1

Tema 14

Skoring modeli upravljanja kreditnom politikom

banaka

Sarajevo, Decembar 2013.

2

3

S A D R Ž A J

1. Uvod .................................................................................................................................... 4

2. Koncept kreditne politike .................................................................................................... 5

3. Principi kreditne politike ..................................................................................................... 6

3.1. Znakovi narušene kreditne kulture .............................................................................. 7

4. Kreditni skoring .................................................................................................................. 8

4.1. Kome je namjenjen kreditni skoring? .................................................................... 11

4.2. Vrste kreditnog skoringa ........................................................................................ 13

4.3. Koraci u izgradnji skor kartice .............................................................................. 15

4.4. Kredit skoring modeli za stanovništvo ................................................................... 18

4.5. SME skoring model ................................................................................................ 23

5. Zaključak ........................................................................................................................... 27

6. Literatura ........................................................................................................................... 27

4

1. Uvod

Za većinu banaka, krediti čine polovicu ili više od njihove ukupne aktive, te oko 1/2

do 2/3 njihovih prihoda. Rizik u bankarstvu ima tendenciju koncentracije u kreditnom

portfelju pa ukoliko banka zapadne u ozbiljne finansijske teškoće, problemi obično krenu od

kredita koji se ne mogu naplatiti zbog lošeg upravljanja, loših politika kreditiranja ili zbog

neočekivanog ekonomskog preokreta. Kvalitet kredita i ostalih dijelova aktive samo je jedna

dimenzija poslovanja banke koja se ocjenjuje prema jedinstvenom sistemu rangiranja

finansijskih institucija. Sve relevantne dimenzije bankarskog poslovanja objedinjene su u

jedan cjelokupni numerički rejtnig nazvan CAMELS rejting a znači:

Adekvatnost kapitala (Capital)

Kvalitet aktive (Aassets)

Kvalitet menadžmenta (Management)

Evidencija zarade (Earnings)

Stanje likvidnosti (Liquidity)

Osjetljivost na tržišni rizik (Sensivity)

Banke sa ocjenama 4 ili 5 češće se ispituju od banaka sa najvišom ocjenom tj. 1,2 ili 3 gdje

ocjene znače1:

1 = snažno poslovanje

2 = zadovoljavajuće poslovanje

3 = korektno poslovanje

4 = granično poslovanje

5 = nezadovoljovajuće poslovanje

Gore navedeni tekst govori o načinu ocjenjivanja rada banke i ocjeni koju banka može dobiti

za svoje poslovnje. Tema ovog seminarskog rada odnosi se na skoring modele upravljanja

kreditne politike banaka kao jedne od najvažnijih politika poslovanja banke. Bit će obrađeni

skoring modeli za stanovništvo i skoring modeli za mala i srednja preduzeća (SME).

1 P. S .Rose, „Menadžment komercijalnih banaka“, str. 523, četvrto izdanje, Mate 2003.

5

2. Koncept kreditne politike

Vremenski posmatrano, različiti faktori su uticali na strukturu bankarskih kredita ali i

samu proceduru kreditne politike banke. Do 30-tih godina banke su uglavnom odobravale

kratkoročne kredite, koji su se smatrali samolikvidirajućim jer su kao osnovu imali mjenicu

koja je proizilazila iz konkretnog dužničko-povjerilačkog odnosa, koji se obično likvidirao u

periodu od 3 mjeseca2. Nakon 30-tih godina nastaje dinamičjniji privredni rast, ubrzani

industrijski razvoj kao i razvoj međunarodnih ekonomskih odnosa a u strukturi kredita sve je

značajnije učešće srednjoročnih i dugoročnih kredita. To je prouzrokovalo potrebu

kompleksnije kreditne analize kao i procedure provjere kreditne sposobnosti debitora što je

rezultiralo visokim stepenom formalizacije kreditnih odluka u cilju minimizacije rizika

mogućeg gubitka banke.

Adekvatna kreditna politika je ona koja respektuje opšte i formalne uslove za

odobravanje kredita, tj. ona koja usmjera kreditne plasmane u propulzivne privredne grane i

sektore, koji obezbjeđuju srazmjerno najveće stope akumulativnosti i izvozne ekspanzije,

obezbjeđujući u isto vrijeme i stabilnost pojedinačnoj banci kao kreditoru3. Dobro

struktuirana i vođena kreditna politika manifestuje se kroz kontinuirano održavanje visokog

niova kvaliteta i profitabilnosti kreditnih plasmana, uz istovremenu minimizaciju kreditnih

rizika.

Postoje dvije tendencije u koncipiranju kreditne politike. Prvi koncept se zasniva na

primjeni metedoloških kreditnih odluka a druga koncepcija na standardizaciji kreditne

politike. Ova dva pristupa izmaju različit relativni značaj u razvijenim tržišnim privredama i

nedovoljno razvijenim tržištima. U razvijenim tržišnim privredama kreditna politika banaka u

većoj mjeri zasnovana je na formiranju što boljih odnosa između između stopa profitabilnosti

i stopa kreditnog rizika. U nedovoljno razvijenim tržištima kreditna politika se više oslanja na

regulativne parametre gdje se posredstvom države obezbjeđuju alokativne i selektivne

dimenzije kreditne politike.

2 S. Komazec, B. Krstić, A. Živković, Ž. Ristić, „Bankarski menadžment upravljanje savremenim bankarstvom“,

str. 621, Beograd, 1998.

3 S. Komazec, B. Krstić, A. Živković, Ž. Ristić, „Bankarski menadžment upravljanje savremenim bankarstvom“,

str. 622, Beograd, 1998.

6

3. Principi kreditne politike

Opšti principi kreditne politike koji su relevantni za sve banke i sve vrste kredita su:

1. Banka mora izbjegavati visok stepen koncentracije kredita u jednu granu,

sektor ili oblast privrede,

2. Banka može zahtjevati da komitenti koji traže odobravanje kredita održavaju

određeni iznos finansijskih resura kao inicijalni izvor parcijalnog obezbjeđenja

kredita,

3. Odobravanje kredita podrazumjeva strogo formalizovanu proceduru

utvrđivanja uslova,

4. Osim kredita sa visokom stopa obezbjeđenja (klasa A), svi ostali kreditni

zahtjevi moraju biti praćeni finansijskim izvještajima debitora u posljednjih

godinu dana,

5. Kredit se odobravaju uz amortizacioni plan otplate,

6. Banka je zainteresovana da prioritetno pokriva legitimne zahtjeve za

kreditiranje likvidnih potreba,

7. Banka mora nadzirati i kontrolisati korištenje kredita

Pored ovih opštih principa postoje i specifični principi koji su karakteristični za

pojedine banke i neke vrste kredita. To su:

1. Kratkoročni kredit privredi za prevazilaženje kraktoročnih finansijskih

problema ne smije biti odobren na period duži od 90 dana,

2. Utvrđivanje stope maksimalnog obima kredita prema nominalnoj vrijednosti

zaloga treba da se stopa kreće u rasponu od 50-97 %,

3. Preporučljivo je da se kreditne linije ugovaraju na period od godinu dana,

4. Banke su prinuđene da posebno vode računa o osiguranju dugoročnih kreidta u

ciljiu minimizacije rizika,

5. Banke mogu definisati posebne nadzorne i supervizorske režime kontrole za

specifične vrste kredita.

