ٹیکوپیڈیا اسٹاف کے ذریعہ ، 8 نومبر ، 2017
ٹیکو وے : میزبان ایرک کااناگ نے ڈیٹا کی پختگی اور تنظیمی پختگی پر امپیکٹ اینالٹیکس کے جین انڈر ووڈ اور آئی ڈی ای آر اے کے رون ہوئزینگا سے گفتگو کی۔
آپ فی الحال لاگ ان نہیں ہیں۔ ویڈیو دیکھنے کے لئے براہ کرم لاگ ان یا سائن اپ کریں۔
ایرک کااناگ: ٹھیک ہے ، خواتین اور حضرات۔ ہیلو اور ایک بار پھر خوش آمدید۔ یہ بدھ کو 4 بجے مشرقی ہے ، جس کا مطلب ہے کہ ہاٹ ٹیکنالوجیز کا وقت آگیا ہے۔ ہاں یقینا. میرا نام ایرک کااناگ ہے۔ میں آج آپ کے شو کے لئے آپ کا میزبان بنوں گا ، جو واقعتا defined بیان کیا گیا ہے ، جس کو ڈیٹا مینجمنٹ کی دنیا میں ہونے کی بعض ریاستوں میں مخصوص قسم کی ٹکنالوجی کی وضاحت کے لئے ڈیزائن کیا گیا ہے۔ اور ہمارا آج کا موضوع ہے "اعداد و شمار کی پختگی کو حاصل کرنا: ایک تنظیمی توازن ایکٹ۔" لہذا ، واقعی آپ کے بارے میں ، ٹویٹر ، # ایریک_کاناگ پر مجھے گولی مار دیں۔ اگر آپ میرا ذکر کرتے ہیں تو میں ہمیشہ ٹویٹ کرتا ہوں ، اور میں بھی اس کی پیروی کرنے کی کوشش کروں گا۔ دنیا میں کیا ہورہا ہے اس کے بارے میں معلومات حاصل کرنے کے ل go یہ ایک اچھی جگہ ہے۔ مجھے وہ شکل پسند ہے۔ مختصر حرف ، 140 حروف - یا ان دنوں زیادہ۔ لہذا بلا جھجک مجھے ٹویٹ بھیجیں اور میں پیچھے چلوں گا۔
یقینا This یہ سال گرم ہے۔ ہم آج ڈیٹا کی پختگی کے بارے میں سب بات کر رہے ہیں اور یہاں واقعی آپ کے ساتھ سب سے اوپر ہے۔ ہمارے پاس آج ایک نیا تجزیہ کار ہے۔ میں جین انڈر ووڈ آف امپیکٹ اینالٹیکس حاصل کرنے میں بہت پرجوش ہوں۔ وہ کاروباری ذہانت اور تجزیات اور ڈیٹا بصیرت اور ان سارے عمدہ موضوعات میں کافی ماہر ہے۔ اور یقینا data ڈیٹا کی پختگی۔ اور ہمارے اچھے دوست رون ہوئزینگا IDERA سے کال کر رہے ہیں۔ تو پہلے ہم جین سے اور پھر رون سے سنیں گے۔ اور پھر ہم ایک اچھی گول میز کانفرنس کریں گے۔
جب میں نے اس اگلی سلائیڈ کو یہاں اوپر دھکیل دیا تو ، میں صرف کچھ تیز الفاظ کہوں گا۔ ڈیٹا مینجمنٹ کی پختگی ابھی کچھ عرصے سے ایک موضوع رہی ہے۔ ظاہر ہے کہ تاریخ میں پختگی کے بارے میں سوچنا شروع کرنے سے پہلے آپ کو کسی خاص مقام پر پہنچنا ہوگا ، اور پختگی کی زندگی کے بہت سے چکر تیار ہوچکے ہیں - یا سائیکل - یہ معلوم کرنے کی کوشش کر رہے ہیں کہ آپ کس گھماؤ میں ہیں۔ کیا آپ ابتدائی مرحلے میں ہیں؟ کیا آپ نوعمر ہیں؟ کیا آپ سمجھدار ہیں Etcetera.
اور میں سمجھتا ہوں کہ پختگی کے لحاظ سے بہت ساری تنظیمیں یا تو نوعمر سالوں میں یا نو عمر کے آخر میں یا بیس کی شروعات میں ہیں۔ اور یہ کچھ حوصلہ شکنی سے نہیں کہہ رہا ہے۔ یہ صرف اتنا ہے کہ ابتدائی ایام میں ہم اس طرح کے ہیں کہ ایک اسٹریٹجک اثاثہ کے طور پر ڈیٹا کا انتظام کرنے کے قابل ہو۔ اور چیزیں تیزی سے تبدیل ہو رہی ہیں۔ خاص طور پر پچھلے پانچ سات سالوں میں ، جیسے ہم چھوٹے اعداد و شمار سے بڑے اعداد و شمار میں منتقل ہوچکے ہیں اور وہ کوشش کر رہے ہیں کہ ان سے بالکل مختلف دنیاؤں اور نئی ٹیکنالوجیز کو پرانی ٹیکنالوجیز سے ہم آہنگ کیا جا.۔ تو میراث وہاں سے باہر ہے ، یہ ہر جگہ ہے۔
ایک لطیفے جو میں نے برسوں پہلے سنا ہے وہ یہ ہے کہ میراثی ایک ایسا نظام ہے جو پیداوار میں ہے۔ جس وقت کوئی سسٹم پیداوار میں جاتا ہے ، تکنیکی لحاظ سے یہ میراث ہوتا ہے۔ اور ایک طرح سے یہ سچ ہے۔ لیکن سب سے اہم بات یہ ہے کہ ہمارے پاس یہ سارے سسٹم ہیں جو ایک طویل عرصہ سے چل رہے ہیں اور ہمیں یہ سمجھنے کا ایک طریقہ تلاش کرنا ہوگا کہ ہم اثاثہ کے طور پر اعداد و شمار کی قدر کو زیادہ سے زیادہ اور بہتر بنانے کے قابل ہوسکیں۔ . اور ظاہر ہے کہ تعمیل کے کچھ معاملات ہیں ، کچھ قواعد و ضوابط کے بارے میں ہمیں فکر کرنے کی ضرورت ہے ، اس پر منحصر ہے کہ ہم کس صنعت میں ہیں۔ اور پھر یقینا ہمیں ہیکنگ کے بارے میں بھی پریشان ہونا ہے۔ ماضی میں ہم نے ڈیٹا گورننس کے بارے میں بات کی ہے اور یہ کہ سیکیورٹی کے ساتھ واقعی ایک جز اور جزوی طور پر کیا ہے اور اعداد و شمار کو استعمال کرنے کے کرداروں اور ذمہ داریوں کو سمجھنے اور یہ یقینی بنانا کہ ہمیں اس سے بہترین قدر ملتی ہے۔
اور اسی طرح ، میں چابیاں جین انڈر ووڈ کے حوالے کروں گا اور وہ ہمیں اعداد و شمار کی پختگی پر اپنا نقطہ نظر بتاسکتی ہے۔ جین ، اسے لے جاؤ.
جین انڈر ووڈ: شکریہ ، ایرک ، اور مجھے مدعو کرنے کے لئے شکریہ۔ تو آج ، میں کچھ مختلف عنوانات کا احاطہ کرنے جارہا ہوں اور پھر میں رون کو IDERA کے ساتھ متعارف کرانے جارہا ہوں اور وہ اس خاص عنوان کے کچھ دیگر شعبوں میں گہری کھدائی کرنے والا ہے۔ میں کہوں گا کہ ڈیجیٹل دور میں یا ڈیجیٹل تبدیلی میں اس کا ایک اہم کردار ہے جس کی ہم ابھی موجود ہیں اور جیسا کہ ایرک نے کہا تھا ، یہ ایک ارتقا پزیر دور ہے۔ ای ڈی ایم کونسل کے کچھ تفریحی اعدادوشمار ، وہاں ڈیٹا مینجمنٹ انڈسٹری کی بینچ مارک رپورٹ موجود تھی۔ یہ تقریبا two دو سال پرانا ہے ، لیکن یہ اب بھی کافی حد تک متعلقہ ہے اور آپ کو معلوم ہے کہ اس جگہ میں نوعمر ہونے کی وجہ سے اس میں سے کچھ فیکٹوڈس ظاہر کریں گے۔ میں ڈیٹا کی پختگی اور حکمرانی کے ستونوں کے بارے میں تھوڑا سا بات کروں گا۔
ڈیجیٹل دور یا ڈیجیٹل ٹرانسفارمیشن کے اس تھیم پر جو آپ ہر جگہ سن رہے ہیں ، ابھی واقعتا یہ ہو رہا ہے۔ میں نے ایک دلچسپ حقائق میں سے ایک کو جمع کیا ہے جب میں نے روزانہ اس صنعت کی پیروی کی ہے تو یہ ایک نقطہ تھا جو گارٹنر نے ان کے دس دس اسٹریٹجک ٹیکنالوجی کے رجحانات میں بنایا تھا۔ اور انھوں نے 2020 تک کہا تھا - لہذا ہم اس سے صرف چند سال دور ہیں - معلومات کا استعمال نو دہائی قبل ہونے والے 80 فیصد عمل کو دوبارہ بنانے ، ڈیجیٹلائٹ اور خود کار بنانے یا 80 فیصد عمل کو ختم کرنے کے لئے کیا جائے گا۔
اور میں اسے تھوڑی دیر سے دیکھ رہا ہوں ، میرے خیال میں آپ یہاں مختلف قسم کے لوگوں کو یہ کہتے ہوئے دیکھ رہے ہیں کہ ، آپ جانتے ہو ، "ڈیٹا نیا تیل ہے ،" اور اس قسم کی چیزیں۔ میں کہنا چاہتا ہوں کہ اب ڈیٹا ڈیجیٹل سونا ہے۔ اور اگر آپ سوفٹویئر ایپلی کیشنز اور سافٹ ویئر کی شمولیت کے بارے میں سوچتے ہیں تو ، میں ماضی میں مائیکرو سافٹ کے لئے دنیا بھر میں پروڈکٹ مینیجر تھا ، اور یہاں تک کہ میرے کیریئر میں بھی تبدیلی آئی ہے ، آپ جانتے ہو ، ہم واقعی سافٹ ویئر پر توجہ مرکوز کریں گے اب ہم صارفین پر مرکوز ہیں اور ڈیٹا اکٹھا کرنا اور ڈیٹا کی منیٹائزیشن کے بارے میں سوچنا۔
ہم اس دور میں داخل ہورہے ہیں جہاں ڈیٹا ڈیجیٹل سونا ہے اور آپ یہ دیکھنا شروع کر رہے ہیں کہ چیف ڈیٹا آفیسر کہلانے والے کے وجود میں آ گیا ہے ، اور وہ ، آپ کو معلوم ہے ، دو پرائمری مشن ہیں - اور یقینی طور پر کچھ دوسرے لوگ بھی۔ اس بات کو یقینی بنانا کہ ڈیٹا محفوظ اور محفوظ ہے اور اعداد و شمار کی قدر کو زیادہ سے زیادہ بنانے کے طریقے تلاش کرنے - اور حتی کہ بیرونی بھی - ڈیجیٹل اثاثہ کے طور پر۔ لہذا اس قسم کی چیزیں جو آپ کی تنظیم کو ماضی میں نہیں ہوسکتی تھیں ، یا شاید معلوم نہیں ہوسکتی ہیں ، اعداد و شمار کو آخر کار سی ڈی او کے ساتھ سی لیول ٹیبل پر نشست مل رہی ہے اور آگے بڑھتے ہوئے اسے مزید سنجیدگی سے لیا جائے گا۔
اگر آپ ڈیٹا مینجمنٹ اور پختگی کے بارے میں سوچتے ہیں تو ، دو مختلف موضوعات ہیں جو میرے یہاں اس خاص سلائیڈ پر موجود ہیں ، پہلا ایک ، آپ جانتے ہو ، خود ڈیٹا مینجمنٹ ہے۔ اس میں کاروباری افعال کے بارے میں مزید معلومات ہیں جو ڈیٹا اور ڈیٹا کی روانی ، وہاں کی کچھ پالیسیاں اور ان کے طریق کار کو تیار اور تخلیق کرتے ہیں۔ اور پھر جب آپ ڈیٹا مینجمنٹ کی پختگی کے بارے میں سوچتے ہیں تو ، کسی تنظیم کی یہ صلاحیت ہے کہ وہ واضح طور پر واضح طور پر بیان کریں ، آسانی سے متحد ہوجائیں ، آپ جانتے ہو ، اس اعداد و شمار کو فائدہ اٹھاتے ہیں جو ان کے پاس دوبارہ ڈیٹا منیٹائزیشن جیسے اندرونی یا بیرونی مقاصد کے لئے ہوتا ہے۔ اور ایک بہت بڑا تھیم۔ اور یہ میرے مضامین کے اوائل میں مضحکہ خیز تھا ، اور میں نے اصل میں IDERA کے کچھ ٹولز اور ڈیٹا آرکیٹیکچر پروجیکٹس کا فائدہ اٹھایا تھا - کیا یہ میٹا ڈیٹا کا پورا تصور تھا اور ہم میٹا ڈیٹا کے بارے میں سوچتے رہتے ہیں ، اور پھر اس پر بات نہیں کی گئی۔ ایک طویل ، طویل وقت کے لئے کے بارے میں. آخر میں دیکھ رہا ہوں کہ میٹا ڈیٹا ایک بار پھر ٹھنڈا ہے۔ مختلف گروہوں کے ساتھ بات چیت کرنے ، یہ سمجھنے میں کہ آپ کا ڈیٹا کہاں ہے ، اعداد و شمار کیا ہیں واقعی میں یہ واقعی بہت اہم ہے۔ خاص طور پر ڈیٹا جھیل جیسی چیزوں میں۔ آخر کار ، دلچسپ ہو رہا ہے۔
اب ، میں نے وعدہ کیا تھا کہ انڈسٹری بینچ مارک کی ایک رپورٹ سے میرے یہاں کچھ اعدادوشمار ہوں گے۔ یہ ایک 2015 سے ای ڈی ایم کونسل کے لئے تھا۔ یہ اعداد و شمار کے معیار اور گورننس کو جدید بنانے کے بارے میں ہے ، اور اس خاص میں کچھ تفریحی فیکٹوڈز ہیں۔ لہذا یہاں ، تنظیم کی کسی بھی سطح پر 33 فیصد سے زیادہ تنظیموں کا فعال ، باقاعدہ ڈیٹا مینجمنٹ پروگرام ہے - صرف 33۔ لہذا یہ اور خود ہی بہت دلچسپ ہے۔ 50 فیصد جو واقعی باضابطہ طور پر باضابطہ ہے ، ہم اعداد و شمار کا انتظام کرنا چاہتے ہیں ، ہمیں احساس ہے کہ یہ ہماری تنظیم میں واقعی ایک اہم اثاثہ ہے ، جیسے انسانوں کے پاس انسانی وسائل ہیں۔ ان میں سے صرف 50 فیصد کے پاس ایسے پروگرام تھے جو ایک سال سے زیادہ عمر کے تھے۔ لہذا ، یہ ایک ابھرتا ہوا علاقہ ہے ، یہ واقعی کافی دلچسپ ہے جس میں ہم زیادہ سے زیادہ اہم ہوچکے ہیں ، خاص طور پر کچھ ایسی چیزوں کے ساتھ جو انڈسٹری کے کچھ ضابطے سامنے آتے ہیں۔
