در حال حاضر، بانک ها به صورت روزانه با چالش کفایت وجه نقد جهت پاسخگویی به مشتریان و نیز عدم تمایل به افزایش هزینه های ناشی از نقل و انتقال مازاد وجه نقد شعبه مواجه هستند. به همین علت، موضوع برآورد مانده وجه نقد صندوق شعب -با توجه به عملیات روزانه آن- که به عنوان یک سامانه چند متغیره محسوب می شود، از موارد با اهمیت در حوزه بانکداری بشمار می آید. در این راستا، استفاده از روش های داده کاوی و به خصوص روش های خوشه بندی و شبکه عصبی می تواند به افزایش دقت برآورد پارامتر وجه نقد مورد نیاز شعب کمک کند. شبکه های عصبی از لحاظ انعطاف پذیری، غیرخطی بودن ، تحمل بیشتر نوفه ها و نیز وابسته نبودن به فرضیه های اولیه درباره داده های ورودی در این زمینه حائز اهمیت هستند. در این مقاله، 20 شعبه بانک تجارت در بازه زمانی 1/2/93 تا 31/6/93 با توجه به تنوع بین شعب از لحاظ درجه شعبه، نوع شعبه از لحاظ سپرده ای یا تسهیلاتی، تعداد دستگاه خودپرداز در شعبه، شعبه کشیک/ غیرکشیک در خوشه های متشابه دسته بندی شده، سپس با در نظر گرفتن نتایج حاصل از خوشه بندی و متغیرهای مرتبط با وجه نقد شعبه شامل متغیرهای تقویمی مانند روزهای هفته، روزهای پرداخت حقوق/ واریز یارانه/ واریز سود سپرده ها، روزهای تعطیل و مناسبت های رسمی و نیز متغیر میزان وجه نقد مصرفی دستگاه خودپرداز شعبه، ساختار مناسب شبکه عصبی برای برآورد وجه نقد شعب از طریق معیارهای خطا، تعیین شده و وجه نقد شعب در خوشه های مختلف برآورد می شود. نتایج تحقیق نشان می دهد شبکه عصبی با لحاظ نتایج خوشه بندی با میانگین قدر مطلق خطای 5 درصد می تواند عملکرد خوبی جهت برآورد وجه نقد شعب در خوشه های مختلف ارائه دهد.
