銀行每年都需要巨大投入來維持各項業務的營運，如何有效提高銀行營運效率，降低營運成本一直是銀行追求的一個重要目标。目前銀行很多業務營運還是靠具體負責人憑經驗及直覺“拍腦袋”做決策，通過大資料分析可以從資料中發現營運規律，為營運優化提供決策基礎。本文将以大資料技術優化atm營運的幾個應用為例來說明大資料如何優化營運效率，降低營運成本。
1. 大資料技術優化atm營運
1) atm配置(位置及類型)優化
通過對atm機器的日志資料進行一些簡單統計分析，就可以幫助改進atm的配置以更好的服務客戶，提升服務品質及降低成本。如圖一所示，通過對atm曆史交易量做一個統計并以柱狀圖展示出來，我們可以發現，有些atm的使用量很低(例如圖中atm15的使用量差不多隻有atm1的一半)。說明有些atm的位置擺放并不合理。結合atm的地理位置資訊，我們可以對使用量低atm進行重新選址與布局，提高使用效率，降低銀行成本。
圖一. atm交易次數統計
對于圖一中的交易分析，如果我們分析的粒度更細一些，例如對每台atm機器的交易記錄按交易類型進行統計分析，我們可以得到如圖二的交易類型的分布圖。通過餅圖展示可以發現，左圖顯示的atm2各類型交易分布比較平均，但右圖顯示的atm5主要隻包括4種交易類型，其中存款交易特别少，可以說明此atm附近人群存款業務需求較少，這台存取一體機可以用一台取款機代替，進而減低銀行成本。
圖二. atm交易類型分析
2) 優化atm菜單，減少等待時間
另外，減少atm排隊的等待時間是提高客戶滿意度及忠誠度的一項有效措施。通過分析atm日志記錄，我們可以了解客戶使用atm機器的菜單路徑以及了解他們在哪些操作上花費較長時間，是以可以利用資料分析結果來優化atm菜單設計和縮短菜單路徑，提高使用者操作效率。例如，如今大部分atm都有快捷取錢(fastcash)的功能，但快捷取錢的金額設計也許和實際需求并不相符，通過資料統計分析我們可以了解最常用的取錢金額，優化菜單。另外，也可以基于資料分析結果提供個性化菜單以滿足不同使用者群體的需求。
圖三. atm fast cash功能執行個體
3) atm現金需求量預測
除了對atm資料進行如1，2的統計分析來支援營運優化外，我們還可以通過對資料進行深度挖掘和建構機器學習模型來優化營運。例如，atm的現金管理是銀行一個非常重要的營運管理部分，它直接影響到銀行業務的正常營運和利潤。atm存放過多的現鈔對銀行來說是營運成本，但若存放過少的現鈔又容易出現空鈔現象，降低了服務品質和需要頻繁加鈔進而增加運鈔車的營運成本。
通過對現鈔需求量進行提前預測可以實作按需加鈔，減低銀行成本。但現鈔需求量具有較大的不确定性，和很多因素有關。以時間因素為例(如圖四所示)，atm取款操作在節假日前及周末達到峰值，在進行atm現金需求預測時需要進行時間序列分析，從資料中發掘出周規律，月規律及節假日規律等等。要想得到準确的預測現金需求量，需要綜合考慮多種可能相關因素和建構複雜的機器學習模型。
圖四. atm取款金額時間序列
4) atm預測性維修
大資料分析在atm資料上另外的一個重要應用是進行預測性維修。atm當機不僅會給銀行帶來業務損失，而且會給使用者帶來壞的印象和降低使用者忠誠度。
圖五 atm當機執行個體
目前大部分銀行對于atm的維修還是采用傳統的break-fix方式，即如圖六中虛線下部分所示，都是先發生故障然後進行維修。而通過基于曆史atm資料建構機器學習模型，我們實作預測性維修(predict-and-prevent)，對atm是否當機進行提前預測，然後安排在非繁忙時間進行維修，進而避免由維修帶來的業務損失和提高使用者滿意度。
圖六. atm 預測性維修架構
2. 營運優化落地案例
1) 新加坡星展銀行[1]
星展銀行能夠将有用的atm使用資料及客戶行為資料轉化為日常執行計劃，有助于銀行制定出最佳方案，安排在繁忙時段安排加鈔。通過使用新的解決方案，機器缺鈔現象減少了80%(即空鈔atm機)，節省了3萬多小時的客戶等待時間，留在銀行的現鈔減少了40%， 所需運鈔安排減少了20%。
2) 澳洲某銀行利用大資料優化網點布局[2]
該行結合銀行内部資料(包括現有網點分布和業績狀況等)和外部資料(如各個地區的人口數量，人口結構，收入水準等)，對350個區域進行了評估，優化銀行網點布局。
3) 民生銀行[3]
民生銀行利用大資料分析支撐網點選擇及進行atm現金管理。
4) 國外某商業銀行
該行基于atm資料分析對atm機器進行預測性維修，有效減少當機時間。
結語
通過資料分析來輔助和支撐營運優化決策，可以避免自上到下的“拍腦袋”決策和有效提高營運效率，降低營運成本。
本文作者：佚名
來源：51cto