لہذا ، اس موقع پر ، بہت ساری بار - اور یہ دلچسپ بات ہے کہ میرے پورے کیریئر میں تکنیکی فروخت اور کردار رہا - یہ واقعی نہیں تھا ، "اوہ ، ہم ایسے پیسے بچاسکتے ہیں جو کسی تنظیم کو ترغیب دیتی ہیں"۔ عام طور پر اس کا خوف ہوتا ہے۔ اس میں اور بھی بہت کچھ ہے ، "اوہ میرے گوش ، ہمیں یہ یقینی بنانا ہوگا کہ ہم احاطہ کرتا ہے۔ ہم اپنی ملازمت سے محروم نہیں ہونا چاہتے۔ "اور یقینی طور پر ہیکنگ اور ڈیٹا کے خطرات اور ڈیٹا کو لیک کرنے جیسی چیزیں ، اس پر واقعی دلچسپ بینچ مارک اسٹڈیز ہیں۔ ویریزون ہر سال ایک کام کرتا ہے اور اس کا جائزہ لینے کے ل probably یہ شاید میرے پسندیدہ لوگوں میں سے ایک ہے۔ جو آپ تقریبا ہمیشہ دیکھتے ہیں وہ نادانستہ ہوتا ہے ، یہ ضروری نہیں ہے ، آپ جانتے ہو ، جان بوجھ کر ڈیٹا کا غلط استعمال کرنا یا اعداد و شمار کی بدانتظامی کرنا جس کا نتیجہ لیک ہوجاتا ہے۔ اور اکثر - ان کے پاس اس مخصوص سیشن کے لats یہ اعدادوشمار نہیں ہوتے ہیں - لیکن یہ دلچسپ بات ہے کہ اجازت ناموں اور اشتہارات کی بدانتظامی کے یہ حادثاتی لیک ہوجاتے ہیں۔ آپ جانتے ہو ، چیزوں کو تھوڑا سا آسان بنانے کے لئے ، یہ لیک قرض پر چلے جاتے ہیں۔ اور عام طور پر ان لوگوں کے لئے جو سائیڈ نوٹ ہیں یا آپ کی تنظیم سے بیرونی ہیں ، اور یہ وہ نہیں ہے جو آپ چاہتے ہیں۔
لہذا یہ وہ قسمیں ہیں جب آپ ڈیٹا مینجمنٹ سیکیورٹی اور گورننس پروگرام رکھنے کے بارے میں سوچتے ہیں۔ آپ جانتے ہیں ، نہ صرف برے فیصلے اور پیسہ بچانا ، بلکہ یہ بھی یقینی بنانا ہے کہ ، آپ جانتے ہو ، آپ محفوظ ہیں ، آپ رازداری اور سیکیورٹی کے قوانین پر عمل پیرا ہیں۔ آپ اس ڈیجیٹل دور میں ڈیٹا کو منیٹائز کرنے کے قابل ہیں ، اور ظاہر ہے ، آپ جانتے ہو کہ ، آپ کام کو موثر انداز میں کرنا چاہتے ہیں اور ڈیٹا کو دوبارہ استعمال کرنا چاہتے ہیں اور اس کی کاپی حاصل کرنا چاہتے ہیں - جب لوگ کہتے ہیں تو مجھے نفرت ہے ، اور میں تجزیات میں ہوں اور میں ایک طویل عرصے سے تجزیات میں رہے ، سچ کا ایک ورژن۔ یہاں عام طور پر ، آپ جانتے ہو ، عام طور پر سچائی کے متعدد ورژن ہوتے ہیں ، صرف مختلف نقطہ نظر سے۔ لیکن بنیادی طور پر ، آپ ڈیٹا کو قابل اعتماد بنانا چاہتے ہیں کہ آپ فیصلوں پر قائم ہیں۔
سب سے بڑے ڈرائیوروں میں سے ایک جس کو میں دیکھ رہا ہوں - اور یہ ایک اچھی بات ہے ، یہ اچھی بات ہے کہ ایک بار پھر ٹھنڈا ہو رہا ہے - یہ ہے یورپی یونین کے جی ڈی پی آر کا پورا تصور۔ اور مجھے اس کے بارے میں تھوڑی بہت بات کرنے دو۔ لہذا اگر آپ جی ڈی پی آر کو نہیں جانتے ہیں تو ، آپ آنے والے سال اس کے بارے میں بہت کچھ سن رہے ہیں۔ یہ نئی قانون سازی ہے جو مئی میں ہورہی ہے۔ اس کا اطلاق مئی 2018 میں ہوگا اور اس میں معلومات کے غلط انتظام کے لئے کچھ بڑے جرمانے ہیں۔ آپ نے اس کے بارے میں دوسری صورتوں میں سنا ہوگا - ہوسکتا ہے کہ جی ڈی پی آر کی اصطلاح استعمال نہ کریں - آپ نے اس کے بارے میں لکھا ہوا فراموش کرنے کے حق کو سنا یا دیکھا ہوگا ، اس کا مطلب ہے کہ آپ پہنچ سکتے ہیں اور دکانداروں سے اپنا ڈیٹا ہٹانے کو کہتے ہیں۔ ایک بار پھر ، ماضی کے ڈیٹا آرکیٹیکٹس ، وہ ڈیٹا کو نہیں ہٹاتے تھے۔ ہم اسے تبدیل کردیں گے ، ہم اسے ڈیٹا گودام کے منظرناموں میں غیر فعال بنادیں گے۔ ہم نے واقعی کبھی بھی اپنے ڈیٹا کو حذف نہیں کیا۔ ہمارے پاس اس کے لئے عمل نہیں تھا۔ لہذا ، آپ جانتے ہیں ، ایسی چیزیں جو آپ کی تنظیم کے ہر پہلو اور مختلف طریقوں اور عمل کو چھونے لگیں گی جن پر آپ نے کبھی بھی اپنی درخواست یا ڈیٹا گودام بنانے میں غور نہیں کیا ہوگا۔ لہذا اگر آپ دیکھتے ہیں کہ جی ڈی پی آر کے بارے میں کچھ سوچنے کے ل. ، بہت جلد آپ کو ذاتی ڈیٹا اکٹھا کرنے اور اس پر کارروائی کرنے کا جواز پیش کرنے کے لئے ایک قانونی بنیاد کی ضرورت ہوگی۔
لہذا یہ زیادہ تر ذاتی سطح پر ہوتا ہے ، لہذا رضامندی کو آزادانہ طور پر دیئے جانے کی ضرورت ہے: مخصوص ، باخبر ، غیر واضح۔ اور یہ مصنوعی ذہانت اور ڈیٹا سائنس کے بہت سے شعبوں کو متاثر کرنے والا ہے۔ یہی وہ علاقہ ہے جس میں میں ان دنوں زیادہ تر احاطہ کرتا ہوں وہ ہے ڈیٹا سائنس مضمرات اور صرف اس بات کو یقینی بنانا کہ خود ان ماڈل میں کچھ شفافیت ہے - اسی طرح آپ کی اپنی خدمت سے بہت سارے دوسرے شعبوں میں۔ BI ، آپ کا ڈیٹا گودام ، آپ کا ماسٹر ڈیٹا مینجمنٹ ، یہاں تک کہ آپ کے صارف کے 360 منصوبے ، ذاتی بنانا اور یہاں تک کہ آپ کی کاروباری درخواستوں کی لائن۔ تو یہ وہ چیز ہے جو آپ کی تنظیم کے ہر حصے کو چھو رہی ہے۔ اور دوسرے دائرہ اختیار میں رازداری کے قوانین کے برخلاف ، جی ڈی پی آر کا اطلاق یورپی یونین کے اندر یا باہر واقع کسی بھی تنظیم پر ہوگا۔ اور تعمیل جرمانے ، ایک بار پھر ، اہم ہیں۔ اس سے آپ کی تنظیم کو آپ کے کل مجموعی مجموعی کا چار فیصد تک جرمانہ عائد کیا جاسکتا ہے - مجھے یقین ہے کہ اسے کاروبار کہا جاتا ہے - آمدنی فی سیکنڈ۔
امید ہے کہ میری توجہ آپ پر ہے اور یہ وہ چیزیں ہیں جن پر آپ کو نوٹس لینا چاہئے۔ اگر آپ کی کمپنی پہلے ہی پی سی آئی کے ساتھ ان طریقوں اور صنعت کے معیارات پر عمل پیرا ہے ، تو شاید یہ آئی ایس او ہے - مجھے اس بات کا یقین نہیں ہے کہ میں یہ حق کہنے جا رہا ہوں - 27001۔ اگر آپ پہلے ہی کچھ کام کر رہے ہیں تو ، اس کی ضرورت نہیں ہے۔ بہت زیادہ مغلوب نہ ہوں ، لیکن اس کے بارے میں یقینی طور پر آگاہی حاصل کرنے والی چیز ہے۔ لہذا جب آپ اس کی تیاری کرتے ہیں تو ، اس میں ایک دو حصے ہیں ، خاص طور پر ڈیٹا مینجمنٹ میں اور پہلی چیزوں میں سے ایک میں کیٹلاگ ہونا اور اپنے ڈیٹا کی درجہ بندی کرنا ہے - یہ جان کر کہ آپ کا ڈیٹا کہاں ہے۔ اور ایسی دنیا میں ، ایک ہائبرڈ دنیا ، جہاں ہر جگہ ڈیٹا رہتا ہے: یہ بادل میں ہے۔ یہ ان ایپس میں ہے؛ یہ سیلز فورس میں ہے۔ یہ کسی دوسرے بے ترتیب پروگرام میں ہے جس میں مارکیٹنگ بھی استعمال کر رہی ہے ، آپ جانتے ہو ، آپ کے کسٹمر سسٹم یا آپ کی انوینٹری سسٹم - ان تمام اقسام کی جگہیں۔ جانیں کہ آپ کا ڈیٹا کہاں ہے اور کرنا سب سے آسان کام۔ اور یہ ڈیٹا مینجمنٹ کا واقعی ایک تفریحی علاقہ رہا ہے ، کیا یہ ان ڈیٹا کیٹلاگ کے تصورات ہیں جن میں ذہانت موجود ہے ، یہاں تک کہ مشین سیکھنے کی درجہ بندی بھی کچھ معلومات ہے۔
اور ایک بار پھر ، میٹا ڈیٹا - میں نے بتایا کہ میٹا ڈیٹا ایک بار پھر ٹھنڈا ہو رہا ہے ، لہذا واقعی میٹا ڈیٹا کے بارے میں سوچنا اور اس اہم موضوع پر ٹیکہ نہ لگانا جب آپ ڈیٹا لیکس اور اس قسم کی چیزوں کو ڈیزائن کرنا شروع کریں گے ، اور یقینا ان پر حکمرانی اور نگرانی کریں گے۔ لہذا نگرانی بہت زیادہ اہم ہونے والی ہے جب آپ کو واپس جانا پڑتا ہے اور جی ڈی پی آر سے کوئی ، مثال کے طور پر ، آپ سے یہ ثابت کرنے کے لئے کہتا ہے کہ وہ ڈیٹا کہاں گیا ہے ، کس کے پاس ہے ، جس تک اس تک رسائی ہے ، وغیرہ۔ کیونکہ آپ واقعی میں حکام کو ان قسم کی چیزیں دکھانا چاہتے ہیں۔
اعداد و شمار کے انتظام کی پختگی میں آپ کی مدد کرنے کے لئے ، حقیقت میں کچھ مکاتب فکر موجود ہیں ، اور میں یقین کرتا ہوں - میں سو فیصد یقینی نہیں ہوں - مجھے لگتا ہے کہ میں نے رون کے ڈیک میں دیکھا تھا کہ وہ ان میں سے کچھ کا احاطہ کرنے والا ہے ، لہذا میں اس کی بات کروں گا۔ آج کے بارے میں بات کرنے جا رہا ہوں سی ایم ایم آئی سے۔ اور یہ ایک ، یہ لوگوں کے لئے دستیاب ہے۔ اس میں ڈیٹا مینجمنٹ کی چھ مختلف اقسام ، 25 عمل کے علاقوں ، 414 پریکٹس بیانات اور 596 مختلف کام کی مصنوعات کا احاطہ کیا گیا ہے۔ لہذا جب آپ صرف ان تمام چیزوں کے بارے میں سوچتے ہیں ، جیسے آپ 596 فنکشنل ورک پروڈکٹس کا انتظام اور آرکیٹیکچنگ کرتے ہیں تو ، آپ کو احساس نہیں ہوتا ہے کہ آپ نے کتنا کام کیا ہے ، ٹھیک ہے؟ یا جو آپ واقعی میں نہیں کر رہے ہیں۔ جب میں اس طرح کی ایک بڑی تعداد کو دیکھتا ہوں ، تو یہ ان چیزوں میں سے ایک ہے جو واقعی میرے ذہن میں چپکی ہوئی ہے۔ تو اس میں ، اور میں اس خاص چیز کے بارے میں کیا پسند کرتا ہوں ، کیا یہ فن تعمیر اور ٹیکنالوجی غیر جانبدار ہے۔ تو اس کا مطلب یہ ہے کہ اگر آپ کے پاس ہے ، اور زیادہ تر بڑی تنظیمیں جن کے ساتھ میں سالوں سے مشاورت یا کام کیا اور اس پر عمل درآمد کیا ہے ، آپ جانتے ہو ، ان کے پاس ہر طرح کی مختلف ٹکنالوجی موجود ہیں۔ لہذا ، آپ یہ جاننا چاہیں گے کہ DMM کا کیا مطلب ہے اس پلیٹ فارمز اور ٹکنالوجی سے جو آپ اپنے مخصوص ماحول میں استعمال کر رہے ہو۔ یہ صنعت بھی آزاد ہے ، لہذا یہ ضروری نہیں کہ صحت کی دیکھ بھال کے لئے مخصوص ہو ، مثال کے طور پر۔ صحت کی دیکھ بھال یقینی ہے - چاہے وہ بی اے اے ہو یا مختلف قسم کی درجہ بندی ، آپ کو مختلف پروگراموں کی ترجمانی یا دیکھنا ہوگی کیونکہ آپ اپنے پروگرام میں مل کر رہے ہو یا اپنی تنظیم میں اپنے ڈیٹا مینجمنٹ کی پختگی کی سطح کو بہتر بنانے کے منصوبے کو۔
اگر یہ ان چیزوں میں سے کچھ نہ ہو تو یہ کیا ہے؟ بنیادی طور پر یہ اس کی وضاحت کررہا ہے ، لیکن آپ کو یہ خاص طور پر نہیں بتارہا ہے کہ ایسا کرنے کا طریقہ ہے۔ میرے کیریئر کا بیشتر ٹائپ ای شخصیت رہنا ، مجھے اس وقت اچھ meا پسند آیا جب لوگوں نے مجھے ایک گول دیا اور میں یہ جان سکتا ہوں کہ اس مقصد تک کیسے پہنچا جا and اور میں یہ نہیں کہہ سکتا تھا کہ میرا وقت مائیکرو مینجمنٹ کرنا ہے ، وہاں کیسے پہنچنا ہے۔ اسی طرح ڈیٹا مینجمنٹ کی پختگی اور سی ایم ایم آئی کے ساتھ یہ عمل ، اس سے آپ کو اہداف مل رہے ہیں اور یہ آپ کو ان مختلف علاقوں میں اپنے آپ کو پیمائش کرنے کا طریقہ دے رہا ہے۔ اور وہ آپ کو ایک سطح دیں گے۔ آپ اپنے آپ کو اسکور کرنے اور پیمائش کرنے کے مختلف طریقے ہیں ، چاہے وہ سطح پانچ تک برابر ہو ، اس کا مطلب یہ ہے کہ آپ نے اسے بہتر بنایا ہے اور آپ کو واقعتا strong ایک مضبوط پروگرام مل گیا ہے۔
