Az Andego Tanácsadó Kft. az elmúlt években számos olyan fejlesztést hajtott végre, melyek segítséget nyújtanak üzleti partnereiknek jobb üzleti folyamatok kialakításához. Többek közt a kockázat kezelés is egy olyan terület, ahol adatbányászati elemzések jól felhasználhatók. Jelen bejegyzésben az Andego által kifejlesztett vállalati csőd előrejelző modul tanulságait foglaljuk össze.
Amikor arról beszélünk, hogy egy cég csődbe jut, akkor egy olyan eseményről beszélünk, ami nagyon ritkán fordul elő Magyarországon (konkrétan évi néhány 100 csődeljárásról beszélhetünk). Ez persze nem azt jelenti, hogy a hazai cégek nem szűnnek meg, hanem azt, hogy a megszűnés többnyire nem csődeljárással zárul. Jellemzőbb a cégek felszámolása vagy kényszertörlése.
Egy adatbányász számára izgalmas kihívásnak tűnik, hogy a publikus adatok alapján előrejelezhető-e a cégek megszűnése? (publikus adat alatt jellemzően céginformációs adatokat szokás érteni, illetve leadott mérleg adatokat).
Az Andego Tanácsadó Kft. az elmúlt években elsődlegesen arra fókuszált, hogy a publikus céginformációs adatok alapján felépítse a cégek kapcsolati hálóját. Sikerült elérnünk, hogy a mintegy 400.000 aktív hazai cég között mintegy 3.000.000 kapcsolatot detektáltunk. Ez egy bonyolult gráf alapú adatbázis, így a kérdés úgy módosult esetünkben, hogy a kiszámolt cégkapcsolatok és a publikus adatok alapján mennyire jelezhető előre a cégek megszűnése?
Egy hosszú fejlesztés végén pozitív válaszokat kaptunk a kérdésre, azaz sikerült olyan adatbányászati modelleket előállítanunk, melyek alkalmasak bizonyos negatív események előrejelzésére. És itt a “negatív esemény” kifejezést nem véletlenül használtuk. Az adatbányászati elemzések sikerének egyik legfontosabb faktora ugyanis magának az üzleti problémának a megértése. Jelen esetben az elemzés elején egyáltalán nem volt a világos számunkra a “végrehajtás”, “végelszámolás”, “felszámolás”, “kényszertörlés” vagy a “csőd eljárás” kifejezése. Szakemberek segítségével sikerült feltérképeznünk, hogy a cégek milyen lépések után jutnak el a megszűnésig, és hogy a fenti negatív események miben különböznek egymástól. Az is kiderült, hogy nem minden negatív eseményt követ cégmegszűnés. Sok cég van, amelyek ellen rendszeresen indul végrehajtás, de ezek a cégek később rendezik a tartozásaikat.
A folyamatok feltérképezése után adatbányász szempontból a következő érdekes tanulságai voltak az elemzéseknek:
- Csak akkor lehet jó modelleket építeni, ha megértjük a valódi folyamatokat. Ebben az esetben sikerült a cégeknek egy olyan felosztását elkészíteni, mely jelentősen javította az előrejelzés pontosságát.
- Egy másik fontos tanulsága a projektnek, hogy nem lehet egy univerzális modellt építeni minden negatív eseményre. Kiderült, hogy a végrehajtás előtt álló cégekre teljesen más attribútumok jellemzők, mint a felszámolás vagy végelszámolás előtt álló cégekre.
A modellezés után a szokásos kiértékelések jöttek, és örömmel láttuk, hogy a kapott modellek rendkívül pontosak. Azonban azt is tudjuk, hogy egy prediktív modell akkor érték, ha megmondjuk mire is lehet használni. A következő esetekben teszteltük modelljeinket:
- Hitelelbírálás – a kifejlesztett modellek segítségével pontosabban kiszűrhetők a később 90 napos késedelembe kerülő vállalatok
- Biztosítási csalás detektálás – tapasztalatunk szerint egy káreset nagyobb valószínűséggel csalás, ha a káresetben lévő vállalat felszámolási valószínűsége magas.
Tanulság?
Az adatbányászati elemzések sikerességét alapvetően meghatározza, ha a projekt elején tisztázzuk az adatok és üzleti folyamatok tartalmát, illetve megtaláljuk azokat az üzleti problémákat, ahol a kifejlesztett adatbányászati modellek hasznot hoznak!