قالب وردپرس قالب وردپرس آموزش وردپرس قالب فروشگاهی وردپرس وردپرس

چیستی: محرک‌های فناوری در تحول دیجیتال بانکی

محرک‌های فناوری در تحول دیجیتال بانکی

فناوری‌های جدید و سرعت بالای نوآوری در این حوزه، مدل‌های کسب و کار بانکی را متحـول نموده‌اند و منجر به پویایی اکوسیستم خدمات مالی و بانکی شده‌اند. با توجه به ویژگی‌های منحصر به فردِ چنین اکوسیستمی، بانک‌ها برای بقا و پیشرفت در فضای رقابتی، نیازمند حرکت در مسیر «تحول دیجیتال» و ارائه خدمات نوآورانه مالی می‌باشند. تحول دیجیتال به معنای بکارگیری، توسعه و حاکم نمودن فناوری‌های دیجیتال برای ایجاد بهبود در عملکرد سازمان و تغییرات بنیادین و تدریجی در اصول و منطق کسب و کارها است. انتظار می‌رود سیر تکاملی و دگرگونی دیجیتالی بانک‌ها در دهه آتی، با بهره‌گیری از مجموع این پیشران‌های دیجتال با سرعت بالاتری صورت پذیرد. بدین ترتیب موفقیت متعلق به بانک‌هایی خواهد بود که بتوانند با غلبه بر فشارهای فناوری و به صورت انعطاف‌پذیر و نوآور، با تغییر فرهنگ، تقویت نیروی انسانی و در نهایت شکل دادن به اکوسیستم جدید بانکی، به خلق ارزش برای مشتریان بپردازند. در این نوشتار تلاش شده است به برخی از شاخص‌ترین محرک‌های فناوری دیجیتال در صنعت بانکی پرداخته شود.

فناوری‌های دیجیتال ترکیبی از فناوری‌های حوزه اطلاعات، ارتباطات، عملیات و رسانه هستند که در نقش تسهیل کننده و کاتالیست اکوسیستم دیجیتال، از طریق ایجاد نوآوری در مدل کسب‎ و‎کار، بهبود فرآیندهای اصلی سازمان و جذاب‎سازی بیشتر تجربه مشتری، تحول دیجیتال را در دنیای کسب و کار موجب شده‎اند. مطابق با پژوهش‌های صورت پذیرفته، مهمترین محرک‌های پیشران فناوری دیجیتال که نقش کلیدی در تحول دیجیتالی بانک‌ها داشته و دارند، به شرح زیر معرفی می‌گردند:

در ادامه محرک‌‎های مورد اشاره به اختصار مورد بررسی قرار گرفته‌‎اند.

رایانش ابری

رایانش ابری، مدل جدیدی را برای ارائه تجربه‌ای نوآورانه به مشتری، همراه با بهبود سرعت عرضه محصولات به بازار و افزایش کارآیی فناوری اطلاعات در اختیار کسب و کارها قرار می‌دهد. امروزه این فناوری، اکوسیستم بسیاری از صنایع را متحول ساخته است و در این میان صنعت بانکداری نیز مستثنی نیست. انتظار می‌رود سرمایه‌گذاری در حوزه رایانش ابری از ۶۷ میلیارد دلار در سال ۲۰۱۵ به ۱۶۲ میلیارد دلار در سال ۲۰۲۰ افزایش یابد ]۲[.

امروزه در صنعت بانکی، به کارگیری گسترده‌ این فناوری مورد تاکید است؛ هرچند انتظار می‌رود بانک‌ها با احتیاط بیشتری به حوزه رایانش ابری ورود کنند. مهمترین موضوعاتی که پیش از ورود به این حوزه می‌بایست مورد توجه بانک‌ها قرار بگیرد، چگونگی انتخاب مدل‌های سرویس‌ ابری، مدل‌های توسعه رایانش ابری و بحث‌هایی نظیر محرمانگی داده‌ها می‌باشد. در این شرایط، بانک‌ها می‌بایست با اتخاذ یک رویکرد تکاملی- تدریجی به سمت بهره‌گیری از سرویس‌های رایانش ابری حرکت نمایند ]۳[. تعدادی از مزایای بکارگیری رایانش ابری برای موسسات مالی و بانک‏ها عبارتند از:

  • کاهش هزینه‌ها و پرداخت مبتنی بر استفاده: با بهره‌گیری از رایانش ابری، بانک‌ها حجم بزرگی از هزینه‌های سرمایه‌گذاری (CapEx) خود را کاهش داده و به هزینه‌های عملیاتی (OpEx) روزمره تبدیل می‌‎کنند. نیاز به سرمایه‌گذاری سنگین بر نرم افزارها و سخت افزارهای جدید با رایانش ابری کاهش می‌یابد.
  • استمرار کسب وکار: با بهره‌گیری از رایانش ابری، ارائه دهنده سرویس مسئول مدیریت فناوری بوده و بانک سطح بالایی از محفوظ ماندن داده‌ها، کاهش خطا، پشتیبانی داده‌ها و بازیابی اطلاعات در صورت وقوع اتفاقات پیش‌بینی نشده را با قیمتی بسیار پایین‌تر از راه کارهای سنتی موجود را با استفاده از مدل‌های سرویس ابری تجربه خواهد کرد.
  • چابکی و تمرکز کسب و کار: انعطاف‌پذیری مدل‌های عملیاتی مبتنی بر رایانش ابری، بانک‌ها را قادر می‌سازد چرخه‌های توسعه کوتاه‌تری برای محصولات و خدمات جدید خود ایجاد کنند. این مهم امکان پاسخگویی سریع و کارآمد به نیازهای مشتریان بانکی را موجب می‌گردد.

 

داده‌های کلان

گسترش ارتباطات و اتصال برنامه‌ها و تجهیزات مختلف به یکدیگر منجر به تولید حجم انبوهی از داده‌ها شده است به نحوی که طبق برآوردها روزانه بیش از ۲.۵ کوانتیلیون بایت (یک میلیون به توان ۶) داده تولید شده و پیش‌بینی می‌شود تا سال ۲۰۲۰ حجم داده‌های دنیای دیجیتال به ۴۴ زتابایت معادل با ۴۴ تریلیون گیگابایت برسد. همچنین مطابق با پیش‌بینی موسسه تحقیقاتی IDC، درآمد سالانه بازار داده‌های کلان از ۱۳۰.۱ میلیارد دلار در سال ۲۰۱۶ به ۲۰۳ میلیارد دلار در سال ۲۰۲۰ خواهد رسید ]۴[. بانک‌ها نیز از این جریان مستثنی نیستند. روزانه حجم عظیمی از داده‌ها توسط بانک‏ها تولید می‌شود و سرعت تولید این داده‌ها بسیار بیشتر از سرعت پردازش آنهاست. سوال مهمی که در این شرایط بانک‌ها می‌بایست پاسخ مناسبی برای آن بیابند، این است که «چگونه تحلیل داده‌های کلان را در فرآیندهای کاری خود عملیاتی کنند؟». افزونگی و پراکندگی داده‌ها، شناسایی تقلب و پولشویی، تحلیل رفتار مشتریان، عدم وجود دیدگاه واحد از مشتری و حاکمیت داده‌ها، مهمترین چالش‌های امروز بانک‌ها در حوزه داده‌های کلان می‌باشد. برخی از مهمترین حوزه‌های کاربرد تحلیل داده‌های کلان در صنعت بانکداری به شرح زیر است ]۵ و ۶[:

  • شناسایی تلقب/پولشویی: این فناوری برای بانک‏ها امکان کشف و تفسیر «الگوهای معنادار در داده‌ها»، شناسایی، جلوگیری و حذف تقلب و کلاه‌برداری را در داخل و خارج از بانک فراهم ساخته و هزینه‌های مرتبط با آن را به شدت کاهش می‌دهد؛
  • مدیریت ریسک: با استفاده از تحلیل داده‌های کلان، بانک امکان پردازش داده‌های تراکنشی خود را برای تعیین میزان ریسک و مخاطرات آن مبتنی بر شبیه سازی و امتیازدهی به رفتار مشتریان خواهد داشت؛
  • تحلیل برند بانک: با استفاده از این فناوری، بانک امکان تحلیل داده‌های خارجی نظیر داده‌های رسانه‌های اجتماعی را برای شناسایی و رصد اخبار و احساسات مشتریان درباره برند یا سرویس‌های بانک بدست خواهد آورد.

