- 23.01.25
- 1,240
- 33,300 ₽
- 18
Алгоритмы прогнозируют спрос с учётом зарплатных дней, праздников и местных событий, а анализ датчиков позволяет обнаруживать неисправности ещё до отказа банкомата.
Американское деловое издание PYMNTS сообщило, что банки начали использовать ИИ для прогнозирования спроса на наличные в отдельных банкоматах и для раннего обнаружения неисправностей. Алгоритмы анализируют историю снятия денег, дни зарплат, праздники и сезонные особенности региона, чтобы определить, сколько наличных нужно конкретному банкомату.
По оценке Brink's — международной компании, специализирующейся на перевозке наличных и других ценных грузов, — одно только более точное прогнозирование может сократить общий объём наличности, необходимый для работы сети банкоматов, на 30–40%. Для банка избыток денег в банкоматах означает средства, которые приходится заранее размещать и защищать, а недостаток — пустые банкоматы, недовольство клиентов и дополнительные выезды для пополнения.
Для банков это превращает работу с банкоматами из простой логистической задачи в систему локального прогнозирования: ИИ одновременно определяет, сколько денег понадобится конкретному устройству, и следит, не приближается ли оно к техническому отказу. При этом качество результата напрямую зависит от точности истории операций, данных о событиях и показаний датчиков.
ИИ используют и для технического обслуживания. Система отслеживает изменения показаний датчиков внутри банкомата и может заранее обнаружить признаки неисправности, чтобы проблему устранили до отказа оборудования. Таким образом, обслуживание смещается от стадии ремонта уже сломанной техники к прогнозированию возможной поломки.
Ещё один подход описала Reply — международная IT-компания, оказывающая услуги по цифровой трансформации. Её система использует ИИ для анализа информации о местных мероприятиях: определяет место, тип события и количество участников, а затем связывает эти данные с ближайшими банкоматами.
Такой сигнал добавляется к прогнозу спроса, поскольку крупное мероприятие может резко изменить объём снятия наличных в конкретном районе. Reply заявляет о возможном сокращении процентных расходов до 40%, но это собственная оценка компании, а не независимое отраслевое измерение.
Американское деловое издание PYMNTS сообщило, что банки начали использовать ИИ для прогнозирования спроса на наличные в отдельных банкоматах и для раннего обнаружения неисправностей. Алгоритмы анализируют историю снятия денег, дни зарплат, праздники и сезонные особенности региона, чтобы определить, сколько наличных нужно конкретному банкомату.
По оценке Brink's — международной компании, специализирующейся на перевозке наличных и других ценных грузов, — одно только более точное прогнозирование может сократить общий объём наличности, необходимый для работы сети банкоматов, на 30–40%. Для банка избыток денег в банкоматах означает средства, которые приходится заранее размещать и защищать, а недостаток — пустые банкоматы, недовольство клиентов и дополнительные выезды для пополнения.
Для банков это превращает работу с банкоматами из простой логистической задачи в систему локального прогнозирования: ИИ одновременно определяет, сколько денег понадобится конкретному устройству, и следит, не приближается ли оно к техническому отказу. При этом качество результата напрямую зависит от точности истории операций, данных о событиях и показаний датчиков.
ИИ используют и для технического обслуживания. Система отслеживает изменения показаний датчиков внутри банкомата и может заранее обнаружить признаки неисправности, чтобы проблему устранили до отказа оборудования. Таким образом, обслуживание смещается от стадии ремонта уже сломанной техники к прогнозированию возможной поломки.
Ещё один подход описала Reply — международная IT-компания, оказывающая услуги по цифровой трансформации. Её система использует ИИ для анализа информации о местных мероприятиях: определяет место, тип события и количество участников, а затем связывает эти данные с ближайшими банкоматами.
Такой сигнал добавляется к прогнозу спроса, поскольку крупное мероприятие может резко изменить объём снятия наличных в конкретном районе. Reply заявляет о возможном сокращении процентных расходов до 40%, но это собственная оценка компании, а не независимое отраслевое измерение.
