Report 1: Member Demographic Profile

Total Members: 1629

Gender Distribution

Gender x Marital Status (Married / Unmarried breakdown)

Age Summary

4 member(s) excluded due to missing/invalid age (age ≤ 0 বা age ≥ 100 হলে সেটাকে ভুল তথ্য ধরে বাদ দেওয়া হয়েছে)।

হিসাবের ভিত্তিতে ব্যবহৃত সদস্য সংখ্যা (n): 1625

Mean (গড়) — সূত্র ও ব্যাখ্যা

\[ \bar{x} = \frac{\sum_{i=1}^{n} x_i}{n} \]

যেখানে \(x_i\) হলো প্রতিটি সদস্যের বয়স এবং \(n\) হলো মোট বৈধ সদস্য সংখ্যা। অর্থাৎ সবগুলো বয়স যোগ করে মোট সদস্য সংখ্যা দিয়ে ভাগ করলে গড় (Mean) পাওয়া যায়। এই ডেটাসেটে গড় বয়স = 42.7 বছর।

Median (মধ্যক) — সূত্র ও ব্যাখ্যা

সবগুলো বয়সকে ছোট থেকে বড় ক্রমে সাজিয়ে ঠিক মাঝখানের মানটিই হলো Median।

  • যদি \(n\) বিজোড় হয়: মধ্যম অবস্থানের মান \(= x_{\left(\frac{n+1}{2}\right)}\)
  • যদি \(n\) জোড় হয়: মাঝের দুইটি মানের গড় \(= \dfrac{x_{(n/2)} + x_{(n/2+1)}}{2}\)

SD (Standard Deviation / আদর্শ বিচ্যুতি) — সূত্র ও ব্যাখ্যা

\[ SD = \sqrt{\frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n-1}} \]

এখানে প্রতিটি বয়স (\(x_i\)) থেকে গড় (\(\bar{x}\)) বিয়োগ করে তার বর্গ (square) নেওয়া হয়, তারপর সবগুলো যোগ করে \((n-1)\) দিয়ে ভাগ করে বর্গমূল (square root) নেওয়া হয়। SD বলে দেয় সদস্যদের বয়স গড় থেকে গড়ে কতটা দূরে ছড়িয়ে আছে — SD যত বেশি, বয়সের তারতম্য তত বেশি। এখানে SD = 9.6 বছর।

মন্তব্য (Report 1 — সদস্য জনমিতিক প্রোফাইল)

মোট 1629 জন সদস্য-এর মধ্যে গড় বয়স 42.7 বছর এবং বয়সের বিস্তার (SD) 9.6 বছর। সদস্যদের মধ্যে মহিলাদের অনুপাত অনেক বেশি, যা মাইক্রোফাইন্যান্স Branch-এর সাধারণ প্যাটার্নের সাথে সামঞ্জস্যপূর্ণ।

করণীয়: নতুন সদস্য ভর্তির (Admission) সময় Gender ও বয়সের ভারসাম্য বিবেচনায় রাখা যেতে পারে, যাতে ভবিষ্যতে ঋণ ও সঞ্চয় প্রকল্পগুলো নির্দিষ্ট বয়স গোষ্ঠীর (Age Group) প্রয়োজন অনুযায়ী ডিজাইন করা যায় — যেমন তরুণ সদস্যদের জন্য উদ্যোক্তা-ভিত্তিক ঋণ এবং প্রবীণ সদস্যদের জন্য স্থিতিশীল সঞ্চয় প্রকল্প।

Report 2: Chi-square Test (Gender vs Marital Status)

এই টেস্টটি কেন প্রয়োজন?

Chi-square Test of Independence ব্যবহার করা হয় দেখার জন্য যে দুইটি Categorical (শ্রেণিভিত্তিক) ভ্যারিয়েবল — এখানে Gender (পুরুষ/মহিলা) এবং Marital Status (বিবাহিত/অবিবাহিত) — একে অপরের সাথে পরিসংখ্যানগতভাবে সম্পর্কিত (associated) কিনা, নাকি এই দুইটি সম্পূর্ণ স্বাধীন (independent)।

ব্যাংকের সদস্যদের প্রোফাইল বিশ্লেষণে এই টেস্ট গুরুত্বপূর্ণ কারণ:

  • এটি বোঝায় Branch-এর সদস্যদের মধ্যে Gender অনুযায়ী Marital Status-এর প্যাটার্ন ভিন্ন কিনা (যেমন — মহিলা সদস্যদের মধ্যে বিবাহিতের হার পুরুষদের চেয়ে বেশি/কম কিনা)।
  • এই সম্পর্ক জানা থাকলে ঋণ বিতরণ, সঞ্চয় প্রকল্প বা সচেতনতামূলক কর্মসূচি নির্দিষ্ট গোষ্ঠীর জন্য আরও লক্ষ্যভিত্তিক (targeted) করা যায়।
  • এটি নিছক একটি সমিতি-ভিত্তিক পর্যবেক্ষণ নয়, বরং সম্পূর্ণ ডেটার উপর ভিত্তি করে পরিসংখ্যানগতভাবে প্রমাণিত সিদ্ধান্ত দেয়।
## Observed Table:
##    
##        M    U
##   F 1445   12
##   M  145   23

Observed Table ও Expected Table কী?

