TẠI NGÂN HÀNG TMCP PHÁT TRIỂN TP .HCM
4.3 GIẢI PHÁP QUẢN LÝ TIỀN MẶT HIỆU QUẢ TẠI HỆ THỐNG ATM
4.3 GIẢI PHÁP QUẢN LÝ TIỀN MẶT HIỆU QUẢ TẠI HỆ THỐNG ATM THỐNG ATM
4.3.1 Đặt vấn đề
Ngày nay, hệ thống ATM là một phần quan trọng trong việc phát triển cơ sở hạ tầng phục vụ hoạt động kinh doanh thẻ. Vì vậy, phát triển hệ thống ATM bền vững cũng đồng nghĩa với việc mở rộng hoạt động kinh doanh, đồng thời nâng cao hình ảnh
của ngân hàng đến với khách hàng. Qua việc phát triển mạnh mẽ hệ thống ATM, Ngân hàng khơng những giảm thiểu chi phí quảng cáo, khi trực tiếp thực hiện quảng cáo trên các máy ATM, mà cịn giảm thiểu phần nào chi phí tiền lƣơng cho các giao dịch viên. Tuy nhiên, khi các NHTM ngày càng cạnh tranh thì việc quan tâm đến hiệu quả quản lý lƣợng tiền mặt tại các máy ATM là rất cần thiết. Đa phần các ngân hàng hiện nay thƣờng duy trì lƣợng tiền mặt tại máy ATM nhiều hơn 40% nhu cầu bình thƣờng, tuy nhiên theo các chuyên gia thì tỷ lệ này chỉ nên dừng ở mức 15% - 20%. Do đó các NHTM cần phải có các cơng cụ tối ƣu hóa quản lý tiền mặt tại ATM để tránh rơi vào bẫy của việc lƣu trữ quá nhiều tiền mặt và sử dụng tiền đó để đầu tƣ hợp lý hơn
Thực tế hiện nay, Trung tâm thẻ HDBank chƣa thực sự có một cơng cụ phần mềm chủ động quản lý lƣợng tiền mặt tồn quỹ tại máy ATM, mà chỉ dựa vào phần mềm hệ thống cảnh báo khi lƣợng tiền ở máy ATM xuống một mức nhất định. Việc bị động trong vấn đề này khơng những gia tăng chi phí cơ hội mà cịn tốn thời gian của các nhân viên thực hiện tiếp quỹ tiền mặt. Nếu nhƣ HDBank có một cơng cụ quản lý tiền mặt tại máy ATM một cách chủ động thì năng lực cạnh tranh trong việc phát triển mạng lƣới của ngân hàng sẽ gia tăng đáng kể.
Với lý do trên, mục 4.3 sẽ trình bày một cơng cụ dự báo nhu cầu tiền mặt tại máy ATM dựa trên đề tài nghiên cứu: “Cash demand forecasting for ATM using Neural
Networks and Support Vector Regression Algorithms” của Rimvydas Simutis, Darius
Dilijonas và Lidija Bastina (phần sau sẽ gọi ngắn gọn là các tác giả). Đó chính là mơ hình ANN (Artificial Neural Networks, tạm dịch là Mạng thần kinh nhân tạo), đây là mơ hình xử lý thơng tin đƣợc tác giả áp dụng vào việc dự báo nhu cầu tiền mặt tại các máy ATM một cách linh động tại Lithuania vào năm 2008.
