案例背景及面临挑战

北京农商银行（下称我行）一直以来都是北京市的现金投放大行，由于现金需求量大，现金备付一直维持在较高水平。能够在满足现金用量的前提下，最大限度科学合理的压降现金备付，节约经营成本，一直是我行在现金管理方面追求的目标。前期我行为提高现金运用效率，通过采取一系列管理措施已取得了明显效果。一是通过加强现金管理，提高了现金内部消化和流转速度，提升了现金综合使用效率。二是通过加强现金备付考核，对压降全行现金库存起到了良好效果。三是通过现金集约化运营，使得现金库存备付管理水平得到明显提升。随着大数据时代的到来，我行希望在加强管理手段的同时，再通过数据分析挖掘这一技术手段双管齐下，进一步实现全行现金备付水平的合理压降。

我行投入运营的ATM近2000台，是重要现金投放渠道之一。为了压降全行ATM现金备付水平，进一步提高现金运用效率，我行首先选取ATM渠道实施了现金管理数据挖掘模型建设项目，运用模型科学合理测算ATM加钞现金用量。模型建成后与金库管理系统实现对接，每日为每台ATM自动生成加钞策略，改变依靠人工经验判断现金用量的方式，在满足ATM设备对外正常服务的同时，有效降低现金备付金额，提高现金使用效率。

在ATM现金管理数据挖掘模型建成并全面投入使用后，在不提高我行经济负担及额外投入的情况下，预期能为我行节约10-20%的ATM备付金，并有效改善ATM服务率。

实施时间

开始时间：2017年1月4日

截止时间：2017年5月31日

应用技术/实施过程

建立模型的整体思路为：先将ATM按照物理位置划分站点，再以ATM站点上一周、上两周、上三周以及上四周的平均存取款金额作为自变量，预测各机具当日、次日的用钞金额，制定科学合理的加钞计划。建模过程中涉及的主要技术及实施过程如下：

3.1 月因素处理

3.1.1 月因素处理方法

不同月份间ATM用钞量存在波动，而通过分析每个站点的年取款变化趋势线来分析取款的月因素，主观因素太强，分析结果也会因人而异。为避免这种情况，采用方差分析的方法进行月因素的分析。

月因素分析的主要对象是取款金额，目前的策略是鉴别出每个月的取款高峰时间段（存在长期且固定的趋势），并对这几日的取款金额进行系数调整。具体流程如下：

对最近一年的原始流水按站点进行每日汇总。并对站点的日汇总数据进行处理，删除节日、调休的数据。

每2天添加一个标记，例如：每月1、2日的记录，flag标记为a；3、4日的记录，flag标记为b，以此类推。最后将月末的29、30、31日的flag统一设置为o。

进行单变量方差分析（PROC ANOVA），对ANOVA输出的结果的MCLines进行处理，找到高峰日在1-2日、3-4日、15-16日以及29-31日的站点，并获取高峰时间段的取款均值和该站点的年日取款均值。

将高峰时间段的取款均值除以该站点的年日均取款额，获得月因素调整系数。

3.1.2 月因素处理案例

采用机具号（new_termid）为1162的机具进行ANOVA过程，部分分析结果展示如下：

由上述输出结果可以得出结论：

“h” ,“i”两组取款的均值水平远远高于其他组，显著性检验（P<0.05）同样符合直观认知，可知此机具的取款在月中具有明显的上升趋势，需在所建模型中进行相应处理。

此外，月因素影响还包括月初因素、月中月末组合因素等，在此不一一列举。

最后将上述步骤生成的月因素相关的数据表（月因素标记，月因素系数）导入数据集，并进行月因素处理：对包含月因素的机具，如果日期在月因素标记所在的范围之内，则对取款金额进行处理，处理后的取款金额=原取款金额/对应的月因素系数。以修正后的存取款金额进行后续分析的操作。

3.2 站点聚类处理

3.2.1 聚类处理方法

聚类分析是将数据分类到不同的类或者簇的一个过程，使得同一簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。由于观察流水交易发现，不同站点所对应的存取款交易特征具有较大的差异性，如果采用统一模型进行预测，势必会导致准确性下降。因此，需针对不同站点的存取款特征进行聚类分析，对不同存取款特征模式下的站点分别处理，发现聚类区分效果显著，结果如下所示：

取款聚类效果图

存款聚类效果图

3.2.2 变动机具处理方法

在模型日常使用过程中，会不可避免的出现机具变动等情况。按照机具新增、撤销、变更三种情况，处理方法分别如下：

对于新增的机具（运营使用四周以后），首先将存取款均值、存取款标准差进行标准化处理，并计算此数据点与存取款聚类标准点的距离，最后将新增机具自动划分到距离最近的聚类类别中。

若机具自某一时间节点后撤销停用，根据当前策略中对于站点运营时间判断，会获知机具停用时间，并判断其为停止运营机具，因此不会进入后续的预测、策略生成步骤。

3.2.2 天气活动因素的加入

根据数据分析，恶劣天气影响下，ATM存取款金额均有所下降，且随着天气恶劣程度的加剧而愈加明显。目前天气方面相关数据选自于外部官方网站数据，具有较高的准确性，且数据格式易于采集。