Na osnovu navedenog može se zaključiti da svaka banka može definisati sopstvenu

kreditnu politiku zasnovanu na sopstvenim principima, kreditnoj analizi i proceduri

donošenja kreditnih odluka.

7

3.1. Znakovi narušene kreditne kulture

U priručniku za nadzor poslovnih banka Centralna banka SAD-a (FED) navodi

sljedeće probleme kao znakove narušene kreditne kulture4:

1. Odobravanje kredita povezanim osobama - pretjerana ovlaštenja za

odobravanje kredita direktorima i velikim dioničarima ili u njihovu korist pri

čemu se ne poštuju načela zdravog kreditiranja na području izloženosi prema

povezanim osobama.

2. Nepoštivanje kreditnih načela – pojavljuje se kada krediti koji nose povećani

rizik otplate se ili odobravaju uz nezadovoljovajuće uslove ili se plasiraju uz

potpunu svijest o narušavanju načela zdravog kreditiranja

3. Zabrinutost u vezi sa realizacijom planiranog prihoda – situacija u kojoj

briga oko zarade premašuje poštivanje zdravih načela kreditiranja uz

očekivanja da se rizik neće ostvariti ili će rezultirati sa nezadovoljavajućim

rezultatima otplate.

4. Nepotpuni kreditni podaci - krediti su odobreni bez odgovarajuće procjene

kreditne sposobnosti dužnika

5. Neprimjerena poslovna praska – ovo je čest uzrok odluka o odobravanju

plasvaman loše kvalitete. Odražava se u nedostataku primjerenog nadzora

starih, poznatih dužnika, ovisnost o usmenim informacijama umjesto

pouzdanih i potpunih finansijskih izvještaja. Banke mogu ignorisati znakove

upozorenja vezane za pojedinog družnika, ekonomiju, regiju, industriju ili

druge bitne faktore.

6. Nedostatak nadzora - nedostatak nadoza rezultira nedostatkom znanja o

poslovanju dužnika tokom otplate kredita.

7. Stručna neosposobljenost - nedostatak tehničkog znanja među kreditnim

referentima kod analize finansijskih izvještaja te pribavljanja i procjena bitnih

kreditnih podataka.

8. Loš odabir kredita – odobravanje kredita s prvobitno niskim nivoom

finansijskih rizika u iznosu koji premašuju razumnu platežnu sposobnost

dužnika, krediti kod kojih je učešće u ukupnim troškovima finansiranja

projekta koji snosi banka razmjerno visoko u odnosu na kapitalnu investiciju

4 H.Geruning, S.B.Bratanović, „Analiza i upravljanje bankovnim rizicima“, str.150, drugo izdanje, Mate Zagreb

8

vlasnika, krediti koji se zasnivaju na očekivanju o uspješnom završetku

poslovne transakcije a ne na kreditnoj sposobnosti dužnika, krediti

preduzećima koja posluju u ekonomski problematičnim područjima, krediti

odobreni zbog visokog iznosa depozita u banci a ne ekonomski opravdane neto

vrijednosti ili sredstva osiguranja i krediti koji se zasnivaju na kolateralu

problematične likvidacijske vrijednosti ili osigurani krediti kod kojih izostaju

odgovarajuće marže osiguranja.

4. Kreditni skoring

Kvantifikacija rizika predstavlja jedan od osnovnih izazova savremenog bankarstva i

finansija a osnovni cilj kvantifikacije kreditnog rizika vezan je za procjenu potencijalnog

gubitka koji nastaje kao posljedica prirode posla koji banka obavlja. Difolt (eng. default)

predstavlja status dužnika banke koji označava nemogućnost dužnika da izmiruje svoje

ugovorene obaveze prema povjeriocu, odnosno banci5 a vjerovatnoća difolta dužnika (eng.

probability of default - PD) predstavlja vjerovatnoću da će dužnik (druga ugovorna strana) ući

u status neizmirenja obaveza u periodu od godinu dana6. Kako bi se ovakve situacije izbjegle,

odnosno kreditni rizik ublažio, banke upravljaju kreditnim rizikom tako što vrše selekciju i

kredite odobravaju samo klijentima koji ispunjavaju odgovarajuće kriterijume.

Finansijske i kreditne institucije se koriste različitim sredstvima i alatima prilikom

donošenja odluke o tome da li odobriti kredit ili ne. Među tim alatima posebno je važno

spomenuti credit scoring ( u daljnjem tekstu kreditni skoring), kao statistički izveden alat koji

obuhvata skoring karticu i skup statističkih podataka. Kreditni skoring je sistem gdje se

dodeljuje numerička ocjena svakoj od ulaznih karakteristika klijenta, a suma svih numeričkih

ocjena se zatim upoređuje sa postavljenim pragom (eng. threshold)7. Fair, Isaac and Company

je 1959 godine razvila prvu skor-karticu za American Finance Inc. koja se bavila indirektnim

kreditiranjem kupovine automobila. Kreditni skoring je savremen način za selekciju dužnika i

mjerenje izloženosti prema kreditnom riziku koji se u velikoj mjeri zasniva na ubrzanju i

automatizaciji procesa odobravanja kredita. Prvobitni radovi u polju procjene vjerovatnoće

difolta vezani su za (Beaver, 1967) i (Altman, 1968) koji su razvili modele za predikciju

difolta kompanija koristeći finansijske omjere ili finansijska racija kao nezavisne varijable.

5 Narodna banka Srbije, 2010.

6 Narodna banka Srbije, 2010.

7 http://denebs.com/wp-content/uploads/2011/07/Seminar-o-razvoju-kreditnog-skoringa-SME-segment.pdf

9

Beaver prezentira prvi moderan statistički model za predviđanje finansijskog neuspjeha. On

je svoj model bazirao na finansijskim omjerima koji se izračunavaju na temelju

računovodstvenih podataka. Od 30 omjera, pokazalo se da 3 najbolje predviđaju finansijski

neuspjeh8:

(1) tok novca/ukupna imovina

(2) čisti prihod/ukupni dugovi

(3) tok novca/ukupni dugovi

Za svaki pojedini omjer Beaver je izračunavao graničnu vrijednost pa je preduzeće s

omjerom iznad te vrijednosti smješteno u grupu potencijalno uspješnih dok je preduzeće s

vrijednošću omjera ispod definisane smješteno u grupu potencijalno neuspješnih preduzeća.

