ডেটা এবং অ্যানালিটিক্স ব্যবসায়িক জগতে দ্রুত দিনের গুঞ্জন হয়ে উঠেছে। গ্রাহকদের আচরণ সম্পর্কে অন্তর্দৃষ্টি সংগ্রহ করতে, ঝুঁকি বিশ্লেষণ পরিচালনা করতে বা আরও দক্ষতার সাথে তাদের পরিকাঠামো পরিচালনা করতে "বুদ্ধিমানের সাথে ডেটা ব্যবহার করে" ফরওয়ার্ড-চিন্তাকারী সংস্থাগুলির রেফারেন্স ছাড়াই একটি জার্নাল ক্র্যাক করতে কঠিন চাপ দেওয়া হবে। বৃহৎ, ডেটা সমৃদ্ধ কোম্পানিগুলি, বিশেষ করে নিয়ন্ত্রিত বৈচিত্র্যের কোম্পানিগুলি, বছরের পর বছর ধরে ডেটা-নেতৃত্বাধীন সিদ্ধান্ত গ্রহণে নিযুক্ত রয়েছে, যার সবচেয়ে ভাল উদাহরণ হল ক্যাপিটাল ওয়ান এর গ্রাহকদের আরও ভালভাবে বোঝার জন্য ডেটা অ্যানালিটিক্সের অগ্রণী-অন্তর্দৃষ্টিগুলি পরবর্তীকালে হাইপার-টার্গেটেড এবং ব্যাপকভাবে চালু করতে ব্যবহৃত হয়। প্রভাবশালী বিপণন প্রচারাভিযান যা এর পলাতক সাফল্যের দিকে পরিচালিত করে।
কিন্তু বিশেষ সূচনা সত্ত্বেও, ডেটার ব্যবহার দ্রুত মূলধারায় পরিণত হয়েছে। একটি প্রদত্ত কোম্পানির আকার এবং জনবল নির্বিশেষে, একটি মূল ব্যবসায়িক প্রক্রিয়া/ক্ষমতা হিসাবে বিশ্লেষণ না করার কিছু বিশ্বাসযোগ্য কারণ রয়েছে। খরচ, সম্পদ এবং দক্ষতার মতো ঐতিহ্যগত আপত্তি এখন আর সরিষা কাটে না। বিপরীতে, অভ্যন্তরীণভাবে উৎপাদিত ডেটা দ্রুত একটি সর্বব্যাপী কৌশলগত সম্পদ হয়ে উঠছে, যেভাবে অন্য যে কোনো প্রতিযোগিতামূলক ব্যবসার মাধ্যমে প্রতিযোগিতামূলক থাকার চেষ্টা করে।
এই নিবন্ধটি তার পাঠকদেরকে ডেটা এবং অ্যানালিটিক্সের জগতের সাথে পরিচয় করিয়ে দিতে চায়, আপনাকে বাজারের গতিশীলতা, টুলস, প্লেয়ার এবং উভয়ের জন্য অনন্য সমাধানের মাধ্যমে নিয়ে যেতে চায়, পরবর্তী অর্ধেকটি ছোট ব্যবসার জন্য হ্যান্ডস-অন ইমপ্লিমেন্টেশন গাইড এবং ফ্রেমওয়ার্কের জন্য উৎসর্গ করার আগে।
ইন্টারনেটের আবির্ভাবের সাথে এবং এর সাথে ই-কমার্স, সোশ্যাল মিডিয়া এবং ডিভাইসগুলির আন্তঃসংযুক্ততা বিশ্বব্যাপী উপলব্ধ এবং বিশ্লেষণযোগ্য ডেটার পরিমাণে বিস্ফোরণ ঘটায় যাদের কাছে এটি ব্যবহার করার জন্য সরঞ্জাম রয়েছে। প্রতিটি টুইট, পোস্ট, লাইক, বাম দিকে সোয়াইপ, রাইট সোয়াইপ, ডবল ট্যাপ, পর্যালোচনা, টেক্সট এবং লেনদেন—প্রত্যেকটি আমাদের ডিজিটাল ফুটপ্রিন্ট ম্যাপ করতে ব্যবহারযোগ্য ডেটা যা আমরা কে, আমরা কীভাবে সিদ্ধান্ত নিই, কোথায় এবং কেন তা সবই বলে। এই ডেটা, এর আকারের বিশালতা, গভীরতা এবং জটিলতার জন্য যথাযথভাবে "বিগ ডেটা" নামে অভিহিত করা হয়েছে, প্রেসক্রিপটিভ এবং ভবিষ্যদ্বাণীমূলক বিশ্লেষণে সম্ভাবনার একটি সমুদ্র উন্মোচন করেছে, যা আমরা প্রতিদিন যে পণ্যগুলি ব্যবহার করি তার অনেকগুলি হাইপার পার্সোনালাইজেশনকে সম্ভব করে তুলেছে৷ পি>
