Odkup nezajištěných dluhů: Jak se data mění na hodnotu portfolia.

Na první pohled působí datový balík nenápadně: dlouhý Excelový seznam obsahující miliony datových bodů. Každý řádek představuje nesplacenou pohledávku od dlužníka v prodlení. Pro Malteho Janzena je to moment, kdy začíná svou analýzu – analýzu, která může vést k investičnímu rozhodnutí v hodnotě milionů.

Od roku 2025 je odpovědný za divizi Unsecured Investments ve společnosti EOS. Spolu s týmem úvěrových a datových analytiků hodnotí portfolia pohledávek nabízená bankami po celé Evropě. Malte se specializuje na investice. Doktorát získal v oblasti investičního rozhodování, následně pracoval v M&A poradenství a poté v hamburské korporaci, kde se podílel na budování divize infrastrukturních projektů.

„Analyzujeme balík pohledávek a vytváříme byznys plán. Na jeho základě doporučujeme kupní cenu představenstvu EOS, které následně rozhodne,“ vysvětluje Malte. EOS ročně hodnotí 500 až 600 portfolií ve více než 20 evropských zemích.

Proces začíná, když banka nabídne portfolio nezajištěných pohledávek k prodeji. Národní pobočky EOS kontaktují prodejce a získají anonymizovaný datový balík pro due diligence. Na jeho základě vzniká detailní analýza a nacenění.

Současně tým na úrovni skupiny analyzuje portfolio z širší perspektivy: jak dlouho je pohledávka po splatnosti? Kdy dojde k promlčení? Jaké kroky byly podniknuty? Důležitý je i kontext: vzniklo portfolio v krizovém období? Jaká je struktura zákazníků? Každé portfolio má svůj příběh. Postupně vzniká ucelený obraz. „Ideální je, když máme s prodejcem již nějakou zkušenost. To zvyšuje přesnost hodnocení.“

Vzhledem k obrovskému objemu dat by bylo nemožné analyzovat každou jednotlivou pohledávku ručně. „Místo toho začínáme identifikací klíčových charakteristik a podle nich pohledávky seskupujeme,“ vysvětluje Malte. K tomu se využívají matematické a statistické metody i modely strojového učení.

Na základě rozsáhlých historických dat tyto modely simulují, jak se budou jednotlivé skupiny pohledávek v čase pravděpodobně vyvíjet.

Do analýzy se zahrnují i další faktory, jako jsou změny v regulatorním prostředí nebo makroekonomické trendy. „Naše modely dokážou zobrazit širokou škálu různých scénářů. To nám pomáhá identifikovat faktory s největším dopadem na portfolio a určit, na co se zaměřit při následném zpracování.“

Ani ty nejsofistikovanější modely však nemohou nahradit odborné znalosti. Stejně jako Malte mají členové jeho týmu dlouholeté zkušenosti v oblasti úvěrové a datové analýzy. Úzce spolupracují také s kolegy z národních poboček. „Ti mají hlubokou znalost lokálních trhů a dokážou lépe zasadit řadu trendů do kontextu.“

Pokud je investiční rozhodnutí pozitivní, analýza tím nekončí. Skutečný výkon portfolia je průběžně sledován a porovnáván s původní prognózou. Pokud dochází k odchylkám, analyzují se jejich příčiny. „Tyto poznatky přímo vracíme do našich analytických nástrojů, což nám umožňuje neustále zdokonalovat a zlepšovat náš proces oceňování.“