Kreditscoring og kryds/opsalg - hurtig og fair kundebehandling. SAS Forum 3. juni 2010

Transkript

1 Kreditscoring og kryds/opsalg - hurtig og fair kundebehandling SAS Forum 3. juni 2010

2 Dagsorden Baggrund og formål Projektforløb Arkitektur Kreditscoring anvendelse i daglig sagsbehandling Rapportering og analyse Salgsmodeller anvendelse i daglig salg Business case Fremtidsmuligheder 2

3 Baggrund Uroen på de finansielle markeder i 2008 medførte større fokus på de enkelte bankers kundeporteføljer Banken ønskede et større kendskab til kreditboniteten i porteføljen og herunder muligheder for at kunne følge udviklingen Samtidigt ønskede banken at øge kundeloyaliteten ved brug af statistiske modeller på salgssiden Kombinationen af et ratingsystem til kreditvurdering og salgsmodeller skal sikre, at fremtidigt vækst sker på forsvarlig vis De store banker bliver dygtigere til at udvælge de gode kunder - prisdifferentiering Banker uden kvalitetsværktøjer forventes at sidde tilbage med dårlige kunder De fleste mellemstore institutter har egne værktøjer 3

4 Formål og forventninger Effektivisere kreditprocesserne Reducere kredittab Optimere overtræksbehandlingen Effektivisere salgsindsatserne i Kundeservice og Rådgivning Målrettet markedsføring til udvalgte kunder Mindske kundeafgang ved at øge loyaliteten Øge indtjeningen ved, at øge salget til eksisterende kunder Differentieret prissætning efter risiko Forbedret rapportering og analyse af kreditbonitet 4

5 Projektforløb Projektopstart sommeren 2008 Projektafklaringsrapport pr. 1. oktober 2008 Aftale underskrevet med SAS Institute december 2008 Planlagt implementering slut 2009 Beslutning om konvertering til SDC har forrykket tidslinien Det tog længere tid end forventet at få historiske data systematiseret Opsalgsmodel klar april 2010 Ratingsystem godkendt medio maj 2010 Krydssalgsmodel klar ultimo maj

6 Arkitektur 6

7 Pre-configured ETL flows BEC Kilde Data SAS Detailed Data Store Pre-configured ETL flows SAS Credit Risk Management Solution SAS Banking Intelligence Solution Analytical Base Tables Model Development Internal Rating System Write back PDinformation PD Calculation Model Management Pre-configured ETL flows PD Report Mart PD Reporting SAS Business SAS Common Intelligence Meta Data Platform Regulatory Capital Calculation Risk Report Mart Credit Risk Mart Risk Engine Web Reporting Multi Dimension Model 7

8 Arkitektur 8

9 Modelovervågning og rapportering Webbaseret overvågning af modellernes performance efter implementering Generiske rapporter Modelperformance Analyse af inputvariable Customiserede rapporter Egne statistiske performancemål Specielle rapporter til ledelsesrapportering 9

10 Ratingsystem i daglig anvendelse Kundens rating skal være synlig i systemet medarbejderportal på SDC Kundemedarbejderne skal lære at bruge ratingen i serviceringen af kunder Ex. spærrede kort, bevilget overtræk, Rating skal med i daglig overtræksbehandling Kundens rating skal automatisk hentes ind på alle kreditansøgninger Skal indbygges i vores automatiske kreditbeslutninger Ex. kan være max blanco afhængig af rating Automatisk ja, hvis rating bedre end B Automatisk nej, hvis rating dårligere end B Manuel hvis rating = B 10

11 Kreditvurdering - boksen Tilbagebetalingsevne Stærk JA Svag NEJ Lavt Højt Blanco 11

12 Variable i scorekort PD behaviour I alt 10 variable f.eks. Kundens alder Låneformål Kundens postnr. Ud fra scorekortet beregnes sandsynligheden for om kunden defaulter (PD) inden for de kommende 12 måneder. 12

13 Kunder inddelt i rating klasser - eksempel C; 0,2% BBB; 15,9% B; 1,2% D; 0,5% BB; 4,3% AAA; 11,0% AAA AA A BBB BB B C D A; 33,3% AA; 33,7% 13

