CC BY
23Разработка подходов к планированию комиссионных доходов в коммерческом банке в корпоративном сегменте
CS
0
CS
со
01
Гасанова Марина Руслановна
магистр финансов, Московский государственный университет им. М.В. Ломоносова, a.17.1@mail.ru
В статье представлена модель для планирования комиссионного направления банковского бизнеса в корпоративном сегменте. Авторская модель, представленная в данной статье, отвечает стратегическим целям банковского бизнеса, поскольку способствует выстраиванию долгосрочных взаимовыгодных отношений с клиентами, так как основным драйвером модели и, соответственно, источником развития и роста является корпоративный клиент. Для повышения точности планирования в модель интегрированы современные инструменты и подходы, способные дополнить методы традиционного планирования, такие как: кластеризация клиентской базы методом Уорда и методом к-средних; динамическая классификация; бенчмаркинг; эконометрические методы финансового прогнозирования и корреляционно-регрессивный анализ. Данная модель позволит существенно повысить уровень точности прогнозирования финансовых результатов комиссионной прибыли; создать прозрачную модель мотивации менеджеров; увеличить ценность бюджетного плана с точки зрения бизнеса; позволит достичь стратегические инициативы коммерческого банка; а также, увеличит гибкость планирования. Кроме того, полученные в статье выводы очень важны для моделирования финансовых результатов коммерческих банков в кризис, в частности, в ситуации дальнейшего продления мер для профилактики распространения коронавируса в России.
Ключевые слова: прогнозирование финансовых результатов, комиссионная прибыль, коммерческий банк, корпоративный бизнес, моделирование, подходы к планированию, транзакци-онные доходы, кластеризация, коронокризис.
Мировой банковский опыт уже достаточно давно стал уделять внимание развитию транзакционного бизнеса. Доля транзакционных доходов в операционной прибыли российских банков растет с 2016 года (Рис.1). Кризис 2008 года показал, насколько важно для банков иметь стабильный источник доходов. В условиях кризиса объемы финансирования реального сектора сокращается, соответственно, падают и процентные доходы банков, в то время как количество транзакций в экономике сокращается не так значительно, поэтому комиссионный (транзакционный) бизнес сегодня имеет огромный стратегический приоритет для развития крупнейших банков.
Рис. 1 - Доля транзакционных доходов в операционной прибыли российских банков 2016-2019 гг., % Источник: Построено автором на основании открытой МСФО отчетности российских банков 2016-2019 гг. [6]-[19]
О Ш
m х
<
m о х
X
Исследователи Amoako G.K., Dartey-Baah K., Turnbull P.W., Gibbs M.L. в своих работах [Amoako G.K и др., 2012, c. 152] и [Turnbull P.W. и др., 1987, c. 23] говорят о том, что для увеличения общей доходности банковской деятельности необходимо устанавливать долгосрочные взаимовыгодные отношения с корпоративным клиентами. В связи с этим крайне важно при бюджетном планировании отталкиваться от потребностей корпоративного клиента с учетом внешней финансовой среды, в которой функционирует данный клиент. Рассмотрение клиента как основного драйвера при планировании фи-
нансовых результатов корпоративного сегмента в коммерческом банке способно повысить точность планирования финансовых результатов; добавить ценность финансовому прогнозу, определить внутренние резервы роста эффективности деятельности коммерческого банка; раскрыть пути совершенствования продуктов и процессов для увеличения лояльности корпоративных, а, следовательно, повысить финансовый результат банка за счет развития долгосрочного и взаимовыгодного сотрудничества между банком и корпоративным клиентом.
Далее в статье будет рассмотрена авторская модель для формирования плана по комиссионным доходам, основным драйвером которой является корпоративный клиент. Для повышения точности планирования в модель интегрированы современные инструменты и подходы, способные дополнить методы традиционного планирования, такие как: кластеризация клиентской базы методом k-средних и методом Уорда; динамическая классификация; анализ базы данных с помощью SQL запросов для определения наиболее значимых характеристик корпоративных клиентов по выделенным кластерам; бенчмаркинг; эконометрические методы финансового прогнозирования и корреляционно-регрессивный анализ.
Авторская модель планирования комиссионных доходов.
Текущая кластеризация. Лимитирующим фактором и основным драйвером авторской модели комиссионного дохода является активная клиентская база, к которой применяется текущая структура кластеров доходности.
Рисунок 1 - Схема авторской модели для планирования комиссионных доходов Источник: Составлено автором
Кластеризация - это группировка множества объектов по кластерам (подмножествам) по принципу однородности объектов [Cornwell В., 2015, с. 274]. Кластеризацию корпоративных клиентов можно рассматривать как отдельную тему для исследования, поскольку решение задачи кластеризации неоднозначно по ряду причин. В данной статье апробация полученных результатов точности планирования модели была произведен на примере среднего корпоративного сегмента крупного коммерческого российского Банка - в дальнейшем исследовании Банк «ABC». Для кластеризации был применен метод Уорда (Ward's method) (Рисунок 2), однако может быть также применен метод k-средних (k-means) [Райзин, 1980].
Рисунок 2 - Дендрограмма кластеризации клиентов корпоративного бизнеса методом Уорда на основании доходности клиента для банка (операционной прибыли после резервов и списаний), где (К - кластер убыточных клиентов, К2 -кластер низкодоходных клиентов, Кз - кластер среднедоход-ных клиентов, К4 - кластер высокодоходных клиентов) Источник: Построено автором в Р-б^сНо
Для визуализации полученных результатов кластеризации используется дендрограмма — дерево, на основе которого можно проанализировать взаимосвязь между корпоративными клиентами и близость между кластерами. Так, Рисунок 2 показывает, что существует кластер убыточных для банка клиентов (К1), которые требуют глубокого анализа для выявления причин убыточности и, возможного, отказа от дальнейшего сотрудничества. Кластер низкодоходных клиентов (К2), комиссионная прибыль по которым близка к нулю, стоит проанализировать и найти возможность развить потенциально доходных клиентов. Среднедоходный кластер (Кз), составляющий основу клиентской базы корпоративных клиентов, необходимо развивать, осуществлять мониторинг степени их удовлетворенности и появления новых потребностей для формирования ценностных продуктовых предложений и конкурентоспособных тарифов, поскольку данный сегмент наиболее тяготеет к высокодоходному кластеру. Высокодоходный кластер (К4), при взаимодействии банка, с которым в полной мере проявляется индивидуальная работа с клиентом, происходит реальное обсуждение взаимовыгодных условий обслуживания, реализуются крупные сделки с использованием самых современных банковских технологий.
