5 बातें जो व्यापारिक नेताओं को डेटा रणनीति के बारे में जाननी चाहिए

DataCamp के डेटा वैज्ञानिक और शिक्षक, डॉ. Hugo Bowne-Anderson ने हाल ही में डेटा रणनीति के बारे में वे पांच बातें बताईं जो व्यापारिक नेताओं को जाननी चाहिए। वेबिनार का संक्षेप नीचे पढ़ें, या मांग पर वेबिनार देखें।

1. डेटा साइंस के लिए 80/20 नियम

80/20 नियम, जिसे Pareto सिद्धांत भी कहा जाता है, बताता है कि कई घटनाओं में लगभग 80% प्रभाव 20% कारणों से आते हैं। उदाहरण के लिए, 2018 में, अमेरिका में लगभग 80% कर शीर्ष 20% कमाने वालों ने दिए। डेटा साइंस पर लागू करने पर, Pareto सिद्धांत का मतलब है कि 20% समय में किया गया काम 80% परिणाम देता है। इसलिए जब आप अपनी डेटा रणनीति में कार्यों की प्राथमिकता तय करें, तो उस पर ध्यान दें जो वास्तव में मूल्य संचालित करता है।

उस पर ध्यान दें जो वास्तव में फर्क डालेगा

अक्सर, व्यापारिक नेता deep learning, machine learning (ML) और AI जैसे चर्चित विषयों की ओर आकर्षित होते हैं। लेकिन कुछ अधिक बुनियादी क्षेत्र हैं जिन पर पहले ध्यान देना चाहिए जो बड़े लाभ दिला सकते हैं, जैसे:

• डेटा इंफ्रास्ट्रक्चर आवश्यक है, हालांकि इसका प्रतिफल तुरंत न दिखे। Spotify जैसी कंपनियों ने विभिन्न स्रोतों को एकीकृत कर डेटा डिस्कवरी में सुधार किया है। डेटा इंफ्रास्ट्रक्चर को प्राथमिकता देने से कंपनियां साइलो में अलग-अलग डेटा मानकों से बच सकती हैं, भविष्य की डेटा पहलों के लिए बेहतर तैयारी कर सकती हैं, और सुसंगत डेटा दृश्य और डैशबोर्ड बना सकती हैं।
• कस्टमर सर्विस सर्वोत्तम प्रथाएँ में कॉल सेंटर रूटिंग, ग्राहक चर्न मॉडल, और conversational AI शामिल हैं।
• सेल्स प्रोपेन्सिटी मॉडल आपकी बिक्री और विपणन टीमों के लिए महत्वपूर्ण हैं।

विवरणात्मक एनालिटिक्स व्यवसाय के लिए 80% मूल्य देता है

आप पूछ सकते हैं, “मुझे पहले किस प्रकार के बिजनेस एनालिटिक्स पर ध्यान देना चाहिए?” Pareto सिद्धांत इसमें मदद कर सकता है:

• विवरणात्मक एनालिटिक्स, या बिजनेस इंटेलिजेंस, कई व्यवसायों के लिए 80% मूल्य बनाता है। यह आपकी कंपनी के पास पहले से मौजूद डेटा को उन लोगों तक पहुँचाने के बारे में है जो उसे जिस भी रूप में उपयोग कर सकें। यह डैशबोर्ड, रिपोर्ट और ईमेल के रूप में होगा। हम उन सभी कंपनियों को चुनौती देते हैं जो सच में फर्क लाना चाहती हैं कि वे पाँच विवरणात्मक एनालिटिक्स परियोजनाओं पर ध्यान दें जो आपके निर्णय-निर्धारण को सूचित कर सकें, और उन्हें महत्त्व के क्रम में रखें।
• पूर्वानुमानात्मक एनालिटिक्स, या ML, भविष्य के लिए तैयारी करने और यह भविष्यवाणी करने के बारे में है कि क्या होगा। ML पूर्वानुमानात्मक एनालिटिक्स की वह शाखा है जो मौजूदा जानकारी के आधार पर भविष्य का अनुमान लगाने और संबंधों व अंतर्दृष्टियों की पहचान करने के लिए सुव्यवस्थित सांख्यिकीय एल्गोरिदम का उपयोग करती है—जैसे Netflix का रिकमेंडेशन इंजन।
• निदेशकात्मक एनालिटिक्स, या डिसीजन साइंस, बिजनेस एनालिटिक्स का अंतिम चरण है जो यह अनुमान लगाता है कि क्या, कब और क्यों कुछ परिणाम होंगे—और उस जानकारी के साथ क्या करना है यह निर्धारित करता है। यह निर्णय लेने की प्रक्रिया में डेटा को लागू करता है। हमारे DataFramed पॉडकास्ट में, Google Cloud की Chief Data Scientist Cassie Kozyrkov ने डिसीजन इंटेलिजेंस और डेटा साइंस के बीच संबंध समझाया।

2. क्यों बिग डेटा उतना “बड़ा” नहीं है

स्मॉल डेटा से बड़े नतीजे

बिग डेटा को परिभाषित करने के कई तरीके हैं। Hugo बिग डेटा की एक अच्छी व्यावहारिक परिभाषा देते हैं:

बिग डेटा वह डेटा है जो आपके लैपटॉप या एक हार्ड ड्राइव में स्टोर होने से कहीं अधिक हो: जिसे स्टोर करने, उस पर काम करने, प्रसारित करने और विश्लेषण करने के लिए कंप्यूटरों के क्लस्टर्स में वितरित करने की आवश्यकता हो।

Google जैसी कंपनियों ने बिग डेटा का बेहतरीन उपयोग किया है और इसके साथ बहुत सारा हाइप भी पैदा हुआ। लेकिन Hugo का मानना है कि स्मॉल डेटा वास्तव में बहुत अच्छे परिणाम दे सकता है और हमें हाइप में बहने की जरूरत नहीं है।

बिग डेटा के बारे में सोचने का एक अच्छा तरीका Gartner Hype Cycle के संदर्भ में है। अगर हम Google Trends को अपेक्षाओं के प्रतिनिधि के रूप में लें, तो हम Peak of Inflated Expectations पार कर चुके हैं और Trough of Disillusionment की ओर बढ़ रहे हैं।

स्रोत: Wikipedia

तो सवाल है: क्या स्मॉल डेटा काफी हो सकता है? Hugo मानते हैं कि जवाब हाँ है। बात डेटा के पहाड़ों की नहीं—छोटे, उच्च-सटीकता वाले डेटा की है। उदाहरण के लिए, डेनिश खगोलशास्त्री Tycho Brahe ने केवल लगभग 2,000 डेटा बिंदु एकत्र किए, जिनसे Johannes Kepler के ग्रहों की गति के तीन नियम बने, और आगे चलकर Newton के गुरुत्वाकर्षण सिद्धांत को जानकारी मिली। और पोलस्टर लगभग 1,000 नागरिकों के सांख्यिकीय रूप से प्रतिनिधि नमूने से 3% त्रुटि-सीमा के भीतर परिणामों की भविष्यवाणी कर लेते हैं।

बिग डेटा से भी अधिक महत्वपूर्ण: विविधता

Hugo एक कदम आगे बढ़ते हैं: वे कहते हैं कि डेटा की विविधता, डेटा के आकार से अधिक महत्वपूर्ण है। अपनी डेटा सेट में गुणात्मक डेटा, या thick data, को शामिल करने से बेहतर परिणाम मिलेंगे। Thick data समाजशास्त्र और नृविज्ञान से लिया गया शब्द है जो मुख्यतः वर्णनात्मक होता है, जबकि thin data संख्याओं-आधारित होता है।

3. क्यों डेटा कार्य का भविष्य पॉइंट-एंड-क्लिक है

डेटा कार्य के लिए GUI का उपयोग

बिना तकनीकी डेटा विशेषज्ञता वाले लोगों को बिजनेस इंटेलिजेंस का लाभ उठाने और निर्णयों को सूचित करने के लिए ML का उपयोग करने का सबसे अच्छा तरीका क्या है? हर कर्मचारी को कोड सिखाकर नहीं। जवाब है ऐसे विक्रेता या उपकरण जो डेटा एनालिटिक्स को उत्पाद-रूप दें। भविष्य में, Hugo का अनुमान है कि अधिकांश डेटा कार्य ग्राफिकल यूज़र इंटरफेस, यानी GUIs—ड्रैग-एंड-ड्रॉप और पॉइंट-एंड-क्लिक इंटरफेस—में होगा।

शीर्ष टेक कंपनियाँ इस पर ध्यान दे रही हैं। बिजनेस इंटेलिजेंस टूल्स के हाई-प्रोफाइल अधिग्रहण हाल में खबरों में रहे हैं। पिछले वर्ष ही Salesforce ने Tableau का अधिग्रहण किया, और कुछ हफ्ते पहले, Google ने Looker का $2.6 बिलियन का अधिग्रहण पूरा किया, जो एक लोकप्रिय BI टूल है।

पूर्वानुमानात्मक एनालिटिक्स टूल्स भी ML को उत्पाद-रूप दे रहे हैं। Google AutoML गैर-डेटा वैज्ञानिकों को डायग्नोस्टिक और पूर्वानुमानात्मक मॉडल बनाने देता है, और Microsoft Azure में अब एक स्वचालित ML टूल है जो मॉडल बनाना उतना आसान कर देता है जितना कि डेटा सेट इम्पोर्ट करना और उस मान को बताना जिसका पूर्वानुमान चाहिए।

डेटा प्रोडक्ट्स का उपयोग करते समय आत्म-जागरूक रहें

ऐसे टूल गैर-तकनीकी कर्मचारियों को डेटा के उपयोग में सक्षम बनाते हैं। लेकिन उन्हें डेटा का सही तरीके से उपयोग करना आना चाहिए। Hugo ऐसे उत्पादों में रुचि रखते हैं जो लोगों को यह पहचानने में मदद करें कि कब उनके परिणाम पक्षपाती हैं। वे Survival of the Best Fit देखने की सलाह देते हैं, जो AI में हायरिंग बायस पर एक शैक्षिक खेल है।

4. डेटा रणनीति का मतलब है डेटा संस्कृति

वास्तव में कितना डेटा उपयोग होता है?

हम पहले ही चर्चा कर चुके हैं कि ढेर सारा डेटा (बिग डेटा) इकट्ठा करना, आवश्यक और प्रासंगिक डेटा (स्मॉल डेटा) इकट्ठा करने जितना महत्वपूर्ण नहीं है। वेबिनार के दौरान किए गए एक पोल में, हमने पाया कि 53% उत्तरदाता अपने एकत्रित डेटा का आधे से कम उपयोग करते हैं। लक्ष्य, स्वाभाविक रूप से, यह है कि आपका अधिक से अधिक डेटा आपके लिए काम करे। इसके लिए एक सुदृढ़ डेटा रणनीति और एक मजबूत व स्वस्थ डेटा संस्कृति स्थापित करना आवश्यक है।

डेटा रणनीति कैसे बनाएं

हमारे पॉडकास्ट DataFramed के एपिसोड 30 में, उस समय McKinsey में Senior Analytics Manager Taras Gorishnyy ने डेटा रणनीति बनाने के लिए आवश्यक घटक बताए:

• कंपनी की रणनीति के अनुरूप एनालिटिक्स के लिए एक विज़न बनाएं
• मजबूत C-लेवल समर्थन स्थापित करें, जैसे वकालत, फंडिंग और उत्साह
• कम से कम कुछ उपयोग मामलों से शुरुआती चरण में मूल्य निकालें
• कंपनी भर में सही डेटा कौशल मिश्रण सुनिश्चित करने के लिए प्रक्रिया पुन:डिज़ाइन और सांस्कृतिक परिवर्तन लागू करें
• एक मजबूत डेटा नींव बनाएं ताकि एकीकृत, विश्वसनीय और समय पर डेटा उपलब्ध हो

डेटा प्रक्रिया पुन:डिज़ाइन और सांस्कृतिक परिवर्तन की आवश्यकता

दुनिया भर में डेटा कौशल का लोकतंत्रीकरण करने का DataCamp का मिशन चौथे बिंदु से निकटता से जुड़ा है: कंपनियों को एक मजबूत, डेटा-प्रवीण संस्कृति बनाने में मदद करना। फिर भी जब हमने 2019 में 300 से अधिक संगठनों का सर्वेक्षण किया, तो पाया कि परिपक्व डेटा प्रवीणता वाली केवल 39% कंपनियों ने डेटा के संदर्भ में प्रक्रिया पुन:डिज़ाइन और सांस्कृतिक परिवर्तन लागू किया था, और अपरिपक्व डेटा प्रवीणता वाली कंपनियों में यह संख्या केवल 7% थी।

स्रोत: Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency

डेटा प्रवीणता का मार्ग भर्ती नहीं, अपस्किलिंग है

हर कंपनी शीर्ष प्रतिभा को नियुक्त करना चाहती है, लेकिन 80/20 नियम के अनुसार, अधिकांश कंपनियाँ ऐसा नहीं कर पाएंगी। जितना डेटा कार्य होना है उसके लिए प्रतिभा की कमी है, और “यूनिकॉर्न” नियुक्तियों पर आधारित डेटा रणनीति बनाना व्यावहारिक नहीं है। विकल्प? अपनी मौजूदा कार्यबल को कंपनी में एक सीखने का वातावरण विकसित कर अपस्किलिंग और रिस्किलिंग की डेटा संस्कृति स्थापित करना।

5. क्यों डेटा रणनीति मूलतः सहानुभूति के बारे में है

अपने हितधारकों पर विचार करें

Hugo का मानना है कि डेटा रणनीति, अन्य किसी भी व्यापारिक रणनीति की तरह, इस बात पर सावधानीपूर्वक विचार मांगती है कि आप किन्हें प्रभावित कर रहे हैं और अलग-अलग हितधारकों की क्या ज़रूरतें हैं। किसी कंपनी की डेटा रणनीति यह निर्धारित करती है कि वह उत्पाद कैसे बनाती है और बड़े पैमाने पर व्यावसायिक निर्णय कैसे लागू करती है। इसलिए डेटा का उपयोग करते समय यह याद रखना महत्वपूर्ण है कि प्रत्येक डेटा बिंदु किसी व्यक्ति या लोगों के समूह का प्रतिनिधित्व करता है। इसमें संदेह नहीं कि डेटा बड़े पैमाने पर कंपनियों की मदद कर सकता है—लेकिन वह उन्हें नुकसान भी पहुँचा सकता है।

उदाहरण के तौर पर: कुछ महीने पहले यह सामने आया कि Apple Card महिलाओं के क्रेडिट आवेदन के प्रति “लैंगिक पक्षपाती” था। भले ही Apple का उद्देश्य आवेदन प्रक्रिया में निष्पक्षता में बाधा डालना न रहा हो, वे बड़े पीआर संकट और नियामकों की कड़ी जाँच का सामना करने लगे। एल्गोरिद्म पर आँख मूँदकर भरोसा नहीं किया जा सकता—उन्हें सहानुभूति के दृष्टिकोण से परखा जाना चाहिए।

अपने ब्लाइंड स्पॉट स्वीकार करें

हमारे पॉडकास्ट DataFramed के एपिसोड 50 में, Weapons of Math Destruction की लेखिका Cathy O’Neil ने कहा, “डेटा साइंस केवल भविष्य की भविष्यवाणी नहीं करती। यह भविष्य का निर्माण करती है।”

जो कंपनियाँ बड़े पैमाने पर उत्पाद बना रही हैं और बड़े पैमाने पर डेटा रणनीति विकसित कर रही हैं, उन्हें न केवल अपने माने हुए हितधारकों की सूची बनानी चाहिए, बल्कि जितने अधिक लोगों से संभव हो सलाह लेनी चाहिए, क्योंकि अनिवार्यतः कुछ समूह ऐसे होंगे जो प्रभावित होंगे पर उन्हें नज़रअंदाज़ कर दिया जाएगा—जैसा कि Apple के साथ हुआ।

कौन-से कार्य स्वचालित होंगे, इस बारे में ईमानदार रहें

बहुत से लोग मशीनों द्वारा अपनी नौकरियाँ छिनने से डरते हैं। लेकिन जैसे-जैसे तकनीक सुधरेगी, कर्मचारियों के लिए सबसे बड़ी चुनौती नौकरी स्वचालन नहीं—कार्य स्वचालन होगी। किसी के काम के कुछ हिस्से स्वचालित हो सकते हैं। इसलिए नियोक्ताओं की चुनौती है यह समझना कि इस स्वचालन के परिप्रेक्ष्य में इन कर्मचारियों को कैसे अपस्किल और रिस्किल किया जाए, और उन्हें अधिक उच्च-स्तरीय कार्य करने के लिए कैसे स्थानांतरित किया जाए।

इन विषयों पर गहराई से जानने के लिए, Hugo का ऑन-डिमांड वेबिनार देखें।