Otkup neosiguranog duga: Kako podaci pomažu u procjeni portfelja.

Na prvi pogled, podatakovni paket djeluje neupadljivo: dugačka Excel tablica koja sadrži milijune podataka. Svaki redak predstavlja otvoreno potraživanje od neurednog platitelja. Za Maltea Janzena, ovdje započinje analiza – analiza koja u konačnici može rezultirati investicijskom odlukom vrijednom milijune.

Od 2025. godine odgovoran je za Odjel osiguranih ulaganja u EOS-u. Zajedno s timom kreditnih i podatkovnih analitičara, procjenjuje portfelje potraživanja koje banke diljem Europe nude na prodaju. Malteova stručnost leži u ulaganjima. Doktorirao je na temi investicijskog odlučivanja, nakon čega je radio u M&A savjetovanju, a potom i u jednoj korporativnoj grupaciji sa sjedištem u Hamburgu, gdje je pomagao u izgradnji Odjela za infrastrukturne projekte.

„Analiziramo paket potraživanja i izrađujemo poslovni plan. Na temelju toga, Upravi EOS-a dajemo preporuku o kupovnoj cijeni, koja zatim donosi konačnu odluku o ulaganju”, objašnjava Malte. Svake godine EOS procjenjuje između 500 i 600 portfelja potraživanja u više od 20 europskih zemalja.

Proces obično započinje kada banka stavi na prodaju portfelj neosiguranih potraživanja. Stručnjaci iz nacionalnih podružnica EOS-a kontaktiraju prodavatelja i za potrebe dubinske analize dobivaju anonimizirani paket podataka. Na toj osnovi, društvo EOS u dotičnoj zemlji izrađuje detaljnu analizu i procjenu portfelja.

Istodobno Malteov tim pregledava portfelj iz perspektive Grupe: Koliko je dugo potraživanje dospjelo? Kada nastupa zastara? Što je dosad poduzeto kako bi se potraživanje naplatilo? Važan je i kontekst portfelja: potječe li portfelj iz razdoblja krize? Kako izgleda struktura klijenata prodavatelja? Svaki portfelj ima svoju priču. Postupno se iz mnogih pojedinačnih podataka stvara potpuna slika. „Idealno je ako već imamo iskustva s prodavateljem. To nam omogućuje još precizniju procjenu strukture kupaca i kvalitete potraživanja.”

S obzirom na ogroman volumen podataka, ručna analiza svakog pojedinog potraživanja bila bi nemoguća. „Umjesto toga započinjemo identificiranjem ključnih karakteristika i grupiranjem potraživanja u skladu s njima“, objašnjava Malte. U tu svrhu koriste se matematičke i statističke metode, kao i modeli strojnog učenja.

Oslanjajući se na opsežne povijesne podatke, ti modeli simuliraju kako će se različite skupine potraživanja vjerojatno ponašati tijekom vremena.

U analizu se uključuju i dodatni čimbenici, poput promjena u regulatornom okruženju ili makroekonomskih trendova. „Našim modelima možemo prikazati širok raspon različitih scenarija. To nam pomaže identificirati koji čimbenici imaju najveći utjecaj na portfelj i na što trebamo obratiti pozornost tijekom kasnije obrade.“

Ipak, ni najsloženiji modeli ne mogu zamijeniti stručno znanje. Kao i Malte, članovi njegova tima imaju dugogodišnje iskustvo u kreditnoj i podatkovnoj analizi. Također, blisko surađuju s kolegama iz nacionalnih podružnica. „Oni imaju dubinsko znanje o lokalnim tržištima i u mogućnosti su mnoge trendove učinkovitije staviti u kontekst."

Ako je odluka o ulagnju pozitivna, analiza tu ne završava. Stvarna uspješnost portfelja kontinuirano se prati i uspoređuje s početnom prognozom. Ako dođe do odstupanja, analiziraju se njihovi uzroci. „Ta saznanja izravno unosimo u naše analitičke alate, što nam omogućuje kontinuirano usavršavanje i poboljšanje procesa procjene.“