operacijske raziskave oziroma upraviteljska znanost je znanstven pristop odločanja, ki išče najboljši način oblikovanja in delovanja sistema, pogosto znotraj potreb razporejanja omejenih virov. Kot sistem smatramo organizacijo neodvisnih komponent, ki med seboj delujejo usklajeno z namenom doseganja ciljev sistema. Za primer sistema lahko vzamemo katerokoli podjetje, katerega strategija je doseganje maksimiranja dobička [16]. Problemi v operacijskih raziskavah so razdeljeni na dva tipa [17]. V prvem tipu je matematično programiranje, kjer se v večini uporabljajo optimizacijske tehnike. Matematično programiranje vključuje naslednje tehnike: linearno programiranje, nelinearno programiranje, celoštevilsko programiranje, mrežno planiranje. Drugi tip OR vključuje optimizacijo za specifična področja. Mednje se šteje: proizvodnjo, transport, zmesi, zaloge, čakalne vrste. Ena izmed prvih gospodarskih panog, ki je sprejela operacijske raziskave v gospodarstvu, je bila petrokemična industrija z namenom izboljšanja učinkovitosti obratov, razvojem 5
naravnih virov in načrtom strategije podjetja [16]. Danes operacijske raziskave igrajo pomembno vlogo v različnih panogah, kot so: finančne storitve - kreditno poslovanje, trženje in notranje poslovanje, letalski prevozniki - razporejanje letal in posadk, cene vstopnic, načrtovanje velikosti rezervacij flote, farmacevtska industrija - vodenje raziskav in razvoja, logistična podjetja - usmerjanje in načrtovanje, lesna industrija - gospodarjenje z gozdovi in rezanje lesa, lokalna samouprava - uvajanje storitev v sili, študije raziskav in regulacij - onesnaževanje okolja, varnosti zračnega prometa in politika kazenskega pravosodja. Operacijske raziskave so pogosto navedene kot podveda matematike in so doživele svoj preboj s prihodom računalnikov. Operacijske raziskave so relativno mlada smer, ki se je razvila med drugo svetovno vojno, ko je angleška vojska vključila znanstvenike in inženirje z nalogo analize različnih vojaških problemov, razvojem radarja, upravljanjem konvojev, bombardiranjem in minskimi operacijami [17]. Po drugi svetovni vojni so bile operacijske raziskave sprejete v civilni sektor za oblikovanje nacionalnih društev, ustanavljanje revij in akademskih oddelkov na univerzah, za izboljšanje učinkovitosti in produktivnosti v panogah [18] [17] [16]. Za tako veliko sprejetost sta bila ključna dva dejavnika. Prvi ključni dejavnik je bila 2. svetovna vojna, ki je začela uveljavljati operacijske raziskave v strategijo optimizacije vojskovanja. Po vojni se je začel bistven napredek OR. Med napredke štejemo metodo SIMPLEX za reševanje linearnih problemov, ki jo je iznašel George Dantzig leta 1947. Ostale metode OR so: linearno programiranje, dinamično programiranje in druge, ki so bile razvite že pred koncem 50. let 20. stoletja [18]. Drugi ključni dejavnik je bila revolucija računalnikov in njihova vedno večja dostopnost. Pri OR je zelo pomembno, da velike količine računanja preračunamo efektivno. Razvoj elektronskih digitalnih računalnikov s sposobnostjo izvajanja aritmetičnih izračunov milijon krat hitreje kot človek je bil zelo velika vzpodbuda za nadaljnjo rast operacijskih raziskav [18]. 6
Znanstveni pristop za odločanje v večini uporablja enega ali več matematičnih modelov. Matematični model je matematična predstavitev trenutnega stanja procesa s pomočjo matematičnih enačb, ki se uporabljajo za boljše odločanje ali lažje razumevanje pojavov v naravi s pomočjo odvisnih in neodvisnih spremenljivk [16]. Na področju operacijskih raziskav je v uporabi veliko število matematičnih metod za reševanje problemov. Za matematično programiranje modelov se uporabljajo različne optimizacijske tehnike. Za modele, ki vključujejo statistiko, sta v uporabi verjetnostna analiza in simulacija. V večini so metode linearnega, celoštevilskega, mešano številskega, nelinearnega in kvadratnega programiranja že implementirane v računalniških programih, kot so na primer programi oz. programska oprema SAS, Tora, R, GOBLIN, GLPK [19][20]. 7
2.2 Apliciranje operacijskih raziskav Operacijske raziskave so aplicirane v različnih domenah. V Tabeli 1 so v prvem stolpcu prikazane organizacije in podjetja, ki so s pomočjo uporabe operacijskih raziskav izboljšale svoje poslovne procese. V drugem stolpcu je prikazano območje uporabe, v tretjem pa letni prihranek. Tabela 1: Operacijske raziskave v različnih domenah, predstavljeno področje uporabe ter njihov letni prihranek [18] Organizacija Območje uporabe Letni prihranek Continental Airlines prerazporeditev posadk na 40 milijonov ameriških letih, ko se pojavijo motnje dolarjev razporejanja Swift & Company izboljšanje prodaje in 12 milijonov ameriških zmogljivosti proizvodnje dolarjev Welch s optimizirana raba in 150 tisoč ameriških premikanje surovin dolarjev Samsung Electronics zmanjšanje proizvodnih 200 milijonov ameriških časov in raven zalog dolarjev več profita Pacific Lumber Company dolgoročno upravljanje 398 milijonov ameriških gozdnih ekosistemov dolarjev Taco Bell načrt urnika dela 13 milijonov ameriških zaposlenih v restavracijah dolarjev PSA Peugeot Citroën vodič načrtovanja procesa 130 milijonov ameriških za učinkovite avtomobile dolarjev več profita tovarne Time Inc. upravljanje distribucijskih 3,5 milijonov ameriških kanalov za revije dolarjev več profita AT&T načrtovanje in upravljanje 750 milijonov ameriških klicnih centrov dolarjev več profita V nadaljevanju je predstavljena predvsem raba metod operacijskih raziskav na področju bančništva, s katerimi bomo skušali optimizirati poslovni proces odobritve kreditov. 8
2.3 Operacijske raziskave v bančnem sektorju Finančne ustanove se pri svojih procesih poslužujejo različnih metod. Med metode uvrščamo pristope iz matematike in operacijskih raziskav, ki so v zadnjih desetletjih podprte s pomočjo uporabe računalnikov. Finančni sektor se kot drugi sektorji trudi najbolje izkoristiti dane vire in z njimi najbolj racionalno in skrbno ravnati. Še posebej zaradi trgovanja in upravljanja z denarjem in vrednostnimi papirji (obveznice, delnicami, itd.) igrajo OR pomembno vlogo pri optimizaciji in upravljanju z viri [21]. Pogledali smo vključitev operacijskih raziskav v sam proces odobritve kreditov in njegove optimizacije s pomočjo OR in informacijskih tehnologij, ki so trenutno na tržišču. V knjigi Introduction to OR (ali po slovensko Uvod v OR) je predstavljena uporaba v bančnih podjetjih, v katerih so banke s pomočjo optimizacijskih raziskav privarčevale ogromno denarja, kar prikazuje Tabela 2. V prvem stolpu je navedeno ime bančne organizacije, v drugem stolpcu območje uporabe, v zadnjem stolpcu pa letni prihranek. Tabela 2: Operacijske raziskave v bančnem sektorju, območje uporabe ter njihov letni prihranek [18] Organizacija Območje uporabe Letni prihranek Bank Hapoalim Group razviti sistem za podporo odločanju za investicijske 31 milijonov ameriških dolarjev svetovalce KeyCorp upravljanje likvidnostnega tveganja za kreditnimi 20 milijonov ameriških dolarjev linijami Bank One Corporation upravljanje kreditnih linij in obrestne mere za kreditne 75 milijonov ameriških dolarjev kartice Merrill Lynch analiza cen za zagotavljanje finančnih storitev 50 milijonov ameriških dolarjev V članku avtorja Boarda [22] je opisana uporaba operacijskih raziskav na področju finančnih trgov. Avtor je preučil razloge za privlačnost raziskovalcev nad splošnimi finančnimi težavami, kjer so opredeljene glavne vrste problemov finančnega trga. Vključuje tudi dokumentacijo nekaterih rešitev. Matematično programiranje je najbolj pogosto uporabljena 9
tehnika, pogosto se uporablja tudi metoda Monte Carlo, kvadratično programiranje in linearno programiranje. Operacijske raziskave dandanes igrajo pomembno vlogo pri delovanju finančnih trgov, ki se bo verjetno še povečala, kar ustvarja priložnost za operacijske raziskave (in raziskovalce na tem področju) [22]. Večja pozornost je namenjena članku, kjer je bila preučena raba operacijskih raziskav v bančništvu [21]. Avtorja navajata, da so bile prve objave omenjene že leta 1986 in dokazujejo že ustaljeno rabo OR na področju bančništva. Velik del pozornosti je namenjen problemskemu področju konkurenčnosti v bančnem sektorju. Doprinos raziskav je boljše modeliranje v realnem času ter ocena različnih možnosti in odločanja. V članku smo zasledili, da so raziskovalci po preučitvi člankov, objavljenih med leti 1986 in 2004, izpostavili dve pomembni odločitveni področji. Prvo področje je identifikacija trendov v zvezi z OR modeli v bančništvu. Drugo pomembno področje se nanaša na temo magistrske naloge in je opredelitev vrzeli ali področja, ki potrebuje izboljšave, ter identifikacija področij, kjer OR tehnike še niso bile implementirane. Če povzamemo raziskavo iz članka avtorja Dharam S. Rana in SherRhonda R. Gibbs [21], so najbolj pogosto uporabljene tehnike naslednje: linearno programiranje (23.99 %), statistična analiza (18.07 %) ter ostale tehnike (25.55 %) v naslednjih oblikah: ekonomski modeli, empirične analize, teorija iger, analiza vplivov, korelacijska analiza, matematični modeli, kvalitativna analiza. Tehnike so prikazane na Grafu 1 v obliki tortnega diagrama. 10
Uporabljene tehnike Uporabljene tehnike; 25,55% Uporabljene tehnike; 23,99% Linearno programiranje Statističmna analiza Ostale tehnike Uporabljene tehnike; 18,07% Graf 1: Prikaz najpogosteje uporabljenih tehnik[21] Uporaba tehnik s področja operacijskih raziskav, vezanih na bančni sektor med leti 1986 in 2004, je največja na področju poslovanja (38 %), odobritve kreditov (15 %) in finančnega planiranja (12 %) [21]. Največ študij je bilo v preteklih letih usmerjenih na dobičkonosnost, uspešnost in efektivnost. Sklep članka nakazuje na to, da je bančni sektor prešel pod okrilje množične liberalizacije (odstranitve ovir) z namenom povečanja zmogljivosti in učinkovitosti [21]. Primer iz podjetja KeyCorp nakazuje na pomen računalništva in operacijskih raziskav v bančnem sektorju. Primer je ameriški bančni holding iz Clevelanda, Ohia [23]. Podjetje KeyCorp se je obrnilo na servisni in industrijski sektor ter tako našlo inženirje, ki so podjetju pokazali, kako doprinesti produktivnost in kakovost. Cilj je bil povečati konkurenčnost samega podjetja, saj so bili sami nekonkurenčni s prihodom ne-tradicionalnih virov in hitro konsolidacijo v samem bančnem sektorju. Treba je bilo zagotoviti paket vrhunskih finančnih storitev v ne-tradicionalnem bančništvu. Ključni element v prenovi so bile vrhunske storitve za stranke ter krajše čakalne dobe. Cilj projekta je bil zagotoviti menedžerjem podporo pri odločanju. Sistem so poimenovali storitev upravljanja odličnosti. Prvi korak je bil razvoj računalniško podprtega sistema za zajemanje podatkov o uspešnosti. Sistem je beležil začetni in končni čas vseh sestavnih delov. Zbrani podatki so bili analizirani, da so se opredelila področja za izboljšanje. 11