天气数据中包括日期、行政区划、最高气温、最低气温、风力风向、天气状况等相关信息。

根据每日的具体天气状况，对最终预测用钞金额做进一步的精细化调整。

3.3 回归模型建立

按照前述数据处理过程整理好数据，以ATM站点上一周、上两周、上三周以及上四周的平均存取款金额作为自变量，根据取款分类(cluster_q)、存款分类(cluster_c)共8类分别建立回归模型，预测结果为下周的存取款金额。

模型效果检验中，存款各模型判别系数R方均达到0.8以上，取款各模型判别系数R方均达到0.9以上。R方取值范围为（0,1）区间，代表了预测结果能够反映真实情况的准确程度。因此可知本模型具有良好的拟合效果。

3.4 模型部署、策略实施

在建立数据挖掘模型的基础上，结合行内业务流程，生成了具体的ATM配钞策略流程，并将该流程部署在数据仓库中实施，实现自动生成策略。

首先根据填补后的平日流水数据生成ATM配钞周策略。周策略每周执行两次，一次为周一凌晨，用于生成周一到周五早7:00前推送金库的日策略；一次为周五凌晨，用于下周一早7:00前推送金库的预备日策略。

若下一周（预测周）包含需节假日的日期，则该周的周策略转用为节假日加钞周策略。采用节假日的加钞金额策略和特殊的加钞时间策略。若下一周（预测周）只包含调休的日期和平日（不包含节假日），则该周的周策略转用为特殊调休周策略。采用平日的加钞金额策略和特殊的加钞时间策略。

3.5日调整机制

在生成周策略的基础上，需结合每天更新的前一天流水进行日策略的精细化调整，从而减少缺钞率。依次进行以下步骤的计算并生成平日的日策略调整系数，最终达到策略的调整目的：

1.第T1（周一至周四）日凌晨5:00可以获取第T1-1日24:00每台ATM机具的钞箱余额C_t-1，同时计算出各站点的钞箱余额A_t-1；

2.模型可预测出第T1日各站点要使用的金额A_t；

3.计算A_t-1/A_t的值R₁（用以判断前一天的余额是否足够覆盖今日用钞量）；

4.第T2（周五）日凌晨5:00可以获取第T2-1日（周四）24:00每台ATM机具的钞箱余额D_t-1，同时计算出个站点的钞箱余额B_t-1；

5.模型可预测出第T2、T2+1、T2+2（周五到周日）各站点要使用的金额总和B_t；

6.计算Bt-1/B_t的值R₂；

7.根据计算得出的比值R₂，判断本日加钞策略是否需要调整。

8.根据判断得到的调整机具所属的分类规则，系统自动进行策略调整并输出。

3.6 输出策略给金库管理系统

经过上述步骤，数据仓库计算出每日的配钞策略。通过接口将策略推送金库管理系统，金库管理系统从而能够按照策略实际执行。

应用效果

自2017年6月5日起，ATM现金管理模型在我行元亨和通州两家金库开始试运行。截至9月24日共试点运行了16周，实际与策略执行一致率保持在65%以上。

根据试点前后的单台机具日均余额对比情况看，在2017.6.5至2017.9.24试点期间内，元亨金库的台均库存比试点前（范围是从试点开始日期往前推8周不含假日的平日周）平均压降了约2.37万，降幅为7.79%；通州金库压降了约6.06万，降幅为15.95%；而其他非试点金库平均下降了0.49万，降幅为1.42%。可见运用模型预测结果来进行加钞的两个金库对比其他非试点金库依靠人工经验的加钞方式，有比较明显的库存压降效果。同时，两家试点金库在试点期间缺钞率的改善情况也优于其他非试点金库。下表为试点期间相关数据统计结果。

总体来看，通过运用ATM现金管理模型，可以实现自助机具台均库存下降3-6万，整体节约10-20%ATM现金备付的目标，能够有效降低现金备付金额，提高现金使用效率，节约现金成本。

单位介绍

北京农商银行改制成立于2005年10月19日，是国务院批准组建的首家省级股份制农村商业银行，下辖694家网点，是唯一一家金融服务覆盖北京市所有182个乡镇的金融机构。近年来，北京农商银行以“稳健可持续全面发展”经营理念为指导，以“专业化经营、系统化管理、集约化控制”为抓手，着力打造“流程银行、特色银行、精品银行”，经营质态持续稳健提升，资本实力、盈利水平、经营质量等主要指标均创历史最佳，监管评级实现历史性跨越。先后荣获北京市人民政府首届“质量管理奖”提名奖、中国银行业年度最具社会责任金融机构、连续5年获评全国“年度最佳农商银行”。在英国《银行家》最新全球1000家银行排名中，一级资本排名204位，资产规模排名164位；在全球银行品牌500强中位列321位。在世界品牌实验室2017年《中国500最具价值品牌》排行榜中，以119.25亿元的品牌价值居中国银行业第13位。

本文由2017年度农村金融科技创新优秀案例评选组委会授权发表，转载请注明出处和本文链接。