আনুষ্ঠানিকভাবে, বড় ডেটা বৃহৎ ডেটা সেটগুলিকে বর্ণনা করে যেগুলি নিদর্শন, প্রবণতা এবং সংস্থাগুলি প্রকাশ করার জন্য গণনামূলকভাবে বিশ্লেষণ করা যেতে পারে, প্রায়শই মানুষের আচরণ এবং মিথস্ক্রিয়া সম্পর্কিত। ডেটাকে "বড়" হিসাবে আখ্যায়িত করার জন্য, সেট/ব্যাঙ্কটি এত বড় হতে হবে যাতে এটি থেকে মান বের করার জন্য উন্নত ডেটা পদ্ধতি এবং জটিল সিস্টেমের প্রয়োজন হয়৷
2001 সালের একটি গবেষণা প্রতিবেদনে, META গ্রুপ (বর্তমানে গার্টনার) থ্রি ডাইমেনশনে বিগ ডেটা ফ্রেম করেছে যাকে থ্রি বনাম ডেটা বলা হয়। এগুলি নিম্নরূপ:ভলিউম (পরিমাণ), বেগ (প্রজন্ম/প্রচারের গতি), এবং বৈচিত্র্য (প্রকার এবং উৎসের পরিসর)। Veracity অন্তর্ভুক্ত করার জন্য এই তিনটি V কে পরবর্তীতে IBM দ্বারা ফোর বনামে প্রসারিত করা হয়েছিল। মান ক্যাপচার করার জন্য প্রয়োজনীয় চূড়ান্ত মাত্রা হিসাবে ডেটার (গুণমান/অখণ্ডতা)।
…কিন্তু আপনি সম্ভবত ইতিমধ্যেই বড় ডেটার কথা শুনেছেন। অন্যদিকে, ছোট ডেটা হল ডেটার একটি উপশ্রেণি যাকে যথেষ্ট পরিমিত বলে মনে করা হয় যাতে অতিমাত্রায় জটিল বিশ্লেষণাত্মক সরঞ্জামের প্রয়োজন ছাড়াই এটিকে মানুষের দ্বারা অ্যাক্সেসযোগ্য, তথ্যপূর্ণ এবং কর্মযোগ্য করে তোলা যায়। প্রাক্তন-ম্যাককিনসি পরামর্শদাতা অ্যালেন বন্ডের দ্বারা সর্বোত্তমভাবে হ্রাস করা হয়েছে, "বড় ডেটা মেশিন সম্পর্কে, যেখানে ছোট ডেটা মানুষের সম্পর্কে"—বিশেষত, কার্যকারণ, নিদর্শন এবং মানুষের সম্পর্কে "কেন" কারণগুলির জন্য অর্থপূর্ণ অন্তর্দৃষ্টি সংগঠিত এবং প্যাকেজ করা হয়েছে৷
ডেটার প্রাপ্যতা এবং উপযোগিতা উভয়েরই বৃদ্ধির সাথে সাথে একটি স্বতন্ত্র বিশ্লেষণ শিল্পের আবির্ভাব ঘটে। একবার মাস্টার্স এবং পিএইচডি স্তরের পরিসংখ্যানবিদ, ডেটা বিজ্ঞানী এবং বিশ্লেষকদের একচেটিয়া আড্ডায়, বিশ্লেষণগুলি কার্যকরীভাবে শক্তিশালী কিন্তু কম খরচে, স্ব-পরিষেবা সফ্টওয়্যার-এ-সার্ভিস (SaaS) প্ল্যাটফর্মগুলির একটি শিল্পে বিকশিত হয়েছে যা এমনকি সবচেয়ে বেশি সক্ষম করে। ব্যবহারকারীদের তাদের তথ্য থেকে মান নিষ্কাশন করতে নবীন. যে ছোট কোম্পানীগুলির আগে এই ধরণের বিশ্লেষণ চালানোর জন্য প্রয়োজনীয় দক্ষতা বা বাজেটের অভাব ছিল তারা এখন তাদের আরও ভাল রিসোর্সড প্রতিপক্ষের সাথে সমান ধাপে প্রতিদ্বন্দ্বিতা করছে এবং তাদের বাজারে প্রতিরক্ষাযোগ্য গতি প্রতিষ্ঠা করছে।
SaaS মডেলের খরচের সুবিধা ছাড়াও, Aberdeen Group, একটি প্রযুক্তি এবং পরিষেবা গবেষণা সংস্থার গবেষণা, চিত্রিত করে যে SaaS টুলগুলি গ্রহণকারী সংস্থাগুলির দ্বিগুণ কর্মী রয়েছে যারা সিদ্ধান্ত নিতে এবং তাদের ROI লক্ষ্যমাত্রা 40% অর্জন করতে সহজাতভাবে ডেটা ব্যবহার করে। যারা না তাদের চেয়ে দ্রুত। বেশিরভাগ কোম্পানির জন্য, অ্যাকাউন্টিং, মার্কেটিং, ইআরপি, এবং সিআরএম সিস্টেম থেকে অভ্যন্তরীণভাবে তৈরি করা রিপোর্ট ছাড়াও, ইমেল মার্কেটিং রিপোর্ট, গুগল অ্যানালিটিক্স, এবং অন্যান্য তৃতীয় পক্ষের ওয়েব-ভিত্তিক বিশ্লেষণ সরঞ্জামগুলি ইতিমধ্যেই সক্রিয় ব্যবহারে রয়েছে এবং প্রাথমিক প্রক্রিয়া হিসাবে ব্যবহৃত হয় তাদের ছোট ডেটা নগদীকরণ।