Prvi model u kojem počinje primjena multivarijatnog pristupa bio je Altmanov Z skor model.

Ovaj model bazira se na finansijskim indikatorima gdje svaki od njih ima odgovarajući

ponder. Zbirom ponderisanih finansijskih indikatora dobija se Z – skor, od čije vrijednosti

zavisi u kojoj će se zoni kreditne sposobnosti dati zajmotražilac naći. I kod Altmanovog

modela definišu se vrijednost na temelju kojih finansijska institucija donosi odluku. Naime,

zahtjevi za kredit se prihvaćaju ako je Z-skor preduzeća iznad definisanog Z-skora i obrnuto.

Opšta formula profesora Altmana na osnovu koje se se izračunava Z- skor je:

Z = 0,012 X1 + 0,014 X2 + 0,033 X3 + 0,006 X4 + 0,010 X5

U početku bilo je 30 pokazatelja odnosno finansijskih odnosa na osnovu kojih se

utvrđiva Z - skor, a na kraju izabrano je pet finansijskih odnosa. Ponderi (0,012 do 0,010) su

konstantne veličine dobijene na osnovu empirijskih studija.

Odnosi koji su prezentirani sa X1 do X5 izračunavaju se na sljedeći način:

X1= tekuća aktiva/ukupna aktiva (Curent assets/Total Assets)

X2 = zadržani dobitak/ukupna aktiva (Retained profit/Total assets)

X3 = operativni dobitak/ukupna aktiva (Operativy Profit/ Total Assets)

X4 = tržišna vrijednost glavnice/knjigovodstvena vrijednost ukupnog duga

(Market value of Equiti/Book Value of Total Debt)

X5 = prihodi od prodaje/ukupna aktiva ( Sales/Total assets)

Struktura za sagledavanje zone i kvantifikacije kreditne sposobnosti privrednog

subjekta dobija se na osnovu sljedeće matrice:

8http://oliver.efos.hr/nastavnici/nsarlija/projekti/doc/Modeli%20bazirani%20na%20racunovodstvenim%20podac

ima.pdf

10

Z skor Zona

Z < 1,81 Zona bankropstva

1,81 < Z < 2,99 Siva zona

Z > 2,99 Bezbjedna zona

Tabela 1: Zeta skor model

Zavisno od djelatnosti preduzeća postoje i posebne Altmanove formule pa tako za

privatne firme: Z = 0, 717 X1 + 0, 847 X2 + 3,107 X3 + 0, 420 X4 + 0, 998 X5; gdje je:

X1 = (tekuća aktiva – tekuće obaveze)/ukupna aktiva, X4 = knjigovodstvena vrijednost

akcionarskog kapitala (equity)/ukupne obaveze, dok su X2, X3 i X5 kao u osnovnoj formuli.

Ovdje je Z - skor preko 2,90 sigurna zona, od 1,23 do 2, 90 je siva zona, a ispod 1,23

zona bankropstva. Za proizvodne industrijske firme, neproizvodne industrijske firme i

kredite privredama sa tržištima u razvoju model izgleda ovako:

Z = 6,56 X1 + 3,26 X2 + 6,72 X3 + 1, 05 X4; gdje se X1, X2, X3 i X4 izračunavaju

kao u predhodnom slučaju, s tim da je Z skor preko 2,66 sigurna zona, od 1,1 do 2,6 siva

zona, a ispod 1,1 zona bankropstva9.

Nakon Z-skor modela Altman, Haldeman i Narayanan kreiraju ZETA model10

. Svrha

ZETA modela, koji je kreiran 1977, bila je analizirati i testirati klasificiranje preduzeća na ona

koja će bankrotirati i na ona koja neće. Model je uspješan u klasificiranju preduzeća 5 godina

prije bankrota na uzorku proizvodnih i trgovačkih preduzeća. Prosječna visina imovine

analiziranih preduzeća bila je približno 100 milona dolara. Niti jedno preduzeće nije bilo

slabije od 20 miliona dolara u aktivi. Tačnost modela iznosi više od 90% za klasificiranje

preduzeća jednu godinu prije bankrota i 70% pet godina prije bankrota. Iako je uzorak bio

sastavljen od proizvodnih i trgovačkih preduzeća, to nije negativno uticalo na rezultat. Uzorak

za ovo istraživanje sastojao se od 53 neuspješna preduzeća od kojih je 29 proizvodnih i 24

trgovačkih, te od 58 uspješnih preduzeća među kojima je bilo 32 proizvodna i 26 trgovačkih

preduzeća. Analizirano je 27 varijabli dok se konačan model sastoji od sljedećih sedam:

1. Povrat na imovinu – dobit/ukupna imovina

2. Stabilnost zarade

9 P. Kapor, „Bankarstvo“, str. 204, Megatrend univerzitet, Beograd, 2007.

10http://oliver.efos.hr/nastavnici/nsarlija/projekti/doc/Modeli%20bazirani%20na%20racunovodstvenim%20poda

cima.pdf

11

3. Dobit/ukupne plaćene kamate

4. Kumulativna profitabilnost – zadržana zarada/ukupna imovina. Ovo je

najvažnija varijabla u modelu. Ona uključuje starost preduzeća, dividendnu

politiku kao i profitabilnost mjerenu tokom vremena

5. Likvidnost – ukupna tekuća aktiva/ukupna tekuća pasiva

6. Kapitalizacija – vlasnički kapital/ukupni kapital. Obje su vrijednosti mjerene

kao 5 godišnji prosjek ukupne tržišne vrijednosti.

7. Veličina preduzeća – mjerena ukupnom imovinom preduzeća

ZETA model ima veću tačnost u odnosu na Z-skor model u klasifikaciji neuspješnih

preduzeća u radoblju od 2 do 5 godina prije bankrota, dok je tačnost za prvu godinu gotovo

jednaka za oba modela. Z-model je pokazao nešto veću tačnost u odnosu na ZETA model u

klasificiranju uspješnih preduzeća za razdoblje od dvije godine u slučaju kada je moguća

direktna usporedba.