Teorija čakalnih vrst je bila uporabljena za določitev vnaprej določenih kadrovskih potreb. Teorija čakalnih vrst je študija čakalnih linij ali vrst z namenom predvidevanja dolžine in čas čakanja [24]. Analiza teorije je pokazala, da je povečanje števila zaposlenih iz stroškovnega vidika neizvedljivo, zaradi česar je bila narejena ocena iz zmanjšanja procesnih časov z namenom doseganja cilja v mejah zadovoljivih časov. Uporaba sistema za zajem uspešnosti je podjetju KeyCorp omogočila opredeliti sposobnost strategije za zmanjšanje različnih sestavnih časov storitev. Nekatere od teh so bile vključene kot nadgradnje v tehnologiji, medtem ko so se ostale osredotočale na postopkovne izboljšave. Rezultat tega je bilo zmanjšanje za 27 % v času obdelave transakcij. Ko je bilo delovno okolje stabilizirano, je podjetje predstavilo dve glavni komponenti sistema z namenom pomoči upraviteljem izboljšanja produktivnosti. Prva komponenta je bil sistemski modul produktivnosti, pri čemer je upravljavec s pomočjo zbirnih statistik in poročil odločal pri kadrovanju ter razvrščal in identificiral module, ki so potrebovali nadaljnje usposabljanje. Drugi sistem, imenovan uporabniški čakalni čas, je zagotovil informacije o čakalnih vrstah strank. Celoten sistem se je nato postopoma razvil tudi na vse aktivnosti podjetja in rezultati so bili boljši od predvidenih napovedi. V povprečju so se časovne obremenitve za obdelavo kupca znižale za 53 % in čakalni čas strank je občutno padel pod štiri odstotke kupcev, ki so čakali več kot pet minut. Prihranki v petletnem obdobju so bili ocenjeni na 98 milijonov dolarjev [23]. V nadaljevanju so opisane metode, ki se uporabljajo v bančnem sektorju. Pridobljene so bile s pomočjo SPL raziskave člankov, navedenih v podpoglavju 2.4. 2.3.1 Newton-Raphsonova metoda 2.3.1.1 Zgodovinsko ozadje Razvoj Newton-Rapsonove metode ali z okrajšavo NR je začel angleški fizik in matematik Isaac Newton (1643 1727), predvsem znan po zakonih o gravitaciji in začetku fizike, ko se je leta 1664 spoznaval z Vietovo metodo. Do leta 1669 je tako izboljšal svojo metodo z linearizacijo zaporednih izhajajočih polinomov, npr. ko je razpravljal o numerični rešitvi kubičnih polinomov [25]. Njegove metode niso objavili takoj in zato je bila leta 1690 objavljena Joseph Raphsonova metoda, ki je enostavnejša od Newtonove, zato je bolj uporabljena [13]. 12
2.3.1.2 Matematični opis Določimo število x 0, ki naj bo približek za ničlo funkcije f. Funkcija preslika elemente iz množice A v elemente množice B. Nato se v točki x 0 na funkcijo postavi tangento. Tangenta je premica, ki se prilega krivulji. Na graf funkcije f se pogleda, kje je ničla tangente. Tangenta je dobra aproksimacija za funkcijo, iz česar sklepamo, da je ničla tangente dober približek za ničlo funkcije f. Nato se ničlo tangente vzame za naslednji približek x 1, postopek se nadaljuje na enak način in tako iz x 1 dobimo x 2, iz x 2 dobimo x 3 in tako dalje, dokler pridobljeno zaporedje približkov ne konvergira k ničli funkcije f. Matematični zapis prikazan z enačbo 1: x f(x) = 0 x 1 = x 0 f(x 0) f (x 0 ) x n+1 = x n f(x n) f (x n ) Enačba 1: Newton-Rapson enačba [25] 2.3.1.3 Primeri uporabe v realnem svetu Newton-Raphsonovo metodo se v bančništvu in v procesu odobritve kreditov uporablja za iskanje boljših približkov [13]. Ta metoda se uporablja v numerični analizi za iskanje boljših približkov ničel funkcije. 2.3.1.4 Identifikacija slabosti Newtonovo izboljšavo predstavlja sekantna metoda. Sekantna metoda je podobna Newtonovi, le da ima nekaj prednosti pred njegovo metodo. Je bolj stabilna, manj podvržena divjim vrtljajem okrog točke ali osi, ki lahko prizadenejo Newtonovo metodo [26]. 2.3.2 Runge-Kutta metoda 2.3.2.1 Zgodovinsko ozadje Runge-Kutta sodi v numerične metode navadnih diferencialnih enačb numerične analize. Diferencialne enačbe so enačbe, v katerih nastopa iskana funkcija, njeni odvodi in neodvisne spremenljivke. Če je iskana funkcija le funkcija ene spremenljivke, imenujemo 13
tako enačbo navadna diferencialna enačba. Če z enačbo iščemo funkcijo več spremenljivk (in so zato njeni odvodi parcialni odvodi), rečemo enačbi parcialna diferencialna enačba [27]. Poznamo diferencialne enačbe prvega reda in enačbe višjih redov. Z metodo Runge- Kutta aproksimiramo številčno navadne diferencialne enačbe. Enačbe se med seboj razlikujejo po redovih. Najbolj je uporaben 4. red metode [27]. 2.3.2.2 Matematični opis Začetni problem rešujemo po postopku uporabe y kot neznane enačbe, ki bi jo radi aproksimirali. V prvem koraku moramo izbrati velikost koraka, torej h > 0, kjer je k 1 prirastek na začetku intervala, ki uporablja y, k 2 je prirastek na sredini intervala, ki uporablja sledečo enačbo y + h k 2 1, ravno tako je tudi k 3 prirastek na sredini intervala, ki uporablja enačbo y + h k 2 2, nazadnje imamo še k 4, ki je prirastek na koncu intervala in uporablja sledečo enačbo y + k 3. Po poračunanih posameznih vrednostih je treba nato še vse k-je skupaj sešteti in množiti z vrednostjo h ter prišteti y 6 n. Matematični zapis predstavlja enačba 2: y = f (t, y), y(t 0 ) = y 0 in h > 0, k 1 = f(t n, y n ), k 2 = f (t n + h 2, y n + h 2 k 1), k 3 = f (t n + h 2, y n + h 2 k 2), k 4 = f(t n + h, y n + hk 3 ). y (n+1) = y n + h 6 (k 1 + 2k 2 + 2k 3 + k 4 ) Enačba 2: Splošna Runge-Kutta enačba [28] 2.3.2.3 Primeri uporabe v realnem svetu Metoda se uporablja za reševanje diferencialnih enačb v numerični analizi ravno tako kot v bančništvu, kjer je metoda uporabljena za boljši približek zaradi svojih korakov [27][28]. V bančnem sektorju je metoda uporabljena za virtualna gesla v internetnem bančništvu [29]. 14
2.3.2.4 Identifikacija slabosti Četrti red Runge-Kutta metode zahteva štiri vrednotenja na desni strani (k 1, k 2, k 3, k 4 ). To pomeni boljši približek na sredini metode za dvakrat več korakov. V večini primerov to drži, v določenih primerih pa se izkaže, da so metode višjih redov časovno potratne in ne predstavljajo višje natančnosti [30]. 2.3.3 Markove stohastične verige (Markov chain Monte Carlo) 2.3.3.1 Zgodovinsko ozadje Markova veriga Monte Carlo je sestavljena iz Monte Carlo in Markove verige. Markova veriga Monte Carlo (MCMC) je bila izumljena kmalu po navadni metodi Monte Carlo v mestu Los Alamos, kjer so bili takrat na razpolago računalniki. Pred desetletji ni imel vsak računalnika, saj so bili dragi in veliki. Danes imamo že skoraj vsi računalnike (osebne, mobilne, tablične itd) [31]. Monte Carlo: Ime Monte Carlo v svetu OR se je pojavilo okoli leta 1950 kot ime za ilegalne igre na srečo v krajih po celem svetu. Ime je mesto dobilo po kraju igralnih salonov Monte Carlo [31]. Markove verige: Markova veriga je poimenovana po ruskem matematiku Andreyu Markovu. Je naključni proces spreminjanja stanja spremenljivk skozi čas. Markove verige so uporabljene v stohastičnih realnih procesih [32]. 2.3.3.2 Matematični opis V statistiki so Markove verige Monte Carlo (MCMC) razredi algoritmov za vzorčenje. Za razumevanje MCMC je potrebno poznavanje verjetnostne porazdelitve [32]. Verjetnostna porazdelitev (ali porazdelitev verjetnosti) je pravilo statistiki in verjetnostnem računu, ki določa verjetnost, da slučajna spremenljivka zavzame neko vrednost [32]. Slučajna je količina, ki nastopi kot rezultat poskusa, kjer je možnih več izidov. Pri tem pa pojavitev katerekoli vrednosti iz danega območja predstavlja slučajno vrednost [33]. Slučajna spremenljivka predstavlja območje, ki ga predpisuje porazdelitev verjetnosti ter verjetnost, da je vrednost spremenljivke v tem območju [33]. Z drugimi besedami je funkcija, katera vzpostavlja vez med statističnim poskusom in verjetnostjo izida tega poskusa [33]. Markova veriga določa stopnjo natančnosti približka po izbranih iteracijah. Kvaliteta je povezana z 15
številom izvedenih iteracij. Primer Markovih verig s pomočjo Bayesianske statistike [15] je prikazan na Sliki 2. Potrebni korak za izvedbo iteracij je prikazan z Enačbo 3: π(x) = 10x x! e 10, x = 0,1,2, Enačba 3: Korak za izvedbo iteracij MCMC [31] Prikaz iteracij Markove verige (iteracije 0, 1, 2, 5, 10, 20, 50, 100, 150), kjer opazimo konvergiranje k ciljni distribuciji. Nad 10. iteracijo začenja graf spreminjati podobo (iz rdečih stolpcev) v obliko normalne porazdelitve (belih stolpcev). Na 150. iteraciji je razvidno, da se rdeča barva stolpcev zlije z belo barvo stolpcev. Slika 2: Prikaz iteracij, kjer graf preide v Gaussovo krivuljo [15]. 2.3.3.3 Primeri uporabe MCMC v realnem svetu Markove stohastične verige se uporabljajo v bančništvu za izvajanje simulacij na področjih obravnave kreditov in uporabe bančnih kartic [34]. 2.3.3.4 Identifikacija slabosti Ena izmed slabosti MCMC je pojav»burn-in«ali prevedeno v slovenščino»zapeka«.»burnin«je angleški pogovorni izraz, ki je nastal zaradi elektronskih komponent, ki so hitro 16
odpovedale. Burn-in pri MCMC opisuje prakso pri izločanju nekaterih iteracij na začetku zagona MCMC [35]. 2.3.4 Logistična regresija 2.3.4.1 Zgodovinsko ozadje Logistično regresijo je razvil statistik David Cox leta 1958 [36]. Razvil jo je z namenom binarnega odločanja v verjetnosti, kjer odgovor temelji na eni ali več napovedih spremenljivk [36]. 2.3.4.2 Matematični opis Enačba 4 predstavlja zapis v matematični obliki matematične regresije. p(y = 1) logit(p) = log ( 1 (p = 1) ) = β 0 + β 1 x n + β 2 x n + + β p x m For i = 1 n Enačba 4: Matematični zapis regresije [37] Na Sliki 3 je prikazan graf logistične regresije. Slika 3: Grafični prikaz logistične regresije [37] 2.3.4.3 Primeri uporabe logistične regresije v realnem svetu Logistična regresija se uporablja v primerih kvalitativnega vzorca modela izbire v ekonomiji na področju odobritve kreditov [38]. 17
2.3.4.4 Identifikacija slabosti Logistična regresija zahteva, da mora biti vsaka podatkovna točka neodvisna od vseh ostalih podatkovnih točk. Če so ugotovitve povezane med seboj, potem bo model neusklajen [39]. 18