14 Udlånseksponering inddelt i rating klasser - eksempel BBB; 16,0% B; 0,5% BB; 3,9% C; 0,1% D; 0,4% AAA AA AAA; 9,4% A BBB BB B C D A; 34,9% AA; 34,9% 14

15 Rapportering Kredit bonitet (Eksponeringer og antal kunder) Vandring mellem ratingklasser Udviklingen i defaults over tid Nedskrivninger (Individuelle og gruppevise) Overtræk/restance pr ratingklasse (60/90/180 dage pr ratingklasse) Restance/overtræk migration 15

16 Analyser Mulighed for lave karakteristik analyser af den enkelte ratingklasse f.eks Kunder i ratingklasse B s alder, civilstatus, løn mv. Overtræk/restance analyse på alder, køn, postnr mv. Tabsanalyser 16

17 Opsalgsmodel Målet => Flere private kunder med lønindgang i Eik Bank Årsagen: Bank med lønindgang = Primær bank = Højere loyalitet Opsalgsmodellen analyserer adfærden hos kunderne med lønindgang Adfærdsmønstret kan herefter bruges til at analysere kunder uden løngang sandsynlighed for at få løningang Dermed kan vi målrettet gå efter de rigtige kunderne med potentiale for lønindgang Merindtjening Flere produkter Større loyalitet Mindre prisfølsomhed 17

18 Opsalgsmodel Analysen har vist at følgende variable er signifikante: Indlånssaldoens maksimum i perioden Summen af Visa-transaktioner i perioden Antal produkter (kort, depoter, lån, etc.) Kundens bopæl opdelt i regioner Om kunden har værdipapirdepot Om kunden har boliglån Hver enkelt variable giver kunden point ikke blot ja/nej størrelsen har betydning ;-) Kundens samlede pointtal viser sandsynlighed for lønindgang i fremtiden 18

19 Opsalgsmodellens anvendelighed Salgssignaler i Kundeoverblik Kunder med større sandsynlighed end eksempelvis 50% for lønindgang Løbende Direct Mail-aktivitet for at påvirke kundernes til at få lønindgang Automatisk udsendelse af Direct Mail (f.eks. hver måned) til nye i modellen Kunderne skal selvfølgelig ikke modtage den samme Direct Mails hver måned Første Direct Mail-aktivitet vil blive udsendt i maj Sendes til kunder med 50% sandsynlighed for lønindgang Beskrivelse af fordele for lønindgang og Eik Bank generelt Spørger kunden om hvad der skal til for at få lønindgang i Eik Bank 19

20 Opsalgsmodel 20

21 Krydssalgsmodel Finde kundens Next best-product Kundernes nuværende kontofordelinger bruges til at finde mønstre i kontogrupperingerne Sælge flere produkter til eksisterende kunder Skabe øget indtjening Skabe større loyalitet Dække kundes behov 21

22 Krydssalg Eksempel på krydssalgsmodellen 22

23 Krydssalgsmodellens anvendelighed Salgssignaler i Kunderoverblik På de fleste kunder vil der være et salgssignal om Next-best-product Løbende Direct Mail-aktivitet Afhængig af sæson m.v. vil der blive aktiveret forskellige kampagner Vigtigt at den enkelte kunde ikke modtager Direct Mails hver måned styres via CRM Første Direct Mail-aktivitet vil blive udsendt primo juni Sendes til kunder med potentiale for MasterCard Beskrivelse af mulighederne ved Eik Banks MasterCard Spørger kunden om hvad der skal til for kunden vælger vort MasterCard 23

24 Business case Oprindelig: Nettoindtjening udregnet over 5 år Tilbagebetalingstid på 2,23 år Fuldt implementering driftspåvirkning i år 4 Nyt estimat april 2010: Tilbagebetalingstid på 2,62 år Tidsplan skubbet ½ år Indtægtssiden er påvirket af: Konkurrencesituationen Ændring i marginaler og priser 24

25 Business case Indtjening på: Kreditbevilling/rapportering Rykkerprocedure Kundelinie Kredittab lavere Øget salg Kundefastholdelse Lavere kapitalbinding 25

26 Fremtiden CRM system skal udnyttet dataintegration til nuværende SAS løsning Effektiviseringer Automatiseringer Samarbejde 26

27 Spørgsmål? 27