اور آپ کو صرف یہ احساس دلانے کے لئے کہ واقعی اس کا کیا مطلب ہے ، میرے پاس یہاں تھوڑا سا جائزہ ہے کہ اس کا کیا مطلب ہوسکتا ہے۔ لہذا یہاں ، جب آپ ڈیٹا مینجمنٹ میچورٹی پروسیسر لائف سائیکل کے بارے میں سوچتے ہیں تو ، اس میں سپورٹ پروسیسز موجود ہیں ، ضرورتوں ، رسک مینجمنٹ سے لے کر ، آپ کو وہاں ڈیٹا گورننس تک عمل کی حمایت کرنی ہوگی اور میں مہربان ہوں اس پر چمکانے کی ، لیکن بنیادی طور پر ڈیٹا گورننس ایک اور پورا پروگرام ہے۔ بزنس لِک لغت ، ہم نے ہمیشہ کے لئے کاروباری لغتوں اور ڈیٹا آرکیٹیکٹس کے بارے میں بات کی ہے - یہ ایسی چیز ہونی چاہئے جو آپ کے پاس اپنی تنظیم میں ہو۔ ان کیٹلاگ میں سے کچھ قسم کی ٹکنالوجی ، وہ بنا رہے ہیں ، ایک کاروباری لغت تیار کرتے ہوئے معلومات کو ہجوم بناتے ہیں اور لے جاتے ہیں اور کیا نہیں اور کیا آپ جانتے ہیں ، اسی ڈیٹا کے مختلف نقطہ نظر سے دستاویزات میں روابط ڈالتے ہیں ، اعداد و شمار کے شعبے میں۔ ، یا اعداد و شمار کا ورژن جیسے ہی اس کی قیمت کے زندگی کے دور میں تبدیل ہوتا ہے۔
یہ ایسی قسم کی چیزیں ہیں جو میں نے اپنے کیریئر میں شروع کی ہیں اس سے کہیں زیادہ بہتر ہوچکی ہیں۔ ہمیں ماضی میں اس قسم کی چیزوں کو کرنے کے لئے گھریلو نظام تیار کرنا ہوتا تھا۔ لہذا ہم پوری اور بڑی تصویر کو دیکھ رہے ہیں ، یہ حکمت عملی ہے اور پھر یہاں انتظامیہ سے لے کر حکمرانی کے معیار تک کے تمام مختلف ٹکڑے۔ اور اعداد و شمار کے معیار پر ایک چیز ، یہ دلچسپ ہے کیوں کہ صنعت زیادہ خودکار ہوجاتی ہے اور ہمارے پاس ، یہ ڈیجیٹل عمل خودکار فیصلہ سازی کے ساتھ ہوتا ہے۔ میں ڈیٹا سائنس اسپیس میں بہت زیادہ کام کر رہا ہوں جہاں ہمارے پاس ان میں سے کچھ ٹولز آتے ہیں فیصلوں کو خود کار بناتے ہیں اور اڑتے وقت پیش گوئی کرنے والے ماڈل کو اپ ڈیٹ کرتے ہیں۔ ان میں سے بہت سارے ٹولز اور الگورتھم کی ضرورت ہوتی ہے اور فرض کریں کہ ڈیٹا اچھا ہے۔ آپ کو خود بخود فیصلہ کرنے کیلئے اعداد و شمار کی ضرورت ہوتی ہے۔ لہذا اس بارے میں سوچتے ہوئے ، آپ جانتے ہو گے ، عام طور پر اعداد و شمار کا معیار ان چیزوں میں سے ایک ہوتا ہے جن کو لوگ برش کرتے ہیں اور اسے بہت سنجیدگی سے نہیں لے رہے ہیں۔ لیکن ایک بار جب آپ پیش گوئی کرنے والے ماڈلنگ اور مشین لرننگ کے ل models ماڈل میں خودکار فیصلہ سازی شروع کردیں تو ، ڈیٹا کا معیار واقعی اہم ہوجاتا ہے۔
یہاں آپ کی پیشرفت کی پیمائش کرنے کے کچھ طریقے یہ ہیں - اور میں رون کو اس سے بات کرنے دوں گا ، اس کے سیشن میں بھی اس کی ایک خوبصورت سلائڈ ہے۔ میں آپ کو بس ایک تیز چپکے سے چوٹی دینے والا ہوں ، آپ جانتے ہو ، اس میں یہ مختلف سطحیں ہیں۔ بنیادی طور پر یہ خود تشخیص ہے ، ٹھیک ہے؟ لہذا آپ اپنے ڈیٹا گورننس اور جو آپ کے خیال میں آپ کے پاس کچھ بھی موجود ہے اس پر نظر ڈالیں گے۔ اور اگر آپ ایسا نہیں کرتے تو شرمندہ نہ ہوں۔ جیسا کہ میں نے کہا ، واقعی میں صرف 33 فیصد تنظیمیں ہیں جنھوں نے اس قسم کی چیزیں کرنا شروع کردی ہیں۔ اس کے باوجود ، آپ جانتے ہو ، اس طرح کے پروگرام کم از کم ہوتے رہے ہیں - میں انڈسٹری میں 20 سال سے زیادہ رہا ہوں اور یقینا I میں برسوں پہلے اس قسم کی چیزیں کر رہا تھا ، شاید ہم نے اسے صرف اس لئے نہیں کہا تھا۔ سی ایم ایم آئی ، ان کے پاس ایک مشق ہے جس کا آپ خود اندازہ کرسکتے ہیں اور آپ اس طرح کے راڈار چارٹ میں ان تمام مختلف زاویوں یا چیزوں کی درجہ بندی کر سکتے ہیں۔ اور ہر تنظیم ، جیسا کہ میں نے مختلف کیا ہے ، آپ جانتے ہو ، جب میں ان منصوبوں کی مشاورت اور ان پر عمل درآمد کرتا تھا ، آپ جانتے ہو ، ہر تنظیم الگ الگ ہے۔ وہ ایسے علاقے ہوں گے جو واقعتا، ان کے ل important واقعی اہم ہوں گے۔ ہوسکتا ہے ، آپ جانتے ہو ، یہ پروسس مینیجمنٹ ہے یا اس کا کوالٹی مینجمنٹ ہے یا اس کے خطرات ہیں - اس پر منحصر ہوتا ہے کہ یہ کیا ہے ، لیکن آپ بنچ مارک یا بیس لائن دیکھنا اور بنانا چاہیں گے ، اور پھر اس کے بارے میں بھی سوچیں گے کہ اس کی کامیابی کی وضاحت کیا ہے۔
اس پر ، جب آپ ان اقسام کی پیمائش کرنے اور ان پر حکمرانی کرنے کے بارے میں سوچ رہے ہو تو ، آپ پہلے اس طرح کے پروگرام کے لئے کچھ ایگزیکٹو اسپانسرشپ کو محفوظ بنانا چاہیں گے۔ یہ وہ چیز ہے جو پوری تنظیم میں ایک دوسرے کے ساتھ کام کرنے والی ہے ، لہذا یہاں تک کہ اگر سوسی کیو اور جان سمتھ ، وہ یہ فیصلہ کرتے ہیں کہ "یوپ ، آئیے یہ کام کریں۔ ہمیں ایسا کرنے کی ضرورت ہے ،" وہ ایسا نہیں کرسکتے ہیں جس میں وہ کام کریں۔ ان کی تنظیم ، یا چاہے یہ آئی ٹی ہو۔ آپ کو واقعی یہ خریداری کاروبار اور اعداد و شمار کے مضامین کے ماہرین سے کرنی ہوگی۔ انہیں کچھ وقت درکار ہے۔ وہ نہیں چاہتے کہ یہ صرف ایک اضافی کام ہو۔ اگر آپ نے کبھی کام کیا ہے - مجھے لگتا ہے کہ میں نے ماسٹر ڈیٹا مینجمنٹ کے کچھ کام ، اس سے پہلے کے پروجیکٹس ، اور ڈیٹا کے معیار کو انجام دیا ہے - اور عام طور پر ، آپ جانتے ہو ، آپ کاروبار پر پہنچ جاتے ہیں اور وہ ، "اوہ ، ڈیٹا اسٹوریشپ۔" کسی چیز کے بارے میں وہ پرجوش ہیں اور وہ ایسے ہی ہیں ، "اوہ ، نہیں۔ ہمیں اس کے لئے وقت درکار ہے ، اور وہ ایسا کرتے ہیں۔ لہذا آپ کو کچھ وقت کا عہد کرنا ہوگا۔ آپ کو یہ برکت اوپر سے حاصل کرنے کی ضرورت ہوگی۔ آپ چاہیں گے کہ یہ عملی طور پر کام کرے۔
ایک بار پھر ، یہ واقعی تنظیم کے بہت سے شعبوں کو چھوتی ہے۔ اور جی ڈی پی آر کے ساتھ ، اس کو قدرے آسان بنانا چاہئے کیونکہ ، پھر ، جی ڈی پی آر کے قوانین اور جہاں وہ ذاتی ڈیٹا آپ کے صارفین کے لئے استعمال ہوتا ہے اور آپ کی پوری تنظیم میں استعمال ہوتا ہے ، اگر آپ اسے استعمال کرتے ہیں تو ، اس میں تھوڑا آسان ہونا چاہئے ، اگر آپ کے پاس جی ڈی پی آر پر عمل پیرا ہونا۔ یہاں زبان بندھ جانا۔ آپ کے لئے ایسا کرنا آسان ہونا چاہئے۔ آپ کچھ ذمہ داری تفویض کرنا چاہیں گے اور پھر دیکھیں گے ، آپ جانتے ہیں ، آپ ان کو اپنی مرضی کے مطابق کرنے جارہے ہیں۔ لہذا آپ ہمیشہ ان اقسام کی رہنمائی کو دیکھتے ہیں جو یہ تنظیمیں فراہم کرتی ہیں ، اور عموما they یہی وہ ہوتے ہیں: وہ آپ کے لئے رہنما اصول ہیں اور آپ اپنی تنظیم میں اپنی ثقافت کے لئے عملدرآمد کرنے جارہے ہیں۔
حکمرانی میں کام کرنا واقعی میں ایک بہت اہم رہا ہے ، ان میں سے ایک چیز جو میں نے مائیکرو سافٹ میں دنیا بھر میں پروڈکٹ مینجمنٹ کے دوران تیار کی تھی وہ ایک سیلف سروس BI تھی اور کاروباری صارف اور غیر تکنیکی ڈیٹا صارف کو اہل بنانا تھا ڈیٹا کے ساتھ کھیلنا اور اپنی رپورٹیں تخلیق کرنا ، اور اس سے بہت زیادہ وقت پیچھے ہٹ جاتا ہے۔ لہذا میں نے اس حکمرانی اور اس بات کو یقینی بنانے میں بہت زیادہ وقت گزارا ہے کہ مصنوعات میں صحیح خصوصیات اور آڈٹ اور لاگنگ ہوگا اور ، آپ جانتے ہو ، تاکہ وہ ایسا بنائے کہ وہ ڈیٹا بیس کو فی سیکنڈ میں نہیں لائیں گے۔ لیکن ایک فریم ورک ہے جو ، آپ جانتے ہو ، اس طرح کی چیزوں کے اس مخصوص موضوع پر سالوں میں کام کر رہے ہیں جو ڈیٹا مینجمنٹ کے ساتھ بھی واقعی مماثل ہے۔ آپ اس بنیاد کو حاصل کرنا چاہیں گے جو اس کے لئے ایگزیکٹو اسپانسرشپ کے ساتھ قائم کی گئی ہے ، اور آپ کو یہ کاروبار اور آئی ٹی کے درمیان وابستگی چاہیں گے۔
تو ، پھر ، ہم نے بجٹ / وقت مختص کرنے اور نئے عمل کو ترقی دینے کے بارے میں بات کی۔ جب آپ ان میں سے کچھ کام کرتے ہیں تو ، یہ آپ کو معلوم ہوگا ، اعداد و شمار کو دیکھنا شروع کریں گے۔ لیکن آپ جانتے ہو ، ایک بار پھر ، اسٹریٹجک نقطہ نظر سے یہ بہت اہم ہے۔ اور آپ کو احساس دلانے کے لئے ، یہاں ایک مثال ہے ، اور میں نے اس طرح کی چیزوں پر برسوں پہلے سے اپنے ایک پرانے پروجیکٹ سے صاف کیا۔ اور ایک بار پھر ، یہ شاید عمومی گورننس کے نقطہ نظر سے کہیں زیادہ ہے ، لیکن یقینی طور پر آپ کے ڈیٹا مینجمنٹ کے عمل کو منظم اور تیار کرنے اور ان پر حکمرانی کے ساتھ ان قسم کے منصوبوں کے لئے دوبارہ استعمال کیا جاسکتا ہے۔ آپ کے پاس بزنس سبجیکٹو ماہر ہے ، ہمارے پاس یہاں ڈیٹا اسٹورڈز موجود ہیں ، آئی ٹی مضامین کے ماہرین ، آپ جانتے ہو ، مختلف کاروبار کے لئے۔ بہت سی کمپنیاں جو آپ سے بڑی ہیں آپ کے انٹرپرائز اسٹینڈرڈ بورڈ اور آپ کے انٹرپرائز آرکیٹیکٹس اور ڈیٹا آرکیٹیکٹس اور ماڈلر وہاں موجود ہوں گے۔ تو وہاں مختلف سطح کے کچھ مختلف موضوعی ماہر ہوں گے۔ اور ایک بار پھر ، ان میں سے بہت ساری چیزیں - مجھے اس کی مثال کے طور پر لینا نفرت ہے - وہ آپ کی تنظیم اور آپ کی ثقافت کے مطابق ہوں گے۔
ان میں سے ایک چیز جب آپ ان پروجیکٹس کے ساتھ کام کر رہے ہو ، پھر یہ بہت زیادہ مرتبہ ہے جو شاید تنظیموں کا سب سے زیادہ دلچسپ منصوبہ نہیں ہے ، جتنا کہ لوگ چاہتے ہیں نہیں۔ یہ بات مضحکہ خیز ہے ، یہ ان چیزوں میں سے ایک ہے جب ، جب مشورتی فرم آپ کے اپنے آئی ٹی گروپ میں آتا ہے یا یہاں تک کہ آپ کا BI سینٹر آف ایکسیلنس گروپ آتا ہے یا آپ کے تجزیاتی مرکز کا مرکز آتا ہے اور ہم اعداد و شمار پر کام کر رہے ہیں۔ کوالٹی اور ڈیٹا مینجمنٹ پختگی ، وہ ایسا کرنے کے لئے حیرت انگیز طور پر پرجوش نہیں ہوسکتے ہیں۔ لیکن آپ کو ان کی حوصلہ افزائی کے ل ways طریقے ڈھونڈنے اور ان کی پیمائش میں شامل کرنے کی ضرورت ہے۔ لہذا جب آپ سوچتے ہیں کہ یہ کیا ہونے جا رہا ہے ، تو اس مشق کو ایک بار کرنا ایک چیز ہے اور آپ لوگوں کو سوار ہوجاتے ہیں۔ اور آپ کو معلوم ہوگا کہ وہ ڈیٹا کیٹلاگ کو پسند کرتے ہیں یا ان میں سے کچھ سے انھیں پسند ہے کیوں کہ اس سے ان کی زندگی آسان ہوجاتی ہے اور وہ اس کو تلاش کرسکتے ہیں کہ اعداد و شمار کا کیا مطلب ہے یا اس کو سمجھ سکتا ہے ، اور وہ اس میں اپنا نقطہ نظر جوڑ سکتے ہیں۔ اور بات یہ ہے کہ ، لوگوں کو واقعی اس سے پیار کرنے میں مدد کرنے کے لئے ڈیٹا کیٹلاگ شاید سب سے بڑے منصوبوں میں سے ایک ہیں۔
