Machine Learning für Banken: Prognosen zu Bargeldauszahlungen an Geldautomaten

In diesem Webseminar nehmen wir die Befüllung von Geldautomaten in den Fokus:  

Hier soll der Bargeldbestand möglichst exakt den künftigen Bargeldabhebungen entsprechen. In der Vergangenheit vermeiden Finanzanbieter leere Geldautomaten, indem sie diese bei der Befüllung mit einem „Sicherheitspuffer“ an Bargeld ausstatten. Nur volle Geldautomaten erhalten die Kundenzufriedenheit und sorgen für Auszahlungsprovisionen. Dieses „Overstocking“ verursacht jedoch Kosten in Form von unverzinslichen Bargeldbestandes. Denn dieses Geld können die Banken anderweitig nicht im Aktivgeschäft einsetzen. Die Ertragssituation der Bank verschlechtert sich unnötig. 

Wir zeigen Ihnen im Webseminar, wie Sie mittels Machine Learning die Abhebungen am Geldautomaten in den nächsten Tagen und Wochen prognostizieren können. Die automatisierte Machine-Learning-Lösung ist skalierbar für ein Netz von 125 Geldautomaten in einer Region programmiert, wobei das Nutzungsmuster jedes Geldautomaten individuell modelliert und vorhergesagt wird.  

Diese verbesserte Prognose der Abhebungen in den nächsten Tagen und Wochen reduziert den Bargeld-Sicherheitspuffer an jedem einzelnen Geldautomaten und führt zu erheblichen Bargeldeinsparungen.  

Effektiv können Banken einer Kommune so sechsstellige Einsparungen im Valutengeschäft bzw. Millionenbeträge bei überregionalem Ausrollen der Lösung erzielen.