Observed Table (পর্যবেক্ষিত টেবিল): এটি হলো আপনার আসল ডেটা থেকে সরাসরি গণনা করা সংখ্যা — অর্থাৎ বাস্তবে কতজন পুরুষ বিবাহিত, কতজন পুরুষ অবিবাহিত, কতজন মহিলা বিবাহিত এবং কতজন মহিলা অবিবাহিত, তার প্রকৃত count।

Expected Table (প্রত্যাশিত টেবিল): যদি Gender এবং Marital Status-এর মধ্যে কোনো সম্পর্কই না থাকতো (অর্থাৎ দুইটি সম্পূর্ণ Independent হতো), তাহলে প্রতিটি ঘরে (cell) কত সংখ্যা থাকতো — সেই তাত্ত্বিক (theoretical) মানই হলো Expected Value। এর সূত্র:

\[ E_{ij} = \frac{(\text{Row Total}_i) \times (\text{Column Total}_j)}{\text{Grand Total}} \]

অর্থাৎ, প্রতিটি ঘরের Expected Value বের করতে সেই ঘরের Row-এর মোট সংখ্যা এবং Column-এর মোট সংখ্যা গুণ করে, সমগ্র ডেটার Grand Total দিয়ে ভাগ করা হয়।

উদাহরণ (আপনার আউটপুট অনুযায়ী):

ধরা যাক Expected Table-এ পাওয়া গেছে —

Gender Married Unmarried
F 1425.62 31.38
M 164.38 3.62

এর অর্থ: যদি Gender আর Marital Status-এর মধ্যে বাস্তবে কোনো সম্পর্ক না থাকতো, তাহলে সম্পূর্ণ র‍্যান্ডম বণ্টন (random distribution) অনুযায়ী মহিলাদের (F) মধ্যে প্রায় 1425.62 জন বিবাহিত ও 31.38 জন অবিবাহিত থাকার কথা ছিল; আর পুরুষদের (M) মধ্যে প্রায় 164.38 জন বিবাহিত ও 3.62 জন অবিবাহিত থাকার কথা ছিল। এই সংখ্যাগুলো দশমিকে আসে কারণ এটি একটি গাণিতিক প্রত্যাশা (theoretical expectation), বাস্তব headcount নয়।

এরপর Observed (আসল) সংখ্যার সাথে এই Expected (প্রত্যাশিত) সংখ্যার পার্থক্য যত বেশি হবে, Chi-square Statistic ততই বড় হবে — যা বোঝাবে যে Gender ও Marital Status বাস্তবে একে অপরের সাথে সম্পর্কিত (dependent), শুধু কাকতালীয় নয়।

Contribution per cell — এটি কী বোঝায়?

প্রতিটি ঘরের জন্য নিচের সূত্রে হিসাব করা হয়:

\[ \text{Contribution} = \frac{(O_{ij} - E_{ij})^2}{E_{ij}} \]

যেখানে \(O_{ij}\) = Observed (আসল) মান এবং \(E_{ij}\) = Expected (প্রত্যাশিত) মান। প্রতিটি ঘরের এই মানগুলো যোগ করলেই মোট Chi-square Statistic (\(\chi^2\)) পাওয়া যায়। যে ঘরের Contribution সবচেয়ে বেশি, বুঝতে হবে সেই নির্দিষ্ট Gender-Marital Status সমন্বয়টিই সামগ্রিক সম্পর্ক তৈরিতে সবচেয়ে বেশি ভূমিকা রেখেছে।

Expected Table:

      M     U

F 1425.62 31.38 M 164.38 3.62

Contribution per cell (O-E)²/E:

       M        U

F 0.2635 11.9702 M 2.2852 103.8132

Chi-square Test Result

  • Chi-square (χ²) = 112.31
  • df = 1
  • p-value = <2e-16

p-value মানে কী?