Кластеризация позволит применить к новой клиентской базе наиболее точный профиль. В зависимости от стратегических инициатив банка может быть использована предпосылка о том, что доходная структура клиентов не изменится, что позволяет применить к новому привлечению структуру кластеров доходности текущей активной базы клиентов или предпосылка об изменении структуры кластеров: расширение высокодоходного кластера при стратегической инициативе о переходе в более высоких сегмент бизнеса или, наоборот, расширение бизнеса за счет привлечения в банк более низкого сегмента.
Использование кластеризации при прогнозировании финансовых результатов крайне важно, поскольку российский банковский бизнес отличается высокой концентрацией комиссионной прибыли (8% клиентов приносят 85% операционной прибыли банковского бизнеса). Бизнес в регионах развит неравномерно, банковский бизнес в ТОП-регионах также сконцентрирован на ограниченном количестве клиентов.
Для анализа концентрации операционной прибыли на клиента построим функции распределения (Кривую Лоренца) для Микро и малого бизнеса, Среднего биз-
X X
о
го А с.
X
го m
о
ю 00
2 О
м
см
0 см
со
01
о ш т
X
<
т О X X
неса и Крупного корпоративного бизнеса. Данные графики показывают какую долю операционной прибыли приносит банку определенная доля клиентской базы. Рисунок 3 демонстрирует, что концентрация операционной прибыли на корпоративного клиента возрастает в более высоких сегментах корпоративного бизнеса.
Пенетрация комиссионных продуктов. К текущей активной базе применяется коэффициент пенетрации -проникновения комиссионных продуктов (Расчетное обслуживание, Кассовое обслуживание, Конвертация, Валютный контроль, Эквайринг, Инкассация, Переводы) в активную клиентскую базу - то есть доля клиентов банка, использующие конкретный комиссионный продукт. Среднее значение пенетрации продукта валютный контроль среди российских банков составляет 51%, конвертации - 42%.
Рисунок 3 - График распределения доли комиссионной прибыли от доли клиентов по сегментам корпоративного бизнеса, %, 2020 г.
Источник: Построено автором на основе открытой МСФО отчетности российских банков [6]-[19]
Из данных графиков (Рисунок 3) видно, что более крупный корпоративный бизнес отличается большей концентрацией, большей зависимостью финансовых результатов от меньшей группы корпоративных клиентов.
Данный вывод применим для процесса планирования финансовых результатов. Перед процессом прогнозирования необходимо определиться с подходом к прогнозированию: модели «сверху вниз» или директивное бюджетирование и модели «снизу вверх» или бюджет с участием исполнителей. Важным фактором при осуществлении данного выбора является концентрация финансового результата. Так, концентрация операционной прибыли на клиенте выше в более высоких сегментах.
В сегменте Крупного бизнеса 1% наиболее крупных клиентов приносит 77% Операционной прибыли. В сегменте Среднего бизнеса 1% наиболее крупных клиентов приносит 38%. В сегменте Малого бизнеса 1% наиболее крупных клиентов приносит 22% Операционной прибыли. Это означает, что разные сегменты корпоративного бизнеса должны иметь разные подходы к планированию.
Так, сегмент массового бизнеса имеет смысл планировать «сверху вниз», поскольку поточный характер бизнеса, стандартизированные продукты, большое количество клиентов с низким профилем. Централизованный бюджет в данном случае даст более объективный и перспективный взгляд на ситуацию. Привлечение менеджеров или руководителей региональной сети к разработке бюджета занимает больше времени, чем директивное бюджетирование и данные затраты времени не приведут к более высокой точности планирования. Менеджеры или региональные руководители сети могут закладывать люфт или резерв, чтобы облегчить выполнение бюджета. Крупный бизнес, наоборот, имеет смысл планировать «снизу вверх», поскольку менеджер в данном случае лучше понимает потенциал корпоративного клиента и директивное планирование может снизить точность планирования.
ПРОНИКНОВЕНИЕ ПРОДУКТОВ 8 АКТИВНУЮ ЕАЗУ КЛИЕНТОВ СРЕДНЕГО БИЗНЕСА
□ Банк _ и Средн«_»н лчение ло российскому Ёаннекому рынку
1 — 1
1 1 ЯТ1 1—1 1 1
н И". Ч', 1 12« 0* 454 нИ
155*1
И,
т ш
и 5.
5 е; I О н &
~?г
1
_ л
Рисунок 4 - Проникновение продуктов в активную базу клиентов среднего бизнеса (Количество активных групп, использующих продукт / общее количество активных групп), %, 2019 год Источник: [4]
Учет пенетрации комиссионных продуктов важен с точки зрения корректности применения среднего профиля. Так, клиенты с продуктами внешнеэкономической деятельности (ВЭД) (Валютный Контроль, Конвертация и.т.д) при прочих равных приносят более высокий доход, нежели клиенты с расчетным обслуживанием.
СТОИМОСТЬ БАЗОВОГО ПАКЕТА УСЛУГ
4 616
^ ^ о^ сГ У
| I Стоимость базового пакета услуг Среднее значение
Рисунок 5 - Стоимость базового пакета услуг в российских банках, руб., 2019 г.
Источник: Построено автором на основе открытой МСФО отчетности российских банков [6]-[19]
Рисунки 5 и 6 показывают, что средняя стоимость пакета услуг «ВЭД» среди российских банков в 37 раз выше средней стоимости базового пакета услуг (без «ВЭД). Соответственно, учет в модели продуктовой пенетрации позволяет наиболее точно сформировать план по комиссионным продуктам и применить корректный профиль для каждого кластера и поколения.
СТОИМОСТЬ БАЗОВОГО ПАКЕТА УСЛУГ
4 616
Л* # Ж ¿Г М^ ^ ,/ ^ с/ /
I I Стоимость базового пакета услуг Среднее значение
Л?
Рисунок 6 - Стоимость пакета услуг «ВЭД» в российских банках, руб., 2019 г.
Источник: Построено автором на основе открытой МСФО отчетности российских банков [6]-[19]
Также, при планировании стоит принять во внимание динамику рынка ВЭД. В 2019 году рынок ВЭД сжался по общему обороту на 3% относительно 2018 года. Индекс внешнеэкономической активности в 2020 году показывает, что у 59% компаний снизились объемы ВЭД из-за коронокризиса. Это означает, что прирост количества клиентов и транзакционных доходов от данного сегмента при условии слабой волатильности курса является амбицией против динамики рынка, то есть зоной роста для банковского бизнеса. Продукты ВЭД в большей мере используют следующие отрасли: Зернотрей-деры; Металлотрейдеры; Ломозаготовители; Угольная промышленность; Лесная промышленность.
Матрица коэффициентов поколений и сезонности. Комиссионная прибыль имеет ярко выраженную статистически значимую сезонность. Профиль клиента по количеству платежей, а, соответственно, и комиссионных доходов в нерабочие дни снижается относительно рабочих дней. Этот факт объясняет сезонную динамику комиссионной прибыли, а именно, снижение в январе, плавный рост ко 2-ому кварталу, снижение а мае, далее восстановление в 3-ем квартале, и экспоненциальный рост в 4-ом квартале.
Соответственно, крайне важно учитывать именно количество рабочих, а не календарных дней при планировании комиссионного дохода. Профиль клиента по комиссионным доходам в нерабочие дни на 29,3% ниже, чем в рабочие дни [Гасанова М.Р., Суйц В.П., 2020, с. 125]. Кроме того, введение в 2020 году нерабочих дней в качестве мер по борьбе с распространением короно-вируса дал понять, что снижение транзакционной активности бизнеса и, соответственно, комиссионных доходов банков вследствие коронокризиса 2020 года не было компенсировано ростом активности компаний после относительной стабилизации ситуации, то есть активность и комиссионные доходы были восстановлены до докризисного уровня, но это не компенсировало недополученных в нерабочие дни комиссий. Полученные выводы и уроки кризиса 2020 года очень важны при планировании финансовых результатов коммерческих банков как в стабильной рыночной ситуации, так и в кризисный период.
Существует очень высокая линейная корреляция (согг = 0,97) между комиссионными доходамибанков-
ской организации и количеством платежей корпоративных клиентов, в то время как количество платежей клиентов зависит от продаж и активности бизнеса в данный период.
Для анализа того, как нерабочие дни (праздники) влияют на комиссионные доходы банковского бизнеса, стоит проанализировать как данные праздники влияют на количество безналичных платежей.
На выборке 3 856 тыс. компаний малого среднего и крупного бизнеса было взято количество безналичных транзакций. В качестве сравниваемых периодов были взяты: 2 обычные недели апреля с 8 по 21 апреля 2019 года и 2 праздничные майские недели с 29 апреля по 12 мая 2019 года для проверки гипотезы относительно майских праздников, а также с 1 по 13 января и 28 по 10 февраля (из выборки исключаем праздничные 31 декабря и 14 февраля, чтобы не было искажения результатов исследования).
ГЛУБЛИНА СНИЖЕНИЯ БЕЗНАЛИЧНЫХ ПЛАТЕЖЕЙ В МАЙСКИЕ ПРАЗДНИКИ
isivb1™
6,34%
11,21%
□ Снижение 10-20% □ Снижение 20-i0% и Снижение >30%
□ Без снижения □ Увеличение 10-20%□ Увеличение 20-30%
□ Увеличение >30%
Рисунок 7 - Глубина снижения безналичных платежей в майские праздники
Источник: Составлено автором на основе данных Google Business Analytics. Режим доступа:
https://marketingplatform.google.com/about/ (дата обращения:
17.02.2020)
Рисунок 8 - Количество платежей за апрель-май в динамике за 2016-2019 гг.
Источник: Составлено автором на основе данных Google Business Analytics. Режим доступа:
https://marketingplatform.google.com/about/ (дата обращения: 17.02.2020)
X X О го А С.
X
го m
о
ю 00
2 О
м
CN
0
сч оэ
01
о ш m
X
<
m о х
X
Из Рисунка 7 видно, что в праздничные дни более 63% компаний снижают свою активность, у 45% исследуемых компаний количество транзакций по счетам снижается более чем на 30%. Лишь незначительная доля (порядка 10,6%) компаний увеличивает количество платежей по своим счетам. Группа «без изменения» означает, что отклонение количества платежей в майские праздники отклоняется от предпраздничных апрельских недель не более чем на одну сигму.
Это дает нам повод утверждать, что профиль комиссионной прибыли корпоративного клиента в праздничные дни, снижается почти на треть. Кроме того, стоит отметить, что параметр, отвечающий за размер бизнеса, оказался незначим. Это означает, что динамика платежей в праздничные/нерабочие не зависит от размера бизнеса и снижение касается всех сегментов.
Этот тезис очень важен для прогнозирования финансовых результатов корпоративных банков в текущей кризисной ситуации, связанной с объявлением нерабочих дней в связи с пандемией коронавируса.
Кроме того, стоит отметить, что профиль на одного клиента на один рабочий день в праздничный период растет, то есть компании компенсируют снижение бизнес активности в праздничные дни в последующий период месяца. В первые недели после майских праздников бизнес отыгрывает количество безналичных платежей и суммы транзакций, то есть в после праздничные дни будет наблюдаться аномально высокий уровень платежей, то есть профиль на рабочий день при этом должен вырасти относительно других месяцев.
На Рисунке 8 видно, что в послепраздничную неделю (15-21 мая) количество платежей возвращается на предпраздничный уровень и не компенсирует снижения в праздничные (нерабочие) дни. Таким образом можно сделать вывод о том, что бизнес-активность после окончания праздников восстанавливается до прежнего уровня, но не компенсирует снижения в нерабочие дни.