Shema 1: Skoring proces i rejting11

4.1. Kome je namjenjen kreditni skoring?

Kreditni skoring sistem dodjeljuje jednu kvantitativnu mjeru, nazvanu score (skor),

potencijalnom komitentu predstavljajući buduće ponašanje u otplati dobijenog kredita a

analitičari identificiraju one karakteristike komitenta koje najbolje predviđaju otplatu kredita i

dodjeljuju svakoj karakteristici numeričku vrijednost tako da skoring sistem mjeri relativnu

11

http://denebs.com/wp-content/uploads/2011/07/Seminar-o-razvoju-kreditnog-skoringa-SME-segment.pdf

Klijent

Skor grupe

Dodjela internog

rejtinga

Prosječne

vjerovatnoće

difolta

7,85 – 8,15

6,85 – 7, 84

5,85 – 6,84

4,95 – 5,84

3,75 – 4,94

2,50 – 3,74

0 – 2,49

AAA

AA

A

BBB

BB

B

CCC

0,5 %

1,3 %

2,5 %

4,3 %

7,1 %

10,4 %

20,6 %

12

važnost date karakteristike u predviđanju otplate. Klasične metode o dodjeli kredita koriste se

subjektivnim ocjenama kreditnih referenata sastoji se od 50-tak pitanja kojima se odgovara sa

da ili ne tako da kreditni referent subjektivno interpretira informacije slijedeći formalne upute

i na temelju toga prihvaća ili odbija kreditni zahtjev. Ukoliko banka upotrebljava isključivo

kvantitativnu analizu, odnosno kreditni skoring, kreditni referent ubacuje tražene podatke u

model rezultat kojega je score odnosno ocjena na temelju koje se donosi odluka o odbacivanju

odnosno odobravanju kredita.

Glavni razlozi upotrebe kreditnog skoringa12

:

1. Targetiranje novih kupaca

2. Donošenje odluke o odobravanju kredita

3. Određivanje kreditnog limita

4. Određivanje kamatne stope

5. Predviđanje kreditnog ponašanja

6. Poduzimanje aktivnosti za minimiziranje gubitaka

Iz gore navedenog mogu se navesti osnovne prednosti ovog modela:

- Kvantifikuje rizik kao vjerovatnoću – umjesto subjektivne ocjene kreditnog

analitičara dobijamo numeričku (score) odnosno nominalnu (rating) ocjenu

kreditne sposobnosti,

- Konzistentnost – dva klijenta s istim karakteristikama će imati istu ocjenu

kreditne sposobnosti zbog nepristrasne procjene,

- Objašnjivost – moguće je objasniti (prikazom ulaznih varijabli u model) kako

svaka varijabla utiče na povećanje odnosno smanjenje vjerovatnoće difolta.

Kada govorimo o namjeni kreditnog skoringa on je namjenjen:

1. Bankama i ostalim finansijskim institucijama

2. Osiguravajućim društvima

3. Izdavateljima potrošačkih kartica i trgovačkim kućama

4. Telekomunikacijskim društvima

5. Kompanijama koje žele pronaći nove kupce/klijente

6. Kompanijama koje žele ispitati rizičnost svojih klijenata

Podaci o skoringu moraju biti sigurni od onih koji mogu da manipuliši sistemom. Tako

na primjer osoblje banke iz odjela prodaje u cilju da proda što više, moglo bi manipulisati

12

http://www.alphascore.hr/istrazivanje-i-razvoj/rnd/kreditni-skoring.html

13

načinom kreiranja rezultata. Iz toga razloga pozadina skoringa, mehanizam i ponderi

dodjeljivanja skorova moraju biti poznati samo procjenjivačima rizika i dobavljaču softvera

kao i administratorima sistema. Pored toga mora postojati sigurnost klijentovih podataka

unutar banke.

4.2.Vrste kreditnog skoringa

Nakon uvođenja standarda „Basel II“ kredit skoring modeli postali su obavzni. Budući

da svaka banka mora procjenjivati rizik i kvantificirati gubitak pri stečaju dužnika (eng. LGD

– loss given default), proširila se upotreba raznih metoda i modela za predviđanje stečaja

dužnika. Popularni modeli u SAD-u su (među ostalima) Moodyjev RiskCalc, CreditSightov

BondScore, Kamakura-pristup, KMV pristup, i Altmanov ZETA kredit skoring13

.

Preduslovi za razvijanje skoring modela se ogledaju kroz:

- postojanje odgovarajućih historijskih podataka,

- neophodna teorijska i praktična znanja,

- postojanje odgovarajuće metodologije za razvoj modela,

- postojanje matematičko statističkih alata

Postoje dvije vrste kredit skoringa s obzirom na podatke koji se koriste u njihovoj izgradnji:14

- Generički kredit skoring modeli – baziraju se isključivo na podacima kreditnih biroa

koji raspolažu milionima podataka o kreditnoj prošlosti klijenata koji imaju bankovni

račun. Na temelju takve baze podataka primjenom statističkih metoda i umjetne

inteligencije kreiraju se kreditni skoring modeli koji obuhvataju one karakteristike

zajmotražioca koje najbolje predviđaju buduće ponašanje u otplati kredita.

- Korisniku prilagođeni kredit skoring modeli (kustomizirani) – baziraju se na

podacima o klijentima konkretne finansijke institucije, dizajniraju se posebno za

svakog kreditora. Kustomizirani scoring je bolji i podesniji alat ali i vise košta.

Prednosti su i u tome što je precizniji u odnosu na potrebe banke, teško ga je

implementirati te zahtjeva znanje i resurse u banci.

Jedan takav model koji je razvija banka sama za sebe jeste Household model.

13

D. Sajter, „Pregled osnovnih metoda i istraživanja poslovnih poteškoća uz predviđanje stečaja“, Osijek, 2009.

14 N. Šaralija, „Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku“, 2008.

14

HOUSEHOLD je vrsta scoring modela koji koristi Sparkase banka15

, kalkulacija

pomoću koje se dobije slika o klijentu koji traži kredit. Household predstavlja dobivanje

realne slike o finansijskom stanju klijenta i domaćinstvu u kojem on boravi. Postoje dva

omjera koja se moraju zadovoljiti:

- Omjer 1 predstavlja izračun individualne kreditne sposobnosti, odnosno uzima u obzir

samo pojedinačne podatke klijent,

- Omjer 2 uzima u obzir sve prihode i rashode (troškove domaćinstva), što znači da

uzima u obzir sve prihode i rashode cjelokupnog domaćinstva.

Da bi se kredit odobrio oba omjera moraju biti zadovoljena. Pored tih omjera u household-u

uzimaju se u obzir još i podaci klijenta, poput opštih podataka, zatim njegova neto plata, sva

ostala primanja koja idu isključivo preko računa u banci, te se na osnovu toga računa njegova

kreditina sposobnost koja u konačnici ima odobrenje ili odbacivanje kredita. Za koje modele

će se odlučiti banka (generičke ili kustomizirane) zavisi od niza faktora:

- Historijsko iskustvo u kreditiranju - da bi scoring bio smislen i prilagođen

potrebama potrebno je da postoji dovoljna količina informacija o kreditiranju u toj

banci.

- Očuvanje podataka - podaci o kreditiranju moraju biti u iskoristivoj, te elektronskoj

formi i formi koja se može jeftino obrađivati.

- Informacije o ishodu kreditnih odluka - informacije trebaju biti poznate, jer ako je

nepoznato kako se krasnije ponašao određeni kredit one nemaju smisla.

- Starost odluke - odluke moraju biti dovoljno stare da bi analiza imala smisla.