 

هوش مصنوعی و یادگیری ماشین

هوش مصنوعی به دنبال شبیه‌سازی صفات انسانی مانند یادگیری، درک مطالب پیچیده و مشارکت در گفتمان طبیعی برای ربات‌ها و ابزارهای کاربردی است. هوش مصنوعی می‏تواند عملکرد شناختی انسان (مانند محاسبات شناختی) را تکرار کند یا بهره‏وری انسان را در اجرای وظایف غیرمعمول، تقویت نماید. در کشورهای پیشرفته، این فناوری به شیوه‏ای هدفمند در صنعت خدمات مالی، بویژه در حوزه مدیریت ریسک، مدیریت سرمایه‌گذاری، تحلیل داده‌‎ها و رعایت الزامات قانونی مورد استفاده قرار می‌گیرد ]۷[.

یادگیری ماشینی، نوعی هوش مصنوعی است که فرآیند مدل‌سازی تحلیل داده‌ها را خودکار نموده و به رایانه‌ها امکان یادگیری و واکنش‌های مناسب به داده‌های جدید را بدون نیاز به برنامه نویسی مستمر ارائه می‌دهند. به گزارش گارتنر، پیشرفت کاربرد هوش مصنوعی در صنعت بانکداری به گونه‏ای خواهد بود که در سال ۲۰۲۰ میلادی، نزدیک به ۸۵ درصد تعاملات مشتریان با بانک‏ها از طریق ربات‏ها می‏باشد ]۸[. بدین ترتیب تخمین زده می‏شود که طی دهه آینده، نزدیک به ۳۰ درصد (نزدیک به ۲ میلیون) موقعیت‏های شغلی بانکی در آمریکا و اروپا با ربات‏ها جایگزین ‏گردد. در حال حاضر مهمترین حوزه‌های کاربرد هوش مصنوعی و یادگیری ماشینی در سطح بانک‌ها و موسسات مالی را می‌توان شناسایی تقل و پولشویی و مشاوره روباتیک دانست.

 

بانکداری شناختی

یکی از چالش‌های فعلی صنعت بانکداری، بهبود کارآیی و چابکی در رعایت الزامات قانونی، مواجه با رقبا و خدمت‌رسانی به مشتریان و ارائه سرویس‌های سفارشی و شخصی منطبق بر نیاز آنهاست. بانکداری شناختی[۱]، رویکردی است که بانک‌ها را در این مسیر یاری می‌رساند. بانکداری شناختی به آن دسته از فرآیندهای تکنولوژیک اطلاق می‌گردد که با استفاده از هوش مصنوعی و یادگیری ماشینی، راه‌کاری خاص بانکی را ارائه می‌دهند. این مدل‌ها از مکانیزم‌های یادگیری مستمر بر مبنای تجربه و بازخورد استفاده می‌کنند. مطابق با گزارش منتشر شده توسط شرکت دیلویت، هوش مصنوعی در سه حوزه کاربردی زیر به توسعه بانکداری شناختی کمک می‌نماید ]۹[:

  • خودکارسازی شناختی: در این حوزه، یادگیری ماشینی، خودکارسازی فرآیندها با استفاده از ربات‌ها، پردازش زبان طبیعی و سایر ابزارهای شناختی، امکان توسعه تخصص در حوزه‌های خاص (برای مثال در یک صنعت، یک کارکرد یا یک منطقه جغرافیای خاص) را ایجاد کرده و فعالیت‌های مرتبط به این حوزه‌ها را خودکارسازی می‌کنند.
  • مشارکت شناختی: در این سطح از هوش مصنوعی، «عامل‌های شناختی» قرار دارند که شامل سیستم‌هایی هستند که از فناوری شناختی برای تعامل با افراد، بهبود بهره‌گیری و درک داده‌های بدون ساختار (گزارش‌های صنعت/ اخبار مالی و اقتصادی) استفاده نموده و امکان تعامل فرد به فرد برای بانک‏ها و مشتریانشان را فراهم می‌کنند.
  • بینش شناختی: درک و بینش شناختی به استخراج مفاهیم و روابط بین جریان‌های مختلف داده برای تولید جواب‌های کاملا شخصی و مرتبط از میان انبوهی از داده‌های ساختارمند و بدون ساختار اشاره دارد.