تو اگلی بات یہ ہے کہ ان کو مشغول رکھیں۔ آپ کسی کو کیسے مصروف رکھیں گے کہ شاید انہیں اس کی پرواہ ہی نہ ہو؟ اس نے کچھ میٹرکس کی وضاحت کی ہے اور اس میں ان کی پیمائش کی ہے ، اور پھر جب کچھ خلاف ورزیوں اور آگاہی کا سامنا کرنا پڑتا ہے تو یہ کچھ سیکھنے کو فراہم کرتا ہے کہ ، "ارے ہم تھوڑی دیر کے لئے بہت اچھے کام کر رہے تھے اور پھر تھوڑی دیر کے بعد اتنا اچھا نہیں تھا۔" ایسی چیزوں کی ہیں جو اسے جاری رکھنے کے لئے سوچتے ہیں۔ اور پھر جب آپ اسکور کرنے کے بارے میں سوچتے ہیں ، اور یہ سی ایم ایم آئی کی ایک مثال ہے ، تو اس نے اسے اسکور کیا۔ ایک بار پھر آپ اپنے ڈیش بورڈز ، آپ کے اپنے KPIs لینے جا رہے ہیں ، آپ جانتے ہو ، لوگوں کو کسی تنظیم میں پیمائش کرنے کے مختلف طریقے ہیں۔ لیکن آپ کی کامیابی کو اسکور کرنے اور پیمائش کرنے کے لئے آپ کے پاس مختلف طریقے ہیں۔ میری کلیدی بات یہ ہے کہ آپ کو اس سے دور ہونا چاہئے ، یا اس سے دور ہونا ایک ہک اس بات کو یقینی بناتا ہے کہ آپ کے پاس کامیابی کی پیمائش کرنے کا ایک طریقہ ہے اور آپ اپنی کامیابیوں کو بھی منا سکتے ہیں۔
تو اس کے ساتھ ، میں اس کی تعریف کرتا ہوں کہ آپ نے اس دلچسپ موضوع کے ل hung وہاں پھانسی دے دی ہے ، اور میں رون کی طرف جاؤں گا ، جو قدرے گہرائی میں کھودنے والا ہے۔
رون ہوازنگا: ٹھیک ہے ، جین۔ اور آج ، ہمارے ساتھ شامل ہونے کے لئے ، سب ، آپ کا شکریہ۔ میں اب جین کی بات کی گئی باتوں کے ایک دو پہلوؤں کو لینے جاؤں گا اور مخصوص علاقوں پر تھوڑا سا گہرا جاؤں گا۔ لیکن میں یہ بھی کرنے جا رہا ہوں کہ اس طرح کا ایک خلاصہ فراہم کیا جاسکے کہ آپ کم از کم ان علاقوں میں سے ایک اعلی سطحی خود تشخیص کی ایک قسم بھی کرسکتے ہیں۔ کیونکہ جیسا کہ آپ نے سی ایم ایم آئی ماڈلز اور اس قسم کی چیزوں کے ساتھ دیکھا ہے ، آپ بہت سارے مختلف اشارے کے ساتھ بہت تیزی سے جا سکتے ہیں۔ لہذا ہم واقعتا to کچھ حاصل کرنا چاہتے ہیں تاکہ آپ کو اچھ youی احساس مل سکے جہاں آپ کی تنظیم کافی اونچے درجے پر ہے اور پھر دوسرے کو ڈھونڈنا شروع کردیتی ہے۔ تو اس کے ساتھ میں تنظیمی تاثیر کے بارے میں بات کرنے جا رہا ہوں۔ اور میں اس بات کو بنیاد بنا رہا ہوں کہ سی ایم ایم آئی اور کچھ دوسرے معیارات یا علم کے اداروں جو سالوں سے اس طرح سے سامنے آئے ہیں۔ اور پھر میں ڈیٹا کی پختگی اور عمل کی پختگی کے ل some کچھ پختگی کے اشارے کے بارے میں بات کرنے جا رہا ہوں کیونکہ ، جب ہم اس سے گزرتے ہیں تو ، آپ دیکھیں گے کہ وہ آپس میں ہاتھ ملا رہے ہیں۔ اور نقطہ نظر کی حمایت کرتے ہوئے ، جین نے ایک علاقے میں گورننس کے بارے میں بات کی۔ اور میں انٹرپرائز فن تعمیر کے بارے میں بھی تھوڑی بہت بات کرنے جا رہا ہوں۔ اور پھر ہم اس کا خلاصہ کریں گے اور خود ہی گول میز پر پہنچیں گے۔
اگر ہم اس پر نگاہ ڈالیں تو ، بہت سارے معیارات اور BOK موجود ہیں - جو در حقیقت علم کے جسم ہیں - جو برسوں کے دوران شائع ہوتے رہے ہیں۔ ان میں سے بہت ساری حقیقت میں پختگی ماڈل کی صلاحیت سے نکلی ہے۔ اور یہ وہ جگہ ہے جہاں سے سی ایم ایم آئی کی بات کی جارہی تھی۔ سی ایم ایم ماڈل خود دراصل 1998 میں تھا۔ یہ دراصل واٹس ہمفری نامی ایک شریف آدمی نے اس وقت شروع کیا تھا جب وہ آئی بی ایم کے ساتھ تھے۔ ان کا آئی بی ایم میں 27 سالہ کیریئر تھا۔ لیکن اس خاص ماڈل کی اس کی حقیقی سرگرم نشوونما اس وقت شروع ہوئی جب وہ کارنیگی میلن میں تھے اور اس پر امریکی محکمہ دفاع نے کام شروع کیا تھا۔ اس سے اخذ کرنے کے لئے بہت سارے دوسرے معیار استعمال کیے گئے ہیں۔ اور اس صنعت کے بارے میں جاننا بہت اچھی بات ہے جب جب ہم اس کے بارے میں دوسرے کچھ معیارات پر بات کرتے ہیں تو ، جب ہم اس کے اوقات کو دیکھیں تو یہ ان چیزوں کے پس منظر کے بھی خلاف ہے جو ہم عام طور پر صنعت میں دیکھ رہے تھے۔ یہ وہ وقت تھا جب خاص طور پر مینوفیکچرنگ میں ، معیاری تحریک واقعی میں پکڑنے لگی تھی ، اور یہ دوسرے علاقوں میں پھیل گئی۔ جہاں ہم مینوفیکچرنگ کے عمل کو بہتر بنانے کے طریقوں کی تلاش کر رہے تھے ، ایسے کام کرتے جیسے کل کوالٹی مینجمنٹ ، صرف وقتی طور پر مینوفیکچرنگ اور دیگر چیزیں۔ اور بہت سارے فلسفے جو اس سے نکلے ہیں وہ پورے معیار کے کام میں آ گئے۔
اور یہ واقعی ایک ایسی جمپنگ اسپاٹ ہے جہاں سے ان چیزوں کا ایک بہت آغاز ہوا۔ اس کا آغاز عام صنعت میں ہوا اور اس نے آئی ٹی اور ڈیٹا اور عمل اور انفارمیشن سسٹم میں بھی قدم رکھا۔ دوسرے معیارات جو ہم دیکھتے ہیں وہ کچھ چیزوں سے زیادہ قریب سے وابستہ ہیں یا زیادہ مخصوص ہیں جن کے بارے میں ہم بات کر رہے ہیں وہ یقینا the ڈیٹا پختگی ماڈل ہے ، جس کے بارے میں جین نے تھوڑی بہت بات کی تھی۔ آبجیکٹ مینجمنٹ گروپ کے ذریعہ کاروباری عمل کی پختگی کا ماڈل بھی ہے۔ اور متعدد دوسرے معیارات جن سے آپ نے دیکھا ہوگا کہ آپ کی تنظیم کاروبار کے مختلف شعبوں ، خصوصا آئی ٹی کارفرما ، جیسے COBIT کے ساتھ ، جو انفارمیشن اور ٹکنالوجی ، آئی ٹی آئی ایل ، جو عام طور پر انفراسٹرکچر ہے کے لئے کنٹرول ہے توجہ مرکوز ، جس میں آپ میں سے بہت سے لوگوں نے نمٹا دیا ہو۔ ایک بار پھر ، کل کوالٹی مینجمنٹ۔ اور خاص طور پر جب آپ میٹرکس اور ہر چیز جیسی چیزوں میں داخل ہوجاتے ہیں تو ، آپ نے اعدادوشمار پر مبنی عمل جیسے کنٹرول کو بھی کام کرتے دیکھا ہوگا۔ اور پھر یقینا. ، ہم جن علموں کے ساتھ معاملات کرتے ہیں ان میں سے کچھ معلومات یا آئی ٹی پروفیشنلز ہیں۔ ڈیٹا مینجمنٹ باڈی آف ڈیولیم۔
اس کے برابر بھی ، علم کا کاروبار تجزیہ۔ اور علم کے پروجیکٹ مینجمنٹ باڈی۔ آپ کو ان تنظیموں میں ایک ہی وقت میں مختلف اسٹیک ہولڈرز استعمال کرنے میں ان میں سے کئی یا زیادہ چیزیں ہوسکتی ہیں۔ لیکن چلو BOK کے ذریعہ ایک طرح کا فلٹر نکالیں اور آئیے واپس جاکر یہ کہتے ہیں کہ پختگی کیا ہے؟ اور ہم سمجھدار کی تعریف کو فہرست میں لاتے ہیں کیونکہ ، جب آپ پوچھتے ہیں کہ پختگی کیا ہے ، جب آپ اسے لغت میں دیکھیں تو اس کا اصل مطلب یہ ہوتا ہے کہ "آپ سمجھدار ہیں۔" لہذا لفظ "بالغ" کا استعمال کرتے ہوئے اس کا مطلب واقعی ترقی یافتہ تک پہنچنا ہے۔ ترقی کا مرحلہ - بے شک ، بہت عام۔ لیکن جو ہم واقعتا here یہاں دیکھ رہے ہیں وہ آگے بڑھا رہا ہے کہ جب ہم گزر رہے ہیں تو ہم کامیابی کے اعلی اور اعلی سطح پر کیا کر رہے ہیں۔ اور جب آپ بہت سارے معیارات کو دیکھیں گے ، جیسا کہ آپ دیکھیں گے ، خاص طور پر سی ایم ایم آئی اور قابلیت کی پختگی ماڈل واقعتا based پانچ نکاتی پیمانے پر مبنی چیزوں پر مبنی ہے ، تو یہ ہمیں بتدریج دیکھنے اور کہنے کا راستہ فراہم کرتا ہے ، کہ یہ کیسے ہیں ہم واقعی اس پیمانے پر تیار ہو رہے ہیں کہ ہم کس طرح بڑھ رہے ہیں؟
جب ہم پختگی کی طرف دیکھ رہے ہیں ، ان چیزوں میں تنظیمی پختگی کو حاصل کرنے کے معاملات میں جن میں ہم دلچسپی رکھتے ہیں تو ، ہمیں توازن قائم رکھنے کی ضرورت ہے۔ آپ کو ڈیٹا کی پختگی کو حاصل کرنے کی ضرورت ہے ، اور ہم آپ کو ان معیارات میں سے کچھ کے بارے میں بات کریں گے جو آپ کو وہاں کرنا ہے ، لیکن آپ کو بیک وقت عمل کی پختگی کو حاصل کرنے کی ضرورت ہوگی۔ وہ ایک ہی سکے کے دو رخ ہیں اور انہیں ایک دوسرے کے ساتھ مل کر جانا ہے۔ آپ اپنے عمل کی پختگی کو بڑھاائے بغیر ، ڈیٹا پختگی پیمانے پر صفر سے پانچ تک نہیں جاسکتے ہیں ، اور عمل کی پختگی کا بھی یہی حال ہے۔ وہ دونوں ایک دوسرے کے ساتھ شامل ہوئے اور وہ ایک دوسرے کو سواری کے ساتھ کھینچتے ہیں کیونکہ آپ واقعی مختلف مراحل سے گزر رہے ہیں۔ اور میں اس کے بارے میں مستقبل کی سلائیڈ میں تھوڑا سا مزید بات کروں گا۔ ہمیں جو دوسری چیزوں کا ادراک کرنا ہے وہ ہے ڈیٹا اور عمل کی پختگی دونوں کو حاصل کرنا انٹرپرائز فن تعمیر کے لئے بنیادی اور گورننس کی کچھ چیزوں کے بارے میں جن کے بارے میں بھی بات کر رہا تھا اس کے لئے بنیادی ہیں۔ ہم ان میں سے کچھ چیزوں میں پختگی کے حصول کے ذریعہ ان کو اہل بناتے ہیں جو ہم کرنے کی کوشش کر رہے ہیں۔
اب جن سلائیڈ پر جین نے کہا کہ میں اس کے بارے میں کچھ اور تفصیل سے بات کرنے جارہا ہوں۔ میں نے یہاں سی ایم ایم اسکیل کا استعمال کرتے ہوئے صرف کچھ زمرے لئے ہیں ، اور میرے پاس حقیقت میں اپنا ایک پیمانہ ہے ، پیمانے کے اوپر ، میں واقعی میں ایک صفر شامل کرتا ہوں کیونکہ ایسی کچھ واقعات ہوسکتی ہیں جہاں آپ واقعی میں نہیں بنا ہو۔ ان مثالوں میں کوئی بھی کرشن تو یہ پہچاننے کے صرف طریقے ہیں جو واقع ہوئے ہیں۔ لہذا اگر ہم خاص طور پر ڈیٹا گورننس کو دیکھیں تو آپ صفر سے شروع ہوسکتے ہیں کیونکہ آپ کے پاس ڈیٹا گورننس کا کوئی پروگرام موجود نہیں ہے۔ اور جیسے ہی آپ مختلف علاقوں میں پختہ ہونا شروع کردیتے ہیں ، ایک بار جب آپ اسے کسی پروجیکٹ کی سطح پر متعارف کروانا شروع کردیتے ہیں ، پھر ایک پروگرام کی سطح پر ، ڈویژنوں کے ذریعے اور آخر کار انٹرپرائز وسیع ، اس طرح ، حکمرانی کے نقطہ نظر سے ، آپ واقعی پختگی اور بڑھتے ہو as جیسا کہ آپ کرتے ہو ایک تنظیم۔
