ارائه یک مدل جدید برای سناریو سازی تقاضای دستگاه‌های خودپرداز (مورد مطالعه : دستگاه‌های خودپرداز شهر تهران)

الموضوعات :

علیرضا آقا قلیزاده سیار ¹ (دانشجوی دکتری ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات،گروه مدیریت صنعتی ، تهران ، ایران)
محمد رضا معتدل ² (استادیار ، دانشگاه آزاد اسلامی واحد تهران مرکز،گروه مدیریت صنعتی ، تهران ، ایران (مسئول مکاتبات) [e-mail])
علیرضا پور ابراهیمی ³ (استادیار ، دانشگاه آزاد اسلامی واحد کرج،گروه مدیریت صنعتی ، کرج ، ایران)

تاريخ الإرسال : 08 السبت , ذو القعدة, 1439 تاريخ التأكيد : 14 الأحد , جمادى الأولى, 1440 تاريخ الإصدار : 25 الجمعة , ربيع الأول, 1441

الکلمات المفتاحية: درخت تصمیم C&R, خوشه بندی میانگین کای, پیش بینی تقاضا, داده کاوی, یادگیری ماشین,

ملخص المقالة :

در دنیای رقابتی امروز توانایی شناخت و پیش بینی تقاضای مشتریان یک مقوله مهم جهت موفقیت سازمانها به شمار می‌رود.و از انجا که دستگاههای خود پرداز یکی از مهم ترین کانالهای توزیع وجه نقد و یکی از اساسی ترین معیارهای ارزیابی سطح خدمات برای بانکها بشمار میروند در این مقاله ویژگیهای مربوط به دستگاه های خودپرداز با توجه به زمان های مراجعه و مکان قرار گیری دستگاه‌ها بررسی می گردد . این مقاله به دنبال یافتن مدلی پویا و کاربردی جهت سناریو سازی تقاضای دستگاههای خود پرداز می باشد . از این رو مورد کاوی بر روی ۳۷۸ دستگاه خودپرداز در سراسر شهر تهران در بازه زمانی یک ماه که شامل ۶۹۴۱۸ رکورد می باشد انجام گرفت . این مدل در نهایت با خوشه بندی داده های آماری در بعد زمانی و مکانی موفق به یادگیری الگوی موجود در داده های کلان شده و بر همین مبنای درخت تصمیم ارائه شده قادر به پیش بینی تعداد مراجعه کننده به هر دستگاه می باشد که پس از ارایه سناریو های ایجاد شده در جهت ارتقای کیفیت خدمات دهی بانکی و ارتقای عملکرد شبکه خودپردازها ترکیب بهینه مکانی دستگاههای خودپرداز در بعد مکانی و زمانی ارایه میگردد.

نص كامل:



ارائه یک مدل جدید برای سناریو سازی تقاضای دستگاههای خود پرداز (مورد مطالعه : دستگاههای خود پرداز شهر تهران)

 

 

چکیده :

در دنیای رقابتی امروز توانایی  شناخت و پیش بینی تقاضای مشتریان یک مقوله مهم جهت موفقیت سازمانها به شمار می‌رود.و از انجا که دستگاههای خود پرداز یکی از مهم ترین کانالهای توزیع وجه نقد و یکی از اساسی ترین معیارهای ارزیابی سطح خدمات برای بانکها بشمار میروند در این مقاله ویژگیهای مربوط به دستگاه های خودپرداز با توجه به زمان های مراجعه و مکان قرار گیری دستگاه‌ها بررسی می گردد . این مقاله به دنبال یافتن مدلی پویا و کاربردی جهت سناریو سازی تقاضای دستگاههای خود پرداز می باشد . از این رو مورد کاوی بر روی ۳۷۸ دستگاه خودپرداز در سراسر شهر تهران در بازه زمانی یک ماه که شامل ۶۹۴۱۸ رکورد می باشد انجام گرفت . این مدل در نهایت با خوشه بندی داده های آماری در بعد زمانی و مکانی موفق به یادگیری الگوی موجود در داده های کلان شده و بر همین مبنای درخت تصمیم ارائه شده قادر به پیش بینی تعداد مراجعه کننده به هر دستگاه می باشد که پس از ارایه سناریو های  ایجاد شده در جهت ارتقای کیفیت خدمات دهی بانکی و ارتقای عملکرد شبکه خودپردازها ترکیب بهینه مکانی دستگاههای خودپرداز در بعد مکانی و زمانی ارایه میگردد.

 

واژگان کلیدی : داده کاوی ، پیش بینی تقاضا ، خوشه بندی میانگین کای ¹، درخت تصمیم C&R ، یادگیری ماشین ²

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Presenting  a new model for ATM demand scenario 

Abstract:

In today's competitive world, the ability to recognize predict customer demand is an important issue for the success of organizations. And since ATMs are one of the most important channels for cash distribution and one of the most fundamental criteria for assessing the level of service to banks,In this paper, the number of referrers to ATM devices is reviewed based on the timing and location of the devices. This article seeks to find a dynamic and functional model for predicting the number of referrers to each ATM depending on the time and location of the device. Hence, 378 ATM machines were used throughout the city of Tehran for a time period of one month, containing 69,418 records. Finally, with the help of clustering of statistical data in spatial and temporal dimensions, this model finally succeeds in learning the pattern in the macro data, and based on the decision tree, the predictor can predict the number of referents to each device, which after the algorithm is presented. In order to improve the quality of banking services and improve the performance of the ATM network, it is proposed to combine the optimal location of ATMs in spatial and temporal dimensions.

Key Words: Data mining, Demand forecasting, K Means , C & R decision tree, Machine learning

 

 

 

 

 

 

 

 

 

 

 

 

1-       مقدمه :