p-value হলো একটি সম্ভাবনা (probability) — এটি বলে দেয়, যদি বাস্তবে Gender এবং Marital Status-এর মধ্যে কোনো সম্পর্কই না থাকতো (অর্থাৎ Null Hypothesis সত্যি হতো), তাহলে আমাদের ডেটাতে যে পার্থক্য (Observed vs Expected) দেখা গেছে, তার সমান বা তার চেয়ে বেশি পার্থক্য শুধু কাকতালীয়ভাবে (by random chance) পাওয়ার সম্ভাবনা কত।

সাধারণ নিয়ম: p-value যদি 0.05-এর কম হয়, তাহলে সেই পার্থক্যকে ‘কাকতালীয় নয়, বরং প্রকৃত সম্পর্ক’ বলে ধরে নেওয়া হয় (Statistically Significant)।

এই ডেটাতে p-value = < 2e-16 (অর্থাৎ প্রায় শূন্যের কাছাকাছি, 0.00000000000000022-এর চেয়েও ছোট)। এর মানে হলো — যদি Gender ও Marital Status সত্যিই একে অপরের থেকে স্বাধীন (independent) হতো, তাহলে এত বড় পার্থক্য ঘটনাক্রমে (by chance) দেখা যাওয়ার সম্ভাবনা কার্যত শূন্যের সমান। R এখানে ঠিক দশমিক সংখ্যা না দেখিয়ে ‘< 2e-16’ লেখে, কারণ প্রকৃত মান এতটাই ক্ষুদ্র যে এর বেশি নির্ভুলভাবে (precisely) প্রকাশ করার প্রয়োজন নেই — এটি একটি অত্যন্ত দৃঢ় (extremely strong) প্রমাণ যে Gender এবং Marital Status বাস্তবে একে অপরের সাথে সম্পর্কিত।

সতর্কতা: নমুনার আকার (sample size) খুব বড় হলে খুব ছোট বাস্তব পার্থক্যও (practically negligible হলেও) পরিসংখ্যানগতভাবে ‘significant’ দেখাতে পারে। তাই p-value ছোট হওয়া মানেই যে সম্পর্কটি বাস্তবে ব্যবহারিক দিক থেকে বড় বা গুরুত্বপূর্ণ, তা নয় — এজন্য Contribution per cell টেবিল দেখে বোঝা দরকার ঠিক কোন গোষ্ঠীতে (Male/Female, Married/Unmarried) পার্থক্যটি সবচেয়ে বেশি।

WARNING: One or more expected cell counts are below 5. The standard chi-square approximation may be unreliable here. Consider fisher.test(chisq_tbl) instead.

Interpretation: p-value < 0.05, so there is a statistically significant relationship between gender and marital status.

মন্তব্য ও করণীয় (Report 2 — Chi-square Test)

যেহেতু Gender ও Marital Status পরিসংখ্যানগতভাবে সম্পর্কিত প্রমাণিত হয়েছে, তাই করণীয়: Contribution per cell টেবিল দেখে চিহ্নিত করা যেতে পারে ঠিক কোন গোষ্ঠীতে (যেমন অবিবাহিত পুরুষ বা বিবাহিত মহিলা) প্রত্যাশার চেয়ে বেশি/কম সদস্য আছে। এই তথ্য দিয়ে Gender ও Marital Status-ভিত্তিক আলাদা সঞ্চয় বা ঋণ প্রকল্প ডিজাইন করা যেতে পারে, এবং ভবিষ্যতে সদস্য ভর্তির (Admission) সময় এই প্যাটার্ন মাথায় রেখে টার্গেট গোষ্ঠী নির্ধারণ করা যায়।

Report 3: Loan Analysis

Total Loans: 1641

Loan Summary

Loan by Installment Interval

মন্তব্য (Report 3 — ঋণ বিশ্লেষণ)

এই Branch-এ মোট 1641টি ঋণ বিতরণ করা হয়েছে, সর্বমোট 102,827,000 টাকা। গড় ঋণের পরিমাণ 62,661 টাকা এবং মধ্যক (Median) 40,000 টাকা। Average, Median-এর চেয়ে অনেক বেশি — অর্থাৎ কিছু সংখ্যক বড় অংকের ঋণ (বড় Loan) সামগ্রিক Average-কে উপরের দিকে টেনে নিয়ে গেছে। প্রকৃত ‘সাধারণ সদস্যের ঋণের আকার’ বুঝতে Median-এর উপর বেশি ভরসা করা উচিত।

