پیش بینی هوشمند نقدینگی دستگاه‌های خودپرداز برمبنای تقاضای مشتریان
محورهای موضوعی : آمار
ندا کیانی
1
(دانشکده مدیریت واحد تهران مرکزی)
قاسم توحیدی
2
(واحد تهران مرکزی، دانشکده علوم گروه ریاضی کاربردی.)
شبنم رضویان
3
(دانشکده فنی واحد تهران جنوب.)
نصرت الله شادنوش
4
(واحد تهران مرکزی)
مسعود صانعی
5
(واحد تهران مرکزی)
کلید واژه: سری زمانی, شبکه عصبی پویا, مدیریت نقدینگی,
چکیده مقاله :
تزریق بیش از اندازه وجه به خودپردازها موجب تحمیل هزینه اضافی به بانک و کمبود وجه در دستگاه‌ها موجب نارضایتی مشتریان و به خطر افتادن برند بانک خواهد شد. برای این منظور باید در دستگاه‌های خودپرداز وجه نقد قابل ملاحظه‌ای تزریق شود تا پاسخگوی نیاز مشتریان باشد؛ اما تأکید بر این رویه ممکن است سبب رسوب پول در دستگاه‌ها شده و زیان‌های اقتصادی برای بانک به همراه داشته باشد. بنابراین، بانک‌ها همان‌طور که به مدیریت نقدینگی در شعب می‌پردازند، باید با توجه به شرایط زمانی، مکانی و اقتصادی به مدیریت نقدینگی دستگاه‌های خودپرداز نیز بپردازند. مهمترین گام در این راستا تشخیص میزان تقاضای وجه نقد مشتریان است. بدین منظور میانگین تراکنشهای 9 ماه سال 95 برای 1377 دستگاه خودپرداز مورد سنجش قرار داده شده و در این مقاله سعی شده است تا با پیدا کردن یک الگوی رفتاری از مشتریان با استفاده از شبکه عصبی سری زمانی پویا (NARX) روند نقدینگی دستگاه‌های خودپرداز پیش بینی شود. نتایج بدست آمده نشان می دهد که مدل طراحی شده با شبکه عصبی پویا نسبت به مدلهای کلاسیک از کارایی بهتری برخوردار بوده است.
تزریق بیش از اندازه وجه به خودپردازها موجب تحمیل هزینه اضافی به بانک و کمبود وجه در دستگاه‌ها موجب نارضایتی مشتریان و به خطر افتادن برند بانک خواهد شد. برای این منظور باید در دستگاه‌های خودپرداز وجه نقد قابل ملاحظه‌ای تزریق شود تا پاسخگوی نیاز مشتریان باشد؛ اما تأکید بر این رویه ممکن است سبب رسوب پول در دستگاه‌ها شده و زیان‌های اقتصادی برای بانک به همراه داشته باشد. بنابراین، بانک‌ها همان‌طور که به مدیریت نقدینگی در شعب می‌پردازند، باید با توجه به شرایط زمانی، مکانی و اقتصادی به مدیریت نقدینگی دستگاه‌های خودپرداز نیز بپردازند. مهمترین گام در این راستا تشخیص میزان تقاضای وجه نقد مشتریان است. بدین منظور میانگین تراکنشهای 9 ماه سال 95 برای 1377 دستگاه خودپرداز مورد سنجش قرار داده شده و در این مقاله سعی شده است تا با پیدا کردن یک الگوی رفتاری از مشتریان با استفاده از شبکه عصبی سری زمانی پویا (NARX) روند نقدینگی دستگاه‌های خودپرداز پیش بینی شود. نتایج بدست آمده نشان می دهد که مدل طراحی شده با شبکه عصبی پویا نسبت به مدلهای کلاسیک از کارایی بهتری برخوردار بوده است.
[1] Roger M. Hill, Soren Glud Johansen, 2006, “Optimal and near-optimal policies for lost sales inventory models with at most one replenishment order outstanding", Production, Manufacturing and Logistics European Journal of Operational Research 169, 111–132.
[2] ATMmarketplace.com, “2010 ATM software trends and analysis,” Net World Alliance, Tech. Rep., 2010.
[3] FOBISS, Artificial Intelligence for Business Process Optimization, White paper, www.fobiss.com.
[4] Salas, 1996. ” Applied Time Series in Hydrology”, Mc Graw Hill.
[5]Abor, J., 2004, Technological innovation and banking in Ghana: An evaluation of Customers perception, American Academy of Financial Management.
[6] R. Simutis, D. Dilijonas, L. Bastina, J. Friman, and P. Drobinov, 2007, “Optimization of cash management for ATM network,” Information Technology And Control, Kaunas, Technologija, vol. 36, no. 1A, pp. 117 – 121.
[7] R. Simutis, D. Dilijonas, L. Bastina, and J. Friman, 2007, “A Flexible Neural Network for ATM Cash Demand Forecasting,” in Proc. 16th Int. Conf. on Computational intelligence, Man-Machine System and Cybernetics, Spain, Dec. 14-16, pp. 162-165 .
