Data Explorer Kft. Üzletágvezető

Az előadások a következő témára: "Data Explorer Kft. Üzletágvezető"— Előadás másolata:

1 Data Explorer Kft. Üzletágvezető Gabor.Benedek@dataexplorer.hu
Magyarországi ATM-ek elemzése az SPSS Clementine segítségével, az Apolló töltésoptimalizáló rendszer fejlesztése során III. SPSS – Adatbányászati és adatelemzési Konferencia, Corinthia Aquincum Hotel Budapest Halaj László OTP Bank Rt. Készpénzforgalmi és Értékkezelési Osztály Főosztályvezető Szűcs István Hewlett-Packard Magyarország Kft. Készpénzkészlet Optimalizáció Vezető szakértő Dr. Benedek Gábor Data Explorer Kft. Üzletágvezető

2 I. RÉSZ Üzleti igények az Apolló fejlesztésének hátterében
Halaj László OTP Bank Rt. Készpénzforgalmi és Értékkezelési Osztály Főosztályvezető Szűcs István Hewlett-Packard Magyarország Kft. Készpénzkészlet Optimalizáció Vezető szakértő Dr. Benedek Gábor Data Explorer Kft. Üzletágvezető

3 Milyen nehézségeket okoz az ATM gépek készpénzellátása?
Több mint 1500 ATM, 200 mrd Ft/hó ügyfélforgalom Üzemeltetők különbözősége (fiók, külső szolgáltató) Túlságosan magas készlet kamatveszteség ATM-ben Háttérállomány Túlságosan sok dologi költség Fix összegű Betöltött/ürített összeggel arányos, ezrelékes Pénzfogyás miatti állás Ügyfélpanasz, bevételkiesés Optimalizálási korlátok megtalálása

4 Elvárások a rendszerrel szemben
Készpénzgazdálkodási hatékonyság javítása Alkalmazkodás a bank IT és logisztikai sajátosságaihoz Az automatizmus és a többlépcsős ügyintézői beavatkozás egyszerre történő biztosítása Optimális töltési szintek meghatározása Pénzfogyás nélküli költségminimalizálás (eltérő költségelemek) Üzemeltetési sajátosságok figyelembevétele (nappali, éjjeli töltés) Ügyfél és banki igényekhez igazodó címletkiosztás

5 Elvárások a rendszerrel szemben
Töltéskijelölési rendszer biztosítása folyamatos kapcsolat az üzemeltetőkkel Készpénzbeszerzést segítő információk Early warning lista Egyéb, üzemeltetésre kiható információk Számlaellenőrzés az OTP által meghatározott módon került-e töltésre a gép? Elemzéshez és döntéstámogatáshoz szükséges statisztikai adatok Hosszú távú tervezés támogatása

6 5-10 %-os költségcsökkentés
Eredmények 5-10 %-os költségcsökkentés Háttér logisztikai rendszer racionalizálódása ATM készpénzmenedzselés centralizálása Az Apolló Készpénzforgalmi Optimalizációs rendszer elnyerte a 2005-ös IT-Business Leadership Award-ot. A díjat a szaklap a hazai üzleti élet olyan szereplőinek szánja, akik példaértékű, innovatív informatikai megoldásokat hoznak létre. A pályázaton olyan kiemelkedő megoldásokat díjaztak, amelyek költséghatékony módon, jelentősen megkönnyítették egy-egy vállalkozás munkafolyamatait, mindennapi működését, és ezáltal követendő például szolgálhatnak minden piaci szereplő számára.

7 Data Explorer Kft. Üzletágvezető Gabor.Benedek@dataexplorer.hu
II. RÉSZ Az Apolló rendszer megvalósítása integrálás, működés, hatékonyság Halaj László OTP Bank Rt. Készpénzforgalmi és Értékkezelési Osztály Főosztályvezető Szűcs István Hewlett-Packard Magyarország Kft. Készpénzkészlet Optimalizáció Vezető szakértő Dr. Benedek Gábor Data Explorer Kft. Üzletágvezető

8 Statisztikai rendszer
Megoldás elemei Keretrendszer Integráció az adatforrásokhoz Operatív döntéstámogató rendszer (melyik ATM-et mikor milyen szintre töltsük) Vezetői információs rendszer Tervező rendszer (költség, forgalom, készlet) Számlaellenőrzés Statisztikai rendszer Napi forgalom előrejelzés Költség optimalizáció Hosszú távú előrejelzés (költség, forgalom, készlet)

9 A rendszer által támogatott legfontosabb feladatok:
III. rész Előrejelzés Költség-optimalizáció Operatív tervezés Kontroll Elemzés Hosszútávú tervezés támogatás