এর থেকেও বেশি, এবং যদিও এটি একটি বৃহৎ এবং ক্রমবর্ধমান বাজার যার সুনির্দিষ্ট পরিমাপ কঠিন হতে পারে, IDC অনুমান করেছে বিশ্বব্যাপী ব্যবসায়িক বুদ্ধিমত্তা এবং বিশ্লেষণ সরঞ্জাম বাজার 2017 সালের হিসাবে প্রায় $14 বিলিয়ন, ফরেস্টার রিসার্চের সাথে 11.7% y-o-y হারে বৃদ্ধি পাচ্ছে , একটি বিশ্বব্যাপী বাজার গবেষণা সংস্থা, 2021 সাল পর্যন্ত 15% CAGR-এর পূর্বাভাস।
আশ্চর্যজনকভাবে, অ্যানালিটিক্স টুলস এবং সমাধানের বাজারে সফ্টওয়্যার কোম্পানিগুলির পুরানো গার্ডের আধিপত্য রয়েছে—এসএপি, আইবিএম, ওরাকল এবং মাইক্রোসফ্টের মতো কোম্পানিগুলি৷ 2015 সাল পর্যন্ত, SAP 10% মার্কেট শেয়ার এবং $1.2 বিলিয়ন অ্যানালিটিক্স এবং বিজনেস ইন্টেলিজেন্স (BI) পণ্য আয়ের সাথে বাজারে নেতৃত্ব দিয়েছে; এসএএস ইনস্টিটিউট ছিল 9% শেয়ার সহ দুই নম্বরে; IBM, 8% সহ তৃতীয় এবং ওরাকল এবং মাইক্রোসফ্ট চতুর্থ এবং পঞ্চম স্থানে যথাক্রমে 7% এবং 5%। মজার বিষয় হল, সেন্টিমেন্ট স্ট্র্যাটেজিস, টেবলউ এবং টেরাডাটা-এর মতো ভেঞ্চার ক্যাপিটাল-ব্যাকড স্টার্টআপগুলির উপরোক্ত বাজার বৃদ্ধির কারণে পাঁচটি বৃহত্তম বিক্রেতার বাজারের শেয়ার হ্রাস পাচ্ছে, যা পরামর্শ দেয় যে শিল্পের ভবিষ্যতের বৃদ্ধির বেশিরভাগই ছোট দ্বারা তৈরি হবে, দ্রুত, আরো চটপটে কোম্পানি।
সর্বোচ্চ সম্ভাব্য স্তরে, একটি ডেটা-কেন্দ্রিক সংস্কৃতি ব্যবস্থাপনাকে আরও বেশি আত্মবিশ্বাস দেয় যে এটি সত্যের একই সংস্করণ থেকে কাজ করার সময় প্রায়শই এবং ধারাবাহিকভাবে সর্বোত্তম সম্ভাব্য সিদ্ধান্ত নিতে সক্ষম হয়—একটি স্বচ্ছ, পরিমাপযোগ্য। সর্বোপরি, আমাদের মধ্যে বেশিরভাগই সেশনের মাধ্যমে বসে আছে যেখানে যুদ্ধরত নির্বাহীরা বিভিন্ন উপাখ্যানমূলক উত্স, ফ্যাক্ট প্যাটার্ন এবং ব্যাখ্যার উপর ঝুঁকে বিভিন্ন যুক্তি তুলে ধরেছে, দ্রুত ইনপুটগুলির অখণ্ডতা এবং সেইজন্য আউটপুটগুলিকে প্রশ্নবিদ্ধ করেছে। সুতরাং, ডেটা বিশ্লেষণের পথে হাঁটতে চাওয়া একটি প্রদত্ত ছোট ব্যবসার দ্বারা প্রথম যে সিদ্ধান্ত নেওয়া উচিত তা হল যে ব্যবসাটি সত্যিই একটি ডেটা-চালিত সংস্থা হতে চায় কিনা৷
একবার এই টপ-ডাউন সিদ্ধান্ত নেওয়া হয়ে গেলে, নতুন কৌশলগত অগ্রাধিকারের সম্ভাব্যতা এবং উপযোগিতা অপ্টিমাইজ করার জন্য একটি কাঠামো স্থাপন করতে হবে। শুরু করার জন্য, বেশ কয়েকটি প্রশ্ন জিজ্ঞাসা করা আবশ্যক। প্রথমটি, প্রদত্ত ফার্ম, প্রকল্প, উদ্যোগ বা বিভাগের স্বল্প এবং দীর্ঘমেয়াদী উদ্দেশ্যগুলি কী কী? দ্বিতীয়ত, প্রচেষ্টা এবং এর ফলাফলের জন্য কে দায়ী হওয়া উচিত? তৃতীয়ত, ফার্ম, প্রকল্প, উদ্যোগ বা বিভাগ কোন নির্দিষ্ট সমস্যাগুলি ডেটা দিয়ে সমাধান করতে চাইছে? এবং চতুর্থ, উদ্যোগটি চালানোর জন্য কোন সরঞ্জামগুলি ব্যবহার করা উচিত?
