आपके और डेटा-संचालित व्यवसाय के बीच खड़े 5 व्यावसायिक ख़ुफ़िया मिथक

क्या आप ट्रांसफॉर्म 2022 में शामिल नहीं हो पाए? हमारी ऑन-डिमांड लाइब्रेरी में अभी सभी शिखर सम्मेलन देखें! यहां देखें.


दशकों के लिए, व्यापार खुफिया (बीआई) और एनालिटिक्स टूल ने एक ऐसे भविष्य का वादा किया है जहां डेटा को आसानी से एक्सेस किया जा सकता है और समय पर, विश्वसनीय निर्णय लेने के लिए सूचना और अंतर्दृष्टि में परिवर्तित किया जा सकता है। हालाँकि, अधिकांश के लिए, वह भविष्य अभी तक नहीं आया है। सी-टीम से लेकर फ्रंटलाइन तक, डेटा को समझने और डैशबोर्ड और रिपोर्ट से जानकारी हासिल करने के लिए कर्मचारी तकनीकी टीमों पर बहुत अधिक भरोसा करते हैं। एक डेटा और निर्णय खुफिया कंपनी के सीईओ के रूप में, मैंने इसके कारण होने वाली निराशा के अनगिनत उदाहरण सुने हैं।

क्यों, 30 वर्षों के बाद, पारंपरिक बीआई मूल्य प्रदान करने में विफल रहता है? और कंपनियां कई, खंडित उपकरणों में निवेश क्यों जारी रखती हैं जिनके लिए विशेष तकनीकी कौशल की आवश्यकता होती है? हाल ही में फॉरेस्टर रिपोर्ट से पता चलता है कि 86% कंपनियां उपयोग करती हैं कम से कम दो बीआई प्लेटफॉर्म, के साथ एक्सेंचर यह पाया गया कि वैश्विक कार्यबल के 67% के पास व्यावसायिक खुफिया उपकरणों तक पहुंच है। फिर, क्यों है डेटा साक्षरता अभी भी इतना प्रचलित मुद्दा?

अधिकांश उपयोग के मामलों में, विश्लेषणात्मक पूर्वानुमान की दुर्गमता आज के बीआई उपकरणों की सीमाओं से उत्पन्न होती है। इन सीमाओं ने कई मिथकों को कायम रखा है, जिन्हें व्यापक रूप से “सत्य” के रूप में स्वीकार किया गया है। इस तरह की भ्रांतियों ने स्वयं-सेवा विश्लेषिकी को लागू करने के कई व्यवसायों के प्रयासों और महत्वपूर्ण निर्णय खुफिया में डेटा का उपयोग करने की उनकी क्षमता और इच्छा को कम कर दिया है।

मिथक 1: हमारे डेटा का विश्लेषण करने के लिए, हमें यह सब एक साथ लाना होगा

पारंपरिक दृष्टिकोण डेटा और विश्लेषण, बीआई की सीमित क्षमताओं के आकार में, एक कंपनी के डेटा को एक रिपॉजिटरी, जैसे डेटा वेयरहाउस में एक साथ लाने की आवश्यकता होती है। इस समेकित दृष्टिकोण के लिए महंगे हार्डवेयर और सॉफ्टवेयर की आवश्यकता होती है, यदि एनालिटिक्स क्लाउड का उपयोग कर रहे हैं, और विशेष प्रशिक्षण का उपयोग करते हैं तो महंगा समय की गणना करें।

आयोजन

मेटाबीट 2022

मेटाबीट 4 अक्टूबर को सैन फ्रांसिस्को, सीए में सभी उद्योगों के संचार और व्यापार करने के तरीके को कैसे बदल देगा, इस पर मार्गदर्शन देने के लिए विचारशील नेताओं को एक साथ लाएगा।

यहां रजिस्टर करें

बहुत सी कंपनियां, इस बात से अनजान हैं कि बुद्धिमान निर्णय लेने के लिए डेटा को मिश्रित करने और व्यापार विश्लेषण लागू करने के बेहतर तरीके हैं, एनालिटिक्स के लिए महंगा, अक्षम, जटिल और अपूर्ण दृष्टिकोण के लिए खुद को इस्तीफा देना जारी रखते हैं।