2.3.5 Primeri metod iz bančništva: Newton-Raphsonova metoda Posojilo v vrednosti A evrov se začne vračati naslednji mesec po sklenitvi pogodbe in se vrača v obliki n enakih mesečnih obrokov po M evrov. 1 Ar = M (1 (1 + r) n) Avtomobilsko posojilo v višini 10.000 je bilo vrnjeno v 60 mesečnih obrokih v višini 250. Z uporabo Newtonove metode dobimo največjo natančnost obrestne mere, kjer je r obrestna mera. Torej sledi: 1000r = 250 (1 1 (1 + r) 60) Poenostavljen zapis, kjer je f(r) = 0 in nato f(r) = 40r + f (r) = 40 1 (1 + r) 60 1 60 (1 + r) 61 Newtonova metoda ponovitev je sedaj enostavneje zapisana. V surovi obliki je r n+1 = r n 40r n + 1/(1 + r n ) 60 1 40 60/(1 + r n ) 61 nakar izračunamo vrednosti r 0, r 1, r 2, r 3, r 4 r 0 = r 0 40r n + 1/(1 + r n ) 60 1 40 60/(1 + r n ) 61 = = 0.15 r 1 = r 0 40r n + 1/(1 + r n ) 60 1 40 60/(1 + r n ) 61 = = 0.014411839 r 2 = r 1 40r n + 1/(1 + r n ) 60 1 40 60/(1 + r n ) 61 = = 0.014394797 19
r 3 = r 2 40r n + 1/(1 + r n ) 60 1 40 60/(1 + r n ) 61 = = 0.01439477 Torej obrestna mera je r 3 = 0.01439477, kar pomeni 1. 439 %, več kot r 3 pa se ne izplača računati, saj se spreminjata samo zadnji dve decimalni mesti (r 2 r 3 = 0.014394797 0.01439477 = 0.00000008) Runge-Kutta Banka pri obravnavanju višine kreditnega tveganja uporablja diferencialne enačbe. Komitent zaprosi za avtomobilski kredit, nakar začne banka računati po svojih formulah in danih podatkih njegovo informativno finančno stanje. Banka dobi s pomočjo podatkov enačbo, ki jo je treba rešiti. Za primer je podana enačba v sledečem zapisu du dx = 2u + x + 4, y(t 0) = 1 in h = 0.2, pri čemer je u sprejemljivka za aproksimacijo komitentove ocene po predhodnih postopkih in x sprejemljivka za določanje stanja tveganja, enačbo pa se rešuje s pomočjo Runge Kutta metode zaradi boljšega približka komitentove ocene. k 1 = f(0,1) = 2 1 + 0 + 4 = 2 k 2 = f (0 + 0.2 2, 1 + 0.2 2) = f(0.1,1.2) = 2 1.2 + 0.1 + 4 = 1.7 2 k 3 = f (0 + 0.2 2, 1 + 0.2 1.7) = f(0.1, 1.17) = 2 1.17 + 0.1 + 4 = 1.76 2 k 4 = f(0 + 0.2, 1 + 0.2 1.76 ) = f(0.2, 1.352) = 2 1.352 + 0.2 + 4 = 1.496 u(0.2) = 1 + 0.2 (2 + 2 1.7 + 2 1.76 + 1.496) = 1. 3472 6 Z dobljenim rezultatom banka nato ocenjuje, ali je kreditojemalec v skupini, ki se ji odobri kredit ali ne. 20
Markov chain Monte Carlo Banka razdeli komitente na tri stanja (1 = visoka ocena, 2 = nizka ocena, 3 = privzeta vrednost) za stacionarni postopek. Komitenti z visoko oceno so za banko nezaželeni, komitenti z nizko oceno pa zaželeni (nizek nivo tveganja). Nemogoče je, da se komitenti premaknejo z visoke ocene do privzete vrednosti. Banka s pomočjo stanj in tranzicijskih vrednosti opredeljuje»splošen vzorec«delitve komitentov glede na vrednosti postavitve v matriki. Vrednosti, po katerih so se premikajo komitenti, so podane kot tranzicijske verjetnosti in so podane kot prehodi: z visoke do nizke ocene (0.05) z nizke do visoke ocene (0.1) z nizke do privzete vrednosti (0.02) S pomočjo tranzicijskih vrednosti in stanj določi vrednost matrike na način pridobitve matričnega prehoda in števila strukturnih ničel v matriki. Rešitvi: 0.95 0.05 0 P = ( 0.1 0.88 0.02) 0 0 1 V matriki so tri strukturirane ničle. Logistična regresija V študiji primera s spletne strani www.smartdrill.com so uporabljene informacije 850 preteklih in potencialnih strank [40]. Od teh jih je 717 primerov strank, ki so v preteklosti dobile kredite, torej je to 84 % vzorca. Nepreverjenih je 133 strank ali 15.6 %. Uporabljenih je 513 od 717 strank za narediti naključni vzorec. Ostalih 204 strank uporabi študija kakor validacijski vzorec za kreditno tveganje. V Tabeli 3 je podana preverjenost in predhodna prevzetost določenih vzorcev. Na podlagi tega je sestavljena klasifikacijska tabela. 21
Tabela 3: predhodno preverjene in privzete vrednosti pri koraku logistične regresije Preverjenost.00 1.00 Skupaj Predhodno Ne Seštevek 163 410 573 privzeti % privzetih 28.4 % 71.6 % 100.0 % % preverjenih 79.9 % 79.9 % 79.9 % Da Seštevek 41 103 144 % privzetih 28.5 % 71.5 % 100.0 % % preverjenih 20.1 % 20.1 % 20.1 % Skupaj Seštevek 204 513 717 % privzetih 28.5 % 71.5 % 100.0 % % preverjenih 100.0 % 100.0 % 100.0 % V pomoč je analiza logistične regresije. Model za testiranje predstavljajo naslednji parametri: starost, stopnja izobrazbe, število let pri trenutnem delodajalcu, število let na trenutnem prebivališču, dohodek gospodinjstva (v tisočakih), razmerje med dolgom in dohodki, znesek dolga (v tisočakih). Rešitev: S pomočjo programskega jezika R je sestavljena Tabela 4, ki prikazuje točnost kvalifikacije modelov v približku 94 %. Binarna logistična regresija podatkov dodeli verjetnosti zaostanku za vsako stranko, od nič do 1,00 (nič do 100 %). V tem primeru se uporablja razrez na točki natanko na 0,50 (ali 50 % verjetnost) kot ločnico med napovedanimi plačniki in neplačniki. 22
Tabela 4: Klasifikacijska tabela Izbrani primeri Napoved Neizbrani primeri Opazovano Ne Da Ne Da 1. korak Ne 385 25 93.9 149 14 91.4 Da 47 56 54.4 13 28 68.3 86.0 86.8 2. korak Ne 388 22 94.6 151 12 92.6 Da 43 60 58.3 11 30 73.2 87.3 88.7 3. korak Ne 395 15 96.3 153 10 93.9 Da 28 75 72.8 7 34 82.9 91.6 91.7 4. korak Ne 395 15 96.3 154 9 94.5 Da 25 78 75.7 8 33 80.5 92.2 91.7 23
2.4 Analiza uporabe metod operacijskih raziskav v bančnem sektorju: sistematični pregled literature S sistematičnim pregledom literature operacijskih raziskav v bančnem sektorju skušamo odgovoriti na raziskovalnima vprašanja (RV1, RV2, RV4) s pomočjo analize dobljenih informacij. Poleg pregleda operacijskih raziskav v bančnem sektorju je med iskalne nize vštet tudi pregled uporabe računalnikov v podporo OR in tveganjem, ki lahko vplivajo na poslovni proces odobritve kreditov. Vsi članki so bili poiskani v spletnih bazah akademskih člankov od leta 2000 do vključno 2016. Z iskanjem smo začeli v bazi akademskim člankov Sciencedirect. Sciencedirect je spletna podatkovna baza, prisotna že od leta 1997 pod odkrijem založnika Elsevier [41]. Nato smo nadaljevali s podatkovno bazo Proquest, ki je bila ustanovljena leta 1938 kot založnik mikrofilmov [42]. CiteseerX je bil sprva spletni iskalnik, nato se je specializiral na akademske članke [43]. IEEE Xplore je podatkovna knjižnica, ki vsebuje gradivo iz krovne organizacije IEEE Inštitut inženirjev elektrotehnike in elektronike [44]. Končali smo s podatkovno bazo Semantic. Semantic je digitalna knjižnica ustanovljena s strani soustanovitelja podjetja Microsoft, Paula Allena [45]. 2.4.1 Ključne besede Za iskanje relevantnih člankov so uporabljene naslednje ključne besede v angleškem jeziku: Assessment of risk (sl. ocena tveganja) Bad loans (sl. slabi krediti) Computer support in banks (sl. računalniška podpora v bankah) Consumer loan (sl. potrošniško posojilo) Electronic consumer loan (sl. elektronsko potrošniško posojilo) Credit insurance (sl. zavarovanje kreditov) Credit risk (sl. kreditno tveganje) Granting of credit (sl. odobritev kreditov) Information tehnology in banks (sl. informacijska tehnologija v bankah) Operational research (sl. operacijske raziskave) Optimization (sl. optimizacija) 24
Optimization methods in banks (sl. optimizacijske metode v bankah) The process of loan approval (sl. proces odobritve kreditov) Types of credit risk (sl. vrste kreditnega tveganja) 2.4.2 Iskalni nizi Uporabljeni so bili sledeči iskalni nizi v zgoraj naštetih podatkovnih zbirkah: 1. (»bad loans«or»credit risk«or»optimization«) AND (»operational research«or»mathematical methods in banks«) 2. (»types of credit risk«or»credit risk«or»assessment of risk«) AND (»granting of credit«or»the process of loan approval«) 3. (»Information tehnology in banks«or»electronic consumer loan«or»computer support in banks«) 2.4.3 Število zadetkov po iskalnih bazah V Tabeli 5 je v prvem stolpcu baza, nad katero smo iskali podatkovni niz za splošno uporabo operacijskih raziskav na področju odobritve kreditov z namenom potrditve metod, ki se uporabljajo pri odločanju. V drugem stolpcu je prikazan datum poizvedbe, v tretjem število zadetkov, v četrtem pa je prikazano število relativnih člankov. Tabela 5: Prikaz števila zadetkov po iskalnih bazah za prvi podatkovni niz Baza Datum Število zadetkov Število relevantnih člankov ScienceDirect 28. 11. 2016 599 30 Proquest 28. 11. 2016 43 5 CiteseerX 28. 11. 2016 20 2 IEEE Xplore 28. 11. 2016 9 1 Semantic 28. 11. 2016 6 0 V Tabeli 6 je v prvem stolpcu baza, nad katero smo iskali podatkovni niz za podati odgovor na raziskovalno vprašanje 1, pri katerem je bil namen poiskati, ali obstaja poslovni proces odobritve kreditov, ki določa nivo tveganja. Poleg tega se s pomočjo zbranih člankov 25
določeni sklepi lahko uporabijo še kot dopolnitev odgovora na 4. raziskovalno vprašanje. V drugem stolpcu je prikazan datum poizvedbe, v tretjem število zadetkov, v četrtem pa število relativnih člankov. Tabela 6: Prikaz števila zadetkov po iskalnih bazah za drugi podatkovni niz Baza Datum Število zadetkov Število relevantnih člankov ScienceDirect 30. 11. 2016 267 10 Proquest 30. 11. 2016 23 7 CiteseerX 30. 11. 2016 12 3 IEEE Xplore 30. 11. 2016 5 0 Semantic 30. 11. 2016 2 1 V Tabeli 7 je v prvem stolpcu baza, nad katero smo iskali podatkovni niz za podati odgovor na raziskovalno vprašanje 2, kjer se osredotočamo na uporabo računalnikov in informacijske tehnologije v podporo bančnemu procesu odobritve kreditov. V drugem stolpcu je prikazan datum poizvedbe, v tretjem število zadetkov, v četrtem pa število relativnih člankov. Tabela 7: Prikaz števila zadetkov po iskalnih bazah za tretji podatkovni niz Baza Datum Število zadetkov Število relevantnih člankov ScienceDirect 2. 12. 2016 12 2 Proquest 2. 12. 2016 9 1 CiteseerX 2. 12. 2016 1 0 IEEE Xplore 2. 12. 2016 0 0 Semantic 2. 12. 2016 0 0 2.4.4 Omejitve iskanja Med omejitve iskanja uvršamo iskalne nize, s pomočjo katerih smo dobili preveliko število člankov, nakar smo morali ponoviti in dopolniti iskalni niz. V sklopu raziskave smo se omejili 26