رضایت مندی مشتری در گرو ارائه  سرویس های مناسب از طرف بانک می باشد . پیش بینی تعداد مراجعه کنندگان دستگاه های خودپرداز³ می تواند کیفیت خدمات دهی بانک ها را به شدت بهبود ببخشد و در نتیجه به طور مستقیم در افزایش سودآوری بانک ها موثر باشد ، بنابراین مدیریت و تدوین راهبردهای کلی بانک در زمینه پول گذاری دستگاه های خودپرداز با علم به چگونگی رفتار مصرفی دستگاه ها امکان پذیر است . همچنین ایجاد یک بستر نرم افزاری مناسب برای پیش بینی مراجعه کنندگان به دستگاه  با ایجاد نظم و انسجام در فرایند های روزانه این امکان را فراهم می سازد که بانک تامین پول دستگاه های بیشتری را تقبل کند و محدوده عملکردی خود را گسترش دهد . بدین ترتیب راه کارهای نرم افزاری در مورد پیش بینی تقاضای دستگاه های خودپرداز علاوه بر تخمین تعداد مراجعه کنندگان برای دستگاه ها در مجموع میزان و جریان نقدی مورد نیاز بانک را کاهش می دهد و سازمان قادر خواهد بود بر مبنای برآوردهای حاصل از نتایج نرم افزار برای تامین حجم پول مورد نیاز خود به صورت روزانه ، هفتگی یا ماهانه برنامه ریزی نماید. با این توضیح با پیش بینی تعداد مراجعه کنندگان به دستگاه های خودپرداز می توان با یادگیری ماشینی و در ادامه با مدلسازی رفتار داده های تاریخی بر مبنای پارامترهای تاثیر گزار تعداد مراجعه کنندگان به دستگاه ها را با دقتی قابل قبول پیش بینی کرد (التون اوغلو⁴،2010). ﺑﺮﺧﻰ از ﭘﺎراﻣﺘﺮﻫـﺎى ﻣﺆﺛﺮﻣﻌﺮﻓﻰﺷﺪه در اﻳﻦ زﻣﻴﻨﻪﻋﺒﺎرت اﻧﺪ از: ﻣﺼﺮف ﻣﻴﺎﻧﮕﻴﻦﻣﺎﻫﺎﻧﻪ، ﻫﻔﺘﮕﻰ و روزاﻧﻪ، ﭘﺎراﻣﺘﺮﻫﺎى ﺗﻘﻮﻳﻤﻰﻧﻈﻴﺮ روز ﻫﻔﺘﻪ، ﺗﻌﻄﻴﻼت و ﻧﻮع ﺗﻌﻄﻴﻼت، روﻳﺪادﻫﺎى ﻣﺎﻟﻰﺗﺄﺛﻴﺮﮔـﺬار ﻧﻈﻴـﺮ وارﻳﺰﻳﺎراﻧﻪﻫﺎ در اﻳﺮان و زﻣﺎن ﻫﺎى وارﻳﺰﺣﻘﻮق و ﻣﺴـﺘﻤﺮى، ﭘﺎراﻣﺘﺮﻫﺎى ﺟﻐﺮاﻓﻴﺎﻳﻰﺧﺎص ﻫﺮ دﺳﺘﮕﺎه ﻧﻈﻴﺮ واﻗﻊﺷـﺪن در ﻧﺰدﻳﻜﻰﻣﺮاﻛﺰﺧﺮﻳﺪﻳﺎ ادارات و اﻣـﺎﻛﻦﺧـﺎص، و ﻫﻤﭽﻨـﻴﻦﭘﺎراﻣﺘﺮﻫﺎى دﻳﮕﺮى ﻛﻪﺑﺎﻣﻄﺎﻟﻌﺎت ﻛﻤـﻰﭘـﻴﺶرو اﺳـﺘﺨﺮاج ﻣــﻰﺷــﻮﻧﺪ. در اﻳــﻦﻣﻴــﺎن، روشﻫــﺎى ﻛﻼﺳــﻴﻚ و ﻣﺮﺳــﻮم ﭘـﻴﺶﺑﻴﻨـﻰﺳــﺮىﻫــﺎى زﻣــﺎﻧﻰﻧﻈﻴـﺮﻣﻴـﺎﻧﮕﻴﻦﻣﺘﺤــﺮك و اﺗﻮرﮔﺮﺳﻴﻮن و ﺗﺮﻛﻴﺒﺎت ﺣﺎﺻﻞ از اﻳﻦﻣﺪل ﻫﺎ ﻧﻈﻴﺮﺳﺎرﻳﻤﺎ⁵، در ﻣﺪل ﺳﺎزى رﻓﺘﺎرﻫﺎى ﻏﻴﺮﺧﻄﻰ و ﻣﻌﻠـﻮل ﺑـﻪﭘﺎراﻣﺘﺮﻫـﺎى زﻳﺎد، ﻛﺎراﻳﻰﭼﻨﺪاﻧﻰﻧﺪارﻧﺪ و در ﻣﻘﺎﺑﻞ روش ﻫﺎى ﻣﺒﺘﻨـﻰﺑـﺮﻫﻮش ﻣﺼﻨﻮﻋﻰﻧﻈﻴﺮ اﻧﻮاع خوشه بندی یا درخت تصمیم گیری ﻳـﺎ ﺷـﺒﻜﻪﻫـﺎى ﻧﺮوﻓﺎزى و رﮔﺮﺳﻴﻮن ﻫﺎى ﺑﺮدار ﭘﺸﺘﻴﺒﺎن، در ﻳﺎﻓﺘﻦ اﻟﮕﻮﻫـﺎى ﻏﻴﺮﺧﻄﻰ و آﺷﻮﺑﻨﺎك، ﻋﻤﻠﻜـﺮد ﻗﺎﺑـﻞﻗﺒـﻮﻟﻰ از ﺧـﻮد ﻧﺸـﺎن ﻣﻰدﻫﻨﺪ. ﻫﻤﭽﻨﻴﻦﻫﺮﻳﻚ از اﻳـﻦﭘـﻴﺶﺑﻴﻨـﻰﻛﻨﻨـﺪه ﻫـﺎﺑـﺎﺳﺎﺧﺘﺎر ﻣﺘﻔﺎوت، داراى ﻛﺎراﻳﻰﻣﺘﻔﺎوﺗﻰ در ﺑﺎزه ﻫﺎى ﻣﺨﺘﻠـﻒﭘﻴﺶﺑﻴﻨﻰﻫﺴﺘﻨﺪ. درﻣﺠﻤﻮع، ﺑﺮاى ﻧﻴﻞﺑـﻪﻳـﻚﭘـﻴﺶﺑﻴﻨـﻰ دﻗﻴـﻖ، ﻋـﻼوهﺑـﺮﺷﻨﺎﺳــﺎﻳﻰ و اﺳــﺘﺨﺮاج ﭘﺎراﻣﺘﺮﻫــﺎى ﻣــﺆﺛﺮﺑﺎﻳــﺪﻣــﺪلﻫــﺎى ﭘـــﻴﺶﺑﻴﻨـــﻰﻛﻨﻨـــﺪة ﻣﻨﺎﺳـــﺐ و درﻧﻬﺎﻳـــﺖ، ﺗﺮﻛﻴـــﺐﭘﻴﺶﺑﻴﻨﻰﻛﻨﻨﺪه ﻫﺎﺑﻪ درﺳﺘﻰﺑﻪﻛﺎر ﮔﺮﻓﺘـﻪﺷـﻮد. ﻫﻤﭽﻨـﻴﻦﺳﺎﺧﺘﺎر ﻧﺮم اﻓﺰارى راﻫﻜﺎرﻫﺎى اراﺋﻪﺷﺪه ﺑﻪﻣﻨﻈﻮر ﭘـ ﻴﺶﺑﻴﻨـﻰتعداد مراجعه کنندگان دﺳﺘﮕﺎه ﻫﺎى ﺧﻮدﭘﺮداز، ﻋﻼوه ﺑﺮ دﻗﺖ ﻗﺎﺑﻞ ﻗﺒﻮل ﺑﺎﻳﺪ ﺑﻪ ﺻﻮرﺗﻰﺗﺪوﻳﻦ ﺷﻮد ﻛﻪﻗﺎﺑﻠﻴﺖﺗﺠﻤﻴﻊ در ﺑﺨﺶﻫـﺎى ﻧﺮم اﻓﺰارى ﻣﻮرد اﺳﺘﻔﺎدة ﺑﺎﻧﻚﻫﺎ و ﺷﺮﻛﺖﻫﺎى ﺗﺎﺑﻊ را داﺷـﺘﻪﺑﺎﺷﺪ. از ﺳﻮى دﻳﮕﺮ، اﻣﺮوزه ﺑﺎﻧﻚﻫﺎى ﭘﻴﺸـﺮﻓﺘﻪﺑـﺎ اﺳـﺘﻔﺎده از ﻓﻨﺎورى و اﻃﻼﻋﺎت ﻣﺎﻟﻰ، اﺑﺘﺪا اﻧﻮاع رﻳﺴـﻚﻫـﺎى ﻣﻮﺟـﻮد در ﻋﻤﻠﻴﺎت داﺧﻠـﻰ و ﺑـﻴﻦ اﻟﻤﻠﻠـﻰ را ﺷﻨﺎﺳـﺎﻳﻰ و ﺳـﭙﺲﺑـﺮاى ﻣﺪﻳﺮﻳﺖﺻﺤﻴﺢ آن ﺑﺮﻧﺎﻣﻪ رﻳﺰى ﻣﻰﻛﻨﻨﺪ. ﻣﺪﻳﺮﻳﺖ داراﻳﻰﻫـﺎ و ﺑﺪﻫﻰﻫﺎى ⁶ﺑﺎﻧﻚ  را ﻣﻰﺗﻮان ﻳﻜﻰ از ﻋﻮاﻣـﻞﻣﻬـﻢ رﺷﺪﺳﻮدآورى آن ﻫﺎ داﻧﺴـﺖﻛـﻪﺑـﻪﻛـﺎﻫﺶ رﻳﺴـﻚﻫـﺎى اﺣﺘﻤﺎﻟﻰﻧﻴﺰﻛﻤﻚﻣﻰﻛﻨﺪ. ﺑﺪﻳﻬﻰ اﺳﺖ دﺳﺘﺮﺳﻰﺑﻪﭼﻨﻴﻦ وﺿﻌﻴﺘﻰ (ﺷﻨﺎﺳـﺎﻳﻰ رﻳﺴـﻚ، ﺗﺠﺰﻳـﻪ و ﺗﺤﻠﻴـﻞ و ﻣـﺪﻳﺮﻳﺖ رﻳﺴﻚ) ﺑﻪﻛﻤﻚﺳﻴﺴﺘﻢﺣﺴـﺎﺑﺪارى ﻣﻨﺎﺳـﺐ و ﻫﻤﭽﻨـﻴﻦﻣﺪل ﻣﺪﻳﺮﻳﺖ داراﻳﻰﻫـﺎ و ﺑـﺪﻫﻰﻫـﺎى ﻛﺎرآﻣـﺪ اﻣﻜـﺎن ﭘـﺬﻳﺮﺧﻮاﻫﺪﺑﻮد (نقشینه،2013). ﺑﺪﻳﻦﺗﺮﺗﻴﺐ، ﻣﺪﻳﺮﻳﺖ داراﻳﻰﻫﺎ و ﺑـﺪﻫﻰﻫـﺎ، اﻣﺮوزه ﺑﻪﻋﻨﻮان ﻳﻚﺑﺮﻧﺎﻣﻪرﻳﺰى راﻫﺒﺮدى ﻋﻨﻮان ﻣﻰﺷﻮد ﻛـﻪﺑﺎﺗﺒﺪﻳﻞ آن ﺑﻪﺑﺮﻧﺎﻣﻪﻫﺎى ﻋﻤﻠﻴﺎﺗﻰﻛﻮﺗﺎه ﻣـﺪت ﻣـﻰﺗـﻮان از ﻛﺴﺐﺳﻮد ﻣﻮرد ﻧﻈﺮ و ﻛﻨﺘﺮل رﻳﺴﻚﻫـﺎ اﻃﻤﻴﻨـﺎن ﺣﺎﺻـﻞﻛﺮد؛ ﺑﻨﺎﺑﺮاﻳﻦ، ﻣﺪﻳﺮﻳﺖ وﺟﻮه ﻧﻘﺪﻳﺎﻧﻘﺪﻳﻨﮕﻰﺑﺎﻧﻚﺑﻪﻋﻨـﻮان ﻳﻜﻰ از اﺟﺰاى ﻣﻬﻢﻣﺪﻳﺮﻳﺖ داراﻳـﻰﻫـﺎ و ﺑـﺪﻫﻰﻫـﺎ، ﺷـﺎﻣﻞﭘﻴﺶﺑﻴﻨﻰﻧﻴﺎزﻫﺎى ﻧﻘﺪﻳﻨﮕﻰ و ﺗﺄﻣﻴﻦ آن ﻫﺎﺑﺎﺣﺪاﻗﻞﻫﺰﻳﻨـﺔﻣﻤﻜﻦ اﺳﺖ(نقشینه،2013). دﻟﻴﻞ اﺻﻠﻰ اﻳﻦﭼﺎﻟﺶ، ﺗﺄﻣﻴﻦﻣﻨﺎﺑﻊﺑﺎﻧﻚ از ﻣﺤﻞﺳﭙﺮده ﻫﺎى ﻛﻮﺗﺎه ﻣﺪت و ﻋﻨﺪاﻟﻤﻄﺎﻟﺒـﻪﺑـﻮدن ﺗﻤـﺎﻣﻰﺳــﭙﺮدهﻫــﺎ از ﻳــﻚﺳــﻮ و ﺗﻌﻬــﺪﺑــﻪﭘﺮداﺧــﺖﺗﺴــﻬﻴﻼت و ﺑﻠﻨﺪﻣﺪتﺑﻮدن اﻏﻠﺐ آن ﻫﺎو درﺟﺔﻧﻘﺪﺷﻮﻧﺪﮔﻰﻧﺴﺒﺘﺎً ﭘـﺎﻳﻴﻦﺳﺮﻣﺎﻳﻪﮔﺬارى ﻫﺎﺳﺖ؛ ﺑﻨﺎﺑﺮاﻳﻦ، ﻳﻜﻰ از وﻇﺎﻳﻒ اﺻﻠﻰﻣﺪﻳﺮﻳﺖﺑﺎﻧﻚ، اﻳﺠﺎد ﺗﻮازن ﻣﻴﺎن ورود و ﺧـﺮوج وﺟـﻮه اﺳـﺖ(کاوند،2010). از ﺳــﻮى دﻳﮕــﺮ، ﻧﮕﻬــﺪارى ﻣﻘــﺎدﻳﺮﻓــﺮاوان ﻧﻘــﺪﻳﻨﮕﻰ، ﻣﻮﺟــﺐﺗﺨﺼــﻴﺺﻧﺎﻛﺎرآﻣــﺪﻣﻨــﺎﺑﻊ، ﻛــﺎﻫﺶﻧــﺮخ ﺳــﻮددﻫﻰ و ازدﺳﺖدادن ﺑﺎزارﻣﻰﺷﻮد (مطالعات ریسک بانکی،2008). و داشتن الگویی برای پیش بینی مراجعه مشتریان کمک شایانی در جهت مدیریت وجوه محسوب میگردد . ﻣﻘﺪار زﻳﺎد وﺟﻮه ﺟـﺬب ﺷـﺪة ﺑﺎزارﻫﺎى ﭘﻮﻟﻰ در ﺑﺎﻧﻚﻫﺎ، آنﻫﺎ را ﻣﺠﺒﻮر ﺧﻮاﻫﺪﻛﺮد ﻛﻪﺑﻪ دﻧﺒﺎل ﻳﺎﻓﺘﻦﺗﻜﻨﻴﻜﻰﺑﺮاى ﻛﺎﻫﺶﻫﺰﻳﻨـﻪﻫـﺎى ﭘـﻮل ﺑﺎﺷـﻨﺪ(مشیری و کریمی،2006). بنابراین در پژوهش صورت گرفته مدل با استفاده از یک نرم افزار کارامد و ارزان و بر اساس معیارها و پارامترهای زمانی و مکانی برای پیش بینی مراجعه کنندگان به دستگاههای خود پرداز و بر اساس پیشینه و مرور ادبیات پژوهش الگوی تصمیم گیری بر اساس موقعیت زمانی و مکانی در جهت ارتقای عملکرد شبکه خودپردازها عمل مینماید.

