Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

La valutazione del credito commerciale tramite l'utilizzo di modelli di Data Mining per il Credit Scoring: Un caso applicativo nel settore Orologeria e Gioielleria

In un contesto economico critico come quello dell’Italia degli ultimi anni in cui le piccole e medie imprese che ne costituiscono il tessuto imprenditoriale sono soffocate dalla mancanza di liquidità; in cui le banche hanno “chiuso i rubinetti” del credito; ed in cui le stesse aziende, grandi e piccole, si trovano a fronteggiare sempre più numerosi casi di insolvenza, la necessità di concedere credito sotto forma di merce è diventata di fondamentale importanza per la maggior parte delle imprese che vogliono sostenere il proprio business ed è spesso alla base dei rapporti con le altre imprese della filiera produttiva (1 “Il credito commerciale in Italia tra rischi e bisogni”).
Una corretta gestione del credito commerciale oltre a garantire un business sano e duraturo potrebbe aprire nuove possibilità di un più semplice accesso al credito finanziario da parte delle imprese stesse.
Le usuali tecniche di gestione del credito commerciale nella maggior parte dei casi si limitano ad attività di monitoraggio del credito scaduto e di aggiornamento del rischio di credito commerciale. Il giudizio sull’affidabilità del cliente ed eventualmente il calcolo del fido da concedere, spesso si affida a Società Esterne Specializzate (2 “Principi sulla gestione dei crediti commerciali”).
Senza in alcun modo poter prescindere dall’essere influenzato dal particolare quadro economico e sociale di crisi, il presente elaborato si è proposto di sviluppare modelli di Data Mining per misurare il rischio derivante dalla concessione di credito commerciale in modo da poter supportare il processo decisionale del Credit Manager (3 “Data Mining: Il Credit Scoring”).
Il Professor Edward Altman fu tra i promotori di questo tipo di modelli di analisi del rischio di credito ma la prima equazione dal lui progettata fu rivolta essenzialmente all’analisi del rischio finanziario delle società per azioni. Nel susseguirsi degli anni lo stesso E. Altman, ma anche altri studiosi e ricercatori hanno approfondito ed ampliato lo studio all’analisi del rischio di credito al consumo e del rischio di default delle Piccole e Medie Imprese (4.1 “La ricerca scientifica: Credit Scoring PMI e Consumatori”).
Il caso oggetto di studio ha riguardato l’utilizzo di strumenti di data mining per il controllo preventivo del rischio che scaturisce dalla concessione di credito sottoforma di merce. Sulla base dei dati a disposizione, si è cercato di capire in che modo uno strumento di questo tipo potrebbe essere utile al Credit Manager di un’ impresa manifatturiera per supportarlo nelle decisioni di concessione del credito commerciale verso i punti vendita.

I modelli trattati nel corso dello studio effettuato, per alcuni aspetti si sono differenziati dai modelli presenti in letteratura, in particolar modo per le variabili trattate e per l’ambito prettamente commerciale all’interno del quale si sono inseriti (Capitolo 4.3 “Credit Scoring Dettaglianti - Punti Vendita: similitudini e differenze”).
Il progetto di Data mining è stato sperimentato sui dati aziendali di una Società che ha registrato elevati casi di insolvenza nel particolare periodo di crisi del 2009. Il settore di riferimento è quello tra i più tradizionali dell’economia italiana, il settore dei preziosi (orologeria e gioielleria) (Capitolo 5 “Un caso di studio nel settore dei Preziosi (Orologeria e Gioielleria)”).
L’obiettivo è stato quello di progettare modelli che supportassero le decisioni dell’impresa produttrice nell’accettazione degli ordinativi richiesti dai dettaglianti già clienti e di quelli non conosciuti. L’attenzione è stata posta prevalentemente sui clienti conosciuti visto la maggiore disponibilità di dati e visto le usuali e consolidate pratiche di prudenza utilizzate in ambito commerciale per nuovi clienti che effettuano il primo ordine (Capitolo 7 “Modellazione e validazione”).
La prima parte dell’elaborato si riferirà all’individuazione delle esigenze delle imprese e di come queste possano essere simili a quelle del particolare caso trattato, e viceversa.
Nella seconda parte verrà descritto l’esperimento effettuato: la scelta dei modelli, la strutturazione dei data set, la progettazione dei modelli e l’interpretazione dei risultati.
Con lo scopo di illustrare l’utilizzo dei modelli generati, sono stati realizzati alcuni report di Business Intelligence rappresentati nel Capitolo 9 “Simulazione Report di Business Intelligence (scopo illustrativo)”.

Mostra/Nascondi contenuto.
6 INTRODUZIONE In un contesto economico critico come quello dell’Italia degli ultimi anni in cui le piccole e medie imprese che ne costituiscono il tessuto imprenditoriale sono soffocate dalla mancanza di liquidità; in cui le banche hanno “chiuso i rubinetti” del credito; ed in cui le stesse aziende, grandi e piccole, si trovano a fronteggiare sempre più numerosi casi di insolvenza, la necessità di concedere credito sotto forma di merce è diventata di fondamentale importanza per la maggior parte delle imprese che vogliono sostenere il proprio business ed è spesso alla base dei rapporti con le altre imprese della filiera produttiva (1 “Il credito commerciale in Italia tra rischi e bisogni”). Una corretta gestione del credito commerciale oltre a garantire un business sano e duraturo potrebbe aprire nuove possibilità di un più semplice accesso al credito finanziario da parte delle imprese stesse. Le usuali tecniche di gestione del credito commerciale nella maggior parte dei casi si limitano ad attività di monitoraggio del credito scaduto e di aggiornamento del rischio di credito commerciale. Il giudizio sull’affidabilità del cliente ed eventualmente il calcolo del fido da concedere, spesso si affida a Società Esterne Specializzate (2 “Principi sulla gestione dei crediti commerciali”). Senza in alcun modo poter prescindere dall’essere influenzato dal particolare quadro economico e sociale di crisi, il presente elaborato si è proposto di sviluppare modelli di Data Mining per misurare il rischio derivante dalla concessione di credito commerciale in modo da poter supportare il processo decisionale del Credit Manager (3 “Data Mining: Il Credit Scoring”). Il Professor Edward Altman fu tra i promotori di questo tipo di modelli di analisi del rischio di credito ma la prima equazione dal lui progettata fu rivolta essenzialmente all’analisi del rischio finanziario delle società per azioni. Nel susseguirsi degli anni lo stesso E. Altman, ma anche altri studiosi e ricercatori hanno approfondito ed ampliato lo studio all’analisi del rischio di credito al consumo e del rischio di default delle Piccole e Medie Imprese (4.1 “La ricerca scientifica: Credit Scoring PMI e Consumatori”). Il caso oggetto di studio ha riguardato l’utilizzo di strumenti di data mining per il controllo preventivo del rischio che scaturisce dalla concessione di credito sottoforma di merce. Sulla base dei dati a disposizione, si è cercato di capire in che modo uno strumento di questo tipo potrebbe essere utile al Credit Manager di un’ impresa manifatturiera per supportarlo nelle decisioni di concessione del credito commerciale verso i punti vendita.

Laurea liv.II (specialistica)

Facoltà: Ingegneria

Autore: Danilo Procida Contatta »

Composta da 228 pagine.

 

Questa tesi ha raggiunto 1629 click dal 03/11/2010.

 

Consultata integralmente 3 volte.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.