Die dreischichtige Entscheidung einer Bank mit vielen Geldautomaten: (a) Tagesanfangsbargeld pro Automat, (b) Wiederbefüllungsfrequenz und -menge, (c) Route des gepanzerten Bargeldtransportfahrzeugs (CIT). Balance zwischen den Beschwerdekosten eines leeren Automaten und den Immobilisierungskosten (Zinsopportunität) eines überfüllten Automaten. Akademisch: ATM Cash Management; foundational Simutis et al. (2008), Castro (2009).
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Wir sind eine mittelgroße Geschäftsbank mit 500-3.000 Geldautomaten; der tägliche Anfangsbargeldbestand pro Automat wird von einem Filialplaner intuitiv oder per einfachem Mittelwert entschieden — keine systematische Nachfrageprognose.
- Wir sind eine Beteiligungsbank mit 100-500 innerstädtischen Automaten; Einkaufszentrum, Bushaltestelle, Campus, Bürobezirk zeigen sehr unterschiedliche Abhebungsmuster, doch alle werden mit dem gleichen 'regelbasierten' Bargeld bestückt.
- CIT-Routen werden von der Nachtbetriebsleitstelle geplant; der gleiche Automat ist heute voll, morgen leer — die Wiederbefüllungsfrequenz ist beobachtungsgetrieben, nicht datengetrieben.
- Wir haben die jährlichen Zinsopportunitätskosten des stillstehenden Bargelds in unseren Automaten nicht berechnet; die Finanzabteilung berichtet 'so viel Bargeld im Umlauf', dass diese Zahl um 20-40 % gesenkt werden könnte, war nie Thema.
- Beschwerden über leere Automaten erscheinen in den wöchentlichen Berichten als 50-300 Vorfälle; die Durchschnittskosten je Vorfall (verlorene Gebühr + Markenschaden) sind nicht quantifiziert.
- An Anomalietagen (Monatsende, vor Feiertagen, Zahltag) vervielfachen sich die Leer-Vorfälle; die Prognose berücksichtigt diese Muster nicht.
- Die Vorgaben der Bankenaufsicht zur CIT-Überwachung und die Routenvertraulichkeitsklauseln der Versicherer ziehen in eine Richtung, während die bestehende Planung alle Routen an einen einzigen Anbieter vergibt — ein Single-Supplier-Lock-in-Risiko.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Prognostiziere die Tagesabhebungen je Automat; setze das Anfangsbargeld per Chance-Constraint-Bestandsregel (Leerwahrscheinlichkeit unter 1-5 %); plane dann das Werttransport-Fahrzeug-VRP mit jeder Nacht einer anderen Route (Sicherheit) — Ruhebargeld + Fahrzeug-km + Leer-Automat-Strafe gemeinsam minimieren.
Dieses Problem wird in der Operations-Research-Literatur (Disziplin, die Mathematik und Computer für Geschäftsentscheidungen einsetzt) als ATM Cash Management bzw. Cash-in-Transit Routing and Replenishment untersucht. ATM Cash Management unterscheidet sich vom klassischen VMI/IRP (#048): IRP ist die allgemeine Industriegas-/Kraftstoff-Verteilung; ATM ist bargeld-spezifisch (Stückelungsmix, Sicherheits-/Versicherungskosten, standortspezifische Nachfrage, CIT-Regulierung). Auch von VRPTW (#002) verschieden — nicht nur Routing, sondern drei Schichten: Prognose + Bestand + Routing. Lösung in drei Stufen:
1. Modellierung. Eingaben: (a) Automatenmenge — je Automat Standorttyp (Mall, Haltestelle, Campus, Büro, Quartiermarkt), Kassettenkapazität (2.500-4.000 Noten/Kassette, 4-6 Kassetten/Automat, 10K-25K Noten), Tageshistorie (mind. 12-24 Monate), Stückelungsmix, (b) CIT-Parameter — Fahrzeuganzahl, Kapazität, Geschwindigkeit, Schichtdauer (22:00-06:00), Depot, Sicherheitsregeln, (c) finanzielle Parameter — Referenzzins, Vor-Ort-Bargeld-Versicherungsprämie (0,5-2 Promille/Jahr), Beschwerdekosten (8-20 EUR/Vorfall), Gebühr, (d) Regulierung — Bankenaufsicht-CIT-Überwachung, Datenschutz, Stückelungsregeln. Entscheidungsvariablen gemeinsam: (i) Anfangsbargeld pro Automat (je Stückelung), (ii) Wiederbefüllungsfrequenz (Chance-Constraint β = 0,95-0,99), (iii) CIT-Tagesrouten. Restriktionen: Kassettenkapazität, Servicelevel (Chance-Constraint), Fahrzeugkapazität, Schichtdauer, Routenvertraulichkeit. Ziel: gewichtete Summe — Immobilisierung + CIT-Betrieb + erwartete Stock-out-Strafe + Versicherung.
