आपकी टीम डेटा साइंस का लाभ उठाना कैसे शुरू कर सकती है: चार तरीके

डेटा-चालित बनने के कठिन लक्ष्य तक पहुंचने की इच्छा से प्रेरित होकर, संगठनों ने सतत रूप से डेटा इकट्ठा किया है, बुनियादी ढांचा बनाया है, और उच्च कौशल वाले प्रतिभाओं को जोड़ा है। चूंकि डेटा को अक्सर असंख्य समस्याओं के लिए रामबाण माना जाता है, ये संगठन सही दिशा में बढ़ रहे हैं।

हालांकि, सही उपकरणों और प्रतिभाओं का होना अपने आप में किसी कंपनी को डेटा-चालित नहीं बनाता। डेटा-चालित बनने की सबसे बड़ी बाधा डेटा संस्कृति का निर्माण है—जहां हर कोई डेटा साइंस को व्यावसायिक समस्याओं को सुलझाने की कार्यप्रणाली के रूप में देखता है। वास्तव में, जो भी संगठन डेटा-चालित बनना चाहता है उसे पहले संगठन-व्यापी डेटा प्रवाहिता विकसित करके डेटा संस्कृति का पोषण करना होगा, और सभी को उनके कार्यों में उत्कृष्टता के लिए आवश्यक डेटा कौशल से लैस करना होगा। सोच में यह बुनियादी बदलाव किसी कंपनी के डेटा-चालित बनने के लक्ष्य में बड़ा चुनौती प्रस्तुत करता है। दरअसल, 2018 Gartner Chief Data Officer Survey के अनुसार, 35% CDOs का मानना है कि कम डेटा प्रवाहिता बड़े पैमाने पर डेटा से मूल्य निकालने की सबसे बड़ी चुनौती है।

डेटा-चालित बनने और बड़े पैमाने पर डेटा साइंस का लाभ उठाने के फायदे अनेक और व्यापक रूप से प्रलेखित हैं। यहां डेटा साइंस के चार ऐसे क्षेत्रों का संक्षिप्त विवरण है जिन्हें संगठन तेजी से अपना सकते हैं ताकि वे अपने डेटा से मूल्य निकालना शुरू कर सकें—विशिष्ट उपयोग मामलों के साथ।

1. डेटा विज़ुअलाइज़ेशन के माध्यम से जटिल अंतर्दृष्टि को तेज़ी और संक्षेप में संप्रेषित करना

इंटरैक्टिव डेटा डैशबोर्ड तेजी से सर्वव्यापी हो गए हैं, क्योंकि वे हितधारकों को नवीनतम जानकारी तक आसानी से पहुंचने देते हैं।

डैशबोर्ड अत्यंत बहुमुखी होते हैं। वे किसी कंपनी के दीर्घकालिक नॉर्थ-स्टार मैट्रिक्स के लिए टेलीस्कोप हो सकते हैं या उसके अल्पकालिक संचालन संबंधी विवरणों पर केंद्रित माइक्रोस्कोप। किसी भी तरह, वे संगठनों को डेटा-आधारित निर्णय लेने का पैमाना बढ़ाने देते हैं। आज, कई नो-कोड बिजनेस इंटेलिजेंस टूल जैसे Tableau और Power BI शक्तिशाली डैशबोर्ड बनाने के लिए सहज ड्रैग-एंड-ड्रॉप इंटरफेस प्रदान करते हैं। दूसरी ओर, लोकप्रिय प्रोग्रामिंग भाषाओं पर बने ओपन-सोर्स पैकेज, जैसे Python का plotly और R का Shiny, अत्यधिक अनुकूलन योग्य इंटरैक्टिव विज़ुअलाइज़ेशन बनाने में प्रवेश की बाधा कम करते हैं।

