মাত্র কয়েক বছর আগে, মানুষের পাঠ্য বোঝার এবং ছবি চিনতে প্রয়োজন ছিল। মেশিন লার্নিং-এর মতো জ্ঞানীয় প্রযুক্তি ব্যবহার করে এই ফাংশনগুলিকে স্বয়ংক্রিয় করা এখন ক্রমশই সম্ভব হয়ে উঠছে। প্রকৃতপক্ষে, মেশিন লার্নিংয়ের প্রথম ব্যবহারিক স্থাপনার মধ্যে একটি, হাতে লেখা চেকের স্বয়ংক্রিয় প্রক্রিয়াকরণ, 1990 এর দশকের গোড়ার দিকে ব্যাঙ্কিংয়ে শুরু হয়েছিল৷
আমরা তখন থেকে একটি দীর্ঘ পথ আসা। গত কয়েক বছরে স্বয়ংক্রিয় সিদ্ধান্ত গ্রহণের ক্ষেত্রে উল্লেখযোগ্য ব্যাঘাত ঘটেছে, বেশিরভাগই তরুণ, উদ্ভাবনী প্রযুক্তি কোম্পানিগুলির নেতৃত্বে। ব্যবসায়িক নেতারা একটি উন্নত গ্রাহক অভিজ্ঞতা তৈরি করতে এবং তাদের ঐতিহ্যগত শিল্পের সীমানা ছাড়িয়ে প্রসারিত করতে জ্ঞানীয় প্রযুক্তি ব্যবহার করছেন৷ এই প্রযুক্তিগুলি যথেষ্ট উন্নতির প্রস্তাব দেয় এবং দ্রুত স্কেলে বিকাশ করছে।
স্বয়ংক্রিয় সিদ্ধান্ত গ্রহণের পরবর্তী সীমানা হল সুপারিশ ইঞ্জিন - একটি সিদ্ধান্ত নেওয়ার প্রক্রিয়াকে বাড়ানো বা সম্পূর্ণরূপে স্বয়ংক্রিয় করতে মেশিন লার্নিং প্রযুক্তির একটি বুদ্ধিমান স্থাপনা৷ অন্তর্দৃষ্টিপূর্ণ সুপারিশ করা, যেমন গ্রাহকদের কাছে পণ্যের সুপারিশ করা যা তারা সম্ভবত কিনতে চায়, দীর্ঘকাল ধরে যেকোন বাণিজ্যিক কোম্পানির পবিত্র গ্রিল হয়ে এসেছে। আমরা গ্রাহকদের অন্তর্দৃষ্টিপূর্ণ সুপারিশগুলিতে সাড়া দেওয়ার উপায়ে একটি মৌলিক পরিবর্তনও দেখতে পাই৷
যে ব্যাঙ্কগুলি সুপারিশ ইঞ্জিনগুলি ব্যবহার করার সম্ভাবনাকে কাজে লাগাতে বেছে নিয়েছে তারা তাদের গ্রাহকদের আরও ব্যক্তিগত অভিজ্ঞতা প্রদানের পাশাপাশি তাদের কর্মীদের দক্ষতা বৃদ্ধি করে একটি প্রতিযোগিতামূলক সুবিধা তৈরি করছে৷
সুপারিশ ইঞ্জিন এখানে থাকার জন্য আছে
সুপারিশ ইঞ্জিনগুলি কাজ করে কারণ তারা অতীতের গ্রাহক আচরণ থেকে অর্জিত অন্তর্দৃষ্টিগুলিকে ভবিষ্যত গ্রাহকের চাওয়ার পূর্বাভাস দেয় – কয়েকটি সর্বব্যাপী উদাহরণ:
- Amazon হল বিশ্বের বৃহত্তম খুচরা বিক্রেতা, এবং এর সুপারিশ ইঞ্জিন তার বিক্রয়ের একটি বড় শতাংশ তৈরি করে। এই ইঞ্জিনটি তাদের গ্রাহকদের কাছে সবচেয়ে প্রাসঙ্গিক বলে বিবেচিত পণ্যগুলির পরামর্শ দিয়ে একটি বাধ্যতামূলক ব্যবহারকারীর অভিজ্ঞতা তৈরি করে৷
