ارائه یک مدل جدید برای سناریو سازی تقاضای دستگاههای خودپرداز (مورد مطالعه : دستگاههای خودپرداز شهر تهران)
محورهای موضوعی : آینده پژوهیعلیرضا آقا قلیزاده سیار 1 , محمد رضا معتدل 2 , علیرضا پور ابراهیمی 3
1 - دانشجوی دکتری ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات،گروه مدیریت صنعتی ، تهران ، ایران
2 - استادیار ، دانشگاه آزاد اسلامی واحد تهران مرکز،گروه مدیریت صنعتی ، تهران ، ایران (مسئول مکاتبات)
dr.motadel@gmail.com
3 - استادیار ، دانشگاه آزاد اسلامی واحد کرج،گروه مدیریت صنعتی ، کرج ، ایران
کلید واژه: درخت تصمیم C&R, خوشه بندی میانگین کای, پیش بینی تقاضا, داده کاوی, یادگیری ماشین,
چکیده مقاله :
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.
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.
_||_