De siste årene har finansinstitusjoner økt bruken av data og nye teknologier for å administrere kredittporteføljer. Faktisk McKinseys
fersk undersøkelse av finansinstitusjoner sier at det er betydelig fremgang i bruk av nye data og teknikker for kredittporteføljestyring.
Men den setter også søkelyset på utfordringene som gjenstår rundt data og teknologi i finanssektoren.
I denne artikkelen oppsummerer vi McKinseys studie, undersøker de 3 største datautfordringene for kredittstyring, og ser på noen interessante ideer for å overvinne dem.
McKinseys 2022 Financial Institution Study: Et raskt sammendrag
McKinsey undersøkte 44 finansinstitusjoner globalt om den siste utviklingen innen data og analyser for kredittporteføljestyring.
Målet
For å forstå bruken av tradisjonelle og alternative datakilder for kredittrisikoinformasjon, for å bestemme hvordan finansinstitusjoner bruker analytiske tilnærminger på tvers av porteføljesegmenter, og for å informere veien videre for å innlemme neste generasjons data og analyser.
Kjernefunnene
Finansinstitusjoner har gjort betydelige fremskritt med å bruke nye data for kredittporteføljestyring:
-
60% av respondentene sa at de har økt bruken av nye typer data og brukt avanserte analyseteknikker i kredittporteføljestyring.
-
75% forventer at disse trendene vil fortsette de neste to årene.
Det er imidlertid nye utfordringer i veien for å bruke nye data for kredittstyring, nemlig:
-
Datakvalitet, som sitert av 63% av respondentene.
-
Ressurser, som sitert av 42% av respondentene.
-
Datakostnader, som sitert av 30% av respondentene.
Oppsummert, mens fremskritt gjøres, gjenstår det barrierer for finansinstitusjoner som ønsker å forbedre kredittporteføljestyringen.
Med dette i tankene, la oss gå inn i detaljene – og starter med innsikt i dataene som brukes.
Hvilke typer data bruker finansinstitusjoner for kredittstyring i dag?
Når de ser på å implementere nye analyser innen kredittstyring, innhenter selskaper data fra kilder som:
-
Intern kredittatferdsdata og data på tvers av produkter
-
Data fra kredittbyråene
-
Økonomiske prognoser
-
Og nye data fra eksterne leverandører.
Dette inkluderer også alternative data; for eksempel, i bedriftsporteføljen, bruker mer enn halvparten av respondentene for øyeblikket, tester eller vurderer nyhetsmedier, sosiale medier eller tredjeparts kontodata.
Vårt syn på dette er at utnyttelse av alle eksisterende intern- og byrådata, som vanligvis ligger i separate deler av systemer og produkt-/kundedatabaser, er ett problem. En annen er å ta en kundedatabase og matche den mot dataleverandører. Dette kan være kostbart og tidkrevende og vil ikke nødvendigvis tilføre verdi.
Topp 3 nye data- og teknologiutfordringer
Som vi kom inn på tidligere, ble alle deltakere i McKinseys studie spurt om de største utfordringene kredittrisiko står overfor i de neste to til tre årene.
De tre viktigste nye utfordringene er:
-
#1: Datakvalitet: 60 % nevnte datakvalitet som den største begrensningen for å bruke innovative nye datakilder
-
#2: Ressurser: 42 % nevnte ressurser som den andre nye utfordringen.
-
#3: Datakostnad: 30 % nevnte kostnadene ved data som den tredje største utfordringen.
La oss se på hver utfordring mer detaljert...
#1: Datakvalitet
Tatt i betraktning at finansinstitusjoner utnytter enorme mengder data for å ta kritiske forbrukerbeslutninger, krever de datanøyaktighet og integritet til enhver tid.
Hvis kundedata er ufullstendige eller scoringsmetodene er unøyaktige, kan utdataene påvirke forbrukernes rettferdighet alvorlig. Dessuten er finansielle tjenester tidssensitive der en enkelt feil raskt multipliserer nedstrømsprosesser.
Forbedring av datakvaliteten krever økt åpenhet i dataene som holdes av dataleverandører, for eksempel de tre beste byråene.
#2: Ressurser
I tillegg til at ressurser ble flagget som en topputfordring av McKinsey, ble det også fremhevet av mer enn en fjerdedel av topplederne i finanssektoren i en studie utført av data- og analysekonsulentselskapet
Cynozure.
Undersøkelsen fant også at 39 % følte at toppledere ikke fullt ut forsto verdien av data. En av hovedårsakene til dette kompetansegapet er på grunn av tempoet i teknologiske endringer.