- Netflix তার উচ্চতর সুপারিশ ইঞ্জিনের কারণে এক নম্বর বিষয়বস্তু প্রদানকারী হয়ে উঠেছে যা অতীতের নির্বাচনের ডেটা, সেইসাথে ব্যবহারকারীর রেটিং এবং প্রতিক্রিয়া লাভ করে। এই ডেটার সাথে, এটি তার গ্রাহকদের প্রাসঙ্গিক, ব্যক্তিগতকৃত চলচ্চিত্রের পরামর্শ প্রদান করে।
ব্যাংকের কাজ করার পদ্ধতি পরিবর্তন করা
তাই ব্যাংকিং বিশ্বের জন্য এই মানে কি? ব্যাঙ্কগুলির জন্য সুপারিশ ইঞ্জিনগুলির প্রধান ব্যবহার এবং সুবিধাগুলির মধ্যে রয়েছে:
- স্কেল এ ব্যক্তিগতকরণ
অন্তর্দৃষ্টি-চালিত ব্যাঙ্কগুলি একটি উপযোগী গ্রাহক অভিজ্ঞতা তৈরি করতে তাদের ক্লায়েন্টদের সম্পর্কে সংগ্রহ করা ডেটা থেকে জ্ঞান আহরণ করে। উদাহরণগুলির মধ্যে রয়েছে অনলাইন ব্যাঙ্কিং প্ল্যাটফর্মে প্রবেশ করার সময় গ্রাহকরা যে ইন্টারফেসটি দেখেন এবং ভোক্তা মোবাইল অ্যাপ ব্যবহার করার সময় পণ্যের পরামর্শগুলি উপস্থিত হয়।
একজন সাধারণ ব্যাঙ্কিং গ্রাহকের দুটি উদ্দেশ্য থাকে; বুদ্ধিমান খরচ করতে এবং স্মার্ট বিনিয়োগ করতে. দুর্ভাগ্যবশত, এই প্রতিটি উদ্দেশ্যের পিছনে চালিকা শক্তিগুলি প্রায়ই প্রতিটি গ্রাহকের জন্য আলাদা হয়, যে কারণে সুপারিশ সিস্টেম দ্বারা সক্ষম করা কাস্টমাইজেশন এত কার্যকর হতে পারে।
পরামর্শ সিস্টেমগুলি লেনদেনের ডেটা বিশ্লেষণ করতে এবং কীভাবে অর্থ সঞ্চয় করতে হয় সে সম্পর্কে গ্রাহকদের কাস্টমাইজড পরামর্শ দিতে সক্ষম। তারা অনুরূপ বৈশিষ্ট্য সহ অন্যান্য গ্রাহকদের আচরণ বিশ্লেষণ করতে পারে এবং তাদের জন্য কাজ করেছে এমন পণ্যগুলির সুপারিশ করতে পারে৷
- কর্মশক্তি বৃদ্ধি
প্রস্তাবিত ইঞ্জিনগুলি কর্মীদের আরও ভাল সিদ্ধান্ত নিতে এবং তাদের সময়কে আরও স্মার্ট উপায়ে বিনিয়োগ করতে সক্ষম করে৷ আরও ভালো সিদ্ধান্ত কর্মীদের উৎপাদনশীলতা এবং মূল্য সংযোজন বাড়ায় এবং এর ফলে সামগ্রিকভাবে একটি ব্যবসার কর্মক্ষমতা উন্নত হয়।