2. Lösung. Drei Schichten gemeinsam: (a) Nachfrageprognose — Holt-Winters, ARIMA, standortspezifische Kalibrierung, Anomalietage als Zusatzregressoren; Gruppenprognose — Automaten mit ähnlichem Muster zu Gruppen clustern, Gruppenprognose ist genauer als Einzelprognose. (b) Stochastischer Bestand — (s, S) oder Newsvendor, Servicelevel β = 0,95-0,99 als Chance-Constraint (probabilistische Restriktion — “Leerwahrscheinlichkeit unter 5 %”); Rolling-Horizon (täglich neu lösen) mit Telemetrie. (c) CIT-Routing — VRP-Variante (Vehicle Routing Problem — Fahrzeugrouting), kapazitiert, Schicht-beschränkt; 50-200 Automaten MIP (Mixed-Integer Linear Programming — Optimierung mit teils 0/1-, teils stetigen Variablen) direkt; 200-1.000 ALNS (Adaptive Large Neighborhood Search — intelligente Suchmethode) oder Branch-and-Cut. Integrierte Lösung: VMND (Variable MIP Neighborhood Descent).
3. Feldintegration. Vier Ebenen: (a) Planungs-Dashboard — Empfehlung je Automat, Servicelevel-Bericht, (b) CIT-Operator-App — sortierte Liste, Beträge, Variation der Route, (c) Echtzeit-Monitoring — Telemetrie, Kritisch-Niedrig-Alarm, (d) Finanz-Reporting — tägliche Immobilisierung, Betriebskosten, Stock-out-Zahl. Upstream: Kernbanksystem, Tresorverwaltung, Aufsichts-Reporting, Versicherer. Quartalsweise: Soll-Ist Immobilisierung, Prognosegenauigkeit, Stock-out-Trend, CIT-Leistung, Stückelungsanalyse.
Alternativen
Manuell + feste Regel (jeder Automat gleicher Betrag, wöchentlich)
KostenlosKeine Lizenz
Für wen geeignet: Kleiner Betreiber (50-200 Automaten), Einzelstadt
- + Keine Softwarekosten
- + Einfache Regel
- + IT-Integration einfach
- − Keine Nachfrageprognose — Stock-out bei hoher Nachfrage, Immobilisierung bei niedriger
- − CIT-Route ineffizient
- − Servicelevel beobachtungsgetrieben
- − Jährlich 15-30M EUR entgangene Einsparung ab 200 Automaten
Lokale Banksoftware + Basis-Reporting
Enterprise1-4M EUR Lizenz + 300K-1M EUR/Jahr Wartung
Für wen geeignet: Mittelgroße Bank (200-800 Automaten), Einzelregion
- + Nähe zur lokalen Regulierung
- + Reife Kernbank-Integration
- + Lokale Sprache und Support
- − Prognosemodul meist einfach (Wochenmittel)
- − Stochastischer Bestand meist fehlend
- − CIT-VRP-Modul meist fehlend
- − Drei Entscheidungen getrennt
Internationale Bankplattform + ATM-Cash-Modul
Enterprise5-20M EUR Lizenz + 1-4M EUR/Jahr Wartung
Für wen geeignet: Große Bank (1.000+ Automaten), mehrere Regionen
- + Reife Prognose (ARIMA, ML, Anomalieerkennung)
- + Stochastischer Bestand + Chance-Constraint
- + CIT VRP + sicherheitsbewusstes Routing integriert
- + Telemetrie + Echtzeit-Re-Planung Standard
- − Hohe Lizenz + lange (18-30 Monate) Einführung