Отсюда можно сделать вывод, что дальнейшее продление нерабочих дней для профилактики распространения коронавируса в России негативно скажется на прибыли банков и не будет компенсировано ростом активности компаний в дальнейшем после стабилизации ситуации в стране.
Кроме того, следует посмотреть на клиентский профиль на один рабочий день, чтобы нивелировать различия в количестве праздничных дней в исследуемых неделях. Рисунок 8 показывает, что и в рабочие дни между праздничными происходит снижение профиля. Согласно ОКВЭД, были выделены отрасли, количество платежей которых наиболее существенно снижается на время майских праздников.
• Финансовые услуги;
• Производство и торговля автотранспортными средствами;
• Производство мебели;
• Производство одежды;
• Производство и торговля компьютерами и электронными изделиями;
• Деятельность туристических агентств.
Таким образом, очень важно при прогнозировании учитывать наблюдаемую сезонность. Расчет статистически наблюдаемой сезонности по поколениям является достаточно громоздким и сложно реализуем вручную, однако учет сезонности и динамики поколений нового
привлечения можно просто реализовать в SQL, например, следующим способом:
-------СЕЗОННОСТЬ ПОКОЛЕНИЙ-------
SELECT eomonth(FIRST_CA_OPEN)eom,
month(first_ca_open)month_num, count(DISTINCT pin_eq)cl_cnt
INTO #data
FROM tablel
WHERE 1=1
AND cat_initial in (8,18)
AND eomonth(first_ca_open) between '2016-01-31' AND '202103-31'
GROUP BY eomonth(FIRST_CA_OPEN),month(first_ca_open);
SELECT DISTINCT month_end_date INTO #t1 FROM [table2] WHERE 1=1
AND month_end_date>='2016-01 -31' ; WITH cte
AS (SELECT year(eom)year_, sample_size = count(*), sumX = Sum(month_num), sumY = Sum(cl_cnt),
sumXX = Sum(month_num * month_num),
sumYY = Sum(cl_cnt * cl_cnt),
sumXY = Sum(month_num * cl_cnt)
FROM #data
GROUP BY year(eom) ),
Slope
AS (SELECT year_,
Sample_Size,
sumX,
sumY,
slope = CASE
WHEN sample_size = 1 THEN 0
ELSE (sample_size * sumXY - sumX * sumY) / (sample_size *
sumXX - Power(sumX, 2) )
END
FROM cte),f
AS ( SELECT
year_,
slope,
intercept = ( sumY - ( slope * sumX ) ) / sample_size
FROM slope )
SELECT * INTO #f from f;
DROP TABLE if exists #f2; WITH z1
AS ( SELECT z.*,x.* ,cast(x.cl_cnt as float) / cast((
y.slope*month(x.eom)+y.intercept)as float)season_newCL ,case when year(DATEADD(YEAR,1,eom))%4=0 and month(eom)=2 THEN
cast(concat(year(DATEADD(YEAR,1,eom)),'-',month(eom),'-29')AS date)
ELSE DATEADD(YEAR,1,eom) END Y_1 FROM #t1 z
LEFT JOIN #data x on x.eom=z.month_end_date LEFT JOIN #f y on y.year_=left(cast(x.eom as varchar(10)),4)),z1_param
AS ( SELECT
cast(eomonth(DATEADD(yy, DATEDIFF(yy, 0, DATEADD(year,-1,max(eom))), 0))AS DATE)first_month_period ,max(eom)last_month_period FROM z1 )
SELECT month_num,avg(season_newCL)season_newCL INTO #f2
FROM z1,z1_param
WHERE eom between z1_param.first_month_period and
z1_param.last_month_period
GROUP BY month_num;
Коэффициент региона. Очевидно, что профиль одного кластера отличается в зависимости от региона. Для учета региональных различий в модели планирования комиссионной прибыли использован аналогичный модели текущих счетов коэффициент региона на основе интегрального показателя, который учитывает: активность бизнеса в регионе; долю рынка банка; фактическое отношение профиля региона к медианному профилю кластера с определенными весами. Данный этап необходим, чтобы выровнять плановый и фактический профиль в каждом городе, чтобы не допустить резкого необоснованного всплеска комиссионной в каком-либо городе. Кроме того, этот коэффициент позволяет сформировать план по каждому региону, что сделает более прозрачной мотивацию менеджеров за выполнение бюджетных показателей.
Медианный профиль кластера по продуктам. Далее к активной базе применяется медианный профиль в детализации по продуктам (Расчетное обслуживание, Кассовое обслуживание, Конвертация, Валютный контроль, Эквайринг, Инкассация, Переводы). Российский рынок транзакционных доходов является достаточно конкурентным, стоимость тарифов существенно отличается при этом нет существенных различий в продуктовой линейке, тем не менее, продуктовая детализация модели может отличаться для различных банков. Детализацию модели необходимо выбирать, во-первых, руководствуясь потребностями конкретного банка и сегмента, во-вторых, учитывать схему выплат мотивации, в-третьих, детализацию, необходимую для принятия управленческих решений, например, появление новых продуктов или сегментов рынка, которых необходимо адресно отслеживать и т.д.
При установлении прогнозного профиля по каждому продукту необходимо сопоставлять фактический профиль комиссионного продукта с бенчмарком. Практическая реализация интеграции современных методов, таких как сравнительный анализ (бенчмаркинг) в процесс традиционного планирования добавляет ценности финансовому плану, помогает в управлении банковской организацией, позволяет раскрыть внутренние резервы роста эффективности деятельности коммерческого банка и управлять его экономическим потенциалом, позволяет выявить пути совершенствования продуктов, процессов и видов деятельности, улучшить эффективность, внедряя наиболее передовые практики и эталонные образцы, приближаясь таким образом к высочайшим стандартам и выделяя свои конкурентные преимущества. Сравнение с рынком добавляет ценности финансовому плану, помогает в управлении банковской организацией, позволяет раскрыть внутренние резервы роста эффективности деятельности коммерческого банка и управлять его экономическим потенциалом, способствует разработке наиболее эффективных направлений; значимо снижает риски принятия неверных бизнес-решений; содействует увеличению готовности банковского бизнеса к неожиданным изменениям внешней ситуации.