একবার এই প্রশ্নগুলির উত্তর দেওয়া হয়ে গেলে, পরবর্তী পদক্ষেপটি হল একটি বাস্তব বাস্তবায়ন পরিকল্পনা তৈরি করা যা, কিছুটা পরিকল্পনা, সাংগঠনিক কাঠামো, উপরে-নিচের দিক এবং নীচে-উপরের উত্সাহ সহ, সংস্থাটিকে বাস্তব এবং পরিমাপযোগ্য তৈরি করতে হাতের কাছে অবস্থান করবে। এটি তার অতীতের তুলনায় আরো ধারাবাহিকভাবে ফলাফল. নীচের চিত্রটি একটি সাধারণ ডেটা বিশ্লেষণ পদ্ধতির বিভিন্ন উপাদান বিবেচনা করার জন্য একটি কাঠামো প্রদান করার জন্য ডিজাইন করা হয়েছে৷
এটি সঠিক হওয়ার জন্য প্রথম গুরুত্বপূর্ণ প্রশ্ন। একটি উচ্চ স্তরে, যেকোন কোম্পানির জন্য অতিমাত্রায় লক্ষ্য হল সঠিক ব্যবসায়িক সিদ্ধান্ত নেওয়ার জন্য একটি পদ্ধতিগত প্রক্রিয়া তৈরি করা- যা সামঞ্জস্যপূর্ণ এবং পুনরাবৃত্তিযোগ্য, এবং এটি পরিমাপযোগ্যভাবে আরও ভাল ফলাফল দেয়। এই মুহুর্তে, এটি লক্ষ্য করা গুরুত্বপূর্ণ যে একটি সঠিক ডেটা-ভিত্তিক সংস্থা হয়ে ওঠা একটি যাত্রা এবং গন্তব্য নয়, এবং যেমন, উপরে থেকে "বাই-ইন" এবং নীচে থেকে একমত হওয়া গুরুত্বপূর্ণ মৌলিক পদক্ষেপ যা সমালোচনামূলক প্রমাণিত হবে। ব্যাপকভাবে গ্রহণ এবং বিশ্লেষণাত্মক সম্পদ সম্পূর্ণরূপে ব্যবহার করা। বাই-ইন অর্জন করার পর, একটি পরীক্ষিত এবং পরীক্ষিত পরবর্তী ধাপ হল কৌশলগতভাবে কিছু "দ্রুত জয়" এর ব্যবস্থা করা যাতে এই প্রক্রিয়াটি সফল হওয়ার জন্য প্রয়োজনীয় থ্রেশহোল্ড উত্তেজনা এবং ব্যস্ততা ড্রাম আপ করা যায়। সম্মতি তৈরি করা, কেনাকাটা করা এবং দ্রুত জয় অর্জন করা, গবেষণা এবং আমার অভিজ্ঞতা উভয়ই একটি বাস্তবায়ন পদ্ধতি নির্দেশ করে যা নিম্নলিখিত কাঠামো, ক্রম এবং বিবেচনাকে অনুমান করে:
বর্ণনামূলক বিশ্লেষণ দিয়ে শুরু করুন—একটি সাধারণ ভিজ্যুয়াল ড্যাশবোর্ড যা বিদ্যমান লেনদেন সংক্রান্ত ডেটা ব্যবহার করে এমন সিদ্ধান্তে আঁকতে কর্পোরেট কর্মক্ষমতা হাইলাইট করে যা পূর্বে পরিমাপযোগ্য ডেটা ছাড়াই নিষ্পত্তিযোগ্য প্রমাণিত হয়েছিল। এর পরে, আপনার ড্যাশবোর্ডের মধ্যে ড্রিল-ডাউন ক্ষমতাগুলি বিকাশ করুন, অন্তর্দৃষ্টি ভাগ করুন, কর্মক্ষমতা টেকঅ্যাওয়ে(গুলি), এবং স্ব-সহায়তা নির্দেশাবলী কৌশলগতভাবে এবং সঠিক সহকর্মী/সাংগঠনিক প্রভাবকদের সাথে। এটি তাদের অধীনস্থদের কাছে প্রচার প্রক্রিয়া এবং আপনি যে ডেটা-নির্ভরতা সংস্কৃতি গড়ে তুলতে চান উভয়ই কিকস্টার্ট করবে৷