- Veličina uzorka - uzorak mora biti dovoljno velik i diverzificiran da bi analiza imala

smisla, dobavljači alata za scoring obično traže uzorak od 4500 aplikacija, i to 1500

dobrih klijenata, 1500 loših klijenata, 1500 odbijenih aplikacija za kredit, da bi

analizirali i razvili kustomiziran model scoringa za banku.

- Troškovi - podrazumijevaju razvoj, implementaciju i održavanje modela. Obično se

kreću od 30 000 do 80 000 eura za kustomizirane modele dok generički modeli

nemaju te troškove jer su već razvijeni ali imaju visoko naknadu za korištenje.

Danas na tržištu postoji preko 50 generičkih kredit skoring sistema koje sadrže preko

100 različitih kredit skoring modela.

15

15

4.3. Koraci u izgradnji skor kartice16

1. Studija provodljivosti - svrha joj je odrediti poslovne potrebe i mogućnosti izgradnje

skor kartice. Potrebno je difinisati: troškove i koristi projekta, objektivnost skor kartice

te zahtjeve i odgovornosti za svaku fazu izrade.

2. Definicija uzroka - znači prikupiti aplikacije koje će biti upotrebljene za izgradnju

kredit skoring modela. Potrebno je odrediti za svaku aplikaciju da li se radi o dobrom,

lošem, neodređenom, neaktivnom ili odbijenom zajmotražiocu.

3. Prikupljanje podataka - aplikacijski upitnici uobičajno sadrže demografke podatke o

komitentu, izvještaji kreditnog biroa, geo-demografske baze podataka, računi

kmitenata koje posjeduje finansijska institucija. Prilikom izgradnje kredit skoring

modela potrebno je poznavati kvalitetu podataka i eventualne slabosti odnosno sumnje

koje podaci nose.

Shema 2: Kreditni zahtjevi koje trebaju biti uključeni u uzorak korišten za izgradnju kredit

skoring modela

4. Analiza karakteristika - identificirati dobre od loših klijenata. Uobičajna procedura

je pravljenje klasa, odnosno grupiranje u razrede.

16

N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008.

16

- Model s klasama - nezavisne varijable su kategorijalne sto znači i da su kontinuirane

varijable transformiaju u kategorijalne. Pogodan je u slučaju kada nema puno varijabli

jer se razredi rade ručno.

- Kontinuirani model - testiraju se različite transformacije nazavisnih kontinuiranih

varijabli. Odabire se najbolja transformacija koja ima najveću korelaciju sa zavisnom

varijablom.

- Miješani modeli – kombinacija kontinuiranih modela i modela s klasama.

Kontinuiranom modelu se dodaju vrijednosti klasificirane varijable kada je to

prikladno.

- Spline model - mali postotak varijabli nije pokriven ni sa jednom od spomenutih

tehnika, pa se onda takve varijable transformiraju spline funkcijama. Tabela17

pokazuje

dobre i loše zajmotražitelje prema varijabli „vizija - ima li zajmotražitelj viziju posla

kojim se želi baviti“. Stopa loših predstavlja prediktivnu sposobnost svakog atributa

odnosno vezu između vizije i rizika. Niska stopa loših kod poduzetnika koji imaju viziju

te visoka stopa loših kod poduzetnika koji nemaju viziju posla upućuje na zaključak da je

jasna vizija posla prediktor uspješnog posla koji može omogućiti otplatu kredita bez

kašnjenja odnosno nizak rizik i obrnuto.

Vizija Broj dobrih Broj loših % dobrih % loših Stopa loših

Nema viziju 2 12 1,5 17,91 85,71%

Ima viziju 23 5 17,30 7,46 17,86%

Uhodan posao 108 50 81,20 74,63 31,65%

Ukupno 133 67 100% 100% 50,38%

Tabela 2. Način analize karakteristika zajmotražitelja (vizija posla)

5. Zaključivanje o odbijanima – u ovom koraku potrebno je donijeti zaključak o tome

kakvi bi bili odbijeni komitenti da su bili prihvaćeni. Što je proces ocjenjivanja

sistematičniji, to su grupa odbijenih i grupa prihvaćenih manje slične. Na kraju procesa

procjene, svaki odbijeni dobije vjerovatnoću da će biti dobar odnosno loš. Postoje tri

procedure koje se mogu primijeniti u cilju donošenja zaključaka o odbijenima (Hand,

Jacka, Statistics in Finanse, 1998):18

17

http://www.alphascore.hr/

18 http://www.alphascore.hr/

17

- Prva ponuđena procedura - sve odbijene komitente stavlja u grupu loših klijenata pa

se statistička analiza izvodi na svim komitentima, uključujući i odbijene. Glavni

problem kod ovog pristupa je u tome što score-kartica dobivena na taj način samo

preslikava proces odobravanja kredita koji je trenutno važeći. To zapravo znači da ako

su odbijani dobri komitenti, nova će score-kartica dobivena ovom metodogijom

nastaviti odbacivati dobre komitente zato što su oni uključeni u analizu kao loši.

- Druga alternativa - pronaći odobrene zajmotražitelje koji po svojim karakteristikama

izgledaju vrlo slično odbijenima. Statistička analiza u cilju izrade score-kartice izvodi

se na svim komitentima.

- Treća alternativa se sastoji u izgradnji dva odvojena modela. Prvi skoring model kreira

se samo na temelju zajmotražitelja kojima je kredit odobren. Tim modelom se

scoriraju odbijeni pa se tako za svakog odbijenog dobije vjerovatnoća da će biti dobar

odnosno loš. Na temelju toga odbijeni se svrstavaju u grupu dobrih odnosno loših.

Novi model se zatim kreira na temelju svih zajmotražitelja, i odbijenih i prihvaćenih.

6. Modeliranje scor-kartice - score-kartica se kreira na temelju prihvaćenih aplikacija

za koje je poznato jesu li dobri ili loši komitenti i na temelju odbijenih aplikacija za

koje se procjenjuje jesu li dobri ili loši. Analitičari koji se bave izgradnjom kredit

skoring modela analiziraju povijesne podatke prethodno odobrenih kredita u cilju

određivanja karakteristika zajmotražitelja koje su važne u predviđanju individualnog

rizika.

7. Validacija scor-kartice – nakon što je završena izgradnja kredit scor modela, sve

aplikacije koje su sudjelovale u izgradnji modela se skoriraju upotrebom dobivenog

modela. Kreiraju se tablice koje se zovu „scor distribucije“ i one postaju mjerilo

uspješnosti modela.

8. Postavljanje strategija i implementacija – svaka finansijska institucija mora znati

kako se koristi kredit skoring te kako se kvalitetno upravlja pomoću tog sistema.

Postoje četiri ključna područja koja se moraju razmotriti kod implementacije kredit

skoringa:

- postavljanje granične vrijednosti kreditnog limita,

- provođenje testiranja,

- arhivirati skorove „kreditna ograničenja“ razloge donošenja odluka u cilju provođenja

analiza,

- efikasna komunikacija između odjela za kredit i odjela marketinga.