Данный блок модели важен, поскольку новое поколение привлечения генерирует меньшую прибыль в сравнении с существующим поколением более раннего привлечения. Учет поколения корпоративного клиента при финансовом прогнозировании способствует более точному планированию финансового результата и позволяет учесть потребности клиентов. Так, профиль нового поколения (ОГРН юридического лица (основной государственный регистрационный номер) получен в текущем отчетном периоде) комиссионной прибыли на 43% ниже профиля существующих поколений клиентов. Это интуитивно понятно, поскольку вновь созданному юридическому лицу необходимо определенное время чтобы достигнуть уровня среднероссийской доходности корпоративных клиентов. Новая группа в среднем выходит на уровень среднероссийской доходности через 2-3 года [Гасанова М.Р., Суйц В.П., 2020, с. 125], на протяжении развития банк должен уделять повышенное внимание новым клиентам для выстраивания прочного основания для дальнейшего взаимовыгодного сотрудничества.
Вышеупомянутый вывод важен для повышения точности планирования. Для более скрупулёзного планирования необходимо детализировать клиентскую базу на поколения и отдельно моделировать поведение вновь созданных корпоративных клиентов на протяжении двух лет в зависимости с помощью функции «развития» корпоративного клиента, которая статистически моделирует профиль комиссионного дохода исходя из срока жизни клиента.
На рисунке 9 представлен профиль новых групп - это средний профиль дохода, который компания принесла в банк в год регистрации ОГРН, и существующих групп компаний - профиль в последующие годы после регистрации. Для расчета используются группы компаний, то есть объединенная компания с учетом филиалов/дочерних компаний вокруг центра принятия решений, чтобы нивелировать результаты создания отдельных SPV (юридических лиц) под реализацию проектов.
Рисунок 9 - Профиль комиссионной прибыли по продуктам новых групп и существующих (общий показатель в категории на количество активных групп), тыс. руб., 2019 * РКО - расчетно-кассовое обслуживание, ВЭД - внешнеэкономическая деятельность (валютный контроль, конверсионные операции)
Источник: Построено автором на основе открытой МСФО отчетности российских банков [6]-[19]
На Рисунке 9 видно, что профиль новых групп значительно ниже нежели профиль существующих групп. Так, профиль расчетно-кассового обслуживания, который генерируют банку новые группы на 43% ниже профиля существующих, профиль по комиссиям за переводы на 49% ниже, профиль по комиссиям от внешнеэкономиче-
X X
о
го А с.
X
го m
о
ю 00
2 О
м
es
0 es
со
01
о ш m
X
<
m O X X
ской деятельности на 50% ниже. Это интуитивно понятно, поскольку компании необходимо время, чтобы выйти на средний уровень дохода и профиля. Отсюда возникает логичный вопрос: сколько времени необходимо корпоративному клиенту, чтобы выйти на средний профиль.
UFO* В Л. К ОМ 11СС КОНВОИ ПРИБЫЛИ
! з «я 3 ш 3115 —1 .2 ИМ -т-*7" J ..... ---Среднее шзчяпи но российскому мюговаону
1FW, рынку
y = JÍMJi 11Ш.7 К' ■ Ü.9TS — Значение но 1K4WCH1LÍÍI
WIK'C 101 i' u 1-3:пи 4-5 .Tei " .1 л МО лет ор.тьше
L 1CIS lO.iei Ik pic j тштгл ыиктн пя рмпкг{!ия)
Рисунок 10 - Профиль комиссионной прибыли на группу на российском рынке по сроку жизни (годовая операционная прибыль на количество активных групп сегмента), тыс. руб. Источник: Построено автором на основе открытой МСФО отчетности российских банков [6]-[19]
Исходя из Рисунка 10 новая группа в среднем выходит на уровень среднероссийской доходности через 2-3 года. Полученный результат очень важен для моделирования финансовых результатов, поскольку означает, что при прогнозировании финансовых результатов, необходимо детализировать клиентскую базу на поколения и отдельно моделировать поведение корпоративных клиентов нового поколения (до 2-ого года). Также, можно сделать вывод о том, что каждые два года функционирования корпоративного клиента на рынке увеличивает его профиль на 389 тыс. руб.
Также стоит отметить, что в качестве профиля комиссионного дохода не стоит использовать стоимость пакета услуг корпоративного клиента.
Коэффициенты киррелящш. ш. > пщтпц ] -KpimnecHK тначеши г ;ihv\ct Пронине! - 0.2329 атл п - 1567898
CLIENT PROFILE PACKAGE PRItt Ko|41.p.tr IIBHUli (mitHi CLIENT PROFILE PACKAGE PRICE MllKpo II ыялыП ÚII1KCC
1.00 0,21 CLIENT PROFIL E 1.00 0/12 CLIENT PROFILE
1,00 PACKAG E„ PRICE 1.00 PACKAGE PIUCE
CLIENT. PROFILE PACKAG 1 PRICE Средний б|гтнес CI IE VI PROFILE PACKAGE PRICE Крупны?! бизнес
1,00 0.12 CLIENT. PROFILE 1.00 0M CLIENT, PROFILE
1.00 РЛ( KAG 1 PRICE 1.00 PACKAGE PRICE
Рисунок 11 - Корреляционная матрица между стоимостью пакета услуг клиента и фактическим профилем комиссионного дохода в 2019 году
Источник: Построено автором в ЭгвИ на основе открытой МСФО отчетности российских банков [6]-[19]
Рисунок 11 показывает, что корреляция между базовой стоимостью пакета услуг клиента и фактическим профилем комиссионного (трансфертного) дохода очень низкая во всех сегментах корпоративного бизнеса, причем, можно отметить, что в более низких сегментах данная корреляция выше. Данный вывод
объясняется тем, что одним из важных принципов ценообразования является кастомизация базового тарифа под потребности клиента. Обычно существуют 4 варианта кастомизации тарифов для корпоративного бизнеса:
1. Стандартный пакет услуг
2. Стандартный пакет услуг + блоки опций (платежи, кассовые операции, ВЭД (внешнеэкономическая деятельность) и т.д)
3. Стандартный пакет услуг + блоки опций + льгота
4. Стандартный пакет услуг/Стандартный тарифный сборник + Smart pricing (индивидуальное предложение для клиента)
В микро и малом бизнесе кастомизация встречается не так часто, что объясняет наиболее высокую корреляцию в данном сегменте (0,42). В более высоких сегментах часто используются специфичные тарифы для клиентов, подобранные под специфику их деятельности. Таким образом можно сделать вывод о том, что базовая стоимость пакета услуг лишь отражает общий уровень стоимости услуг в банке и данную стоимость можно использовать для моделирования финансовых результатов лишь с определенными ограничениями.
