پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشت‌ماه ۱۳۹۰ شروع کرده و اکنون پرمخاطب‌ترین رسانه ایران در زمینه فناوری‌های مالی، بانکداری و پرداخت و استارت‌آپ‌های فین‌تک است.
با همکاری رادین و بانک مسکن برای نخستین بار هوش مصنوعی در چرخه مدیریت نقدینگی خودپرداز قرار گرفت
مدت زمان زیادی است که از فواید فناوری‌های مبتنی برداده مانند هوش تجاری و هوش مصنوعی برای ایجاد مزیت رقابتی و حتی بقای سازمان‌ها می‌شنویم. اینکه هر سازمانی که به تولید داده می‌پردازد روی گنج نشسته است و باید از این گنجینه ارزشمند به بهترین نحو استفاده کند. در حال حاضر ابزارهای هوش تجاری و هوش مصنوعی در جهان و به خصوص در کشورهای پیشرفته به عنوان رکن اساسی تصمیم‌گیری و برنامه‌ریزی مدیران و کارشناسان در سازمان‌ها و صنایع قرار گرفته است. به سبب همین آورده، به‌کارگیری از فناوری‌های داده، نه تنها هزینه بلکه سرمایه‌‍‌گذاری سودآور و پر بازده به حساب می‌آید.
یکی از حوزه‌هایی که بیشترین بهره‌وری را از ابزارهای مبتنی بر داده می‌برد، حوزه زنجیره تامین است. تصمیم‌گیرندگان در مدیریت زنجیره تامین با استفاده از این ابزارها از وضعیت موجود و پیش‌رو آگاهی پیدا کند و برای کمینه کردن هزینه و بیشینه کردن بهره‌وری برنامه‌ریزی می‌کنند. این حوزه فقط محدود به تولید‌کنندگان و فروشگاه‌های زنجیره‌ای نیست و هر سازمانی که به نحوی به ارائه محصول یا خدمات به مشتریان می‌پردازد، به نحوی با مدیریت زنجیره تامین خود مواجه است.
از مهمترین محصولاتی که در صنعت بانکی دارای زنجیره تامین است، پول نقد است و یکی از تامین‌کنندگان اصلی پول نقد برای مشتریان بانکی، دستگاه خودپرداز می‌باشد. علی‌رغم سرمایه‌گذاری‌ها و پیشرفت‌هایی که در حوزه پرداخت‌های غیرنقدی صورت گرفته و آمارو ارقام‌های چشمگیری که در این حوزه در سراسر دنیا اعلام می‌شود ، هیچ کشوری نمی‌تواند منکر نقش پررنگ پول نقد شود و هیچ ادعایی وجود ندارد که بگوید این شیوه پرداخت سنتی، به کل از فرایندهای پرداختی حذف خواهد شد. درست است که با بروز پاندمی کرونا رفتار برداشت وجه تغییر شدیدی کرد اما آمارها حاکی از آن است که کم‌کم رفتارهای مردم به دوران قبل از کرونا برگشته است. به همین خاطر همیشه برای بانک‌ها دغدغه و نگرانی پر بودن دستگاه‌های خودپردازشان و همینطور تعمیر، نگهداری و بهروزرسانی این دستگاه‌ها وجود داشته است. دغدغه‌ای که با کمک هوش مصنوعی می‌شود تا بخش زیادی از آن را برطرف کرد.
در همین راستا شرکت رادین سامانه مدیریت نقدینگی خودپرداز را راه‌اندازی کرده است. به بهانه راه‌اندازی این سامانه در بانک مسکن، با مهسا قنبری، مدیر دپارتمان راهکارهای مبتنی بر داده و همینطور حمیدرضا مشایخ دانشمند داده ارشد دپارتمان گفت‌وگو کردیم تا با ویژگی و قابلیت‌های آن بیشتر آشنا شویم.