দ্বিতীয় পর্যায়:অভ্যন্তরীণ প্রযুক্তিগত সংস্থান ব্যবহার করে বা তৃতীয়-পক্ষ প্রদানকারীদের সহায়তায় আরও পরিশীলিত ভবিষ্যদ্বাণীমূলক বিশ্লেষণ ক্ষমতায় স্নাতক হন। এই ভবিষ্যদ্বাণীমূলক ক্ষমতাগুলি নির্দিষ্ট ব্যবসায়িক প্রশ্নের আরও ভাল উত্তর দিতে অভ্যন্তরীণ এবং বাহ্যিক উভয় ডেটা উত্সকে মিশ্রিত করে যেমন, "একজন গ্রাহকের ত্রুটি হওয়ার সম্ভাবনা কী?" বা, "যে গ্রাহকরা x ক্রয় করেন, সাধারণত yও ক্রয় করেন," এবং বাস্তব- প্রদান করে। বিভাগীয় বা একটি প্রদত্ত উদ্যোগের কর্মক্ষমতা সম্পর্কে সময়ের অন্তর্দৃষ্টি। এই ক্ষেত্রে "বাইরের ডেটা উত্স" এর মধ্যে রয়েছে সোশ্যাল মিডিয়া ডেটা, সেলস ফোর্স ডেটা, বা ব্যবহারকারীর অভিজ্ঞতার ডেটা, যার সবকটিই অন্তর্দৃষ্টির সমৃদ্ধ এবং পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ উত্স সরবরাহ করে, যেখানে ইন-হাউস ডেটা এখনও নিজের থেকে লাভ করার জন্য খুব সীমিত।
তৃতীয় পর্যায়টি হল অগ্রসর, প্রেসক্রিপটিভ অ্যানালিটিক্সের দিকে এগিয়ে যাওয়া যা ঐতিহাসিক ডেটার পটভূমিতে ভোক্তা, কর্পোরেট, প্রতিযোগী, কর্মচারী বা সরবরাহকারীর আচরণকে গাইড/প্রিম্পট করার জন্য উপযুক্ত পদক্ষেপ নির্ধারণে সাহায্য করে। যদিও এটি লক্ষ করা উচিত যে এই পর্যায়টি সাধারণত ছোট ডেটা থেকে বড়ে রূপান্তর চিহ্নিত করতে শুরু করে; এবং তবুও, এটি একটি প্রয়োজনীয় পদক্ষেপ যা আপনার কোম্পানি-ব্যাপী সিদ্ধান্ত-প্রক্রিয়ায় অন্তর্ভুক্ত করা উচিত যাতে সর্বোচ্চ স্তরের ইনপুট-আউটপুট অখণ্ডতা এবং সিদ্ধান্ত নেওয়ার ক্ষেত্রে ধারাবাহিকতা নিশ্চিত করা যায়।
এটি একটি সত্যতা যে যা পরিমাপ করা হয় তা পরিচালনা করা হয়, এবং তাই একটি একক ডেটা-নির্ধারক সত্য বিকাশের মাধ্যমে, একটি সংস্থার নেতারা আরও ভাল, আরও ঐক্যবদ্ধ সিদ্ধান্ত নিতে সক্ষম হন। ড্যাশবোর্ডগুলি হল এই ধরনের বিশ্লেষণী যাত্রার সূচনা বিন্দু এবং একটি কোম্পানির ডেটা-নির্ধারক সত্যের ভিজ্যুয়াল চিত্র। অবশ্যই, এক গোষ্ঠীর জন্য যা প্রাসঙ্গিক তা অন্যের কাছে অর্থহীন হতে পারে, তাই প্রদত্ত ড্যাশবোর্ডের উদ্দেশ্য বা থিমের প্রতি যথাযথ বিবেচনা করা উচিত, কী তথ্য অন্তর্ভুক্ত করা উচিত, এর বিষয়বস্তুর জন্য প্রাসঙ্গিক রিসেপ্টর শ্রোতা কারা এবং কী প্রশ্ন/সমস্যা হল যে গ্রুপ উত্তর/সমাধান করতে চাইছে।
সু-পরিকল্পিত ড্যাশবোর্ডগুলি কেবল ঐতিহাসিক তথ্য উপস্থাপন করার পরিবর্তে সিদ্ধান্ত গ্রহণকে চালিত করে, এবং ব্যবসার গুরুত্বপূর্ণ বিষয়গুলিকে সঠিকভাবে চিত্রিত করার সময় প্রবণতা এবং পুনরাবৃত্ত প্যাটার্নগুলির (উভয় ইতিবাচক এবং নেতিবাচক) উপর সর্বোত্তমভাবে মনোযোগ কেন্দ্রীভূত করে৷ আরও পরিশীলিত ড্যাশবোর্ডগুলি ড্রিল-ডাউন ক্ষমতা প্রদান করে যা নেতাদের টীকা এবং ভাগ করার ক্ষমতা সহ নির্ণয় করা সমস্যার মূল কারণগুলি পেতে সক্ষম করে যা আরও গতিশীল, রিয়েল-টাইম দেখার অনুমতি দেয়৷
