Sử dụng Time series analysis và Deep Learning dự báo lượng tiền mặt được rút hàng ngày tại các máy ATM

Introduction

Duy trì lượng tiền mặt ổn định trong các máy giao dịch tự động (ATMs) là một trong những họat động cốt lõi của các ngân hàng thương mại nhằm đáp ứng nhu cầu của khách hàng, giảm thiểu chi phí hoạt động, cũng như tuân theo các quy định của NHNN ( Nghị định số 96/2014/NĐ-CP ngày 17/10/2014 của Chính phủ quy định xử phạt vi phạm hành chính trong lĩnh vực tiền tệ và ngân hàng, - phạt từ 10 -15 triệu đồng đối với các hành vi không thực hiện kiểm tra, bảo trì, bảo dưỡng máy giao dịch tự động ATMs,...)

Thêm vào đó, thông qua việc dự báo nhu cầu tiền mặt tại các ATMs hàng ngày có thể mang một số lợi ích cho ngân hàng thương mại như:

·         Giảm tổng chi phí tiền mặt (chi phí vận chuyển và lấp đầy, chi phí quản lý và giám sát, chi phí cơ hội,...)

·         Tăng mức độ hài lòng của khách hàng và nâng cao hình ảnh ngân hàng.

Cụ thể, quản lý tiền mặt tại máy giao dịch tự động (ATMs) là một trong những dịch vụ chủ chốt trong các định chế tài chính (đặc biệt ngân hàng). Trong đó, những chi phí liên quan đến tiền mặt chiếm khoảng 355 -60% tổng chi phí hoạt động của một ATM. Qua đó, việc nghiên cứu về đầu tư/ duy trì họat động ATM tốt sẽ có những tác động tích cực đến hiệu quả hoạt động của toàn ngân hàng. Đặc biệt, khi mạng lưới của ngân hàng trở nên lớn và phức tạp hơn, việc tối ưu hoá dòng tiền cho các ATM trở nên thành một yếu tố quan trọng nhằm cải thiện dòng tiền (hay chính là dòng tiền rảnh rỗi – idle cash), giảm chi phí hoạt động và mang những dịch vụ chất lượng cao đến những khách hàng.

Dễ dàng nhận thấy, lượng tiền rảnh rỗi (idle cash) tại các máy giao dịch tự động ATM được coi như là một trong những chi phí của ATM, do lượng tiền này sẽ không thể tạo ra lợi nhuận thêm, ví dụ như lãi suât hàng ngày. Thêm vào đó, việc luân chuyển tiền mặt từ ngân hàng tới các địa điểm ATM được đảm nhận bởi các công ty vận chuyển tiền mặt (CIT – Cash in transit), do đó bao gồm các chi phí như: chi phí logistics, chi phí nhân công. Tóm lại, thực tế cho thấy, hoạt động của một ATM sẽ cố gắng giải quyết hai bài toán tại một điểm cân bằng, đó là tối thiểu hoá lượng tiền nhàn rỗi và chi phí logistics, trong khi vẫn đảm bảo cung cấp những dịch vụ tốt nhất đến khách hàng của mình.

A typical case

Ngân hàng SeAbank thực hiện phân tích và dự báo lượng tiền mặt được rút ra tại các địa điểm ATMs thuộc hệ thống (khoảng 100 ATMs phân bố tại Hà Nội và một số quận/ huyện xung quanh):

Lượng tiền mặt được rút hàng ngày tại 100 ATMs ( 1/1/2018 - 31/8/2018) theo thống kê:

Nhìn chung, những phương pháp được sử dụng để dự  báo nhu cầu tiền mặt có thể được chia thành 4 nhóm như sau:

•      Phương pháp dự báo chuỗi thời gian, dự báo nhu cầu tiền mặt trong tương lai dựa trên những dữ liệu trong quá khứ.
•     Phương pháp phân tích các nhân tố, dựa trên việc xác định hàng loạt các nhân tố ảnh hưởng đến nhu cầu tiền mặt và tính toán độ tương quan của nó với lượng rút tiền mặt thực tế. Trong phương pháp này, các mô hình kinh tế lượng có thể được sử dụng.
•     Phương pháp tiếp cận hệ chuyên gia mở (fuzzy expert system) nhằm mô phỏng những hành vi của khách hàng. Ý tưởng ở đây là giảm những suy nghĩ mang tính chất tương tự sau những dự báo trực quan nhằm cải thiện những bước logic.
•     Cách tiếp cận machine learning nhằm định vị rõ ràng mối quan hệ giữa hàng loạt các nhân tố tác động đến việc rút tiền mặt và lượng rút tiền mặt thực tế.

Đội ngũ phân tích BI của SeAbank đã sử dụng phương pháp dự báo chuỗi thời gian kết hợp với kỹ thuật deep learning trong machine learning nhằm phân tích, dự báo lượng rút tiền mặt của khách hàng năm 2018. Kết quả như sau:

Kết quả dự báo chi tiết:

Lượng nhu cầu tiền mặt và dự báo trong 15 ngày liên tiếp:

Conclusion

Forecasting daily cash demand in ATMs is difficult due to unpredictability of withdrawals. Therefore, finding the best match between cash stock and demand becomes crucial to improve. This BI Team presented a deep learning appproach aimed at searching optimal strategies to refill ATM cash stocks to meet non-stationary of cash demand. Such a system will help the bank for proper and efficient cash management and can be scaled for all branches of a bank by incorporating historical data from these branches.

The predicted daily cash demand derived from our approach showed good results and proved that this approach is feasible in suggesting reliable rules able to improve historical cash management. However, there are other factors like festival period and market activities that unpredictively influence cash demand and if these are quantified and included as influencing variables, the result will improve with lesser error. The future work will be directed on implementing coordinated route planning technique for reducing the ATM network’s management costs and build an adaptive ATM cash management and support system.

#Business Intelligence, Finance and Banking, chidungkt