Тем не менее, стоимость пакета услуг является важным индикатором для определения потребностей клиента. В данной связи банковскому бизнесу стоит обратить пристальное внимание на компании, занимающееся внешнеэкономической деятельностью.
Далее модель интегрируется с моделью кредитного бизнеса для получения комиссий кредитного характера: комиссий за гарантии и аккредитивы, комиссий за документарный факторинг, комиссий за управление дебиторской задолженностью,комиссий за финансирование, агентские вознаграждения по лизингу и прочие кредитные комиссии. Драйверами для кредитных комиссий является кредитный портфель. Как уж было описано ранее, помимо процентного дохода, зачастую кредитные продукты сопровождаются комиссионными платежами за предоставление определенных услуг и сопутствующих сервисов. При прогнозировании данных комиссий необходимо руководствоваться кредитной политикой банковского учреждения.
Апробация. Апробация данной авторской модели будет проходит на примере сегмента среднего корпоративного бизнеса Банка «ABC». Результаты данного исследования легли в основу финансового плана на 2021 год для сегмента среднего корпоративного бизнеса в одном из крупнейших коммерческих банков России (в данном исследовании Банк «ABC»). Апробация будет проведена на основании данных клиентской отчетности одного из крупнейших российских коммерческих банков. Эмпирической базой является временной ряд, содержащий финансовый результат и нефинансовые показатели в детализации до клиента: комиссионную прибыль, а также нефинансовые показатели (отрасль, географическое расположение, канал привлечения, дату регистрации юридического лица и т.д.). Выборка состоит из 86 тыс. клиентов среднего корпоративного бизнеса (более 36% рынка) в динамике за 4 года (с 2016 до 2019 года). Данные будут использованы как апробация представленного исследования для планирования финансовых результатов сегмента среднего бизнеса и оценки точности планирования.
Рисунок 12 - Иллюстрация анализа отклонений фактической комиссионной прибыли от планового значения за первый квартал 2021 года (накопленным итогом), млн. руб. Источник: Составлено автором на основе фактического и планового отчета о прибылях и убытках и баланса за первый квартал 2020 года по блоку среднего корпоративного бизнеса Банка «ABC»
В общем случае отклонение комиссионной прибыли можно объяснить тремя признаками: динамикой активной клиентской базы; изменением среднемесячного профиля и изменением продуктовой пенетрации.
Активная база в нашем случае в плане, соответственно, оказывает минимальный эффект на отклонение факта от планового значения комиссионной прибыли.
Профиль клиента оказался ниже планового значения. Более глубокий анализ показал, что наибольшее отклонение наблюдается по профилю привлечения 2020 года, оказалось, что профиль нового привлечения 2020 ниже профиля поколения 2019 года в 2019 году. Это может объясняться тем, что компании, начавшие деятельность в 2020 году, развиваются значимо слабее из-за кризиса и новое привлечение этого года будет генерировать значимо более низкий доход.
Кластерный анализ активной базы по принципу доходности, использованный в модели, позволяет выделить фокусные группы корпоративных клиентов и корректно применять к ним драйверы планирования, что существенно повышает точность планирования. Рисунок 12 демонстрирует высокую точность авторской модели (100% выполнения плана за 6 месяцев). Также, нужно обратить внимание на важность своевременного детального анализа отклонений фактических значений от плановых. Это, во-первых, позволяет заранее определить возможные риски, поставить их на контроль и подготовить план действий по каждому направлению банковского бизнеса, во-вторых, позволяет найти точки роста благодаря анализу тенденций (изменение поведения клиентов относительно закономерностей, наблюдаемых в прошлом, говорит об изменении тенденций, что позволяет быть первым на рынке), в-третьи, анализ отклонений позволяет определить промахи модели и в дальнейшем еще больше увеличит точность планирования и, соответственно, эффективность бизнеса.
ВЫВОДЫ
Текущие условия банковского дела в России характеризуются усилением конкуренции за клиента; нестабильностью рыночной ситуации, усложненной пандемией коронавируса и режимом самоизоляции; снижением доходности, сокращением процентной маржи и комиссионного дохода; увеличением объема операций;
расширением ассортимента банковских продуктов; появлением новых финансовых рынков, изменивших характер финансирования; широким распространением онлайн модели банковского бизнеса, а также ростом сопутствующих рисков совершаемых операций. В подобных условиях важное значение приобретают факторы интенсивного роста деятельности коммерческого банка. Такой инструмент, как бюджетное планирование позволяет раскрыть внутренние резервы роста эффективности деятельности коммерческого банка и управлять его экономическим потенциалом.
Текущие условия банковского бизнеса требуют от российских банков учитывать изменяющиеся потребности клиентов при планировании финансовых результатов. Особенно важно учитывать потребности корпоративных клиентов при создании бюджета, поскольку именно при взаимодействии банка с корпоративным сегментом в полной мере проявляется индивидуальная работа с клиентом, происходит реальное обсуждение взаимовыгодных условий обслуживания, реализуются крупные сделки с использованием самых современных банковских технологий.
Авторская модель, представленная в данной статье, отвечает стратегическим целям банковского бизнеса, поскольку способствует выстраиванию долгосрочных взаимовыгодных отношений с клиентом, так как основным драйвером и, соответственно, источником развития и роста является корпоративный клиент.
