Rajnesh Kumar

• The strategic placement of branches in the banking sector is important for improving client access, expanding market reach, and for overall business success. This thesis uses Geographic Information Systems (GIS) and machine learning clustering algorithms which includes K-Means, DBSCAN, and Hierarchical Clustering to predict optimal locations for new bank branches. At first, it analyzes the point of interest (POIs) around the existing bank branches in different locations across five German cities which include Koblenz, Dresden, Dortmund, Rostock, and Hannover. By analyzing the types of POIs around these branches, it identifies factors contributing to increased customer footfall and possible bank success. The geospatial data used in this thesis is extracted from OpenStreetMap API. A scoring mechanism, assigning scores from 0 to 10 to different POIs is then developed. This POI list with scores is then integrated with clustering algorithms to predict new branch locations, enhancing strategic planning in the banking sector. The approach used in this thesis extends well beyond the banking industry, suggesting that it can be applied in a wider range of fields, such as location-based services and spatial decision support systems.
• Die strategische Platzierung von Filialen im Bankensektor ist wichtig für die Verbesserung des Kundenzugangs, die Ausweitung der Marktreichweite und den allgemeinen Geschäftserfolg. In dieser Arbeit werden geografische Informationssysteme (GIS) und Clustering-Algorithmen des maschinellen Lernens wie K-Means, DBSCAN und Hierarchical Clustering eingesetzt, um optimale Standorte für neue Bankfilialen vorherzusagen. Zunächst werden die Points of Interest (POIs) im Umfeld der bestehenden Bankfilialen an verschiedenen Standorten in fünf deutschen Städten analysiert, darunter Koblenz, Dresden, Dortmund, Rostock und Hannover. Durch die Analyse der Arten von POIs im Umfeld dieser Filialen werden Faktoren identifiziert, die zu einer erhöhten Kundenfrequenz und einem möglichen Erfolg der Bank beitragen. Die in dieser Arbeit verwendeten Geodaten stammen aus der OpenStreetMap API. Anschließend wird ein Scoring-Mechanismus entwickelt, der den verschiedenen POIs Punkte von 0 bis 10 zuweist. Diese POI-Liste mit Bewertungen wird dann in Clustering-Algorithmen integriert, um neue Filialstandorte vorherzusagen und die strategische Planung im Bankensektor zu verbessern. Der in dieser Arbeit verwendete Ansatz geht weit über den Bankensektor hinaus und kann in einem breiteren Spektrum von Bereichen angewendet werden, z. B. bei standortbezogenen Diensten und räumlichen Entscheidungsunterstützungssystemen.