Vállalati hitelportfólió minőségének nyomon követése adatvizualizációs eszközökkel

Harsányi Eszter (2020) Vállalati hitelportfólió minőségének nyomon követése adatvizualizációs eszközökkel. Pénzügyi és Számviteli Kar.

	PDF Szakdolgozat_Harsányi Eszter_SJR80R.pdf Hozzáférés joga: Csak az archívum karbantartója nyithatja meg (titkosított dolgozat - engedéllyel) until 2025. December 07.. Download (1MB)
	PDF Harsányi Eszter_Titkosítási-kérelem-2020.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (70kB)
	PDF BA_TO_Harsányi_Eszter_SJR80R.pdf Hozzáférés joga: Csak az archívum karbantartója nyithatja meg (titkosított dolgozat - engedéllyel) until 2025. December 07.. Download (272kB)

Absztrakt (kivonat)

A világban napról napra folyamatosan növekvő adatmennyiségnek köszönhetően egyre nagyobb az érdeklődés és a kereslet az adatelemzéshez kapcsolódó tudományterületek iránt. Dolgozatom két adatvizualizációs eszköz összehasonlítását mutatja be az OTP Bank Nyrt. külföldi leányvállalatainak kibocsátott hitelek kockázati besorolásának alakulása, valamint a vállalati portfólió minőségének nyomon követése kapcsán. Az összehasonlítás alapjául a Microsoft Excelben és a Microsoft Power BI-ban elkészített dashboardok szolgálnak. Elemzésem alapja az OTP Bank Nyrt. adatbázisa, az LRDB (Loan and Risk Database), mely egy multidimenziós (OLAP) adatmodell. Az OLTP rendszerekkel ellentétben az OLAP tárolja a múltbéli adatokat is lehetővé téve az adatelemzést. Az LRDB az OTP Bank elsődleges, egy csatornás adatszolgáltatási rendszere. Kockázatelemzésre az OTP Bank a Korai Figyelmeztető Rendszert (EWS) alkalmazza, mely a figyelmeztető jelek előre definiált, strukturált rendszere. Az EWS feladata, hogy támogassa az ügyfél kockázati besorolását. A használt ügyfélkockázati státuszok (CRS) a következők: Normal, WL1, WL2, WL3, WO. A CRS kategóriák közül a Normal és a WL1 az IFRS 9 szerinti besorolás alapján a Stage 1 kategóriába, a WL2 a Stage 2 kategóriába, míg a WL3 és WO a Stage 3 kategóriába tartozik. A leánybankok hatékonyságának vizsgálatára kétféle módszer is alkalmazható, az egyik CRS-alapú, a másik pedig Stage-alapú. Fontos megjegyezni, hogy a CRS ügyfélszinten, a Stage pedig ügylet/tranzakciószinten kategorizál. A Predictivity, Efficiency, Recovery és Deterioration mutatók mindig 2 időszak összehasonlításából adódnak. Dolgozatomban a YYYY Qn-1-ről Qn-re történt változásokat elemeztem. Dolgozatomban azt vizsgáltam, hogy a kulcs kockázati mutatók hogyan és milyen hatékonysággal mutathatók be vizuálisan mind a MS Excel-ben, mind a MS Power BI-ban. Összességében véleményem szerint a Power BI profibb, látványosabb és mélyebb elemzések elvégzésére képes, ha az illető rászánja az időt a rendszer kiismerésére, de ennek ellenére úgy gondolom, hogy egyelőre nem alkalmas az Excel teljes mértékű kiváltására. Amíg szinte minden adat Excel táblákban szerepel egy vállalat működésében, addig egyértelműen a legkézenfekvőbb megoldás helyben elvégezni a kimutatások, diagramok elkészítését. Véleményem szerint a két eszköz tökéletesen kiegészíti egymást, így a két szoftver ötvözését javasolnám egy komplex, mindent átfogó kimutatás készítéséhez.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Gazdaságinformatika Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	adatbázis, adatok, bank, hitel - hitelezés, hitelmonitoring, vizuális modellezés
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2021. Már. 01. 13:29
Utolsó módosítás:	2021. Már. 01. 13:29

Actions (login required)

Tétel nézet