10 Költség optimalizáció
Előrejelzések készítése -> Készpénz szükséglet Minden lehetséges megoldás megkeresése Dologi + kamatköltség kiszámítása Minimális költségigényű megoldás kiválasztása Javasolt feltöltési lista, ATM készpénz szint meghatározása

11 ATM Adatlap

12 A rendszer kijelöli az általa feltöltésre javasolt ATM-eket
Operatív tervezés A rendszer kijelöli az általa feltöltésre javasolt ATM-eket A készpénzforgalmi terület jóváhagyja, vagy módosítja a feltöltendő ATM-ek listáját Interaktív töltéskijelölés: A feltöltést végzők javaslatot tesznek a feltöltendő ATM-ekre, a rendszer támogatja a töltési listák eltérésének egyeztetését Utasítások kommunikálása A feltöltést végzők utasítást kapnak a kijelölt ATM-ek feltöltésére, illetve a következő napi töltésre való felkészülésre (készpénz rendelés)

13 Töltéskijelölés

14 Kontroll A rendszer eltárolja a töltési utasításokat
Szolgáltató feladja az elektronikus számlát Tartalma: Felkeresések, töltések, ürítések ATM azonosító, dátum, felkeresés típusa, (összeg) Számlatételek validálása Automatikus visszautasítások Minőségi mutatók: ATM pénzfogyás miatti állás % Nem kért, vagy kért de nem teljesített felkeresés Kézi rögzítések A hónap során a fiók és a KÉO megállapodhat az optimalizáció eredményétől való eltérésől A számlatételek elfogadása, vagy visszautasítását a felhasználó felülbírálhatja A végső megállapodás rögzíthető Költség tényadatok felhasználása Terv tény összehasonlításhoz Következő évi tervezéshez

15 Visszautasítási szabály

16 A felhasználók ad-hoc elemzést végezhetnek a következő mutatókon
Forgalom Készpénzállomány Hatékonysági mutatók Költségadatok A felhasználók jelentéseket definiálhatnak. A mögöttes adatokat a rendszer automatikusan frissíti. Az adatokat a felhasználók szűrhetik, megbonthatják a definiált hierarchiák alapján, illetve grafikusan is megjeleníthetik

17 Forgalmi tény előrejelzés összehasonlítása

18 Hosszú távú tervezés támogatás
Költség, átlagállomány terv készül Egy tervváltozat létrehozása: A tervező megadja a várható fajlagos költségértékeket és kamatlábakat A rendszer előrejelzi a forgalmat és kiszámítja a várható készlet és költségértékeket Újabb tervváltozat jön létre Idővel, az új tényadatok alapján A várható költségparaméterek megváltoztatása esetén

19 Terv forgalom

20 Architektúra Fiók, szolgáltató felhasználók Autorizáció
KÉO felhasználók ATM Státusz Tranzakciós adatok Készpénz szintek Könyvelési adatok Előrejelzés, optimalizációí

21 Technológia 100% webes felületek Platform független PL/SQL motor és Java frontend Oracle adatbázsikezelő/Oracle Discoverer MIS Elemző eszköz: SPSS Clementine

22 III. RÉSZ ATM forgalmi adatok elemzése előrejelzés, szegmentálás
Halaj László OTP Bank Rt. Készpénzforgalmi és Értékkezelési Osztály Főosztályvezető Szűcs István Hewlett-Packard Magyarország Kft. Készpénzkészlet Optimalizáció Vezető szakértő Dr. Benedek Gábor Data Explorer Kft. Üzletágvezető

23 Izgalmas kihívások Hogyan jelezzük előre az ATM-ek jövőbeli forgalmát? Milyen forgalmak jellemzők az egyes napszakokban? Milyen szegmensekre bonthatók a hazai ATM-ek? Milyen forgalom várható egy újonnan telepített ATM-től? Hova tegyünk pénzjegy automatát?

