सिद्धार्थ राजगोपाल और सुजय दत्ता, डेटा द फोर्थ पिलर – साक्षात्कार श्रृंखला के लेखक

सुजय दत्ता एक अनुभवी प्रौद्योगिकी और व्यवसायिक नेता हैं जिनके पास 25+ वर्षों का वैश्विक अनुभव है। वह मानते हैं कि भविष्य का निर्माण एआई, व्यवसायिक परिणाम, संस्कृति और डेटा (“एबीसीडी”) के बीच के संगम पर हो रहा है। वह वर्तमान में डेटाब्रिक्स में ग्लोबल अकाउंट लीड के रूप में काम करते हैं।

सिद्धार्थ (सिद) राजगोपाल इन्फोर्मेटिका में फील्ड सीटीओ संगठन में एक मुख्य वास्तुकार हैं। अपनी भूमिका में, वह उद्यमों में वरिष्ठ कार्यकारियों के साथ जुड़ते हैं, जो डेटा और डेटा प्रबंधन के बारे में विचार नेतृत्व प्रदान करते हैं, जिसमें अपने अंतर्दृष्टि और सीखने को साझा करते हैं।

डेटा द फोर्थ पिलर उद्यमों को डेटा को एक मौलिक तत्व के रूप में मानने का मामला प्रस्तुत करता है, जो लोगों, प्रक्रियाओं और प्रौद्योगिकी के समान है। बोर्डों, सीईओ और वरिष्ठ कार्यकारियों के लिए लक्षित, यह पुस्तक व्यवसायिक निर्णय लेने में डेटा रणनीति को शामिल करने के लिए एक संरचित दृष्टिकोण का रूपरेखा प्रस्तुत करती है। यह एक परिपक्वता ढांचे और व्यावहारिक मीट्रिक जैसे कि कुल संबोध्य मूल्य (टीएवी) और अपेक्षित संबोध्य मूल्य (ईएवी) को प्रस्तुत करता है, जो संगठनों को डेटा पहलों के प्रभाव को मापने में मदद करता है। लेखक डेटा और कृत्रिम बुद्धिमत्ता के बीच के संबंधों का भी अन्वेषण करते हैं, जिसमें यह दिखाया जाता है कि प्रत्येक दूसरे को कैसे मजबूत करता है। ऑडी एजी के रुडिगर एक के एक मामले के अध्ययन द्वारा समर्थित, यह पुस्तक सिद्धांत को वास्तविक दुनिया के अनुप्रयोग के साथ मिलाती है, जो इसे छोटे और बड़े उद्यमों के लिए एक व्यावहारिक मार्गदर्शिका बनाती है जो आज के प्रतिस्पर्धी और डेटा-संचालित परिदृश्य में नेविगेट करते हैं।

आपकी पुस्तक का शीर्षक डेटा को चौथा स्तंभ कहता है। आप पहले तीन स्तंभों को सारांशित कर सकते हैं और बता सकते हैं कि डेटा को चौथा स्तंभ क्यों माना जाना चाहिए?

पहले तीन पारंपरिक/मौजूदा स्तंभ लोग, प्रक्रिया और प्रौद्योगिकी हैं। प्रत्येक स्तंभ को उद्यमों के परिपक्व होने के साथ जोड़ा गया है। ऐतिहासिक रूप से, डेटा इन स्तंभों का एक परिचालन उपोत्पाद था, जिसे आईटी द्वारा प्रबंधित किया जाता था। अब, वर्तमान एआई-पहले युग में, डेटा अब एक उपोत्पाद नहीं है। यह मूल्य का प्राथमिक चालक है, लेकिन यह एक उद्यम के अस्तित्व को भी जोखिम में डाल सकता है – इसलिए हम इसे डेटा के रूप में आग कहते हैं। सफल होने के लिए, डेटा को एक सह-बराबर चौथे स्तंभ में उठाया जाना चाहिए। डेटा के रूप में चौथे स्तंभ के साथ, प्रत्येक स्तंभ दूसरे स्तंभों के साथ एक फ्लाईव्हील प्रभाव बनाता है, जो एक दूसरे को सक्षम बनाता है और लाभान्वित करता है। डेटा के रूप में चौथा स्तंभ यह सुनिश्चित करता है कि डेटा को लोगों, प्रक्रिया और प्रौद्योगिकी के समान सी-सूट और बोर्ड-स्तर का ध्यान मिलता है, जो इसे एक लागत केंद्र से एक मापनीय उद्यम संपत्ति में परिवर्तित करता है जो व्यवसायिक विकास को बढ़ावा देता है।

मुख्य डेटा अधिकारी (सीडीओ) की स्थिति को एक मुख्य भूमिका के रूप में वर्णित किया गया है, जो सीईओ, सीटीओ और अन्य वरिष्ठ कार्यकारियों के साथ समन्वय करने की सिफारिश की जाती है। आप इस पद के बारे में एक उच्च-स्तरीय अवलोकन दे सकते हैं और इसकी मुख्य जिम्मेदारियों को बता सकते हैं?

