Achiziția de datorii negarantate: cum datele devin evaluarea portofoliului.

La prima vedere, pachetul de date pare banal: un fișier Excel lung, cu milioane de puncte de date. Fiecare rând reprezintă o creanță restantă de la un debitor aflat în incapacitate de plată. Pentru Malte Janzen, aici începe analiza – o analiză care poate duce, în final, la o decizie de investiție de milioane.

Din 2025, el conduce Divizia de Investiții Negarantate din cadrul EOS. Împreună cu o echipă de analiști de credit și date, evaluează portofolii de creanțe scoase la vânzare de bănci din întreaga Europă. Expertiza lui Malte este în domeniul investițiilor. Și-a scris teza de doctorat despre procesul decizional în investiții, apoi a lucrat într-o firmă de consultanță M&A și ulterior într-un grup corporativ din Hamburg, unde a contribuit la dezvoltarea diviziei de proiecte de infrastructură.

„Analizăm pachetul de creanțe și dezvoltăm un plan de business. Pe această bază, facem o recomandare privind prețul de achiziție către Consiliul EOS, care ia apoi decizia finală de investiție”, explică Malte. În fiecare an, EOS evaluează între 500 și 600 de portofolii de creanțe din peste 20 de țări europene.

Procesul începe, de regulă, atunci când o bancă scoate la vânzare un portofoliu de creanțe negarantate. Experții din subsidiarele naționale EOS contactează vânzătorul și primesc un pachet de date anonimizat pentru analiza de due diligence. Pe baza acestuia, compania EOS din țara respectivă realizează o analiză și o evaluare detaliată a portofoliului.

În același timp, echipa lui Malte analizează portofoliul din perspectiva Grupului: de cât timp este creanța restantă? Când intervine prescripția? Ce măsuri au fost luate până acum pentru recuperare? Contextul portofoliului este, de asemenea, important: provine dintr-o perioadă de criză? Cum arată structura clienților vânzătorului? Fiecare portofoliu are propria sa poveste. Treptat, din multitudinea de date individuale se conturează o imagine completă. „În mod ideal, avem deja experiență cu vânzătorul. Astfel, putem evalua și mai precis structura clienților și calitatea creanțelor.”

Având în vedere volumul mare de date, analizarea manuală a fiecărei creanțe ar fi imposibilă. „În schimb, începem prin a identifica caracteristici-cheie și a grupa creanțele în consecință”, spune Malte. Pentru aceasta sunt utilizate metode matematice și statistice, precum și modele de machine learning. Pe baza unor volume extinse de date istorice, aceste modele simulează modul în care diferite grupuri de creanțe ar putea evolua în timp.

În analiză sunt integrați și alți factori, precum modificările cadrului de reglementare sau tendințele macroeconomice. „Cu ajutorul modelelor noastre putem simula o gamă largă de scenarii. Astfel identificăm factorii cu cel mai mare impact asupra portofoliului și aspectele la care trebuie să fim atenți ulterior, în procesare.”

Totuși, nici cele mai sofisticate modele nu pot înlocui expertiza umană. La fel ca Malte, membrii echipei sale au mulți ani de experiență în analiza de credit și de date. Ei colaborează îndeaproape și cu colegii din subsidiarele naționale. „Aceștia cunosc foarte bine piețele locale și pot pune mult mai eficient în context diverse tendințe.”

Dacă decizia de investiție este pozitivă, analiza nu se oprește aici. Performanța reală a portofoliului este monitorizată continuu și comparată cu prognoza inițială. Dacă apar abateri, sunt analizate cauzele. „Integram aceste concluzii direct în instrumentele noastre analitice, ceea ce ne permite să ne perfecționăm constant procesul de evaluare.”