24 Az analitikai modulok kapcsolatai
Előrejelző modul Kalkulációs modul ATM törzs Naptárak TDF Aktuális címletezés Töltési szintek Töltés optimalizáló modul Hogyan jelezzük előre az ATM-ek forgalmát? Címletezés optimalizáló modul ATM töltési javaslat +árnyékár T+2 töltési szint T és T+1 töltés

25 Deviáns napok az ATM-ek életében
FOK DEVIANCIA DEFINÍCIÓ 4 HIBÁS ATM A nap szignifikáns részében az ATM üzemen kívül volt LEFOGYOTT A nap szignifikáns részében az ATM összes üzemben lévő kazettája lefogyott állapotban volt. 3 HIBÁS TÁRS Az ATM melletti OTP-s ATM HIBÁS vagy LEFOGYOTT állapotban volt IDEGENROHAM Az ATM-ről a szokásos mértéket mind arányaiban mind összegben jelentősen meghaladó összeget vettek fel nem OTP-s bankkártyával 2 KISCÍMLETES A nap szignifikáns részében az ATM csak 1000 Forintos címlet kiadására volt képes NAGYCÍMLETES A nap szignifikáns részében az ATM nél kisebb címlet kiadására nem volt képes 1 CÍMLET-FOGYÁSOS A nap szignifikáns részében az ATM valamely üzemben lévő kazettája lefogyott

26 A dekompozíció módszere
Dekompozíciós képlet Forgalom = Trend × Ihónap × Imunkanap × Ihétnapja × Ifiz.&havinap ahol: Forgalom napi készpénzforgalom Trend átlagos napi készpénzforgalom a hosszú távú trendből Ihónap hónap-index – éven belüli szezonalitás Imunkanap munka- és szünnapok viszonyának szétválasztásához decemberben és az év többi részében Ihétnapja hét napja index – hét funkcionális napja szerint Ifiz.&havinap fizetési napok és környékük, illetve a hónap napjai – hónapon belüli ingadozás

27 A trend A modell belső inputja: a trend Trend = f (MA)

28 A naptárak …December… A modell legfontosabb külső inputjai: a naptárak
Alapnaptár Fizetési naptár Deviancia naptár 4 Csütörtök Fiz. előtti nap  OK 5 Péntek Fizetési nap 6 Szombat Normál 6-a  Hibás a társ-ATM 7 Vasárnap Elméleti fiz. nap  LEFOGYOTT 8 Hétfő Fiz. utáni nap 9 Kedd Normál 9-e Minden ATM ATM: Fiz.nap: 7 ATM-enként …December…

29 A dekompozíció módszere
Becs0 = Trend (MA) Hónap-indexek január 81% február 94% március 97% április 105% május 102% június 103% július 101% augusztus 107% szeptember október november december 117%

30 A dekompozíció módszere
Becs1 = Trend × Ihónap Munkanap indexek Munkanap 117% Munkaszünet 63%

31 A dekompozíció módszere
Becs2 = Trend × Ihónap × Im.nap Heti nap indexek SZOMBAT 134% VASARNAP 74% HETFO_RHU 99% KEDD 92% SZERDA 91% CSUTORTOK 97% PENTEK_RHE 119% UNNEPNAP 53%

32 A dekompozíció módszere
Becs3 = Trend × Ihónap × Im.nap × Ihétnapja Havi nap indexek N_29 81% FIZ2_E_NAP 140% N_01 116% N_02 131% FIZ2_NAP 154% FIZ2_U_NAP 111% N_05 N_06 109% FIZ1_E_NAP N_08 127% N_09 133% FIZ1_NAP 156% FIZ1_U_NAP 124% N_12 123%

33 A dekompozíció módszere
Becs4 = Trend × Ihónap × Im.nap × Ihétnapja × Ifiz.&havinap Deviáns napok: C ímletfogyás H ibás ATM L efogyás I degenroham

34 Az illeszkedés pontossága
A deviáns napok az előzetes várakozásoknak megfelelően jelentősen torzítanák a modelleket Dev. foka Deviancia típusa Napok gyakorisága Átlagos abszolút hiba Átlagos torzítás Alacsony extrém napok Magas extrém napok Extrém napok összesen Normál *** 18.1% 1.3% 3.2% 4.2% 7.4% 1 Címletfogyásos 19.4% -0.2% 2.6% 5.5% 8.1% 2 Nagycímletes 24.0% +9.9% 6.2% 3.7% 9.9% Kiscímletes 35.7% +17.3% 14.1% 5.1% 19.2% 3 Hibás társ ATM 22.7% –10.7% 14.6% 17.2% Idegenroham 20.3% –13.5% 0.2% 17.0% 4 Lefogyott 53.1% +38.0% 33.9% 3.9% 37.9% Hibás ATM 82.6% +73.9% 42.8% 1.5% 44.3% A modellek átlagos R2-e 80%, készpénzfelvételi szokásaink sajnos véletlen-szerűek és instabilak.

