Nástroj Third Party Credit Risk pro upozornění na úvěrové riziko třetích stran
Jak monitorujete své dodavatele z hlediska financování nebo provozu pro identifikaci možných zranitelných míst? Jste spokojeni s načasováním nebo přijímáním dat o vašich třetích stranách? Pokud si nejste jisti, pomůžeme vám se s těmito a dalšími otázkami vypořádat pomocí nástroje pro monitoring úvěrového rizika třetích stran!
TPCR Scanner (Živá ukázka)
Znát své dodavatele a identifikovat jejich klíčové zboží a služby je prvním krokem k úspěšné strategii minimalizace rizika. Tento koncept v Deloitte nazýváme jako Third-party Credit Risk (TPCR).
Hlavní doménou TPCR je včasné zachycení rizikových signálů, že se společnost (třetí strana) dostala do potíží, a to z hlediska mnoha faktorů. Náš přístup sleduje příznaky problémů ve finanční a provozní oblasti prostřednictvím různých klíčových ukazatelů výkonnosti (KPI), čímž zvyšuje šance na úspěšnou a včasnou identifikaci rizik.
Tyto příznaky jsou navíc doplněny o automatizované vyhledávání článků v mediích týkajících se třetích stran spolu s identifikací jejich sentimentu. Pomocí naší NLP technologie AOsint dokážeme identifikovat relevantní články (prověřujeme více než 17 jazyků a více než 4 miliony článků denně), zaznamenáváme je a přiřazujeme jim konkrétní skóre podle jejich vyznění. Díky tomu pak mohou naši klienti dostávat upozornění o svých třetích stranách pomocí interaktivního nástroje pro monitoring TPCR.
Přístup TPCR v kostce
1. DATA & PARAMETRY
Sběr dat a kombinace různých datových zdrojů (jako Dun & Bradstreet, open-source data týkající se negativních článků v médiích atd.) s cílem získat co možná nejvíce informací o každé společnosti;
- Shromáždili jsme informace o datech finančního a provozního charakteru a společně se společností jsme stanovili sadu KPI, které mají být sledovány. Ty zahrnují:
- Téměř 20 finančních KPI – např. poměr úrokového krytí (Interest coverage ratio – ICR), poměr mezi dluhem a vlastním kapitálem (Gearing ratio), míra zadluženosti (Debt ratio), EBITDA atd.;
- Téměř 10 provozních KPI – např. poměr OPEX, pohotová likvidita (Quick ratio), běžná likvidita (Current ratio), atd.
- Navíc jsme monitorovali zpravodajství naším open-source nástrojem AOsint (Deloitte aktivum – více informací naleznete zde), abychom dohledali dostatečný počet článků o každé společnosti spolu s rizikovým skóre článků v rámci různých rizikových kategorií a informacemi o jejich vyznění.
2. MODELY STROJOVÉHO UČENÍ (MACHINE LEARNING MODELY)
Dva modely strojového učení pro finanční hodnocení a hodnocení článků v mediích s cílem porozumět spojitostem a zjistit, jaká je pravděpodobnost, že vybraná společnost má potíže nebo se do potíží může dostat dle výsledků prediktivního modelu.
Na základě stanovených parametrů (přizpůsobených na míru zákazníkovi a jeho požadavkům) je logika pro každý model strojového učení definována zvlášť:
- Do finančního modelu bylo zahrnuto téměř 30 KPI za posledních 6 let. Byly použity pro proces učení se zvyšujícím se gradientem (XG Boost) a v dalších krocích byly navrženy stromové modely (Tree models) pro rozhodovací proces s konečným výsledkem 0-1 (vyšší skóre modelu předpovídá, že se společnost dostane do potíží nebo je již má);
- Pro model pro scraping článků na internetu jsme použili open-source zpravodajský nástroj AOsint (více informací naleznete zde) a výsledek v rozmezí 0-1 znamená negativní abnormalitu v médiích (čím vyšší skóre, tím více na pozoru by měl uživatel být, protože články naznačují, že ve společnosti dochází k jevům, které ji mohou dostat do potíží).
3. ALERTY POMOCÍ MONITOROVACÍ NÁSTROJE TPCR
Výsledky z obou modelů strojového učení mají formu alertů, jež klientovi umožňují jednoduše zjistit, které třetí strany se nacházejí ve „špatném“ rozmezí. Toto rozmezí značí, že konkrétní třetí strana (vendor) má potíže nebo se do nich v nadcházejícím období dostane.
Poté se klient může zaměřit na podrobnosti o každém vendorovi – od finančního hlediska až po hledisko negativních článků v médiích.
Pojďme se na naše řešení podívat podrobněji
Tento komplexní dashboard se skládá ze 4 stránek (nebo v terminologii Tableau ze samostatných dashboardů), které pokrývají obchodní příběh, počínaje identifikací včasných signálů, že má společnost potíže, a se zahrnutím všech potřebných detailů.
Jako uživatel máte k dispozici seznam společností (dle vašeho výběru), na které se můžete podívat blíže, abyste získali obecný přehled, ale zároveň i podrobné informace o každé z nich. V daném případě vidíte 30 společností (pro ilustraci – seznam může obsahovat tolik společností, kolik si klient přeje).
Můžete rychle zjistit, kolik společností se nachází v potížích z hlediska financí i z hlediska negativních článků v médiích. Jejich výběrem vyfiltrujete další zobrazení v rámci dashboardu.
Poté můžete pokračovat k dashboardu snapshotů společnosti, kde můžete stav věcí dále prověřit např. podle hodnot KPI nebo počtu článků. Do této analýzy bylo zahrnuto několik finančních a provozních KPI za posledních 6 let.
Další stránka nazvaná Detail společnosti poskytuje uživateli podrobné informace o finančních KPI, takže můžete sledovat každý klíčový ukazatel v období posledních 6 let. Navíc vám tento dashboard nabízí porovnání se srovnatelnými skupinami (srovnatelné skupiny na základě vaší definice nebo požadavků).
Na dashboardu s podrobnostmi o negativních článcích v médiích můžete své zobrazení doplnit o všechny detaily týkající se článků o vybraných společnostech. Tento dashboard a zvláště pak výsledky dostupné na této stránce jsou generovány open-source zpravodajským nástrojem nazvaným AOsint.
Výhody TPCR pro naše klienty:
- Nejen včasné signály o problémech třetích stran, ale také předpovědi, zda by se prodejce mohl v příštím období dostat do potíží;
- Plně automatizovaná technologie Natural Language Processing (NLP) S minimem manuálních vstupů
- Model pro web scraping článků na internetu (na základě AOsint) monitoruje zprávy ve více než 17 jazycích a je schopen prověřit až 4 miliony článků denně;
- Naši klienti získají monitorovací nástroj pro trasování všech požadovaných společností a mohou velmi rychle najít ty, které se dostaly do potíží (na základě upozornění ze strojového učení → finance a zpravodajství)
- Kompatibilní s nejrůznějšími BI nástroji jako např. Tableau, MS Power BI, atd.;
- Po úvodní kontrole jsou dostupné další podrobnosti o různých finančních a provozních KPI spolu se všemi články;
- Funkce exportu nástroje pro monitoring TPCR – prvotní data, která byla zpracována oběma modely strojového učení a poskytují dodatečné AI poznatky, mohou být prodána dalším zákazníkům v rámci podpory monetizace dat.