করণীয়: কিস্তির ব্যবধান (Installment Interval) অনুযায়ী কোন গ্রুপে ঋণের গড় আকার সবচেয়ে বেশি তা দেখে সেই গ্রুপের Repayment ক্যাপাসিটি পুনর্বিবেচনা করা যেতে পারে, এবং সর্বোচ্চ (Maximum) ও সর্বনিম্ন (Minimum) ঋণের ব্যবধান বেশি হলে ঋণ অনুমোদনের নীতিমালা (Loan Policy) একবার পর্যালোচনা করা উচিত।

Report 4: Overdue Analysis

Top 10 Overdue Loans

মন্তব্য (Report 4 — বকেয়া বিশ্লেষণ)

মোট বকেয়া (Overdue) পরিমাণ 7,235,757 টাকা, যা মোট Outstanding-এর 10.97%। এই হার উচ্চ ঝুঁকিপূর্ণ (High Risk) — তাৎক্ষণিক পদক্ষেপ প্রয়োজন।

করণীয়: উপরের তালিকায় থাকা সর্বোচ্চ বকেয়া সদস্যদের (Top 10 Overdue) সাথে অগ্রাধিকার ভিত্তিতে যোগাযোগ করে Recovery Plan তৈরি করা উচিত, এবং যেসব Samity-তে বারবার বকেয়া থাকা সদস্য পাওয়া যাচ্ছে, সেখানে Field Officer-এর নিয়মিত ভিজিট বাড়ানো দরকার।

Report 5: Samity Performance Ranking

মন্তব্য (Report 5 — সমিতি পারফরম্যান্স)

ঋণ পোর্টফোলিওর দিক থেকে শীর্ষে আছে Lalbag Bajar Somity Mohila Samity (Samity Code: 100), মোট বিতরণ 7,869,000 টাকা।

তালিকার মধ্যে Dhorla Mohila Samity (Code: 088) -এর Overdue Rate সবচেয়ে বেশি: 18.31% — এই সমিতিতে বিশেষ নজরদারি দরকার।

করণীয়: যেসব Samity-তে বড় পোর্টফোলিও থাকা সত্ত্বেও Overdue Rate বেশি, সেগুলোকে অগ্রাধিকার তালিকায় রেখে সরাসরি Field Visit ও Group Meeting-এর মাধ্যমে কারণ চিহ্নিত করা উচিত (যেমন — কৃষি মৌসুম, স্থানান্তর, বা Group Leadership সমস্যা)।

Report 6: Portfolio at Risk (PAR)

মন্তব্য (Report 6 — Portfolio at Risk)

এই Branch-এর সামগ্রিক Portfolio at Risk (PAR) = 10.97% (ঝুঁকিপূর্ণ ঋণ 7,235,757 টাকা, মোট Portfolio 65,956,863 টাকার বিপরীতে)। PAR 10%-এর বেশি — এটি উচ্চ ঝুঁকির সংকেত, Portfolio Quality নিয়ে দ্রুত ব্যবস্থা নেওয়া দরকার।

করণীয়: PAR ধারাবাহিকভাবে (মাসিক ভিত্তিতে) ট্র্যাক করা উচিত যাতে প্রবণতা (Trend) বোঝা যায় — শুধু একটি নির্দিষ্ট মাসের সংখ্যা দিয়ে সিদ্ধান্ত না নিয়ে, কয়েক মাসের PAR তুলনা করে Early Warning System হিসেবে ব্যবহার করা যেতে পারে।

Final Summary

সার্বিক মন্তব্য ও করণীয় (Overall)

এই রিপোর্টের ৬টি বিশ্লেষণ একসাথে বিবেচনা করলে Branch Management-এর জন্য নিম্নোক্ত অগ্রাধিকারমূলক করণীয় সাজানো যেতে পারে:

  1. Portfolio Quality: PAR ও Overdue Rate নিয়মিত (মাসিক) মনিটর করা এবং High-Risk Samity-গুলোকে অগ্রাধিকার তালিকায় রাখা।
  2. Targeted Products: Gender-Marital Status সম্পর্ক এবং বয়স বণ্টন বিবেচনা করে সদস্যদের জন্য উপযোগী ঋণ ও সঞ্চয় প্রকল্প ডিজাইন করা।
  3. Loan Policy Review: ঋণের আকারে বড় তারতম্য থাকলে (Average vs Median পার্থক্য) Repayment ক্যাপাসিটি যাচাইয়ের প্রক্রিয়া পুনর্মূল্যায়ন করা।
  4. Field Monitoring: সর্বোচ্চ বকেয়াযুক্ত সদস্য ও সমিতিগুলোতে অগ্রাধিকার ভিত্তিতে Field Officer ভিজিট বাড়ানো।

Report generated: 04 August, 2026

Contact: Mrinal Kanti Deb | Assistant Vice President | AB Bank PLC Mobile: +8801715469071