På samme måte er dataforskere, dataanalytikere og dataingeniører alle etterspurt.
Grovt sett er det to alternativer når man ønsker å tette gapet: omkompetanse og oppkvalifisering av eksisterende ansatte for å gi dem bedre dataferdigheter; eller ansette eksterne talenter.
#3: Datakostnader
I følge PWC bruker store banker over hele verden like mye som
88 millioner dollar i året på data – informasjon de er forpliktet til å ta informerte beslutninger og følge regelverket. Likevel er det en tydelig mangel på åpenhet når det gjelder prissetting av byrådata. Noe vi har diskutert inngående i tidligere artikler.
Fra vårt arbeid med banker og andre långivere vet vi at finansinstitusjoner i stor grad kan redusere kostnadene forbundet med å kjøpe data.
Banker og långivere ser sterke resultater:
-
Å forhandle kontrakt på mellomlang sikt sparer i gjennomsnitt 25–40 % på datakostnader – selv når de forblir hos samme leverandør.
-
Bruk av data fra flere byråkilder kan hjelpe med prissetting og ulike datakilder – og til og med dekke hull i kreditthistorikk som andre byråer kan ha.
-
Én bank reduserte til og med kostnadene med 3 millioner pund per år og ga en besparelse på 50 %, med kontinuerlig fleksibilitet til å bruke tilleggsdata i kundens livssyklus uten ekstra kostnad.
Oppsummert er det en betydelig mulighet for långivere til å redusere sine datakostnader og få data av høyere kvalitet gjennom økt åpenhet i dataprising og kvalitet.
Ta tak i disse utfordringene med de riktige rammene
McKinseys undersøkelse indikerer at mens kredittporteføljeforvaltere begynner å bruke innovative datakilder, gjenstår det store barrierer. Fra å finne riktig datakvalitet til ressurser og datakostnader.
McKinsey fortsetter med å si at evalueringen av datakilder, samt økt åpenhet, vil hjelpe finansinstitusjoner med å forstå utviklingen av data- og leverandørlandskapet. Og vi er absolutt enige.
Etter vårt syn er disse utfordringene ikke noe nye. Dette er noe vi ser gang på gang gjennom vårt arbeid med å støtte finansinstitusjoner.
Den gode nyheten er: Finansinstitusjoner kan ta fem skritt for å løse de viktigste dataproblemene:
#1: Forstå datakrav: Dette inkluderer datakilder, datakvalitet og datanøyaktighet. Ved å samarbeide med eksterne spesialister kan du kartlegge eksisterende datakilder og hva du betaler.
#2: Vurder datakvalitet og prisgap: Sammenlign prisene dine med andre med samme leverandør og fotavtrykk.
#3: Evaluer selskapets datareferanse: Se etter alle potensielle besparelser og oppdag målpriser.
#4: Bygg ut fossen av data og byråer du bør bruke: Mer om dette her.
#5: Forhandle: Eller oppdater datakontrakter, retningslinjer og prosedyrer med støtte sammen med forhandlingsspaker gjennom hver iterasjon av benchmarking-prosessen.
Løs datautfordringene dine med databenchmarking
For å avslutte, er fordelene med en databenchmarking-tilnærming klare og bør motivere institusjoner til å intensivere innsatsen for å skaffe data av høy kvalitet til riktig pris.
Full innsikt i databyråets prissetting, kvalitet og nøyaktighet kan gi en personlig sammenligning for å informere leverandørforhandlinger – enten du velger å bli hos din nåværende leverandør, flytte til en annen eller bruke en multibyrå-tilnærming.
