銀行每年都需要巨大投入來維持各項業務的運營，如何有效提高銀行運營效率，降低運營成本一直是銀行追求的乙個重要目標。當前銀行很多業務運營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運營規律，為運營優化提供決策基礎。本文將以大資料技術優化atm運營的幾個應用為例來說明大資料如何優化運營效率，降低運營成本。
1. 大資料技術優化atm運營
1) atm配置(位置及型別)優化
通過對atm機器的日誌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，提公升服務質量及降低成本。如圖一所示，通過對atm歷史交易量做乙個統計並以柱狀圖展示出來，我們可以發現，有些atm的使用量很低(例如圖中atm15的使用量差不多只有atm1的一半)。說明有些atm的位置擺放並不合理。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
對於圖一中的交易分析，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型別進行統計分析，我們可以得到如圖二的交易型別的分布圖。通過餅圖展示可以發現，左圖顯示的atm2各型別交易分布比較平均，但右圖顯示的atm5主要只包括4種交易型別，其中存款交易特別少，可以說明此atm附近人群存款業務需求較少，這台訪問一體機可以用一台取款機代替，從而減低銀行成本。
圖二. atm交易型別分析
2) 優化atm選單，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日誌記錄，我們可以了解客戶使用atm機器的選單路徑以及了解他們在哪些操作上花費較長時間，因此可以利用資料分析結果來優化atm選單設計和縮短選單路徑，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並不相符，通過資料統計分析我們可以了解最常用的取錢金額，優化選單。另外，也可以基於資料分析結果提供個性化選單以滿足不同使用者群體的需求。
圖三. atm fast cash功能例項
3) atm現金需求量**
除了對atm資料進行如1，2的統計分析來支援運營優化外，我們還可以通過對資料進行深度挖掘和構建機器學習模型來優化運營。例如，atm的現金管理是銀行乙個非常重要的運營管理部分，它直接影響到銀行業務的正常運營和利潤。atm存放過多的現鈔對銀行來說是運營成本，但若存放過少的現鈔又容易出現空鈔現象，降低了服務質量和需要頻繁加鈔從而增加運鈔車的運營成本。
通過對現鈔需求量進行提前**可以實現按需加鈔，減低銀行成本。但現鈔需求量具有較大的不確定性，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週末達到峰值，在進行atm現金需求**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。要想得到準確的**現金需求量，需要綜合考慮多種可能相關因素和構建複雜的機器學習模型。
圖四. atm取款金額時間序列
4) atm**性維修
大資料分析在atm資料上另外的乙個重要應用是進行**性維修。atm宕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宕機例項
目前大部分銀行對於atm的維修還是採用傳統的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。而通過基於歷史atm資料構建機器學習模型，我們實現**性維修(predict-and-prevent)，對atm是否宕機進行提前**，然後安排在非繁忙時間進行維修，從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 **性維修框架
2. 運營優化落地案例
1) 新加坡星展銀行[1]
星展銀行能夠將有用的atm使用資料及客戶行為資料轉化為日常執行計畫，有助於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) 澳大利亞某銀行利用大資料優化網點布局[2]
該行結合銀行內部資料(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，收入水平等)，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
該行基於atm資料分析對atm機器進行**性維修，有效減少宕機時間。
結語
通過資料分析來輔助和支撐運營優化決策，可以避免自上到下的「拍腦袋」決策和有效提高運營效率，降低運營成本。
銀行業大資料變現的三大關鍵
zd至頂網cio與應用頻道 01月18日 北京訊息 文 王聰彬 移動網際網路出現之後，海量的使用者行為資料產生了巨大的價值。從2012年至2015年，大資料一直處於1.0時代，主要應用為大資料的採集 儲存 處理 挖掘 分析等，停留在資料效率問題上。2015年之後，大資料進入以獲取價值為主的2.0時代...
銀行業大資料變現的三大關鍵
移動網際網路出現之後，海量的使用者行為資料產生了巨大的價值。2012年至2015年，大資料始終處於1.0時代，主要應用為大資料的採集 儲存 處理 挖掘 分析等。2015年後，大資料進入以獲取價值為主的2.0時代，即實現大資料變現的價值時代。銀行業是個高度資訊化的行業，從核心的銀行系統到atm取款機，...
大資料在銀行業的應用場景
隨著銀行業務的載體與社交 電子商務的融合越來越緊密，僅對原有15 的結構化資料進行分析已經不能滿足發展的需求。企業需要借助大資料戰略打破資料 邊界，囊括85 的大資料分析，來構建更為全面的企業運營全景檢視。以科技引領業務發展，未來銀行也同樣需要借助由大資料構建的企業經營全景檢視來進行風險管理 產品營...