برآورد یک سیستم چند متغیره تصادفی با استفاده از روش‌های داده‌کاوی (مطالعه موردی: وجه نقد مورد نیاز شعب بانک تجارت)

در ‌حال حاضر، بانک‌ها به صورت روزانه با چالش کفایت وجه‌ نقد جهت پاسخگویی به مشتریان و نیز عدم تمایل به افزایش هزینه‌های ناشی از نقل و انتقال مازاد وجه‌ نقد شعبه مواجه هستند. به همین علت، موضوع برآورد مانده وجه‌ نقد صندوق شعب -با توجه به عملیات روزانه آن- که به عنوان یک سامانه چند متغیره محسوب می‌شود، از موارد با اهمیت در حوزه بانکداری بشمار می‌آید.‌ در ‌این ‌راستا، ‌استفاده از روش‌های داده‌کاوی و به ‌خصوص روش‌های خوشه‌بندی و شبکه ‌‌‌عصبی‌ می‌تواند به افزایش دقت برآورد پارامتر وجه‌ نقد مورد نیاز شعب کمک کند. شبکه‌های‌ عصبی از لحاظ انعطاف‌پذیری، غیرخطی بودن‌، تحمل بیشتر نوفه‌ها و نیز وابسته نبودن به فرضیه‌های اولیه درباره داده‌های ورودی در این زمینه حائز اهمیت هستند. در این مقاله، 20 شعبه بانک تجارت در بازه زمانی 1/2/93 تا 31/6/93 با توجه به تنوع بین شعب از لحاظ درجه شعبه، نوع شعبه از لحاظ سپرده‌ای یا تسهیلاتی، تعداد دستگاه خودپرداز در شعبه،‌ شعبه کشیک/ غیرکشیک‌ در خوشه‌های متشابه دسته‌بندی شده، سپس با در نظر ‌گرفتن نتایج حاصل از خوشه‌بندی و متغیرهای مرتبط با وجه‌ نقد شعبه شامل متغیرهای تقویمی مانند روزهای هفته،‌ روزهای پرداخت حقوق/ ‌واریز ‌یارانه/ واریز ‌سود سپرده‌ها، روزهای تعطیل و مناسبت‌های رسمی و نیز متغیر میزان وجه نقد مصرفی دستگاه خودپرداز شعبه، ساختار مناسب شبکه‌ عصبی برای برآورد وجه‌ نقد شعب از طریق معیارهای خطا، تعیین شده و وجه نقد شعب در خوشه‌های مختلف برآورد می‌شود. نتایج تحقیق نشان می‌دهد شبکه‌ عصبی با لحاظ نتایج خوشه‌بندی با میانگین قدر مطلق خطای 5 درصد می‌تواند عملکرد خوبی جهت برآورد وجه‌ نقد شعب در خوشه‌های مختلف ارائه دهد.