एक आईडीजी सर्वेक्षण के अनुसार, कंपनियां अपने बीआई और एनालिटिक्स को फीड करने के लिए औसतन 400 विभिन्न डेटा स्रोतों से आकर्षित होती हैं। यह एक कठिन कार्य है जिसके लिए विशेष सॉफ्टवेयर, प्रशिक्षण और अक्सर हार्डवेयर की आवश्यकता होती है। ऑन-प्रिमाइसेस या क्लाउड डेटा वेयरहाउस में डेटा को केंद्रीकृत करने के लिए आवश्यक समय और व्यय अनिवार्य रूप से किसी भी संभावित समय की बचत को नकार देता है जो इन बीआई टूल को वितरित करना चाहिए।

प्रत्यक्ष क्वेरी में विश्लेषिकी को रिवर्स के बजाय डेटा में लाना शामिल है। इससे पहले कि उपयोगकर्ता इसे क्वेरी कर सकें, डेटा को पूर्व-संसाधित या कॉपी करने की आवश्यकता नहीं है। इसके बजाय, उपयोगकर्ता सीधे दिए गए डेटाबेस में चयनित तालिकाओं को क्वेरी कर सकता है। यह डेटा वेयरहाउस दृष्टिकोण के सीधे विरोध में है। हालाँकि, कई व्यावसायिक ख़ुफ़िया उपयोगकर्ता अभी भी बाद वाले पर भरोसा करते हैं। इसके समय-रेंगने वाले प्रभाव सर्वविदित हैं, फिर भी लोग गलती से उन्हें उन्नत विश्लेषण करने की लागत के रूप में स्वीकार करते हैं।

मिथक 2: हमारे सबसे बड़े डेटासेट का विश्लेषण नहीं किया जा सकता

डेटा वास्तविक समय में सूचना की बहु, तरल धाराओं के रूप में मौजूद है; इसे जीवाश्मीकृत और विश्लेषण इंजन में स्थानांतरित करने की आवश्यकता नहीं होनी चाहिए। हालांकि, इन-मेमोरी डेटाबेस जो इस तरह की पद्धति पर भरोसा करते हैं, वे बिजनेस इंटेलिजेंस का एक प्रमुख हिस्सा हैं। इसके साथ समस्या यह है कि किसी व्यवसाय के सबसे व्यापक डेटासेट जल्दी से अप्रबंधनीय हो जाते हैं – या पुराने हो जाते हैं।

पिछले पांच वर्षों में डेटा की मात्रा, वेग और विविधता में विस्फोट हुआ है। नतीजतन, संगठनों को नियमित रूप से बड़ी मात्रा में डेटा को संभालने में सक्षम होना चाहिए। हालांकि, लीगेसी बीआई टूल्स की सीमाएं – कुछ 1990 के दशक में वापस डेटिंग, क्लाउड डेटा, ऐप्स, स्टोरेज और अन्य सभी चीजों के आगमन से बहुत पहले – जो डेटा का विश्लेषण करने के लिए इन-मेमोरी इंजन पर भरोसा करते हैं, ने यह समझ पैदा की है कि यह एक है अजेय लड़ाई।

व्यवसाय इन-मेमोरी इंजनों में निहित समस्याओं को सीधे उस स्थान पर जाकर हल कर सकते हैं जहां डेटा रहता है, अनुमति देता है पहुँच बड़े डेटासेट के लिए। यह एक उद्यम विश्लेषिकी कार्यक्रम का भविष्य-प्रमाण भी है। सीधी क्वेरी से ऑन-प्रिमाइसेस से क्लाउड सेवाओं जैसे कि हमारे भागीदारों, एडब्ल्यूएस और स्नोफ्लेक द्वारा प्रदान की गई सेवाओं पर पूरी तरह से पुनर्लेखन के बिना माइग्रेट करना असीम रूप से आसान हो जाता है।

मिथक 3: हम संगठन के भीतर अपने डेटा और विश्लेषण प्रयासों को एकीकृत नहीं कर सकते हैं

बहुत बार, सामान्य अभ्यास को सर्वोत्तम अभ्यास के साथ जोड़ा जाता है। बीआई टूल के तदर्थ चयन और संयोजन वरीयता और कार्यक्षमता का एक कॉकटेल उत्पन्न करते हैं – संगठन अक्सर विभाग-दर-विभाग दृष्टिकोण लेते हैं। बिक्री को एक मंच पसंद आ सकता है; वित्त कुछ अलग पसंद कर सकता है, जबकि विपणन एक और विकल्प चुन सकता है।

बहुत पहले, प्रत्येक विभाग के पास उपकरणों का एक अलग सेट होता है, जो सूचना साइलो बनाते हैं जो ऐप्स के लिए एक-दूसरे से बात करना या विश्लेषणात्मक जानकारी साझा करना असंभव बनाते हैं। पहले उद्धृत फॉरेस्टर सर्वेक्षण के अनुसार, 25% फर्म 10 या अधिक बीआई प्लेटफॉर्म का उपयोग करती हैं।

