ترکیب خوشه بندی و رده بندی به منظور بهبود فرایند پول گذاری خودپردازها

امروزه در صنعت بانکداری، وجود دستگاه های خودپرداز، علی رغم گسترش بانکداری الکترونیک و توزیع سراسریپایانه های فروشگاهی، از اهمیت بالایی برخوردار است. به نحوی که روزانه مشتریان زیادی برای دریافت اسکناس بهاین دستگاه ها مراجعه می کنند لیکن هزینه های تامین، نصب، راه اندازی و پشتیبانی دستگاه های خودپرداز، به نوبهخود قابل توجه است. از آنجایی که صنعت بانکداری می بایست، صنعتی سودآور باشد و از طرفی وتامین و نگهداریاسکناس و پول نقد برای بانک ها هزینه دارند، اهمیت بالای مدیریت نقدینگی خودپردازها مشخص می گردد.درصورتیکه پول گذاشته شده در دستگاه، متناسب با دوره پول گذاری نباشد، می تواند چالش هایی برای بانک هابه وجود آورد. درصورت کم بودن اسکناس باعث عدم رضایت مشتریان و از دست دادن ایشان و از دست دادن کارمزدتراکنش می شود و درصورت زیاد بودن اسکناس باعث هدر رفت منابع بانک و پرداخت هزینه سود پول نقد می شود. دراین پژوهش یک روش جدید مبتنی بر خوشه بندی و رده بندی دستگاه های خودپرداز ارائه شده است تا پول گذاری آنهابهینه انجام شود. در مرحله اول روش پیشنهادی تعداد خوشه های مناسب برای خوشه بندی با استفاده از مکانیزمرای گیری محاسبه می شود، سپس در ادامه با خوشه بندی Kmeans هر نمونه در خوشه های مرتبط قرار داده می-شود و شماره کلاس آن مشخص می شود و در ادامه نیز شبکه عصبی مصنوعی بهبود یافته با استفاده از الگوریتمبهینه سازی پروانه برای طبقه بندی و تشخیص نوع دستگاه خودپرداز استفاده می شود. پیاده سازی ها در محیط متلبنشان می دهد که استفاده از 4 خوشه بهترین نتایج را از نظر شاخص خطا دارد. آزمایشات نشان می دهد افزایشجمعیت اولیه در الگوریتم بهینه سازی پروانه باعث می شود خطای متوسط برای تشخیص نوع خودپرداز از 0.812 به0.221 کاهش یابد که حدود 3.67 برابر کاهش خطا را نشان می دهد و همچنین آزمایشات نشان می دهد روشپیشنهادی دارای خطای کمتری نسبت به شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم گیری برایرده بندی دستگاه خودپرداز است.

Keywords:

داده کاوی , خودپرداز , مدیریت نقدینگی , خوشه بندی , رده بندی , شبکه عصبی مصنوعی