2. ऐतिहासिक डेटा का विश्लेषण करके बेहतर निर्णय लें

एक डेटा-चालित कंपनी अपने ऐतिहासिक प्रदर्शन का वर्णन, सारांश और समझ करती है, और उसे ऐसे निर्णयों का मार्गदर्शन करने में उपयोग करती है जो उसे सफल रणनीतियों पर दोगुना ध्यान केंद्रित करने और जो काम नहीं करता उसे सुधारने में सक्षम बनाते हैं। Deloitte के एक सर्वेक्षण में पाया गया कि लगभग आधी कंपनियां मानती हैं कि एनालिटिक्स का सबसे बड़ा लाभ बेहतर डेटा-चालित निर्णय लेने में सक्षम बनाना है। साथ ही, 62% कंपनियों ने कहा कि व्यापार रणनीति चलाने में डेटा महत्वपूर्ण है। स्पष्ट है कि डेटा कॉर्पोरेट उपकरण-किट में तेजी से अपरिहार्य साधन बनता जा रहा है।

डेटा-चालित निर्णय-निर्माण किसी संगठन के प्रतिद्वंद्वियों पर उसके प्रतिस्पर्धी लाभ को बनाए रख सकता है और बढ़ा सकता है। उदाहरण के लिए, मार्केट बास्केट विश्लेषण भौतिक रिटेलर्स को अपने स्टोर स्पेस का बेहतर अनुकूलन करने और ग्राहकों के लिए बेहतर शॉपिंग अनुभव बनाने में मदद कर सकता है। मार्केटर्स ऐतिहासिक ईमेल क्लिक-थ्रू दरों का विश्लेषण करके ईमेल अभियानों की सफलता का मूल्यांकन कर सकते हैं। वित्तीय विश्लेषक अपने ऐतिहासिक डेटा पर टाइम-सीरीज़ विश्लेषण लागू कर बजट योजना का अनुकूलन कर सकते हैं।

ऐसे ऐतिहासिक डेटा का विश्लेषण तब स्प्रेडशीट टूल्स जैसे Microsoft Excel और Google Sheets पर कुशलतापूर्वक किया जा सकता है जब डेटा का आकार छोटा हो। जैसे-जैसे डेटा बढ़ता है, विश्लेषण ओपन-सोर्स प्रोग्रामिंग भाषाओं जैसे R और Python का उपयोग कर सबसे प्रभावी ढंग से किया जा सकता है।

3. मौजूदा विषय-वस्तु विशेषज्ञता को सांख्यिकीय सोच से पूरक करें

सांख्यिकी का उपयोग बड़ी मात्रा में डेटा का संक्षेप में सार प्रस्तुत करने के लिए किया जा सकता है। सांख्यिकी की बुनियाद में सार-सांख्यिकी शामिल हैं जो औसतों (जैसे मीन, मोड और मीडियन) और औसत से विचलन (जैसे मानक विचलन और वैरिएंस) का प्रतिनिधित्व करती हैं। ये सार-सांख्यिकी बॉक्स प्लॉट जैसे टूल्स और सहसंबंध गुणांक जैसे मैट्रिक्स (दो चरों के बीच संबंध की ताकत का माप) की आधारशिला हैं। उदाहरण के लिए, रिटेलर्स क्रॉस-सेलिंग अभियानों का अनुकूलन करने के लिए उत्पादों की खरीद के बीच सहसंबंध की गणना कर सकते हैं। मार्केट रिसर्चर्स नए प्रोडक्ट फीचर लॉन्च करने या किसी उत्पाद की कीमत बदलने से पहले ग्राहक वरीयताओं के आदर्श मिश्रण का निर्धारण करने हेतु कॉन्जॉइंट विश्लेषण का उपयोग कर सकते हैं।

नियंत्रित प्रयोग कंपनियों को किसी परिवर्तन के प्रभाव को अलग-थलग करने, दो मीट्रिक्स के बीच स्पष्ट कारण-और-प्रभाव संबंध स्थापित करने, और बेहतर निर्णय लेने में मदद कर सकते हैं। सांख्यिकी में निहित नींव के साथ, नियंत्रित प्रयोग विषय-वस्तु विशेषज्ञों की सहज धारणाओं को परखने या खारिज करने का अपेक्षाकृत सरल लेकिन सख्त तरीका प्रदान करते हैं। नियंत्रित प्रयोग का एक सरल उदाहरण है ईमेल विषय-पंक्तियों का A/B परीक्षण करना और सबसे अधिक क्लिक-थ्रू दर वाली को चुनना। AirBnB में, केवल तभी परिवर्तन सभी उपयोगकर्ताओं के लिए लागू किया गया जब किसी प्रयोग ने निस्संदेह दिखाया कि अधिकतम मूल्य फ़िल्टर में परिवर्तन से रूपांतरण दर बढ़ती है। Shutterstock में, खोज पृष्ठ की छवियों पर वॉटरमार्क हटाने के विचार को खारिज कर दिया गया जब प्रयोगों ने मजबूत सबूत दिए कि ऐसा परिवर्तन रूपांतरण दर घटाता है।

4. मशीन लर्निंग के साथ पूर्वानुमान लगाएं और नया ज्ञान खोजें

कंपनियां मशीन लर्निंग के जरिए पिछले डेटा का उपयोग भविष्य के बारे में अनुमान लगाने के लिए कर सकती हैं। उदाहरण के लिए, सुपरवाइज़्ड लर्निंग—एक तकनीक जो लेबल्ड डेटा के साथ एल्गोरिद्म को डेटा को वर्गीकृत करने या परिणामों का अनुमान लगाने के लिए प्रशिक्षित करती है—का उपयोग करके कोई भी संगठन अपने ऐतिहासिक गतिविधि के आधार पर यह भविष्यवाणी कर सकता है कि कौन से ग्राहक सबसे अधिक चर्न करने की संभावना रखते हैं। एक ट्रेडिंग फर्म वित्तीय मॉडलिंग में किसी स्टॉक के ऐतिहासिक दामों का उपयोग भविष्य के दामों का अनुमान लगाने के लिए कर सकती है।

सुपरवाइज़्ड लर्निंग के विपरीत, अनसुपरवाइज़्ड लर्निंग एक तकनीक है जिसका उपयोग कोई कंपनी कच्चे डेटा सेट के बारे में कम जानकारी होने पर भी अपने डेटा का अन्वेषण करने के लिए कर सकती है—भले ही उसे पता न हो कि वह क्या खोज रही है। क्लस्टरिंग अनसुपरवाइज़्ड लर्निंग एल्गोरिद्म का एक उदाहरण है, जो डेटा को पूर्वनिर्धारित न की गई श्रेणियों में बांटता है। उदाहरण के लिए, कोई टेलीकॉम कंपनी जिसके पास अपने ग्राहकों के बारे में मूल्यवान डेटा है लेकिन अभी तक ग्राहकों का सेगमेंटेशन करने का तरीका नहीं मिला है, वह अनसुपरवाइज़्ड लर्निंग का उपयोग कर विशिष्ट विशेषताओं वाले ग्राहक क्लस्टर्स की पहचान कर सकती है।

अनसुपरवाइज़्ड लर्निंग संबंधों को खोजने में भी उत्कृष्ट है। ई-कॉमर्स में, ‘जिन्हें उत्पाद X पसंद है उन्हें उत्पाद Y भी पसंद है’ जैसे उत्पाद अनुशंसाएं अक्सर अनसुपरवाइज़्ड लर्निंग तकनीकों का परिणाम होती हैं जो ऐसे छिपे हुए संबंधों का पता लगाती हैं। ऐसी उत्पाद अनुशंसाएं प्रभावी क्रॉस-सेलिंग रणनीति की रीढ़ बन सकती हैं।

डेटा-चालित संगठन का निर्माण

स्पष्ट है कि डेटा-चालित बनने की दिशा में कदम उठाने से किसी संगठन के लिए कई संभावित लाभ खुलते हैं। कई ऐसे आसान उपयोग-केस हैं जिन्हें कार्यात्मक टीमें आवश्यक कौशल होने पर साथ मिलकर लागू करना शुरू कर सकती हैं। यही कारण है कि DataCamp for Business उन कंपनियों के लिए एक इंटरैक्टिव लर्निंग प्लेटफ़ॉर्म प्रदान करता है जिन्हें अपने लोगों को डेटा कौशल में अपस्किल और रिस्किल करने की आवश्यकता है। डेटा साक्षरता और डेटा साइंस से लेकर डेटा इंजीनियरिंग और मशीन लर्निंग तक के विषयों के साथ, 1,600 से अधिक कंपनियां अपने प्रतिभा को अपस्किल करने के लिए DataCamp for Business पर भरोसा करती हैं।