একবার ড্যাশবোর্ড প্রক্রিয়া সম্পন্ন হলে, উচ্চাকাঙ্ক্ষী ডেটা-চালিত সংস্থা আরও উচ্চাভিলাষী হতে শুরু করতে পারে। এর জন্য, একটি সাধারণ পরবর্তী পদক্ষেপ হল "আরো উন্নত বিশ্লেষণ সম্পাদন করতে এবং সিদ্ধান্তের ডোমেনে আরও মাত্রা প্রদান করতে প্রচুর পরিমাণে এবং বৈচিত্র্যময় ডেটা ব্যবহার করা।" এক্সপেরিয়ান, অ্যাক্সিওম, এবং ডিএন্ডবি-এর মতো উল্লম্ব নির্দিষ্ট বিক্রেতা থেকে শুরু করে সামাজিক মিডিয়া বা ফেসবুক, টুইটার এবং সেলসফোর্সের মতো সেলস ডেটা প্রদানকারী পর্যন্ত কোম্পানি-নির্দিষ্ট ডেটাকে আরও সমৃদ্ধ করার মাধ্যমে, প্রদত্ত ফার্মটি আরও বড় অন্বেষণ করতে পারে, কোম্পানির পারফরম্যান্স এবং গ্রাহক আচরণ সম্পর্কে নতুন এবং আরও ভাল অন্তর্দৃষ্টির জন্য বিস্তৃত, আরও বৈচিত্র্যময় এবং পরিসংখ্যানগতভাবে উল্লেখযোগ্য সেট৷
ডেটা, গ্রাহক, প্রবিধান, এবং নির্দিষ্ট ব্যবসায়িক সমস্যা/ইস্যু এবং বিভিন্ন বাজেট এবং অভ্যন্তরীণ দক্ষতার পরিপ্রেক্ষিতে বিভিন্ন প্রয়োজনের সাথে এন্টারপ্রাইজ স্তরের কোম্পানিগুলির সম্ভবত প্রযুক্তি বিক্রেতারা থাকবে যারা তাদের আরও অনন্য চাহিদাগুলি পূরণ করবে। তারা এমন একটি স্কেলে কাজ করে যেখানে তাদের ব্যবসায়িক প্রক্রিয়া এবং কর্মপ্রবাহে বিশ্লেষণগুলিকে কার্যকর করার ক্ষমতা আরও গুরুত্বপূর্ণ এবং অর্থনৈতিক হয়ে ওঠে। প্রায়শই, এই কোম্পানিগুলি নিয়ন্ত্রিত শিল্পে থাকবে যেখানে তাদের দেখাতে হবে যে তাদের ন্যায্য এবং পুনরাবৃত্তিযোগ্য চিকিত্সা রয়েছে৷
ঋণদাতারা তাদের ঋণ নীতিতে কোনো পক্ষপাতিত্ব দেখায় না, সে লিঙ্গ, আয় বা বর্ণের জন্য হোক।
একটি নির্দিষ্ট কর্ম নির্ধারণ করা এক জিনিস এবং তা বাস্তবায়ন করা অন্য জিনিস। রোগ নির্ণয়, প্রেসক্রিপশন এবং সিদ্ধান্ত এবং পছন্দসই ফলাফলের জন্য দায়ী একটি ব্যক্তি/গোষ্ঠীর মধ্যে একটি সংযোগ থাকা দরকার। এখানেই নির্বাহী স্পনসরের ভূমিকা গুরুত্বপূর্ণ হয়ে ওঠে।
ছোট এবং বড় উভয় কোম্পানিতেই, এক্সিকিউটিভ স্পন্সর - ডেটা সমৃদ্ধকরণের মনোনীত চ্যাম্পিয়ন এবং ডি ফ্যাক্টো চিফ ডেটা অফিসার - একজন ব্যক্তি, সাধারণত শুরুতে সিইও, সিএফও বা সিএমও, ইতিমধ্যেই ডেটা এবং বিশ্লেষণে নিমজ্জিত, ডেটা দ্বারা বা অন্তত ডেটা অ্যানালিটিক্সের রূপান্তরমূলক সম্ভাবনায় বিশ্বাসী হিসাবে সবথেকে ভালোভাবে সমাধান করা যায়।
এই নায়ক ছাড়াও, প্রক্রিয়াটির জন্য সাধারণত একটি মাধ্যমিক, আরও হ্যান্ড-অন চ্যাম্পিয়নের প্রয়োজন হয়, বিশেষ করে একবার যখন ফার্মটি বর্ণনামূলক থেকে ভবিষ্যদ্বাণীমূলক বিশ্লেষণে রূপান্তর শুরু করে। ঐতিহ্যগতভাবে, এই ব্যক্তিটি একজন প্রযুক্তিগতভাবে প্রশিক্ষিত, অভ্যন্তরীণ ডেটা বিজ্ঞানী ছিলেন, কিন্তু সম্প্রতি তিনি একজন প্রযুক্তি-বুদ্ধিমান উত্সাহী হিসাবে রূপ নিচ্ছেন যাকে প্রায়শই নাগরিক ডেটা বিজ্ঞানী হিসাবে উল্লেখ করা হয়। এই ব্যক্তিটি সাধারণত স্ব-নির্বাচন করে—একজন স্ব-প্রোফেসড স্প্রেডশীট জকি যার বুদ্ধিবৃত্তিক কৌতূহল এবং দক্ষতার সঠিক ভারসাম্য রয়েছে, কিন্তু বাস্তবায়নের আগাছায় বাঁচতে ইচ্ছুক। অনেক ক্ষেত্রে, এই ব্যক্তি তাদের ফার্মে একটি আনুষ্ঠানিক ডেটা বিশ্লেষণ প্রক্রিয়া তৈরি করতে পারে এমন প্রভাব সম্ভাব্যতা স্বীকার করার ক্ষেত্রে ব্যবস্থাপনার চেয়ে এগিয়ে, কিন্তু তাদের দৃষ্টি বিক্রি করার জন্য প্রয়োজনীয় স্থিতি বা বিশ্বাসযোগ্যতার অভাব রয়েছে৷