सीडीओ डेटा स्तंभ के नेता के रूप में मूल्य चालक है, जो व्यवसायिक परिणामों को तेज करता है; व्यवसायिक उपयोग के मामलों के लिए डेटा तीव्रता (क्यूसीएस – गुणवत्ता, अनुपालन और गति) की समझ विकसित करता है; डेटा मांग और आपूर्ति (डीओएम – डेटा ऑपरेटिंग मॉडल के माध्यम से) को निरंतर संतुलित और बढ़ाता है; डेटा स्तंभ के लिए लोगों, प्रक्रिया और प्रौद्योगिकी में निष्पादन उत्कृष्टता लाता है; और एक परिवर्तन एजेंट है जो उद्यम भर में संरचनात्मक परिवर्तन की योजना और निष्पादन के लिए बोर्ड और सीईओ के प्रायोजन और अन्य स्तंभों के नेताओं के साथ जुड़ता है।

डेटा को एकत्र करना और एआई को बड़े पैमाने पर लागू करने के लिए इतना महत्वपूर्ण क्यों है?

फिर से, डेटा आग की तरह है। यह एआई को ईंधन देता है। एक एआई मॉडल को व्यवसायिक प्रभाव प्रदान करने के लिए डेटा से सीखने के लिए पैटर्न, संबंध और व्यवहार सीखने होते हैं। इसके अलावा, एआई के लिए, असंरचित डेटा (जैसे पीडीएफ, छवियों और वीडियो) महत्वपूर्ण हो जाता है। अधिकांश उद्यम वर्तमान में असंरचित डेटा को संसाधित करने में परिपक्व नहीं हैं। इसके अलावा, एआई मॉडल एक कमोडिटी बन गए हैं – डेटा एआई मॉडल के उपयोग से अंतर पैदा करता है।

पुस्तक डेटा तीव्रता के बारे में विस्तार से बताती है। आप यह बता सकते हैं कि इसका क्या अर्थ है और यह इतना महत्वपूर्ण क्यों है?

डेटा तीव्रता यह मापती है कि आपका डेटा व्यवसायिक मूल्य को तेज करने के लिए कितना उपयुक्त है, विशेष रूप से एआई को स्केल करने के लिए। प्रत्येक व्यवसायिक मामले को डेटा की अलग-अलग तीव्रता की आवश्यकता होती है। हमारी पुस्तक क्यूसीएस फ्रेमवर्क को तीन महत्वपूर्ण आयामों में डेटा तीव्रता को मापने के लिए प्रस्तुत करती है:

1. गुणवत्ता: क्या डेटा सटीक, पूर्ण, संगत और विश्वसनीय है? यह “कचरा में, कचरा बाहर” सिद्धांत है। कम गुणवत्ता वाला डेटा त्रुटिपूर्ण विश्लेषण और अविश्वसनीय एआई का कारण बनता है।
2. अनुपालन: क्या डेटा सभी कानूनी और नैतिक मानकों का पालन करता है, जैसे कि गोपनीयता नियम (जैसे जीडीपीआर) और उद्योग-विशिष्ट नियम? गैर-अनुपालन डेटा बड़े जोखिम पैदा करता है।
3. गति: क्या डेटा पर्याप्त तेजी से उपलब्ध है ताकि यह उपयोगी हो? यह डेटा की वेग को संदर्भित करता है जिसे एकत्र किया जाता है, संसाधित किया जाता है और निर्णय लेने के लिए उपलब्ध कराया जाता है (जैसे कि वास्तविक समय बनाम बैच प्रसंस्करण)। पारंपरिक रूप से, उद्यमों ने एक या दो आयामों में परिपक्व होने के लिए परिपक्व किया है। एक बैंक क्यू और सी आयामों में वितरित करने में सक्षम हो सकता है, जबकि एक स्टार्टअप क्यू और एस आयामों पर ध्यान केंद्रित कर सकता है। एआई-पहले युग में, उद्यमों के लिए चुनौती तीन आयामों (क्यू, सी और एस) पर एक साथ और लगातार उच्च स्तर पर निष्पादित करना है।

डेटा रणनीति को परिभाषित करना इतना महत्वपूर्ण क्यों है, और यह अक्सर क्यों अनदेखा किया जाता है?

