پیش بینیِ خرابی و برنامه ریزیِ نگهداری و تعمیرات خودپردازهای بانکی با روش داده کاوی

پایانه‌های خودپرداز به عنوان اولین و پر تقاضاترین کانال‌های بانکداری الکترونیک در صورت عدم سرویس دهی به عنوان تهدید برای بانکها قلمداد می گردد. از سوی دیگر داده های مربوط به تعمیرات و نگهداری خودپردازها به طور چشمگیر گسترده شده است.در این راستا داده کاوی برای افزایش مشهود نرخ تبدیل داده ها به اطلاعات و کشف دانش به منظور جلوگیری از توقف دستگاه خواهد بود. هدف از مقاله حاضر ارائه معماری دسته بندی داده های تولید شده از تراکنشها و خرابیهای خودپردازهای یکی از بانکهای کشور و پیش بینی فواصل میان خرابی آنها از طریق روش داده کاوی به منظور برنامه ریزی نگهداری و تعمیرات آنها می باشد. بر این اساس داده های مورد نیاز برای یک نمونه شامل 1039دستگاه خودپرداز استخراج گردید. با توجه به هدف تحقیق متغیرهای سال نصب، تعداد ترکنشها و نوع خودپرداز به عنوان متغیرهای ورودی و فواصل بین خرابی به عنوان متغیرهای خروجی تعیین گردید. با اتکا به اصول داده کاوی و از طریق نرم افزار clementineبه گروه بندی خودپردازها بر اساس زمان خرابی با الگوریتم درخت c&r پرداخته شد. بر اساس تحلیل خروجی ها تیم نگهداری و تعمیرات بانکِ مورد مطالعه،می بایست برنامه سرویس و بازدید خودپردازها را بر اساس گروه بندی انجام شده در پژوهش و سرویس خودپردازها را با توجه به پیشنهادهای ارائه شده تنظیم نماید.

ENGLISH] Predicting failures and planning ATM maintenance by using data mining technique

Abstract ATM terminals as the most used ebanking channels could be a threat for banks. Some years ago due to a few numbers of ATM, they were taken into account as a competitive advantage; despite most of the time they were out of order. But nowadays their breakdown is a potential threat for banks to lose their customers. On the other hand the amount of data generated by ATM’s maintenance system increases at an unprecedented rate. In this way data mining is introduced as a method for discovering knowledge from these amounts of data in order to predict their failure and disruption. This paper introduces architecture for collecting data generated from ATMs performance and classifying them by predicting their breakdowns. So a sample of 1039 ATM was selected and the needed data were collected. Data were processed by C&R tree and Chaid models in Clementine software. Due to the better result of C&R tree algorithm, it was selected for modeling. By analyzing the results, ATMs were classified into 3 groups and some suggestions were given to maintenance team for planning better