le na določene akademske knjižnice. Določene poleg brezplačnih člankov vsebujejo še plačljive. Nekateri plačljivi članki niso všteti v ponudbo, ki jo nudi Univerza v Mariboru. 2.4.5 Število relevantnih člankov na osnovi vključitvenih in izključitvenih kriterijev V vključitvene in izključitvene kriterije uvrščamo v raziskavi sledeče: članke v angleškem jeziku članke, ki so dostopni prek akademske mreže Univerze v Mariboru članke s področja operacijskih raziskav, računalništva in informatike članke, ki opisujejo uporabo IT tehnologij v bančnem sektorju članke, ki opisujejo uporabo metod iz operacijskih raziskav pri odobritvi kreditov 2.4.6 Seznam člankov, ki so bili uporabljeni za analizo V Tabeli 8 lahko vidimo povzetih sedem relevantnih člankov, ki dokazujejo povezanost bančnega sektorja z matematičnimi metodami in operacijskimi raziskavami. V prvem povzetem članku [22] smo zasledili ključno povezavo OR s finančnimi trgi, kar nakazuje, da mednje sodi tudi bančni sektor. Ostali štirje članki: Analyzing role of operations research models in banking; Credit risk modeling with affine processes; Credit risk analysis of mortgage loans: An application to the Italian market; Structural models in consumer credit nakazujejo metode OR, ki jih bomo v tretjem poglavju uporabili za izvedbo optimizacije poslovnega procesa odobritve kreditov. 27
Tabela 8: Članki s področja operacijskih raziskav, pridobljeni na podlagi sistematičnega pregleda literature ID Članek Avtor Leto Področje teme [21] Analyzing role of operations research Dharam S. Rana, SherRhonda R. Gibbs 2006 Operacijske raziskave models in banking [46] Consumer credit risk: Jochen Kruppa, 2013 Informatika Individual probability estimates using machine learning Alexandra Schwarz, Gerhard Arminger, Andreas Ziegler [47] Credit risk analysis of mortgage loans: An Carlo Mari, Roberto Reno 2004 Operacijske raziskave application to the Italian market [9] Credit risk modeling with Darrell Duffie 2005 Ekonomija affine processes [48] Structural models in consumer credit Fabio Wendling Muniz de Andrade, 2005 Operacijske raziskave Lyn Thomas [22] The Application of Operations Research Techniques to Financial John Board, Charles Sutcliffe, William Ziemba 1999 Ekonomija/ operacijske raziskave Markets [49] The consumer loan default predicting model An application of DEA DA and neural network Ming Chun Tsai, Shu Ping Lin, Ching Chan Cheng, Yen Ping Lin 2009 Informatika 28
V Tabeli 9 je zbranih pet člankov, ki so izstopali pri raziskavi sistematičnega pregleda literature in ki so služili za modeliranje, kako banke tveganja, ki so prisotna pri odobritvi kreditov, rešujejo s pomočjo metodologij in smernic iz dobrih praks ter predpisanih varnostnih mehanizmov. Tabela 9: članki za področje določanja nivoja tveganja pri odobritvi kreditov ID Članek Avtor Leto Področje teme [50] A new dynamic Maria Rocha 2016 Ekonomija/informatika modeling framework for credit risk assessment Sousaa, João Gamaa, Elísio Brandão [51] A Markov Model for the Robert A. Jarrow, 1997 Ekonomija Risk Spreads David Lando Stuart M. Turnbull [52] Modeling Credit Risk Umut Cetin, 2004 Ekonomija with Partial Information Robert Jarrowy, Philip Protter [53] Benchmarking state-ofthe-art Stefan Lessmann, 2013 Informatika classification algorithms for credit scoring : A ten-year update Hsin-Vonn Seow, Bart Baesens, Lyn C. Thomas [54] Credit contagion and credit risk JPL Hatchett R Kuehn 2006 Ekonomija/informatika 29
V Tabeli 10 je zbranih 5 relevantnih člankov, na podlagi katerih je narejen povzetek, ki je osredotočen na poslovni proces odobritve kreditov. Pri izboru člankov smo zasledili, da klasifikacija kreditnega točkovanja v modernem času poteka s pomočjo informacijske podpore (računalnikov). Informacijska podpora prikazanih člankov v tabeli pri procesu odobritve kreditov je povzeta po člankih iz znanstvenih baz ter iz drugih virov s spleta. Tabela 10: članki za področje informatizacije poslovnega procesa odobritve kreditov ID Članek Avtor Leto Področje teme [55] Use of IT in Danish Amin 2011 Informatika Banking Sector: Arena Simulation in Banking sector [56] Computerized Credit Scoring's Effect on the Kenneth G. Gunter 2000 Ekonomija/ pravo/ informatika Lending Industry [57] Banks and Matej Marinč 2013 Ekonomija/informatika Information Technology: Marketability vs. Relationships [58] 7 Ways Ty Kiisel 2013 Informatika Automation Improves the Bank Lending Process [59] The role of technology in banking Industry Karehka Ramey 2012 Informatika 30
2.4.7 Podatki zbrani iz člankov V raziskavi sistematičnega pregleda literature smo našli uporabo metod iz operacijski raziskav na področju bančništva oz. na področju odobritve kreditov komitentom. Na Grafu 2 so prikazane metode, ki so se skozi sistematični pregled literature najbolj pogosto pojavile. Metode na področju OR pri odobravanju kreditov Newton-Rapsonova Runge-Kutta Markov chain Monte Carlo Logistična regresija Osrale metode Graf 2: Prikaz pogostosti omenjenosti metod v člankih Po sistematičnem pregledu literature smo odkrili, da je predlagano novo dinamično modeliranje s pomočjo zastavljenega okvirja, ki bazira na preteklih dogodkih odobritve kreditov [50]. Omenjeno je bilo, da imajo banke že implementiran sporazum Basel II. Basel je okvir s priporočili o kapitalskih sporazumih in ostalih pomembnih stvareh s področja bančništva. Obstajajo tri vrste Basel okvirjev. Prvi Basel I (1988) okvir je bil predstavljen leta 1988 v švicarskem kraju Basel, od koder tudi ime sporazuma. V prvem sporazumu je bilo v ospredju kreditno tveganje. Leta 2004 je Baselski komite izdal drugo verzijo, imenovano Basel II, v kateri so razširili področja priporočil. Novost je bila postavitev treh stebrov. Prvi steber so minimalne kapitalske zahteve, kamor uvrščamo kreditno tveganje. Drugi steber je nadzor, tretji steber pa predstavlja tržno disciplino. Tretja verzija Basel sporazuma, imenovana Basel III, naj bi v veljavo stopila leta 2018 2019 in naj bi razširila področja bančništva, kot so kapitalska ustreznost, testiranje izjemnih situacij in tržno likvidnostno tveganje [50]. Basel II opredeljuje tveganja na vseh področjih bančništva, v kar 31
sodi kreditno tveganje in izpostavljenost različnim faktorjem, kot so stopnja neplačil, stopnje predelave in stopnja izpostavljenosti. Basel II se uporablja še kot smernica za izdelavo lastnega okvirja za upravljanje tveganj, kjer je okvir izdelan s pomočjo Markovega procesa [54]. Markov modelov določa strukturo razmikov kreditnih tveganj. Vsebuje parametre za določanje kreditnega tveganja na osnovi opazovanih podatkov. Članek predstavlja enostaven model vrednotenja tveganja dolga, ki izrecno vključuje bonitetno oceno v kazalnik verjetnosti neplačila [51]. Znižanje kreditnega tveganja za razliko od uveljavljenega strukturnega modela je eden izmed razlogov, da ima oblika zmanjšanih modelov boljše prilagajanje tržnih podatkov na samo odobritev kreditov kakor strukturni modeli. Pokazano je, da je oblika zmanjšanih modelov alternativna metoda strukturnemu modelu, saj uporablja parcialno informacijo, torej ne celotnega filtriranja informacij z dogajanja na tržišču [52]. Bistveno pri odobritvi kreditov na podlagi klasifikacijskih algoritmov je napovedovanje odobritve kreditov na podlagi različnih dejavnikov, ki vplivajo na sam potek dogodkov. Od leta 2003 do danes so bile narejene številne spremembe za modeliranje predvidevanj, kjer so izpostavljene številne primerjave klasifikacijskih algoritmov [53]. V sistematičnem pregledu literature smo zasledili, da so predstavljena različna področja bančništva, na katerih se uporablja informacijska tehnologija kot operativa, upravljanje strank, poslovna inteligenca in avtomatizacija procesov [55]. Informacijske tehnologije se uporabljajo na vseh nivojih bančnih procesov. Banke vedno bolj uporabljajo avtomatizacijo kreditnega točkovanja. Na primer, banke uporabljajo točkovanja strank za hipoteke, kreditne kartice in avtomobilska posojila [57]. Opisano je kreditna odobritev s pomočjo računalnika in parametrov, ki jih delavec vstavi v program (dohodki, leta, premoženje, zgodovina plačil). Delo je z uporabo računalnikov olajšano, saj bi moral v nasprotnem primeru uslužbenec parametre pisno računati (na list papirja), ali je oseba kreditno sposobna ali ne [56]. Poleg sistematičnega pregleda literature smo na medmrežju s pomočjo spletnega iskalnika Google našli še sedem korakov, kako lahko banke avtomatizirajo svoje procese. Prvi je odstranitev papirja iz procesa, naslednji koraki se nanašajo na čas, optimizacijo, e- bančništvo. Poleg predlogov je omenjeno, da ima večina bank nekatere izmed korakov že implementirane [58]. Opisano je tudi e-bančništvo, ki omogoča pregled bančnega računa, odlivov, prilivov, plačevanja in zaprošanja za kredite manjših vrednosti (do določene vsote npr.: 4.000,00 ), ne da bi hodili na banko urejati papirje itd. [59]. 32
2.4.8 Rezultati analize zbranih podatkov 2.4.8.1 Metode operacijskih raziskav pri odobritvi kreditov Pri pregledu literature smo zasledili, da je operacijskih raziskavah poglavitna značilnost uporaba matematičnih metod za reševanje problemov. Vključene so matematične veje analize in algebre, ki uporabljajo deterministične metode. Deterministična metoda pomeni, da poteka razvoj po objektivnih zakonih [18]. 2.4.8.2 Raziskovalno vprašanje 1 S pomočjo pregleda literature smo odgovorili na prvo raziskovalno vprašanje. Na področju obravnave kreditov se uporabljajo različni procesi obravnave tveganj in določanja nivojev tveganj, najpogosteje so to Base2 in MCMC. Ugotovili smo, da banke (iz literature, ne nujno tudi slovenske banke) uporabljajo okvir Basel II, znotraj katerega ena postavka narekuje upravljanje tveganj pri odobritvi kreditov. Medtem se uporablja v povezavi z njim tudi Markov model ali proces, ki predstavlja odločitven model. Na ta način se izvaja klasifikacija kreditnega tveganja s pomočjo kreditnega točkovanja. 2.4.8.3 Raziskovalno vprašanje 2 Na podlagi pregleda literature in drugih virov (poljudnih) ugotavljamo, da je poslovni proces odobritve posojil visoko informatiziran, saj so banke fokusirane na optimizacijo in minimizacijo stroškov in varčujejo na vseh področjih. Pri procesu odobritve posojili informacijska podpora vpliva na hitrost in zanesljivost opravljenega dela. Pri računanju kreditnega točkovanja uporablja specifične programe, ki s pomočjo različnih algoritmov nudijo podporo odločanju o tem, ali je rezultat primeren za odobritev ali ne. Visoka stopnja informatizacije je vidna tudi v slovenskih bankah. Na primer: finančna ustanova Nova kreditna banka Maribor na svetovnem spletu preko e-portala (e-bančništva) nudi svojim komitentom odobritev hitrega kredita v 30 minutah. Sicer mora komitent za odobritev kredita lastnoročno podpisati pogodbo v eni izmed poslovalnic banke [60], a celoten postopek je avtomatiziran. S pomočjo pregleda literature in javno dostopnih podatkov bank lahko sklepamo, da je na področju obravnave kreditov visoka stopnja informatizacije in tako pritrdilno odgovorimo na drugo raziskovalno vprašanje. 33