این پژوهش در پنج بخش نگارش شده است. کلیات و شرایط حاکم بر فضای مساله به طور اجمالی مطرح شد و سپس مروری بر مقالات حوزه بانکداری، مدل­های داده کاوی با تمرکز بر خوشه بندی کلان داده ها، و کاربرد مدل­های کنترل موجودی دستگاههای خود پرداز انجام گرفته و شکاف­های تحقیقاتی در ادبیات موضوع شناسایی شده­اند. در بخش دوم مباحث مربوط به روش شناسی پژوهش، معرفی اصطلاحات و متغیرها و سپس معرفی الگوریتم های استفاده شده برای مساله ارایه شده است. در بخش سوم مراحل اجرای مدل به صورت گام به گام و سپس خروجی ها و نتایج حاصله  ارایه شده است.در بخش چهارم ،  توضیح رویکرد اعتبار سنجی  و شرح نتایج به دست آمده ارائه شده است.  در بخش پنجم، زمینه­های مطالعات بیش‏تر در تحقیقات آتی معرفی شده­اند.

 

2-1 ادبیات پژوهش:

ﻣﺴــﺌﻠﺔﻣــﺪﻳﺮﻳﺖ داراﻳــﻰ و ﺑــﺪﻫﻰﻫــﺎ در دﺳــﺘﮕﺎهﻫــﺎى ﺧﻮدﭘﺮداز، ﺑﺎﻣﺴﺎﺋﻞﻣﺪﻳﺮﻳﺖﻣﻮﺟﻮدى ﻧﻘﺪى ﺗﺠﺎرى ﻣﺘﻔﺎوت اﺳﺖ و ﺗﻨﻬﺎ در ﺳﺎل ﻫﺎى اﺧﻴـﺮﻣـﻮرد ﺗﻮﺟـﻪﻣﺤﻘﻘـﺎن ﺑـﻮده اﺳﺖ. ﻣﺪﻳﺮﻳﺖ داراﻳﻰ و ﺑﺪﻫﻰﺑﺎﻧﻚﺑـﻪﻋﻨـﻮان ﺑﺮﻧﺎﻣـﻪ رﻳـﺰى ﻫﻢ زﻣﺎن ﻫﻤﺔ داراﻳﻰﻫﺎ و ﺑﺪﻫﻰﻫـﺎى ﺑﺎﻧـﻚ، ﺷـﺎﻣﻞﺗﺮﻛﻴـﺐﺗﺮازﻧﺎﻣﺔﺑﺎﻧﻚﺗﺤﺖ اﻟﺰاﻣﺎت ﻣﺨﺘﻠﻒ، ﻣﺎﻧﻨـﺪ اﻫـﺪاف ﻣـﺪﻳﺮان ﺑﺎﻧﻚ، اﻟﺰاﻣﺎت ﻗﺎﻧﻮﻧﻰ و ﻣـﺪﻳﺮﻳﺘﻰ و ﺷـﺮاﻳﻂﺑـﺎزار ﺑـﻪﻣﻨﻈـﻮر ﻛﺎﻫﺶ رﻳﺴﻚﻧﺮخ ﺑﻬـﺮه، ﺗـﺄﻣﻴﻦﻧﻘـﺪﻳﻨﮕﻰ و ﺗﻘﻮﻳـﺖ ارزش ﺑﺎﻧﻚﺗﻌﺮﻳﻒﺷﺪه اﺳـﺖ(نقشینه،2013). در (اسمیتوس،دیلیجوناس،باستین وهمکاران⁷،2007) روﻳﻜـﺮدى ﺑـﻪﻣﻨﻈـﻮر ﻣﺪﻳﺮﻳﺖ وﺟﻪﻧﻘﺪﺑﺮاى ﺷﺒﻜﺔ دﺳﺘﮕﺎه ﻫـﺎى ﺧـﻮدﭘﺮداز اراﺋـﻪﺷﺪ. اﻳﻦ روﻳﻜﺮد ﺑﻪﻣﻨﻈﻮر ﭘﻴﺶﺑﻴﻨﻰﺗﻘﺎﺿﺎى وﺟﻪﻧﻘﺪ روزاﻧﻪﺑــﺮاى ﻫــﺮ دﺳــﺘﮕﺎه ﺧــﻮدﭘﺮداز در ﺷــﺒﻜﻪ و در روﻳــﺔ (روش) ﺑﻬﻴﻨﻪﺳﺎزى ﺑﻪﻣﻨﻈـﻮر ﺗﺨﻤـﻴﻦﺑـﺎر ﻧﻘـﺪى ﺑﻬﻴﻨـﻪﺑـﺮاى ﻫـﺮ دﺳﺘﮕﺎه ﺧﻮدﭘﺮداز، ﺑﺮﻣﺒﻨـﺎى ﻳـﻚﺷـﺒﻜﺔﻋﺼـﺒﻰﻣﺼـﻨﻮﻋﻰﺷﻜﻞﮔﺮﻓﺘﻪ اﺳﺖ. در زﻣﺎن روﻳﺔﺑﻬﻴﻨﻪ، ﻣﻬﻢﺗـﺮﻳﻦﻓﺎﻛﺘﻮرﻫـﺎ ﺑﺮاى ﻧﮕﻬﺪارى دﺳﺘﮕﺎه ﻫﺎى ﺧﻮدﭘﺮداز درﻧﻈﺮﮔﺮﻓﺘﻪﺷﺪه اﻧـﺪ. ﻣﻄﺎﻟﻌﺎت ﺷﺒﻴﻪﺳﺎزى در اﻳﻦﺗﺤﻘﻴﻖﻧﺸﺎن داد ﻛﻪ در ﺣﺎﻟـﺖﻳﺎﻣﻮرد ﻫﺰﻳﻨﺔﺑﺎﻻﺗﺮ وﺟﻪ و ﻣﻮﺟـﻮدى ﻧﻘـﺪى (ﻧـﺮخ ﺑﻬـﺮه) و ﻫﺰﻳﻨﺔﭘﺎﻳﻴﻦﺗـﺮﺑـﺮاى ﺑﺎرﮔـﺬارى ﭘـﻮل ﻳـﺎ وﺟـﻪﻧﻘـﺪ، روﻳـﺔﺑﻬﻴﻨﻪﺳﺎزى، ﻛﺎﻫﺸﻰ در ﺣﺪود ١٥ﺗﺎ٢٠ درﺻﺪﻫﺰﻳﻨـﻪﻫـﺎى ﻧﮕﻬﺪارى دﺳﺘﮕﺎه ﻫﺎى ﺧـﻮدﭘﺮداز را ﻣﺠـﺎز ﺷـﻤﺮده اﺳـﺖ. از دﻳﺪﮔﺎه آن ﻫﺎ، ﺑـﺮاى ﺑـﻪﻛـﺎرﮔﻴﺮى و اﺟـﺮاى ﻋﻤﻠﻴـﺎﺗﻰ روﻳـﺔﻣــﺪﻳﺮﻳﺖﻣﻮﺟــﻮدى ﻧﻘــﺪى دﺳــﺘﮕﺎه ﺧــﻮدﭘﺮداز اراﺋــﻪﺷــﺪه، ﺑﺮرﺳﻰﻫﺎى ﺗﺠﺮﺑﻰﺑﻴﺸﺘﺮﺿﺮورى اﺳﺖ. در(واگنر⁸،2017)ﭼـﺎرﭼﻮﺑﻰﻣﻔﻬﻮﻣﻰﺑﺮاى دﺳﺘﻴﺎﺑﻰﺑﻪ راﻫﺒﺮد ﮔﺴﺘﺮش پیش بینی  ﺑﻬﻴﻨﻪﺑﺮاى ﻳﻚﺷﺒﻜﻪ از دﺳﺘﮕﺎه ﻫﺎى ﺧﻮدﭘﺮداز اراﺋـﻪﺷـﺪ و ﻣﺰاﻳﺎى ﺑﺎﻟﻘﻮه و ﻣﻤﻜﻦﻳﻚﻧﺮم اﻓﺰار پیش بینی  ﭘﻴﭽﻴﺪه ارزﻳﺎﺑﻰﺷﺪ. ﭘﮋوﻫﺶ، ﻃﺮاﺣﻰﻳـﻚﻣﻄﺎﻟﻌـﺔﻣـﻮردى اﻛﺘﺸﺎﻓﻰ را ﺑﻪﻛـﺎر ﮔﺮﻓـﺖﻛـﻪﺑﺮﻣﺒﻨـﺎى ﭘـﮋوﻫﺶﻋﻤﻠﻴـﺎﺗﻰﻣﺮﺳﻮم ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻴﻪﺳـﺎزى رﺧـﺪادﻫﺎى ﻗﻄﻌـﻰ اﺳـﺖ. ﻣﺠﻤﻮﻋﺔﻣﻮردى واﺣﺪ (ﺗﻨﻬﺎ) اﺳﺘﻔﺎدهﺷﺪه، ﺑـﻪﺧـﺎﻃﺮﺗﺄﻛﻴـﺪﺳﺆال ﭘـﮋوﻫﺶﺑـﺮﺗﻌﺮﻳـﻒﻣﺘﻐﻴﺮﻫـﺎﻳﻰ اﺳـﺖﻛـﻪﺑـﻪﺟـﺎى ﻣﺸﺎﻫﺪة ﺗﻔﺎوت ﻫﺎى درون ﺻﻨﻌﺖ، ﺑﺮ راﻫﺒﺮد ﺗﻮﺳﻌﻪ و ﺗﻜﻤﻴﻞﻣﻮﺟﻮدى ﻧﻘﺪى ﺑﻬﻴﻨﻪ، اﻧـﺪازة ﺗـﺄﺛﻴﺮ آن ﻫـﺎ و رواﺑـﻂ دروﻧـﻰ (ﻣﻴﺎﻧﻰ) ﻣﺘﻐﻴﺮﻫﺎﺗﺄﺛﻴﺮﻣﻰﮔﺬارﻧﺪ. اﻳﻦﻣﻄﺎﻟﻌﻪﻧﺸﺎن داد ﻛـﻪﺑــﺎﺑــﻪﻛــﺎرﮔﻴﺮى اﻟﮕــﻮرﻳﺘﻢ واﮔﻨــﺮ-وﻳﺘــﻴﻦ⁹ ﺑــﺮاى ﺗﺨﺼــﻴﺺﻣﻮﺟــﻮدى ﺑﻬﻴﻨــﻪ و اﺳــﺘﻔﺎده از ﺑﺮﻧﺎﻣــﺔﺻــﺤﻴﺢ داﻧﺘﺰﻳــﮓ¹⁰، ﺑــﻪﻣﻨﻈــﻮر ﺗﻌﺮﻳــﻒﻛــﺮدن و ﺗﻌﻴــﻴﻦ رﻳﺸﻪﻫﺎى ﺣﺪاﻗﻞﻓﺎﺻﻠﺔﻣﺠﻤﻮع ﻣﻰﺗﻮان ﺻﺮﻓﻪﺟﻮﻳﻰﻋﻤـﺪه ای برای ارایه سرویس به مشتریان بدست آورد. در ﻏﻴﺮ اﻳﻦﺻﻮرت، ﺷـﺮط ﻛـﺎﻓﻰﺑﺮاى ﻳﻚﺟﻮاب ﺑﻬﻴﻨﺔﻧﺰدﻳﻚﺑـﻴﻦ، ﺑـﻪﺗﻌـﺪادى ﻣﺤـﺪودﻳﺖ روى ﺣﺠﻢﺗﻘﺎﺿﺎﻳﺎﻣﻘﺎدﻳﺮﭘﺎراﻣﺘﺮﻫﺎﻧﻴﺎز دارد؛ ﺑﻨﺎﺑﺮاﻳﻦ، اﻳـﻦﺷﺮط ﻛﺎﻓﻰﭼﻨﺪان ﻣﺤﺪودﻛﻨﻨﺪه ﻧﻴﺴﺖ. ﺑﻪ اﻳﻦﺻـﻮرت ﻛـﻪ آن را ﺑﻪﺻﻮرت ﻓﻮرى ﺑﺮاى ﺧـﺎﻧﻮادة ﺣﺠـﻢﺗﻘﺎﺿـﺎى ارﻟﻨـﮓ¹¹ ﺣﻔﻆﻣﻰﻛﻨﺪ.