4.3.2 Cơ sở lý luận của mơ hình ANN
Mơ hình ANN là mơ hình xử lý thơng tin đƣợc mơ phỏng dựa trên hoạt động hệ thống thần kinh của sinh vật. Mơ hình ANN có khả năng học hỏi kinh nghiệm (thơng qua huấn luyện), lƣu giữ những kinh nghiệm đó và sử dụng nó trong việc dự đốn các dữ liệu chƣa biết. Trong đề tài nghiên cứu của mình, các tác giả áp dụng vào việc dự báo nhu cầu tiền mặt cho tất cả các máy ATM trong hệ thống, dựa trên dữ liệu lịch sử của nhu cầu tiền mặt; các dữ liệu này thƣờng mang tính chu kỳ và thƣờng bị tác động bởi nhiều yếu tố nhƣ: yếu tố thời gian (lễ tết, cuối tuần), địa điểm đặt ATM và hành vi của khách hàng. Ví dụ nhƣ khách hàng có xu hƣớng rút lƣợng tiền lớn vào đầu mỗi tháng, trƣớc khi có các dịp lễ lớn hay tết; các máy ATM đƣợc đặt tại các trung tâm mua sắm thƣờng nhanh cạn tiền vào các ngày cuối tuần…
Tuy nhiên, việc phát triển mơ hình dự báo là tƣơng đối phức tạp vì các biến đầu vào thƣờng hay thay đổi. Do đó khi thiết lập mơ hình cần phải tính tốn đầy đủ các yếu tố đầu vào:
Mã hóa các giá trị các ngày trong tuần, tháng năm và những giá trị ảnh hƣởng đến kỳ nghỉ.
Các dữ liệu lịch sử về nhu cầu tiền mặt trung bình hàng ngày tại ATM, các dữ liệu này mang tính chất hồi quy tuyến tính có thời vụ.
Việc tính tốn các chi phí vận chuyển, tiếp tiền mặt và thời gian đi đến các điểm đặt máy ATM.
Nhìn chung, ý tƣởng đằng sau mơ hình ANN là việc lập bản đồ các mối quan hệ phi tuyến giữa các yếu tố ảnh hƣởng đến rút tiền mặt và nhu cầu tiền mặt thực tế, dựa trên mối quan hệ đó mà huấn luyện hệ thống ANN qua phƣơng pháp tối ƣu hóa Levenberg – Marquardt và độ lệch chuẩn tiêu chuẩn (root mean square error) giữa giá trị dự đoán và thực tế.
4.3.3 Cách xây dựng ANN để áp dụng vào mơ hình dự báo nhu cầu tiền mặt tại các máy ATM
Các bƣớc xây dựng:
1) Tập hơn các dữ liệu từ tất cả các máy ATM (dữ liệu quá khứ trong khoảng 2 -3 năm là cần thiết trong việc mơ phỏng mơ hình).
2) Phân chia dữ liệu tập hợp thành 70% cho việc huấn luyện ANN và 30% cho việc kiểm tra.
3) Huấn luyện ANN dựa trên mơ hình tối ƣu hóa Levenbeg – Marquard bằng cách sử dụng những giá trị khác nhau cho quy chuẩn D.
Với Yd, Y lần lƣợt là sản lƣợng mong muốn và thực tế. I đơn vị ma trận. α: Giới hạn theo quy tắc. N: số các dữ kiện. W là trọng số .
4) Ƣớc tính tổng bình phƣơng các lỗi đƣợc chuẩn hóa (NSSE - normalized sum square error) cho dữ liệu kiểm tra của mơ hình ANN.
5) Chọn α sao cho NSSE là nhỏ nhất trong dữ liệu huấn kiểm tra, sau đó sử dụng nó làm hạn quy tắc tối ƣu
6) Lập lại số liệu mơ phỏng ANN cho tồn bộ dữ liệu bằng cách sử dụng hạn quy tắc tối ƣu và dùng ANN làm cơ sở cho việc dự báo nhu cầu tiền mặt.
7) Khi bổ sung dữ liệu mới về hoạt động của máy ATM (thƣờng là trong một tuần), thì cần lặp lại từ bƣớc 2 đến bƣớc 6 với lƣợng các phiên huấn luyện ít đi.
8) Sau khi thực hiện huấn luyện, sử dụng khả năng thích nghi của ANN trong việc dự báo nhu cầu tiền mặt vào khoảng thời gian định trƣớc. Cần điều chỉnh các tỷ trọng mới trong quan sát thực tế trong thuật toán để mơ hình ANN ln ln phù hợp với mơi trƣờng thực.
Nếu có thể tận dụng được mơ hình ANN để xây dựng một chương trình quản lý tiền mặt tồn quỹ hồn thiện thì sẽ tạo lợi thế to lớn cho hoạt động kinh doanh thẻ của HDBank khi tiết kiệm rất nhiều chi phí, trong đó giảm chi phí mua lại các phần mềm quản lý tiền mặt tồn quỹ của các hãng khác trên thế giới.