【杂志微阅读】FinTech时代探索银行ATM运营及布局的智能化管理

请点击上方关注，点击下方“在看”

文/沈勤  华夏银行(600015,股吧)运营管理部总经理

徐聪  华夏银行运营管理部流程管理二室

张彦超  华夏银行信息科技部数据应用开发室

王彦博  龙盈智达（北京）科技有限公司首席数据科学家

本文原载于《中国银行业》杂志2021年第1期

导语：在移动支付的背景下，现金需求量锐减，因此保持与客户服务量相应的ATM设备数量至关重要，如何在满足客户需求的同时又能减少低效的ATM设备，商业银行需要从多维度进行度量。运用统计学、应用数学、数据挖掘、机器学习、数字孪生、强化学习等新兴技术，有助于实现商业银行ATM运营管理的数字化转型。

FinTech时代，数字化交易成为当前人们支付和消费的主流渠道，商业银行ATM业务因此受到巨大冲击，相关设备的使用率下降。我国ATM机具保有量在2016年时为世界第二，但其后ATM机具的核心现金功能使用场景被弱化，根据英国研究公司RBR的报告统计，2018年，世界范围内ATM机具数量出现首次下降，幅度为1%。在我国，根据央行发布的《2020年二季度支付体系报告》，截至2020年第二季度末，国内ATM机具共105.21万台，较上季度末减少3.09万台。国内大型商业银行因其网点众多且分散于三四线城市及城乡等移动支付发展较缓慢地区，未来将持续保有一定的ATM机具数量。相比之下，全国性股份制银行、中小银行多以中心城市、省会城市为依托，ATM业务受移动支付冲击较大，需要谨慎地考虑当地客户的业务需求和运营成本，更加合理地分配ATM机具布放数量。

银行网点ATM机具配置和设备优化本身是决策和预测问题，包含两大主要内容：一是数量问题，数量多少能够满足现有业务和客户的需要，并能将相关成本控制在较低范围内？二是效能问题，如何保证在高峰时段设备发挥最大效能，优化业务流程，提升办理效率？商业银行ATM机具的管理难点在于其分布范围广、数量多、所在地区客户和环境情况复杂等。因此，解决以下问题成为ATM业务运营管理的关注重点：对ATM业务运营不合理的网点和机具如何精准定位，ATM撤机后是否会影响客户办理业务的效率和体验，新增机具是否合理，优化不合理的机具后是否会改善状况，新设立的网点如何根据环境经验来确定合理的ATM机具数量？

针对上述业务难点，通过研究和实践，笔者总结出通过智能化算法建模解决ATM业务运营管理问题的“5S框架”，即统计模型（Statistical Models）、半专家经验（Semi-Specialist Knowledge）、仿真模拟（Simulation &Digital Twins)、有监督学习（Supervised Learning）和战略决策（Strategic Decision Making），为ATM业务运营管理的智能化决策奠定技术支撑，以期为国内商业银行运营管理数字化转型提供借鉴。下面，以国内某全国性股份制银行的1000余家支行、3000余台ATM设备为例，结合“5S框架”详细阐述“五步走”方法。

图1：ATM业务智能化运营管理5S框架

第一步：

通过统计模型对不同支行的ATM进行分类

在FinTech时代，商业银行应针对不同分支机构所在地区的社会经济发展现状及未来发展前景，因地制宜地进行区域分析、研究和判断，根据不同网点客流的分布情况合理安排ATM机具，有效提高离柜率。

为解决ATM机具范围广、难以精准定位的问题，可借助K-means聚类统计方法，缩小对支行ATM业务的关注范围，直接聚焦到表现优异的支行集群和表现不理想的支行集群，为下一步调整做准备，同时也有助于定期评估和掌握各支行ATM运营管理情况。

在多元统计分析中，聚类是一种常用的分析方法，它根据待归类样本特征之间的相似程度进行样本的聚合，将具有相同特征的样本归为一类，体现了“物以类聚，人以群分”的朴素思想。K-means聚类是一种基于“距离”的动态聚类建模技术，其核心思想是通过动态计算各样本到不同类别质心的距离，将样本归类，之后更新质心，一直循环此步骤直到数据样本所属类别基本稳定为止。