در اﻳﺮان ﺑﺎﺑﻪﻛﺎرﮔﻴﺮى روش ﺷﺒﻴﻪﺳـﺎزى ﻣﻮﻧـﺖﻛـﺎرﻟﻮ، ﺳﻴﺎﺳـــﺖﻣﻨﺎﺳـــﺐﻛﻨﺘـــﺮل ﻣﻮﺟـــﻮدى ده دﺳـــﺘﮕﺎه از ﺧﻮدﭘﺮدازﻫﺎى ﺑﺎﻧﻚﺻﺎدرات در ﺷـﻬﺮﺷـﻴﺮاز اﺳـﺘﺎن ﻓـﺎرس ﺗﻌﻴﻴﻦﺷﺪ)سلیمی فرد و فرج زاده،2012) در اﻳﻦﭘﮋوﻫﺶ، ﺑﺮاى ﺗﻌﻴﻴﻦﻣﻮﺟـﻮدى، از ﭘﻨﺞﺳﻨﺎرﻳﻮ و ﭼﻬﺎر زﻳﺮﺳﻨﺎرﻳﻮﺑﺮاﺳﺎس ﺳﻘﻒﺷﺎرژ (ﺣـﺪاﻛﺜﺮﻣﻮﺟﻮدى) و ﻧﻘﻄﺔﺷﺎرژ (ﺣﺪاﻗﻞﻣﻮﺟﻮدى) اﺳﺘﻔﺎده ﺷﺪ. اﻳﻦﺳﻨﺎرﻳﻮﻫﺎﻧﻴﺰﺑﻪﻧﻮﺑﺔﺧﻮد ﺑﺮاﺳﺎس ﻣﻴﺰان ﻛﻤﺒﻮد و ﻣﺎزاد پول در دﺳﺘﮕﺎه ﻫـﺎﺑـﺎﻫـﻢﻣﻘﺎﻳﺴـﻪﺷـﺪﻧﺪ و درﻧﻬﺎﻳـﺖ، اﻧﺘﺨـﺎب ﺑﻬﺘﺮﻳﻦﺳﻨﺎرﻳﻮﺻﻮرت ﮔﺮﻓﺖ. از ﺿـﻌﻒﻫـﺎى اﻳـﻦﭘـﮋوﻫﺶ، ﺑﻪﻛﺎرﮔﻴﺮى ﭘﺎﺳﺦﻫﺎﻳﻰ ازﭘﻴﺶﺗﻌﻴﻴﻦﺷﺪه (ﺳـﻨﺎرﻳﻮﻫﺎ) ﺑـﺮاى ﻣﺴﺌﻠﻪ اﺳﺖ؛ ﺣﺎل آﻧﻜﻪﻣﻤﻜﻦ اﺳﺖﺳﻨﺎرﻳﻮﻫﺎﻳﻰﻣﻨﺎﺳـﺐﺗـﺮ وﺟﻮد داﺷﺘﻪﺑﺎﺷﻨﺪ.