[8] D. Dilijonas and L. Bastina, , 2007, “Retail Banking Optimization System Based on Multi-agents Technology,” in Proc. 16th Int. Conf. on Computational intelligence, Man-Machine System and Cybernetics, Spain, Dec. 14-16, pp. 203-208.
[9] R. Simutis, D. Dilijonas, and L. Bastina, 2008, “Cash demand forecasting for ATM using neural networks and support vector regression algorithms,” in EurOPT 2008 - Proc. of the 20th Euro Mini Conf. on Continuous Optimization and Knowledge-Based Technologies, May 20-23, 2008, pp. 416–421.
[10] D. Dilijonas, V. Sakalauskas, D. Kriksciuniene, and R. Simutis, 2009, “Intelligent systems for retail banking optimization - Optimization and management of ATM network system,” in ICEIS 2009 - Proc. of the 11th Int. Conf. on Enterprise Information Systems, Volume AIDSS, J. Cordeiro and J. Filipe, Eds., May 6-10, pp. 321–324.
[11] H. Snellman and M. Virn, 2006, “ATM networks and cash usage,” Bank of Finland, Research Discussion Papers 21, November 2006.
[12]Armenise, R., Birtolo, C., Sangianantoni, E. and Troiano, L., 2012, Optimizing ATM Cash Management by Genetic Algorithms, International Journal of Computer Information Systems and Industrial Management Applications, 4, pp. 598-608.
[13]Saad M.darwish, 2013, A Methodology to Improve Cash Demand Forecasting for ATM Network,International Journal of Computer and Electrical Engineering, Vol. 5, No. 4, August .
[14] Ekinci, Y., Lu, J-C., Duman, E., 2014, Optimization of ATM Cash Replenishment with Group- Demand Forecasts, Expert Systems with Applications, doi: http://dx.doi.org/10.1016/j.eswa.2014.12.011.
[15] Venkatesh k., V. Ravi, A. Prinzie, D. Poel, 2014,"Cash demand forecasting in ATMs by clustering and neural networks", European Journal of Operational Research 232, 383–392.
[16] Arora N., J. Kumar R. Saini, 2014, "Approximating Methodology: Managing Cash in Automated Teller Machines using Fuzzy ARTMAP Network", International Journal of Enhanced Research in Science Technology & Engineering, ISSN: 2319-7463 Vol. 3 Issue 2, February, pp: 318-326.
[17] Arora, N. and Saini, J.R., 2016. Estimation and approximation using neuro-fuzzy systems. International Journal of Intelligent Systems and Applications, 8(6), p.9.
[18] Bhandari, R. and Gill, J., 2016. An artificial intelligence ATM forecasting system for hybrid neural networks. International Journal of Computer Applications, 133(3), pp.13-16.
[19] Vennila, A. and Rathnaraj, S.N., 2018. Impact on Customer Perception towards ATM Services Provided By the Banks Today: A Conceptual Study. International Journal of Scientific Research and Management, 6(01).
[20] BİLİR, C. and DÖŞEYEN, A., 2018. Optimization of ATM and Branch Cash Operations Using an Integrated Cash Requirement Forecasting and Cash Optimization Model. Business & Management Studies: An International Journal, 6(1).
[21] Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J., 2016, Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, pp 314.
[22] Diwan, T. D., CHOUKSEY, P., Thakur, R., & LODHI, B, 2012, exploiting data mining techniques for improving the efficiency of time series data. In International Conference on Computers Science and Information Technology, IRNet (pp. 46-51).
[23] Demuth, H., Beale, M., Hagan, M. 2009. Neural Network Toolbox™ 6-User’s Guide, Mathworks Inc.
[24] S. A. Billings, 2013, "Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio-Temporal Domains, Wiley, ISBN 978-1-1199-4359-4.
[25] Berry, M.J.A.; Linoff, G, 1997, Data Mining Techniques. For Marketing, Sales and Customer Support. Wiley Computer Publishing.
[26] Asteriou, Dimitros; Hall, Stephen G, 2011, "ARIMA Models and the Box–Jenkins Methodology". Applied Econometrics (Second Ed.). Palgrave MacMillan. pp. 265–286. ISBN 978-0-230-27182-1.
[27] Xiao, X., Xu, H., & Xu, S, 2015, Using IBM SPSS modeler to improve undergraduate mathematical modelling competence. Computer Applications in E20-27.
[28] Santric-Milicevic, M., Vasic, V., & Marinkovic, J., 2013, Physician and nurse supply in Serbia using time-series data. Human resources for health, 11(1), 27.
[29] Haykin, S. Neural Networks a Comprehensive Foundation, Second eddition, Prentice Hall International Inc.ngineering Education, 23(4), 603-609.
[30] Andrawis, R.R., Atiya, A.F., El-Shishiny, H., Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition. International Journal of Forecasting 27, 2011, 672–688.
[31] Haykin, S. Neural Networks a Comprehensive Foundation, Second eddition, Prentice Hall International Inc.