প্রতিটি সফল এবং ব্যর্থ কোম্পানির নিজস্ব চ্যালেঞ্জগুলির একটি অনন্য সেট রয়েছে যা শুধুমাত্র এটির জন্য নির্দিষ্ট সংস্থান, প্রক্রিয়া এবং ক্ষমতার যথাযথ সমন্বয় দ্বারা সমাধান করা যায়। এতে বলা হয়েছে, ডেটা দ্বারা মোকাবেলা করার জন্য সবচেয়ে উপযুক্ত ব্যবসায়িক চ্যালেঞ্জের ধরনগুলি প্রায়শই কমানো যায়, শ্রেণীবদ্ধ করা যায় এবং চার্ট 7 এ সেট করা কাঠামো ব্যবহার করে সমাধান করা যায়৷
এছাড়াও, কয়েক বছর ধরে কিছু কাল্পনিক নির্দেশিকা/প্যারামিটার তৈরি করা হয়েছে, যা ডেটার সাথে মোকাবিলা করার জন্য সঠিক ধরণের সমস্যাগুলি চিহ্নিত করার সম্ভাবনাই নয়, তাদের সফলভাবে সমাধান করার সম্ভাবনাগুলিকে আরও অনুকূল করে। এই নির্দেশিকা/প্যারামিটারগুলি নিম্নরূপ:প্রথমত, সহজ, স্পষ্ট প্রশ্নগুলি বেছে নিন যার প্রভাব অনেক গুরুত্বপূর্ণ; দ্বিতীয়ত, ডেটা থেকে উত্তর খোঁজার ক্ষেত্রে, একাডেমিক উত্তরের পরিপূর্ণতার চেয়ে সমাধানের ব্যবহারিকতার দিকে লক্ষ্য রাখুন; তৃতীয়ত, রোগ নির্ণয় এবং সমাধান প্রদানের ক্ষেত্রে আপনার প্রাপক শ্রোতার প্রকৃতি এবং জ্ঞানের ভিত্তিকে মাথায় রাখুন; এবং পরিশেষে, শুধুমাত্র এমন সমস্যাগুলি নির্বাচন করুন যা ইতিমধ্যে বিদ্যমান ডেটা এবং সমাধানগুলির সাথে পরিমাপযোগ্য এবং পরিমাপযোগ্য যা সমান পরিমাপে, ট্র্যাক করা যেতে পারে৷
আমাদের মূল চারটি ফ্রেমওয়ার্ক প্রশ্নগুলির চূড়ান্ত, যেখানে একটি টেকসই ডেটা-ভিত্তিক সংস্থা গড়ে তোলার বিষয়টি সংশ্লিষ্ট, টুল, পদ্ধতি বা প্ল্যাটফর্ম নির্বাচন সংক্রান্ত একটি। এটির জন্য, আমি প্রথমে বলব যে সাম্প্রতিক বছরগুলিতে ব্যবসায়িক ব্যবহারকারীর বিভিন্ন সুবিধা এবং অসুবিধা সহ ডেটা বিশ্লেষণের সরঞ্জামগুলি যথেষ্ট বিকশিত হয়েছে। সুবিধাগুলির মধ্যে রয়েছে এই জাতীয় সরঞ্জামগুলি লিজ দেওয়ার সাথে সম্পর্কিত ব্যয়ের উল্লেখযোগ্য হ্রাস এবং বৈশিষ্ট্য তালিকার বৃদ্ধি এবং উপলব্ধ বিকল্পগুলির জটিলতা কারণ তারা ফাংশন-নির্দিষ্ট সরঞ্জামগুলি থেকে ওভারল্যাপিং কার্যকারিতার প্ল্যাটফর্মগুলিতে রূপান্তরিত হয়েছে৷ আরও, SaaS বিক্রেতারা বিনামূল্যে ট্রায়াল অফার করে, যদিও ভলিউম এবং ডেটা-টাইপের উপর সীমাবদ্ধতা রয়েছে; নতুন পৃষ্ঠপোষকদের একাধিক প্ল্যাটফর্ম পরীক্ষা করার পরে একটি সচেতন ক্রয় সিদ্ধান্ত নেওয়ার সুযোগ দেওয়া হয়৷
