Vállalati hitelportfólió minőségének nyomon követése adatvizualizációs eszközökkel

Harsányi Eszter (2020) Vállalati hitelportfólió minőségének nyomon követése adatvizualizációs eszközökkel. Faculty of Finance and Accountancy.

[thumbnail of Szakdolgozat_Harsányi Eszter_SJR80R.pdf] PDF
Szakdolgozat_Harsányi Eszter_SJR80R.pdf
Hozzáférés joga: Repository staff only until 2025. December 07..

Download (1MB)
[thumbnail of Harsányi Eszter_Titkosítási-kérelem-2020.pdf] PDF
Harsányi Eszter_Titkosítási-kérelem-2020.pdf
Hozzáférés joga: Available at the computers of the University

Download (70kB)
[thumbnail of BA_TO_Harsányi_Eszter_SJR80R.pdf] PDF
BA_TO_Harsányi_Eszter_SJR80R.pdf
Hozzáférés joga: Repository staff only until 2025. December 07..

Download (272kB)

Abstract

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.

Institution

Budapest Business University

Kar

Faculty of Finance and Accountancy

Department

Gazdaságinformatika Tanszék

Tudományterület/tudományág

UNSPECIFIED

Szak

Gazdaságinformatikus

Supervisors

Konzulens neve
Konzulens típusa
Assignment, Scientific qualification, Institution
Email
Dr. Dobák Dóra
Belső
főiskolai docens, Gazdaságinformatika Tanszék, PSZK
Matus Dániel
Külső
UNSPECIFIED

Item Type: Thesis (UNSPECIFIED)
Uncontrolled Keywords: adatbázis, adatok, bank, hitel - hitelezés, hitelmonitoring, vizuális modellezés
SWORD Depositor: Archive User
Depositing User: Archive User
Date Deposited: 2021. Mar. 01. 13:29
Last Modified: 2021. Mar. 01. 13:29

Actions (login required)

View Item View Item