- − Lokale Anpassung verlängert Projekt
- − Schulung breit
- − Plattform-Lock-in (Vertrag lang, Ausstieg teuer)
Open-Source-Solver + eigenes ATM-Cash-Modul
Open SourceLizenz frei; Inhouse 30-50 Wochen oder 1,5-4M EUR Beratung
Für wen geeignet: Bank mit Tech-Team, Integration in Kernbank + CIT
- + Keine Lizenzkosten
- + Nachfrageprognose + stochastischer Bestand + dynamisches Routing in Open-Source gut definiert
- + Flexibles Design
- + Integrierte Lösung als Referenz vorhanden
- − Interner OR-Spezialist + Betriebsteam nötig
- − Akademie zu Produktion 12-18 Monate
- − Compliance intern
- − CIT-Operator-API separat
Empfehlung
Im Gespräch fragen
- Welche Prognoseansätze unterstützt das Modul — Holt-Winters, ARIMA, Gruppenprognose über Cluster, ML? Wie werden Anomalietage modelliert?
- Wird stochastischer Bestand mit Chance-Constraint (β = 0,95-0,99) unterstützt? (s, S), Newsvendor oder feste Min-/Max-Regel?
- Werden ATM Cash Management + CIT-Routing als ein integriertes Modell gelöst oder sequentiell? Gibt es einen Ansatz, bei dem Bestand und Routenplanung im selben Lauf optimiert werden?
- Wie wird der Stückelungsmix modelliert — Prognose je Stückelung, Kassettenfüllung je Stückelung?
- Wie wird Routenvertraulichkeit umgesetzt — Randomisierung, festes-Muster-brechende Regeln?
- Wie werden Aufsichts-CIT-Überwachung und Versicherer-Reporting integriert — automatische Berichte, Audit-Trail?
- Welcher Einsparungsbericht (12-16 Wochen Pilot) gegenüber manueller/fester-Regel-Lösung — Immobilisierung, Stock-out, CIT-Kosten?
- Bei Vertragsende: in welchem Standardformat (CSV, JSON, Parquet) lassen sich Abhebungshistorie, CIT-Routenarchiv, Prognosemodell und Servicelevel-Berichte exportieren?
Technische Details
Anmerkung der Redaktion
Im Bankbetrieb heißt dieses Problem ‘ATM-Bargeldplanung’, ‘Geldtransportroute’ oder ‘ATM-Bargeldverwaltung’. In der akademischen Literatur ist sein kanonischer Name ATM Cash Management oder Cash-in-Transit Routing and Replenishment. Foundational sind Simutis et al. (2008) und Castro (2009); moderne Übersicht Wagner-Bachner (2018). Dieses Problem verknüpft drei ineinandergreifende Entscheidungsschichten — nicht nur Routing, nicht nur Bestand, nicht nur Prognose; alle drei zugleich.
Unterschied zu #048 (IRP): #048 ist allgemeines Industriegas-/Kraftstoff-VMI. Dieses Problem ist bargeld-spezifisch: Stückelungsmix, Sicherheits-/Versicherungskosten, standortspezifische Nachfrage, dichte Regulierung (Bankenaufsicht-CIT-Überwachung, Datenschutz, Versicherer-Routenvertraulichkeit).
Unterschied zu #002 (VRPTW): VRPTW routet bereits bestellte Waren in Zeitfenstern — einschichtig. Hier dreischichtig: Prognose + Bestand + Routing.
