En rekord er sat. SDC s PD-løsning til IFRS 9 15/6-2017

Transkript

1 En rekord er sat SDC s PD-løsning til IFRS 9 15/6-2017

2 SDC i tal 124 KUNDER I NORDEN 3,6 mio. SLUTKUNDER 8,5 mio. KONTI Danmark Etableret i ,8 mio. slutkunder 4,4 mio. konti Norge Etableret i ,4 mio. slutkunder 3,0 mio. konti Sverige Etableret i ,3 mio. slutkunder 0,8 mio. konti Færøerne Etableret i ,12 mio. slutkunder 0,30 mio. konti 1704 mio. OMSÆTNING 4 mia. dkr. er investeret i et moderne og fleksibelt kernebanksystem 2

3 Retning og formål Vision At levere en positiv bankoplevelse til vores kunder og deres kunder til en konkurrencedygtig pris Mission At tilbyde nordiske pengeinstitutter innovative, effektive og brugervenlige full-service ITløsninger til en konkurrencedygtig pris 3

4 Opsummering hvorfor vælge SDC? Dele udviklingsomkostningerne med 124 andre nordiske banker Del af en nordisk løsning forberedt på vækst med fokus på at levere en positiv bankoplevelse Effektivitetsgevinster tilfalder kunderne Moderne og fleksibel Core Banking platform Attraktive priser 4

5 Området og kontekst Hvordan skulle SDC håndtere IFRS 9? Afvejning af modeller mellem tabsprocenter og mere fremadskuende modeller fra CRD? Valget faldt på fremadskuende modeller men kunne vi løfte opgaven? PoC i sommeren 2016 skulle vise, om det kunne lade sig gøre at lave PD ere 5

6 Hvordan kom vi i mål med PoC? Vi anvendte vores allerede eksisterende datawarehouse Startede med de mest basale informationer på vores kunder Arbejdede agilt med både data procurement og modeludvikling simultant Hvad var kriteriet for succes? Gini-koefficient Kunderne var begrænset deltagende 6

7 Overvejelser i forbindelse med PD-modellering til IFRS 9 Hvad er en god model, og hvornår er den god nok? Hvordan udvikler man en god model på et sparsomt datagrundlag (få eller ingen defaults) Hvordan måler man en models performance? Hvilke metoder er der anvendt? Hvad skal der tages højde for i modeller baseret på poolet data? Hvordan håndteres forskelligheder i kreditpolitik? Skal modellerne være forretningsmæssigt forståelige? 7

8 Hvad skete der efter PoC? Beslutning om at fortsætte i den retning Pludselig var der enormt mange interessenter Finanstilsynene Samarbejdspartnere LOPI, EIKA m.m. Enkeltkunder med forventninger og krav (omkring 120 ) Usikkerhed på konsekvenser betød aftale om leverance 31/3-2017, herunder en fungerede PD-model Datawarehouset, vi anvendte, blev pensioneret. 8

9 Hvad gjorde SDC efter beslutningen? Vi fortsatte ufortrødent i samme retning Fortsatte med at udbygge ABT en og modellerne på nyt datawarehouse Én ABT til det hele Sep 2015 ABT Model and Scoring Columns PD ABT Structure ABT Control Columns Column 1 Column 2 Column 3 Column 4 Column 5 Column N Target PD-Est PD-Over Est Back Over Back Flag PD Monthly Process Flow using SAS DI Load ABT Columns from various data sources. Calculate an estimated PD score. Kontinuerlig forbedring Oct 2015 Column 1 Column 2 Column 3 Column 4 Column 5 Column 6 Column 7 Column 8 Column N PD-Est PD-Over Target Est Back Over Back Flag Load PI override PD scores from PD reception area Update target column t-12 months. Insert 0 or 1 for customers who have defaulted. Hvordan skulle vi fylde hullerne? Indhenter ekstern information Sep 2016 Column 1 Column 2 Column 3 Column 4 Column 5 Column 6 Column 7 Column 8 Column 9 Column 10 Column 11 Column N PD-Est PD-Over Target Est Back Over Back Flag Run Backtest for SDC calculated PD. (period/model/bank) Run Backtest for PI overrides. (period/model/bank) Optional warning flag if GAP between PI and SDC backtest is significant Load monthly scores to Kerne reception area for further ECL calculation. 9

10 Anvendelse af eksterne datakilder Data for adfærd og bevilling er i nogle tilfælde sparsomme Introduktion af failure score fra Bisnode for at berige data for erhvervskunder (bevilling + adfærd). Her anvendes både ratings og scores Hvordan anvendes en failure score i en PD-model? Håndtering af (manglende) dækningsgrad? 10

11 Logisk overblik PD Logical process view Data Procurement Data Preparation ABT Development Model Build and Validation Model Deployment Analytical foundation data for Private Customer behaviour Probability of Default model for Private Customer behaviour Analytical foundation data for Private Customer grants Probability of default for Private Customer grants External Data sources Data Integration and transformation Analytical foundation data for Commercial Customer behaviour Analytical Datamining Probability of default for Commercial Customer behaviour Model Scoring Scored data population Data distribution for further processing Internal Data sources Analytical foundation data for Commercial Customer grants Probability of default for Commercial Customer grants Analytical foundation data for SME Customer behaviour Probability of default for SME Customer behaviour Analytical foundation data for SME Customer grants Probability of default for SME Customer grants 11

12 Krav til teknologi i en iterativ udviklingsproces med moving target Mange interessenter Agil udviklingsfase IFRS 9 hos SDC Datagrundlag, der kontinuerligt forbedres og udvides Ønske om tidlig forbrænder på ECL-beregning og dermed PD 12

13 Krav til teknologi i en iterativ udviklingsproces med moving target Infrastruktur Fleksibel, enkle muligheder for udvidelse, Processer Klare, enkle, simple, få, Software Let at replikere modeller og kode, automatiseret score-kode, overskuelig, dele kode med relevante projektmedarbejdere, Struktur Fastdefineret, navnekonvention, ensartet måde at arbejde på, Dokumentation Selvdokumenterende kode, automatiseret versionering mht. modelleringsdata, model, scoringsdata, timestamps, Sæt i gang!!! 13

14 Så kom vi under pres Ledelsen udtalte sig til pressen (Børsen) om SDC s hårde deadlines. Ved udgangen af marts vil de nemlig have, at SDC giver en indikation af, hvordan nedskrivningerne påvirkes. Da vi fik den sidste år, forbandede jeg den og tænkte, at det ikke kunne lade sig gøre, og at det var unfair. Vi var tættere på målet, så Nu synes jeg, at det er fantastisk, fordi det gør, at vi arbejder hurtigere. Det betyder også, at hvis der er nogle ting 31. marts, som ikke et helt præcise, så har vi stadig tid til at arbejde med det," siger Lars Rasmussen. 14

15 Vi kom i mål og fortsætter ufortrødent Var vi færdige? Havde vi et anvendeligt resultat? Best in class!!! 15

16 Vi kommer i mål og de fælles udfordringer SME vs. privatkunder Basel-grupperinger Modelleringsniveau Faciliteter Kunde Basel II-grupper 16