ارائه مدل بهينه ساز هزينه هاي كنترل موجودي دستگاه هاي خودپرداز شهر تهران

Providing an optimization model of inventory control costs in Tehran ATMs

ازآنجا كه مديريت هزينه ها يكي از مهمترين وظايف سازمان ها هستند ، مديريت هزينه هاي سيستم كنترل موجودي دستگاه هاي خود پرداز نيز يكي از اساسي ترين وظايف بانكها بشمار ميروند. اين مقاله به دنبال ارائه مدلي پويا و بهينه براي كنترل هزينه هاي موجودي دستگاه هاي خودپرداز، با توجه به شرايط زماني و مكاني هر دستگاه ميباشد .بنابر اين از داده هاي كل جامعه آماري، مربوط به بانك متبوع در شهر تهران كه شامل 368 دستگاه خودپرداز مي گردد استفاده شد . بررسي رفتار دستگاه ها در بازه زماني سه ماهه در سال 1396 انجام شده است. اين مدل با خوشه بندي داده هاي آماري در ابعاد زماني و مكاني موفق به يادگيري الگوي موجود در كلان داده ها شده و بر همين مبنا درخت تصميم ارائه شده قادر به پيش بيني تعداد مراجعه كننده به هر دستگاه مي باشد . سپس با استفاده از تابع هزينه ها براي سناريوهاي بدست آمده هزينه هاي سيستم مشخص ميگردند.هزينه ي كل سيستم شامل مجموع هزينه هاي نگهداري پول ، كمبود پول و سفارش دهي پول براي هر دستگاه ميباشد . در نهايت با ارائه الگوي بهينه سازي شده كنترل موجودي براي هر سناريو، هزينه هاي كل سيستم به طور ميانگين 16/5 درصد ، يعني به مقدار 38 ميليون تومان در ماه كاهش پيدا مي كند.

Since cost management is one of the most important tasks of organizations, cost management of inventory control system of ATMs is also one of the most basic tasks of banks. This article seeks to provide a dynamic and optimal model for controlling inventory costs of ATMs, according to the time and place of each device. Therefore, all data, related to the relevant bank in Tehran, which includes 368 ATMs, was used. Investigating the behavior of devices in the three-month period in 1396 has been done. This model has succeeded in learning the existing pattern in big data by clustering statistical data in place and time dimensions, and based on this, the proposed decision tree is able to predict the number of customers to each device. Then, using the cost function for the obtained scenarios, the system costs are determined. The total cost of the system includes the total hold cost of money, shortage cost and orderig cost for each device. Finally, by providing an optimized inventory control model for each scenario, the total system costs are reduced by an average of 16.5 percent, or 38 million tomans per month.