18

Kredit skoring modeli u mnogome su olakšali posao banaka. U tom kontekstu važno je

napomenuti prednosti skoring modela ali i nedostatke istih. Kredit skoring modeli imaju

sljedeće prednosti:19

- Objektivni su i konzistentni,

- Ako su dobro dizajnirani mogu eliminirati diskriminatornu praksu,

- Relativno jeftini,

- Relativno jednostavni i lahko se interpretiraju,

- Metodologija upotrebljena u izgradni je uobičajna i shvatljiva,

- Institucija je u mogućnosti ostvariti bolju uslugu komitentima svojom sposobnošću

bržeg odobravanja ili odbijanja zahtjeva.

Nedostaci kredit skoring modela su:20

- Oni mogu samo automatizirati postojeću kreditnu praksu banke, a malo rade na

eliminisanju pristrasnosti procesa nastalih u prošlosti,

- Ako varijable ne zadovoljavaju tražene predpostavke, tada je statistička validnost

modela u pitanju,

- Modeli mogu degradirati kroz vrijeme ako se populacija na koju se model primjenjuje

promjeni u odnosu na orginalnu populaciju prema kojoj je model dizajniran.

4.4.Kredit skoring modeli za stanovništvo

Krediti za stanovništvo mogu se podijeliti na:

1. Krediti koji se otplaćuju u ratama - podrazumijevaju peridoično plaćanje

glavnice i kamata.

2. Kreditne kartice i ostali revolving krediti - iako neke banke izdaju svoje

kreditne kartice s vlastitim logom i podržavaju je vlastitim marketinškim

naporima, većina ima franšizu za MasterCard ili Visu.

3. Krediti koji se ne otplaćuju u ratama - ograničeni broj potrošačkih kredita

zahtjeva plaćanje kamata i glavnice odjednom.

Cilj kreditne analize koja se provodi za odobravanje kredita stanovništvu je procijeniti

rizik koji je povezan s odobravanjem kredita. Tu se koristi 6 K (subjektivna) analiza:

19

N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008.

20 N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008.

19

1. Karakter - karakter je najvažnije, ali isto tako i najteže procijeniti.

2. Kapital - kapital se odnosi na mogućnost tražioca kredita što svakako utiče na

njegovu sposobnost vraćanja kredita.

3. Kapacitet - kapacitet je finansijska sposobnost komitenta da zadovolji otplatu kredita

kao dodatak troškovima života i ostalim obvezama.

4. Uslovi – odnose se na uticaj nekih ekonomskih promjena na sposobnost komitenta da

nastavi plaćanje.

5. Kolateral - važnost kolaterala je u osiguranju sekundarnog izvora plaćanja

6. Kontrola

Upotrebnom skoringa banka najveći akcenat stavlja na zaštitu od kreditnog rizika.

Međutim važno je napomenuti kako se banka štiti od valutnog, operativnog i kamatnog rizika

kada koristi skoring prilikom kreditiranja stanovništva21

:

- od valutnog rizika banka se treba zaštiti ugovaranjem odgovarajuće valutne klauzule

kroz ugovore o kreditu,

- od kamatnog rizika banka se treba zaštiti ugovaranjem varijabilne kamate, a voditi

računa o tome da se dobrom integracijom skoringa sa osnovnim bankarskim

sistemom, ispravnim formama ugovora i modulom naplate izbjeći problemi koji bi

eventualno nastali iz pogrešnog obračnuna kamate kod izmjene osnovne stope

klijentu,

- od operativnog rizika banka se treba zaštiti kako aktivnostima u samom skoringu kao

što je zaštita podataka, tako i metodama specifičnim za procedure kreditiranja.

Skoring za kredite stanovništvu obuhvata radnje evidencije zahtjeva za kredit, ocjene

zahtjeva, koji uključuje provjeru kreditne sposobnosti prema parametrima i skoring karti koju

definiše banka, uključujući i preuzimanje podataka iz kreditnog biroa, i rješavanja kreditnog

zahtjeva kao konačne odluke u postupku odobravanja kredita.

21

S. Šehić, „Menadžment rizika u standardiziranim poslovnim aktivnostima: magistarski rad“, Sarajevo, 2009.

20

Tabela 3: Varijable koje se obično korsite pri odobravanju potrošačkih kredit

Kriteriji banaka u Japanu

Maksimalan udio obveza iznosi 60

Minimalna starosna dob 25 godin

Dužina vremena na trenutnom poslu min. 2 godin

Tip industrije u kojoj je osoba zaposlena:

nepoželjno je da je osoba zaposlena u show-

business-u nepoželjno je da je osoba vozač taksija

Tabela 4: Varijable koje koriste banke u Japanu prilikom odobravanja potrošačkih kredita

Kriteriji banaka u SAD-u

Najmanje jedna godina na postojećoj adresi stanovanja

(potreban telefonski broj; potreban dokaz o stambenom statusu)

Trogodišnja historija stanovanja koja se može provjerit

Najmanje jedna godina na postojećem poslu

Trogodišnja historija zaposlenja koja se može provjerit

Zahtjevana dužina zaposlenja

Minimalan mjesečni prihod $1500 (potrebna je potvrda koja to

dokazuje)

Samozaposleni moraju dati potvrdu o prihodu

Udio obveza za plaćanje automobila, hipoteke, osiguranja, tekućih

Karakteristike (varijable)

Vrijeme provedeno na jednoj adresi

Stambeni status

Telefon (ima/nema)

Prosječan godišnji prihod

Kreditne kartice (ima/nema)

Tip bankovnog računa (ček/štednja/ništa)

Dob

Broj sudskih tužbi

Zanimanje

Namjena kredita

Bračni status

Koliko dugo godina ima otvoren račun u banci

Koliko dugo radi na trenutnom poslu

21

kredita i

drugih fiksnih obveza ne smije prelaziti 50%

Čisti rejting kreditnog biroa

Tabela 5: Varijable koje koriste banke u SAD-u prilikom odobravanja kredita za automobil22

Većina tehnika koje se koriste za konstruisanje i validaciju modela kreditnog rejtinga

pravnih lica primjenjuje se i u skoring modelima za fizička lica. S obzirom da je bankarstvo

vrlo dinamična kategorija, sa porastom potrošačkih kredita banke više nisu mogle obraditi

veliku količinu zahtjeva za kreditima ručno pa su se sve više okrenule kreiranju i upotrebi

kredit skoring modela. Poželjne osobine modela kreditnog skoringa23

:

1. Tačnost

2. Jednostavnost

3. Netrivijalnost

4. Izvodljivost

5. Transparentnost

6. Ekonomski smisao

Govoriti o skoringu a ne spomenuti FICO skoro je pa nemoguće. Naime FICO skor je

danas najkompletniji i najzastupljeniji skoring za fizička lica, prvenstveno u SAD-u. FICO

skro se rastavlja na sljedeće dijelove:

- 35% - historija plaćanja kreditnog računa,

- 30% - iznos zaduženja koju komitent ima kod svojih kreditora,

- 15% - dužina kreditne historije odnosno koliko je osoba dugo kreditni korisnik,

- 10%- novi kredit (da li je komitent dobio neke kredite u predhodnim mjescima),

- 10% - vrsta kreditnog skoringa.