2.4.9 Pridobivanje odgovorov na raziskovalna vprašanja s pomočjo ankete in intervjuja Poleg pregleda literature smo v sklopu magistrske naloge uporabili dve metodi: anketo in intervju. Sprva je bila anketa namenjena zbiranju dodatnih empiričnih podatkov, kjer bi prek analize odgovorili na specifična raziskovalna vprašanja (RV2, RV4, RV5, RV6). Prva verzija ankete, tako imenovana vzorčna ali pilotska, je bila poslana uslužbenki izbrane banke, ki je na anketna vprašanja odgovorila. S pomočjo njenih odgovorov smo dobili vpogled v to, ali so vprašanja smiselno postavljena, razumljiva, primerna za določene ciljne skupine. Anketa je bila razdeljena na več delov. V prvem delu zajema splošne podatke zaposlenega, v drugem delu je osredotočena na področje uporabe računalnikov in stopnje informatizacije pri odobritvi kreditov, tretji del pa je posvečen odobritvi kreditov in tveganj v poslovnem procesu z uporabo operacijskih raziskav in informacijskih tehnologij. Anketa je v celoti prestavljena v prilogi A. V pilotski ali vzorčni verziji ankete smo ugotovili, da zaradi prevelikega obsega ankete glede na ciljno publiko in pokrivanja širokega spektra uslužbencev anketa s toliko različnimi profili vprašanj ni primerna. Z vidika uslužbenca na izbrani banki je preveč vprašanj povezanih z drugimi oddelki podjetja, zato smo za nadaljevanje izbrali metodo osebnega intervjuja, ki je okrnjena verzija ankete z namenom specifičnih vprašanj za manjšo ciljno skupino. Osebni intervju je bil zamišljen ravno tako kakor anketa z namenom zbiranja dodatnih empiričnih podatkov, kjer bi prek analize odgovorili na specifično raziskovalno vprašanje (RV5). Osebni intervju po izvedbi pilotske verzije ravno tako kakor anketa ni dosegel svojega namena. S pomočjo pilotskega intervjuja smo dobili podobne odgovore kakor v pilotski anketi. Intervju je razdeljen na dva dela. V prvem delu se navežemo na pomen informatizacije na področju odobritve kreditov, medtem ko se v drugem delu osredotočimo na sam proces in njegovo optimizacijo. V prilogi B so predstavljena vprašanja. 34
2.4.9.1 Predstavitev rezultatov odgovorov Na izbrani banki so izpostavili problem o preobsežnem področju, ki ga pokriva anketa. Področja, ki ga anketa raziskuje, ena sama oseba, ki dela na primer kot analitik, ne bi znala odgovoriti na vsa vprašanja, npr. glede statističnih podatkov o kreditih. Izpostavili so, da anketa naslavlja različne postopke/področja, na katerih delajo ločene službe: obravnavo tveganj (zaenkrat samo za podjetja) obravnavo kreditne sposobnosti optimizacijo. Poleg tega so omenili, da pri svojem delu uporabljajo logistično regresijo in Markove verige, medtem ko drugih metod ne uporabljajo. Dejali so tudi, da bi bilo primerno sestaviti intervju. Intervju smo sestavili z namenom pridobitve in analize empiričnih podatkov na odgovor raziskovalnemu vprašanju 5, ki se glasi: Kako lahko uporabimo metode operacijskih raziskav, podprte s pomočjo najsodobnejših tehnologij IKT, za povečanje stopnje informatizacije in avtomatizacije poslovnih procesov odobritev kreditov v bančnem sektorju? Prek elektronskega sporočila smo prejeli informacije testnega intervjuja, kjer vodja oddelka za razvoj metod in modelov obrazloži na splošno, da uporaba metod iz OR v slovenskem v primerjavi z nemškim gospodarstvom zaostaja glede dodane vrednosti na zaposlenega. Pove, da se metod, ki smo jih zaznali pri pregledu literature, na izbrani banki ne poslužujejo. Pove tudi, da v banki dobro leto obstaja oddelek za razvoj metod in modelov, ki se ukvarja z razvojem modelov za parametre tveganja (PD, LGD, CCF). Modeli so poslovna skrivnost banke. V kratkem pride na vrsto tudi prenova procesa odobritve naložb in uvedba različnih novih produktov. Pri svojem delu uporabljajo orodja, kot so: Mathematica, SPSS, Stata, R, v bodoče morda tudi SAS. Vodja oddelka je podal predlog, kjer predvideva (in upa), da bodo v bodoče uporabne vse vrste optimizacij. Zelo pomembno vlogo bi utegnili igrati tudi stohastični procesi. Bančništvo v SLO je bilo doslej v glavnem kreditno usmerjeno, morda se bo v bodoče povečal delež investicijskega (pomembna bo poštena vrednost finančnih sredstev). 35
3 OBRAVNAVA TVEGANJ IN OPTIMIZACIJA PROCESA OBRAVNAVE TVEGANJ NA PODROČJU BANČNIŠTVA Ker se problemsko področje v sklopu magistrske naloge nanaša na odobritev kreditov, je v tem poglavju postopek natančneje razčlenjen. V prvem delu je opisano kreditno tveganje, sledi proces odobritve posojil, njegov opis ter identifikacija šibkih točk. V zaključku je opisan še predlog izboljšav. 3.1 Kredit Definicija kredita je po Slovarju slovenskega knjižnega jezika (2000): materialno sredstvo, izraženo v denarni obliki, ki jih da upnik dolžniku z obveznostjo kasnejše vrnitve [61]. Definicija kredita iz ekonomske stroke: dogovor sklenjen med banko in komitentom, pod pogoji katere jih zastavi banka. Kredit lahko odobri samo banka ali hranilnica, medtem ko lahko posojilo odobrijo tudi drugi subjekti (fizične, ali pravne osebe) [62]. 3.2 Kreditno tveganje Kreditno tveganje je tveganje, ki je prisotno ob vsakem kreditu. Pomeni neprijeten dogodek, da denar ne bo vrnjen. Dogodek je predstavljen kot finančna izguba. Kreditno tveganje s stališča bančne ustanove pomeni, da terjatev bo predstavljala tveganje in ne bo poravnana v znotraj določenih časovnih okvirjev ali preko določenih pogojev s strani dolžnika. Banka smatra kot uspešno zaključen proces posojanja šele tedaj, ko je banki s strani posojilojemalca vrnjen dolg brez kakršnekoli izgube. Omejitev kreditnega tveganja banka doseže na način, da pred odobritvijo temeljito analizira boniteto potencialnega posojilojemalca, spremlja vračanje posojila in razpršuje svoja posojila [63]. V bankah se za minimiziranje kreditnega tveganja ter sklepanje uspešnih kreditnih pogodb uporabljata dve obliki [64]: koncept napačne izbire (ali drugače imenovan predpogodbeni oportunizem, ki je posledica asimetričnosti informacij, kjer ima ena stran boljše informacije o drugi strani) 36
moralnega hazarda (ali drugače imenovan popogodbeni oportunizmem, kjer po sklenitvi pogodbe ena izmed pogodbenih strank prične s povečevanjem koristi na račun druge pogodbene stranke). Napačna izbira predstavlja problematičnost na trgu kreditov, kjer se kaže pri kreditojemalcih, katerih projekti bodo najverjetneje zašli v izgubo. Navedeni rizični kreditojemalci s spornimi investicijskimi projekti si prizadevajo prepričati banko za posojilo z namenom prikritja negativnih informacij. Zaradi prikrivanja informacij obstaja velika verjetnost nevračila kreditov, so le tej najmanj zaželeni na bančni ustanovi [4]. Moralni hazard je na trgu odobritve kreditov pojav, kjer se kreditojemalcu odobri posojilo in se le ta odloči, da pridobljena denarna sredstva vloži v dobičkonosne projekte. Projekti z visoko donosnostjo predstavljajo rizično tveganje. Z visokim tveganjem pomeni, da obstaja višja verjetnost, da posojila ne bodo vrnjena. Za uspešnost banke je ključnega pomena, da se mora izogniti težavam kot sta napačna izbira in moralni hazarda, ki povečujeta stopnjo verjetnosti, da kredit ne bo poplačan. Banka se poskuša zavarovati, na način reševanja problemov preko različnih načel upravljanja s kreditnim tveganjem: s pridobivanjem informacij o kreditojemalcih in nadzorom nad njimi, oblikovanjem dolgoročnega odnosa s strankami, s kreditnimi zavezami, z zavarovanji, vzdrževanjem minimalnega stanja na računu in z racionaliziranjem kreditov (neodobravanjem visoko tveganih projektov oziroma samo v določenem obsegu) [4]. Obstaja več različnih vrst kreditnega tveganja, ki so predstavljene v nadaljevanju [65]: Tveganje neplačila (PD): je osnovna vrsta tveganja, ki nastane iz verjetnosti, kjer kreditojemalec v prihodnosti, ne bo uspel poplačati svojih terjatev. Tveganje neizpolnitve dolžnosti kreditojemalca določata: kreditojemalčeva kreditna sposobnost in doba kreditnega odnosa [65]. Banka za izračun tveganja potrebuje namenski sistem za pridobivanje in obdelavo informacij ter njihovo redno spremljanje s tem kar počne komitent. Kakor se kreditna doba daljša se ravno tako verjetnost, da komitent (kreditojemalec) ne bo izpolnil svojih dolžnosti le poveča (povečuje se tveganje) [65]. Tveganje poplačila (LGD): izvira iz dejstva, kjer banka ne bo uspela izterjati dolga ali ne bo možno poplačati izgube preko prodaje zavarovalnih inštrumentov. Za odobritev kredita na banki, je potrebno zavarovanje, kjer se banka s tem zavaruje v primeru neplačila kredita [65]. Kvaliteta zavarovanja nakazuje uspešnost predhodne 37
analize, ki se kaže ali je izterjava dolga ali poplačila v primeru neplačanega kredita uspešno izpeljana s spremljanjem njegove unovčljivosti (cene, ki jo dosega na trgu) [65]. Tveganje izpostavljenosti (EAD): povzroča jo negotovost pri odplačevanju. Izpostavljenost banke se ločuje na dve kategoriji: maksimalno ter pričakovano [65]. Pričakovana izpostavljenost predstavlja izgubo banke v primeru, da dolžnik ne poravna svojih obveznosti, maksimalna izpostavljenost je predstavljena z največjo vsoto, katero predstavlja banki izgubo v primeru neplačila dolžnika [65]. Kreditno tveganje povzročajo dejavniki, kot so razmere v okolju. V domačem okolju nanje vplivajo politični in izredni dogodki kot npr.: revolucija, državni udar, naravne nesreče, neugodna gospodarska in tržna gibanja (recesija, inflacija, sprememba obrestne mere), sprememba ekonomske politike (sprememba davčne politike, denarne politike, zakonodaje), propad sistema zavarovanj ali garancij [65]. V mednarodnem okolju nanje vplivajo razmere, povezane z vojno, embargom, padcem ali rastjo tečajev, padcem ali rastjo uvoza in izvoza. Na kreditno tveganje vplivajo tudi individualne razmere v panogah in podjetjih [62]. Ocenjevanje kreditnega tveganja je sestavljeno iz kvantitativne in iz kvalitativne analize [63]: Kvantitativna analiza obsega zbiranje in obdelavo podatkov o komitentu z namenom njegove finančne odgovornosti in potreb. Kvalitativna analiza opredeli oceno kreditojemalčeve finančne sposobnosti odplačevanja dolga na podlagi predloženih računovodskih podatkov, planiranih finančnih rezultatov in denarnih tokov. Banka ima kot kriterije za ocenjevanje in merjenje kreditnega tveganja naslednje parametre [66]: ceno in višino posojila ter oceno izgube (sestavljeno iz potencialne, pričakovane in nepričakovane izgube). Banka pred odobritvijo kreditov napravi analizo. V analizi se upoštevajo vrste kreditov in višina kredita ter posebnosti komitenta [66]. Kreditno tveganje se meri z izračuni [66]: verjetnosti tveganja (PD), dejanske izgube v odstotkih (LGD) in izpostavljenosti banke (EAD). 38