 

رباتیک-خودکارسازی فرآیندها[۲]

این فناوری به خودکارسازی فرآیندهای جاری برای ارائه خدمت به مشتریان اشاره دارد. بدین ترتیب می‌توان فعالیت‌های دستی و تکراری را با فرآیندهای خودکار جایگزین نمود و منابع انسانی را در دیگر فرآیندهای پیچیده‌تر و نیازمند تخصص و مهارت بالاتر، استفاده نمود. موسسه گارتنر تخمین زده است که تا سال ۲۰۲۰ میلادی، ۸۵ درصد از ارتباط مشتریان با کسب و کارها بدون تعامل با انسان، مدیریت خواهند شد. در صنعت بانکداری، بهره‌مندی از ربات‌ها جهت پاسخگویی به مشتریان مدتی است که رواج یافته است ]۱۰[. کاهش هزینه­ها، اولین تاثیری است که خودکارسازی فرآیندها بر بانکداری می­گذارد.

 

 زنجیره بلاک

زنجیره بلاک پایگاه داده مشترک و توزیع‌شده‌ای است که در شبکه‌ای از افراد، سازمان‌ها یا تجهیزات تعریف و پیاده‌سازی می‌شود. زنجیره بلاک که برای نخستین بار در ارتباط با پول الکترونیکی بیت‌کوین ایجاد شد، یک پایگاه داده بزرگ برای نگهداری از اطلاعات مالی و حسابداری است که تک تک مبادلات پول‌هایی شبیه به بیت‌کوین در آن ثبت شده‌اند و بر این اساس، مشخص است که در هر لحظه هر کیف پول چه مقدار موجودی دارد. این شبکه شامل تمامی تراکنش‌هایی است که تا کنون پردازش شده است و به کاربر اجازه می‌دهد تا از صحت هر تراکنش اطلاع یابد ]۱۱[.

مهم‌ترین کارکردهای زنجیره بلاک برای بانک‌ها عبارتند از:

  •  اعتبارسنجی تراکنش‌های بانکی؛
  • شناسایی / پیشگیری از تقلب در معاملات بانکی؛
  • شناخت مشتری[۳] از طریق قرارگیری مشتریان در زنجیره؛
  • فرآیندهای پرداخت بی‌واسطه (حذف واسطه‌ها در فرآیند پرداخت به صورت سنتی).

 

مطابق با آمار موجود، با استفاده از فناوری زنجیره‌ بلاک، سالانه بین ۸ تا ۱۲ میلیارد دلار در هزینه بانک‌ها صرفه‌جویی می‌گردد. بانک‏ها هم‌اکنون در حال ارزیابی زنجیره بلاک برای بکارگیری در چرخه فعالیت‌های مالی خود نظیر صدور اوراق بهادار، مدیریت دارایی‌ها و مدیریت وثائق می‌باشند.

 

اینترنت اشیاء

اینترنت اشیاء شبکه‌ای از سنسورهای متصل به اینترنت است که در دستگاه‌ها و تجهیزات فیزیکی (اشیا) تعبیه می‌شوند. این تجهیزات می‌توانند داده‌های مختلف را از محیط جمع‌آوری کنند و آن‌ها را با افراد، برنامه‌ها و سایر تجهیزات در سراسر وب به اشتراک بگذارند. تخمین زده شده است که در سال ۲۰۳۰ میلادی تعداد دستگاه‌های متصل به اینترنت به ۲۰۰ میلیارد برسد ]۱۲[. سرعت پیشرفت این فناوری به حدی است که در حال حاضر، مفهوم جدیدی در این حوزه تحت عنوان «هوشمندی اشیاء (IoT)» مطرح شده است. شایان ذکر است که کاربرد IoT در بانکداری هنوز در مراحل اولیه است و می‌توان با بهره‌برداری از آن و ایجاد محصولات و خدمات نوآورانه، به خلق ارزش پرداخت. برخی از کاربردهایIoT در صنعت بانکداری را می‌توان به شرح زیر برشمرد ]۱۳[:

  • ردیابی آنلاین ماشین‌های حمل و توزیع پول؛
  • دریافت نوبت از شعب به صورت غیرحضوری؛
  • نمایش شعب خلوت به مشتریان مطابق با موقعیت جغرافیایی افراد؛
  • ‌اطلاع‌رسانی به مشتریان درباره وضعیت دستگاه‌های ATM و VTM که خراب بوده و قادر به ارائه سرویس نیستند.

