जब DataLab पहली बार लॉन्च हुआ, तो हमने यह सुनिश्चित करने के लिए कड़ी मेहनत की कि डेटा साइंस और डेटा एनालिटिक्स कार्य करने के लिए यह सर्वोत्तम अनुभव प्रदान करे। इसका मतलब था तेज़, हल्का एडिटर बनाना, रियल-टाइम सहयोग सक्षम करना, और पेशेवर स्तर की केवल-पढ़ने योग्य रिपोर्ट तैयार करना।
इसी समय, हम अपनी आंतरिक विश्लेषणों के लिए थर्ड-पार्टी टूल्स पर निर्भर थे। प्रोडक्ट मेट्रिक्स जैसे DataLab का उपयोग करने वाले उपयोगकर्ताओं की संख्या और प्लेटफ़ॉर्म पर बिताया गया समय अन्य टूल्स से ट्रैक किए जाते थे। हमें एहसास हुआ कि यदि हम DataLab को पेशेवर कार्य के टूल के रूप में गंभीरता से लेना चाहते हैं, तो हमें स्वयं इसका उपयोग करना होगा।
यह लेख बताएगा कि अतीत में हमने आंतरिक एनालिटिक्स कैसे की और हम DataLab पर कैसे स्थानांतरित हुए। इसमें इस बदलाव से मिले लाभ और सीख भी शामिल हैं।
हमारी प्री-DataLab एनालिटिक्स
DataLab से पहले, प्रोडक्ट पर आंतरिक एनालिटिक्स के लिए हमारा प्राथमिक टूल Metabase था। Metabase एक बिज़नेस इंटेलिजेंस टूल है जो एक डेटा लेक से जुड़ा है जिसमें DataLab की सामग्री और गतिविधि की जानकारी होती है। Metabase के साथ, हम जल्दी से SQL क्वेरी चला सकते थे, रिपोर्ट बना सकते थे, और यहां तक कि डायनेमिक डैशबोर्ड भी तैयार कर सकते थे।
टीम में Metabase का व्यापक रूप से उपयोग होता था। हम इसे अलग-अलग तरह की सामग्री के साथ उपयोगकर्ताओं की भागीदारी, हमारे उपयोगकर्ताओं द्वारा Workspace में बिताया गया समय, और दैनिक, साप्ताहिक, तथा मासिक आधार पर DataLab से इंटरैक्ट करने वाले उपयोगकर्ताओं की संख्या मॉनिटर करने के लिए इस्तेमाल करते थे।
इस समय हमारी एनालिटिक्स के लिए DataLab का उपयोग बहुत आम नहीं था। यह केवल तब होता था जब हम SQL या Metabase की नो-कोड विज़ुअलाइज़ेशन क्षमताओं की सीमाओं से टकराते थे। इन स्थितियों में, हम कच्चे डेटा को एक्सपोर्ट करते, उसे मैन्युअली एक नए वर्कबुक में जोड़ते और फिर Python में विश्लेषण जारी रखते। हालांकि, यह प्रक्रिया बोझिल थी और डेटा अपडेट करना मुश्किल बना देती थी।
हमने DataLab पर स्विच क्यों किया
जैसे-जैसे DataLab बढ़ा, हमारे उपयोगकर्ताओं और उनके DataLab पर बिताए समय से जुड़े सवाल अधिक जटिल होते गए। Metabase जितना सुविधाजनक है, हमारे कई प्रश्नों के लिए Python और R द्वारा प्रदान किए गए अतिरिक्त टूल्स की आवश्यकता पड़ती थी।
हमें यह भी पता था कि यदि हम सर्वोत्तम उपयोगकर्ता अनुभव प्रदान करना चाहते हैं, तो हमें खुद इसका उपयोग करना होगा—इसे “डॉगफूडिंग” कहा जाता है। सचमुच, DataLab की सीमाओं और झुंझलाहटों को समझने का सबसे अच्छा तरीका और क्या हो सकता है सिवाय इसके कि हम खुद इसका इस्तेमाल करें?
इन्हीं दो कारणों से, हमने 2022 की गर्मियों से अपनी अधिकांश एनालिटिक्स को Metabase से DataLab पर स्थानांतरित करने का लक्ष्य रखा।
स्थानांतरण
स्थानांतरण तब शुरू हुआ जब हमने DataLab के अंदर SQL सेल्स लॉन्च किए। अब हम वही डेटा क्वेरी कर सकते थे जिसे हम Metabase में एक्सेस करते थे, लेकिन क्वेरी के परिणाम तुरंत एक Python या R DataFrame में बदल जाते थे (इस पर निर्भर करता है कि हम कौन सा टूल उपयोग कर रहे हैं)। हम आसानी से अपने डेटाबेस पर क्वेरी चलाने और अपनी पसंद के टूल्स से परिणामों का विश्लेषण करने के बीच स्विच कर सकते थे। कुछ ही हफ्तों में, हमने अपनी अधिकांश मौजूदा क्वेरियों को Metabase से DataLab में माइग्रेट कर लिया।
इस लेख के लिखे जाने तक, हमारे पास 141 अलग-अलग DataCamp उपयोगकर्ता हैं जिन्होंने DataLab के अंदर 30 मिनट या उससे अधिक समय बिताया है। जैसा कि चार्ट से देखा जा सकता है, यह निरंतर प्रगति रही है!
हम लगातार नए DataCampers को DataLab में शामिल कर रहे हैं!
DataLab पर स्विच करने के फायदे
DataLab पर स्विच करने के बाद, हमें अपनी रोज़मर्रा की कार्यप्रणाली में कई प्रमुख फायदे मिले:
- पूरी तरह अनुकूलनयोग्य विज़ुअलाइज़ेशन: Metabase कई तरह के विज़ुअलाइज़ेशन और कस्टमाइज़ेबल एट्रिब्यूट्स प्रदान करता है, लेकिन संभावनाएं असीमित नहीं हैं। DataLab में हमारी SQL क्वेरियों के परिणाम DataFrames के रूप में लौटते हैं। इसका मतलब है कि हम Plotly जैसी Python लाइब्रेरीज़ का उपयोग करके एनोटेशन, कस्टम थीम और अनूठे प्लॉट प्रकारों वाले चार्ट बना सकते हैं।
हमारे आंतरिक डेटा का उपयोग करके DataLab के अंदर बनाए गए विज़ुअलाइज़ेशन में से एक का उदाहरण।
- उन्नत एनालिटिक्स: SQL को Python या R के साथ मिलाकर, हम तुरंत ही अपने डेटा का उन तकनीकों से विश्लेषण कर सकते हैं जो SQL में संभव नहीं हैं। इससे हमें अपने उपयोगकर्ताओं का सेगमेंटेशन करने और ऐसे क्लासिफिकेशन मॉडल प्रशिक्षित करने में मदद मिली जो यह भविष्यवाणी करते हैं कि उपयोगकर्ता DataLab में कैसे काम कर रहे हैं।
- वर्णनात्मक रिपोर्टिंग: किसी प्रोडक्ट से परिचित उपयोगकर्ताओं के लिए डैशबोर्ड बेहतरीन होता है। हालांकि, नए लोगों या टीम के बाहर के लोगों के लिए डैशबोर्ड को समझना चुनौतीपूर्ण हो सकता है। DataLab के साथ, हम अपनी रिपोर्ट में पूरे समय लिखित सारांश एंबेड कर सकते हैं, जिन्हें बाद में संबंधित हितधारक पढ़ सकते हैं।
- साझा करने योग्य और सामाजिक प्रकाशन: प्रकाशित वर्कबुक का लिंक साझा करने की क्षमता बेहद मूल्यवान साबित हुई है। प्रकाशित विश्लेषण हमारे CEO और अन्य अधिकारियों तक पहुंचे, जिन्होंने फिर टिप्पणियों और प्रश्नों के रूप में फीडबैक जोड़ा। प्रकाशित वर्कबुक्स की वर्णनात्मक प्रकृति के साथ मिलकर, प्रबंधन बिना इन-पर्सन ब्रीफिंग के अपनी सुविधा से एनालिटिक्स कार्य पढ़ सकता था।
- नो-कोड चार्ट्स: अधिकांश DataCampers के पास SQL कौशल हैं, लेकिन हर कोई Python या R में उतना सहज नहीं है। चार्ट सेल्स कम तकनीकी उपयोगकर्ताओं को बिना एक भी लाइन कोड लिखे, उच्च-गुणवत्ता वाले विज़ुअलाइज़ेशन के ज़रिए अपनी अंतर्दृष्टियाँ संप्रेषित करने में सक्षम बनाते हैं।
हमारे नो-कोड चार्ट सेल्स एक्शन में!
अब तक हमने क्या सीखा
अक्टूबर के मध्य तक, DataCampers ने सामूहिक रूप से DataLab के अंदर 4132 घंटे बिताए हैं! अब हमने तिमाही लक्ष्यों और प्रोडक्ट उपयोग से संबंधित सभी केंद्रीय रिपोर्टिंग को DataLab में माइग्रेट कर दिया है। नीचे हमारे प्रमुख सीखों का सारांश और उनका DataLab पर प्रोडक्ट के रूप में प्रभाव दिया गया है:
- स्पीड अत्यंत महत्वपूर्ण है: अपने वर्कबुक के लोड होने, कोड के निष्पादित होने, या क्वेरी के परिणाम लौटने में अपेक्षा से अधिक इंतजार करना खीझ पैदा करता है। अनुभव कम से कम उतना तेज़ होना चाहिए, और आदर्श रूप से स्थानीय रूप से चल रहे Jupyter Notebook से तेज़। हमारी टीम ने नोटबुक और प्रकाशन के लोडिंग समय को कम करने में उल्लेखनीय प्रगति की है। उन्होंने यह सुनिश्चित करने पर भी काम किया है कि कोड निष्पादन स्थानीय नोटबुक के समकक्ष हो।
- हर कोई कोड देखना नहीं चाहता: पहले, हमारी प्रकाशनों में जटिल SQL क्वेरियों और घने Python कोड से भरी बड़ी-बड़ी सेल्स होती थीं। जबकि यह रिपोर्ट के तकनीकी पहलुओं की समीक्षा करने वाले सहकर्मियों के लिए उपयोगी था, यह अक्सर रिपोर्ट की वास्तविक अंतर्दृष्टियों के आड़े आ जाता था। आप DataLab में JupyterLab एडिटर पर स्विच करके सेल्स और प्रकाशनों को छिपा सकते थे, लेकिन यह DataCamp Notebook एडिटर में परिलक्षित नहीं होता था। इसे ध्यान में रखते हुए, हमने आपके वर्कबुक्स में कोड और SQL सेल्स को बेहद आसानी से छिपाने का तरीका जारी किया है। यह सुनिश्चित करता है कि आप किसी भी हितधारक के साथ साझा करने योग्य, सुंदर केवल-पढ़ने योग्य रिपोर्ट तैयार कर सकें। हमारे उपयोगकर्ताओं को यह बहुत पसंद आ रहा है।
- नोटबुक्स को फिर से चलाना निराशाजनक हो सकता है: अपनी अधिकांश ट्रैकिंग के लिए, हम उपयोगकर्ताओं की संख्या, गतिविधि स्तर और फीचर अपनाने के दैनिक अपडेट पर काफी हद तक निर्भर हैं। नए डेटा उपलब्ध होने पर रिफ्रेश होने वाले डायनेमिक डैशबोर्ड के विपरीत, वर्कबुक्स को हर बार फिर से चलाना पड़ता है। अपने अनुभवों के आधार पर, हम वर्कबुक निष्पादन शेड्यूलिंग का समर्थन करने की योजना बना रहे हैं। इससे यह सुनिश्चित होगा कि रिपोर्ट हमेशा नवीनतम अंतर्दृष्टियाँ शामिल करें।
इन सीखों में वे कई छोटे-छोटे बदलाव शामिल नहीं हैं जो हमने DataLab पर स्विच करने के बाद से एडिटर में किए हैं। यूज़र इंटरफेस, डैशबोर्ड, और चार्ट सेल्स जैसी सुविधाएँ लगातार सुधार के दौर से गुजर रही हैं, जो आंतरिक और बाहरी दोनों उपयोगकर्ताओं की प्रतिक्रियाओं से प्रेरित हैं।
आगे की राह
हालांकि अपने ही प्रोडक्ट का उपयोग करने की प्रक्रिया ने यह दिखाया है कि हम किन-किन तरीकों से सुधार कर सकते हैं, हमें पता है कि यह केवल आधी कहानी है। आंतरिक रूप से प्राप्त फीडबैक के साथ मिलकर, हमारी टीम DataLab उपयोगकर्ताओं के इंटरव्यू लेने में कड़ी मेहनत कर रही है। ये इंटरव्यू हमारी खोजों को पूरक करते हैं और आंतरिक परीक्षण से छूट जाने वाली बातों को पकड़ने में मदद करते हैं।
हमने सितंबर के अंत में अपनी द्विसाप्ताहिक न्यूज़लेटर के हिस्से के रूप में एक उपयोगकर्ता सर्वे भी लॉन्च किया। इस सर्वे ने हमें अपने उपयोगकर्ताओं से मात्रात्मक जानकारी इकट्ठा करने में मदद की। ये परिणाम DataLab के लिए उच्च-प्राथमिकता वाली पहलों की पहचान करने और यह समझने में हमारी सहायता कर रहे हैं कि हमारा प्रोडक्ट कैसे उपयोग किया जा रहा है। और, ज़ाहिर है, सर्वे डेटा का विश्लेषण और विज़ुअलाइज़ेशन DataLab के साथ ही किया गया!
हमारे उपयोगकर्ताओं द्वारा DataLab का उपयोग करने का प्रमुख कारण जल्दी से कोड सैंपल आज़माना बताया गया। आप DataLab का उपयोग कैसे करते हैं?
आने वाले महीनों में, हम और आगे बढ़कर एक DataLab-एक्सक्लूसिव एनालिटिक्स वातावरण की ओर बढ़ने की योजना बना रहे हैं। हमारे इंजीनियरिंग टीम द्वारा प्रोडक्ट में किए गए हर नए फीचर और सुधार के साथ यह बदलाव और आसान होता जा रहा है।
यदि आप अपनी आंतरिक डेटा एनालिटिक्स और डेटा साइंस आवश्यकताओं के लिए DataLab का उपयोग करने में रुचि रखते हैं, तो आप इसके बारे में और अधिक यहां पढ़ सकते हैं। या इससे भी बेहतर, एक खाली Python या R वर्कबुक में कूदें और अभी कोडिंग शुरू करें!