اس کے دوسرے پہلو ، جیسے ماسٹر ڈیٹا مینجمنٹ ، آپ صفر سے شروع ہوسکتے ہیں بغیر کوئی باقاعدہ معاملہ ڈیٹا کی درجہ بندی۔ پھر آپ اس مقام پر پہنچیں گے ، جہاں آپ کو پہچانا جائے گا کہ آپ کے پاس ماسٹر ڈیٹا ہے اور آپ درجہ بندی کرنا شروع کر رہے ہیں ، لیکن یہ مربوط نہیں ہے۔ پھر آپ مربوط اور مشترکہ ذخیروں کی طرف کام کرنا شروع کردیں۔ پھر جب آپ معیاری ماحول میں داخل ہوں گے ، تب آپ ڈیٹا مینجمنٹ کی خدمات فراہم کرنے کی تلاش کر رہے ہوں گے۔ اور جیسے جیسے آپ وہاں آگے بڑھیں گے ، آپ ماسٹر ڈیٹا اسٹیورڈز اور بالآخر ایک ڈیٹا اسٹیورشپ کونسل قائم کرنے جارہے ہیں جو واقعتا all ہر وقت اس کو سنجیدگی سے دیکھتا ہے۔ جب آپ اپنے تکنیکی ماحول اور ایپلی کیشنز اور ڈیٹا بیس کو دیکھیں جو آپ کے پاس ڈیٹا انٹیگریشن کے نقطہ نظر سے ہیں ، پھر ، ایک نادان ماحول میں ، آپ کے پاس متعدد ایڈہاک ، پوائنٹ ٹو پوائنٹ انٹرفیس اور اس قسم کی خصوصیات ہوں گی۔ چیز. اور جیسے جیسے آپ ترقی کرتے ہو ، آپ کو کچھ عام اوزار اور معیار متعارف کروانا شروع کردیں گے۔ اس کے بعد ، آپ عام انضمام کے پلیٹ فارمز کو دیکھنا شروع کردیں گے جب آپ اس میں اضافہ کریں گے۔ اور جیسے ہی آپ معیاری ہوجائیں ، آپ معیاری مڈل ویئر اور ممکنہ آسان چیزوں جیسے کام کریں گے جیسے انٹرپرائز سروس بسیں ، کیننیکل ماڈل ، اپنے تمام ڈیٹا کو اپنی تنظیم میں درجہ بندی کریں ، اور اپنے ذخیرے میں کاروباری قواعد جیسی چیزوں میں بھی کام کریں گے اور اس طرح کے کام کریں گے۔ چیز کی. اور پھر اور بھی جانا جہاں آپ اسے تنظیمی ثقافت میں مکمل طور پر سرایت کرتے ہیں۔ اور ظاہر ہے ، معیار بہت اہم ہے۔ جین نے جس طرح بات کی ، بہت سارے فیصلے اور بہت سارے ٹولز جو وہاں موجود ہیں ، فرض کریں کہ آپ کے پاس اعلی معیار کا ڈیٹا ہے جس کے ساتھ آپ کام کر رہے ہیں۔ لہذا ڈیٹا کا معیار ایسی چیز ہے جو اعداد و شمار کی پختگی کے حصول کی بنیادی بنیاد ہے۔
ایک بار پھر ، جب آپ اعداد و شمار پر نگاہ ڈالتے ہیں تو ، آپ کے پاس ناپائید ماحول میں بہت سیلوس اور بکھرے ہوئے ڈیٹا ہوسکتے ہیں۔ آپ کو متضاد ہوسکتے ہیں جو قبول ہوچکے ہیں۔ اور پھر آپ اس میں کام کرنا شروع کریں گے ، متضاد کو پہچانیں گے اور پھر منصوبہ بندی کی طرف دیکھنا شروع کریں گے۔ اور اگر آپ یہاں زیر انتظام ماحول کو دیکھیں تو یہاں فیصلہ سازی میں ڈیٹا کو استعمال کرنے کے لئے کھپت کے وقت ڈیٹا صاف کرنا ہے۔ تو ہم واقعتا data وہاں کے بارے میں بات کر رہے ہیں جہاں ڈیٹا کی صفائی ہوتی ہے ، جہاں ہم اسے ڈیٹا گوداموں اور فیصلہ سازی کے دوسرے اوزاروں میں لادیتے ہیں۔ اور یہ وہی چیز ہے جو ہم ڈیٹا مینوفیکچرنگ کی صنعت میں دیکھتے تھے جہاں لوگ مصنوعات تیار کرتے تھے ، وہ اسمبلی لائن سے نیچے جاتے اور اس کے اختتام پر ، آپ اس پروڈکٹ کا معائنہ کرتے اور جاتے ، "اوہ ، ہمارے یہاں نقائص ہیں۔ ایک بار پھر ، ایک چیز جو آپ کبھی نہیں کرسکتے ہیں وہ یہ ہے کہ آپ آخر میں کسی مصنوعات کے معیار کا معائنہ کرکے اس کو بہتر نہیں کرسکتے ہیں۔ آپ اس میں پریشانیوں کو دیکھ سکتے ہیں اور پھر آپ اگلے اور اس کے بعد آنے والے دوسرے مسائل کی اصلاح کے ل measures اقدامات کرسکتے ہیں ، لیکن آخر میں اس کا معائنہ کرکے آپ اسے کبھی بہتر نہیں کرسکیں گے۔ لہذا یہیں سے ، جیسے ہی آپ آگے بڑھتے ہیں ، خاص طور پر اعداد و شمار کے مطابق ، آپ کھپت کی جگہ پر ایک معائنہ اور صفائی کے نقطہ نظر سے کہیں زیادہ منتقل ہوجاتے ہیں جہاں سے آپ اس مقام کو تیار کرنے کی کوشش کرتے ہیں ، جہاں سے آپ پکڑتے ہیں۔ اعداد و شمار ، وہ عمل جو اس ڈیٹا پر عمل کرتے ہیں ، اس بات کو یقینی بناتے ہیں کہ وہ ڈیٹا درست ہے اور پورے عمل میں ہر عمل میں استعمال کے ل fit فٹ ہے۔ جوں جوں آپ اور بھی ترقی کرتے ہو ، آپ کوالٹی کے پی آئی تیار کرنا اور حاصل کرنا شروع کردیتے ہیں اور جب آپ آگے بڑھتے ہیں تو اعداد و شمار کے معیار تک اس روک تھام کے نقطہ نظر کو تیار کرنا شروع کردیتے ہیں۔
تنظیمی طرز عمل یا ان چیزوں کے لحاظ سے جو آپ دیکھ رہے ہیں وہ ہے ، اگر آپ کو یہ نہیں لگتا کہ آپ کو کوئی پریشانی ہے یا آپ کو پتہ ہی نہیں ہے ، تو آپ ہوسکتے ہیں ، اگر آپ کی تنظیم میں کوئی انکار مرحلہ ہے تو ، یہ مجھے بتاتا ہے کہ آپ نیچے ہیں ایک سطح صفر یا ممکنہ طور پر ایک میں منتقل. اگر آپ کے اعداد و شمار کے گرد بہت سے انتشار پائے جاتے ہیں اور ان تضادات کو حل کرنے کی کوشش کر رہے ہیں تو ، آپ شاید کسی سطح پر ہوں گے۔ جب آپ ابھی بھی رد عمل کے موڈ میں ہوتے ہیں تو ، آپ نظم و نسق میں شامل ہو جاتے ہیں ، لیکن آپ اس وقت تک معیاری نہیں بنیں گے جب تک کہ آپ واقعی میں ایک مستحکم اعداد و شمار کے ماحول کو حاصل نہ کریں جس میں حکمرانی ، معیار ، ماسٹر ڈیٹا مینجمنٹ اور ڈیٹا دونوں کو قبول کرلیا جائے۔ انضمام ، محض چند نکات کے نام۔ اور ایک بار پھر ، جب آپ اس سے ماضی کے ہوجائیں ، تب ہی جب آپ واقعتا pro فعال نظم و نسق کے اسٹائل میں جانے لگیں گے۔ اگر آپ اس حصے میں پہنچ جاتے ہیں جہاں آپ کے پاس انتہائی پیش گوئی کی جاتی ہے اور اس کی مدد کرنے کے لئے تجزیات اور کے پی آئی بھی اسے اپنی تنظیم میں بیک اپ فراہم کرتے ہیں ، جب ہم اس پر نظر ڈالیں اور ایک دو چیزوں پر روشنی ڈالیں ، تو کچھ دوسری چیزیں بھی ہیں جو ہم کرسکتے ہیں تنظیموں کے بارے میں دیکھیں اور وہ کہاں ہیں۔ آئیے کسی تنظیم میں آئی ٹی پرائمری فوکس کو دیکھیں۔ اگر آئی ٹی میں آپ کی بنیادی توجہ ابھی تک ٹکنالوجی اور بنیادی ڈھانچے پر مرکوز ہے تو ، آپ شاید پیمانے کے کم پختہ انجام کی طرف گامزن ہیں۔ لیکن جب آپ واقعی معلومات اور انفارمیشن کو قابل بنانے والے اسٹریٹجک کاروباری اہلیت پر توجہ مرکوز کررہے ہیں ، تب آپ پیمانے کے پختہ انجام کے قریب پہنچ رہے ہیں۔ نیز جب آپ اسے ڈیٹا کے نقطہ نظر سے دیکھیں گے ، اگر آپ کم سرے پر ہیں تو ، آپ کو اعداد و شمار کا خطرہ زیادہ ہوتا ہے ، اور اگر آپ اعلی مقام پر ہیں تو ، آپ نے اعداد و شمار سے متعلق خطرہ کو کم کردیا ہے۔ اور اس کا پلٹائو رخ تنظیم کی ویلیو جنریشن ہے۔ اعداد و شمار کی کم مقدار میں پختگی کا مطلب ہے کہ آپ کے پاس قدر کی قیمت کم کرنے کی سطح کافی کم ہے ، خاص کر اس اعداد و شمار کے لحاظ سے جو آپ کی تنظیم میں موجود ہے۔ اور جیسے جیسے آپ پیمانے پر جائیں گے ، آپ کو ایک اعلی قدر کی نسل مل رہی ہے۔
آئیے اس کو خود ڈیٹا ماڈلنگ کے معاملے میں دیکھیں۔ کبھی کبھی ڈیٹا ماڈلنگ سرخ سر والی سٹیچلڈ بن جاتی ہے۔ اور ڈیٹا ماڈلنگ ڈیٹا کی پختگی کے حصول کے لئے بنیادی حیثیت رکھتی ہے۔ لہذا میں صرف اس میں سے کچھ بتانا چاہتا ہوں کہ ڈیٹا ماڈلنگ اس میں کیسے رشتہ جوڑتی ہے۔ اگر یہ صرف چھوٹی ایپس اور اس قسم کی چیزوں کے ل or دستاویزی دستاویزات یا سادہ ، جسمانی ڈیٹا بیس بنانے کے لئے استعمال ہورہا ہے تو ، آپ ڈیٹا کی پختگی کے لحاظ سے شاید کسی سطح پر نیچے ہیں۔ جب آپ مختلف قسم کے ماڈلز کو گلے لگانے اور پہچاننا شروع کرتے ہیں ، بشمول تصوراتی ، منطقی ماڈل اور جسمانی ماڈلنگ جہاں یہ بھی ہے ، آپ جانتے ہو ، بنیادی طور پر آپ ڈیزائن تیار کررہے ہیں۔ آپ واقعی اسے ڈیزائن اسٹینڈ پوائنٹ کے طور پر استعمال کررہے ہیں ، پھر آپ ایک سطح پر ہیں۔
جب آپ اسے زیادہ انٹرپرائز سطح سے دیکھنا شروع کرتے ہیں ، بشمول انٹرپرائز یا کیننیکل ماڈل تیار کرنا ، تصورات کو متعارف کروانا اور متعدد ماڈلز میں باندھنا ، ڈیٹا کا نسب بنانا اور گورنمنٹ میٹا ڈیٹا سیدھے اپنے ماڈلز میں بنانا ، تو آپ اپنے پاس جانے لگیں گے لیول تھری ، اور پھر مکمل گورننس میٹا ڈیٹا ، بزنس لفاظری انضمام ، وغیرہ کی طرف بڑھ رہے ہیں۔ لائف سائیکل اور ڈیٹا کی ویلیو چین کو دیکھنا تب ہوتا ہے جب آپ واقعی میں ایک سطح چار پر آجاتے ہیں۔ اور ایک بار پھر ، کاروباری شعبوں ، میٹا ڈیٹا کے ساتھ مکمل طور پر مربوط ماڈلنگ ، جو خود پیش خدمت تجزیات جیسی چیزوں کو چلانے کے قابل ہو ، واقعتا تب ہی جب آپ کافی حد تک پختہ حالت حاصل کرلیں گے۔
اس کے حصے اور پارسل کے طور پر ، میں ڈیٹا لائف سائیکل کے بارے میں بہت مختصر طور پر بات کرنا چاہتا ہوں۔ اور اس کی وجہ سے میں اس کے بارے میں بات کرنا چاہتا ہوں بدقسمتی سے ڈیٹا لائف سائیکل ہے۔ اور اس کے بارے میں ، اس نے واقعتا بیان کیا کہ کس طرح ڈیٹا عنصر تخلیق ہوتا ہے ، پڑھا جاتا ہے ، اپ ڈیٹ ہوتا ہے یا حذف ہوجاتا ہے ، اور وہ عمل جو آپ کی پوری تنظیم میں اس پر عمل کرتے ہیں۔ لہذا ہم میں سے جو طویل عرصے سے انڈسٹری میں ہیں اسے CRUD کہتے ہیں کیونکہ یہ تخلیق ، پڑھنے ، اپ ڈیٹ کرنے اور حذف کرنے والا ہے۔ لیکن جب ہمیں اپنی تنظیم میں موجود ڈیٹا سے نمٹا جائے تو ہمیں اس کو بنیادی سطح پر سمجھنے کی ضرورت ہے۔ بہت سارے عوامل کھیل میں آتے ہیں۔ کاروباری قوانین کیا ہیں جو اس پر عمل کرتے ہیں؟ کاروباری عمل کیا ہیں جو ڈیٹا کو استعمال کرتے ، تیار کرتے یا تبدیل کرتے ہیں؟ آپ کو ایسا کرنے کی اجازت دینے کے لئے وہ کس طرح کی ایپلی کیشنز ہیں جو واقعی میں ان کاروباری عمل کو نافذ کرتی ہیں؟ وہ سب جو ڈیٹا لائف سائیکل کے لحاظ سے عمل میں آتا ہے۔
اور ایک بار پھر ، جین نے پہلے اس کی نشاندہی کی - ضروری نہیں کہ حقیقت کا ایک ذریعہ بھی ہو۔ اور متعدد طریقے ہوسکتے ہیں جس میں ایک خاص ڈیٹا عنصر تشکیل دیا جاتا ہے۔ اور آپ کو واقعی اندر آنا پڑتا ہے ، متعدد سسٹمز یا ایک سے زیادہ انٹیک کے ذریعہ مختلف چیزیں آتی ہیں جن سے آپ کو صلح کرنا پڑتا ہے اور فیصلہ کرنا ہوتا ہے کہ اس وقت اس خاص فیصلے کے ل data ڈیٹا کا مناسب وسیلہ کیا ہے۔ کسی تنظیم میں مختلف مقاصد کے لئے ڈیٹا کی متعدد قسمیں ہوسکتی ہیں۔ اس مقصد کو حاصل کرنے کے ل you ، آپ کو کاروباری عمل ، ڈیٹا نسب ، جس میں ڈیٹا کا بہاؤ ، انضمام شامل ہو اور اس میں ETL جیسی چیزیں شامل ہوں ، کو ماڈل بنانے کے قابل ہونے کی ضرورت ہوگی ، لہذا اپنے ڈیٹا گودام ، ڈیٹا مارٹ اور اسٹیجنگ ایریاز کو نکالیں ، تبدیل کریں اور لوڈ کریں۔ اور یقینا .بڑے ڈیٹا سائڈ پر ڈیٹا لنکس بھی کام میں آتے ہیں۔ جب آپ ڈیٹا جھیل سے یہ معلومات نکال رہے ہیں ، آپ کو یہ جاننے کی ضرورت ہوگی کہ آپ اسے کس طرح استعمال کررہے ہیں اور آپ اسے کس طرح استعمال کررہے ہیں۔ خود زندگی کے سلسلے میں ، واقعتا یہ ہے کہ ہم کس طرح نیا ڈیٹا تخلیق یا جمع کررہے ہیں ، ہم اسے کس طرح درجہ بندی کررہے ہیں - کیوں کہ آپ کو اس کو سمجھنے اور اس کے ساتھ موثر انداز میں کام کرنے کے لئے درجہ بندی کرنا پڑتی ہے - آپ اسے کیسے ذخیرہ کررہے ہیں ، آپ کیسے اس کا استعمال کررہے ہیں ، آپ اسے کس طرح کاروباری عمل میں تبدیل کررہے ہیں ، جہاں اسے تنظیم میں شریک کیا جارہا ہے۔ اور بہت اہم: برقراری اور آرکائیویل۔ آپ کب تک اعداد و شمار کو برقرار رکھیں گے؟ آپ اسے محفوظ شدہ دستاویزات کب کرتے ہیں؟ آخر آپ اس ڈیٹا کو کب ختم کردیتے ہیں؟ آپ کے ڈیٹا لائف سائیکل میں ان تمام چیزوں پر غور کرنا ہوگا اور آپ کو اپنی تنظیم میں اعداد و شمار کی پختگی کی اعلی سطح کے حصول کے لئے یہ سب کرنا پڑے گا۔
