असंगत डेटा एंटरप्राइज़ AI अपनाने को रोक रहा है – कंपनियां खुद को कैसे उलझन से निकाल सकती हैं

स्वास्थ्य स्टार्टअप्स कह रहे हैं कि अस्पष्ट नियम AI नवाचार को सेक्टर में रोक रहे हैं। ज़ाहिर है, स्वास्थ्य सेवा उद्योग में ऐसी सावधानियां आवश्यक हैं, जहां यह जीवन और मृत्यु का मामला है। लेकिन जो कम समझ में आता है वह यह है कि सुस्त एंटरप्राइज़ सास के पार AI का अपनाना – एक ऐसा क्षेत्र जो अन्य क्षेत्रों की तरह लाल टेप से नहीं जुड़ा हुआ है।

तो क्या एंटरप्राइज़ को AI को अपनाने से रोक रहा है ताकि वे अपनी प्रक्रियाओं को सुव्यवस्थित और अनुकूलित कर सकें? मुख्य अपराधी वह गंदी डेटा है जो कंपनियों के बढ़ने और नए उपकरणों और उत्पादों को जोड़ने के साथ जमा होती है। इस लेख में, मैं बताऊंगा कि कैसे गंदी डेटा एंटरप्राइज़ में AI नवाचार को रोकने वाला है, और समाधानों का अन्वेषण करूंगा।

डेटा जंगल में आपका स्वागत है

आइए एक सामान्य डेटा चुनौती पर नजर डालें जिसका सामना कई आधुनिक व्यवसाय करते हैं। शुरू में, जब व्यवसाय एक सीमित श्रृंखला के उत्पादों की पेशकश करते हैं, तो वे आमतौर पर साफ राजस्व डेटा के साथ होते हैं जो एक ही प्रणाली के भीतर होता है। हालांकि, जब वे अपने उत्पादों की पेशकश का विस्तार करते हैं और राजस्व मॉडल की एक श्रृंखला को अपनाते हैं, तो चीजें जल्दी ही गंदी हो जाती हैं।

उदाहरण के लिए, एक व्यवसाय शुरू में एक बार की खरीद मॉडल का उपयोग कर सकता है, लेकिन बाद में सदस्यता या उपभोग-आधारित मूल्य निर्धारण जैसे अतिरिक्त विकल्प पेश कर सकता है। जैसे ही वे विस्तारित होते हैं, वे संभवतः अपने बिक्री चैनलों को विविध बनाएंगे। एक कंपनी जो 100% उत्पाद-नेतृत्व वाली स्व-सेवा बिक्री से शुरू होती है, वह समय के साथ महसूस कर सकती है कि उन्हें बड़े ग्राहकों को बेचने, क्रॉस-सेल करने और लैंड करने के लिए बिक्री टीमों की मदद की आवश्यकता है।

तेजी से विकास के चरणों के दौरान, कई व्यवसाय बस नए बिक्री प्रणालियों को मौजूदा लोगों पर ढेर कर देते हैं। वे प्रत्येक अलग गति, मूल्य निर्धारण मॉडल, खरीद प्रक्रिया आदि के लिए एक अलग सास उपकरण प्राप्त करेंगे। यह असामान्य नहीं है कि एक कंपनी के विपणन विभाग में 20 अलग सास उपकरण हों और 20 अलग डेटा सिलोस हों।

तो जबकि कंपनियां आमतौर पर साफ, एकीकृत डेटा के साथ शुरू करती हैं, विकास के कारण डेटा जल्दी से नियंत्रण से बाहर हो जाता है, अक्सर इससे पहले कि व्यवसाय इसे एक समस्या के रूप में पहचान लें। डेटा बिलिंग, पूर्ति, ग्राहक सफलता और अन्य प्रणालियों के बीच सिलो किया जाता है, जिसका अर्थ है कि कंपनियां अपने आंतरिक कामकाज में वैश्विक दृश्यता खो देती हैं। और दुर्भाग्य से, डेटा को मैन्युअल रूप से सुलझाना अक्सर इतना श्रमसाध्य और समय लेने वाला होता है कि अंतर्दृष्टि तब तक पुरानी हो सकती है जब तक वे उपयोग करने के लिए तैयार हों।

AI आपके गंदे डेटा को ठीक नहीं कर सकता

कई संभावित ग्राहकों ने हमसे पूछा है – “अगर AI इतना महान है, तो क्या यह हमारे लिए इस गंदे डेटा समस्या को हल नहीं कर सकता?” अफसोस, AI मॉडल इस डेटा समस्या का समाधान नहीं हैं।

वर्तमान AI मॉडल को ठीक से काम करने के लिए साफ डेटासेट की आवश्यकता होती है। विभिन्न बिक्री गतिविधियों, सास प्लेटफ़ॉर्म और राजस्व प्रक्रियाओं पर निर्भर कंपनियां अनिवार्य रूप से विभिन्न और खंडित डेटासेट जमा करती हैं। जब एक व्यवसाय का राजस्व डेटा असंगत प्रणालियों में बिखरा होता है जो एक दूसरे के साथ संवाद नहीं कर सकते हैं, तो AI इसका अर्थ नहीं निकाल सकता। उदाहरण के लिए, एक प्रणाली में “उत्पाद” के रूप में लेबल किया गया दूसरी प्रणाली में “उत्पाद” से बहुत अलग हो सकता है। यह सूक्ष्म सेमांटिक अंतर AI के लिए पहचानना मुश्किल है और यह अनिश्चितता की ओर ले जाएगा।

डेटा को ठीक से साफ, संदर्भित और एकीकृत करने की आवश्यकता है AI के चित्र में आने से पहले। एक लंबे समय से चली आ रही गलत धारणा है कि डेटा वेयरहाउसिंग एक आकार-फिट-सभी समाधान प्रदान करता है। वास्तव में, यहां तक कि एक डेटा वेयरहाउस के साथ, डेटा को अभी भी मैन्युअल रूप से परिष्कृत, लेबल और संदर्भित किया जाना चाहिए, इससे पहले कि व्यवसाय इसका उपयोग अर्थपूर्ण विश्लेषण उत्पन्न करने के लिए कर सके। इसलिए, डेटा वेयरहाउसिंग और AI के बीच समानताएं हैं, क्योंकि व्यवसायों को डेटा की गंदगी को साफ करने की आवश्यकता है इससे पहले कि वे इनमें से किसी भी उपकरण का लाभ उठा सकें।

यहां तक कि जब डेटा को संदर्भित किया गया है, तो AI प्रणालियों को अभी भी अनुमानितकम से कम 3% बार हॉलुसिनेट करने के लिए। लेकिन एक कंपनी के वित्त – जहां एक दशमलव बिंदु गलत स्थान पर हो सकता है जो कई प्रक्रियाओं को बाधित करने वाला डोमिनो प्रभाव पैदा कर सकता है – 100% सटीकता की आवश्यकता है। इसका मतलब है कि मानव हस्तक्षेप अभी भी डेटा सटीकता और संगतता को सत्यापित करने के लिए आवश्यक है। AI को समय से पहले एकीकृत करने से मानव विश्लेषकों के लिए और अधिक काम हो सकता है, जिन्हें इन हॉलुसिनेशन को ठीक करने के लिए अतिरिक्त समय और संसाधन आवंटित करने होंगे।

एक डेटा कैच-22

फिर भी, सास समाधानों की पroliferation और परिणामी गंदी डेटा के लिए कई समाधान हैं।

सबसे पहले, कंपनियों को अपने तकनीकी स्टैक का नियमित रूप से मूल्यांकन करना चाहिए ताकि यह सुनिश्चित किया जा सके कि प्रत्येक उपकरण उनकी व्यवसाय प्रक्रियाओं के लिए सख्ती से आवश्यक है, और केवल डेटा गांठ में योगदान नहीं दे रहा है। आपको 10 या यहां तक कि 20+ उपकरण मिल सकते हैं जिनका आपकी टीमें दैनिक रूप से उपयोग करती हैं। यदि वे वास्तव में विभागों और समग्र व्यवसाय के लिए मूल्य ला रहे हैं, तो उन्हें हटा दें। लेकिन अगर गंदी, सिलो की हुई डेटा प्रक्रियाओं और बुद्धिमत्ता संग्रह को बाधित कर रही है, तो आपको इसके लाभों को एक पतले, एकीकृत समाधान में स्विच करने के खिलाफ तौलना चाहिए जहां सभी डेटा एक ही उपकरण और भाषा में है।

इस बिंदु पर, व्यवसायों को सॉफ़्टवेयर चुनने में एक दुविधा का सामना करना पड़ता है: एक-में-सारे उपकरण डेटा संगतता प्रदान कर सकते हैं, लेकिन संभवतः विशिष्ट क्षेत्रों में कम सटीकता के साथ। एक मध्यवर्ती समाधान व्यवसायों को सॉफ़्टवेयर की तलाश करना शामिल करता है जो एक सार्वभौमिक वस्तु मॉडल प्रदान करता है जो लचीला, अनुकूलनीय और सामान्य पारिस्थितिकी तंत्र के साथ सहजता से एकीकृत है। उदाहरण के लिए, एटलसियन के जिरा लें। यह परियोजना प्रबंधन उपकरण एक आसानी से समझने योग्य और अत्यधिक विस्तार योग्य वस्तु मॉडल पर काम करता है, जो इसे विभिन्न प्रकार के परियोजना प्रबंधन, जिसमें एगाइल सॉफ़्टवेयर विकास, आईटी/हेल्पडेस्क, विपणन, शिक्षा आदि शामिल हैं, के लिए अनुकूल बनाता है।

इस ट्रेड-ऑफ़ को नेविगेट करने के लिए, यह महत्वपूर्ण है कि आप अपने व्यवसाय के लिए सबसे महत्वपूर्ण मेट्रिक्स को मैप आउट करें और उसके अनुसार काम करें। अपनी कंपनी के उत्तरी तारे की पहचान करना और अपनी प्रणालियों को उसकी ओर संरेखित करना यह सुनिश्चित करता है कि आप अपनी डेटा बुनियादी ढांचे को उन अंतर्दृष्टि को वितरित करने के लिए डिज़ाइन कर रहे हैं जिन्हें आपको चाहिए। केवल परिचालन कार्य प्रवाह या उपयोगकर्ता सुविधा पर ध्यान केंद्रित करने के बजाय, विचार करें कि क्या एक प्रणाली गैर-विचारशील मेट्रिक्स में योगदान देती है, जैसे कि रणनीतिक निर्णय लेने के लिए महत्वपूर्ण वाले।

अंततः, यह कंपनियां हैं जो अपने डेटा को साफ करने में समय और संसाधन लगाती हैं जो पहले एआई की सच्ची क्षमता को अनलॉक करेंगी।