समस्या यह है कि अलग-अलग टूल के बीच डेटा प्रेप, बिजनेस एनालिटिक्स और डेटा साइंस को विभाजित करने से उत्पादकता में बाधा आती है और प्लेटफॉर्म के बीच स्विचिंग और अनुवाद करने में लगने वाला समय बढ़ जाता है।

कुछ व्यावसायिक क्षेत्र सबसे अच्छा काम करते हैं जब नेता अपने विभागों को एक व्यक्तिगत दृष्टिकोण चुनने की अनुमति देते हैं। एनालिटिक्स उनमें से एक नहीं है। नेताओं और निर्णय निर्माताओं को अपने डेटा पर भरोसा करने की जरूरत है। लेकिन हर बार जब यह कार्रवाई योग्य अंतर्दृष्टि बनाने की यात्रा के दौरान उपकरणों के दूसरे सेट से गुजरता है तो विश्वास कम हो जाता है। प्रक्रिया अनिवार्य रूप से डेटा संघर्ष और अस्पष्टता में परिणत होती है। संगति और समझ महत्वपूर्ण हैं।

मिथक 4: एआई सपने का पीछा करना हमें व्यवसाय करने की दिन-प्रतिदिन की वास्तविकताओं से विचलित करता है

बीआई टूल सहित कई प्रौद्योगिकियां एआई-चालित होने का दावा करती हैं। वादा मानव श्रम को मशीन-सीखने की दक्षता के साथ बदलने का है; वास्तविकता अधिक बार निराशाजनक होती है। इसलिए, कई व्यवसायों ने अपने दैनिक विश्लेषण कार्यप्रवाह में एआई का उपयोग करने के विचार को त्याग दिया है।

उद्यम में व्यापक एआई के लिए वास्तविक दुनिया के उपयोग के मामलों के बारे में प्रौद्योगिकी पेशेवर काफी सनकी हो सकते हैं। लोग अभी भी खुद को मैन्युअल रूप से अपने डेटा की संरचना और विश्लेषण, अंतर्दृष्टि निकालने और सही निर्णय लेने के लिए पाते हैं – सभी खरोंच से। मानव मन की मूर्खता और निर्णय लेने की प्रक्रियाएँ संश्लेषण के लिए, यदि असंभव नहीं तो, चुनौतीपूर्ण हैं।

एआई को एनालिटिक्स में एक कार्यात्मक, प्रभावी उपकरण बनाने की चाल इसका उपयोग उन तरीकों से करना है जो रोजमर्रा की व्यावसायिक चुनौतियों का सामना किए बिना उनका समर्थन करते हैं। यह जानना महत्वपूर्ण है कि आपको कौन सी एआई-संचालित क्षमताओं का उपयोग करने की आवश्यकता है। यह बुद्धिमान हो सकता है लेकिन, किसी भी उपकरण की तरह, इसे मूल्य प्रदान करने के लिए दिशा और स्थिर हाथ की आवश्यकता होती है। दिनचर्या को स्वचालित करना मनुष्य को निर्णय लेने में अंतर्ज्ञान, निर्णय और अनुभव को नियोजित करने में सक्षम बनाता है। रोबोट विद्रोह से डरने की कोई जरूरत नहीं है।

मिथक 5: हमारे डेटा का अधिकतम लाभ उठाने के लिए, हमें डेटा वैज्ञानिकों की एक सेना की आवश्यकता है

कार्रवाई योग्य अंतर्दृष्टि में बड़ी मात्रा में असमान डेटा एकत्र करने की क्षमता के लिए उद्योग में भारी मांग का निर्माण हो रहा है। लेकिन कंपनी नेतृत्व अभी भी मानता है कि बड़े संगठनों द्वारा उत्पादित डेटा की सैकड़ों अरबों पंक्तियों को विच्छेदित करने के लिए उन्हें प्रशिक्षित दुभाषियों को नियुक्त करने की आवश्यकता है।

प्रसंस्करण, मॉडलिंग, विश्लेषण और डेटा से अंतर्दृष्टि निकालना मांग में कौशल हैं। नतीजतन, इन क्षेत्रों में विशिष्ट और गहन प्रशिक्षण वाले डेटा वैज्ञानिकों की सेवाएं प्रीमियम पर आती हैं।