ﻣﺤﻘﻘــﺎن ﻣﻄﺎﻟﻌــﻪاى ﺑــﺎﻋﻨــﻮان »ﻳــﻚﺑﻬﻴﻨــﻪﺳــﺎزى اﺑﺘﻜﺎرﻣﺤﻮر ﺑـﺮاى ﻳـﻚﻣـﺪل اﻧـﺪازة ﺑـﺰرگ داراى ﻇﺮﻓﻴـﺖﻣﺤﺪود در ﺷﺒﻜﺔﻣﺎﺷﻴﻦﻫﺎى ﺧﻮدﭘﺮداز« اﻧﺠﺎم دادﻧـﺪ(سوپاتچایا¹²،2013) در اﻳﻦﻣﻄﺎﻟﻌﻪ - ﻛﻪ در ﻛﺸﻮر ﺗﺎﻳﻠﻨﺪ اﻧﺠﺎم ﮔﺮﻓﺖ - ﻣﺤﻘﻘﺎن ﻣﺴﺌﻠﺔ مراجعه مشتریان را در ﻳـﻚﺷـﺒﻜﻪ از ﻣﺎﺷـﻴﻦﻫـﺎى ﺧﻮدﭘﺮداز ﺑﻪﻣﻨﻈﻮر ارﺿﺎﻛﺮدن ﺗﻘﺎﺿﺎ و ﻧﻴﺎزﻫﺎى ﻣﺸﺘﺮﻳﺎن ﺑـﻪﻣﻮﺟﻮدى ﻧﻘـﺪى در دوره ﻫـﺎى ﻣﺘﻌـﺪد، ﺑـﺎﺗﻘﺎﺿـﺎى ﻗﻄﻌـﻰﺑﺮرﺳﻰﻛﺮدﻧﺪ. ﻫﺪف از اﻳـﻦﭘـﮋوﻫﺶ، ﺗﻌﻴـﻴﻦﻣﻴـﺰان ﭘـﻮل ﺑﻪﻣﻨﻈﻮر ﻗﺮاردادن در دﺳﺘﮕﺎه ﻫﺎى ﺧـﻮدﭘﺮداز و ﻣﺮاﻛـﺰ وﺟـﻪﻧﻘﺪ (ﺧﺰاﻧﻪﻫـﺎ) ﺑـﺮاى ﻫـﺮ دوره، در ﻃـﻮل ﻳـﻚ اﻓـﻖ زﻣـﺎﻧﻰ ﻣﺸﺨﺺﺑﻮده اﺳﺖ. اﻟﮕﻮرﻳﺘﻢﻫﺎ در اﻳﻦﻣﺴﺌﻠﻪ، ﺑﻪﻋﻨﻮان ﻳـﻚﻣﺴﺌﻠﺔ ﻣﻮﺟﻮدى ﭼﻨﺪﭘﻠﻪ اى ﺑﺎ اﻧـﺪازة ﺑـﺰرگ داراى ﻇﺮﻓﻴـﺖﻣﺤﺪود ﺗﻚ آﻳﺘﻤﻰ درﻧﻈﺮﮔﺮﻓﺘﻪﺷـﺪﻧﺪﺗـﺎﻫﺰﻳﻨـﻪﻫـﺎى ﻛـﻞ راه اﻧﺪازى و ﻓﻌﺎﻟﻴﺖ ﺷﺒﻜﺔ دﺳـﺘﮕﺎه ﻫـﺎى ﺧـﻮدﭘﺮداز ﺣـﺪاﻗﻞﺷﻮد. ﻣﺤﻘﻘﺎن در اﻳﻦﻣﻄﺎﻟﻌﻪ، ﻣﺴﺌﻠﻪ را ﺑﻪﻋﻨﻮان ﻳﻚﻣﺴـﺌﻠﺔﻋﺪد ﺻﺤﻴﺢﻣﺨﺘﻠﻂﻓﺮﻣﻮﻟﻪﻛﺮدﻧﺪ و ﻳﻚ روﻳﻜﺮد را ﻣﺒﺘﻨﻰﺑﺮﻓﺮﻣﻮل ﺳﺎزى ﻣﺠﺪد ﻣﺪل، ﺑﻪﻋﻨﻮان ﻓﺮﻣﻮل ﻛﻮﺗﺎه ﺗـﺮﻳﻦﻣﺴـﻴﺮﺑﺮاى ﻳﺎﻓﺘﻦﺟﻮاب ﻧﺰدﻳﻚﺑﻪﺟﻮاب ﺑﻬﻴﻨﻪ اراﺋـﻪ دادﻧـﺪ. اﻳـﻦﻓﺮﻣﻮل ﺳﺎزى ﻣﺠﺪد، ﻣﺎﻧﻨﺪﻳﻚﻣﺪل ﺳﻨﺘﻰ و راﻳﺞ اﺳﺖ، اﻣـﺎ در آن، ﺑﻪﺟﺰﻣﺤﺪودﻳﺖﻫﺎى ﻇﺮﻓﻴﺖ، ﻣﺤﺪودﻳﺖﻫﺎى ﺗـﻮازن ﻣﻮﺟﻮدى و راه اﻧﺪازى ﻣﺮﺑﻮط ﺑﻪﻣﺪﻳﺮﻳﺖﭘﻮل در دﺳﺘﮕﺎه ﻫﺎى ﺧﻮدﭘﺮداز آزادﺳـﺎزى ﺷـﺪه اﺳـﺖ. ﻣـﺪل ﺟﺪﻳـﺪ اراﺋـﻪﺷـﺪه، ﻣﺘﻐﻴﺮﻫﺎ و ﻣﺤﺪودﻳﺖﻫﺎى ﺑﻴﺸﺘﺮى اﻳﺠﺎد ﻣﻰﻛﻨﺪ، اﻣـﺎﺑـﺮاى ﺣﻞﻛﺮدن ﺑﺎﺑﺮﻧﺎﻣﻪ رﻳﺰى ﻛﻮﺗﺎه ﻣﺪت، ﺳﺮﻳﻊﺗﺮ اﺳـﺖ. از ﺳـﻮى دﻳﮕﺮ، ﻣﻬﻢﺗـﺮﻳﻦﺿـﻌﻒ اﻳـﻦﺗﺤﻘﻴـﻖ، درﻧﻈﺮﮔـﺮﻓﺘﻦﺗﻘﺎﺿـﺎﺑﻪﺻﻮرت ﻗﻄﻌﻰ در ﻣﺴﺌﻠﺔ اﻧﺪازة ﺑﺰرگ اﺳﺖ؛ ﭼﺮاﻛـﻪﻣﻴـﺰان ﺗﻘﺎﺿﺎى ﻣﻮﺟﻮدى دﺳﺘﮕﺎه ﻫﺎى ﺧـﻮدﭘﺮداز در دﻧﻴـﺎى واﻗﻌـﻰ، ﻏﻴﺮﻗﻄﻌﻰ و اﺣﺘﻤﺎﻟﻰﻣﺤﺴﻮب ﻣﻰﺷﻮد.

ﻣﺤﻘﻘﺎن دﻳﮕﺮى ﻣﻄﺎﻟﻌﻪ اى را ﺑﺎﻋﻨﻮان »ﺳﻴﺎﺳﺖﻛﻨﺘﺮل داده ﻣﺤﻮر ﺑـﺮاى ﻋﻤﻠﻴـﺎت ﭘﺸـﺘﻴﺒﺎﻧﻰ : ﻳـﻚﻣﻄﺎﻟﻌﺔﻣﻮردى اﻛﺘﺸﺎﻓﻰ در ﻳﻚﻣﺆﺳﺴﺔﻣﺎﻟﻰ« را در آﻣﺮﻳﻜﺎ اﻧﺠﺎم دادﻧﺪ(بیکر،وایاناتان و اشلی¹³،2012) آنﻫﺎﺑﻪﻛﻤﻚﻳﻚﻣﺆﺳﺴﺔﻣـﺎﻟﻰﺑـﺰرگ ﻛــﻪﻣﻮﺟــﻮدى را در ﭼﻨــﺪﻳﻦ دﺳــﺘﮕﺎه ﺧــﻮدﭘﺮداز ﻣــﺪﻳﺮﻳﺖﻣﻰﻛﻨﺪ، ردهاى ﺟﺪﻳﺪ از ﺳﻴﺎﺳﺖﻫﺎى داده ﻣﺤﻮر ﺑﺮاى ﻣﺴﺌﻠﺔ اﺣﺘﻤﺎﻟﻰﭘﻴﺶ رو اراﺋﻪﻛﺮدﻧﺪ؛ ﭼﺮاﻛﻪ در اﻳﻦﺷﺮﻛﺖ، ﻣﺪﻳﺮان ارﺷﺪﺗﺼـﻮر ﻛـﺮدهاﻧـﺪﻛـﻪﺳﻴﺴـﺘﻢﺗـﺄﻣﻴﻦﻣﻮﺟﻮدى ﻧﻘﺪى ﻓﻌﻠﻰﺑﺮاى ﻣﺪﻳﺮﻳﺖ دﺳﺘﮕﺎه ﻫﺎى ﺧـﻮدﭘﺮداز، ﻧﺎﻛﺎرآﻣــﺪ و ﻣﻨﺴــﻮخ ﺑــﻮده اﺳــﺖ و اﺣﺘﻤــﺎل دادهاﻧــﺪﻛــﻪﺑﻪﻛﺎرﮔﻴﺮى ﻣﻮﺟﻮدى ﻧﻘﺪى ﺑﻬﺒﻮدﻳﺎﻓﺘﻪ، ﻫﺰﻳﻨﺔﻛـﻞﺳﻴﺴـﺘﻢ را ﻛﺎﻫﺶﻣﻰدﻫﺪ. ﻣﺤﻘﻘﺎن در اﻳـﻦﻣﻄﺎﻟﻌـﻪ، روﻳـﻪاى ﻗـﻮى ﺑﺮاى ﺑﺮﺧﻮرد ﺑﺎ راﻫﺒﺮدﻫﺎى ﮔﺴﺘﺮش ﻣﻮﺟﻮدى دﺳـﺘﮕﺎه ﻫـﺎى ﺧــﻮدﭘﺮداز اراﺋــﻪﻣــﻰﻛﻨﻨــﺪ. ﺑــﺮﺧﻼف ﺳــﺎﻳﺮﻣﻄﺎﻟﻌــﺎت ﺻﻮرتﮔﺮﻓﺘﻪﻛﻪﻳﻚﺳﻴﺴﺘﻢﻣﺮور دوره اى ﺑﺎﺗـﺎﺑﻊﺗﻘﺎﺿـﺎى ﻧﺮﻣﺎل را درﻧﻈﺮﻣﻰﮔﻴﺮﻧﺪ، در اﻳﻦﺗﺤﻘﻴﻖ، ﭼﻨـﻴﻦﻓﺮﺿـﻴﻪ اى درﻧﻈﺮﮔﺮﻓﺘﻪﻧﺸﺪه اﺳﺖ و ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻠـﻰﻗـﻮى و ﺟﺪﻳـﺪ اراﺋــﻪﺷــﺪه اﺳــﺖ. روﻳﻜــﺮد ﻣﺤﻘﻘــﺎن، ﺳــﺮىﻫــﺎى زﻣــﺎﻧﻰﭘﻴﺶﺑﻴﻨﻰﻛﻨﻨﺪة ﺑﻬﻴﻨـﻪ را ﭘﻴـﺪا ﻣـﻰﻛﻨـﺪ و ﺑﻬﺘـﺮﻳﻦﺗﻮزﻳـﻊﺧﻄﺎى ﭘﻴﺶﺑﻴﻨﻰﻫﻔﺘﮕﻰﻣﻨﺎﺳﺐ را اراﺋـﻪﻣـﻰ دﻫـﺪ. ﺳـﻄﺢﻣﻮﺟﻮدى ﻧﻘـﺪى، ﻫـﺪف ﺑﻬﻴﻨـﺔﺗﻀـﻤﻴﻦﺷـﺪه و زﻣـﺎن ﺑـﻴﻦﺳﻔﺎرش ﻫﺎ، ﺗﻨﻬـﺎ از ﻃﺮﻳـﻖﻳـﻚﻣـﺎژول ﺑﻬﻴﻨـﻪ در ﻣﺴـﻴﺮى ﺷﺒﻴﻪﺳﺎزى ﺷﺪه ﺑﻪدﺳﺖﻣﻰآﻳﺪ. اﻳﻦﻣﺴﻴﺮﺑﻪوﺳﻴﻠﺔﻣﺤﻘﻘﺎن ﺑﺮاى ﻣﺆﺳﺴﻪﺷﺒﻴﻪﺳﺎزىﺗﻌﺒﻴﻪ ﺷﺪه اﺳﺖ. ﭘﮋوﻫﺸـﮕﺮان در اﻳﻦﺗﺤﻘﻴﻖ، ﻳـﻚ روش ﻣﻄﺎﻟﻌـﺔﻣـﻮردى اﻛﺘﺸـﺎﻓﻰ را ﺑـﺮاى ﺟﻤﻊ آورى اﻃﻼﻋﺎت ﺑﺮداﺷﺖ از ﺣﺴﺎب ﻧﻘـﺪ در ٢١ دﺳـﺘﮕﺎه ﺧﻮدﭘﺮداز ﻣﺘﻌﻠﻖﺑﻪﻣﺆﺳﺴﺔﻣـﺎﻟﻰﺑـﻪﻛـﺎر ﮔﺮﻓﺘﻨـﺪ. روﻳﻜـﺮد ﺟﺪﻳﺪ آن ﻫﺎ، ﻛﺎﻫﺶ٦/٤ درﺻﺪى ﻛﻞﻫﺰﻳﻨﻪﻫﺎ را ﻧﺸـﺎن داد. ﭘﮋوﻫﺸﻰﺑﺎﻋﻨﻮان »ﺑﻬﻴﻨﻪﺳﺎزى دﺳﺘﮕﺎه ﻫﺎى ﺧـﻮدﭘﺮداز ﺑـﺎﭘـﻴﺶﺑﻴﻨـﻰﻫـﺎى ﺗﻘﺎﺿـﺎى ﮔﺮوﻫﻰ« در ﺷﻬﺮ اﺳﺘﺎﻧﺒﻮل ﺗﺮﻛﻴﻪ اﻧﺠﺎم ﮔﺮﻓﺖ (اکینجی و دومان¹⁴،2014) ﻣﻄﺎﻟﻌﺔ آن ﻫﺎ، ﻳﻚﻣﺪل دﺳﺘﮕﺎه ﻫﺎى ﺧﻮدﭘﺮداز ﺑﺎﺗﻘﺎﺿﺎى ﮔﺮوﻫـﻰ و ﻫﻤﭽﻨﻴﻦ ﺑﻬﻴﻨﻪﺳﺎزى ﺗﺠﻤﻴﻊﺧﺮوج ﭘﻮل ﻧﻘﺪ روزاﻧـﻪ را در ﻓﺮاﻳﻨﺪﭘﻴﺶﺑﻴﻨـﻰﭘﻴﺸـﻨﻬﺎد ﻣـﻰﻛﻨـﺪ. ﻣﻄـﺎﺑﻖﻧﺘﺎﻳﺞ، اﻳﻦﭘﻴﺶﺑﻴﻨﻰﻳﻜﭙﺎرﭼﻪ و روﻳﺔﺑﻬﻴﻨﻪﺳﺎزى ﺑﺮاى ﻳـﻚﻣﻨﻈﻮر ﻳﺎﻫﺪف، در هزینه سود نقدی و نارضایتی مشتری بالقوه بهتر عمل میکند.البته این شبیه سازی بر اساس عملکرد تنها پنج دستگاه خودپرداز صورت پذیرفت.

