தரவு உருமாற்றத்தின் 5 தூண்கள் - எளிமையாக விளக்கப்படுகிறது

AI was supposed to clear the backlog, accelerate decisions, and give every team a smarter way to work. Instead, many organizations now have Microsoft Copilot, Power BI, Microsoft Fabric, AI agents, and more data than ever before—while important decisions still crawl through meetings because nobody fully trusts the numbers or knows who can act on them. The technology spend keeps rising. The action does not. The problem is often not a lack of AI. It is the absence of an operating model connecting data, meaning, governance, technology, people, and accountability. In this episode of M365 FM – Simply Explained, we break down the five pillars organizations need to build a reliable foundation for data transformation and AI.

WHAT YOU WILL LEARN
In this episode, we explore:

• AI ஆல் நம்பகமற்ற தரவை ஈடுசெய்ய முடியாது ஏன்
• தானியங்கி செயல்பாடு தொடங்குவதற்கு முன்பே டேட்டா கவர்னன்ஸ் நம்பிக்கையை எவ்வாறு உருவாக்குகிறது
• எடுக்கப்படும் முடிவைப் பொறுத்து டேட்டா தரம் ஏன் மாற வேண்டும்
• டேட்டா கவர்னன்ஸ் மற்றும் டேட்டா கண்டறிதலுக்கு Microsoft Purview எவ்வாறு உதவ முடியும்
• நவீன அனலிட்டிக்ஸ் மற்றும் டேட்டா பிளாட்ஃபார்ம்களை Microsoft Fabric எவ்வாறு ஆதரிக்கிறது
• Power BI மற்றும் AI க்கு semantic models ஏன் முக்கியம்
• முரண்பட்ட வரையறைகள் முரண்பட்ட டாஷ்போர்டுகளை எவ்வாறு உருவாக்குகின்றன
• மனிதர்களுக்கும் AI agents க்கும் business glossaries ஏன் முக்கியம்
• தரவு உரிமை AI தயார்நிலையை எவ்வாறு பாதிக்கிறது
• AI அளவில் விரிவடைவதற்கு முன் அணுகல், பாதுகாப்பு மற்றும் அனுமதிகள் ஏன் வரையறுக்கப்பட வேண்டும்
• Copilot மற்றும் AI agents நம்பகமான வணிகச் சூழலை எவ்வாறு சார்ந்திருக்கின்றன
• AI பதிலை உருவாக்கினாலும் மனித பொறுப்புணர்வு ஏன் முக்கியமாக இருக்கிறது

PILLAR 1: DATA GOVERNANCE – TRUST BEFORE AUTOMATION
Data governance often sounds like policies, compliance meetings, documentation, and bureaucracy. In practice, governance answers a few very simple questions:

• இந்தத் தரவின் உரிமையாளர் யார்?
• இதை அணுக யாருக்கு அனுமதி உள்ளது?
• இந்தத் தரவு எங்கிருந்து வந்தது?
• இந்தக் குறிப்பிட்ட பயன்பாட்டுக்கு இதை நம்ப முடியுமா?
• மக்கள் இதை வைத்து என்ன செய்யலாம்?
• AI அமைப்புகள் இதை வைத்து என்ன செய்யலாம்?

Without clear answers, AI does not solve a data problem. It can spread the problem faster. Imagine a leadership team preparing a sales forecast. Sales presents one revenue number. Finance presents another. Both numbers come from systems that appear authoritative. The meeting suddenly stops being about future decisions. Instead, everyone starts arguing about which spreadsheet or dashboard is correct. The underlying problem may be that:

• CRM இல் ஒரு வருவாய் பதிப்பு உள்ளது
• நிதி அமைப்பில் வேறொரு பதிப்பு உள்ளது
• கைமுறை ஏற்றுமதிகள் மேலும் வேறுபாடுகளை உருவாக்குகின்றன
• வருவாய் என்பதற்கான வரையறையை யாரும் சொந்தமாக வைத்திருக்கவில்லை
• மூலத் தரவின் தரத்திற்கு யாரும் பொறுப்பேற்கவில்லை
• எந்த எண் முன்னறிவிப்பை வழிநடத்த வேண்டும் என்பதை யாராலும் தெளிவாக விளக்க முடியவில்லை

The company ends up debating the past instead of deciding the future.

WHAT HAPPENS WHEN AI ENTERS THE PICTURE?
Now imagine someone asks an AI agent: “Which sales region is falling behind?” The answer may arrive within seconds. But it could be based on:

• நகல் வாடிக்கையாளர் பதிவுகள்
• காலாவதியான கணக்கு ஒதுக்கீடுகள்
• விடுபட்ட வாய்ப்புகள்
• தவறான முன்னறிவிப்பு நிலைகள்
• பழைய தரவு
• தவறான அனுமதிகள்
• பயனர் அணுகியிருக்கக் கூடாத தகவல்

The answer can sound confident. That does not automatically make it trustworthy. Governance creates the working agreement around the data before automation starts using it. A strong governance model typically establishes:

• பெயரிடப்பட்ட தரவு உரிமையாளர்கள்
• தெளிவான பொறுப்புகள்
• தரவு வகைப்பாடுகள்
• அணுகல் விதிகள்
• மூல அமைப்பு ஆவணப்படுத்தல்
• தரவு தர எதிர்பார்ப்புகள்
• தணிக்கைத்திறன்
• உணர்திறன் வாய்ந்த தகவலுக்கான கொள்கைகள்
• AI மற்றும் தானியங்கிக்கான விதிகள்

Microsoft technologies can support this process. Microsoft Purview can help organizations discover, classify, understand, and govern information. Microsoft Fabric can help bring data together, prepare it, analyze it, monitor it, and make it available for reporting and AI scenarios. But technology cannot decide everything. Organizations still need people to decide:

• வாடிக்கையாளர் தரவை யார் சொந்தமாக வைத்திருக்கிறார்கள்
• எந்த வரையறைகள் அதிகாரப்பூர்வமானவை
• எந்த தரவு தரம் ஏற்றுக்கொள்ளத்தக்கது
• யாருக்கு அணுகல் வழங்கப்பட வேண்டும்
• AI உருவாக்கிய பதில் எப்போது பாதுகாப்பாகப் பயன்படுத்தத் தகுந்தது
• இறுதி முடிவுக்கு யார் பொறுப்பு என்பது

DATA QUALITY MUST MATCH THE DECISION
Many organizations approach data quality as if every field in every system needs to be perfect. That is rarely realistic. Data quality should instead be evaluated against the business decision being made. For a sales forecast, the most important fields might include:

• வாய்ப்பு நிலை
• எதிர்பார்க்கப்படும் முடிவு தேதி
• முன்னறிவிப்புத் தொகை
• கணக்கு உரிமையாளர்
• பிராந்தியம்
• நிகழ்தகவு
• வாடிக்கையாளர் நிலை

Other fields may be less important for that specific decision. The better question is therefore not: “How do we clean all of our data?” The better question is: “Which data must we trust for this decision?” That makes the problem smaller, more measurable, and much easier to manage.

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