Hvis du er interessert i hvordan databenchmarking fungerer, legg igjen en kommentar nedenfor.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- kilde: https://www.finextra.com/blogposting/23935/3-emerging-data-challenges-in-credit-management-according-to-mckinsey?utm_medium=rssfinextra&utm_source=finextrablogs
- :er
- $OPP
- 1
- 2022
- a
- Om oss
- Ifølge
- Logg inn
- nøyaktighet
- tvers
- tillegg
- Ytterligere
- adresse
- adoptere
- Adopsjon
- avansert
- påvirke
- mot
- Alle
- alternativ
- beløp
- analytikere
- Analytisk
- analytics
- og
- En annen
- tilnærming
- tilnærminger
- ER
- rundt
- Artikkel
- artikler
- AS
- At
- gjennomsnittlig
- Bank
- Banker
- barrierer
- BE
- være
- under
- benchmark
- referansemåling
- Fordeler
- Bedre
- Biggest
- bygge
- kontor
- by
- Samtaler
- CAN
- Gjerne
- utfordre
- utfordringer
- endring
- kostnad
- Velg
- sitert
- fjerne
- kommentere
- Selskaper
- Selskapets
- sammenligning
- vurderer
- konsulent
- forbruker
- fortsette
- kontrakt
- kontrakter
- Kjerne
- Bedriftens
- Kostnad
- Kostnader
- dekke
- kreditt
- kritisk
- Gjeldende
- I dag
- kunde
- kunde Data
- dato
- Database
- databaser
- avgjørelser
- Etterspørsel
- utplassere
- utplassert
- detaljer
- Bestem
- utviklingen
- gJORDE
- oppdage
- diskutert
- distinkt
- diverse
- hver enkelt
- Tidligere
- innsats
- Emery
- Ingeniører
- enorm
- feil
- evaluere
- evaluering
- Selv
- Hver
- utvikling
- eksempel
- ledere
- eksisterende
- forvente
- utvendig
- ekstra
- vendt
- rettferdighet
- finansiell
- finansinstitusjon
- Finansinstitusjoner
- Finansiell sektor
- finansielle tjenester
- finne
- Finextra
- flaggede
- fleksibilitet
- Fotspor
- Til
- Forward
- funnet
- fra
- fullt
- Gevinst
- mellomrom
- få
- få
- Globalt
- Går
- god
- sterkt
- Grønn
- Halvparten
- Ha
- Held
- hjelpe
- Høy
- høykvalitets
- Fremhevet
- Ansetter
- historie
- Hvordan
- HTML
- HTTPS
- Ideer
- forbedre
- in
- unøyaktig
- inkluderer
- innlemme
- økt
- indikerer
- informere
- informasjon
- informert
- innovative
- innsikt
- Institusjon
- institusjoner
- integritet
- interessert
- interessant
- intern
- involvert
- saker
- IT
- køyring
- jpg
- nøkkel
- Vet
- maling
- landskap
- stor
- største
- siste
- siste utvikling
- Permisjon
- långivere
- Lengde
- Leverage
- Livssyklus
- i likhet med
- Se
- ser
- laget
- større
- gjøre
- Making
- administrer
- ledelse
- Ledere
- kart
- matchende
- McKinsey
- Media
- metoder
- millioner
- tankene
- mer
- Videre
- mest
- flytte
- flere
- nemlig
- nødvendigvis
- forhandlinger
- Ny
- Ny teknologi
- nyheter
- neste
- neste generasjon
- å skaffe seg
- of
- on
- ONE
- pågående
- Opportunity
- alternativer
- Annen
- andre
- Overcome
- Fred
- deler
- banen
- betalende
- Personlig
- plato
- Platon Data Intelligence
- PlatonData
- støpsel
- Politikk
- portefølje
- porteføljeforvaltning
- porteføljeforvaltere
- porteføljer
- potensiell
- forrige
- forrige artikler
- pris
- prising
- Problem
- prosedyrer
- prosess
- Prosesser
- Progress
- gi
- leverandør
- tilbydere
- innkjøp
- PWC
- kvalitet
- Fjerdedel
- Rask
- raskt
- grunner
- oppsummering
- nylig
- redusere
- Redusert
- forskrifter
- forbli
- krever
- Krav
- forskning
- Ressurser
- Resultater
- Risiko
- Sa
- samme
- besparende
- Besparelser
- sier
- forskere
- scoring
- Sekund
- sektor
- se
- segmenter
- senior
- separat
- Tjenester
- bør
- signifikant
- enkelt
- ferdigheter
- Ferdigheter gap
- selskap
- sosiale medier
- noen
- noe
- kilde
- Kilder
- sett
- spesialister
- bruke
- Spotlight
- Staff
- Start
- opphold
- Steps
- sterk
- Studer
- slik
- SAMMENDRAG
- støtte
- Støtte
- Survey /Inspeksjonsfartøy
- kartlagt
- Systemer
- Ta
- ta
- Talent
- Target
- teknikker
- teknologisk
- Technologies
- Teknologi
- Det
- De
- verden
- deres
- Dem
- Disse
- Tredje
- tredjeparts
- tre
- Gjennom
- hele
- tid
- tidkrevende
- tidssensitiv
- ganger
- til
- i dag
- topp
- berørt
- tradisjonelle
- Åpenhet
- Trender
- typer
- forstå
- bruke
- vanligvis
- verdi
- leverandør
- Se
- Vei..
- VI VIL
- Hva
- om
- hvilken
- mens
- vil
- med
- innenfor
- Vant
- Arbeid
- arbeid
- virker
- verden
- vikle
- år
- år
- Du
- Din
- zephyrnet