اب پلٹائیں ، پھر ، میں نے کہا کہ وہ اس طرح کے جڑواں بچوں کی طرح ہیں جہاں آپ کو ڈیٹا کی پختگی کے ساتھ مل کر عمل کی پختگی کے بارے میں بات کرنے کی ضرورت ہے۔ ایک بار پھر ، مجھے یہاں کچھ مختلف چیزیں مل گئیں اور - فکر نہ کریں کہ میں ان سب کو نہیں پڑھوں گا ، بلکہ صرف ایک چیکلسٹ کی طرح - پھر آپ خود تشخیص کرنا شروع کرسکتے ہیں کہ آپ کی تنظیم کہاں ہے عمل کی پختگی کی۔ آئیے ابتدائی دائیں سے چیزوں کو اصلاحی صفحات کے ذریعے دوبارہ دیکھیں۔ ایک بار پھر ، ہم وہی پانچ نکاتی پیمانہ استعمال کر رہے ہیں جو صلاحیت کی پختگی کے ماڈل سے اخذ کیا گیا تھا۔ اگر آپ توجہ کی طرح چیزوں پر نگاہ ڈالتے ہیں ، اگر آپ نچلی سطح پر یا عمل کی پختگی کی ابتدائی سطح پر ہیں ، تو آپ کو اپنی تنظیم میں معلوم ہوگا کہ لوگ واقعی میں اپنے کام کو پورا کرنے کے لئے اپنے طریقوں پر انحصار کررہے ہیں۔ اور ہوسکتا ہے کہ آپ کچھ بہادریاں اور اس قسم کی چیزوں کو دیکھیں تاکہ کام انجام پائیں۔ تب آپ اس مقام پر پہنچنا شروع کریں جہاں آپ اس کے بارے میں زیادہ سرگرم ہوں ، جہاں آپ کی انتظامیہ ورک یونٹوں اور کارکردگی کی ذمہ داری لے رہی ہے۔ پھر آپ معیاری مربوط عملوں کو تیار کرنا شروع کریں۔ پھر عمل استحکام اور دوبارہ استعمال۔ اس کے بعد آپ کو ان پروسیس کے سلسلے میں میٹرکس اور KPIs کا حساب کتاب کرنے اور آخر میں اصلاح کی پوری سطح تک رہنمائی اور شماریاتی انتظام کے بارے میں مزید ثقافت دیکھنا شروع ہوجائیں۔
جب آپ کام کے انتظام کو دیکھیں گے تو ، آپ اس جگہ سے جاسکتے ہیں جہاں آپ کو کام سے متعلق انتظام کی متضاد سطح کی ضرورت ہو اور زیادہ سے زیادہ انتظام ہو ، جہاں آپ وسائل سے کم از کم اپنے عہد کو متوازن بناتے ہو۔ پھر اس مقام تک کہ جہاں آپ کو ایک سے زیادہ موافقت بخش یا چست تنظیم ہو رہی ہے تاکہ آپ اپنے عمل کو معیاری بنا سکیں لیکن اپنی تنظیم میں مختلف حالات میں استعمال ہونے والے بہترین استعمال کے ل them ان کو تیار کریں۔ اور جب آپ ترقی یافتہ ہوجاتے ہیں ، تو وہیں اختیارات بہت ضروری ہوتا ہے ، اور اس کا مطلب ہے کہ ہر شخص بدیہی طور پر سمجھتا ہے کہ کیا ہو رہا ہے اور عملے کے پاس اس عمل کا ڈیٹا موجود ہے ، لہذا وہ اپنے کام کا اندازہ اور انتظام کرسکیں۔
ایک بار پھر ، مینوفیکچرنگ تشبیہ کی طرف واپس جانا - جب ہم نے یہ دیکھا کہ ، جب ہم نے اپنی اسمبلی لائنوں اور اس طرح کی ہر چیز کو صنعت میں جدید بنانا شروع کیا ، ہم اسمبلی لائن پر بھی کل معیار اور کارکنوں کو بااختیار بنانے کے بارے میں بات کرنے لگے ، جہاں اگر کسی نے دیکھا پیداوار کے کسی خاص مرحلے میں کچھ غلط ، لوگوں کو بااختیار بنایا گیا کہ وہ بڑے ریڈ بٹن کو ٹکر مار سکتے ہیں اور جب تک کہ معاملات کو آگے بڑھنے سے پہلے ہی مسائل حل نہ ہوجائیں تو وہ پوری اسمبلی لائن کو بند کردیں۔ اور یہ اس نوعیت کی ذہنیت اور ایک ایسی ثقافت ہے جس کو ہم اپنے عمل میں اعداد و شمار کے آس پاس ڈھونڈ رہے ہیں تاکہ یہ یقینی بنایا جا سکے کہ ہم واقعی اپنے تنظیم میں موجود اپنے ڈیٹا اور اپنے عمل کو بہتر بنا رہے ہیں۔
آپ کی ثقافت کے دوسرے اشارے۔ کیا آپ کی ثقافت آپ کے کاروباری عمل میں بہتری کے لئے حقیقی عزم کی کوئی قابل شناخت بنیاد کے لحاظ سے جمود کا شکار ہے؟ کیا ذمہ داری کا کوئی وفد موجود ہے ، جسے ہم مزید پیمانے پر دیکھ رہے ہیں؟ اور جیسے جیسے آپ آگے بڑھ رہے ہیں ، آپ کے پاس ابھی بھی سیلوس موجود ہوں گے ، لیکن جب آپ ثقافت اور ان چیزوں کے لحاظ سے آگے بڑھنا شروع کریں گے جو آپ اپنے کاروباری عمل پر کررہے ہیں تو ، آپ ان مختلف بزنس سائلووں کو توڑ رہے ہیں اور فائدہ اٹھا رہے ہیں آپ کی تنظیم میں کاروائیاں۔ یہ بہت اہم ہے کہ ، جیسے ہی آپ واقعہ کے مرحلے پر پہنچیں گے ، آپ واقعتاut گٹ فیل کے بجائے ، جس چیز کی بنیاد بنا رہے ہو ، آپ واقعی کوالٹی میٹرک جمع کررہے ہیں ، اور آپ کے کاروبار کی کارکردگی میں اپنی صلاحیت کی پیش گوئی کرنے کے لئے جگہ پر میٹرک موجود ہے۔ آپریشن ، اور یہ بہت اہم ہے۔
فن تعمیر کے لحاظ سے ، آئیے اس کے بارے میں بات کریں کیونکہ یہاں ہم میں سے بہت سارے آئی ٹی میں ہیں یا ہمیشہ اسے آئی ٹی کی طرف دیکھتے ہیں۔ ایک بار پھر ، اسی قسم کی چیزیں جو ہم نے ڈیٹا میں دیکھی ہیں۔ اگر آپ واقعتا پختگی کے ابتدائی مراحل میں واقعی کم ہیں تو ہمارے پاس مایوس IT نظام موجود ہے۔ ایک بار جب آپ اپنے عمل کا نظم و نسق شروع کردیں گے تو ، آپ کو کچھ ایسی سروسز کا قیام عمل میں آرہا ہے جہاں آپ واقعی میں زیادہ تر خدمات پر مبنی نقطہ نظر اپناتے ہو۔ پھر اگر آپ معیاری ہوجاتے ہیں تو ، آپ کو اعداد و شمار اور خدمات اور پراسیسنگ سروسز اور اس نوعیت کی چیزوں کے لحاظ سے مکمل خدمت اپنانے کو ملنے جا رہے ہیں ، بالکل اسی جگہ پر جہاں آپ کو ایک مکمل خدمت یا کسی نئے فن تعمیر کی طرف جانا ہے۔ اور پھر آخر کار ایک مکمل عمل سے چلنے والی انٹرپرائز تک جو آپ کے ڈیٹا کو بروئے کار لا رہی ہو۔
ایک بار پھر ، جب ہم اس کو دیکھتے ہیں تو اسی طرح کے ترازو ہوتے ہیں۔ پیداواری صلاحیت کے لحاظ سے ، عمل کی پختگی کی ایک کم سطح پر ، آپ کو کم سطح کی پیداوری اور اعلی عمل کی پختگی دیکھنے کو مل رہے ہیں ، آپ کو بہت زیادہ پیداوری دیکھنے کو مل رہے ہیں۔ اور معیار بھی اس کے ساتھ ساتھ جاتا ہے۔ اسی طرح کے اعداد و شمار کی طرح - اگر آپ پختگی کی کم سطح پر ہیں تو آپ کو ایک اعلی سطح کا خطرہ اور فضلہ کی اونچی سطح بھی نظر آرہی ہے۔ لیکن آپ کی پختگی کی سطح جتنی اونچی ہوگی ، آپ اس کو کم کریں گے اور اپنے خطرہ کو کم کریں گے اور فضلہ کو نمایاں طور پر کم کریں گے۔ کسی چیز میں جو آپ کسی تنظیم میں علامات یا اشارے کی طرح دیکھ سکتے ہیں ، اگر بنیادی فلسفہ قیمتوں میں کمی کے آس پاس ہے تو ، آپ شاید عمل کی پختگی کی کم سطح پر ہیں۔ اس کے بعد یہ آپ کی تنظیم میں کارکردگی کو زیادہ قریب سے دیکھنے کی طرف آگے بڑھنے جا رہا ہے اور پھر جب آپ بہت پختہ سطح پر پہنچیں گے تو ، آپ دوبارہ قدر پیدا کرنے پر توجہ مرکوز کرنے جا رہے ہیں۔
تنظیمی نظم و نسق کے نقطہ نظر سے ، اگر افراتفری کا راج ہے تو ، یہ عام طور پر ایک بار پھر ، کم عمل میں پختگی کرنے والی تنظیموں کی علامت ہے۔ لیکن آپ اس بات پر توجہ دینا شروع کرتے ہیں کہ میں انتظامیہ کی زیادہ ذہنیت کو کس جگہ کہتے ہوں جہاں - اور حکم نامے ، یا چیزوں کو مسلط کرنے کے ذریعہ کچھ انتظام ہوسکتا ہے - جہاں آپ واقعی اس وقت ہو ، جب آپ زیادہ پختہ سطح پر پہنچیں تو ، آپ کا انتظام اس میں ترجمہ کرتا ہے زیادہ سے زیادہ قیادت دوسرے لفظوں میں ، اصلاحات کا فلسفہ ثقافت میں سرایت کر رہا ہے اور سی ای او کی طرف سے ، وہ مجموعی طور پر آپ کی تنظیم میں عمل اور مستقل ، مستقل بہتری کے پورے فلسفے کو فروغ دے رہے ہیں۔
پروسیس ماڈل کے معاملے میں - اور میں ان چیزوں کو یہاں تیزی سے گزروں گا - آئیے ایک بار پھر پروسیس ماڈل کو دیکھیں جب وہ عمل کی پختگی میں ہی بندھتے ہیں۔ ایک بار پھر ، ان چیزوں سے ملتا جلتا جو ہم نے ڈیٹا کی پختگی پر دیکھا ، جہاں نچلی سطح یا ایک سطح پر ، آپ صرف عمل یا موجودہ حالت عمل کی دستاویزات کر رہے ہوں گے ، لیکن آپ واقعی آگے چلانے کے معاملے میں اس کا استعمال نہیں کررہے ہیں۔ جیسے جیسے آپ پختہ ہونا شروع کریں گے ، آپ تنظیم میں کاروبار کے اصل عمل کو چلانے کے ل the کاروباری عمل ماڈلنگ کا استعمال کریں گے ، پھر اس سے بھی آگے بڑھیں جہاں آپ اسے استعمال کر رہے ہو اور عمل میں بہتری لانے کے ل those ان ماڈلز کو مستقل طور پر اپ ڈیٹ کرتے ہو جہاں آپ آخر کار جاسکتے ہیں۔ عمل کرنے کے لئے ڈیزائن. اور پھر جب آپ پوری طرح پختہ ہوجاتے ہیں ، یا ، آپ جانتے ہو کہ آپ عام طور پر دبلی پتلیوں یا تنظیموں میں کیا دیکھتے ہیں جنہوں نے سگما جیسے اعلی معیار کے پروگراموں کو اپنایا ہے ، وہی جگہ ہے جہاں آپ کی مستقل بہتری کی ذہنیت ہے اور اس کی ماڈلنگ میں ہی اس میں قابو پایا جاتا ہے۔ آپ کی تنظیم اسی طرح جیسے ہم مصنوعات تیار کرنے کے لئے انجینئرنگ کے بلیو پرنٹ استعمال کرتے ہیں ، چاہے وہ ہوائی جہاز ہو یا عمارتیں اور فلک بوس عمارتیں اور اس نوعیت کی چیزیں ، ہم اپنے ماڈلز پر انحصار کر رہے ہیں تاکہ وہ اپنے کاروبار کو آگے بڑھاسکے ، کیونکہ یہی وہ ڈیزائن عنصر ہے جو حقیقت میں ہمارے تنظیمی عناصر کو آگے بڑھاتا ہے۔ .
اب ، ایک بار پھر ، میں یہاں اور ہر ایک لفظ کے بارے میں تفصیل سے نہیں گزروں گا۔ میں نے یہ کیا ہے کہ میں نے ان دو آسان گرڈ سلائیڈوں کو لیا ہے اور میں نے ان الفاظ کی ایک بڑی تعداد منتخب کی ہے جو ڈیٹا کی پختگی اور عمل کی پختگی دونوں کے ل some ان میں سے کچھ دوسرے وضاحتی کاروں میں استعمال ہوئے تھے۔ لہذا جب آپ اس حقیقت کے بعد اس پر غور کریں تو آپ ان الفاظ کے بارے میں کچھ سوچنا شروع کر سکتے ہیں جو آپ کی اپنی داخلی ثقافتوں میں ایسی باتوں کے لحاظ سے سامنے آتے نظر آرہی ہیں جو کہی جارہی ہیں۔ اور اس سے آپ کو درجہ بندی شروع کرنے میں مدد ملے گی جہاں ایک مجموعی تنظیم کے طور پر ، ہم مجموعی طور پر اس پختگی کے پیمانے پر فٹ ہونے لگے ہیں۔ لہذا اگر آپ دیکھتے ہو کہ متضاد چیزیں یا جمود یا ناکارہیاں جیسے اکثر یا افراتفری آتی ہے تو ، عام طور پر آپ پیمانے کے نچلے حصے میں ہونے جا رہے ہیں۔ جب آپ مستقل بہتری ، اسٹریٹجک صف بندی ، نقائص اور معیار کے لئے ایک روک تھام کے نقطہ نظر اور اس قسم کی چیزوں کے بارے میں سوچنا شروع کردیتے ہیں ، اور آپ مسابقتی فائدہ میں بہترین طریقوں کے بارے میں بات کر رہے ہیں ، تب آپ خود کو دیکھیں گے۔ آپٹیمائزر پر ، پیمانے کے اعلی آخر.