در مجموع نگاهی به مطالعات پیشین نشان میدهد که در بیشتر پژوهش ها تقاضای دستگاهها به صورت قطعی (و نه احتمالی) در نظر گرفته شده است، بدین منظور در پژوهش حاضر خوشه بندی مجموعه از داده ها و تحلیل خوشه های حاصل براساس ویژگی های زمانی  و مکانی  انجام می پذیرد . و این فرایند در راستای اهدافی مانند شناسایی مکان های مناسب و توسعه بازاریابی موثر تخصیص بهینه منابع بهبود ارتباط با مشتری و ایجاد حس وفاداری با آنها صورت می پذیرد و همچنین حرکت سازمان را در جذب و نگهداری مشتریان قوت می بخشد این چارچوب همچنین نقاط ضعف و قدرت  سازمان را مشخص می کند . بنابراین سازمان ها با کاهش نقاط ضعف و افزایش نقاط قوت خود می توانند به شکل مناسبی ارتباط خود را با مشتریانشان بهبود ببخشند و مانع رویگردانی و از دست رفتن مشتریان خود شوند .

 

2-       روش پژوهش :

در این پژوهش از داده های مراجعه کنندگان به 378 دستگاه خود پرداز نصب شده در کل شهر تهران استفاده شد که شامل بیش از 69000 رکورد میباشد . بازه زمانی پژوهش از تاریخ 25/9/1396 تا تاریخ 25/10/1396 است و با توجه به مسایل حفاظتی بانک مطبوع از ذکر نام این بانک صرفنظر گردید، در ادامه برای خوشه بندی داده های زمانی و مکانی مشتریان و تحلیل انها از روش خوشه بندی میانگین کای و برای تعیین تعداد خوشه بهینه در دو بخش زمانی و مکانی از شاخص دیویس- بولدین استفاده شد. برای رسیدن به این منظور از نرم افزار اس پی اس اس مدلر¹⁵ استفاده شد که خوشه بندی را بصورت جداگانه و با استفاده از روش میانگین کای انجام و مورد تحلیل قرار گرفت . در گام بعدی با ترکیب نتایج درخت تصمیم اقدام به تشکیل متغیرهای ورودی درخت تصمیم¹⁶ انجام گرفته شد وسپس با استفاده از این درخت تصمیم سناریوهای نهایی مدل استخراج گردید و در نهایت نتایج حاصله مورد ارزیابی و تحلیل و بررسی قرار گرفت و در انتها نیز پیشنهاداتی جهت ارتقای عملکرد سیستم ذکر گردید ، فرایند اجرایی پژوهش در ادامه ارایه شده است.  

 

1-2 خوشه بندی میانگین کای :

خوشه بندی تقسیم یک گروه ناهمگن به چندین زیر گروه ناهمگن است که بیشینه سازی تفاوت بین گروه ها و کمینه سازی تفاوت درون گروه ها را دنبال می کند )پونج و استوارت¹⁷،1983). روش موثر متداول میانگین کای نیز از جمله روش های متداول خوشه بندی غیر سلسه مراتبی است که توسط مک کوین¹⁸ اراِیه شد (مک کویین،1967) در واقع الگوریتم میانگین کای پارامتر ورودی k (تعداد خوشه ها ) را گرفته واز طریق آن به تقسیم بندی مجموعه ی n  عضوی می پردازد به طوری که شباهت درون خوشه ای آن بسیار زیاد اما شباهت بین خوشه ای آن اندک باشد (جانسون و ویچرن¹⁹،2007) به گفته محققین در میان الگوریتم های خوشه بندی روش میانگین کای برای تقسیم بندی بسیار رایج است (کیم²⁰،2008).

 

2-2 درخت تصمیم گیری C&R :

از الگوریتم های پرکاربرد درخت تصمیم الگوریتم C&R است این درخت از دسته بندی ورگرسیون برای پیش بینی استفاده می کند(کولوس²¹،2016) هر گره ابتدا فیلد های ورودی را برای یافتن بهترین تجزیه آزمایش  می کند تا شاخص ناخالصی حاصل از تجزیه کم ترین مقدار می باشد تمام تجزیه ها دو دو یی هستند و تا زمانی ادامه می یابند که یکی از معیار های توقف برآورده شود درک مدل های این درخت و تفسیر قوانین استخراج شده نسبت به سایر مدل ها ساده تر است .برای آموزش درخت تصمیم مدل C&R یک متغیر باید فیلد خروجی باشد و یک یا تعداد بیشتری فیلد ورودی وجود داشته باشند (سجادی و عظیمی،2014).

 

3-       یافته ها:

در گام نخست پیش از شروع خوشه بندی ابتدا باید مقدار K (تعداد خوشه ها) تعیین گردد . برای تعیین بهترین خوشه بندی در این پژوهش از شاخص دیویس – بولدین استفاده شده است که در آن Sc فاصله دورن خوشه ای (مجموع فاصله بین تمامی بردارهای ورودی قرار گرفته در یک خوشه ، از مرکز همان خوشه) و dce فاصله بین خوشه‌ای (مجموع فاصله بین مراکز تمامی خوشه ها) را نمایش می دهد . براساس شاخص دیویس – بولدین²² ، بهترین خوشه بندی رابطه ۱ را کمینه می کند(دیویس و بولدین،1979) .

 

               رابطه (1)     

 

 

نتایج حاصل از تعیین تعداد خوشه های بهینه با استفاده از شاخص  دیویس – بولدین عبارتست از :

۱ – تعداد خوشه ها برای تعداد مراجعه کنندگان درهرروز   به دستگاه ،مقادیر سه ، چهار ، پنج ، شش ، هفت به دست آمد که نتایج آن در نمودار ۱ نشان داده شده است .

 

 

نمودار ۱ – تعداد خوشه های انتخابی براساس شاخص دیویس- بولدین در تعداد مراجعه کنندگان به دستگاه

 

با توجه به نمودار ۱ – خوشه ی بهینه برای تعداد مراجعه کنندگان در هر روز براساس شاخص دیوس – بولدین عدد ۶ می باشد که با رنگ قرمز مشخص شده است .

