ਡੇਟਾ ਰੂਪਾਂਤਰਣ ਦੇ 5 ਥੰਮ੍ਹ - ਸਰਲ ਵਿਆਖਿਆ

AI ਨੂੰ ਬੈਕਲਾਗ ਸਾਫ਼ ਕਰਨ, ਫ਼ੈਸਲਿਆਂ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਅਤੇ ਹਰ ਟੀਮ ਨੂੰ ਕੰਮ ਕਰਨ ਦਾ ਇੱਕ ਸਮਝਦਾਰ ਤਰੀਕਾ ਦੇਣ ਲਈ ਲਿਆਂਦਾ ਗਿਆ ਸੀ। ਇਸ ਦੀ ਬਜਾਏ, ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਕੋਲ ਹੁਣ Microsoft Copilot, Power BI, Microsoft Fabric, AI ਏਜੰਟ ਅਤੇ ਪਹਿਲਾਂ ਨਾਲੋਂ ਵੱਧ ਡੇਟਾ ਹੈ, ਫਿਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਫ਼ੈਸਲੇ ਮੀਟਿੰਗਾਂ ਵਿੱਚ ਰੁਕ-ਰੁਕ ਕੇ ਅੱਗੇ ਵਧਦੇ ਹਨ, ਕਿਉਂਕਿ ਕੋਈ ਵੀ ਅੰਕੜਿਆਂ 'ਤੇ ਪੂਰਾ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦਾ ਜਾਂ ਇਹ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਕਾਰਵਾਈ ਕੌਣ ਕਰ ਸਕਦਾ ਹੈ। ਤਕਨਾਲੋਜੀ ਉੱਤੇ ਖਰਚ ਵਧਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਪਰ ਕਾਰਵਾਈ ਨਹੀਂ ਵਧ ਰਹੀ। ਸਮੱਸਿਆ ਅਕਸਰ AI ਦੀ ਘਾਟ ਨਹੀਂ ਹੁੰਦੀ, ਸਗੋਂ ਇੱਕ ਅਜਿਹੇ ਸੰਚਾਲਨ ਮਾਡਲ ਦੀ ਗੈਰਹਾਜ਼ਰੀ ਹੁੰਦੀ ਹੈ ਜੋ ਡੇਟਾ, ਅਰਥ, ਗਵਰਨੈਂਸ, ਤਕਨਾਲੋਜੀ, ਲੋਕਾਂ ਅਤੇ ਜਵਾਬਦੇਹੀ ਨੂੰ ਜੋੜੇ। ਇਸ ਐਪੀਸੋਡ ਵਿੱਚ M365 FM – Simply Explained ਵਿੱਚ ਅਸੀਂ ਉਹ ਪੰਜ ਥੰਮ੍ਹ ਸਮਝਾਉਂਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਉੱਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਡੇਟਾ ਪਰਿਵਰਤਨ ਅਤੇ AI ਲਈ ਭਰੋਸੇਯੋਗ ਨੀਂਹ ਬਣਾਉਣੀ ਚਾਹੀਦੀ ਹੈ।

ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ
ਇਸ ਐਪੀਸੋਡ ਵਿੱਚ ਅਸੀਂ ਹੇਠ ਲਿਖੀਆਂ ਗੱਲਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦੇ ਹਾਂ:

• AI ਅਵਿਸ਼ਵਸਨੀਯ ਡੇਟਾ ਦੀ ਭਰਪਾਈ ਕਿਉਂ ਨਹੀਂ ਕਰ ਸਕਦਾ
• ਡੇਟਾ ਗਵਰਨੈਂਸ ਆਟੋਮੇਸ਼ਨ ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਭਰੋਸਾ ਕਿਵੇਂ ਬਣਾਉਂਦੀ ਹੈ
• ਡੇਟਾ ਕੁਆਲਿਟੀ ਕੀਤੇ ਜਾ ਰਹੇ ਫ਼ੈਸਲੇ 'ਤੇ ਕਿਉਂ ਨਿਰਭਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ
• Microsoft Purview ਗਵਰਨੈਂਸ ਅਤੇ ਡੇਟਾ ਡਿਸਕਵਰੀ ਵਿੱਚ ਕਿਵੇਂ ਸਹਾਇਤਾ ਕਰ ਸਕਦਾ ਹੈ
• Microsoft Fabric ਆਧੁਨਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਡੇਟਾ ਪਲੇਟਫਾਰਮਾਂ ਨੂੰ ਕਿਵੇਂ ਸਹਿਯੋਗ ਦਿੰਦਾ ਹੈ
• Power BI ਅਤੇ AI ਲਈ ਸੈਮੈਂਟਿਕ ਮਾਡਲ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹਨ
• ਵਿਰੋਧੀ ਪਰਿਭਾਸ਼ਾਵਾਂ ਵਿਰੋਧੀ ਡੈਸ਼ਬੋਰਡ ਕਿਵੇਂ ਬਣਾਉਂਦੀਆਂ ਹਨ
• ਮਨੁੱਖਾਂ ਅਤੇ AI ਏਜੰਟਾਂ ਲਈ ਬਿਜ਼ਨਸ ਗਲੋਸਰੀ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
• ਡੇਟਾ ਮਾਲਕੀ AI ਲਈ ਤਿਆਰੀ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ
• AI ਵਧਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਐਕਸੈਸ, ਸੁਰੱਖਿਆ ਅਤੇ ਅਨੁਮਤੀਆਂ ਕਿਉਂ ਤੈਅ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ
• Copilot ਅਤੇ AI ਏਜੰਟ ਭਰੋਸੇਯੋਗ ਬਿਜ਼ਨਸ ਸੰਦਰਭ ਉੱਤੇ ਕਿਵੇਂ ਨਿਰਭਰ ਕਰਦੇ ਹਨ
• ਭਾਵੇਂ AI ਜਵਾਬ ਤਿਆਰ ਕਰੇ, ਮਨੁੱਖੀ ਜਵਾਬਦੇਹੀ ਕਿਉਂ ਅਹਿਮ ਰਹਿੰਦੀ ਹੈ

ਥੰਮ੍ਹ 1: ਡੇਟਾ ਗਵਰਨੈਂਸ – ਆਟੋਮੇਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਭਰੋਸਾ
ਡੇਟਾ ਗਵਰਨੈਂਸ ਅਕਸਰ ਨੀਤੀਆਂ, ਪਾਲਣਾ ਮੀਟਿੰਗਾਂ, ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਅਤੇ ਨੌਕਰਸ਼ਾਹੀ ਵਰਗੀ ਲੱਗਦੀ ਹੈ। ਅਸਲ ਵਿੱਚ ਗਵਰਨੈਂਸ ਕੁਝ ਸਿੱਧੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦੀ ਹੈ:

• ਇਸ ਡੇਟਾ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ?
• ਇਸ ਤੱਕ ਪਹੁੰਚ ਕਿਸਨੂੰ ਦੀ ਇਜਾਜ਼ਤ ਹੈ?
• ਡੇਟਾ ਕਿੱਥੋਂ ਆਇਆ?
• ਕੀ ਅਸੀਂ ਇਸ ਖਾਸ ਵਰਤੋਂ ਲਈ ਇਸ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਾਂ?
• ਲੋਕ ਇਸ ਨਾਲ ਕੀ ਕਰ ਸਕਦੇ ਹਨ?
• AI ਸਿਸਟਮ ਇਸ ਨਾਲ ਕੀ ਕਰ ਸਕਦੇ ਹਨ?

ਇਨ੍ਹਾਂ ਸਵਾਲਾਂ ਦੇ ਸਪੱਸ਼ਟ ਜਵਾਬਾਂ ਤੋਂ ਬਿਨਾਂ AI ਡੇਟਾ ਦੀ ਸਮੱਸਿਆ ਹੱਲ ਨਹੀਂ ਕਰਦਾ, ਸਗੋਂ ਉਸਨੂੰ ਹੋਰ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲਾ ਸਕਦਾ ਹੈ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਇੱਕ ਲੀਡਰਸ਼ਿਪ ਟੀਮ ਵਿਕਰੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਤਿਆਰ ਕਰ ਰਹੀ ਹੈ। Sales ਇੱਕ ਆਮਦਨ ਅੰਕੜਾ ਪੇਸ਼ ਕਰਦੀ ਹੈ। Finance ਦੂਜਾ। ਦੋਵੇਂ ਅੰਕੜੇ ਅਜਿਹੇ ਸਿਸਟਮਾਂ ਤੋਂ ਆਉਂਦੇ ਹਨ ਜੋ ਪ੍ਰਮਾਣਿਕ ਲੱਗਦੇ ਹਨ। ਮੀਟਿੰਗ ਅਚਾਨਕ ਭਵਿੱਖ ਦੇ ਫ਼ੈਸਲਿਆਂ ਦੀ ਬਜਾਏ ਇਸ ਬਹਿਸ ਵਿੱਚ ਬਦਲ ਜਾਂਦੀ ਹੈ ਕਿ ਕਿਹੜੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਜਾਂ ਡੈਸ਼ਬੋਰਡ ਸਹੀ ਹੈ। ਅੰਤਰੀਵ ਸਮੱਸਿਆ ਇਹ ਹੋ ਸਕਦੀ ਹੈ ਕਿ:

• CRM ਵਿੱਚ ਆਮਦਨ ਦਾ ਇੱਕ ਰੂਪ ਹੈ
• Finance ਸਿਸਟਮ ਵਿੱਚ ਇੱਕ ਹੋਰ ਰੂਪ ਹੈ
• ਹੱਥੀਂ ਕੀਤੇ ਐਕਸਪੋਰਟ ਹੋਰ ਅੰਤਰ ਪੈਦਾ ਕਰਦੇ ਹਨ
• ਆਮਦਨ ਦੀ ਪਰਿਭਾਸ਼ਾ ਦਾ ਮਾਲਕ ਕੋਈ ਨਹੀਂ ਹੈ
• ਸਰੋਤ ਡੇਟਾ ਦੀ ਕੁਆਲਿਟੀ ਦਾ ਮਾਲਕ ਕੋਈ ਨਹੀਂ ਹੈ
• ਕੋਈ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਨਹੀਂ ਸਮਝਾ ਸਕਦਾ ਕਿ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ ਕਿਹੜਾ ਅੰਕੜਾ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ

ਕੰਪਨੀ ਭਵਿੱਖ ਦੇ ਫ਼ੈਸਲੇ ਲੈਣ ਦੀ ਬਜਾਏ ਅਤੀਤ ਬਾਰੇ ਬਹਿਸ ਕਰਦੀ ਰਹਿੰਦੀ ਹੈ।

ਜਦੋਂ AI ਤਸਵੀਰ ਵਿੱਚ ਆਉਂਦਾ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ?
ਹੁਣ ਕਲਪਨਾ ਕਰੋ ਕਿ ਕੋਈ AI ਏਜੰਟ ਨੂੰ ਪੁੱਛਦਾ ਹੈ: "ਕਿਹੜਾ ਵਿਕਰੀ ਖੇਤਰ ਪਿੱਛੇ ਰਹਿ ਰਿਹਾ ਹੈ?" ਜਵਾਬ ਕੁਝ ਸਕਿੰਟਾਂ ਵਿੱਚ ਆ ਸਕਦਾ ਹੈ। ਪਰ ਇਹ ਇਹਨਾਂ ਉੱਤੇ ਆਧਾਰਿਤ ਹੋ ਸਕਦਾ ਹੈ:

• ਡੁਪਲੀਕੇਟ ਗਾਹਕ ਰਿਕਾਰਡ
• ਪੁਰਾਣੀਆਂ ਖਾਤਾ ਅਸਾਈਨਮੈਂਟਾਂ
• ਗੁੰਮ ਹੋਏ ਮੌਕੇ
• ਗਲਤ ਪੂਰਵ-ਅਨੁਮਾਨ ਪੜਾਅ
• ਪੁਰਾਣਾ ਡੇਟਾ
• ਗਲਤ ਅਨੁਮਤੀਆਂ
• ਉਹ ਜਾਣਕਾਰੀ ਜਿਸ ਤੱਕ ਉਪਭੋਗਤਾ ਨੂੰ ਪਹੁੰਚ ਹੀ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ ਸੀ

ਜਵਾਬ ਭਰੋਸੇ ਨਾਲ ਪੇਸ਼ ਹੋ ਸਕਦਾ ਹੈ। ਪਰ ਇਸਦਾ ਅਰਥ ਆਪਣੇ-ਆਪ ਭਰੋਸੇਯੋਗ ਹੋਣਾ ਨਹੀਂ। ਗਵਰਨੈਂਸ ਆਟੋਮੇਸ਼ਨ ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕੰਮ ਕਰਨ ਦਾ ਸਮਝੌਤਾ ਬਣਾਉਂਦੀ ਹੈ। ਇੱਕ ਮਜ਼ਬੂਤ ਗਵਰਨੈਂਸ ਮਾਡਲ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ:

• ਨਾਮਜ਼ਦ ਡੇਟਾ ਮਾਲਕ
• ਸਪੱਸ਼ਟ ਜ਼ਿੰਮੇਵਾਰੀਆਂ
• ਡੇਟਾ ਵਰਗੀਕਰਨ
• ਪਹੁੰਚ ਨਿਯਮ
• ਸਰੋਤ-ਸਿਸਟਮ ਦਸਤਾਵੇਜ਼ੀਕਰਨ
• ਡੇਟਾ ਕੁਆਲਿਟੀ ਦੀਆਂ ਉਮੀਦਾਂ
• ਆਡਿਟ ਯੋਗਤਾ
• ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਲਈ ਨੀਤੀਆਂ
• AI ਅਤੇ ਆਟੋਮੇਸ਼ਨ ਲਈ ਨਿਯਮ

Microsoft ਤਕਨਾਲੋਜੀਆਂ ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦੀਆਂ ਹਨ। Microsoft Purview ਸੰਸਥਾਵਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਲੱਭਣ, ਵਰਗੀਕਰਨ ਕਰਨ, ਸਮਝਣ ਅਤੇ ਗਵਰਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। Microsoft Fabric ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ, ਤਿਆਰ ਕਰਨ, ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ, ਨਿਗਰਾਨੀ ਕਰਨ ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਅਤੇ AI ਦ੍ਰਿਸ਼ਾਂ ਲਈ ਉਪਲਬਧ ਕਰਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਤਕਨਾਲੋਜੀ ਸਭ ਕੁਝ ਤੈਅ ਨਹੀਂ ਕਰ ਸਕਦੀ। ਸੰਸਥਾਵਾਂ ਨੂੰ ਅਜੇ ਵੀ ਲੋਕਾਂ ਦੀ ਲੋੜ ਹੈ ਜੋ ਫ਼ੈਸਲਾ ਕਰਨ:

• ਗਾਹਕ ਡੇਟਾ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ
• ਕਿਹੜੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਪ੍ਰਮਾਣਿਕ ਹਨ
• ਕਿਹੜੀ ਡੇਟਾ ਕੁਆਲਿਟੀ ਸਵੀਕਾਰਯੋਗ ਹੈ
• ਪਹੁੰਚ ਕਿਸਨੂੰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ
• AI-ਤਿਆਰ ਕੀਤਾ ਜਵਾਬ ਕਦੋਂ ਵਰਤਣਾ ਸੁਰੱਖਿਅਤ ਹੈ
• ਅੰਤਿਮ ਫ਼ੈਸਲੇ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਕੌਣ ਰਹਿੰਦਾ ਹੈ

ਡੇਟਾ ਕੁਆਲਿਟੀ ਫ਼ੈਸਲੇ ਦੇ ਅਨੁਸਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ
ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਡੇਟਾ ਕੁਆਲਿਟੀ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦੇਖਦੀਆਂ ਹਨ ਜਿਵੇਂ ਹਰ ਸਿਸਟਮ ਦੇ ਹਰ ਖੇਤਰ ਨੂੰ ਸੰਪੂਰਨ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਸ਼ਾਇਦ ਹੀ ਯਥਾਰਥਕ ਹੁੰਦਾ ਹੈ। ਡੇਟਾ ਕੁਆਲਿਟੀ ਨੂੰ ਇਸ ਦੀ ਬਜਾਏ ਉਸ ਬਿਜ਼ਨਸ ਫ਼ੈਸਲੇ ਦੇ ਵਿਰੁੱਧ ਮਾਪਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਲਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਵਿਕਰੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਖੇਤਰਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ:

• ਮੌਕੇ ਦਾ ਪੜਾਅ
• ਅਨੁਮਾਨਿਤ ਬੰਦ ਹੋਣ ਦੀ ਮਿਤੀ
• ਪੂਰਵ-ਅਨੁਮਾਨ ਰਕਮ
• ਖਾਤਾ ਮਾਲਕ
• ਖੇਤਰ
• ਸੰਭਾਵਨਾ
• ਗਾਹਕ ਸਥਿਤੀ

ਹੋਰ ਖੇਤਰ ਉਸ ਖਾਸ ਫ਼ੈਸਲੇ ਲਈ ਘੱਟ ਮਹੱਤਵਪੂਰਨ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ ਬਿਹਤਰ ਸਵਾਲ ਇਹ ਨਹੀਂ ਕਿ "ਅਸੀਂ ਆਪਣਾ ਸਾਰਾ ਡੇਟਾ ਕਿਵੇਂ ਸਾਫ਼ ਕਰੀਏ?" ਬਿਹਤਰ ਸਵਾਲ ਇਹ ਹੈ: "ਇਸ ਫ਼ੈਸਲੇ ਲਈ ਕਿਹੜੇ ਡੇਟਾ 'ਤੇ ਸਾਨੂੰ ਭਰੋਸਾ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ?" ਇਸ ਨਾਲ ਸਮੱਸਿਆ ਛੋਟੀ, ਮਾਪਣਯੋਗ ਅਤੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਕਾਫ਼ੀ ਆਸਾਨ ਬਣ ਜਾਂਦੀ ਹੈ।

Become a supporter of this podcast: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.