डेटा रणनीति को परिभाषित करना महत्वपूर्ण है क्योंकि यह एक नीले रंग की योजना के रूप में कार्य करता है जो सीधे सभी डेटा गतिविधियों को उद्यम की व्यवसायिक रणनीति से जोड़ता है। यह विकास और डेटा क्षमताओं को विकसित करने के लिए एक रोडमैप का रूपरेखा प्रस्तुत करता है ताकि व्यवसायिक परिणामों को तेज किया जा सके, जैसे कि राजस्व में वृद्धि, दक्षता में सुधार और प्रतिस्पर्धात्मक लाभ बनाना।

इसके बावजूद, एक डेटा रणनीति अक्सर कई कुंजी कारणों से अनदेखी की जाती है।
व्यवसायिक नेताओं ने ऐतिहासिक रूप से डेटा को व्यवसायिक संचालन का एक उपोत्पाद और एक तकनीकी आईटी समस्या के रूप में देखा है, न कि एक सी-सूट रणनीतिक कार्य के रूप में। एक स्पष्ट मालिक, जैसे कि एक मुख्य डेटा अधिकारी, के बिना, यह आवश्यक कार्य अक्सर एक नेतृत्व शून्य में गिर जाता है। यह कंपनियों को रोबस्ट डेटा फाउंडेशन के बिना उत्साहजनक एआई परियोजनाओं में कूदने के लिए प्रेरित करता है, जो उनमें से अधिकांश के विफल होने का एक प्राथमिक कारण है।

आप डेटा शासन ढांचे के बारे में विस्तार से बता सकते हैं, यह डेटा रणनीति से कैसे भिन्न है, और यह डेटा उपयोग से जुड़े जोखिमों को कम करने के लिए क्यों आवश्यक है?

एक डेटा रणनीति उन लक्ष्यों को परिभाषित करती है जिन्हें व्यवसाय अपने डेटा के साथ प्राप्त करना चाहता है। इसके विपरीत, एक डेटा शासन ढांचा व्यवसायिक मामलों को अपनी आवश्यक डेटा तीव्रता (क्यू, सी और एस) पर डेटा का उपयोग करने में सक्षम बनाता है, ताकि अपेक्षित मूल्य प्रदान किया जा सके।

डेटा शासन ढांचा जोखिम को कम करने के लिए महत्वपूर्ण है। बिना शासन के, डेटा एक दायित्व बन जाता है। यह जीडीपीआर जैसे नियमों के अनुपालन को सुनिश्चित करता है, जो बड़े जुर्माने और कानूनी मुद्दों को रोकता है। यह सुरक्षा और गोपनीयता मानकों को स्थापित करता है जो डेटा उल्लंघनों और परिणामी प्रतिष्ठा की क्षति से बचाता है। डेटा गुणवत्ता को लागू करने से त्रुटिपूर्ण जानकारी पर आधारित महंगे व्यवसायिक निर्णयों को रोका जा सकता है। और एआई एजेंट केवल तभी उपयोगी होते हैं जब उन्हें आवश्यक गति से डेटा प्राप्त होता है।

इसे इस तरह सोचें: आपकी रणनीति मानचित्र पर एक गंतव्य है; आपका शासन ढांचा वह यातायात नियम है जिसका पालन आप वहां पहुंचने के लिए करते हैं बिना दुर्घटना के।

आप डीओएम (डेटा ऑपरेटिंग मॉडल) की अवधारणा पर भी चर्चा करते हैं। आप यह बता सकते हैं कि यह क्या है और यह संगठनों को अपनी डेटा रणनीति को कैसे संचालित करने में मदद करता है?

एक डेटा ऑपरेटिंग मॉडल (डीओएम) डेटा की आपूर्ति को पूरा करने वाला इंजन है जो डेटा की मांग को पूरा करता है। डीओएम रणनीति को व्यावहारिक, पुन: प्रयोज्य क्रियाओं में अनुवादित करके संचालित करता है। यह एक व्यावहारिक ढांचा है जो आवश्यक डेटा तीव्रता पर डेटा की डिलीवरी को उद्योगिक बनाता है, जिसमें लोग, प्रक्रिया और प्रौद्योगिकी शामिल हैं।

जबकि सही डेटा रणनीति और शासन अच्छे इरादों को सुनिश्चित करते हैं, सफलता अक्सर डेटा अपनाने और डेटा इंजीनियरिंग प्रबंधन पर निर्भर करती है। आप इन दो तत्वों पर संक्षेप में चर्चा कर सकते हैं और बता सकते हैं कि कार्यकारियों को उन पर क्यों ध्यान देना चाहिए?

डेटा के साथ सफलता डेटा अपनाने और डेटा इंजीनियरिंग प्रबंधन पर निर्भर करती है।

डेटा अपनाना सांस्कृतिक पक्ष है – आपकी टीमें वास्तव में डेटा का उपयोग करके दैनिक निर्णय लेती हैं। अपनाने के बिना, डेटा स्तंभ में निवेश बर्बाद हो जाता है।

डेटा इंजीनियरिंग प्रबंधन तकनीकी रीढ़ है – एक विश्वसनीय “डेटा फैक्ट्री” का निर्माण और रखरखाव जो डेटा तीव्रता (क्यूसीएस) आवश्यकताओं को पूरा करने के लिए डेटा एकत्र करता है और संसाधित करता है।

कार्यकारियों को दोनों का समर्थन करना चाहिए। खराब अपनाने से निवेश बर्बाद हो जाता है। खराब इंजीनियरिंग का अर्थ है कि व्यवसाय अस्वस्थ डेटा (अर्थात, डेटा जो आवश्यक डेटा तीव्रता को पूरा नहीं करता है) पर काम करता है, जिससे महंगी गलतियां, विश्वास का क्षरण, अनुपालन समस्याएं पैदा होती हैं और कोई भी एआई पहल असंभव हो जाती है।

पुस्तक बड़े उद्यमों के लिए लिखी गई है, जहां सीडीओ, डेटा जोखिम प्रबंधन, डेटा एक्सेस प्रबंधन और डेटा गुणवत्ता और दृश्यता टीम जैसी भूमिकाएं अच्छी तरह से परिभाषित हैं। छोटे कंपनियों को भी इस पुस्तक पर विचार क्यों करना चाहिए और वे इन भूमिकाओं को नहीं होने की स्थिति में कैसे मुआवजा दे सकती हैं?

एक छोटी कंपनी के लिए, अधिकांश मामलों में, डेटा इसका सबसे बड़ा अंतर है। यह एक बड़े, पारंपरिक संगठन को बाद में ठीक करने की तुलना में ‘डेटा द फोर्थ पिलर’ डीएनए को शुरू से ही सही तरीके से बनाना आसान है। शुरू से ही डेटा फाउंडेशन को सही तरीके से प्राप्त करना विकास और भविष्य के एआई अपनाने के लिए एक बड़ा प्रतिस्पर्धात्मक लाभ प्रदान करता है। जैसा कि एक एसएमबी उद्यम के सीईओ ने हमें बताया: मेरे लिए, डेटा पहला स्तंभ है, और मैं सीडीओ भी हूं।

यदि आपकी पुस्तक से एक मुख्य बात है, तो आप क्या चाहेंगे कि वह हो?

निर्णायक बात यह है कि उद्यमों को तुरंत संरचनात्मक परिवर्तन लागू करना चाहिए ताकि डेटा को परिचालन मॉडल के रूप में लोगों, प्रक्रियाओं और प्रौद्योगिकी के साथ चौथा स्तंभ के रूप में स्थापित किया जा सके। यह एक अस्तित्वगत निर्णय है जिसे बोर्ड और सीएक्सओ को चैंपियन करना चाहिए, क्योंकि डेटा विभेदक है और एआई को सफलतापूर्वक स्केल करने और भविष्य में प्रतिस्पर्धात्मक लाभ हासिल करने के लिए आवश्यक आधार है। डेटा को एक मूल स्तंभ के रूप में शामिल नहीं करने वाले उद्यम अप्रासंगिक हो जाएंगे और एआई-पहले युग में प्रतिस्पर्धा करने के लिए संघर्ष करेंगे। समय अब है!

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें डेटा द फोर्थ पिलर पढ़नी चाहिए।

अस्वीकरण: इस लेख में व्यक्त विचार लेखकों के हैं और आवश्यक रूप से उनके वर्तमान या पिछले नियोक्ताओं के विचारों का प्रतिनिधित्व नहीं करते हैं।