۲-تعداد خوشه ها برای مکان های قرارگیری دستگاهها بر حسب تقاضا مقادیر دو، سه، چهار، پنج به دست آمد که نتایج آن در نمودار ۲ نمایش داده شده است

 

نمودار۲: تعداد خوشه های انتخابی براساس شاخص دیویس- بولدین برای مکان های قرارگیری دستگاهها

 

 با توجه به نمودار ۲ خوشه ی بهینه برای مکان های قرارگیری دستگاهها برحسب تعداد مراجعه کننده براساس این شاخص عدد۳ می باشدکه با رنگ قرمز مشخص شده است.

حال با تعیین تعداد خوشه ها برای تعداد مراجعه کننده روزانه و مکان های قرارگیری دستگاهها با ورود دیتای مربوط به مراجعه کنندگان به محیط نرم افزار خوشه بندی براساس الگوریتم  میانگین کای انجام می پذیرد.تعداد خوشه های تعیین شده بهینه برای مکان قرارگیری دستگاههای خودپرداز براساس شاخص دیویس- بولدین عدد۳ بدست آمد که نتایج خوشه بندی اطلاعات توسط الگوریتم میانگین کای در نمودار۳ ارائه شده است.

 

 

نمودار۳- نتایج خوشه بندی مکان قرارگیری دستگاههای خودپرداز

 

 

براساس نمودار فوق دستگاههای خودپرداز در سه مکان با تقاضای زیاد، تقاضای متوسط و تقاضای کم قراردارند که پس از کنترل نمودن  شماره سریال  هر یک از دستگاهها و مکان قرارگیری آنها مشخص گردید. دستگاههایی که در مکان های پر تقاضا قراردارند شامل دستگاههایی می باشند که در مراکز خرید ، مراکز تفریحی و بازارهای شهر تهران قرار دارند. به عبارت دیگر اکثر این دستگاهها در بافت های تجاری شهر قرارگرفته اند و دستگاههایی که در مراکز با تقاضای متوسط هستند مربوط به مکان هایی با بافت غالباً مسکونی هستند و دستگاههای قرار گرفته در خوشه کم تقاضا به طور کلی در نزدیکی مراکز اداری و آموزشی قرار دارندکه در ساعات خاصی از روز از آنها استفاده می گردد.

پس از خوشه بندی مکان قرارگیری دستگاهها نوبت به خوشه بندی تعداد مراجعه کنندگان به دستگاهها می گردد ، تعداد مراجعه کنندگان به دستگاهها در این پژوهش به صورت روزانه بررسی شده و برای زمان های پر مراجعه²³(مانند روزهای کاری ابتدای هفته، زمان واریز یارانه ها، زمان واریز حقوق بازنشستگان و ....) و زمان های کم مراجعه²⁴  (مانند روزهای آخر هفته یا تعطیلات تقویمی) محاسبه گردیده است. با توجه به اینکه تعداد خوشه های بهینه برای تعداد مراجعه کنندگان براساس شاخص دیویس -بولدین عدد ۶ بدست آمد نتایج این خوشه بندی به شرح نمودار ۴ می باشد.

 

نمودار۴- نتایج خوشه بندی تعداد مراجعه کننده روزانه به دستگاههای خودپرداز

 

 

بر اساس تعداد مراجعین تقسیم بندی خوشه ها در ۶ بخش که بین ۰ تا ۳۰۰  مراجعه کننده روزانه برای هر دستگاه می باشد انجام پذیرفته است. در ادامه با ترکیب فیلدهای خروجی²⁵  خوشه بندی تعداد مراجعان و خوشه بندی مکانی اقدام به ایجاد درخت تصمیم C&R برای زمان های کم مراجعه و زمان های پر مراجعه می نماییم که نتایج آن به شرح نمودار ۵ و ۶ می باشد.

 

 

 

نمودار ۵- درخت تصمیم زمان های کم مراجعه (Off Peak)

 

 

 

 

 

 

نمودار ۶- درخت تصمیم زمان های پر مراجعه(Peak)

 

با توجه به درخت تصمیم مندرج در نمودار ۵ ( زمان های کم مراجعه) نتایج زیر به دست آمد:

۱۰۰٪ دستگاه های نصب شده در مکان های پرتقاضا (مکان3) در خوشه (4) قرار دارند این بدان معنی است که تمامی دستگاههای اماکن پر تقاضا در زمان های  کم مراجعه تعداد ۱۵۰ تا ۲۰۰ مراجعه کننده در روز دارند.  و همچنین حدود ۹۹/۵ درصد دستگاههای موجود در مکان هایی با تقاضای متوسط (مکان 2) در خوشه های ۲و۳ قرار دارند (۵۴ ٪ برای خوشه ۲ و ۴۵/۵ ٪ برای خوشه ۳) یعنی در زمان کم مراجعه دستگاههای نصب شده در این اماکن ۵۰ تا ۱۵۰ مراجعه کننده در روز دارند. و ۱۰۰ ٪ دستگاهها نصب شده در مکان های کم تقاضا  (مکان1) در خوشه ۱ قرار دارند که شامل حداکثر۵۰ مراجعه کننده روزانه در زمان های  کم مراجعه برای این دستگاهها می باشد.

حال با عنایت به درخت تصمیم نمایش داده شده در نمودار ۶ که مربوط به زمان های  پر مراجعه می باشد می توان اینگونه اظهارنظرنمود: قریب به ۹۲/۳ ٪ دستگاههای نصب شده در مکان های پر تقاضا  (مکان3) درخوشه های ۵و ۶ قرار دارند که شامل ۲۰۰ تا ۳۰۰ مراجعه کننده در زمان های  پرمراجعه می باشد و در ادامه تمامی دستگاههای نصب شده در مکان های با تقاضای متوسط  (مکان2) در خوشه های ۲ و ۳ و ۴ قرار دارند که شامل ۵۰ تا ۲۰۰ مراجعه کننده روزانه در زمان های  پرمراجعه می باشد و در نهایت تمامی دستگاههای مکان ۱ در خوشه های ۱ و ۲ (۳۴/۵ ٪ برای خوشه ۱ و ۶۵/۵ ٪ برای خوشه ۲ ) قرار گرفتند که به معنی وجود حداکثر ۱۰۰ مراجعه کننده برای این دستگاهها در زمان های پرمراجعه می باشد. حال با توجه به موارد مطرح شده می توان خاطر نشان کرد که با افزایش مراجعه کنندگان در زمان های پرتقاضا  اولاً ترکیب قرار گرفتن دستگاهها در خوشه ها پراکنده تر شده و بازه ی تعداد مراجعه کنندگان افزایش می یابد ثانیاً چنانکه از تعداد دستگاههای سالم و در جریان سرویس دهی مشخص است که با افزایش تعداد مراجعین در زمان های پرمراجعه و افزایش تراکنش ها در بازه مورد بررسی تعداد ۵ دستگاه از جریان سرویس دهی به علت مشکلات فنی خارج شده اند که همین مسئله در دقت پیش بینی ها تاثیر گذار می باشد.

4- بحث و نتیجه گیری:

در این پژوهش سناریوهای بهینه تعداد مراجعین به دستگاهای خودپرداز با تمرکز بر رویکرد زمانی و مکانی دستگاهها ارائه گردید. این مسئله به دلایلی مانند پویایی، نبود راه حل های از پیش تعیین شده و جمع آوری داده ها به صورت تجربی، جزء مسائل و پیشامد های گسسته می باشد. در جداول ۱و۲ میزان دقت پیش بینی الگوی ارائه شده ، به نمایش در آمده است:

 

جدول۱- دقت پیش بینی درخت تصمیم برای زمان های کم مراجعه Off Peak

 

 

جدول۲- دقت پیش بینی درخت تصمیم برای زمان های پرمراجعه  Peak

 

همانگونه که در جدول ۱ اشاره شد  درخت تصمیم ارائه شده توانست پس از یادگیری داده های ورودی با دقت کمی بیش از ۹۲ ٪ پیش بینی صحیحی ارائه دهد که این میزان در بازه زمانی  پر مراجعه به میزان ۷۱ ٪ کاهش می یابد که براساس نظرات خبرگان و مدیران بانکی این کاهش دقت پیش بینی مربوط به نقص فنی دستگاهها به علت بیشتر شدن مراجعات ، کمبود اسکناس ها در مخازن دستگاهها و غیر منظم شدن مراجعات به دستگاهها و خدمات نگهداری نامناسب دستگاهها در زمان های پر تقاضا می باشد. با توجه به یافته های سایر مقالات و پژوهش ها درباره افزایش کارایی خودپردازها در مجموع می توان مواردی از قبیل وضعیت پول رسانی خودپردازها ، وضعیت تعمیرات و نگهداری خودپردازها و مکان نصب خودپردازها را در نظر گرفت. افزایش کارایی خودپردازها به کوتاه شده صفوف انتظار مشتریان برای دریافت خدمات و به دنبال آن کاهش هزینه مشتریان از دست رفته برای بانک می انجامد. براساس سناریوهای ایجاد شده به منظور ارتقای کارآمدی خودپردازها و رفع مشکلات و موانع آنها موارد زیر پیشنهاد می گردد:

۱- بررسی ها نشان داد برخی از خودپردازها در ساختمان های اداری ( مانند شهرداری ها و دانشگاه ها و سازمانهای دولتی و ...) قرار دارند که به علت ارائه سرویس تا پایان ساعات اداری ادارات مذکور کارایی آنها کم است و لازم است محل نصب آنها به گونه ای قرار گیرد که علاوه بر دسترسی کارکنان آن سازمانها در ساعات اداری و ایام تعطیل سایر افراد نیز در خارج از ساعات اداری بتوانند از خدمات آنها استفاده نمایند.

