Odkup nezavarovanih terjatev: Kako na podlagi podatkov določimo vrednost portfelja. 

Na prvi pogled je podatkovni paket videti povsem običajen, dolg seznam v Excelu, z milijoni podatkovnih točk. Vsaka vrstica predstavlja neporavnano terjatev do dolžnika v zamudi. Za Malteja Janzna se tukaj začne analiza – proces, ki lahko na koncu privede do investicijske odločitve, vredne milijone.

Od leta 2025 vodi oddelek za odkup nezavarovanih terjatev v skupini EOS. Skupaj z ekipo kreditnih analitikov in strokovnjakov za podatke ocenjuje portfelje terjatev, ki jih banke po vsej Evropi ponujajo v prodajo. Maltejevo strokovno področje so naložbe. Doktorsko disertacijo je napisal na temo sprejemanja investicijskih odločitev, nato pa je pot nadaljeval v svetovalnem podjetju za združitve in prevzeme (M&A) ter kasneje v hamburški korporaciji, kjer je pomagal vzpostaviti oddelek za infrastrukturne projekte.

»Analiziramo paket terjatev in pripravimo poslovni načrt. Na tej podlagi upravi skupine EOS podamo predlog nakupne cene, ta pa nato sprejme končno investicijsko odločitev,« pojasnjuje Malte. EOS vsako leto oceni med 500 in 600 portfeljev terjatev v več kot 20 evropskih državah.

Postopek se običajno začne, ko banka ponudi v prodajo portfelj nezavarovanih terjatev. Strokovnjaki v lokalnih hčerinskih družbah skupine EOS stopijo v stik s prodajalcem in prejmejo anonimiziran paket podatkov za izvedbo skrbnega pregleda (due diligence). Na podlagi teh podatkov družba EOS v posamezni državi pripravi podrobno analizo in vrednotenje portfelja.

»Hkrati Maltejeva ekipa preučuje portfelj z vidika celotne skupine: Koliko časa so terjatve zapadle? Kdaj bodo zastarale? Kaj je bilo do zdaj storjeno za njihovo izterjavo? Pomembno vlogo igra tudi kontekst portfelja: Ali izvira iz obdobja krize? Kakšna je struktura strank prodajalca? Vsak portfelj ima svojo zgodbo. Iz številnih posameznih podatkovnih točk se postopoma izriše celotna slika. V idealnem primeru s prodajalcem že imamo izkušnje. To nam omogoča še natančnejšo oceno strukture strank in kakovosti samih terjatev.«

Glede na ogromno količino podatkov bi bila ročna analiza vsake posamezne terjatve nemogoča. "Namesto tega najprej določimo ključne lastnosti in terjatve ustrezno razvrstimo v skupine," pravi Malte. Pri tem si pomagamo z matematičnimi in statističnimi metodami ter modeli strojnega učenja. Na podlagi obsežnih zgodovinskih podatkov ti modeli simulirajo predvideno uspešnost poplačila različnih skupin terjatev skozi čas.

V analizo so vključeni tudi dodatni dejavniki, kot so spremembe regulativnega okolja ali makroekonomski trendi. "Z našimi modeli lahko simuliramo širok nabor različnih scenarijev. To nam pomaga prepoznati, kateri dejavniki imajo največji vpliv na portfelj in na kaj moramo biti pozorni kasneje med fazo obdelave oziroma izterjave," pojasnjuje Malte.

Vendar pa niti najsodobnejši modeli ne morejo nadomestiti strokovnega znanja. Tako kot Malte, tudi člani njegove ekipe pri svojem delu izkoriščajo dolgoletne izkušnje s področja kreditnih in podatkovnih analiz. Prav tako tesno sodelujejo s kolegi iz lokalnih hčerinskih družb. "Ti imajo poglobljeno poznavanje lokalnih trgov in so sposobni številne trende učinkoviteje postaviti v ustrezen okvir," pojasnjuje Malte.

Tudi če je odločitev glede investicije pozitivna, se analiza s tem ne konča. Dejansko uspešnost portfelja nenehno spremljamo in jo primerjamo s prvotno napovedjo. Če rezultati odstopajo od pričakovanj, raziščemo osnovne vzroke za to. "Te ugotovitve nato neposredno vključimo nazaj v naša analitična orodja, kar nam omogoča nenehno izpopolnjevanje in izboljševanje procesa vrednotenja," pojasnjuje Malte.