طراحي و تبيين مدلي جهت پيش‌بيني و مكان‌يابي خودپردازهاي سود ده بانك تجارت شهر همدان با رويكرد امنيت و پيشگيري از سرقت با استفاده از الگوريتم‌هاي داده‌كاوي

Designing and Explaining a Model for Profitable Automated Teller Machines (ATMs) Predicting and Locating of Tejarat-Bank in Hamadan Based on Security and Theft Prevention Approach using Data Mining Algorithms

امروزه، دستگاه‌هاي خودپرداز عمليات بانكي را متحول كرده‌اند. با وجود اين دستگاه‌ها، ديگر لازم نيست كسي براي دريافت پول در صف‌هاي طولاني بانك معطل شود. نصب اين دستگاه در يك مكان براي بانك‌ها مي‌تواند ازنظر امنيتي خطرساز باشد. ازاين‌رو، مكان‌يابي صحيح امنيتي و مناسب خودپرداز در يك شهر مي‌تواند باعث افزايش امنيت بانك و جلوگيري از سرقت شود. در اين مقاله با استفاده از روش‌هاي مختلف داده‌كاوي مانند الگوريتم نزديك‌ترين همسايه، رافست، الگوريتم درخت طبقه‌بندي، رگرسيون و شبكة عصبي به پيش‌بيني تعداد دستگاه‌هاي خودپرداز موردنياز يك بانك و جانمايي صحيح آن مي‌پردازيم. با توجه به نتايج به‌دست‌آمده از تحقيق، دريافتيم كه استفاده از ابزارهاي داده‌كاوي مي‌تواند به مسئولين در پيش‌بيني و جانمايي تعداد خودپرداز موردنياز در شهر همدان كمك كند و باعث جلوگيري از سرقت، افزايش ضريب امنيتي و بهبود فعاليت‌هاي امنيتي پليس گردد. در اين پژوهش، علاوه بر درنظرگرفتن سوددهي خودپردازها، ضريب امنيتي مكان‌يابي هر شعبه را نيز در الگوريتم‌هاي داده‌كاوي مدنظر قرار داديم. نتايج نشان داد كه توجه به شاخص‌هاي: مدت قرارداد، كل كارمزد، كل تراكنش‌ها و تعداد خودپردازها در هر منطقه، ميزان سرقت در منطقه، مسافت نزديك‌ترين كلانتري، تعداد دوربين‌هاي مداربسته منطقه، تراكم جمعيت و تعداد نگهبان‌ها، در تصميم‌گيري، پيش‌بيني تعداد و جانمايي خودپرداز‌ها بسيار حائز اهميت است. اين شاخص‌ها مبنايي براي پيش‌بيني تعداد خودپرداز‌هاي سودده نيز خواهند بود. همچنين، الگوريتم ماشين بردار پشتيبان با جذر ميانگين مربعات خطاي 8 درصد، قابليت برآورد بهتري را نسبت به ساير الگوريتم‌ها دارد.

Nowadays, use of automated teller machines (ATMs) have revolutionized the whole banking processes. There is no need for anyone to linger in long queues at the bank to receive money due to ATMs existence. ATM Installation at one site isn't risk-free and could be dangerous for banks in terms of security; therefore, bank security can be increased and theft can be prevented by the right and appropriate security locating of the ATM in a city. In this study, we investigate the prediction of the ATMs number required for a bank and their right locating using various data mining methods such as k-nearest neighbor’s algorithm (k-NN), Rough Sets, classification tree algorithm, regression and neural network. The results of this study illustrate that the use of data mining tools can help officials in predicting and locating the required number of ATMs in Hamadan and prevent theft, increase security, and improve police security activities. In addition to considering the profitability of ATMs, the security coefficient of locating each branch is also considered in the data mining models considered in this study. According to the results, it is very important to pay attention to the following indicators in decision making, predicting number and ATMs locating: contract duration, total commission, total transactions and number of ATMs in each district, theft rate in the district, distance to the nearest police station, number of CCTV cameras in the district, population density and number of guards. Also, these indicators will be the basis for predicting the number of profitable ATMs. The support vector machines (SVMs) algorithm with root mean square error (RMSE) of 8% has better estimation capability than other algorithms.