Mitä on luottoriskien hallinnan data-analytiikka?
Luottoriskien hallinnan data-analytiikka on riskienhallinnan data-analytiikan osa-alue
Riskienhallinnan analytiikka tarjoaa mahdollisuudet parantaa päätöksenteon kykyä sekä varmistaa organisaation luottoriskien hallinnan politiikkaan sekä ulkoisiin sääntelyjärjestelmiin mahdollisesti liittyvien vaatimusten noudattaminen, usein riskianalytiikkaa toteutetaan useilla eri tasoilla organisaatiossa erilaisten tarpeiden sekä toisaalta tarvittavien kontrollien olemassaolon vuoksi. Eräs tyypillinen vaihtoehto kontrolleille on liiketoiminnasta erillinen riskienhallinnan funktio, jossa toimivat analyytikot raportoivat riskienhallintapäälliköille tai riskienhallintajohtajalle. Luonnollisesti kaikissa organisaatioissa tämä ei ole mahdollista resurssisyistä mutta jonkinlaisen erillisen roolin olemassaolon mieltäminen voi olla hyödyllistä.
Luottoriskit ovat merkittävä markkinariskien osa-alue ja monissa tapauksissa luottoriskien hallinnan data-analytiikka jaetaan vielä kolmeen toisistaan hieman poikkeavaan osa-alueeseen, joskin näillä on vahvoja yhtymäkohtia pelkästään jo käytetyn lähdedatankin vuoksi.
Luottopäätöksiin liittyvä riskienhallinnan data-analytiikka
Luottopolitiikan puitteissa tehdyt luottopäätökset perustuvat useimmiten dataan useista tietolähteistä, organisaation riskienhallinnan politiikkaan sekä liiketoiminnallisiin tavoitteisiin kyseisen tuotteen osalta. Luottoriskien hallinnan data-analytiikka voi tässä yhteydessä tarkoittaa sitä että varmistetaan organisaation tosiasiallisesti noudattavan sovitun luottopolitiikkansa mukaisia periaatteita luottopäätöksissään. Jos luottopäätösprosessia on automatisoitu pitkälle, niin käytännössä seurataan onko prosessi teknisesti implementoitu oikein sekä seurataan mahdollisia muutoksia ympäristössä, jotka voivat vaatia toimenpiteitä. Tyypillisiä tietolähteitä ovat erilaisten luottohakemusten ja ulkoisten data brokerien tai luottotietotoimijoiden tuottama data sekä muiden sisäisten datojen kokoelmat.
Luottopolitiikan, josta luottopäätökset pitäisi johtaa, toimeenpanon seurannan lisäksi data-analytiikkaa voidaan soveltaa luottopolitiikan ja luottopäätösten kehittämiseen vastaamaan paremmin riskienhallinnan politiikasta sekä liiketoiminnan tavoitteista johdettuja tavoitteita. Tämä voi tarkoittaa simulaatioita sekä erilaisten vaihtoehtoisten tapahtumankulkujen luomista sen arviointiin voisiko muutos luottopolitiikassa tuottaa enemmän tuloja ja / tai vähentää riskiä muuttuneiden luottopäätösten myötä.
Luottopolitiikan kehittäminen voi olla liiketoiminnallinen kysymys, tällöin päätöksiä tehdään ns. ensimmäisessä puolustuslinjassa mutta toisaalta riskienhallinnan funktio osallistuu sen varmistamiseen että tehdyt luottopäätökset ovat linjassa sovittuun luottopolitiikkaan ja riskienhallinnan toimintapolitiikkaan.
Luottopäätösten data-analytiikassa on hyvä huomioida että päätöksiä voidaan tehdä monella tasolla, yksi on luottohakemusten taso mutta jossain muussa yhteydessä asiakkuudeksi otto voi olla yksi luottopäätös.
Luottotappiovarauksiin liittyvä data-analytiikka
Erilaiset tilinpäätösstandardit asettavat usein vaatimuksia sille miten erilaisia luottotappiovarauksia voidaan kirjata. Organisaation on tunnettava alueellaan noudatettavien tilinpäätösstandardien periaatteet (esimerkiksi US FASB CECL vs IFRS 9) luottotappiovarausten arvioimiseen sekä niiden kirjanpidolliseen käsittelyyn.
Luottotappiovarausten tietolähteet voivat olla yhteisiä muiden luottoriskien hallinnan data-analytiikan kohdealueiden tietolähteiden kanssa, mutta vastuu käytännössä on monesti enemmän talousfunktiossa. Riskienhallinnan funktio ja talousfunktio voivat jossain määrin jakaa vastuuta.
Vakavaraisuussääntelyyn liittyvä data-analytiikka
Vakavaraisuussääntely on alueellisesti noudatettava erityisesti pankkitoimintaa koskettava sääntely, Euroopassa sääntely tunnetaan nimellä CRR / CRD. Taustalla on näkemys siitä että saamiset riskipainotetaan erilaisin ryhmittelytekijöin käyttäen valittua ja sallittua metodologiaa.
Tyypillisesti tämän alueen vastuu on riskienhallinnan funktiolla ja monia organisaatioita ei koske tämä vaikka luottopäätösten ja luottotappiovarausten data-analytiikka olisikin merkittävässä roolissa.
Tiedon johtamisen ja tiedonhallinnan rooli luottoriskien hallinnan data-analytiikassa
Tiedon johtamiseen sekä tiedonhallintaan on syytä käyttää resursseja, jotta saavutetaan tavoitteet kunkin edellä esitellyn osa-alueen kohdalla mutta toisaalta huomioidaan että nämä kohdealueet hyödyntävät usein samoja tietolähteitä, tavoitteiden hieman poiketessa.
Eräs kansainvälinen viitekehys riskienhallinnan tiedonhallintaan on BCBS 239 – periaatteet (Basel Committee on Banking Supervision – Principles for effective risk data aggregation and risk reporting) vuodelta 2013.
Tiedonhallinnan merkitys on siinä että se mahdollistaa oikea-aikaisen luottoriskien datan käsittelyn, koostamisen ja analytiikan noihin vaihteleviin käyttötarkoituksiin sekä normaaliaikoina että erityisesti kriisien keskellä.
Teknologiset vaihtoehdot luottoriskien hallinnan data-analytiikan toteutukseen
Luottoriskien hallinnan data-analytiikan menestyksekäs toteutuminen edellyttää osaamista, oikeaa määrää ihmisiä sekä tavoitteita tukevia teknologisia ratkaisuvaihtoehtoja. Modernit pilvipalvelut kuten Microsoft Azure voivat olla suureksi avuksi tässä.
Modernit tiedonhallinnan ratkaisut perustuvat nykyisin monesti Lakehouse – analytiikkaan, tämä tarkoittaa kokonaisvaltaista tarjoamaa palveluita ja esimerkkeinä näistä ovat Azure Databricks sekä Microsoft Fabric. Ideana on se että uudet teknologiat mahdollistavat asioita eri tavalla kuin aiemmin, mutta sisältävät jo luonnastaan riittävästi ominaisuuksia mm. tiedonlaadun ja tiedon alkuperän (data lineage) tarkasteluun. Viitekehykset edellyttävät oikea-aikaisuutta mutta myös tiedonlaadun kysymysten ratkaisua, pelkästään yhden osa-alueen ratkaiseminen ei riitä.
Data-alustan kehittäminen ja luottoriskien hallinnan data-analytiikkaa tukevien sovellusten sekä analytiikan kehittäminen onnistuvat erinomaisesti näillä uusilla Lakehouse – analytiikan teknologioilla.