22

http://www.mathos.hr/upravljanjekr/materijali/Kredit%20scoring%20modeli%20za%20stanovnistvo%20(ppt).

pdf

23 http://www.econ.upf.edu/~bozovic/master/Rizik-7.pdf

22

Slika 1: FICO skor

Najveći akecant se stavlja na historiju plaćanja (35%). Što je i logično jer prva i

osnovna stvar koju novi kreditor želi znati o potencijalnom dužniku jeste kako je u prošlosti

servisirao svoje obaveze. Unutar historije plaćanja najviše se analizira kašnjenje odnosno

iznosi ranijih kašnjenja, vrsti i dužini kašnjenja itd. FICO unutar skoringa ima vrlo

diverzificiran sistem ocjenjivanja svakog specifičnog podatka pa tako će kašnjenje od 90 dana

biti bodovima više sankcionisano nego kašnjenje od 60 dana.

Iznos zaduženja (30 %) je sljedeći važan faktor. Ovdje se misli na ukupno zaduženje

u zemlji po bilo kom osnovu u odnosu na ukupna primanja. FICO će uzeti u obzir ne samo

ukupnu sposobnost servirsiranja uvećanu za novi predmetni zahtjev, nego i učestalost

zaduživanja, prosječno korištenje vremensko i novčano odobrenih zahtjeva, iznos zaduženja

koji se u svakom trenutku nalazi na svim računima. Tako će bolji rezultat imati osoba sa

većim neizmirenim dugom na jednoj kartici nego osoba sa manjim neizmirenim dugom na 5

ili 6 kartica.

Dužna kreditne historije (15 %) je sljedeći faktor po važnosti. Što je duža kreditna

hisorija FICO rezultat će biti bolji. FICO pravi distinkciju između onih koji imaju jako dugu

kreditnu historiju, ali u posljednje vrijeme ne koriste kredite, i onih koji kraće, ali redovnije,

koriste kredite.

Novi kredit nosi ponder 10 % i u ovom slučaju FICO posmatra novo traženo

zaduženje i njegove karakteristike a dovodi ga u vezu sa historijskom učestalosti zaduživanja.

35%

30%

15%

10%

10%

FICO skoring

Historija plaćanja

Iznos zaduženja

Dužina kreditne historije

Novi kredit

Vrsta kreditnog skoringa

23

Na primjer osoba koja u relavitno kratkom roku traži zaduženje na više mjesta smatra se

rizičnim klijentom.

Posljedni faktor jeste vrsta kreditnog skoringa (10 %) i suštinsko pitanje jeste da li

osoba ima zdrav miks kredita po namjeni i iznosu

U FICO modelu se koriste samo one informacije koje su prediktori budućeg ponašanja

pri otplati kredita. Što je veći skor, manji je rizik odnosno što je manji skor, veći je rizik.

Potrebno je odrediti graničnu vrijednost koja dijeli “dobre” komitente od “loših”. Od 300 do

850 je rang FICO kredit skora. 723 je srednji FICO kredit skor a na tržištu SAD srednji FICO

skor je 678. Skor 620 ili niže znači da je vaš kredit “subprime” što znači da ćete kredit vraćati

po većoj kamatnoj stopi nego po kojoj ste posudili sredstva24

.

FICO April 2008 April 2009 April 2010

300- 449 7,2 7,4 6,9

500 - 549 8,2 8,7 9,0

550-599 8,7 9,1 9,6

600-649 9,6 9,5 9,5

650-699 12,0 12,0 11,9

700-749 16,0 15,9 15,7

750-799 19,6 19,4 19,5

800-850 18,7 18,2 17,9

Ukupno 100 100 100

Tabela 6: FICO skor distribucija na tržištu SAD25

4.5.SME skoring model

Skoring modeli za mala i srednja preduzeća ( u nastavku SME) imaju nekoliko

spcifičnosti od kojih su najvažniji:

- kombinacija osobnih rata kredita samog poduzetnika i finansijskih izvještaja njegovog

preduzeća,

- kreditna sposobnost malog poduzetnika direktno je povezana s finansijskim profilom

vlasnika preduzeća,

24

http://www.baselinemag.com/c/a/Business-Intelligence/Bad-Credit-Could-Cost-You-A-Job-210188/

25 http://bankinganalyticsblog.fico.com/2010/07/fico-scores-drift-downward.html

24

- želja i sposobnost vlasnika preduzeća da plaća svoj osobni kredit korelirana je sa

sposobnošću i željom preduzeća da plaća poslovni kredit.

Najveći broj kredit skoring modela za preduzeća obuhvaća finansijske pokazatelje.

Kada su u pitanju velika preduzeća i javne ustanove oni raspolažu struktuiranim

finansijskim izvještajima o svim svojim operacijama, poduhvatima i finansijama. Kod SME

situacija je nešto drugačija. Naime, kod SME nekad je teško upotrijebiti finansijske omjere

upravo zato što se osobna aktivnost vlasnika i poslovna aktivnost preduzeća isprepliću i

kombinuju. Empirijska istraživanja Fair, Isaac and Co. Inc. pokazuju da podaci koji se pomno

ispituju i uzimaju u obzir kod tradicionalnog načina ocjenjivanja ne moraju biti ključni u

određivanju budućeg plaćanja kada se radi o malom preduzeću. Jedan od razloga jeste i to da

manja preduzeća nemaju obvezu redovnog izvještavanja, a i kad objavljuju finansijske

izvještaje oni ne moraju biti revidirani. Također rezultati poslovanja SME variraju jer samo

jedna velika narudžba može u potpunosti promjeniti finansijsku sliku poslovanja preduzeća za

određeni period26

.

Neophodan uslov za započinjanje procesa razvoja kreditnog rejtinga nad segmentom

SME je prikupljanje i strukturiranje podataka o:

1. Difolt SME klijenata

2. Podacima iz bilansa stanja i uspjeha – konstrukcija finansijskih racija

Varijabla difolta ili ciljna varijabla (eng. target variable), predstavlja ključnu

informaciju za procenu vjerovatnoće difolta. Na osnovu ove varijable stiču se ključne

informacije o kreditnom ponašanju klijenata. Naime, kod klijenata za koje se smatra da su u

statusu difolta ova varijabla je binarnog tipa i sadrži vrijednost „1“ (loš – difolt SME

klijent); „0“ (dobar – uredan SME klijent).