3.3 Poslovni proces odobritve posojil Poslovni proces je zaporedje specifičnih aktivnosti, v katerem so vključeni ljudje, informacijski sistemi in stroji, ki med seboj sodelujejo z namenom doseganja poslovnih ciljev [67]. Poslovni proces odobritve posojil je sestavni del vsake bančne ustanove, ki se ukvarja z odobritvijo posojil. Vsak poslovni proces ima tudi določene nivoje tveganja, ki so vezani na kreditno točkovanje. Na podlagi pregleda literature banka ločuje dve skupini kredita: odobritev in zavrnitev kredita, ki vključujeta proces obravnave tveganj. 3.4 Opis procesa Kreditojemalci vzamejo kredite, ker si finančno ne morejo privoščiti določenih dobrin ali storitev v trenutnem obdobju. Največ najemov kreditov je pri nakupih nepremičnin, saj nakup nepremičnine predstavlja velik finančni zalogaj. Vsaka banka ima različne pogoje za najem kredita, različne obrestne mere, različno razporejene obroke odplačila. Prav tako pri vsaki banki obstaja več vrst kredita. Pri odobritvi kredita fizičnim in poslovnim subjektom lahko pride tudi do različnih tveganj. Eno izmed najbolj pogostih tveganj je neplačilo mesečnega obroka. Poleg tega, da mora biti kreditojemalec previden pri rednem plačevanju mesečnih obrokov, mora paziti še na spremenljivo obrestne mere, saj lahko v daljšem časovnem obdobju pride do sprememb, ki vplivajo na njegovo vračanje kredita. Banke pred odobritvijo kredita fizičnim osebam vedno preverijo posameznega uporabnika, ki bi želel najeti kredit (preverjanje v Republiki Sloveniji poteka s pomočjo informacijskega sistema SISBON [68]). SISBON je informacijski sistem, katerega namen je izmenjava in obdelava osebnih podatkov o komitentih, fizičnih osebah med bankami, hranilnicami in drugimi pravnimi osebami, ki so skladno z zakonom uporabnice sistema in upravljavke zbirk osebnih podatkov svojih komitentov. Za zbiranje, obdelovanje in vpogled v podatke ne potrebujejo pisnega soglasja komitenta fizične osebe. V informacijski sistem SISBON se zbirajo in obdelujejo podatki, ki se nanašajo na dejansko in potencialno zadolženost in korektnost izpolnjevanja pogodbenih obveznosti komitentov fizičnih oseb. Navedeni podatki so poleg podatkov, s katerimi banke že razpolagajo, zgolj dodatna informacija pri 39
ugotavljanju njihove kreditne sposobnosti, od katere je odvisna odobritev posla in določitev pogojev za posamezno storitev. Njegovo poslanstvo je upravljanje s kreditnim tveganjem bank, hranilnic in drugih dajalcev kreditov za zagotovitev odgovornega kreditiranja in preprečevanja prekomernega zadolževanja posameznikov, izvajanje nadzora nad upravljanjem kreditnega tveganja v bankah ter statističnega poročanja [68]. Banke poleg izpisa iz informacijskega sistema SISBON preverijo še druge določene podatke, kot sta zaposlenost in dohodki. V primeru, da banka tega ne dobi iz informacijskega sistema, pridobi podatke sama in jih posreduje v bazo SISBON. Vse te lastnosti predstavljajo tveganja pri najemu kredita. Postopek procesa odobritve kredita fizičnim osebam na izbrani banki se začne, ko se kreditojemalec na podlagi zbranih informacij o kreditih bank odloči izbrati banko, pri kateri bo zaprosil za kredit. Banko lahko tudi izbere, če ni komitent. V primeru, da ni komitent banke, le-ta zahteva dodatno potrdilo od njegove matične banke. Banka dobi potrdilo preko informacijskega sistema SISBON, ki opisuje finančno stanje in zmožnost komitenta. Kreditojemalec lahko odda vlogo za odobritev kredita le, če je polnoleten in državljan republike Slovenije. Poleg tega mora kreditojemalec prejemati redne prihodke. Vloga kreditojemalca je sestavljena iz osebnih podatkov, podatkov o zaposlitvi, podatkov o financah, podatkov o kreditih [60] ter vrste kredita, za katerega vlaga vlogo. Komitent ima na izbiro več vrst kreditov. Za primer bančnih kreditov so povzeti podatki o kreditih Nove Kreditne Banke Maribor [60], ki je na dan 11. 1. 2017 imela sledeče možnosti izbire kreditov za fizične osebe: Osebni krediti/ostali krediti o Kredit za zdravje o Kredit za aktivne (dogodivščine) o Kredit za lepoto o Kredit za izobraževanje o Kredit za prenovo doma o Kredit za sodobne (za nakup sodobnih naprav) o Kredit za poroko o Kredit klasik o Mini kredit o Avtomobil kredit o Študentski kredit 40
o Študentski kredit z odloženim plačilom Stanovanjski krediti o Stanovanjski kredit o Stanovanjski kredit z odloženim plačilom o Stanovanjski kredit na osnovi varčevanj Eko kredit (ekološki krediti za nakupe gospodarskih aparatov, prenovitev bivalnih prostorov in električnih avtomobilov) Za osebne/eko kredite je potrebno pri Novi KBM naslednje: veljaven identifikacijski dokument s sliko (osebna izkaznica ali potni list), davčna številka ter drugi dokumenti po presoji bančnega delavca. Za stanovanjske kredite pa pri Novi KBM potrebujejo naslednje stvari: veljaven identifikacijski dokument (osebno izkaznico ali potni list), potrdilo o zaposlitvi in plači kreditojemalca ter poroka (slednje v primeru zavarovanja s porokom), odstopno izjavo in upravno izplačilno prepoved, izjavo poroka pogodbenega plačnika (v primeru zavarovanja s poroki) ter dodatno dokumentacijo glede na različne namene najema kredita (npr. notarsko overjeno kupo-prodajno pogodbo za nakup stanovanja). Po oddani vlogi o kreditu začne banka postopke priprave informativnega izračuna. V informativnem izračunu banka navede kreditojemalcu zahteve o ustreznih dokazilih, ki jih mora komitent dostaviti na banko (oz. bančno poslovalnico), če želi zaprositi za kredit. Banka po prejemu kreditojemalčevih dokazil začne z izvedbo za preverjanje. Izvede se prvo kreditno ovrednotenje komitenta, ali je kreditno sposoben. Nato banka odgovori komitentu, ali je treba zavarovati kredit. Komitent lahko izbira med več vrstami zavarovanj. Možna vrsta zavarovanj kredita: zavarovanje kredita s poroki z vezavo evrskih sredstev z zastavo vrednostnih papirjev z zastavitvijo nepremičnin z ostalimi oblikami zavarovanja in njihovimi kombinacijami. Zavarovanje je potrebno, da se banka deloma izogne tveganju, če kreditojemalec ne bo plačal terjatve do banke v primeru, da ne bo finančno sposoben. Po izboru zavarovanja informacijski sistem banke izračuna njegovo ponovno kreditno sposobnost in če je kandidat ustrezen, lahko nadaljuje, če ne izpolnjuje pogojev, ga avtomatsko banka zavrne. Sledijo še zadnji koraki, kot so priprava pogodbe, ki jo sestavi uslužbenec na banki, ter jo podpišeta uslužbenec (zastopa banko in njene interese) in kreditojemalec, ki s svojim podpisom jamči, 41
da bo spoštoval pogodbo. Po podpisani pogodbi kopijo pogodbe prejme kreditojemalec, kateremu banka na njegov transakcijski račun nakaže sredstva kredita. 3.5 Identifikacija šibkih točk (kritičnih aktivnosti) v procesu Pri analizi procesa in obravnavi tveganj je identificiranih več šibkih točk oziroma kritičnih aktivnosti. Sprva je preučen proces odobritve kreditov in tveganj za banko X. Na podlagi opisa procesa iz različnih virov je pripravljen vizualni model AS-IS, kjer je za proces kreiran model in kjer so določene šibke točke oziroma kritične aktivnosti, nad katerimi so vpeljani ključni indikatorje uspeha ali z angleško kratico KPI. Za prikaz poslovnega procesa je uporabljen model poslovnega procesa in notacije ali krajše z angleško kratico BPMN (business process modeling notation) [67]. BPMN sodi pod okrilje Object Management Group, katera skrbi za standarde na tehnološkem področju. Uporabljena je bila verzija 2.0. BPMN je sestavljen iz treh delov. Prvi del predstavlja poslovni proces, ki je zbirka povezanih, strukturiranih aktivnosti ali opravil, ki proizvajajo storitev ali izdelek za določeno stranko. V drugem delu je model. Model je predstavitev poslovnega procesa. Predstavitev je razdeljena na vizualni procesni model ali diagram procesa, kot tudi ne-vizualni procesni model (npr. model izvajalnega procesa). V tretjem delu je notacija, kjer je zbran nabor elementov (jezik) in pravil, ki se uporabljajo za predstavitev poslovnih procesov v poslovnih procesnih modelih (diagramih). Za modeliranje diagramov je bilo uporabljena spletna aplikacija modeliranja poslovnih procesov v izobraževalne namene podjetja Signavio [69]. BPMN je uporabljen tudi iz vidika življenjskega cikla poslovnega procesa. Življenjski cikel vključuje naslednje aktivnosti: na začetku modeliranje poslovnega procesa, simulacijo, implementacijo, izvajanje in spremljanje ter optimizacijo. V najslabšem primeru je potrebno ponovno modeliranje in tako se ponovi življenjski cikel procesa. 3.5.1 KPI Pri indikaciji šibkih točk (kritičnih aktivnosti) tekom simulacije poslovnega procesa se uporabljajo različne analize. Ena izmed analiz je spremljanje kazalcev učinkovitosti ali KPIjem. KPI je angleška kratica za indikator uspešnosti. Je množica meritev, osredotočenih na 42
tiste zmogljivosti organizacije, ki so kritične za trenutni in bodoči uspeh poslovnega procesa. Le nekatere izmed njih lahko merimo in izboljšujemo s pomočjo simulacije. KPI kot indikator uspešnosti zagotavlja, da nam sporoča uspešnost in s tem povezana tveganja. 3.5.1.1 KPI 1 Zahtevnost odobritve kredita Ključni indikator uspešnosti je postavljen na aktivnost»preverjanje in posredovanje dokumentacije«. Iz tega KPI-ja so pridobljeni podatki o številu dokumentov, ki so v čakalni vrsti obdelave. KPI je osredotočen na delež, koliko hitro uspe banki preverjati pogoje za odobritev kredita. 3.5.1.2 KPI 2 Število kreditno sposobnih komitentov Ključni indikator uspešnosti je postavljen na aktivnost»razvrščanje komitenta v bonitetni razred«. KPI predstavlja število komitentov, ki so razvrščeni glede na svojo kreditno sposobnost. Mednje štejemo kreditno sposobne in kreditno nesposobne. 3.5.1.3 KPI 3 Število pogodb, shranjenih v sistem Ključni indikator uspešnosti je postavljen na aktivnost»posredovanje pogodbe v sistem«. Ta KPI predstavlja, koliko pogodb je shranjenih na podlagi predhodnih odločitev, s čimer lahko merimo kakovosti storitev procesu. 3.5.1.4 KPI 4 Stroški Ključni indikator nad stroški procesa je vgrajen v spletno okolje Signavio, s katerim merimo nastale stroške v procesu odobritve kreditov fizični osebi. 3.5.1.5 KPI 5 Porabljen čas Ključni indikator vgrajen v spletno okolje Signavio. Orodje omogoča meritev preteklega časa pri procesu odobritve kredita. 3.5.2 AS-IS model AS-IS analiza v procesnem modeliranju opredeljuje trenutno stanje procesa. Na Sliki 4 lahko vidimo zelo posplošen model odobritve kreditov, zmodeliran s pomočjo BPMN notacije v spletnem orodju Signavio. Proces vsebuje dve glavni vlogi: banko in 43