我们可以通过对支行ATM运营大数据进行分析，加工出7个重要的评判指标：ATM机具故障时间占比、故障次数、缺钞时间、满钞时间、开机率、离柜率趋势和繁忙时间，并根据上述指标进行聚类分析，最终得出聚类结果并计算出每一类的质心，通过质心的特征为聚集在该质心周围的支行打上类别标签。

所标记的类别标签可分为4类：有的支行“运营情况良好”，设备的配置数量比较合理，在没有造成资源浪费的同时还能满足客户办理业务的需求，具有较好的替代柜台人工的作用；有的支行则运营情况较差，“布放了过多的ATM机具”导致资源浪费；有的支行“布放了过少的ATM机具”，导致客户体验不佳；还有的支行ATM机具布放数量相对合理，但“人工清机加钞不及时或故障频发”导致设备无法正常工作。

通过聚类分析可以直观地对具有不同表现的支行进行归纳和归类，有目的性地为后续优化行动做准备，例如，优异支行无需动作，ATM机具数量过多的支行需要进行撤机操作，而人工维护不及时的支行则需要加强清机加钞或提高故障维修频率等。

图2：支行网点ATM业务聚类分析结果示意图

第二步：

通过半专家经验对不同ATM机具进行打分

通过第一步找到待优化支行后，具体优化支行的哪一台设备？是下一步关注的重点。

为此，可以采用半专家经验模型。首先对需要评价的ATM机具构造指标集，而后根据业务专家经验使用“九标度法”来构造指标的重要性，进而确定各指标在评价模型中所占的权重。所谓“半专家经验”是指，在引进专家经验的同时还引入数据经验，在大数据时代，数据所反应的规律是客观存在的，一般不受人类的主观能动性所影响，因此，通过数据的规律对专家经验权重进行优化，在业务逻辑和数据逻辑之间进行权衡，得出最终的指标权重，通过权衡后的评价模型就可以给ATM机具评分。

该分值排名对焦到单台设备，银行相关管理部门能够发现表现优异的支行中哪些机具整体运行良好，以及表现不合理的支行中哪些机具存在优化空间，这样可以更加有针对性地对ATM机具进行识别和管理，并以该评分作为下一步撤机或管理优化提升的依据。

第三步：

通过仿真模拟确定ATM布局具体优化方案

通过前两步，银行找到了待优化支行和待优化设备。然而，如果将这些待优化的ATM直接进行撤机，是否依然能满足客户办理业务的需求？这是下一步需要思考的问题。

通常解答这个问题的有效方法是通过实践来检验，然而这样成本过高。这时，如果可以基于历史数据和相关规律，预测性地打造一个仿真模拟环境，那么就可以用近乎于零的成本进行实验，并且随着仿真环境越来越接近真实环境，实验的结果也会越发真实可信，并能有效指导实践。这种对于物理世界的模拟可以理解为“数字孪生”。数字孪生的建立需要用到一定量的历史数据，或在已知数据规律的情况下，通过数据的分布，估计出相关的参数，基于蒙特卡洛技术与环境动力学方程给出相应的模拟结果。

对于ATM撤机后是否影响客户办理业务的判断，可以拆解成两个核心指标，一是撤机后是否会导致客户排队，排队的概率是多少？二是发生排队时客户需要等待的时间是多久？可通过历史数据分析在ATM设备上操作每种业务的耗时分布及人流量分布，再根据排队论中的环境动力学模型，进一步构造出待优化支行的数字孪生环境，并在此仿真模拟环境下，通过改变ATM机具布放的数量，测算出排队概率和排队时间，以此给出能够适应环境的最优资源配置策略。