Для повышения точности планирования в модель интегрированы современные инструменты и подходы, способные дополнить методы традиционного планирования, такие как: кластеризация и динамическая классификация клиентской базы методом Уорда и методом k-средних; анализ данных с помощью SQL для определения наиболее значимых характеристик корпоративных клиентов по выделенным кластерам; бенчмаркинг; эко-нометрические методы финансового планирования и корреляционно-регрессивный анализ.
Модель учитывает поколения корпоративных клиентов, что позволяет получить прогноз в детализации на новую и текущую активную базу в разрезе по поколениям привлечения клиентов и кластерам доходности. В результате исследования было доказано, что профиль новых групп корпоративных клиентов значительно ниже нежели профиль существующих групп. Профиль растет с каждым последующим годом на определённый коэффициент, полученный эмпирическим путем. Данный коэффициент учтен при построении авторских моделей и отвечает за увеличение «проникновения в кошелек клиента», то есть увеличение лояльности клиента и увеличение концентрации основных банковских операций в одном банке. Выявлено, что новая группа в среднем выходит на уровень среднероссийской доходности через 2-3 года. Данный тезис не только позволяет более точно спрогнозировать комиссионный профиль корпоративного клиента, но и исходя из срока жизни клиента смоделировать поведение и оценить потенциал привлеченной базы клиентов в будущем.
Авторская модель планирования комиссионной прибыли использует кластеризацию клиентов корпоративного бизнеса методом Уорда по типу доходности, уровню продуктовой пенетрации, продолжительности жизненного цикла, отраслевой принадлежности и выручки, что позволяет применять более точный профиль и пенетрацию различных комиссионных продуктов для
X X
о
го А с.
X
го m
о
ю 00
2 О
м
es
0 es
со
01
о ш m
X
<
m O X X
конкретного кластера и, соответственно, увеличить точность финансового прогноза комиссионной прибыли.
Модель является достаточно гибкой: можно сместить акцент в сторону привлечения более высокого или, наоборот, более низкого кластера в результате изменения продуктовой линейки комиссионных продуктов, что особенно важно в текущих условиях коронакризиса и, соответственно, крайне динамичного появления и развития новых банковских продуктов.
Модель учитывает стратегические цели смежных подразделений. Так, например, активный рост кредитного портфеля будет влиять на прогноз комиссионной прибыли, посредством смещения акцента в сторону кредитующего кластера. В результате исследования было доказано, что кредитующиеся клиенты генерируют значимо более высокий профиль комиссионной прибыли, нежели безрисковые (некредиующиеся клиенты).
Также исследование показало, что бизнес-активность после окончания нерабочих дней восстанавливается до прежнего уровня, но не компенсирует снижения в нерабочие дни. Отсюда можно сделать вывод, что продление «самоизоляции» и периодов нерабочих дней для профилактики распространения коронавируса в России негативно скажется на прибыли банков (снижение профиля комиссионной прибыли в нерабочие дни составляет 29,3%), кроме того, данное снижение не будет компенсировано ростом активности компаний в дальнейшем после стабилизации ситуации в стране. Учет количества рабочих дней и сезонности комиссионной прибыли в модели также способствует более точному финансовому прогнозу.
Модель носит не теоретический описательных характер, в статье представлены методы и подходы для практической реализации данных моделей (примеры реализации анализа в R-studio, SQL). Внедрение результатов исследования способно повысить точность планирования финансовых результатов; выстроить прозрачную модель мотивации менеджеров банка; добавить ценность финансовому плану, раскрыть внутренние резервы роста эффективности деятельности коммерческого банка.
Модель отражает реальности банковского сегмента бизнеса и демонстрирует, что бизнес-план может претерпевать изменения в зависимости от конъюнктуры на финансовом рынке и рыночной ситуации, в то время как стратегические цели по выстраиванию долгосрочных взаимовыгодных отношений с сегментом корпоративных клиентов стабильны и неизменны. Использование описанных методов позволит: увеличить точность прогнозирования; создать прозрачную модель мотивации менеджеров; оптимизировать штатную численность; увеличить ценности бюджетного плана с точки зрения бизнеса; позволит достичь стратегические инициативы коммерческого банка; увеличит гибкость планирования.
Литература
1. Amoako G.K., Dartey-Baah, K. (2012). An Analysis of the Impact of Strategic Marketing on Profitability of Rural Banks - A Case Study of Dangme Bank. // International Joumal of Marketing Studies - Vol. 4, No. 2, P. 150-156.
2. Cornwell B. (2015). Linkage Criteria for Agglomerative Hierarchical Clustering. Social Sequence Analysis, 270-274
3. Turnbull, P.W. and Gibbs, M.L. (1987). Marketing Bank Services to Corporate Customers: The Importance of
Relationships. // International Journal of Bank Marketing -Vol. 5 No. 1, P. 19-26.
4. Гасанова М.Р., Суйц В.П. (2020) Современные подходы к планированию финансовых результатов корпоративного сегмента в коммерческом банке // Аудит и финансовый анализ, издательство ДСМ Пресс (Москва), № 3, с. 78-88
5. Классификация и кластер. (1980) Под ред. Дж. Вэн Райзина. М.: Мир, 1980. 390 с.