komitenta/kreditojemalca. Proces se začne z aktivnostjo izbire banke komitenta, nato mu banka predstavi svoje informacije o kreditih, na podlagi tega se komitent odloči vložiti vlogo za kredit. Ko banka sprejme vlogo, začne s preverjanjem podatkov na podlagi dokumentacije, ki jo posreduje komitent, in s pomočjo informacijskega sistema SISBON. Po preverbi rezultatov in kreditni oceni banka pripravi pogodbo. Komitent pogodbo podpiše. Podpisana pogodba postane veljavna in banka nakaže sredstva na komitentov račun. Z nakazilom sredstev se proces zaključi. Slika 4: Poenostavljen BPMN proces odobritve kreditov S pomočjo zbranih podatkov je na Slikah 5 in 6 prikazan podroben splošen proces s pomočjo BPMN modeliranja. Podatki za modeliranje (aktivnosti, časovno in stroškovno zahtevnost posamezne aktivnosti) so bili delno poiskani v knjigi Jean Dermine [70], kjer nekateri izmed njih niso definirani, kakor si mi predstavljamo proces, saj nekatere podatke avtor v knjigi pusti nedefinirane, ostale, ki pa so definirani, pa smo vzeli za približke. Nato smo približke primerjali s pomočjo spleta [71]. Iz njih smo izluščili podatke, kjer gre za splošen proces odobritve kreditov, ki so dostopni na spletni strani Nove kreditne banke Maribor [60]. Zato je simulacija zgolj vzorec testnega okolja. Proces je sestavljen iz več zaporednih aktivnosti. Komitent se seznani z vsebino kreditov, ki jih ponujajo banke na svojih spletnih straneh ali v poslovalnicah. Komitent se na podlagi ponudb izbere željeno banko, pri kateri se odloči za vrsto kredita. Banka mu nato pripravi informativni račun in ga o tem obvesti, komitent pa 44
se odloči, ali se strinja z njim ali ne. V primeru, da se komitent strinja z informativnim računom, mora banki dostaviti ustrezna dokazila, ki so bila predpisana v informativnem izračunu. Po prejetih dokazilih banka začne s preverjanjem komitentovega finančnega stanja. Po končani aktivnosti preverjanja stanja banka obvesti komitenta o stanju in možnem dodatnem zavarovanju kredita. Komitent izbere zavarovanje v skladu z bančnimi zahtevami. Po prejetju izbire zavarovanja banka izvede temeljito končno poizvedbo nad komitentovo kreditno sposobnostjo. V primeru pozitivne ocene sledi sklepanje pogodbe med komitentom in banko, po podpisu pogodbe se le-ta shrani v informacijski sistem. Banka v zadnji fazi odobritve kredita nakaže denarna sredstva na komitentov TRR. Posamezni koraki modeliranja poslovnega procesa odobritve kreditov so bili razdeljeni na podprocese zaradi kompleksnosti. V podprocesu na Sliki 7 so prikazani krediti, ki jih ima na izbiro komitent. V drugem podprocesu na Sliki 8 je prikazan»informativni izračun«, kjer si aktivnosti sledijo v zaporedju. V podprocesu na Slikah 9 in 10 je predstavljeno kreditno ovrednotenje, kjer komitenta banka poišče v lokalni in SISBON bazi. Če ga v njej še ni, ga doda v lokalno bazo, nato pa ga doda še v SISBON bazo. Ko je komitent najden in so njegovi podatki izpisani, se začne njegovo ovrednotenje. Na Sliki 11 je prikazan podproces možnosti zavarovanja kredita oziroma način, na katerega lahko komitent zavaruje kredit. Validacija modelov je bila izvedena s pomočjo spletnega orodja Signavio. 45
Slika 5: Model AS-IS prikaz komunikacije med banko in komitentom (1. del slike) 46
Slika 6: Model AS-IS prikaz komunikacije med banko in komitentom (2. del slike) 47
Slika 7: Podproces Bančni krediti v modeliranju AS-IS Slika 8: Podproces Informativni izračun v modeliranju AS-IS (1. del) Slika 9: Nadaljevanje podprocesa Informativni izračun (2. del) 48
Slika 10: Podproces Kreditno ovrednotenje komitenta v modeliranju AS-IS Slika 11: Podproces Možnosti zavarovanja kredita v modeliranju AS-IS 49
3.5.2.1 Analiza modela AS-IS Analiza procesa je izvedena s pomočjo spletnega orodja Signavio. Preko spletnega orodja smo na aktivnosti vnesli informativne stroške oziroma število stroškov, ki jih ima določena aktivnost. Informativne podatke smo dobili s pomočjo knjige Jean Dermine [70] in spleta [72]. Kot lahko vidimo v Tabeli 11, je s pomočjo simulacije zagnan poslovni proces. V prvem stolpcu je ime aktivnosti. V drugem stolpcu je vhodni faktor pogostosti izvajanja, v tretjem je prikaz vrednost glede na izvedbo, v četrtem so prikazani so s stroški brez centralnih stroškov (brez zaposlenih, najemnin), v petem stolpcu pa so všteti vsi stroški. Tabela 11: Simulacija procesa AS-IS Brez centralnih stroškov Stroški Skupaj Stroški Aktivnost Vhodni faktor Stroški na izvedbo Izbira banke 0,20 833,33 833,33 833,33 Informacije o kreditih 0,20 4,17 4,17 4,17 Izbira tipa kredita 0,20 166,67 166,67 166,67 Bančni krediti 0,20 8,33 8,33 8,33 Informativni izračun 0,20 25,00 25,00 25,00 Pregled informativnega izračuna 0,20 8,33 8,33 8,33 Vloga za odobritev kredita 0,10 12,50 6,25 6,25 Priprava potrebnih dokumentov/dokazil 0,10 25,00 12,50 12,50 Preverjanje in posredovanje papirjev 0,10 833,33 416,67 416,67 Kreditno ovrednotenje komitenta 0,10 833,33 416,67 416,67 Izbira zavarovanja 0,10 8,33 4,17 4,17 Možnosti zavarovanja kredita 0,10 4,17 2,08 2,08 Ponovno računanje kreditne sposobnosti Razvrščanje komitenta v bonitetni razred 0,10 8,33 4,17 4,17 0,05 8,33 2,08 2,08 Sestavljanje kreditne pogodbe 0,03 12,50 1,56 1,56 Tiskanje kreditne pogodbe 0,03 1,67 0,21 0,21 Podpis pogodbe 0,03 12,50 1,56 1,56 Posredovanje pogodbe v sistem 0,03 1,67 0,21 0,21 Nakazilo na TRR 0,03 1,67 0,21 0,21 Osebni kredit 0,07 25,00 8,33 8,33 Stanovanjski kredit 0,07 833,33 277,78 277,78 Ekološki kredit 0,07 33,33 11,11 11,11 Skupni znesek kredita 0,20 0,00 0,00 0,00 Doba vračanja (v mesecih) 0,20 0,00 0,00 0,00 Skupna obrestna mera 0,20 0,00 0,00 0,00 Stroški odobritve kredita 0,20 0,00 0,00 0,00 Zavarovalna premija 0,20 0,00 0,00 0,00 Skupni stroški kredita 0,20 0,00 0,00 0,00 50
Skupni strošek, ki ga plača kreditojemalec 0,20 0,00 0,00 0,00 Mesečna obveznost 0,20 0,00 0,00 0,00 Iskanje komitenta 0,20 10,00 10,00 10,00 S poroki 0,03 0,00 0,00 0,00 Z vezavo evrskih sredstev 0,03 0,00 0,00 0,00 Z zastavo vrednostnih papirjev 0,03 0,00 0,00 0,00 Z zastavitvijo nepremičnin 0,03 0,00 0,00 0,00 Z ostalimi oblikami zavarovanja in 0,03 0,00 0,00 0,00 njihovimi kombinacijami Brez zavarovanja 0,03 0,00 0,00 0,00 Vpogled v SISBON 0,40 5,00 10,00 10,00 Vnos komitenta in podatkov v lokalno bazo 0,20 5,00 5,00 5,00 Računanje komitentove ocene 0,20 20,00 20,00 20,00 Izpis komitentove ocene 0,20 10,00 10,00 10,00 Seštevek 453,28 2.266,39 2.266,39 V Tabeli 12 je prikazana časovna simulacija. V prvem stolpcu so aktivnosti. V drugem stolpu je vhodni faktor izvedbe, v tretjem pa je izračunan povprečni čas obdelave posamezne aktivnosti. Tabela 12: Časovna simulacija modela AS-IS Aktivnost Vhodni faktor Povprečni čas obdelave [min] Izbira banke 0,20 1.000,00 Informacije o kreditih 0,20 5,00 Izbira tipa kredita 0,20 200,00 Bančni krediti 0,20 10,00 Informativni izračun 0,20 30,00 Pregled informativnega izračuna 0,20 10,00 Vloga za odobritev kredita 0,10 15,00 Priprava potrebnih dokumentov/dokazil 0,10 30,00 Preverjanje in posredovanje papirjev 0,10 1.000,00 Kreditno ovrednotenje komitenta 0,10 1.000,00 Izbira zavarovanja 0,10 10,00 Možnosti zavarovanja kredita 0,10 5,00 Ponovno računanje kreditne sposobnosti 0,10 10,00 Razvrščanje komitenta v bonitetni razred 0,05 10,00 Sestavljanje kreditne pogodbe 0,03 15,00 Tiskanje kreditne pogodbe 0,03 2,00 Podpis pogodbe 0,03 15,00 Posredovanje pogodbe v sistem 0,03 2,00 Nakazilo na TRR 0,03 2,00 Osebni kredit 0,07 30,00 Stanovanjski kredit 0,07 1.000,00 Ekološki kredit 0,07 40,00 51
Skupni znesek kredita 0,20 0,00 Doba vračanja (v mesecih) 0,20 0,00 Skupna obrestna mera 0,20 0,00 Stroški odobritve kredita 0,20 0,00 Zavarovalna premija 0,20 0,00 Skupni stroški kredita 0,20 0,00 Skupni strošek, ki ga plača kreditojemalec 0,20 0,00 Mesečna obveznost 0,20 0,00 Iskanje komitenta 0,20 0,00 S poroki 0,03 0,00 Z vezavo evrskih sredstev 0,03 0,00 Z zastavo vrednostnih papirjev 0,03 0,00 Z zastavitvijo nepremičnin 0,03 0,00 Z ostalimi oblikami zavarovanja in njihovimi kombinacijami 0,03 0,00 Brez zavarovanja 0,03 0,00 Vpogled v SISBON 0,40 0,00 Vnos komitenta in podatkov v lokalno bazo 0,20 0,00 Računanje komitentove ocene 0,20 20,00 Izpis komitentove ocene 0,20 10,00 Seštevek 536,73 3.5.2.2 Ozka grla v procesu Ozko grlo ali angleško»bottleneck«je pojav, kjer je delovanje ali zmogljivost celotnega sistema omejena z viri in njihovim koriščenjem [73]. Ozka grla predstavljajo omejitve in upočasnitev samega procesa. Nekatera ozka grla lahko ugotovimo s pomočjo simulacije, kjer so po navadi vidni tudi vzroki. V Tabeli 13 je v prvem stolpcu predstavljen vir [74]. V drugem stolpcu je ime aktivnosti, ki je bila izvedena in je lahko ozko grlo. V tretjem je uporabljen scenarij za izvedbo procesa (po kateri poti naj si sledi zaporedje dogodkov in vejitev). V četrtem stolpcu je trajanje aktivnostih v dnevih, peti prikazuje skupni čakalni čas, v zadnjem stolpcu pa so primerki, ki čakajo na izvedbo. Z modro barvo je označeno, kjer primerki čakajo največ in je posledično ozko grlo. V simulaciji se je ozko grlo pojavilo na aktivnosti izbora banke, na kar ni mogoče vplivati, saj je to na strani komitenta. Naslednje potencialno ozko grlo se je pojavilo na aktivnosti osebni kredit, kjer je treba zmanjšati skupni čakalni čas. 52
