ارائه يك مدل جديد براي سناريو سازي تقاضاي دستگاه‌هاي خودپرداز (مورد مطالعه : دستگاه‌هاي خودپرداز شهر تهران)

Presenting a new model for ATM demand scenario

در دنياي رقابتي امروز توانايي شناخت و پيش بيني تقاضاي مشتريان يك مقوله مهم جهت موفقيت سازمانها به شمار مي‌رود.و از انجا كه دستگاههاي خود پرداز يكي از مهم ترين كانالهاي توزيع وجه نقد و يكي از اساسي ترين معيارهاي ارزيابي سطح خدمات براي بانكها بشمار ميروند در اين مقاله ويژگيهاي مربوط به دستگاه هاي خودپرداز با توجه به زمان هاي مراجعه و مكان قرار گيري دستگاه‌ها بررسي مي گردد . اين مقاله به دنبال يافتن مدلي پويا و كاربردي جهت سناريو سازي تقاضاي دستگاههاي خود پرداز مي باشد . از اين رو مورد كاوي بر روي 378 دستگاه خودپرداز در سراسر شهر تهران در بازه زماني يك ماه كه شامل 69418 ركورد مي باشد انجام گرفت . اين مدل در نهايت با خوشه بندي داده هاي آماري در بعد زماني و مكاني موفق به يادگيري الگوي موجود در داده هاي كلان شده و بر همين مبناي درخت تصميم ارائه شده قادر به پيش بيني تعداد مراجعه كننده به هر دستگاه مي باشد كه پس از ارايه سناريو هاي ايجاد شده در جهت ارتقاي كيفيت خدمات دهي بانكي و ارتقاي عملكرد شبكه خودپردازها تركيب بهينه مكاني دستگاههاي خودپرداز در بعد مكاني و زماني ارايه مي گردد.

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.