تیم داده رادین حدودا از دو سال پیش با ارائه راهکارهای نرم‌افزاری و زیرساختی مبتنی بر داده برای شرکت‌ها و سازمان‌ها شروع به فعالیت کرد. هدف اصلی این تیم افزایش بهره‌وری، سودآوری و همچنین ایجاد درک عمیق از آنچه در هر سازمان و صنعت مربوطه آن می‌گذرد، است. اولین حوزه‌ای که مورد توجه این تیم قرار گرفت حوزه مدیریت زنجیره تامین بود. شاخه‌ای از مدیریت که تقریبا در همه صنایع ردپایی از خود به جا می‌گذارد. به سبب آشنایی چندین ساله شرکت رادین با حوزه بانکی، اولین راهکاری که برای بهبود مدیریت زنجیره تامین مورد توجه قرار گرفت، مدیریت پول‌گذاری در دستگاه‌های خودپرداز بانک بود. پیش‌نیاز این امر ارائه مدل یادگیری ماشین برای پیش‌بینی برداشت وجه از هر خودپرداز برای روزهای آتی است.
قنبری در توضیح بیشتر می‌گوید: «یکی از سامانه‌هایی که در مدیریت و نگهداری خودپرداز مورد استفاده قرار می‌گیرد، سامانه مانیتورینگ خودپرداز است. این محصول توسط شرکت رادین توسعه داده شده و چندسالی است که در بانک مسکن به صورت عملیاتی اجرا می‌شود. اگر مدیریت و نگهداری خودپرداز را بخشی از زنجیره تامین درنظر بگیریم، اقداماتی از قبیل پول‌گذاری، کاغذگذاری، مراجعه و سرویس‌دهی دوره‌ای و در نهایت تعمیرات جز مواردی است که باید برای تامین آنها برنامه‌ریزی شود. بخش‌هایی از این سامانه شامل مدیریت مراجعات، مدیریت تعمیرات به نوعی در مدیریت زنجیره تامین یاری‌رسان هستند. اما موضوعی که در این پروژه مورد توجه قرار گرفت، تامین پول است. با هدف اینکه همواره در دستگاه‌های خودپرداز به اندازه تقاضا پول نقد موجود باشد و مشتری دست خالی از پای دستگاه برنگردد و همچنین پول اضافی در دستگاه رسوب نکند. این پروژه را در بانک مسکن آغاز کردیم.»
او در ادامه و درباره طراحی مدل سامانه توضیح می‌دهد: «ما داده‌های چند سال گذشته بانک مسکن را بررسی کردیم و براساس برداشت‌هایی که در خودپرداز اتفاق افتاده، شروع کردیم به طراحی مدل. با وجود مشکلاتی که وجود داشت توانستیم به مدلی برسیم که در حال حاضر میزان خطایش زیر 10 درصد است که در حوزه پیش‌بینی برداشت وجه خودپرداز، درصد خطای بسیار کمی به حساب می‌آید. این مدل در محیط عملیاتی بانک نصب شده و داده‌های آنلاین را دریافت می‌کند و به صورت مستمر مدل پیش‌بینی به روزرسانی می‌شود. در نهایت بر اساس داده‌های تاریخی و همچنین داده‌های مربوط به وقایع اخیر پیش‌بینی برای روزهای آینده را انجام می‌دهد. در حال حاضر این مدل در مرحله صحت‌سنجی توسط بانک قرار دارد تا برای پول‌گذاری مورد استفاده قرار بگیرد.»