ایک بار پھر ، جس کے ساتھ میں یہ بھی بتانا چاہتا ہوں کہ جب آپ ڈیٹا گورننس کو دیکھنا شروع کرتے ہیں ، خاص طور پر جب آپ پیمانے کے نچلے حصے کو دیکھتے ہیں ، ابتدائی مراحل پر ہوتا ہے ، تو اعداد و شمار کی حکمرانی صرف انفرادی منصوبے کی سطح پر ہی متعارف ہوسکتی ہے۔ آپ کو ایک ایسے نقطہ تک پہنچنے کی ضرورت ہے جہاں ڈیٹا گورننس اور خاص ہدف پروجیکٹ ڈیٹا گورننس کا ہے اور یہ پروگرام اور ڈویژنل ڈیٹا گورننس کے ذریعہ تیار ہوا ہے ، جہاں ایک بار پھر یہ انٹرپرائز ہے اور پوری طرح تنظیم میں سرایت کرتا ہے۔
میں نے اس حقیقت کے بارے میں بات کی ہے کہ یہ دراصل جڑواں بچے ہیں جو ڈیٹا کی پختگی اور عمل کی پختگی کے لحاظ سے مل کر کام کرتے ہیں۔ اس پختگی کو حاصل کرنے میں ، پیمانے کے دونوں اطراف ایک سفر ہے اور آپ قدموں کود نہیں سکتے۔ اگر آپ صفر میں ہیں تو ، آپ کو ایک ، دو ، تین ، چار اور بالآخر پانچ تک پہنچنا ہوگا۔ اور دنیا میں بہت کم تنظیمیں واقعی ایک پانچ میں ہیں۔ لہذا بہت ساری تنظیمیں اس موقع پر خوشی سے کہیں زیادہ خوش ہوں گی جب وہ تینوں پر ہوں اور پھر اسپرنگ بورڈ کے طور پر آگے بڑھیں۔ اور ایک بار پھر ، آپ نہیں جا سکتے ، آپ ڈیٹا کی پختگی سے چار پر نہیں ہوسکتے ہیں اور ایک عمل کی پختگی پر۔ یہ صرف کام نہیں کرتا کیوں کہ وہ اتنے آپس میں جڑے ہوئے ہیں کہ آپ کو ایک دوسرے کے ساتھ مل کر اپنے اعداد و شمار اور عمل پر ایک اچھ haveی ہینڈل سمجھنا ہوگا۔
اس کے بارے میں سوچنے کے لئے ایک اچھا مشابہت یہ ہے کہ ، منظم پختگی کی طرف آپ کے سفر پر ، آئیے فرض کریں کہ آپ کی ٹیم دو افراد پر مشتمل ہے: ایک عمل کی پختگی ہے اور دوسرا ڈیٹا کی پختگی ہے۔ آپ رکاوٹ کا کورس چلا رہے ہیں اور آپ ایک مختصر رسی کے ساتھ بندھے ہوئے ہیں۔ اور اس کورس کے اختتام تک پہنچنے کے ل that ، اس کا مطلب یہ ہے کہ آپ دونوں کو نہ صرف تمام رکاوٹوں سے گزرنا ہے ، بلکہ آپ کو تمام رکاوٹوں کو ایک ہی وقت میں قریب سے گزرنا ہے یا ایک دوسرے کے بہت قریب ہونا ہے۔ آگے بڑھنے اور اگلی رکاوٹ کو حاصل کرنے کے قابل عمل کی پختگی اور ڈیٹا کی پختگی کو متوازن کرنے کے بارے میں سوچنے کا یہ ایک بہت اچھا طریقہ ہے۔ لہذا دوسرے الفاظ میں ، آپ کسی حد تک عمل پر مبنی ہوسکتے ہیں اور آپ کسی حد تک اعداد و شمار پر مبنی ہوسکتے ہیں ، لیکن یہ ایک اہم اشارے بننے والا ہے ، اور واقعتا you آپ کو سطحوں تک پہنچانے میں بہت زیادہ خلاء نہیں ہوسکتا ہے۔
اور پھر جب ہم ڈیٹا گورننس سے اس پر ایک بار پھر نظر ڈالتے ہیں تو ، ایک چیز جس کی طرف میں آپ کو آگاہ نہیں تھا اس کی نشاندہی کرنا چاہتا تھا ، کیا داما نے دراصل اس سال کے اوائل میں ڈیٹا مینجمنٹ باڈی آف نالج جلد دو جاری کیا تھا ، اور وہ چیزیں جو وہاں تبدیل کر دیا گیا اصلی ڈاما پہی .ا ہے۔ اور میں واقعتا it اس کی نمائندگی تھوڑا سا مختلف انداز میں کرتا ہوں ، جہاں ڈیٹا گورننس مرکز میں ہے اور مختلف پہیے کے آس پاس دس مختلف قسمیں۔ یہاں پر دیکھنا بہت ضروری ہے کہ ڈیٹا ماڈلنگ ہے اور ڈیزائن کا اصل میں پہیے پر اب اپنے ہی علاقے ہیں۔ یہ پہلے کی طرح ، دوسرے طرح سے ملا ہوا تھا۔ ان چیزوں میں سے ایک جو یہاں ایک بہت بنیادی نقطہ ہے خاص طور پر ڈیٹا ماڈلنگ ان دیگر پہلوؤں کے لئے بنیادی حیثیت رکھتی ہے کیونکہ ، چاہے ہم اپنے ڈیٹا بیس کی ڈیٹا ماڈلنگ کر رہے ہوں یا میٹا ڈیٹا جس کے ساتھ ہم معاملہ کر رہے ہیں ، ڈیٹا ماڈلنگ کا ایک کردار ہے۔ ان تمام دوسرے ٹکڑوں میں کھیلیں جن کے بارے میں ہم بات کر رہے ہیں۔ اور ان میں سے بہت ساری چیزوں میں پروسیسنگ ماڈلنگ کا بھی کردار ہے کیونکہ ، اعداد و شمار کو خود سمجھنے کے علاوہ ، ہمیں یہ سمجھنے کی ضرورت ہے کہ اس کا استعمال کس طرح ہوتا ہے اور اسی طرح عمل ماڈلنگ واقعی ہمیں اس میں مدد ملتی ہے۔
اب آئیے گیئرز کو تھوڑا سا تبدیل کریں اور انٹرپرائز فن تعمیر کے بارے میں بات کریں۔ اور ماڈل انٹرپرائز فن تعمیر کے لئے بھی اہم ہیں۔ اور میں اس کی مثال مثال بنا رہا ہوں اور یہ زچ مین فریم ورک ہے جو میں یہاں بہت تیزی سے دکھا رہا ہوں۔ اور جب آپ اس کو دیکھتے ہیں تو ، آپ کو یہاں بہت سی چیزیں نظر آتی ہیں۔ آپ دیکھیں کہ کس طرح ، کس طرح ، کہاں ، کس ، کب اور کیوں سب سے اوپر کی پیمائش ہے۔ اور پھر آپ تفصیل کے مزید مفصل درجات سے گذرتے ہیں ، اگر آپ ماڈلنگ کی قسموں یا چیزوں کی ان اقسام کے معاملات میں جو آپ انٹرپرائز فن تعمیر کے لحاظ سے تفصیل سے بیان کررہے ہیں تو ایک بہت ہی اعلی سیاق و سباق سے لے کر ایک تفصیلی سطح تک ، جسمانی نفاذ سمیت۔ اگر آپ پہلے کالمز پر نظر ڈالیں تو ، اس میں بہت زیادہ اعداد و شمار اور اعداد و شمار شامل ہیں۔ کس طرح بہت عمل کارفرما ہے. اور اگر آپ دوسرے پہلوؤں پر نگاہ ڈالیں تو ، آپ باقی معلومات کو آگے بڑھانے کے سلسلے میں عمل اور ڈیٹا ماڈلنگ کے مرکب کو استعمال کریں گے۔ آپ ان تمام مختلف چیزوں کے بارے میں ڈیٹا حاصل کرنے جارہے ہیں اور آپ کے عمل کے نمونے بھی چیزوں کو باندھ رہے ہیں ، جیسے معاملات ہوتے ہیں ، ذمہ داری۔ اوراس کے ساتھ ساتھ ہم اپنے ٹولز میں بھی اس عمل کے ماڈلنگ کے سلسلے میں ، آپ اسے اہداف اور رشتوں اور کاروباری قواعد کے ساتھ جوڑنا شروع کرسکتے ہیں جو ان مختلف چیزوں کو چلا رہے ہیں جو آپ کررہے ہیں۔
زاکی مین فریم ورک کے مجموعی نقطہ نظر سے ، اس کے بارے میں سوچنے کے اچھے طریقوں میں سے ایک یہ ہے کہ آپ ماڈل پر مبنی ہیں اور آپ واقعی مختلف سطحوں سے گزر رہے ہیں۔ لہذا آپ ایک اعلی سطحی دائرہ کار اور سیاق و سباق سے شروع کر رہے ہیں۔ اس کے بعد آپ بزنس ماڈلز کی طرف ، سسٹم ماڈل ، پھر ٹکنالوجی ماڈل ، اور پھر تکنیکی ماڈلز کی بھی آپ کی نمایاں نمائندگی کی طرف تیار ہو رہے ہیں۔ اور ایک بار پھر ، اعداد و شمار کی نمائندگی کرتا ہے ، عمل کس طرح ہے اور یہ واقعی اعداد و شمار اور عمل کا ایک امتزاج ہے جو یہاں کی دوسری تمام خصوصیات کو ڈرائیو کرتا ہے۔
اس کی بنیاد پر ، یہ کوئی اتفاق نہیں ہے کہ جس طرح سے ہم انٹرپرائز آرکیٹیکچر آئیڈیا کو دیکھتے ہیں اس کی بنیاد کچھ دوسرے لوگوں کے مقابلے میں تھوڑی بہت مختلف ہے۔ اکثر ، آپ انٹرپرائز فن تعمیر کے چار ستونوں کے بارے میں سنیں گے جو ڈیٹا ، حصول ، کاروبار اور تکنیکی فن تعمیر ہیں۔ ہم اسے اس سے تھوڑا مختلف انداز سے دیکھتے ہیں۔ ہم ڈیٹا فن تعمیر کو بنیادی فاؤنڈیشن کے طور پر دیکھتے ہیں جو دو وجوہات کی بنا پر انٹرپرائز کے تمام فن تعمیر کو چلاتی ہے۔ ایک ، یہیں سے شروع ہوا۔ یہاں تک کہ Zachman فریم ورک جیسی چیزیں بنیادی طور پر ڈیٹا فن تعمیر سے باہر ہوئیں ، اور پھر فن تعمیر کے دیگر پہلوؤں کو بھی قبول کرنے میں بڑھ گئیں۔ اور دو ، کیونکہ عمل اور اعداد و شمار کے مابین بنیادی ٹائی۔ اسی لئے ہم کاروباری فن تعمیر کو انٹرپرائز فن تعمیر کے مرکزی ستون کے طور پر دیکھتے ہیں۔ اور پھر ، یقینا. ، اس کی عملی آرکیٹیکچر اور تکنیکی فن تعمیر کی طرف سے تعریف کی گئی ہے ، جو مطلق ضرورت کے قابل ہیں ، تاکہ ہمیں حقیقی کاروباری صلاحیت کو چلانے کی اجازت دے۔ اب ، جب ہم ای آر اسٹوڈیو انٹرپرائز ٹیم ایڈیشن ، ہمارے مربوط ماڈلنگ پلیٹ فارم کے لحاظ سے اس پر نظر ڈالتے ہیں تو ، یہ اس طرح سے کام میں آتا ہے۔ اور یہ کچھ ماڈلنگ جو ہم کرتے ہیں اور اس کے پیچھے کچھ بنیادی اصولوں کا ایک اعلی سطحی سیاق و سباق کا آریھ ہے۔ اور یہ دراصل کارفرما ہے ، یہ دراصل کسی عمل آریھ میں آریگرام ہے۔ لہذا جب ہم خاص طور پر اپنے ڈیٹا فن تعمیر کے ٹکڑے اور نیچے اپنے کاروباری فن تعمیر کو دیکھتے ہیں تو ، ہم کردار پر مبنی ٹولز کی فراہمی کرتے ہیں۔
اور جب آپ نیچے نیچے بائیں کونے میں ہمارے کاروباری معمار کے آلے کو دیکھیں تو ، عام طور پر کاروباری تجزیہ کار اور کاروباری معمار کام کر رہے ہیں۔ اور وہ عام طور پر کچھ کاروباری عملوں پر توجہ مرکوز کر رہے ہیں اور ان کو باہر نکالنا شروع کر رہے ہیں۔ لیکن وہ بھی کس چیز پر مرکوز ہیں۔ تو پھر ہم کچھ تصوراتی ڈیٹا ماڈلنگ اور اس قسم کی چیزیں کرنا شروع کردیتے ہیں۔ ہم ان ڈیٹا ماڈلنگ ٹول میں اور ڈیٹا آرکیٹیکٹ کے ان تصوراتی ماڈلنگ اجزاء کو فائدہ اٹھا سکتے ہیں اور لا سکتے ہیں ، جہاں وہ مزید منطقی ڈیٹا ماڈلز کے بارے میں مزید تفصیل سے بیان کرتے ہیں اور آخر کار جسمانی ماڈل ہوتے ہیں تاکہ ہم جسمانی ڈیٹا بیس تیار کرسکیں۔ اور ہم پیچھے ہٹ سکتے ہیں تاکہ کاروباری فن تعمیراتی جگہ میں بھی نظریاتی ماڈلز کو اپ گریڈ کیا جائے۔ یہاں ایک بہت اہم بات یہ ہے کہ ہم مختلف قسم کے ماڈلنگ کی حمایت کرتے ہیں۔ لہذا ، ایک بار پھر ، BI بہت اہم ہے اور ڈیٹا لیکس اور ان قسم کی چیزیں ، لہذا ہم اصل میں کچھ ماڈلنگ بھی کرتے ہیں اور اس کے ایک حصے کے طور پر ، ہم ڈیٹا لینج ماڈلنگ کرتے ہیں۔ لہذا نہ صرف ای ٹی ایل اس لحاظ سے کہ آپ ڈیٹا گوداموں کے ل dimen اپنے جسمانی ماڈلز سے اپنے جہتی ماڈل میں نقشہ سازی کیسے کرتے ہیں یا یہاں تک کہ آپ کے ڈیٹا جھیلوں سے چیزیں لاتے ہیں اور یہ دیکھتے ہیں کہ ان نقشوں کو کس طرح نکالا جاتا ہے ، ہم ان تمام چیزوں کو ایک ساتھ باندھ سکتے ہیں۔ بڑے ڈیٹا پلیٹ فارمز سے ، دوسرے ماڈلنگ پلیٹ فارمز سے ریورس انجینئرنگ کو آگے بڑھانا۔