 

بانکداری فراکانالی

بانکداری فراکانالی به فراهم‌آوری بستری برای استفاده از کانال‌های مختلف (در هر زمان و مکان) به‌منظور دستیابی به سرویس‌ها و محصولات مالی بانکی به صورت شخصی‌ و بهینه‌تر اطلاق می‌گردد. از جمله‌ کانال‌های مطرح در این مدل از بانکداری می‌توان به شعبه بانک، دستگاه خودپرداز یا VTM، موبایل، رایانه شخصی و غیره اشاره نمود. شرایطی را متصور شوید که برای درخواست وام، فرآیند از کانال موبایل آغاز می‌شود و کاربر می‌تواند در زمانی دیگر و از طرق رایانه شخصی (کانال دسکتاپ)، این فرآیند را تکمیل نماید و نهایتا بدون مراجعه حضوری، وام خود را به صورت الکترونیکی دریافت نموده و اقساط خود را با اپلیکیشن موبایل یا دستگاه ATM پرداخت می‌نماید.

 

رسانه‌های اجتماعی

امروزه گستردگی شبکه‌های اجتماعی بر همگان گویاست و بانک‌ها به این فضا به عنوان یک فرصت نگاه کرده و در تلاش‌اند از حضور میلیونی کاربران در این بازارِ بالقوه، استفاده نمایند. بدین ترتیب بانک‌ها می‌توانند با ارائه خدمات نوین بانکی، ضمن کسب منافع مالی، به دستاوردهایی نظیر بازاریابی شبکه‌ای، سرعت در ارائه خدمات، دریافت بازخورد از مشتریان و بهبود تجربه مشتری دست یابند ]۱۴[. امروزه شاهد حضور پررنگ و فعال بانک‌های بین‌المللی و همچنین داخلی در فضای شبکه‌های اجتماعی نظیر فیسبوک، توئیتر، اینستاگرام، تلگرام و بله، هستیم. در نظرسنجی که در سال ۲۰۱۷ میلادی در آمریکا بین۸۰۰ بانک صورت پذیرفت، وضعیت فعلی بهره‌مندی بانک‌ها از شبکه‌های اجتماعی در سه وضعیت الف) در حال استفاده ب) برنامه‌ریزی برای استفاده در دو سال آینده ج) برنامه‌ریزی صورت نپذیرفته است.

 

جمع‌بندی

فناوری توانسته‌ است محرک شایسته‌ای برای ایجاد تغییرات بنیادین در صنعت بانکداری و محرک ارائه خدمت‌ متنوع به مشتریان باشد. بهره‌مندی از محرک‌های فناوری جهت ارائه راهکارهای نوآورانه برای بانک‌ها اجتناب‎‌ناپذیر است. چنین راهکارهایی علاوه بر به ارمغان آوردن مزایایی نظیر کاهش هزینه‌ها، افزایش سطح رضایت‌مندی مشتریان و سودآوری بالاتر، می‌تواند به ارتقای دسترس‌پذیری مشتریان به سرویس‌های بانکی، کاهش قابل توجه ریسک‌های کسب و کار، چابکی در ارائه خدمات و پاسخگویی به نیازهای بازار و تقویت مکانیزم‌های کنترلی بانک‌ها کمک نماید.

کلید موفقیت بانک‌ها برای تداوم بقاء در اکوسیستم دیجتالی جدید بانکی، نوآوری است. تقریبا تمام بانکداران بر این باور هستند که درگیر تحول دیجیتالی شده‌اند. امروز زمانی است که بانک‌ها می‌بایست از تفکرات سنتی دست بردارند، چراکه مشتریان آنها به مدد فناوری‌های دیجیتال، در دنیای «همیشه زنده» زندگی می‌‎کنند. بعبارت دیگر، بانک‌ها می‌بایست نظیر سایر کارآفرینان دیجیتال، نوآور باشند و درس‌آموخته‌های دیجتالی را از سایر صنایع اقتباس نموده و بپذیرند.  بانک‌هایی که بتوانند در این مسیر گام بردارند طی ۵ سال آینده خواهند توانست تا ۵۵ درصد از هزینه های خود را کاهش داده، تا ۳۰ درصد به سودآوری رسیده و ۱۵ درصد سهم بیشتری از بازار کسب نمایند.