کاهش استفاده از پول نقد پس از شیوع کرونا
با شیوع ویروس کرونا در کشور، استفاده از پول نقد نیز کاهش پیدا کرد، مشایخ در پاسخ به این سوال که مدل‌های آنها تفاوت استفاده و دریافت پول نقد از دستگاه‌های خودپرداز را نشان داده است یا خیر در ابتدا توضیحاتی در رابطه با ویژگی‌های مدلی که طراحی کرده بودند، داد. به گفته مشایخ، اولین مرحله انجام کار، جمع‌آوری داده است و معتقد است داده‌هایی که در حال حاضر در صنعت بانکی وجود دارد، داده‌های تمیزی نیست؛ به عبارتی نمی‌شود از این داده‌ها مستقیما برای مدل‌سازی استفاده کرد. او در توضیح بیشتر می‌گوید: «اولین مرحله از طراحی مدل یادگیری ماشین، تمیزسازی داده است که لازم بود این کار را روی داده‌های بانک مسکن انجام دهم. بعد از تمیزکردن داده و ارائه برنامه خودکار برای این امر، بحث Feature Engineering مطرح می‌شود؛ اینکه در مدلمان از چه پارامترهایی باید استفاده کنیم، چه پارامترهایی را به عنوان ورودی در نظر بگیریم و غیره . این قسمت از کار، در هر صنعت با صنعت دیگر متفاوت است. نکته قابل توجه در استفاده از روش‌های مبتنی بر هوش مصنوعی این است که باید مدلی را بسازیم که براساس رفتار گذشته، یاد بگیرد و رفتار آینده را پیش بینی کند. برای مثال رفتار خودپرداز را یاد بگیرد و براساس آن پیش‌بینی آینده را انجام دهد.»
شیوع کرونا اتفاق عجیبی بود. به گفته مشایخ در دو، سه ماه ابتدای فراگیری ویروس در کشور شاهد افت شدید برداشت وجه از خودپردازها بودیم و اساسا رفتار خودپردازها تغییر کرد. اما از آنجایی که مدل‌های مبتنی بر هوش مصنوعی به رفتارهای گذشته وابستگی زیادی دارند، در همان روزهای اول که رفتارها تغییر کرده بود، مدل طراحی‌شده در سامانه مدیریت نقدینگی خودپردازها، نتوانست پیش‌بینی را در بهترین حالت خود را انجام دهد. اما به گفته مشایخ انعطافپذیری مدل آنها باعث شد تا به‌سرعت خودش را با رفتار جدید تطبیق دهد و کمتر از یک ماه تغییر رفتار همگانی خودپردازها را متوجه شد و براساس رفتار جدید مردم و خودپردازها، مدل‌سازی جدیدی را نشان دهد.
امکان استفاده از این سامانه برای تمامی بانک‌ها
قنبری درخصوص پیاده‌سازی این مدل در دیگر بانک‌ها می‌گوید: «زمانی که صحبت درباره هوش مصنوعی است، باید مدل طراحی‌شده برای پیش‌بینی، با اطلاعات مخصوص به بانک جدید، آموزش داده شود. ما به‌عنوان ارائه‌دهنده این سرویس، در این مدل تمام خصوصیاتی که روی پیش‌بینی برداشت وجه خودپرداز تاثیر دارد و همینطور درجه تاثیرگذاری آنها را در نظر گرفته‌ایم. این مهمترین مرحله طراحی مدل مبتنی بر یادگیری ماشین است که ما آن را انجام دادیم به همین دلیل این مدل به راحتی قابل پیاده‌سازی در بانک‌های دیگر است و فقط بحث آموزش دیدن مدل براساس داده منحصر به فرد دیگر بانک‌ها و سازمان‌ها وجود دارد.»
هدف اصلی سامانه‌هایی که سرویس پیش‌بینی ارائه می‌دهند، ارائه فرصت به مدیران برای تصمیم‌گیری بهینه است، که هم هزینه‌ها و ریسک را کاهش دهند و هم سودآوری بیشتری داشته باشند. این سامانه نیز در کنار هدف کمینه‌سازی هزینه پول‌گذاری و خواب سرمایه در دستگاه‌های خودپرداز، ریسک شهرت بانک را نیز کاهش می‌دهد. بدین معنی که مشتری از خدمات ارائه شده توسط دستگاه‌های خودپرداز راضی خواهد بود و در نهایت تراکنش‌های بیشتر مشتری در دستگاه‌های خودپرداز درآمد ناشی از کارمزد بیشتری را بانک ایجاد می‌کند.
