बड़े उद्यम डेटा-चालित कैसे बन सकते हैं

Amazon, Netflix, Google, और Airbnb जैसी सफल टेक कंपनियों में एक समानता क्या है? इन्होंने अपने डेटा साइंस फ़ंक्शन को बड़े पैमाने पर लागू किया और संचालन में उतारा है। यानी इन्होंने बेहतरीन डेटा टीमों का निर्माण किया है, और अपने डेटा टूल्स को हासिल किया या खुद बनाए हैं। इसके लिए ऐसे सशक्त आंतरिक प्रक्रियाएँ और आर्किटेक्चर तैयार करने पड़े जो डेटा का उपयोग करके उनके व्यवसाय को आगे बढ़ाएँ।

हमारे पिछले महीने के वेबिनार में, The World Bank के डेटा इंजीनियर और सिटी ऑफ़ सैन डिएगो के पूर्व चीफ़ डेटा ऑफ़िसर Maksim Percherskiy ने समझाया कि ये कंपनियाँ इसलिए बेहतर स्थिति में थीं क्योंकि वे डेटा के साथ ही बड़ी हुई हैं। “पुरानी संस्थाएँ—जैसे वित्तीय संस्थान, स्वास्थ्य संस्थान, और सरकारें—को [डेटा के इर्द-गिर्द अपना व्यवसाय बनाने] का विशेषाधिकार नहीं मिला। सैन डिएगो शहर की स्थापना 1800 के दशक में हुई थी, और वे अब भी समायोजित करना सीख रहे हैं और अब भी यह सीख रहे हैं कि डेटा को अपनी कार्यप्रणालियों के साथ प्रभावी ढंग से कैसे संरेखित करें।”

आइए समझते हैं कि बड़ी संस्थाएँ एक प्रभावी डेटा साइंस फ़ंक्शन कैसे बना सकती हैं। हाल के वर्षों में, कई संगठनों ने चीफ़ डेटा ऑफ़िसर नियुक्त किए हैं, डेटा साइंटिस्ट्स और डेटा इंजीनियर्स की टीमें बनाई हैं, और डेटा का मुद्रीकरण व साझाकरण का रास्ता निकाला है। लेकिन NewVantage Partners के जनवरी 2020 के सर्वेक्षण ने दिखाया कि 70 फ़र्मों में से 98.8% बड़े डेटा और AI पहलों में निवेश कर रही थीं, लेकिन केवल 37.8% ही यह दावा कर सकीं कि उन्होंने एक डेटा-चालित संगठन बनाया है।

डेटा-चालित बनने में सबसे आम बाधाएँ लोग और प्रक्रियाएँ हैं—विशेषकर, संचालन में उतारना और दोहराने योग्य प्रक्रियाएँ बनाना, एक कार्यात्मक डेटा अवसंरचना तैयार करना, और डेटा कौशल अंतर को पाटना।

डेटा आवश्यकताएँ

निम्न विज़ुअल इस बात को संक्षेप में दिखाता है कि डेटा को उपयोगी और विश्वसनीय क्या बनाता है:

सबसे पहले, डेटा को सही समय पर, सही तरीके से और एक उद्देश्य के साथ संग्रहित किया जाना चाहिए। फिर वह खोजयोग्य हो, यानी संगठन भर के सभी डेटा उपयोगकर्ताओं को पता हो कि यह डेटा एकत्र किया गया है और वे उसे ढूँढ सकें। अगला, डेटा विश्वसनीय सिद्ध हो—उसमें कोई गैप या असंगतियाँ न हों। उसे आसानी से समझने योग्य भी होना चाहिए—जैसे कि उसका स्ट्रक्चर और लेबलिंग सही हो। अनुपालन भी अहम है—संवेदनशील डेटा की पहुँच नियंत्रित करने हेतु उचित सुरक्षा प्रोटोकॉल होने चाहिए, और कुछ उद्योगों में नियामक मानक होते हैं। और अंत में, डेटा कार्यान्वयन योग्य होना चाहिए, यानी डेटा उपयोगकर्ताओं के पास तकनीक, प्रशिक्षण और नैतिक ढाँचे हों ताकि वे डेटा का सही उपयोग कर सकें।

डेटा-चालित बनने की चुनौतियाँ

इन डेटा आवश्यकताओं को पूरा करने में चुनौतियाँ तीन श्रेणियों में आती हैं: संगठनात्मक, सांस्कृतिक, और तकनीकी।

संगठनात्मक चुनौतियाँ

बड़े संगठनों में अक्सर सिलो होते हैं जहाँ टीमें अलग-अलग उद्देश्यों पर काम करती हैं। ये सिलो कानूनी आवश्यकताओं के कारण हो सकते हैं, जैसा कि वित्त में आम है, या सिर्फ इसलिए कि टीमें पहले सहयोगात्मक रूप से काम नहीं करती रही हैं। कारण चाहे जो हो, सिलो गलतफहमी और असंतुलन पैदा करते हैं, जो संगठन की समग्र प्रभावशीलता को नुकसान पहुँचाते हैं।

इसका एक लक्षण हो सकता है ऐसे प्रबंधक जो बड़ी टीमें बनाना चाहते हैं या एक से अधिक AI सेंटर ऑफ़ एक्सीलेंस का निर्माण।

सांस्कृतिक चुनौतियाँ

संगठनात्मक डेटा साक्षरता—जिसमें हर किसी के पास सफल होने के लिए आवश्यक डेटा कौशल हों—अक्सर एक ऊँचा लक्ष्य माना जाता है, और कुछ संगठन इसे अपनाने में जोखिम से बचते हैं। यही कारण है कि DataCamp मशीन लर्निंग जैसे विषयों को सरल बनाकर संगठनों को दिखाता है कि डेटा व्यावहारिक रूप से कैसे उपयोगी हो सकता है। कर्मचारियों को सशक्त बनाना और कौशल निर्माण को आसान बनाना महत्वपूर्ण है।

सांस्कृतिक चुनौतियाँ संगठन में अलग-अलग प्रोत्साहनों के रूप में भी उभर सकती हैं। प्रबंधन अपनी उच्चाधिकारियों को दिखाने के लिए आकर्षक डैशबोर्ड चाहता है, इंजीनियर नवीनतम और श्रेष्ठ टूल्स का उपयोग करना चाहते हैं, और व्यवसाय उपयोगकर्ता बस किसी विशिष्ट प्रश्न का उत्तर या प्रक्रियाओं का सरलीकरण चाहते हैं। हर हितधारक को खुश करना हमेशा संभव नहीं होता। यह पहले बताई गई संगठनात्मक चुनौतियों से जुड़ता है—लक्ष्य डेटा रणनीति को समग्र व्यावसायिक रणनीति से संरेखित करना है।

तकनीकी चुनौतियाँ

Maksim कहते हैं कि बड़े संगठनों में अक्सर “लीगेसी सिस्टम्स का एक पैबंद” मुख्य रिकॉर्ड सिस्टम के रूप में होता है। इन सिस्टम्स से डेटा निकालना या उन्हें स्केल करना मुश्किल हो सकता है—पर अक्सर विभाग प्रमुख बड़े प्रोजेक्ट नहीं लेना चाहते। उन्हें स्विचिंग कॉस्ट, प्रोजेक्ट विफलता की संभावित लागत, अतिरिक्त री-ट्रेनिंग लागत, और अल्पकालिक उत्पादकता में गिरावट का डर होता है। एकीकृत डेटा रणनीति के अभाव में ये सभी अल्पदृष्टि वाली गलतियाँ हैं।

अतिरिक्त तकनीकी चुनौतियों में HIPAA, FERPA, GDPR, और CCPA जैसी अनुपालन और सुरक्षा मानक शामिल हैं। कंपनियों को अनैतिक डेटा उपयोग से बचने के लिए इन मानकों का पालन करना चाहिए।

इन चुनौतियों का शिकार होना Brian Balfour के बताए Data Wheel of Death की ओर ले जाता है, जो नीचे दिखाया गया है। यह दर्शाता है कि जो डेटा लगातार मेंटेन नहीं होता, वह अप्रासंगिक या त्रुटिपूर्ण हो जाता है, जिससे लोग डेटा पर भरोसा खो देते हैं और अंततः उसका उपयोग कम कर देते हैं।

डेटा-चालित बनने के समाधान

तो, स्थापित उद्यम Netflix और Airbnb की तरह डेटा-चालित कैसे बन सकते हैं? उन्हें डेटा के इर्द-गिर्द खुद को फिर से गढ़ना होगा। ऐसा कैसे करें:

परिदृश्य को समझें

बड़े संगठनों को यह समझना चाहिए कि अलग-अलग सिलो क्या हैं और वे आपस में कैसे संवाद करते हैं। उन्हें कार्यकारी स्तर पर ऐसे चैंपियंस विकसित करने चाहिए जो इस यात्रा का समर्थन करें। और उन्हें सभी हितधारकों के साथ डेटा उद्देश्यों का संप्रेषण करना चाहिए।

अपने उपयोगकर्ताओं की पहचान करें

इसके बाद, सफल डेटा-चालित परिवर्तन को सुगम बनाने के लिए, आपको अपनी पर्सोनाज़ को समझना होगा। हर पर्सोना—चाहे वे डेटा कंज़्यूमर हों, लीडर, डेटा एनालिस्ट, या डेटा साइंटिस्ट—के साथ गहरी सहानुभूति रखने से आप समझ पाएँगे कि उन्हें सर्वोत्तम तरीके से कैसे सहायता करें और अपने मिशन में उनका लाभ कैसे उठाएँ।

छोटे से शुरू करें और सरल रखें

Maksim कहते हैं कि शुरुआत में सब कुछ एक साथ ठीक करना संभव नहीं है। प्रभाव पर केंद्रित रहने में अनुशासन बेहद ज़रूरी है। ऐसा प्रोजेक्ट चुनें जो पूरे संगठन में दृश्यमान और प्रभावशाली हो, और जिसमें ढेरों हितधारकों या भारी समन्वय की ज़रूरत न हो। शुरुआत में कुछ आसान जीतें हासिल करना सहमति बनाने को उत्प्रेरित करेगा और डेटा प्रोजेक्ट्स की दृश्यता सुनिश्चित करेगा। आप डेटा कार्य पर इटरेट भी कर पाएँगे और भविष्य के डेटा प्रोजेक्ट्स के लिए सीखों का लाभ उठा पाएँगे।

डेटा रणनीति को व्यवसाय रणनीति से संरेखित करें

डेटा रणनीति को व्यवसाय रणनीति से संरेखित करने का क्या अर्थ है? Maksim की व्यावहारिक सलाह है कि ऐसे डेटा प्रोजेक्ट्स चुनें जो आपकी अवसंरचना का विस्तार और परीक्षण करें, आपके व्यवसाय उपयोगकर्ताओं की सेवा करें, और कंपनी के लक्ष्यों व परिणामों से मेल खाएँ। सुनिश्चित करें कि हर प्रोजेक्ट प्रलेखित, पुनरुत्पाद्य हो, और सर्वोत्तम प्रथाओं का पालन करे। फिर, कार्यकारी समर्थन के साथ अपनी सफलताओं को कंपनी-व्यापी साझा करें ताकि आप उन पर आगे निर्माण कर सकें और लगातार इटरेट करते रहें।

डेटा-चालित होने का रूप कैसा है

डेटा-चालित होने के लिए डेटा पहलों की सफलता को मापने में सक्षम होना जरूरी है। Maksim कहते हैं कि आसानी से उपलब्ध मेट्रिक्स जैसे कुल प्रोजेक्ट्स की संख्या, पूर्ण डेटासेट्स की संख्या, या रेपो फ़ॉलोअर्स की संख्या का उपयोग करना आकर्षक लगता है।

“ये सभी अच्छे मेट्रिक्स हैं, लेकिन वे आपकी सफलता के मूल को सच में संबोधित नहीं करते,” Maksim कहते हैं। “मैं डेटा के साथ लिए गए निर्णयों की संख्या के बारे में ज़्यादा सोचूँगा। साथ ही, किसी को डेटा का सेट खोजने में कितना समय लगता है, या डेटा प्राप्त करने में समय कितना लगता है। आपको यह भी देखना चाहिए कि कितने लक्ष्य, उद्देश्य और OKRs डेटा के साथ सेट और ट्रैक किए जाते हैं, और उनका रिव्यू कैसे होता है।”

जटिल प्रक्रियाओं वाले बड़े संगठनों में डेटा को क्रियाशील बनाने पर अधिक जानकारी के लिए, Maksim का वेबिनार देखें: Operationalizing Data Within Large Organizations।