Häufig übersehener Kern: die Balance Immobilisierungskosten vs. Wiederbefüllungskosten. Banken füllen ATMs ‘großzügig’, um Beschwerden zu vermeiden — typisch 80-100 % der Kassettenkapazität. Versteckte Kosten: jährliche 5-15 % Zinsopportunität auf das Vor-Ort-Bargeld + Versicherung + Sicherheit. In einer 1.000-Automaten-Bank ist das eine 4-30 Mio. EUR/Jahr-Linie, die der Finanzabteilung bekannt, dem Operations nie quantifiziert ist. Echtzeit-Prognose + Chance-Constraint-Bestand + dynamische Wiederbefüllung senken die Immobilisierungskosten um 20-40 %; Stock-out-Ereignisse steigen nicht, sondern sinken. Zweite Lücke: Anomalietage (Zahltag, vor Feiertag, Wochenende, Markttage) — eine Mittelwertprognose verfehlt sie. Holt-Winters mit Anomalie-Flags oder die Gruppenprognose von Ekinci-Lu-Duman (2015) fängt das Muster ein.
Dritte Lücke: CIT-Routenvertraulichkeit und Sicherheit. Dieselbe Wochenroute an einen einzigen Operator erzeugt Vorhersagbarkeit — und Überfallrisiko. Optimierte Lösung erzeugt jede Nacht eine andere (und dennoch kosteneffiziente) Route; ein fester Wochenplan ist sowohl kosten- als auch sicherheitsschwach.
Schritt für Schritt — für die KMU-Bank
Stufe 1 — Messen. Mindestens 18 Monate Daten: Tagessumme je Automat (gesamt und je Stückelung), Transaktionsanzahl, Stundenprofil, Stock-out-Historie, Standorttyp-Tag. CIT-Daten: nächtlich besuchte Automaten, Fahrzeug-Stunden, km, abgeladenes Bargeld, Routenzeit. Finanzdaten: Referenzzins, Prämie, Versicherungslimit, Beschwerdekostenschätzung.
Stufe 2 — Wissenskapital. Segmentierungskarte (hoch/mittel/niedrig, saisonal/stabil, anomalie-sensitiv/nicht). Prognosekalibrierung. Immobilisierung-vs-Stock-out-Kurve. CIT-Produktivität.
Stufe 3 — Pilot. 12-16 Wochen. Eine Region (eine Stadt, 50-200 Automaten): integrierte Prognose + stochastischer Bestand + CIT-VRP parallel zur manuellen Lösung. Erfolgskriterien vorab schriftlich: Immobilisierung -15 %, Stock-out -30 %, CIT-Produktivität +10 %.
Stufe 4 — Rollout. 12-18 Monate bis volles Netz + CIT. Telemetrie-getriggerte Re-Planung (stündlicher Alarm, tägliche volle Re-Planung). Quartalskomitee.
Risiken — was schiefgehen kann
Prognoseabweichung (Anomalietage). Ungekennzeichnete Zahltag-/Feiertag-/Markttage führen zu Stock-out-Wellen. Kalender jährlich, Modell mit Gewichtung neu kalibrieren. Referenz: Ekinci-Lu-Duman (2015).
CIT-Überfallrisiko. Feste Wochenroute + feste Crew schaffen Vorhersagbarkeit. Lösung: unterschiedliche Route je Nacht, Crew-Rotation, GPS-Echtzeit, Versicherer-Vertraulichkeit. Limit pro Automat (max 200-500K) als zusätzliche Kontrolle.
Automatenstörung (Notenstau, Kassettenfehler). Kein Stock-out, aber keine Abhebung — System markiert fälschlich Stock-out und triggert Wiederbefüllung. Lösung: Telemetrie trennt Störung von Füllstand; Echtzeit-Fehlermonitoring; SLA (4-12 Stunden).
Plattform-Lock-in. Ohne Klausel zu jährlichem Export (CSV, JSON, Parquet) von Abhebungshistorie, CIT-Routen, Prognosemodell und Servicelevel-Berichten bedeutet ein Wechsel den Verlust des operativen Gedächtnisses. CIT-Routendaten müssen bei der Bank bleiben.
