Розділ 2. Ринок банківських продуктів і послуг

- аналіз динаміки реалізації банківських продуктів і послуг загалом за останні кілька років;

- аналіз динаміки окремих елементів продуктового портфеля (за сферами, видами, групами клієнтів, регіонами);

- аналіз взаємозв'язку причинних факторів: формулюється гіпотеза щодо існування причинно-наслідкового зв'язку між фактичними показниками і конкретним фактором, після чого здійснюється оцінка гіпотези, розглядаються не тільки предметні фактори, але й абстрактні явища і фактори типу "сприйнятливість", "лояльність", "імідж", "система цінностей";

- аналіз впливу структури продуктового портфеля на доходи, витрати, прибутковість, рентабельність, ліквідність, міру ризику, фінансову стійкість комерційного банку.

Аналіз тимчасових рядів даних є порівняльним аналізом даних за довгостроковий період із виявленням тренду в зміні цих показників з часом.

Під трендом розуміється тенденція розвитку явища в часі, що визначається при аналізі даних ряду динаміки для характеристики змін явища в часі. Існує три основні види трендів: довгостроковий (довгострокові коливання), сезонний (сезонні коливання) і періодичний (періодичні коливання). Для прогнозування і створення планів реалізації елементів продуктового портфеля комерційного банку найчастіше використовується довгостроковий і періодичний тренди.

Сучасна наука далеко просунулася в розробці технологій прогнозування. Фахівцям маркетологам добре відомі методи нейромережевого прогнозування та нечіткої логіки. Розроблені відповідні програмні пакети, але на практиці вони не завжди доступні рядовому користувачеві, у той час, як багато проблем точного прогнозування можна досить успішно вирішувати, використовуючи методи дослідження операцій, зокрема імітаційне моделювання, теорію ігор, регресійний і трендовий аналізи, реалізуючи ці алгоритми в широко відомому і розповсюдженому пакеті прикладних програм MS Excel.

Лінії тренду дозволяють графічно відображати тенденції зміни даних і прогнозувати ці зміни. Такий аналіз називають також регресійним аналізом. Використовуючи регресійний аналіз, можна продовжити лінію тренду в діаграмі за межі реальних даних для прогнозування майбутніх значень.

Поліноміальна апроксимація використовується для опису значень, що змінно зростають або спадають. Вона корисна для аналізу великого масиву даних про нестабільне значення. Міра полінома визначається кількістю екстремумів (максимумів і мінімумів) кривої, що відображає динамічні значення. Полином другої міри може описати тільки один максимум або мінімум. Полином третього ступеню має один або два екстремуми. Полином четвертої міри може мати не більше трьох екстремумів.

Найбільш надійною визнається лінія тренду, для якої значення R2 дорівнює або близьке до 1. При виборі лінії тренду до відповідних даних MS Excel автоматично розраховує значення R2.

Нижче наведений один із можливих алгоритмів побудови прогнозу обсягів реалізації банківських продуктів і послуг із сезонним характером продажів, прикладами яких є:

- споживче кредитування: попит значно коливається залежно від святкових періодів, кількості акційних пропозицій торгових центрів;

- програми кредитування подорожей, операції з дорожніми чеками American Express, Thomas Cook: інтенсивність попиту збільшується у період відпусток;

- програми кредитування придбання сільгосптехніки та обладнання: попит має яскраво виражений сезонний характер.

Слід зазначити, що перелік продуктів і послуг із сезонним коливання попиту набагато ширший, ніж здається. Поняття "сезон" у прогнозуванні застосовується до будь-яких систематичних коливань - наприклад, якщо мова йде про вивчення обсягу реалізації протягом тижня, то під терміном "сезон" розуміється один день. Крім того, цикл коливань може істотно відрізнятися (як у бік збільшення, так і у бік зменшення) від значення в один рік. Якщо вдається виявити розмір циклу цих коливань, то такий часовий ряд є елементом прогнозування з використанням адаптивних і мультиплікативних моделей.

Адаптивну модель прогнозування можна подати у вигляді формули:

Застосування мультиплікативних моделей обумовлене тим, що в деяких тимчасових рядах значення сезонної компоненти є визначеною часткою трендового значення. Ці моделі можна подати формулою:

F= Т х S х Е

На практиці відрізнити адаптивну модель від мультиплікативної можна за розміром сезонної варіації. Адаптивній моделі властива майже постійна сезонна варіація, тоді як у мультиплікативній вона зростає або спадає; графічно це виражається в зміні амплітуди коливання сезонного фактору, як показано на рис. 2.3.

Рис. 2.3. Адаптивна та мультиплікативна моделі прогнозування