35 Az analitikai modulok kapcsolatai
Előrejelző modul Kalkulációs modul ATM törzs Naptárak TDF Aktuális címletezés Töltési szintek Töltés optimalizáló modul Milyen for-galmak jel-lemzők egyes napszakokra? Címletezés optimalizáló modul ATM töltési javaslat +árnyékár T+2 töltési szint T és T+1 töltés

36 Napi forgalomarányok szegmentálása
00-05 05-08 08-12 12-15 15-19 19-00 Óra-kategóriák

37 Végső forgalmi szegmensek

38 Forgalmi szegmensbekerülési előrejelzés
Egy egyszerű, nap típusokat és ATM-eket figyelembevevő statikus modell az üzleti alkalmazáshoz elegendő pontosságú eredményt adott!

39 Az analitikai modulok kapcsolatai
Előrejelző modul Kalkulációs modul ATM törzs Naptárak TDF Aktuális címletezés Töltési szintek Töltés optimalizáló modul Milyen szegmen-sekre bonthatók a hazai ATM-ek? Címletezés optimalizáló modul ATM töltési javaslat +árnyékár T+2 töltési szint T és T+1 töltés

40 Szegmentálás alapja Napi forgalmi adatok
ATM demográfiai adatok (pl.: régió, név, üzemeltető) Előrejelző modell (pl.: koeffíciensek, pontosság) Mindezek együtt

41 ATM szegmensek – települések szerint

42 ATM szegmensek – G4/fióki

43 Jellegzetes viselkedésű ATM?
Új ATM-ek besorolása Nyári szezonú Erőteljes nyári forgalomnövekedés Új ATM Hipermarket- bevásárlóközpont Nagy, egyenletes forgalom hétvégén is Jellegzetes viselkedésű ATM? Hétvégén zárt Fizetéses jellegű gép? OTP fióki ATM? Három műszakos Min. 3x fizetéskori forg.növekedés, amit hétvégén is felvesznek Nem kizárólag Fizetéses jellegű 2-3x fizetéskori forg.növekedés. Nagyon erősen fizetéses Min. 3x fizetéskori forg.növ. Nagy forgalmú x millió napi forg. felett Közepes és kis forgalom x millió napi forg. alatt Hivatali jellegű ATM? Felsőoktatás Kis forgalom, kis összegű felvétek, nyári szünet Hivatal és önkormányzat Közepes forgalom nagy változékonysággal, nagyobb tranzakciókkal Kórház Nagyobb forgalom kisebb tranzakciókból, átl. 2x-es fizetéskori forgalomnövekedés Pályaudvar, állomás Közepesen nagy forgalom, sok kis tranzakció Utcai ATM Közepes, de változékony forgalom, átlagos viselkedés

44 Jellegzetes hipermarket ATM
Jellegzetességek Magas forgalom Viszonylag pontatlan becslés Általában munkaidő után, vagy folyamatos forgalom, kivétel … Nincs szezonalitás, de decem-ber magas, január alacsony Nincs jelentős forgalmi különbség munkanap és hétvége között Nem jellemző a fizetésnap környéki roham Index 1 Index 2

45 Hova telepítsünk ATM-et?
Van-e összefüggés egy ATM napi átlagos forgalma és az ATM környezete között? Függő változó: ATM napi átlagos forgalma Független változók: Település adatok (vállalkozások, fizetések, lakásállomány) Népesség adatok (irányítószám szinten) POIX adatok ( méteres sugarú környezetben található objektumok száma, pl.: étterem, benzinkút, más bank, stb.) Módszer: egyszerű lineáris regresszió

46 25.000 főnél nagyobb települések fióki ATM modellje
Eredmények Valós forgalom Becsült forgalom főnél nagyobb települések fióki ATM modellje

47 Modellbe bevont változók száma: 8 darab Modell illeszkedés (R2): 66%
Eredmények Modellbe bevont változók száma: 8 darab Modell illeszkedés (R2): 66% Modell szignifikancia (ANOVA p): 0% Koeffíciensek Város népessége (+) Utazási irodák (-) Kompetítor bankfiókok (+) Könyvtárak (-) Gyorséttermek (+) Lottózók (+) Plázák (-) Posták (-)

48 Data Explorer Kft. Üzletágvezető Gabor.Benedek@dataexplorer.hu
Köszönjük a figyelmet! Várjuk kérdéseiket! III. SPSS – Adatbányászati és adatelemzési Konferencia, Corinthia Aquincum Hotel Budapest Halaj László OTP Bank Rt. Készpénzforgalmi és Értékkezelési Osztály Főosztályvezető Szűcs István Hewlett-Packard Magyarország Kft. Készpénzkészlet Optimalizáció Vezető szakértő Dr. Benedek Gábor Data Explorer Kft. Üzletágvezető