Tabela 13: Ozka grla v AS-IS procesu. Z modro barvo sta označeni ozki grli Viri Aktivnost Uporabljen scenarij Trajanje v dnevih Skupni čakalni čas Primerki, ki čakajo ob prenehanju Kreditojemalec Izbira tipa kredita Izvedba1 5d 2d 09:50h 2 Izbira zavarovanja Izvedba1 5d 00:00h 0 Vloga za odobritev Izvedba1 5d 00:00h 0 kredita Podpis pogodbe Izvedba1 5d 00:00h 0 Pregled Izvedba1 5d 00:00h 0 informativnega izračuna Priprava potrebnih Izvedba1 5d 00:00h 0 dokumentov/dokazil Izbira banke Izvedba1 5d 4d 20:00h 17 Bančni krediti Stanovanjski kredit Izvedba1 5d 5d 02:00h 1 Ekološki kredit Izvedba1 5d 7d 22:00h 8 Osebni kredit Izvedba1 5d 18d 20:00h 7 V simulacijskem poročilu, izvoženem iz Excelove preglednice, je bil tudi tortni diagram totalnega časa izvedbe, prikazan na Grafu 3. Graf prikazuje, katera aktivnost potrebuje največ časa za izvedbo. Največ časa (52 %) je porabljenega pri aktivnosti»vloga za odobritev kredita«. Izbira banke 3% Ostale aktivnosti 0% Aktivnosti Kreditno ovrednotenje komitenta 27% Kreditno ovrednotenje komitenta Preverjanje in posredovanje papirjev Priprava potrebnih dokumentov/dokazil Vloga za odobritev kredita Izbira banke Ostale aktivnosti Preverjanje in posredovanje papirjev 11% Vloga za odobritev kredita 52% Priprava potrebnih dokumentov/dokazil 7% Graf 3: Tortni prikaz vsega časa izvedbe 53
3.6 Predlogi izboljšav V tem podpoglavju izpostavimo vrednosti KPI, kjer na njihovi podlagi predlagamo izboljšave v procesu in na ta način izdelamo TO-BE proces ter ga simuliramo. 3.6.1 Odpravljanje tveganj Na podlagi identificiranih KPI-jev je bila nad poslovnim procesom izvedena analiza za preverbo tveganj v aktivnostih. V poslovnih procesih je po postavitvi KPI-jev treba odstraniti odvečna tveganja. Za odstranjevanje odvečnih aktivnosti se uporablja sistem japonskega avtomobilskega podjetja Toyota. Poimenovan je po Toyotinem proizvodnem sistemu (ali v angleščini»toyota Production System«) [75] [76]. Toyotin proizvodni sistem se nanaša na optimizacijo kakovosti in nenehnega izboljševanja procesov ter odpravo nepotrebnih odpadkov. Glavni cilj sistema so tri japonske besede, ki se začnejo na MU: eliminiranje odpada (Muda), nedoslednost (Mura) in odpravljanje preobremenjenosti (Muri) [75]. 3.6.1.1 MUDA Muda je japonska beseda, ki pomeni»popolnoma nekoristno«ali»odpadki«. Muda je vsaka dejavnost v poslovnem procesu, ki ne prispeva vrednosti [76]. V Tabeli 14 je prikazana vloga v procesu in muda aktivnost, ki nima dodane vrednosti za sam poslovni proces. Tabela 14: Prikaz dejavnosti brez dodane vrednosti Vloga Muda Sistem Tiskanje kreditne pogodbe Sistem Lastnoročni podpis Tiskanje kreditne pogodbe lahko vključimo znotraj aktivnosti»sestavljanje pogodbe«, ravno tako lahko lastnoročni podpis opravimo s pomočjo digitalnega peresa in tablice. 3.6.1.2 MURA Mura je japonska beseda, ki pomeni neravnine, nepravilnost, neskladnost. Mura odpad ločuje na neenakomerno delovno obremenitev ter na časovno potratnost virov ali sredstev, ki so nekonsistentni s standardi [76]. V Tabeli 15 je prikazana v prvem stolpcu vloga, v drugem stolpcu Mura aktivnost z obremenitvijo, v tretjem pa urnik. 54
Sistem Denar Tabela 15: Prikaz obremenitve v vlogah Vloga Mura Urnik Vedno je treba preveriti, če Redno posodabljanje še določen tip kredita spletnih strani banke ter obstaja v bančnih storitvah. novih letakov. Vedno se preveri denar, ki Redno preverjanje stanja ga premore banka za izdajo banke. kredita. Obremenitev sistema je zaznati na aktivnosti»informacije o kreditih«, kjer je potrebno nenehno osveščanje, in na aktivnosti»nakazilo na komitentov TRR«, kjer banka preveri, ali ima na razpolago zadostno količino denarja, da jo lahko nakaže na komitentov transakcijski račun. 3.6.1.3 MURI Muri je japonska beseda, ki pomeni nerazumnost, preobremenjenost. Muri pomeni, da so dejavnosti na človeškem nivoju preobremenjene in jih je treba razbremeniti, medtem ko z vidika strojev lahko to obremenitev povečamo na maksimalen izkoristek [76]. Tabela 16 prikazuje v prvem stolpcu vlogo, v drugem stolpcu preobremenitev na vlogi, v tretjem stolpcu možno optimizacijo in v četrtem stolpcu ukrepe za izvedbo optimizacije. 55
Tabela 16: Prikaz preobremenitve ter optimizacije z ukrepi Vloga Preobremenitev Optimizacija Ukrepi Banka Preveliko število prošenj za odobritev kredita (preverjanje Obremenitev bi zmanjšali na približno ~ 30 na V takem primeru bi morali zaposliti več ljudi v banki. kreditojemalca) ~ 100 na dan. dan. Banka (sistem) Sistem prejme veliko Sistem bi Nadgradnja sistema. podatkov iz mnogih bank. Če bi sistem preveč obremenili, bi ta doživel izpad. optimizirali tako, da bi uvedli odmore med določenim številom predelanih podatkov. Banka Preveliko število pogodb za kreditojemalce na mesec. Uvedli bi določene meje, npr. čas čakanja od ene pogodbe do druge. Povečanje števila zaposlenih v banki. Kreditno preverjane se vrši v podprocesu»kreditno ovrednotenje komitenta«. V primeru prevelikega števila pogodb za kreditojemalce bi se na aktivnosti»sestavljanje kreditne pogodbe«zaposlilo več ljudi. 3.6.2 TO-BE model TO-BE model je prenova poslovnih procesov nad določenimi aktivnostmi, zaradi izboljšanja KPI-jev. Glede na začrtane kazalnike je narejen TO-BE proces. Prenovo poslovnega procesa se lahko izvede na več načinov. Eden izmed načinov je izvedba s pomočjo hevrističnih metod. Hevristika pomeni iz izkušenj pridobljene načine in metode reševanja problemov. Obstaja več vrst hevristik. Vsaka se ukvarja s svojim področjem, npr.: hevristika strank, hevristika izvajanja procesa, hevristika obnašanja procesa. Prenovo lahko izvedemo tudi z metodami, ki temeljijo na zasnovi produkta [77]. Na prenovo poslovnega procesa vplivajo štiri ključni faktorji: čas kakovost 56
stroški prilagodljivost. V modelu TO-BE je treba izboljšati vsaj enega izmed faktorjev. Najbolje je izboljšati vse štiri faktorje, ker le tako izboljšamo poslovni proces v celoti [77]. S pomočjo hevristike izvajanja procesa lahko prenovimo: odpravo opravil (brisanje nepotrebnih aktivnosti) razporeditev opravil (združevanje opravil) vzporednost. Za prenovo poslovnega procesa moramo vzeti v obzir tudi ključne spremenljivke prenove poslovnih procesov, saj moramo vseeno vzdrževati sprejemljivo razmerje med ohranjanjem celovitosti procesa in funkcionalnostjo. Aktivnosti, ki so se spremenile pri prenovi, so predstavljene v Tabeli 17. Prvi stolpec prikazuje aktivnosti pred prenovo, aktivnosti po prenovi so prikazane v drugem stolpcu. Tabela 17: Spremenjene aktivnosti po prenovi TO-BE Aktivnost pred prenovo Aktivnost po prenovi Kreditno ovrednotenje komitenta enako se premakne po izbiri zavarovanja Zastavo evrskih sredstev nova aktivnost zastava Zastava vrednostnih papirjev vrednostnih stvari Zastava nepremičnin Vloga za kredit združeno z aktivnostjo vloga za odobritev kredita Tiskanje pogodbe združeno v novo aktivnost sestavljanje in tiskanje kreditne pogodbe Na Sliki 15 je predstavljen prenovljen model TO-BE, kjer so uporabljene metode za optimizacijo na aktivnostih obarvane z rumeno barvo. Aktivnosti in metode operacijskih raziskav: Na aktivnost informativni izračun je vključena metoda Runge-Kutta. Na aktivnosti računanje komitentove ocene je vključena metoda Markovih verig. 57
Na aktivnosti razvrščanje komitenta v bonitetni razred je vključena logistična regresija. Metode smo vključiti v obstoječi sistem s pomočjo aplikacije Activiti [78], ki zagotavlja skladnost s spletnim orodjem Signavio. Activiti je aplikacija, s katero realiziramo BPM v praksi, zelo podobna aplikaciji Activiti je Bonitasoft, kjer na aktivnosti implementiramo s programskim jezikom Java metode OR ali druge funkcionalnosti. Namestitev in zagon orodja Activiti je sledeča: namestitev Java virtualnega stoja na računalnik, namestitev Eclipsa (programsko okolje), namestitev strežnika Tomcat, namestitev Activiti v mapo webapps strežnika. Po konfiguraciji se prijavimo z uporabniškim imenom in geslom: kermet/kermet. Prikaz začetne strani je prikazan na Sliki 12. Slika 12: Vstopna stran okolja Activiti s stranjo urejanja profila Naslednji korak je preslikava (ponovno zmodeliramo) poslovnega procesa iz Signavio v Activiti. Slika 13 je primer spletnega vmesnika, kjer smo dodali parametre za izvedbo simulacije pomočjo poslušalcev na določeno aktivnost, kjer je implementirana metoda operacijskih raziskav. 58
Slika 13: Spreminjanje vrednosti poslušalcem (dodajanje OR na aktivnosti) Metode operacijskih raziskav so vključene na aktivnosti preko spletne aplikacije Activiti s pomočjo zavihka dodatni atributov aktivnosti, kjer je definirana enačba za operiranje nad podatki. Metode smo vključili/implementirali preko JAR knjižnic. Metode so spisane že v različnih programskih jezikih in javno dostopne na svetovnem spletu preko spletnega naslova https://rosettacode.org/ [79]. Primer Runge-Kutta v programski kodi, ki je bila uporabljena pri simulaciji, je na Sliki 14. 59
Slika 14: Runge-Kutta metoda v programskem jeziku Java Uvoz JAR datotek in sama implementacija je potekala s pomočjo programskega okolja Eclipse. Metoda Runge-Kutta izboljša aktivnost, saj z implementacijo metode na aktivnost pomaga pri preverjanju boljšega informativnega računa na razmerju med predvideno dobo odplačevanja in vrednostjo zneska [78]. Metoda Markovih verig izboljša aktivnost računanja komitentove ocene, kjer pridobi podatke o komitentovem bonitetnem stanju. Logistična regresija izboljša aktivnost z namenom preciznejšega razvrščanja komitenta v bonitetni razred glede na dane podatke v simulaciji. Izboljšava se je prikazala na aktivnostih, kjer metode delujejo kakor sito, kjer ločujejo vzorce. Metode so predstavljene v poglavju 2. Aktivnosti na Sliki 15, obarvane z modro barvo, prikazujejo KPI-je. Aktivnost, obarvana z zeleno barvo, označuje uporabo metod za optimizacijo in umestitev KPI-ja. KPI-je koristimo, da merimo stopnje tveganja v celotnem procesu odobritve kreditov. Slike 16, 17, 18, 19 in 20 prikazujejo prenovljene podprocese znotraj glavnega procesa odobritve kredita pri izbrani banki: komitent izbere banko, komitent izbere vrsto kredita, 60
priprava informativnega izračuna glede na dane podatke, kreditno ovrednotenje komitenta, izbira možnosti zavarovanja kredita s strani komitenta. 61
Slika 15: Prenovljen model TO-BE prikazuje komunikacijo med banko in komitentom 62
Slika 16: Podproces Bančni krediti v modeliranju TO-BE Slika 17: Podproces Informativni izračun v modeliranju TO-BE (1. del) Slika 18: Nadaljevanje podprocesa Informativni izračun (2. del) 63
Slika 19: Podproces Kreditno ovrednotenje komitenta v modeliranju TO-BE Slika 20: Podproces Možnosti zavarovanja kredita v modeliranju TO-BE Analiza TO-BE modela (simulacija) je prikazana v Tabeli 18. Vsebuje podatke o nastavljenih vrednostih ter spremlja stroške izvedbe. V prvem stolpcu je ime aktivnosti, v drugem je vhodni faktor pogostosti izvajanja, v tretjem je prikaza vrednost glede na izvedbo, v četrtem stolpcu so stroški brez centralnih stroškov (brez zaposlenih, najemnin), v petem stolpcu pa je seštevek stroškov določene aktivnosti. 64