Technischer Blick auf die Lösung
| Ansatz | Skala | Lösungszeit | Garantiert optimal? |
|---|---|---|---|
| Manuell + feste Regel | Klein, <200 Automaten | sofort | Nein, 40-60 % optimal |
| Prognose + festes (s, S) | Mittel, 200-500 | Minuten | Teilweise — Prognose gut, Bestand+Route entkoppelt |
| Gruppenprognose (Ekinci 2015) | Mittel-groß, 300-1.000 | Minuten-Stunden | Genauigkeit +10-20 % |
| Stochastischer Bestand (Castro 2009) + separate VRP | Mittel, 200-800 | Stunden | Bestand exakt, Route sequenziell |
| Integrierter VMND (Larrain 2017) | Mittel-groß, 100-500 | Stunden | Ja (Schranke) |
| ALNS — große Skala | Groß, 800-3.000 | Stunden | Nein, gute Praxisqualität |
| Rolling-Horizon-Re-Planung (Telemetrie) | Dauerbetrieb | Minuten | Übergangsqualität |
Zielfunktion:
- Ziel 1 — Gesamtkosten minimal: Immobilisierung + CIT-Betrieb + erwartete Stock-out-Strafe.
- Ziel 2 — Stock-out minimal (max Servicelevel): Kundenorientiert.
- Ziel 3 — Immobilisierung minimal: Finanzorientiert, Chance-Constraint hält Stock-out-Wahrscheinlichkeit.
- Ziel 4 — CIT-Kosten minimal: Logistikorientiert, Bestand fix.
Mehrkriteriell: gewichtete Summe oder hierarchisch (zuerst Regulierung + Sicherheit, dann Servicelevel, schließlich Immobilisierung + CIT).
ATM-Cash-Management-Varianten:
- Klassisches ATM Cash Management (Castro 2009): Einzelbank, deterministisch.
- Gruppen-Nachfrageprognose (Ekinci-Lu-Duman 2015): Clustering.
- Integrierter Bestand + Verteilung VMND (Larrain et al. 2017): Gemeinsamer MIP.
- Stochastisches ATM Cash Management: Chance-Constraint + Szenarien.
- Multi-Bank-Shared-CIT: Mehrere Banken teilen einen CIT-Operator.
- Echtzeit-Wiederbefüllung (Telemetrie): Stündlicher Alarm, Intra-Nacht-Re-Routing.
Akademische Quellen
Im Frontmatter unter sources. Simutis et al. (2008) und Castro (2009) foundational; Wagner-Bachner (2018) moderne Übersicht; Ekinci-Lu-Duman (2015) Gruppenprognose; Larrain-Coelho-Cataldo (2017) VMND.
Quellen
- Simutis, R., Dilijonas, D., Bastina, L., Friman, J. und Drobinov, P. (2008). Optimization of cash management for ATM network. Information Technology and Control, 36(1A), 117-121.
- Castro, J. (2009). A stochastic programming approach to cash management in banking. European Journal of Operational Research, 192(3), 963-974.
- Wagner, D. und Bachner, M. (2018). Bank cash management — a review of recent literature. International Journal of Banking, Accounting and Finance, 9(2), 169-189.
- Ekinci, Y., Lu, J.-C. und Duman, E. (2015). Optimization of ATM cash replenishment with group-demand forecasts. Expert Systems with Applications, 42(7), 3480-3490.
- Larrain, H., Coelho, L. C. und Cataldo, A. (2017). A Variable MIP Neighborhood Descent algorithm for managing inventory and distribution of cash in automated teller machines. Computers & Operations Research, 85, 22-31.
- YÖK Tez Merkezi — Stichwort: ‘ATM nakit yönetimi’, ‘para taşıma’ oder ‘CIT’ — 15+ Theses aus TR. tez.yok.gov.tr
Glossar
- ATM Cash Management
- OR-Problem zur Prognose der Bargeldnachfrage je Geldautomat, Entscheidung über Wiederbefüllungszeitpunkt und -menge, und Abwägung der Immobilisierungskosten (Zinsopportunität + Sicherheitsrisiko) des stillstehenden Bargelds gegen die Stock-out-Kosten (Kundenbeschwerden + entgangene Transaktionen) eines leeren Automaten; verbindet Prognose + stochastischen Bestand + Cash-in-Transit-Routing (CIT).