قنبری در توضیح مزیت‌هایی که این سامانه برای بانک دارد، گفت: «این سامانه که به صورت یکپارچه با سامانه مانیتورینگ بانک ارائه شده است، امکان مدیریت مراجعات به جهت پول‌گذاری را نیز به بانک می‌دهد. بدین معنی که برنامه‌ریزی برای پول‌گذاری به صورت اتوماتیک بر اساس میزان پیش‌بینی شده برداشت وجه در روزهای آتی و سایر پارامترهای مد نظر بانک که در هزینه و زمان تاثیرگذار هستند، انجام می‌شود. برنامه‌ریزی بهینه در پول‌گذاری تا 50 درصد باعث کاهش هزینه پول‌گذاری می‌شود. همچنین با توجه به اینکه بانک‌ها برای جلوگیری از ریسک خالی ماندن دستگاه‌ها همواره مبلغ بیشتر از تقاضا را در دستگاه‌ها قرار می‌دهند، استفاده از این سامانه نقدینگی مورد نیاز برای پول‌گذاری در دستگاه‌های خودپردازتا 30 درصد کم می‌شود.
نکته قابل‌توجه این است که انجام این پیش‌بینی‌ها توسط ماشین و با کمک هوش مصنوعی اتفاق می‌افتد. به عبارت دیگر اگر در حال حاضر رئیس یا معاون شعبه مقدار پول موردنیاز دستگاه‌های خودپرداز را پیش‌بینی می‌کند، حالا این کار توسط هوش مصنوعی انجام می‌شود. مشایخ در این‌باره می‌گوید: «قرار است تصمیمات شخصی انسان را با تصمیمات یک ماشین جایگزین کنیم که قاعدتا دقت بالاتر و ریسک کمتری دارد. انگیزه‌ای که برای بانک وجود دارد این است که تصمیم‌گیری‌های انسانی، همراه با خطاهای انسانی از گردونه بازی خارج و یک سیستم متمرکز هوشمند جایگزین شود که هم دقت بالاتری دارد و هم خطاهای انسانی را ندارد که درنهایت باعث ایجاد یک سیستم بهینه خواهد شد. حذف تصمیمات انسانی و جایگزینی با تصمیمات دقیق ماشینی می‌تواند انگیزه اصلی باشد.»
قنبری در پاسخ به این سوال که برنامه آینده تیم راهکارهای مبتنی بر داده رادین برای توسعه و تکمیل این سامانه چیست گفت: «با توجه به اینکه مدیریت پول‌گذاری تنها بخشی از فرآیند زنجیره تامین خودپرداز است، در گام‌های بعدی قصد ارائه مدل پیش‌بینی در خصوص تعمیر و نگهداری خودپرداز داریم؛ مثلا چه زمانی باید برای کاغذگذاری در دستگاه مراجعه صورت گیرد یا در چه بازه زمانی و با چه احتمالی، چه نوع خاصی از مشکل به وقوع می‌پوندد یا برای جلوگیری از مشکل چه زمانی برای سرویس دوره‌ای مناسب است و غیره.»
همچنین قنبری با تاکید بر اینکه سرویس‌های مبتنی بر یادگیری ماشین در نظر گرفته شده برای حوزه زنجیره تامین فقط مختص به بانک و پرداخت نیست، گفت: «ما در حال حاضر در حال آماده‌سازی مدل‌های پیش‌بینی تقاضا در صنایع تولید، پخش و فروشگاه زنجیره‌ای بر اساس داده‌های واقعی در اکوسیستم ایران هستیم. قصد داریم سرویس پیش‌بینی مبتنی بر یادگیری ماشین در زنجیره تامین را در صنایع مختلف آماده کنیم که در حال حاضر قدم‌های خوبی در راستای این هدف برداشته‌ایم.»