এই প্ল্যাটফর্মগুলির প্রধান সুবিধা হল যে, একে অপরের সাথে প্রতিযোগিতামূলক থাকার জন্য, বিক্রেতারা জটিলতার দিকে এতটাই আক্রমনাত্মকভাবে উদ্ভাবন করেছে যে তাদের অফারগুলি এখন এমন অফারগুলির সাথে বৈশিষ্ট্য-স্যাচুরেশনের কাছে পৌঁছেছে যা গড় ব্যবসায়িক ব্যবহারকারীদের উপযোগিতার বাইরে। দুর্ভাগ্যজনক ফলাফল হল নবাগত ব্যবহারকারীদের অপ্রতিরোধ্য, এটিকে আগে আলোচিত "দ্রুত জয়" অর্জন করা কঠিন করে তোলে এবং এইভাবে ডেটা সংস্কৃতি একটি নির্দিষ্ট ফার্মে ধরা পড়ার সম্ভাবনা হ্রাস করে৷
সৌভাগ্যবশত, সম্ভাব্য ব্যবহারকারীদের সহায়তা, মূল্যায়ন এবং প্রতিযোগিতামূলক ব্যবসায়িক বুদ্ধিমত্তা সমাধানের তুলনা করার জন্য অনেক সংস্থান উপলব্ধ রয়েছে, যদিও মূল সাধারণ ক্ষমতার কিছু জ্ঞান একটি কোম্পানির নির্দিষ্ট চাহিদা এবং অগ্রাধিকারের বিরুদ্ধে তাদের মূল্যায়ন করতে কার্যকর। এই ধরনের কয়েকটি ক্ষমতার মধ্যে রয়েছে:ডেটা সংযোগের সংখ্যা এবং সুযোগ, প্রাক-একত্রিত ড্যাশবোর্ডের প্রাপ্যতা, ড্রিল-ডাউন, প্রকাশনা এবং ভাগ করার ক্ষমতা, ডেটা মিশ্রন এবং অন্বেষণ সফ্টওয়্যার ক্ষমতার সাথে একীকরণ, স্কেলিং সম্ভাব্য (ভলিউম এবং বিভিন্ন প্যারামিটার উভয় ক্ষেত্রে), সংখ্যা এবং মডেলিং পদ্ধতির নির্ভুলতা, এবং নির্দিষ্ট শিল্প প্রতি গ্রাহকের রেফারেন্স বেস। যদিও এটির সারাংশে স্বীকার করা সহজ, উপরের চার্ট 7 কিছু মূল বিক্রেতাদের সেট করে যা বিভিন্ন বিভাগ জুড়ে খেলা করে (বর্ণনামূলক, ভবিষ্যদ্বাণীমূলক, প্রেসক্রিপটিভ)।
এর বিশেষ সূচনা সত্ত্বেও, এটা স্পষ্ট যে সাম্প্রতিক বছরগুলিতে ডেটা বিশ্লেষণ এবং SaaS-ভিত্তিক বিশ্লেষণ সরঞ্জামগুলির বাজার উল্লেখযোগ্যভাবে বিকশিত হয়েছে, যা নাগরিক ডেটা বিজ্ঞানী এবং তাদের কোম্পানির সুবিধার জন্য। বিগ ডেটা, ছোট ডেটা, স্ব-পরিষেবা সরঞ্জাম—প্রতিটি এখন পর্যাপ্ত মূলধারার হয়ে উঠেছে যাতে তাদের বিবেচনার মূল যোগ্যতা এমনকি ন্যূনতম প্রযুক্তিগত ব্যবসার ক্ষেত্রেও নিশ্চিত করা যায়। ভিন্নভাবে বলা হয়েছে, অনেক দরকারী, কর্মযোগ্য ডেটা তৈরি করা হচ্ছে এবং স্ব-পরিষেবা সরঞ্জামগুলির খরচগুলি অফারের বৈশিষ্ট্য এবং ক্ষমতার বিপরীতে চলে যাচ্ছে, এমনকি ছোট ব্যবসার জন্যও কিছু ক্ষমতায় ডেটা ব্যবহার করা শুরু না করার জন্য কয়েকটি কারণ বিদ্যমান থাকবে।
এই নিবন্ধটি ব্যাখ্যা করা উচিত ছিল যে, সামান্য পরিকল্পনা, উদ্দেশ্য নির্ধারণ, এবং পৃষ্ঠপোষক নির্বাচনের মাধ্যমে, এমনকি আপনার স্টার্টআপ প্রতিযোগিতামূলক খেলার ক্ষেত্রকে সমান করতে শুরু করতে পারে যে শিল্পের টাইটানগুলিকে আপনি ব্যাহত করার জন্য সেট করেছেন, এই প্রক্রিয়াটি আপনার জন্য অসাধারণ অর্থনৈতিক মূল্য আনলক করে। এবং আপনার স্টেকহোল্ডারদের। আপনি শুধুমাত্র শুরু করতে হবে; তাই এগিয়ে যান—শুরু করুন!