- Cash-in-Transit Routing
- Operative Routenplanung gepanzerter Bargeldtransport-Fahrzeuge, die Geldautomaten und Filialen einer Bank zur Bargeldnachfüllung anfahren. VRP-Variante, geprägt durch Sicherheit (Routen-Unvorhersagbarkeit), enge Zeitfenster, Stückelung und behördliche Überwachung.
- VRP
- Die Entscheidung, welche Fahrzeuge — ausgehend von einem oder mehreren Depots — welche Kunden in welcher Reihenfolge anfahren.
- MIP
- Optimierungsmodell, bei dem ein Teil der Entscheidungsvariablen ganzzahlig sein muss (z. B. Anzahl LKW, Anzahl Schichten).
Ähnliche Probleme
Fixes Budget, viele Kandidatenprojekte — welche Teilmenge wähle ich, damit der Gesamtertrag maximal wird?
Ein Investitionskomitee einer mittelständischen Holding oder eines KMU steht jährlich vor 50-200 Kandidatenprojekten (Werkserweiterung, neue Linie, Lager, IT-Modernisierung, Digitalisierung) bei festem Jahresbudget (50-500M TRY): welche Teilmenge wählen, damit das Budget eingehalten und der Gesamtertrag (NPV) maximal wird? Die intuitive Regel 'nach NPV/Investitionsquote sortieren und von oben nehmen' verfehlt kleine, aber renditestarke Projekte, die in die letzten 5-10 % des Budgets passen — empirisch weicht sie 5-15 % vom Optimum ab, bei mehrdimensionalen Restriktionen (Budget + Arbeitsstunden + Maschinenstunden) wächst die Lücke auf 10-25 %. Dieselbe Struktur kehrt wieder bei der monatlichen Marketingkampagnenauswahl, bei kapazitätsbeschränkter Frachtbeladung und bei der Lieferantenauswahl. Die verbreitete Überzeugung im Komitee 'ein mathematisches Optimum lässt sich nicht bestimmen, man entscheidet nach Gefühl' ist falsch — eine optimale Lösung für 200-1000 Kandidaten wird in Minuten geliefert.
Mehrere Inputs + mehrere Outputs — Wie messe ich die relative Effizienz meiner Filialen oder Einheiten?
Diese Seite richtet sich an Sie, wenn Sie eine Bank mit 100-500 Filialen, eine Krankenhauskette mit 200-1.500 Betten an mehreren Standorten, eine Bildungsdirektion mit Hunderten von Schulen oder eine öffentliche Stelle führen, die Provinz für Provinz vergleicht. Die Kernfrage: welche Ihrer Filialen/Kliniken/Schulen sind effizient und welche nicht — und an welchem 'Peer' sollen sich die schwachen orientieren, um wie viel zu schließen? Jede Einheit verbraucht gleichzeitig mehrere Inputs (Personal, Fläche, Budget) und produziert mehrere Outputs (Erträge, Kunden/Patienten/Schüler, Qualität); eine Einzelkennzahl wie 'Ertrag pro Mitarbeiter' bildet das nicht ab und kann eine effiziente Einheit als schwach ausweisen oder umgekehrt. Richtig aufgesetzt — weil der Peer-Benchmark einen konkreten Verbesserungsbezug liefert — steigt die Akzeptanz von Verbesserungsplänen für schwache Einheiten um 40-70%, was bei einem mittelgroßen Filialnetz grob 10-50 Millionen TRY operativer Marge pro Jahr entspricht.
Welcher Anteil meines Geldes geht in welche Anlage?
Eine Grundfrage für KMU oder Privatanleger: Es gibt Kapital und mehrere Anlageoptionen (Aktien, Anleihen, FX, Rohstoffe, Termingeld, Immobilien, Reinvestition im Unternehmen), jede mit eigener erwarteter Rendite und Risiko und mit Korrelationen untereinander. Wie viel Prozent geht wohin? Der mathematische Name ist Portfolio Optimization Problem. 1952 stellte Harry Markowitz den Mean-Variance-Rahmen vor — das Nobelpreis-gekrönte Fundament der modernen Portfoliotheorie. Erwartete Rendite maximieren bei minimaler Varianz (Risiko) ist ein quadratisches Optimierungsproblem.