以机具布放数量过多的支行A作为仿真模拟目标对象举例，将其与机具布放合理的支行B和C进行对比，通过测算，对比组支行客户排队时间均在2分钟上下波动，通过对三家支行在排队2分钟情况下不同数量机具的排队概率进行分析，可以发现支行B和C在目前布放数量2台和1台的情况下，发生排队的概率为0.29%和1.25%，当支行A的排队概率和时间不高于对比组支行时，既为合理。因此支行A仅需布放2台ATM即可与布局合理的支行具有同样的排队概率和时间，能够满足客户办理业务的需求，而目前的数量为4台，即可对支行A进行撤机2台的优化。

第四步：

通过有监督学习对新增或优化后设备动态监督

前三步基本上已经完成了存量ATM业务在支行层面和设备层面的优化。但是，事实上ATM业务是一个动态管理过程，随着迁址、人工维护增强、撤机等优化运作的发生，ATM机具的合理与不合理的标签属性也随之发生动态改变。

因此，构建有监督学习模型可以对未来新增设备或优化后的设备进行新的合理性判断。有监督模型是一个预测或分类模型，对给定的训练样本进行拟合，通过计算模型的拟合效果对模型进行优化，最终使用此模型进行数据测试、业务预测和管理控制。有监督学习中经典的人工神经网络模型，能够将传统神经网络的层数逐渐加深，形成多层网络结构，每一层神经元都可以看作是一个特征提取的过程，通过线性函数和非线性激活函数进行不断叠加。根据ATM机具的7个指标作为输入变量，结合半专家经验模型的评分和银行相关业务管理部门的实际业务验证，最终给出机具布放“合理”或“不合理”标签作为目标变量，使用BP人工神经网络构建ATM机具布放合理性预测模型。该模型分析可以支持银行相关业务管理部门评估优化后设备的使用效果，也可用于评估新设网点、新增设备的布放合理性。

第五步：

通过战略决策对ATM布放进行持续动态管理

对ATM的布放还可以通过强化学习进行持续的动态管理。强化学习（Reinforcement Learning）是一种通过与业务环境的一步步交互，调整相应的策略，从而追求最优回报的自我学习方法，比如，某团队将深度强化学习应用到策略复杂的围棋对弈中，研制了AlphaGoZero围棋机器人。强化学习的优点是可以通过数字孪生技术模拟出不同支行的ATM业务运营情况，根据当前支行的运营状态，通过深度强化学习，智能地给出适应支行服务情况并促使支行效益最大化的ATM机具合理布放数量策略。

对于ATM机具布放的强化学习问题，首先需要准确地定义环境、状态、动作及其奖励。环境可以理解为支行的业务环境；状态是指ATM机具的运营情况，包括支行ATM的现有数量、平均等待时间、平均排队时间、人流量和设备的平均故障率等；动作可以理解为对ATM机具数量进行增减调整；奖励可以理解为调整后使用ATM的排队率和平均等待时间的函数。通过强化学习，最终可以计算出支行合理的ATM机具布放数量。

商业银行的运营管理，面临着诸多资源配置决策和控制问题，以上“五步走”基于统计学、应用数学、数据挖掘、机器学习、数字孪生、强化学习等新兴高精尖技术，并在某全国性股份制银行进行了初步实践，以期在节约成本的基础上，给出最佳资源配置方案，实现相关业务的效益最大化。未来，还可以进一步聚焦数字孪生与深度强化学习技术的结合，推进数字化、智能化决策模型在相关业务中的管理应用，为国内商业银行运营管理的数字化转型提供助力和借鉴。

（龙盈智达公司张月、史杰、徐奇、袁开蓉对本文亦有贡献，本文原载于《中国银行业》杂志2021年第1期，本文图片为本公众号后加。）

微信征稿启事

《中国银行业》由中国银保监会主管、中国银行业协会主办，是目前唯一一本带有全行业性质的公开刊物，是沟通监管部门和机构的纽带，是行业交流的平台，也是社会了解银行业的窗口。目前《中国银行业》杂志微信公众号已开通征稿邮箱，面向广大读者征稿。我们期待您的稿件。

微信投稿邮箱：zgyhy001@163.com

关注更多精彩内容

本文首发于微信公众号：中国银行业杂志。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。

（李显杰 ）