6. Данные открытой МСФО отчетности Альфа-Банка за 2016-2019 гг. Режим доступа: https://alfabank.ru/ (дата обращения: 23.01.2020)
7. Данные открытой МСФО отчетности Банка «ФК Открытие» за 2016-2019 гг. Режим доступа: http://www.open.ru/ (дата обращения: 02.02.2020)
8. Данные открытой МСФО отчетности ВТБ банка за 2016-2019 гг. Режим доступа: https://www.vtb.ru/ (дата обращения: 25.01.2020)
9. Данные открытой МСФО отчетности Газпромбанка за 2016-2019 гг. Режим доступа: https://www.gazprombank.ru/ (дата обращения: 22.01.2020)
10. Данные открытой МСФО отчетности Промсвязьбанка за 2016-2019 гг. Режим доступа: https://www.psbank.ru/ (дата обращения: 28.02.2020)
11. Данные открытой МСФО отчетности Райффайзен банка за 2016-2019 гг. Режим доступа: https://www.raiffeisen.ru/ (дата обращения: 29.02.2020)
12. Данные открытой МСФО отчетности Росбанка за 2016-2019 гг. Режим доступа: https://www.rosbank.ru/ (дата обращения: 25.02.2020)
13. Данные открытой МСФО отчетности Россель-хозбанка за 2016-2019 гг. Режим доступа: https://www.rshb.ru/ (дата обращения: 25.01.2020)
14. Данные открытой мСфО отчетности Сбербанка России за 2016-2019 гг. Режим доступа: https://www.sberbank.ru/ (дата обращения: 04.02.2020)
15. Данные открытой МСФО отчетности Тинькофф банка за 2016-2019 гг. Режим доступа: https://www.tinkoff.ru/ (дата обращения: 04.02.2020)
16. Данные открытой МСФО отчетности Уралсиб банка за 2016-2019 гг. Режим доступа: https://www.uralsib.ru/ (дата обращения: 04.02.2020)
17. Данные открытой МСФО отчетности Юникредит банка за 2016-2019 гг. Режим доступа: https://www.unicreditbank.ru/ (дата обращения: 07.02.2020)
18. Статистика компаний РФ по выручке компаний, СПАРК. Режим доступа: www.spark-interfax.ru (дата обращения: 12.02.2020)
19. Статистика Google Business Analytics. Режим доступа: https://marketingplatform.google.com/about/ (дата обращения: 17.02.2020)
Development of approaches to the planning of commission income of a
commercial bank in the corporate segment Gasanova M.R.
Lomonosov Moscow State University
JEL classification: G20, G24, G28, H25, H30, H60, H72, H81, K22, K34
The article presents a model for planning the commission direction of banking business in the corporate segment. The author's model presented in this article meets the strategic goals of the banking business, since it contributes to building long-term mutually beneficial relationships with clients, since the main driver of the model and, accordingly, the source of development and growth is the corporate client. To improve the accuracy of planning, modern tools and approaches are integrated into the model that can complement the methods of traditional planning, such as: clustering of the client base by the Ward method and the k-means
method; dynamic classification; benchmarking; econometric methods of financial forecasting and correlation and regression analysis. This model will significantly increase the level of accuracy of forecasting the financial results of commission profit; create a transparent model of motivation of managers; increase the value of the budget plan from the business point of view; it will allow achieving the strategic initiatives of a commercial bank; and also, it will increase the flexibility of planning. In addition, the conclusions obtained in the article are very important for modeling the financial results of commercial banks in a crisis, in particular, in the situation of further extension of measures to prevent the spread of coronavirus in Russia.
Keywords: forecasting of financial results, commission profit, commercial bank, corporate business, modeling, planning approaches, transaction income, clustering, coronocrisis.
References
1. Amoako G.K., Dartey-Baah, K. (2012). An Analysis of the Impact of Strategic Marketing on Profitability of Rural Banks - A Case Study of Dangme Bank. // International Joumal of Marketing Studies - Vol. 4, No. 2, P. 150-156.
2. Cornwell B. (2015). Linkage Criteria for Agglomerative Hierarchical Clustering. Social Sequence Analysis, 270-274
3. Turnbull, P.W. and Gibbs, M.L. (1987). Marketing Bank Services to Corporate Customers: The Importance of Relationships. // International Journal of Bank Marketing - Vol. 5 No. 1, P. 19-26
4. Gasanova M. R., Suits V. P. (2020) Modern approaches to planning the financial results of the corporate segment in a commercial bank / / Audit and financial analysis, DSM Press publishing house (Moscow), No. 3, pp. 78-88
5. Classification and cluster. (1980) Edited by J. Van Raizin, Moscow: Mir, 1980. 390 p.
6. Data of Alfa-Bank's open IFRS financial statements for 2016-2019 Access mode: https://alfabank.ru/ (accessed: 23.01.2020)
7. Data of the open IFRS financial statements of the Bank "FC Otkritie" for 2016-2019. Access mode: http://www.open.ru/ (accessed: 02.02.2020)
8. Data of VTB Bank's open IFRS financial statements for 2016-2019 Access mode: https://www.vtb.ru/ (accessed: 25.01.2020)
9. Data of Gazprombank's open IFRS financial statements for 2016-2019 Access mode: https://www.gazprombank.ru/ (accessed: 22.01.2020)
10. Data of Promsvyazbank's open IFRS financial statements for 2016-2019 Access mode: https://www.psbank.ru/ (accessed: 28.02.2020)
11. Data of Raiffeisen Bank's open IFRS financial statements for 2016-2019 Access mode: https://www.raiffeisen.ru/ (accessed: 29.02.2020)
12. Data of Rosbank's open IFRS financial statements for 2016-2019 Access mode: https://www.rosbank.ru/ (accessed: 25.02.2020)
13. Data of the Rosselkhoznadzor's open IFRS financial statements for 2016-2019. Access mode: https://www.rshb.ru/ (accessed: 25.01.2020)
14. Data of Sberbank of Russia's open IFRS financial statements for 20162019 Access mode: https://www.sberbank.ru/ (accessed: 04.02.2020)
15. Data of Tinkoff Bank's open IFRS financial statements for 2016-2019 Access mode: https://www.tinkoff.ru/ (accessed: 04.02.2020)
16. Data of Uralsib Bank's open IFRS financial statements for 2016-2019 Access mode: https://www.uralsib.ru/ (accessed: 04.02.2020)
17. Data of Unicredit Bank's open IFRS financial statements for 2016-2019 Access mode: https://www.unicreditbank.ru/ (accessed: 07.02.2020)
18. Statistics of companies of the Russian Federation on the revenue of companies, SPARK. Access mode: www.spark-interfax.ru (accessed: 12.02.2020)
19. Google Business Analytics statistics. Access mode: https://marketingplatform.google.com/about/ (accessed: 17.02.2020)
X X O 00 A c.
X
00 m
o
io 00
2 O IO
