In many organizations, manual processes can be streamlined through machine learning. This thesis introduces an ensemble machine learning approach to automate the classification of bank transactions, which is needed in order to create liquidity forecasts. A Random Forest model achieved a classification accuracy of 98.4%. The findings indicate that machine learning can effectively automate bank transaction classification. Additionally, statistical and machine learning models, SARIMA and XGBoost, were employed to forecast transaction types and compared against the forecasts of the existing modelused by BDX. The results indicate that SARIMA and XGBoost can enhance the accuracy of forecasts compared with the model currently in use. Although SARIMA and XGBoost require a larger evaluation time frame to determine their performance relative to the current model.

Många organisationer kan effektivisera manuella processer med hjälp av maskininlärning. Denna rapport presenterar en ensemblebaserad maskininlärningsmetod för att automatisera klassificeringen av banktransaktioner, vilket behövs för att kunna skapa likviditetsprognoser. En Random Forest-modell uppnådde en klassificeringsnoggrannhet på 98.4%. Resultaten visar att maskininlärning effektivt kan automatisera klassificeringen av banktransaktioner. Vidare användes statistiska och maskininlärningsbaserade modeller, SARIMA och XGBoost, för att prognostisera 12 månader framåt för transaktionstyperna och jämfördes med den befintliga modellen som används av BDX. Resultatet visar att SARIMA och XGBoost kan ge bättre prognoser jämfört med modellen som BDX använder idag. Däremot krävs en längre tidsperiod för att utvärdera SARIMA och XGBoost och fastställa deras prestanda i förhållande till den nuvarande modellen som används idag.