Skoring proces za SME segment može se predstaviti ovako:

1. Stvaranje razvojnog (eng. development) uzorka

2. Detaljna analiza i tumačenje varijabli

3. Transformacija ulaznih varijabli

4. Estimacija parametara modela

5. Provjera performansi razvijenog skoring modela

6. Implementacija i praćenje skoring modela

26

Z. Bohaček, N. Šarlija, M. Benšić, Upotreba kredit skoring modela za ocjenjivanje kreditne sposobnosti malih

poduzetnika, 2008.

25

Nakon evidentiranja prijema zahtjeva u front office-u, zahtjev se sa pratećom

dokumentacijom (rješenje o registraciji, izvod iz statistike, bilans stanja, bilans uspjeha itd)

prosljeđuje u back office gdje se vrši dopuna zahtjeva sa podacima iz dobijene dokumentacije.

Po završetku unosa svih relevantnih podataka (podaci iz zahtjeva, bilans stanja i bilans

uspjeha) zahtjev se aktivira, što znači da se više ne može mijenjati i dopunjavati bez posebnih

privilegija, koje se po pravilu vrlo restriktivno dodjeljuju. U procesu aktiviranja kredita

automatski se provjeravaju preduslovi za dobijanje kredita i ocjenjuje zahtjev komitenta

postupkom bodovanja. Kao razultat ove procedure dobija se ukupan kreditni limit komitenta,

maksimalni rok važenja kredita, minimalni procenat obezbeđenja i maksimalni popust na

kamatu. Rješavanja zahtjeva i donošenje konačne odluke vrši Risk manadžer. Ukoliko se

zahtjev odobri proces se nastavlja redovnim postupkom obrade kredita, u suprotnom zahtjev

se prebacuje u stanje odbijen. Sve do momenta realizacije kredita zahtjev može biti povučen.

Princip „dva para očiju“ (jedan operater unosi zahtjev i/ili potvrđuje prijem zahtjeva i

automatski pušta obradu skoringa, a drugi ocjenjuje rezultate skoringa i donosi odluku ili daje

preporuke) postiže se programskom kontrolom. Zahtjevi koji nisu zadovoljili uslove skoringa,

, mogu se proslijediti na rješavanje sa pozitivnom preporukom. Isto tako pozitivno ocjenjeni

zahtjevi se mogu poslati na rešavanje sa negativnom preporukom. Proces obrade skoringa se

modelira kriterijumima koje definiše administrator kredita, za svaku vrstu kredita ponaosob.

Na osnovu ovako zadatih kriterijuma, procedura skoringa analizira odgovore na pitanja zadata

kroz zahtjev za kredit i podatake dobijene iz informacionog sistema i na osnovu njih donosi

odgovarajuću ocjenu27

. Racija koji se razmatraju prilikom analize to su:

- Aktivnost (A - activity)

- Tokovi gotovine (C - cash flow)

- Rast (G - growth)

- Leveridž (L - leverage)

- Likvidnost (Q - liquidity)

- Profitabilnost (P - profitability)

- Veličina (S - size)

- Ostalo (O - other)

27

http://www.antegra.com/download/antegra_sr.pdf

26

Slika 2: Arhitektura podataka za SME skoring model

27

5. Zaključak

Skoring modeli upravljenja kreditnom politikom banaka imaju za cilj standardizaciju i

pojednostavljenje procesa odobravanja kredita kao i bolje upravljanje kreditnim rizikom.

Posmatrano sa tog aspekta mogli bismo reći da, na osnovu navedenog u radu, skoring modeli

su ostvarili cilj. Postoji nekoliko osnovnih razloga zbog čega banke korsite skoring modele:

- omogućavaju povećanje prihoda jer brži i efikasniji proces kreditiranja povećava

konkurentnost banke i omogućava veći volumen prodaje,

- omogućavaju smanjenje troškova radne snage jer efikasnot i automatizovanost procesa

odobravanja kredita umanjuju potrebu za brojem ljudi koji rade na obradi kredita,

- omogućavaju smanjnje troškova rizika jer omogućava bolji kvalitet portfolija i

implicira manje troškove rezervisanja za kreditne gubitke.

Korisnici kredit skoring modela posebno su zadovoljni ovim modelima jer ovaj sistem

snižava vrijeme koje je potrebno za donošenje odluke o tome odobriti li kredit ili ne sa

prijašnjih 12 sati na 15 minuta što jasno ukazuje na važnost i neophodnost primjene skoring

modela u bankama ali ne samo u ovim finansijskim institucijama već i u drugim finansijskim

institucijama koje odluke donose na rangiranju klijenata. Što finansijske institucije više

koriste skoring to imaju i više koristi od njega a i što se više koristi, to je sve tačnije

predviđanje kreditnog ponašanja, predviđanje dobitaka i gubitaka.

S druge strane važno je napomenuti da skoring modeli imaju i nedostatke, kako je već

navedeno u radu, ali ipak prednosti kroištenja skoring modela uveliko su premašili nedostatke

tako da u budućnosti možemo očekivati da će tradicionalni metod odobravanja kredita biti u

potpunosti zamjenjen skoring modelima.

28

6. Literatura

1. D. Sajter, „Pregled osnovnih metoda i istraživanja poslovnih poteškoća uz predviđanje

stečaja“, Osijek, 2009

2. H. Geruning, S.B. Bratanović, „Analiza i upravljanje bankovnim rizicima“, drugo

izdanje, Mate Zagreb

3. N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008

4. P. Kapor, „Bankarstvo“, Megatrend univerzitet, Beograd, 2007.

5. P. S. Rose, „Menadžment komercijalnih banaka“, četvrto izdanje, Mate 2003.

6. S. Komazec, B. Krstić, A. Živković, Ž. Ristić, „Bankarski menadžment upravljanje

savremenim bankarstvom“, Beograd, 1998.

7. Z. Bohaček, N. Šarlija, M. Benšić, Upotreba kredit skoring modela za ocjenjivanje

kreditne sposobnosti malih poduzetnika, 2008

8. Internet:

- http://denebs.com/wp-content/uploads/2011/07/Seminar-o-razvoju-kreditnog-

skoringa-SME-segment.pdf

- http://oliver.efos.hr/nastavnici/nsarlija/projekti/doc/Modeli%20bazirani%20na%20rac

unovodstvenim%20podacima.pdf

- http://www.alphascore.hr/istrazivanje-i-razvoj/rnd/kreditni-skoring.html

- http://www.mathos.hr/upravljanjekr/materijali/Kredit%20scoring%20modeli%20za%20stanov

nistvo%20(ppt).pdf

- http://www.econ.upf.edu/~bozovic/master/Rizik-7.pdf

- http://www.baselinemag.com/c/a/Business-Intelligence/Bad-Credit-Could-Cost-You-A-Job-

210188/

- http://bankinganalyticsblog.fico.com/2010/07/fico-scores-drift-downward.html

- http://www.antegra.com/download/antegra_sr.pdf