نظر به نقش منحصر به فرد بانک‌ها در سیستم مالی و اقتصادی کشور، ضروری است بانک‌ها در زمینه بهره‌گیری از فناور‌ی جهت خلق محصولات و خدمات بانکی نوآور باشند. از سوی دیگر، سیاستگذاران و قانونگذاران کلان نیز می‌بایست با انعطاف و چابکی بیشتری همسو با پیشرفت‌های فناوری، نسبت به وضع/بازنگری در قوانین اقدام نمایند.

 

 

منابع

[۱] The digital bank: tech innovations driving change at US banks, 2016 Ernst & Young LLP.

[۲] Columbus, L. (2017), Roundup of Cloud Computing Forecasts, Retrieved Nov. 05, 2017, Retrieved from forbes.com/sites/louiscolumbus/2017/04/29/roundup-of-cloud-computing-forecasts-2017/#325d484331e8.

[۳] Cloud Computing in Banking, What banks need to know when considering a move to the cloud, Capgemini, Financial Services, www.capgemini.com/financialservices, 2011.

[۴] Hussain K., Prieto E. (2016). Big Data in the Finance and Insurance Sectors. In: Cavanillas J., Curry E., Wahlster W. (eds) New Horizons for a Data-Driven Economy. Springer, Cham.

[۵] Srivastava, U., Gopalkrishnan, S. (2015). Impact of Big Data Analytics on Banking Sector: Learning for Indian Banks, Procedia Computer Science, Vol. 50, Pages 643-652.

[۶] Chemitiganti, V. (2016). Data-Driven Decisions in Financial Services, Retrieved Nov. 05, 2017, Retrieved: dzone.com/articles/data-driven-decisions-in-financial-services.

[۷] Pau L. F., Gianotti C. (1990). Applications of Artificial Intelligence in banking, financial services and economics. In: Economic and Financial Knowledge-Based Processing. Springer, Berlin, Heidelberg.

[۸] Gartner, CRM Strategies and Technologies to Understand, Grow and Manage

Customer Experiences, Gartner Customer 360 Summit 2011.

[۹] AI and you: Perceptions of Artificial Intelligence from the EMEA financial services industry, (2017). Deloitte Consulting.

[۱۰] The Robot and I: How New Digital Technologies Are Making Smart People and Businesses Smarter by Automating Rote Work, Cognizant, (2015). Retrieved from www.cognizant.com.

[۱۱] Tapscott, A. T. D. (2016). Blockchain Revolution: How the Technology Behind Bitcoin Is Changing Money, Business, and the World, Portfolio Pub.

[۱۲] Bahga, A., Madisetti, V. K. (2014). Internet of Things: A Hands-on Approach, VPT, Georgia.

[۱۳] Banking and Financial Services: Pleasing Customers, Fighting Fraud, (2017). Retrieved: Sep. 17. 2017, Retrieved from sites.tcs.com/internet-of-things/industries/banking-and-financial-services.

[۱۴] The State of Social Media in Banking, Results of an American Bankers Association research study, (2017). The American Bankers Association.

[۱] Cognitive Banking

[۲]  Robotic – Process Automation

[۳]  Know Your Customer

درباره ی Hamid Golmohammadi

Hamid Golmohammadi
کارشناسی ارشد فناوری اطلاعات و دانشجوی دکتری مدیریت فناوری اطلاعات هستم. بیش از ۱7 سال در حوزه‌های مختلف فناوری اطلاعات به ویژه تجارت الکترونیکی و کاربردهای آن کار پژوهشی و تحقیقاتی انجام داده‌ام. هدف من از حضور در این وب سایت، به اشتراک گذاشتن تجربیات و دانش خود در حوزه های مدیریت و فناوری اطلاعات جهت توسعه آگاهی و ارتقای سطح دانش اقشار مختلف جامعه می باشد.

مطلب پیشنهادی

چرایی: زمان بازنشستگی USSD فرا رسیده است؟

برنامه‌ریزی و فرهنگ‌سازی در ارتباط با پیش‌آگاهی به شهروندان و شرکت‌های ارائه دهنده سرویس‌های USSD، حلقه مفقوده در تعامل با مبحث بازنشستگی USSD می‌باشد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *