پيش بينيِ خرابي و برنامه ريزيِ نگهداري و تعميرات خودپردازهاي بانكي با روش داده كاوي

ENGLISH] Predicting failures and planning ATM maintenance by using data mining technique

پايانه‌هاي خودپرداز به عنوان اولين و پر تقاضاترين كانال‌هاي بانكداري الكترونيك در صورت عدم سرويس دهي به عنوان تهديد براي بانكها قلمداد مي گردد. از سوي ديگر داده هاي مربوط به تعميرات و نگهداري خودپردازها به طور چشمگير گسترده شده است.در اين راستا داده كاوي براي افزايش مشهود نرخ تبديل داده ها به اطلاعات و كشف دانش به منظور جلوگيري از توقف دستگاه خواهد بود. هدف از مقاله حاضر ارائه معماري دسته بندي داده هاي توليد شده از تراكنشها و خرابيهاي خودپردازهاي يكي از بانكهاي كشور و پيش بيني فواصل ميان خرابي آنها از طريق روش داده كاوي به منظور برنامه ريزي نگهداري و تعميرات آنها مي باشد. بر اين اساس داده هاي مورد نياز براي يك نمونه شامل 1039دستگاه خودپرداز استخراج گرديد. با توجه به هدف تحقيق متغيرهاي سال نصب، تعداد تركنشها و نوع خودپرداز به عنوان متغيرهاي ورودي و فواصل بين خرابي به عنوان متغيرهاي خروجي تعيين گرديد. با اتكا به اصول داده كاوي و از طريق نرم افزار Clementineبه گروه بندي خودپردازها بر اساس زمان خرابي با الگوريتم درخت C&R پرداخته شد. بر اساس تحليل خروجي ها تيم نگهداري و تعميرات بانكِ مورد مطالعه،مي بايست برنامه سرويس و بازديد خودپردازها را بر اساس گروه بندي انجام شده در پژوهش و سرويس خودپردازها را با توجه به پيشنهادهاي ارائه شده تنظيم نمايد.

Abstract ATM terminals as the most used ebanking channels could be a threat for banks. Some years ago due to a few numbers of ATM, they were taken into account as a competitive advantage; despite most of the time they were out of order. But nowadays their breakdown is a potential threat for banks to lose their customers. On the other hand the amount of data generated by ATM’s maintenance system increases at an unprecedented rate. In this way data mining is introduced as a method for discovering knowledge from these amounts of data in order to predict their failure and disruption. This paper introduces architecture for collecting data generated from ATMs performance and classifying them by predicting their breakdowns. So a sample of 1039 ATM was selected and the needed data were collected. Data were processed by C&R tree and Chaid models in Clementine software. Due to the better result of C&R tree algorithm, it was selected for modeling. By analyzing the results, ATMs were classified into 3 groups and some suggestions were given to maintenance team for planning better