लेकिन जब वे मूल्य जोड़ते हैं, तो आप घटते प्रतिफल के बिंदु पर पहुंच जाते हैं। और ये कर्मचारी अब केवल वही नहीं हैं जो डेटा साइंस कर सकते हैं। व्यावसायिक श्रमिकों की एक पीढ़ी ने कार्यबल में प्रवेश किया है, और उनसे दिन-प्रतिदिन के आधार पर डेटा का आकलन और हेरफेर करने की उम्मीद की जाती है।

उच्च-वंशावली डेटा वैज्ञानिक, कुछ मामलों में, जब गैर-तकनीकी व्यावसायिक उपयोगकर्ताओं ने संवर्धित विश्लेषिकी और निर्णय खुफिया प्लेटफार्मों के लिए स्वयं-सेवा पहुंच को नियंत्रित किया है, तो आवश्यक काम पर नहीं रखा जाता है। इन उपयोगकर्ताओं को अपने व्यवसाय के भीतर निर्णय लेने की श्रृंखला का अमूल्य डोमेन ज्ञान और समझ है। उनके काम को और अधिक सुलभ बनाने के लिए डेटा और विश्लेषण क्षमताओं का एक ठोस आधार आवश्यक है जिसे प्रदान करने के लिए पारंपरिक बीआई उपकरण अक्सर संघर्ष करते हैं।

मूल्य प्रस्ताव और टूटे वादे

वर्तमान विश्लेषण और बीआई परिदृश्य ने व्यापारिक नेताओं के लिए यह स्पष्ट कर दिया है कि उनके डेटा और विश्लेषण प्रयासों पर कुछ प्राकृतिक सीमाएं लगाई गई हैं। विशिष्ट उपयोग के मामलों के लिए अभी भी उपयोगी होने पर, पारंपरिक उपकरण ढीले संयोजनों में लागू होते हैं, जो एक विभाग और अगले के बीच भिन्न होते हैं। इसके कारण जो निराशा होती है – अक्षमता और संभावित समय की बचत जो खो जाती है – वर्तमान बीआई क्षमताओं में अंतराल का प्रत्यक्ष परिणाम है।

पारंपरिक बीआई फर्मों को अपने डेटा का सर्वोत्तम उपयोग करने से रोक रहा है। यह बहुत कुछ स्पष्ट है: उद्यम पैमाने पर व्यवसाय विभिन्न स्वरूपों में बड़ी मात्रा में डेटा उत्पन्न करते हैं और इसे व्यापक उद्देश्यों के लिए उपयोग करते हैं। जब डेटा संग्रह और विश्लेषण की विधि स्वयं भ्रमित होती है, तो भ्रम अपरिहार्य है।

कुछ और व्यापक की जरूरत है। कंपनियों को एआई-संचालित प्रक्रियाओं में विश्वास की कमी है क्योंकि विरासती बीआई उपकरण अपने वादों को पूरा नहीं कर सकते हैं। उन्हें डेटा तक लोकतांत्रिक पहुंच में विश्वास की कमी है क्योंकि उनके विभाग एक ही एनालिटिक्स भाषा नहीं बोलते हैं। और उन्हें अपने डेटा में विश्वास की कमी है क्योंकि इन-मेमोरी इंजन उस हद तक स्केलिंग नहीं कर रहे हैं, जिसकी उन्हें आवश्यकता है, जिससे उन्हें अधूरा – और इसलिए, अविश्वसनीय – डेटा छोड़ दिया जाता है।

डेटा और एनालिटिक्स इनोवेशन है कि कैसे व्यवसाय डिजिटल परिवर्तन के युग में मूल्य प्रदान करते हैं। लेकिन, नया करने के लिए, आपको यह जानना होगा कि आपकी बाधाएं टूटने योग्य हैं।

ओमरी कोहल पिरामिड एनालिटिक्स के सह-संस्थापक और सीईओ हैं.

डेटा निर्णय निर्माता

वेंचरबीट समुदाय में आपका स्वागत है!

DataDecisionMakers वह जगह है जहां विशेषज्ञ, डेटा कार्य करने वाले तकनीकी लोगों सहित, डेटा से संबंधित अंतर्दृष्टि और नवाचार साझा कर सकते हैं।

यदि आप अत्याधुनिक विचारों और अप-टू-डेट जानकारी, सर्वोत्तम प्रथाओं और डेटा और डेटा तकनीक के भविष्य के बारे में पढ़ना चाहते हैं, तो DataDecisionMakers में हमसे जुड़ें।

आप भी विचार कर सकते हैं एक लेख का योगदान अपना स्वयं का!

DataDecisionMakers से और पढ़ें

amar-bangla-patrika