۲-با توجه به گره مکان شماره ۱  در درخت تصمیم زمان های پرمراجعه و کم مراجعه در می یابیم که حدود ۸ ٪ کل دستگاهها (۲۹ دستگاه) در این مکان قرار دارند که از این میان تعداد ۱۰ دستگاه همیشه در خوشه یک یعنی کمتر از ۵۰ مراجعه کننده در روز قرار می گیرند که با توجه به تعداد بسیار کم مراجعه کننده توجیه اقتصادی برای وجود دستگاه خودپرداز در این مناطق وجود ندارد. از طرفی با توجه به گره مکان شماره ۳  در درخت تصمیم شاهد این واقعیت هستیم که با افزایش تقاضا تا (۳۰۰ مراجعه  در روز) در این مکان تعداد ۵ دستگاه از سرویس خارج می شود که شایسته است جهت مدیریت منابع موجود و افزایش کارایی شبکه خودپردازها موقعیت دستگاهای یاد شده در مکان ۱ به مکان ۳ انتقال یابد.

۳-با استفاده از الگوی ارائه شده می توان ناکارایی خودپردازها را در شبکه خودپردازهای شهر تهران را مدیریت نمود و مشکلاتی همچون کمبود اسکناس یا نگهداری نا مناسب با تشخیص دستگاههای فاقد کارایی با توجه به متمرکز بودن عملیات نظارت شعبه و پول رسانی توسط خزانه داری مرتفع می گردد. در نهایت باید شناسایی مکان‌های جدید و انتقال آن ها  براساس زمان بندی مناسب در دستورکار قرار گیرد چرا که رعایت این موارد علاوه بر کاهش هزینه ها و افزایش سطح سرویس دهی بانک ها به مشتریان سبب افزایش کارایی  خودپردازها و افزایش سهم درآمد کارمزدی بانک می شود.

5-پیشنهادهای آتی :

ﺑـﺮاى ﻣﻄﺎﻟﻌﺎت و ﭘﮋوﻫﺶﻫـﺎى آﺗـﻰﭘﻴﺸـﻨﻬﺎدﻫﺎﻳﻰ از ﻗﺒﻴـﻞ اراﺋـﻪﻣﺪل رﻳﺎﺿﻰ دو ﻫﺪﻓﻪﺣﺪاﻗﻞﺳﺎزى ﻫﺰﻳﻨﻪﻧﮕﻬﺪاﺷـﺖﭘـﻮل ﻣﺎزاد و ﻫﺰﻳﻨـﻪﻓﺮﺻـﺖ از دﺳـﺖ رﻓﺘـﻪ و ﺣـﻞﻣـﺪل ﺟﻬـﺖ دﺳـﺘﻴﺎﺑﻰﺑــﻪﻣﺘﻐﻴﺮﻫـﺎى ﻧﻘﻄــﻪ و ﻣﻴـﺰان ﺳــﻔﺎرش ﭘـﻮل ﺑــﺎ اﺳﺘﻔﺎده از ﺑﻬﻴﻨﻪﺳﺎزى از ﻃﺮﻳﻖﺷﺒﻴﻪﺳﺎزى²⁶  و ﺑﺎﻛﻤﻚ اﻟﮕـﻮرﻳﺘﻢﻫـﺎى ﻓـﺮا اﺑﺘﻜـﺎرى و ﻣﺤﺎﺳﺒﻪﺗﺮﻛﻴﺐﺑﻬﻴﻨﻪ اﺳﻜﻨﺎس ﻫﺎى ﻗﺎﺑﻞﺷـﺎرژ در دﺳـﺘﮕﺎه در ﺻﻮرت ﻣﻮﺟﻮد ﺑﻮدن اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪﺗﺮﻛﻴﺐ اﺳﻜﻨﺎس ﻫﺎى ﭘﻮل ﮔﺬارى ﺷﺪه در دﺳﺘﮕﺎه ﻫﺎى ﺧﻮدﭘﺮداز را ﻣـﻰﺗـﻮان ﻣﺪﻧﻈﺮﻗﺮارداد. ﻋﻼوهﺑﺮاﻳﻦ، در اﻳـﻦﭘـﮋوﻫﺶ  ها میتوان ﺑـﺮاى ﺗﺨﻤـﻴﻦﻫﺰﻳﻨﻪﻫﺎ از دﻳﺪﮔﺎهﻫﺎى ﻣﺪﻳﺮان و ﺧﺒﺮﮔﺎن ﺑﺎﻧﻜﻰ اﺳﺘﻔﺎده نمودﻛﻪﭘﻴﺸﻨﻬﺎد ﻣﻰﺷﻮد رﻳﺰﻫﺰﻳﻨﻪﻫﺎى ﻣﺮﺑﻮط ﺑﻪﭘﻮل ﮔـﺬارى و ﻫﺰﻳﻨﻪﻫﺎى ﻓﺮﺻﺖ ازدﺳﺖ رﻓﺘﻪ، نیز ﻣﺤﺎﺳﺒﻪﺷﻮد ﺗﺎﻧﺘﺎﻳﺞ، دﻗﻴﻖﺗﺮ و ﻗﺎﺑﻞﻗﺒﻮلﺗﺮﺑﺎﺷﺪ.

 

 

 

منابع : 

1.       Altunoglu, Y. (2010). “Cash inventory management at automated teller machines under incomplete information”, MSc Thesis of Turkey BILKENT University, PP. 25–40.

 

2.       Naghshineh, N., Hanifi, F., and Kordloei, H. (2013). “Management of bank assets and liabilities with the help of linear multi-objective programming by econometric simulation, Case study: Bank X”, Journal of Financial Engineering and management of securities (Portfolio Management): Vol. 4, No. 14, PP. 61–81.

 

3.       Kavand, M. (2010). “Design of assets liabilities optimal management mathematical model in non-usury banking - MCDM approach, case study: Iran Tose’e saderat bank”, MSc Thesis submitted by help doctor Adel Azar, PP. 35–45.

 

4.       Eghtesad novin bank risk study group (2008). “Assets liabilities management and liquidity risk in financial institutions”, Farasokhan, Tehran.

 

5.       Moshiri, E., and Karimi, M. (2006). “Optimal assets liabilities management in the banks using goal programming model (GP) and AHP method (Case study: Karafarin Bank)”, Vol. 8, No. 22, PP. 89–114.

 

6.       Smitus, R., Dilijonas, D., Bastian, L., Friman, J., and Drobinov, P. (2007). “Optimization of cash management for ATM network”, Information Technology And Control, Vol. 36, No. 1, PP. 117–121.

 

7.       Wagner, M. (2017) “The optimal cash deployment strategy-Modeling a network of Automated teller machines”, MSc Thesis, Hanken Swedish School of Economics and Business Administration, PP. 70–80.

 

8.       Salimifard, Kh., and Farajzadeh, S. (2012), “Using monte carlo simulation to determine the amount of money in the ATM and the improvement of customer satisfaction”, Proceeding of the 3rd Annual European Decision Science Institute Conference, 24–27 June, Istanbul, Turkey.

 

9.       Supatchaya, Ch. (2013). “An optimization-based heuristic for a capacitated lot-sizing model in an automated teller machines network”, Journal of Mathematics and Statistics, Kasetsart University, Chatuchak, Bangkok, Thailand, Vol. 9, No. 4, PP. 283–288.

 

10.       Baker, T., Vaidyanathan, J., and Ashley, N. (2012). “A data-driven inventory control policy for cash logistics operations: An exploratory case study application at a financial institution”, Decision Sciences, Vol. 44, No. 1, PP. 205–226.

 

11.       Ekinci, Y., Lu, J. Ch., and Duman, E. (2014). “Optimization of ATM cash replenishment with group-demand forecasts”, Expert Systems with Applications, doi: http://dx.doi.org, Vol. 42, No. 7, PP. 3480–3490.

 

12.       Punj, G.N. and Stewart, D.W. (1983) “Cluster analysis in marketing redearch: Review and suggestions for application”,Journal of Marketing Research,20,pp.134-148.

 

13.       McQueen, J.B. (1967)”Some methods for classi_cation and analysis of multivariate observations”, Proceeding of 5th Berkeley Symposium on Mathematical Statistics and Probability, 1, pp. 281-297.

 

14.       Johnson, R.A. and Wichern, D.W. (2007), Applied Multivariate Statistical Analysis, 6th Edn., Pearson Prentice Hall,USA.

 

15.       Kim, K.J. and Ahn, H. (2008). “A recommender system using GA Kmeans clustering in an online shopping market”, Expert Systems with Applications, 34, pp. 1200-1209.

 

16.       Kolos, C. (2016). “Pareto improvement and joint cash management optimization for banks and cash-in-transit firms”, European Journal of Operational Research, PP. 1–9.

 

17.       Sajjadi, Kh., and Azimi, P. (2014). “Optimizing the number of bank branches equipments by simulation and annealing algorithm”, Journal of Management Researches in Iran, Vol. 18, No. 4, PP. 65–86.

 

18.       Davies, D.L. and Bouldin, D.W. (1979) “A cluster separation measure”, IEEE Transactions on Pattern Analysis and Machine, 24(2), pp. 224-227.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1] .K-Means 

[2]  .Machine learning

[3]  .Automated Teller Machine

[4]  .Altunoglu

[5]  .SARIMA

[6]  .Asset Liability Managment

[7]  . Smitus,Dilijonas,Bastian

[8]  . Wagner

[9]  .Wagner-Within

[10]  .Dantzig

[11]  .Erlang

[12]  . Supatchaya

[13]  . Baker,Vaidyanathan,Ashley

[14]  . Ekinci,Duman

[15]  . IBM SPSS Modeler

[16]  .C&R Tree

[17]  . Punj,Stewart

[18]  .McQueen

[19]  . Johnson,Wichern

[20]  .Kim

[21]  .Kolos

[22]  .Davies and Bouldin

[23]  .Peak Time

[24]  .Off peak Time

[25]  .Merge

[26]  . Optimization via simulation

---