توسعه یک چارچوب داده محور مبتنی بر تحلیل مکانی و یادگیری ماشین برای پیش بینی تقاضای خدمات و پشتیبانی از بهینه سازی شبکه شعب بانکی

پیشینه و اهداف: تحول دیجیتال در نظام بانکی و گسترش بانکداری الکترونیکی، حجم گسترده ای از داده های تراکنشی، مکانی و اقتصادی-اجتماعی را تولید کرده است که می توانند به عنوان منبعی ارزشمند برای تحلیل رفتار مشتریان، پیش بینی تقاضای خدمات و پشتیبانی از تصمیم گیری های راهبردی مورد استفاده قرار گیرند. با این حال، بهره گیری نظام مند از این داده ها در برنامه ریزی مکانی خدمات بانکی، مکان یابی شعب و تخصیص بهینه منابع در بسیاری از بانک ها همچنان محدود است. از سوی دیگر، توزیع تقاضای خدمات بانکی ماهیتی فضایی داشته و تحت تاثیر عوامل جمعیتی، اقتصادی و مکانی قرار می گیرد؛ ازاین رو، تحلیل این الگوها نیازمند رویکردهایی است که بتوانند اطلاعات مکانی را در کنار داده های تراکنشی و رفتاری پردازش کنند. هدف پژوهش حاضر، توسعه و ارزیابی یک چارچوب یکپارچه مبتنی بر تحلیل مکانی، یادگیری ماشین و روش های تبیین پذیر به منظور پیش بینی تقاضای خدمات بانکی و پشتیبانی از تصمیم گیری های مرتبط با توسعه و بهینه سازی شبکه شعب است.روش ها : پژوهش حاضر به صورت مطالعه موردی بر داده های مشتریان و شعب بانک سپه در استان مرکزی طی سال های ۱۴۰۰ تا ۱۴۰۲ انجام شد. استان مرکزی به دلیل برخورداری از ساختار متنوع شهری، صنعتی، روستایی و خدماتی به عنوان منطقه مطالعه انتخاب گردید. چارچوب پیشنهادی شامل مراحل گردآوری و یکپارچه سازی داده ها، پیش پردازش و مهندسی ویژگی ها، تحلیل و خوشه بندی مکانی تقاضا، مدل سازی پیش بینانه و تبیین نتایج است. در بخش تحلیل فضایی از شاخص موران آی  (Moran’s I)، تحلیل نقاط داغ، خوشه بندی DBSCAN و شاخص های خودهمبستگی محلی استفاده شد. در بخش پیش بینی، عملکرد الگوریتم های Random Forest، XGBoost، LSTM  و شبکه عصبی گراف مکانی-زمانی (ST-GNN) برای پیش بینی تعداد مراجعات ماهانه مشتریان ارزیابی گردید. همچنین به منظور تفسیر نتایج و شناسایی عوامل موثر بر تقاضا، از روش SHAP و تحلیل اهمیت متغیرها بهره گرفته شد.یافته ها: نتایج تحلیل فضایی نشان داد که تقاضای خدمات بانکی دارای ساختار فضایی معنادار بوده و مقدار شاخص موران آی برابر با ۰.۷۱ وجود خودهمبستگی مکانی قوی و تمرکز فضایی تقاضا را تایید می کند. تحلیل خوشه های مکانی نیز تمرکز تقاضا را در برخی شهرستان های استان نشان داد. نتایج مدل سازی بیانگر آن بود که مدل های مبتنی بر درخت بهترین عملکرد را در پیش بینی تعداد مراجعات ماهانه مشتریان ارائه می کنند؛ به گونه ای که مدل Random Forest با ضریب تعیین (R²) برابر با ۰.۹۵ و مدل XGBoost با مقدار ۰.۹۴ دقیق ترین نتایج را تولید کردند. در مقابل، مدل ST-GNN با وجود توانایی مدل سازی روابط مکانی، عملکرد ضعیف تری (R²≈۰.۵۱) نشان داد که می تواند ناشی از محدودیت طول سری زمانی و کمبود داده های زمانی پیوسته باشد. نتایج تحلیل های تبیین پذیر نیز نشان داد که ویژگی های مکانی، اقتصادی–اجتماعی و تراکنشی نقش تعیین کننده ای در شکل گیری الگوهای تقاضای خدمات بانکی دارند.نتیجه گیری: یافته های پژوهش نشان می دهد که ادغام تحلیل مکانی، یادگیری ماشین و روش های تبیین پذیر می تواند چارچوبی موثر برای توسعه سامانه های تصمیم یار در بانکداری هوشمند فراهم کند. چارچوب پیشنهادی علاوه بر بهبود دقت پیش بینی تقاضای خدمات بانکی، امکان شناسایی الگوهای فضایی تقاضا و پشتیبانی از تصمیمات مرتبط با توسعه خدمات دیجیتال، مکان یابی شعب و تخصیص بهینه منابع را فراهم می سازد. محدودیت اصلی پژوهش، کوتاه بودن دوره زمانی داده ها و نبود سری های زمانی بلندمدت بود که امکان ارزیابی کامل مدل های زمانی را محدود کرد. پیشنهاد می شود در پژوهش های آینده از داده های زمانی بلندمدت، داده های بلادرنگ و مدل های پیشرفته مکانی–زمانی برای توسعه سامانه های تصمیم یار بانکداری هوشمند استفاده شود.

کلیدواژه ها:

داده کاوی مکانی ، یادگیری ماشین ، بانکداری هوشمند ، پیش بینی تقاضا ، تبیین پذیری مدل ، شبکه عصبی گراف زمانی-مکانی