প্রতারণামূলক কার্যকলাপ ব্যাঙ্কের জন্য অত্যন্ত ব্যয়বহুল। প্রথাগতভাবে, জালিয়াতি সনাক্তকরণ একটি নিয়ম-ভিত্তিক প্যাটার্ন-ম্যাচিং পদ্ধতি ব্যবহার করত, যা বজায় রাখতে সময়সাপেক্ষ এবং সদা-বিকশিত জালিয়াতি কৌশলগুলির কারণে প্রায়শই অকার্যকর। মেশিন লার্নিং ব্যবহার করে, ব্যাঙ্কগুলি অনেক বেশি নির্ভুলতার সাথে অসঙ্গতিগুলি সনাক্ত করতে সক্ষম হয় এবং শীঘ্রই সন্দেহজনক কার্যকলাপকে চিহ্নিত করতে সক্ষম হয়। এটি জালিয়াতি সনাক্তকরণ বৃদ্ধির পাশাপাশি মিথ্যা অ্যালার্ম হ্রাসের দিকে পরিচালিত করে।
- অটোমেশন অর্কেস্ট্রেশন
স্বয়ংক্রিয় সিদ্ধান্ত গ্রহণের সম্পূর্ণ সুবিধা অর্জনের জন্য একটি সংস্থার বিভিন্ন অংশকে লিঙ্ক করা এবং শেষ থেকে শেষ যাত্রা তৈরি করা প্রয়োজন৷ একবার ব্যবসার একটি অংশে স্বয়ংক্রিয় সিদ্ধান্ত গ্রহণ প্রয়োগ করা হলে, এটি এমন সুযোগ তৈরি করতে পারে যা একটি বিচ্ছিন্ন প্রক্রিয়া বা লেনদেন স্বয়ংক্রিয় করার বাইরেও যেতে পারে।
ব্যাঙ্কগুলি প্রতিদিন প্রচুর সংখ্যক লেনদেন প্রক্রিয়া করে। এমন একটি ব্যাঙ্কের কল্পনা করুন যেটি প্রতিটি গ্রাহকের লেনদেনকে রিয়েল-টাইমে ক্রয়ের ধরন দ্বারা শ্রেণীবদ্ধ করে, যেমন বিনোদন, ভ্রমণ, খাবার বা ভাড়ার ব্যয়। এটি সুপারিশ ইঞ্জিনগুলির সাথে সম্ভব যা অনুরূপ ঐতিহাসিক লেনদেনে আবিষ্কৃত নিদর্শনগুলির উপর ভিত্তি করে উপযুক্ত ব্যয় বিভাগে প্রতিটি ক্রয়কে বরাদ্দ করে।
আসলে, কিছু ব্যাঙ্ক ইতিমধ্যেই গ্রাহক খরচের রিয়েল-টাইম শ্রেণীবিভাগ ব্যবহার করে। একটি ব্যাঙ্ক গ্রাহকদের ব্যয় বিশ্লেষণ প্রদান করতে এই তথ্য ব্যবহার করতে পারে। খরচের বিশ্লেষণ, পরিবর্তে, একটি সুপারিশ ইঞ্জিনে ইনপুট হিসাবে ব্যবহার করা যেতে পারে যা গ্রাহকদের কীভাবে অর্থ সঞ্চয় করতে হয় বা কোন পণ্যগুলিতে বিনিয়োগ করতে হয় সে সম্পর্কে পরামর্শ দেয়।
আগামীর পথ
স্বয়ংক্রিয় সিদ্ধান্ত গ্রহণ ইতিমধ্যেই দ্রুত রূপান্তরিত করছে কীভাবে ব্যাঙ্কগুলি পুরো মূল্য শৃঙ্খলে পরিষেবা সরবরাহ করে। তাদের স্থাপনা স্কেল এবং কর্মশক্তি বৃদ্ধিতে ব্যক্তিগতকরণকে সক্ষম করছে এবং এর ফলে আরও অটোমেশনের সুযোগ তৈরি হচ্ছে। সুপারিশ ইঞ্জিনগুলির সম্পূর্ণ সুবিধাগুলি কাটাতে, ব্যাঙ্কগুলিকে তাদের গ্রাহক যাত্রার আরও বেশি সামগ্রিক দৃষ্টিভঙ্গি নিতে হবে যেমনটি তারা ইতিমধ্যেই করেছে৷ Deloitte ওয়েবসাইটে জ্ঞানীয় প্রযুক্তি সম্পর্কে আরও পড়ুন।
