مدیریت هوشمند وجه نقد در دستگاه های بازیافت وجه (Cash Recycler): از آستانه ثابت تا پیش بینی تقاضا

مدیریت هوشمند وجه نقد در دستگاه های بازیافت وجه (Cash Recycler): از آستانه ثابت تا پیش بینی تقاضا

دستگاه بازیافت وجه (Cash Recycler) وجه نقدی را که مشتری واریز می کند، پس از بررسی اصالت و شمارش، دوباره برای برداشت در اختیار مشتری بعدی می گذارد. همین چرخه بسته، در ظاهر هزینه حمل پول و نیاز به تغذیه مداوم را کم می کند، اما اگر سطح وجه نقد یا ترکیب اسکناس ها درست تنظیم نشده باشد، به مشکل تبدیل می شود: دستگاه در ساعت اوج مراجعه وجه ندارد، یا کاست واریز پر می شود و واریز را نمی پذیرد، یا اسکناس پرمصرف تمام می شود در حالی که اسکناس کم مصرف مانده است. روش سنتی مقابله با این وضعیت، آستانه های ثابت و برنامه ثابت حمل پول (Cash-in-Transit) بر پایه تجربه مسئول شعبه است؛ روشی که در روزهای پرداخت حقوق و تعطیلات، که الگوی مراجعه ناگهان تغییر می کند، به خوبی جواب نمی دهد و نتیجه آن سفرهای اضافی حمل پول یا وجه راکد در دستگاه است.

راهکار عملی، پیش بینی تقاضای وجه نقد برای هر دستگاه به صورت جداگانه با مدل های سری زمانی (Time Series) و یادگیری ماشین (Machine Learning) است. ورودی این مدل ها، تاریخچه برداشت و واریز همان دستگاه، روز هفته، روزهای پرداخت حقوق، تعطیلات و ترکیب اسکناس های پرمصرف است؛ خروجی آن، بازه پیش بینی شده نیاز روزانه و ترکیب بهینه اسکناس برای آن دستگاه است. با این خروجی، آستانه ثابت جای خود را به آستانه پویا می دهد: دستگاه در آستانه روزهای پرمراجعه زودتر تغذیه می شود و دستگاهی که واریزش رو به افزایش است، زودتر تخلیه می شود. در کنار پیش بینی، مدل های تشخیص ناهنجاری (Anomaly Detection) می توانند برداشت یا واریز غیرعادی را پیش از اتمام وجه یا توقف خدمت علامت بزنند. خروجی نهایی نباید یک عدد خام باشد، بلکه دستور عملیاتی اولویت بندی شده است: کدام دستگاه، چه زمانی، با چه مبلغی و چه ترکیبی از اسکناس نیاز به تغذیه یا تخلیه دارد.

نکته استراتژیک اینجاست که مدیریت وجه نقد، توازن میان سه هدف است: دسترس پذیری خدمت، هزینه و ریسک حمل پول، و پرهیز از وجه راکد. توصیه عملی، آغاز با یک پایلوت محدود روی چند دستگاه پرتردد و سنجش چهار شاخص «نرخ اتمام وجه»، «تعداد سفرهای حمل پول»، «میزان وجه راکد» و «نرخ رد واریز به علت پر شدن کاست» است، پیش از تعمیم مدل به کل شبکه. محدودیت مهم نیز باید گفته شود: دقت پیش بینی به کیفیت داده های تاریخی وابسته است و رویدادهای کاملا ناگهانی را به طور کامل پوشش نمی دهد؛ بنابراین تصمیم نهایی با انسان است. در این معماری، هوش مصنوعی جایگزین قضاوت مسئول شعبه نمی شود، بلکه حدس او را با پیش بینی مبتنی بر داده هر دستگاه جایگزین می کند.

کلیدواژه ها: مدیریت وجه نقد، دستگاه بازیافت وجه، پیش بینی تقاضا، بانکداری دیجیتال، یادگیری ماشین

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی