Machine Learning für Banken: Prognose von Bargeldauszahlungen an Geldautomaten

30.08.2021 | Dr. Nikolaus Wrede

Die täglich, wöchentlich und monatlich abgehobene Bargeldsumme ist an jedem Geldautomaten individuell. Je genauer eine Bank diese individuelle Bargeldmenge vorhersagen kann, desto weniger Kunden gehen „leer aus“ und es entgehen der Bank weniger Zinserträge durch „ungenutztes“ Bargeld. In unserem Blogbeitrag zeigen wir, wie wir ein zuverlässiges Prognosesystem für eine Bank entwickelt haben.

 

Die Befüllung von Geldautomaten stellt für Banken eine besondere Herausforderung dar: Die Bargeldautomaten sollen niemals leer werden (sog. „Understocking“), um die Kundenzufriedenheit nicht zu verringern. Da die zukünftige Nachfrage nach Bargeld jedoch für Banken schwer abzuschätzen ist, werden die Geldautomaten in der Regel mit zu viel Bargeld ausgestattet (sog. Lagerüberhang bzw. „Overstocking“). Das Problem: Der zuviel vorgehaltene Bargeldbestand steht nicht für andere Aktivpositionen der Bank - wie z.B. Kredit- oder Depositengeschäft - zur Verfügung. Das führt ggf. zu einem entgangenen Zinsertrag und reduziert das EBIT.

Um das zu verhindern, ist für die optimale Befüllung des Geldautomaten eine möglichst genaue Abschätzung notwendig, wieviel Bargeld von den Kunden an jedem Geldautomaten voraussichtliche abgehoben wird. Eine zusätzliche Herausforderung besteht darin, dass die Befüllung von Geldautomaten mit Kosten für den Werttransport und Versicherung verbunden ist. Dieser Vorgang kann also nicht beliebig oft und jederzeit erfolgen.

In diesem Blogbeitrag möchten wir zeigen,

  • wie mittels Machine Learning die zukünftige Kundennachfrage nach Bargeld genauer prognostiziert werden kann,
  • welche Handlungsempfehlungen sich ableiten lassen und
  • welches Einsparungs- und Zinspotenzial in einer optimierten Nachfrageprognose schlummert.

Mit Machine Learning zur optimalen Nachfrageprognose

Der Einsatz einer Machine-Learning-basierten Methode sorgt für eine deutlich höhere Planungssicherheit für Banken. Dazu lassen sich aus den historischen Abhebungen verschiedene Modelle generieren. Eine Möglichkeit besteht darin, in einem sogenannten Lag-Modell die täglichen Abhebungen als Funktion der Abhebungen der vorangegangenen Tage zu modellieren. Dieses Modell unterstellt also – vereinfacht formuliert – eine zeitliche Abhängigkeit aufeinanderfolgender Abhebungen.

 

Alternativ besteht die Möglichkeit, Abhebungen für einen künftigen Kalendertag auch als Funktion der Eigenschaften eines Kalendertages auszudrücken. Hierbei können für jeden Kalendertag Eigenschaften wie z.B. der Wochentag, die Kalenderwoche oder der Kalendermonat etc. abgeleitet werden. Mit diesen Eigenschaften lässt sich anschließend eine tägliche, wöchentliche und monatliche wiederkehrende Regelmäßigkeit bei den Auszahlungen modellieren. Es ist zudem möglich, eine Kombination aus beiden Modellen zu einem hybriden Modell zusammenzusetzen.

 

Anschließend werden die Gewichtungen der Variablen in jedem Modell geschätzt. Hierbei kommen unterschiedliche Algorithmen zum Einsatz, die man in lineare und nicht-lineare Schätzer unterscheidet. Die so parametrisierten Modelle lassen sich dann für die Prognose einsetzen.

Die Suche nach der besten Kombination

Die nachfolgenden Abbildung 1 zeigt für den Geldausgabeautomaten (GAA) Nr. 2, wie gut die prognostizierten Werte die tatsächlichen Werte vorhergesagt haben. Insgesamt wurden in diesem Fall neun verschiedene Modell-Algorithmus-Kombinationen getestet. Das Machine-Learning-Skript erkennt hierbei automatisch, dass das rekursive Lag-Modell in Kombination mit einer Schätzung durch den „XGBoost“-Algorithmus Prognosewerte liefert (rote Linie), die den tatsächlichen Werten (blaue Linie) am ehesten entsprechen. Diese Modell-Algorithmus-Kombination merkt sich das System für den Geldautomaten 2 und verwendet es anschließend für die tatsächliche Prognose der Abhebungen für die Zeit nach dem Testzeitraum (dargestellt in Abbildung 2).

 

Da andere Geldautomaten jedoch ein anderes Auszahlungsmuster aufweisen, prüft das Machine-Learning-Skript für jeden Geldautomaten individuell, was das geeignete Modell und der passende Algorithmus sind. Für den Geldautomat Nr. 3 eignet sich z.B. ein hybrides Modell, das mit Hilfe des „Support-Vector-Machine“-Algorithmus geschätzt wird.

 

Es gibt also nicht das eine Modell und den einen Algorithmus, die für die Prognose der Auszahlungen aller Geldautomaten geeignet sind. Dies ist auch nicht notwendig, da ein entsprechend programmiertes Machine-Learning-Skript für jeden Geldautomaten individuell die besten Modell-Algorithmus-Kombination findet und anwendet.

Ergebnis: Einsparungen im sechsstelligen Bereich

Nun müssen die Prognosen in konkrete Handlungsempfehlungen für die Bank überführt werden. Der Ablauf sieht in der Regel wie folgt aus: Nachdem das System für jeden GAA mittels Machine Learning die Geldauszahlungen der nächsten Periode prognostiziert hat, werden diese Werte kumuliert, mit einem Sicherheitsaufschlag versehen und in einem Dashboard den Bankmitarbeitern als Empfehlung für die nächste Befüllung angezeigt.

 

Die empfohlenen Befüllungsmengen liegen erfahrungsgemäß deutlich unter denen, die in der bisherigen Bankpraxis ohne Machine Learning disponiert wurden. Somit reduziert sich das Overstocking. Die eingesparten Zinsaufwände für die reduzierten Cash-Bestände addierten sich in dem hier zu Grunde liegenden Projekt über ein ganzes Jahr schnell zu einer sechsstelligen Summe.

 

Voraussetzung für eine derart signifikante Einsparung ist vor allem ein nachhaltiges und konsistentes Anwenden der maschinenbasierten Befüllungsempfehlung. In der Bankpraxis eignen sich hierfür insbesondere Dashboards, mit denen die Bankmitarbeiter die Daten aller Geldautomaten reporten und die Befüllung planen können.

 

pmOne bietet in diesem Zusammenhang eine Komplettlösung aus einer Hand: Von der Datenvorhaltung und -aufbereitung über die Programmierung der ML-Skripte bis hin zur Entwicklung der Apps bzw. Dashboards für den täglichen Einsatz im Bankbetrieb.

 

Für weitere Details zur konkreten Umsetzung können Sie sich in unserem Webinar-Mitschnitt eine Live-Demo zum hier skizzierten Anwendungsfall rund um die „Prognose von Bargeldauszahlungen“ anschauen.

Kontaktieren Sie uns gerne für weitere Informationen und ein erstes, unverbindliches Gespräch!

Webseminar Machine Learning für Banken

Data Science Webseminare

Ihr Ansprechpartner

Dr. Nikolaus Wrede
Data Scientist Financial Analytics
pmOne AG
Im Mediapark 6A
50670 Köln
+49 221 379972-90