اور پھر ETL ٹولز جیسی چیزیں بھی ، لہذا ہم واقعتا data ETL خصوصیات سے براہ راست ڈیٹا نسب آریگرام نکالنا شروع کرسکتے ہیں جو آپ کے اپنے ماحول میں ہوسکتے ہیں۔ یہ جاننا بھی بہت ضروری ہے کہ ہمیں رشتہ دار ماڈلنگ سے آگے بڑھنا پڑا ہے۔ ہمارے پاس کچھ پلیٹ فارم ہیں جیسے Hive اور خاص طور پر مونگڈڈی بی ، اب ہم دستاویزات کی دکانوں کے بارے میں بات کرنا شروع کر رہے ہیں ، جہاں ہمارے پاس سرایت شدہ اشیاء اور آری جیسے تصورات موجود ہیں۔ ہم نے حقیقت میں اس طرح کے ماڈل کو ایڈجسٹ کرنے کے قابل ہونے کے ل not اس اشارے کو بڑھایا ہے کیونکہ یہ غیر متعلقہ تصور ہے۔ کسی بھی چیز کو جو ہم نے ڈیٹا آرکیٹیکٹو ٹول میں ڈیٹا آرٹیکٹس کے لحاظ سے تخلیق کیا ہے ، چاہے یہ منطقی ہستیاں ہوں یا جسمانی جدولیں اور ان کی خصوصیات ، پھر اسے بزنس پروسیسنگ ماڈلنگ میں بھی پیچھے دھکیل دیا جاسکتا ہے۔ لہذا جب آپ اعلی سطح سے اپنے کاروباری عمل کے ماڈلز کی وضاحت کر رہے ہیں اور نیچے کی سطح تک جا رہے ہیں تو ، آپ اصل اعداد و شمار کے عناصر کو جوڑ سکتے ہیں۔ لہذا آپ کام کرسکتے ہیں ، ہم CRUD میٹرکس کی وضاحت کرسکتے ہیں کہ حقیقت میں کیا ہو رہا ہے۔ تو یہ آپ کو وہ ڈیٹا لائف سائیکل دے رہا ہے جس کے بارے میں میں نے ایک عمل کی سطح پر تخلیق ، پڑھنے ، اپ ڈیٹ اور حذف کرنے کے ساتھ بات کی ہے۔ اور ہم وہاں اپنے خود سے متعلقہ منصوبوں کے سیٹ کے ساتھ مکمل بی پی ایم پروسیس ماڈلنگ کرتے ہیں ، تاکہ آپ کاروباری حکمت عملیوں ، کاروباری اہداف میں مقابلہ کرنا شروع کرسکیں۔ نیز ، ہم ان ایپلی کیشنز کو بھی جوڑ سکتے ہیں جو ان کاروباری عملوں کو عملی شکل دے رہی ہیں ، یہ سب ایک ماڈل پر مبنی نقطہ نظر سے ہیں۔
دوسری چیزیں بھی انتہائی اہم ہیں ہمارے ڈیٹا ماڈلز میں بھی۔ ڈیٹا گورننس کی خصوصیات یا ڈیٹا کوالٹی کی خصوصیات میں مہارت حاصل ہے اور انتظام۔ آپ اپنی ان خصوصیات کے ل there اپنے میٹا ڈیٹا کی وضاحت اور تشکیل دے سکتے ہیں جن کی آپ ٹریک کرنا چاہتے ہیں ، اور اس کا مطلب یہ ہے کہ اب آپ اپنے ماڈل کو بلیو پرنٹ کے طور پر اپنی پوری تنظیم کے ذریعے ، اپنے میٹا ڈیٹا ذخیروں اور ہر دوسری چیز میں چلا رہے ہیں۔ اور ظاہر ہے ، ماڈلنگ کی ایک حدود ، بہت سال پہلے جب ہم میں سے بہت سے لوگوں نے انڈسٹری میں یہ کام شروع کیا تھا ، کیا ہم ان ماڈلز کو تیار کریں گے۔ ہم کیا کریں گے؟ ہم انھیں پرنٹ کریں گے ، ہم انہیں دیوار پر لگا دیں گے ، ممکنہ طور پر ٹیم کے ممبروں کو اس بات کا اشتراک کرنا پڑے۔ اس کی اصل قدر ہماری تنظیموں میں اشتراک اور اشتراک کرنے کے قابل ہے۔ لہذا اسی وجہ سے ہمارے پاس ایک ذخیرے سے چلنے والا نقطہ نظر موجود ہے جہاں ہم اپنے ماڈل اور کام کی جگہوں کو چیک کرتے ہیں اور چیک کرتے ہیں۔ اور ہم ان کو اپنے حلقہ بندیوں کے ساتھ شریک کرتے ہیں جو تنظیم ہیں ، چاہے وہ دوسرے تکنیکی اسٹیک ہولڈرز ، کاروباری صارفین اور اس قسم کی چیز ہوں۔ اور اس کو ہمارے مشترکہ پلیٹ فارم میں جوڑیں جو ٹیم سرور کہلاتا ہے۔
لہذا ہم نے پہلے کاروبار کی لغتوں اور شرائط اور اس کی اہمیت اور اس کاروبار کے لئے اس الفاظ کو تیار کرنے کے بارے میں بات کی۔ یہ سب ٹیم سرور میں رہا ہے ، جہاں صارفین ، کاروباری صارفین ان شرائط پر تعاون کر سکتے ہیں۔ مثال کے طور پر ، وہ اعداد و شمار کے معمار میں نظر آتے ہیں ، استعمال کے قابل ہیں ، اور یقینا these ان میں بہت سارے کاروبار کی لغت موجود ہوتی ہے جو ہم نے اپنے ڈیٹا ماڈلز میں بنائی ہیں۔ ہم ان لوگوں کو آگے بڑھا سکتے ہیں - ڈیٹا آرکیٹیکٹ ٹولز کے علاوہ ، نقطہ آغاز کا آغاز کاروبار کی لغت ہے ، جہاں انہیں مزید بہتر بنایا جاسکتا ہے ، اور اس کے ساتھ ہی اس کے ارد گرد بھی تبدیلی کا نظم و نسق ہوتا ہے۔
وہ بہت تھا۔ محض مختصرا. ، ایک دو چیزوں کے بارے میں جن کے بارے میں ہم نے بات کی ہے وہ ہے ایک صحیح تنظیمی پختگی کی کوشش کرنا ، آپ کو متوازن نقطہ نظر کی ضرورت ہے جس میں اعداد و شمار کی پختگی اور عمل کی پختگی شامل ہے۔ آپ دوسرے کے بغیر ایک حاصل نہیں کر سکتے۔ ایک بار پھر ، بنیادی ، آپ کو دونوں پر انحصار کرنے کی ضرورت ہے ، خاص طور پر ، انٹرپرائز فن تعمیر اور ڈیٹا گورننس اور عمل کی حکمرانی کے ساتھ ساتھ اپنی تنظیموں میں بھی ڈیٹا ماڈلنگ اور عمل ماڈلنگ۔ انٹرپرائز فن تعمیر ان مختلف پہلوؤں اور تناظر کو دیکھنے کے معاملے میں واقعی اس کو جوڑتا ہے۔ ایسا کرنے کے ل You آپ کو ایک مضبوط ڈیٹا آرکیٹیکچر فاؤنڈیشن کی ضرورت ہے اور اس کاروباری سیاق و سباق کو فراہم کرنے کے لئے آپ کو انٹیگریٹو پروسیس ماڈلنگ کی ضرورت ہے اور آپ کو اپنے کاروباری عمل اور اپنے ڈیٹا کی کھپت کو آگے بڑھانے کی اجازت ہوگی۔ ایک بار پھر ، پہلے سے کہیں زیادہ اہم میں کہہ سکتا ہوں ، جو پرانا ہے وہ پھر سے نیا ہے۔ لہذا ڈیٹا ماڈلنگ ، پروسیس ماڈلنگ ، نسب ، میٹا ڈیٹا اور لغتیں اس کو حاصل کرنے کے قابل ہونے میں بنیادی حیثیت رکھتی ہیں اور ای آر / اسٹوڈیو انٹرپرائز ٹیم ایڈیشن ایک باہمی تعاون کا پلیٹ فارم ہے جو یہ سب ایک ساتھ لاتا ہے۔
اور اس کے ساتھ ہی ، ہم سوالات کی طرف بڑھ سکتے ہیں۔
ایرک کااناگ: ٹھیک ہے۔
رون ہوازنگا: ایرک ، ہم آپ کے پاس جائیں گے۔
ایرک کااناگ: رون ، مجھے ان تمام کوششوں کے ل my اپنی ٹوپی کو آپ کے پاس بتانا ہوگا جو آپ ان مختلف عملوں اور فریم ورک کو دستاویزی شکل دینے میں کرتے ہیں۔ یہ بہت ساری مادی چیز ہے جو آپ نے وہاں حاصل کی ہے۔ میرا اندازہ ہے کہ میرے سامنے بڑا سوال یہ ہے کہ کسی تنظیم میں کون اس چیز کی نگرانی کرے گا ، کیوں کہ آپ بہت ساری مختلف چیزوں پر ہاتھ ڈالتے ہیں۔ آپ کا عمل دریافت کریں ، یہ ایک چیف آپریٹنگ آفیسر یا کچھ آپریشن شخص ہوگا۔ ڈیٹا لائف سائیکل ، آپ کو لگتا ہے کہ شاید یہ ایک ڈیٹا آفیسر ہوگا۔ آپ کاروبار میں بہت سارے مختلف حصوں اور بہت سارے مختلف اجزاء کو چھو رہے ہیں۔ آپ کو صحیح شخص یا لوگوں کا گروپ کیسے ملتا ہے ، اور کیا یہ ایک اسٹیئرنگ کمیٹی ہے؟ یہ کیا ہے؟ کسی تنظیم میں یہ کام کون کرنا چاہئے اس کے بارے میں آپ ہمیں کیا بتاسکتے ہیں؟
رون ہوازنگا: آپ جانتے ہو ، یہ ایک دلچسپ سوال ہے۔ ہم واقعتا there ایک دن وہاں کے مختلف مختلف طریقوں کی خوبیوں پر گفتگو کرتے ہوئے گزار سکتے ہیں۔ لیکن جو کچھ میں نے یقینی طور پر دیکھا تھا ، آپ جانتے ہو ، جیسا کہ میں نے پروڈکٹ مینجمنٹ کے کردار میں آنے سے پہلے ہی مشورہ کیا تھا ، جب میں نے تنظیم کو دیکھا تو ، اس مسئلے کا ایک حصہ رہا ہے ، اس کی ملکیت حاصل کرنا اور لوگوں کو اس کا مالک بنانا۔ اور جب ہم اپنے ڈیٹا ماڈلنگ اور یہاں تک کہ اپنے کاروباری عمل ماڈلنگ جیسے مضامین ، یا ابتدائی دنوں میں بھی ، ڈیٹا فلو ڈایاگرامنگ اور اس قسم کی چیزوں پر نظر ڈالتے ہیں تو ، اس قسم کی آئی ٹی سے باہر نکلتی ہے۔ لیکن جیسا کہ ہم آگے بڑھے ہیں ، اور مجھے لگتا ہے کہ اب ہم زیادہ سے زیادہ تسلیم کر رہے ہیں کہ واقعی کاروبار کو آگے بڑھانا ہے۔ لہذا آپ واقعتا چاہتے ہیں کہ اس کی ملکیت کاروبار میں رہے۔
اور میں یہاں کچھ آئی ٹی لوگوں کو ناراض کرنے جارہا ہوں ، لیکن مجھے پختہ یقین ہے کہ جس وجہ سے ہم نے چیف ڈیٹا آفیسر کے کردار کا ارتقا دیکھا ہے وہ سی آئی او کا کردار زیادہ تر تنظیموں میں اس میں ناکام رہا ہے۔ اور اس کی وجہ یہ ہے کہ بہت سے CIOs ڈیٹا اور عمل پر مرکوز ہونے کی بجائے تکنیکی اعتبار سے مرکوز ہیں۔ تو مجھے لگتا ہے کہ آپ کو واقعتا that یہ ضرورت ہے ، آپ کو بڑی تنظیموں میں شاید کسی قسم کی اسٹیئرنگ کمیٹی کی ضرورت ہوگی۔ لیکن واقعی اس کے کاروبار کے مالک ہونے کی ضرورت ہے۔ میں یہ دلیل پیش کروں گا کہ آپ کے کاروبار ، آپ کے عمل کی ماڈلنگ ، آپ کا ڈیٹا ماڈلنگ ، سب کو کاروبار میں شامل ہونے کی ضرورت ہے ، کیونکہ اس سے آپ کو یہ یقینی بنانے کی صلاحیت مل جاتی ہے کہ آئی ٹی جو ڈیٹا کا پاسبان ہے اور وہ ان عملوں کو ان کے ذریعے نافذ کرتا ہے تخلیق کر رہے ہو ، آپ کے پاس یہ ہتھوڑا ہے تاکہ یہ یقینی بنائے کہ واقعی یہ کاروبار کی ملکیت ہے۔
ایرک کااناگ: ہاں ، مجھے لگتا ہے کہ میں اس سے اتفاق کرتا ہوں۔ لیکن جین ، اس پر آپ کی کیا رائے ہے؟
جین انڈر ووڈ: تو یہ واقعی دلچسپ ہے۔ جب میں نے کہا کہ لوگوں کی دیکھ بھال کرنا اور انٹرایکٹو ہونا ممکنہ طور پر ایک اہم چیز ہے تو میں اسی بات کی نشاندہی کر رہا تھا۔ ایک موقع پر ، میں نے اس بارے میں ایک وائٹ پیپر لکھا تھا ، یہ سیلف سروس BI گورننس تھی جو اس سے ملتی جلتی ہے۔ یہ حاصل کرنے کی بات ہے ، لوگوں کو اس کی دلچسپی کے ل. ، اس کی کاروباری قدر کی پہلوؤں کو ترغیب دینے کا ایک راستہ تلاش کرنا۔ اور پھر جب وہ دیکھتے ہیں ، یا انہیں مل جاتا ہے ، چاہے وہ ڈیٹا کی فہرست سازی ہو یا جو بھی زاویہ لیتا ہے۔ ہوسکتا ہے کہ یہ شپمنٹ کے اخراجات کو کم کرے ، جس میں کسی کو تنظیم میں کسی کے ذمہ دار ٹھہرایا گیا ہو ، اسی طرح آپ اسے دیکھ بھال کر سکتے ہیں۔ اور ہاں ، بالکل کاروبار۔ کاروباری موضوع کے ماہر اسے بنانے یا توڑنے جا رہے ہیں۔
ایرک کااناگ: یہ مشکل ہے۔ میرا خیال ہے کہ آپ ہمیشہ اس تنظیم کے آس پاس کے اسٹیک ہولڈرز کا یہ کنسورشیم رکھنا چاہتے ہیں۔ یقینا ، آپ تجزیہ فالج نہیں چاہتے ہیں۔ آپ بیوروکریسی کی خاطر بیوروکریسی نہیں چاہتے۔ آپ جو چاہتے ہیں وہ ہے کہ تنظیم ایک ایکشن پلان بنائے اور ان چیزوں کو دستاویزی بنائے۔ آپ جانتے ہیں ، میں سوچتا ہوں کہ جب آپ بزنس پروسیس ماڈلنگ کے بارے میں بات کرنا شروع کرتے ہیں ، جو پچیس سال پہلے گرم تھا ، لیکن یہ زیادہ تر اصل کاروبار سے الگ تھا۔ میرے خیال میں کم از کم کچھ صنعتوں میں ، آپ اس عمل کو بہت سے اصل سافٹ ویئر سے نکال سکتے ہیں جو چیزوں کو چلاتا ہے۔ لیکن میرے خیال میں ، ان دنوں ، ہمیں ان دونوں جہانوں میں توازن قائم کرنے کا ایک راستہ تلاش کرنا ہوگا ، ٹھیک ہے ، رون؟ آپ پروسیس ماڈل بنانا چاہتے ہیں جو حالیہ اور جدید ہیں اور جو حقیقت میں ہو رہا ہے اس کے عکاس ہیں۔ لہذا آپ یہ نہیں چاہتے ہیں کہ یہ ایک علیحدہ ورزش ہو جہاں یہ ہے ، وہ کہیں شیلف پر بیٹھا ہے۔ لیکن یہ ، اس طرح تھوڑا سا مشکل ہو جاتا ہے ، ٹھیک ہے؟ کیونکہ تمام آپریشنل سسٹم کو اس قسم کے قابل عمل کوڈ کے ساتھ ہم آہنگ نہیں کیا جاتا ہے۔ لیکن آپ کا کیا خیال ہے؟
رون ہوازنگا: بالکل۔ اور یہ بات دلچسپ ہے کیوں کہ ان چیزوں میں سے ایک جس کی میں میں دیکھتا ہوں وہ ہے جب لوگ ، آپ جانتے ہو ، ہم فوری طور پر تسکین پانے والا معاشرہ بن چکے ہیں۔ لوگ سوچتے ہیں ، "اوہ ، ہم صرف باہر جائیں گے اور کچھ ٹولز خریدیں گے اور یہ کام ہمارے لئے بنائیں گے۔" ایسا ہی ہے ، آپ پروسیس پختگی خریدنے نہیں جا رہے ہیں۔ آپ ڈیٹا کی پختگی کو نہیں خرید رہے ہیں۔ یہ سخت محنت ہے۔ آپ کو آستینوں کا رول ملنا ہے اور آپ کو ایسا کرنا پڑے گا۔ اور ایسا کرنے کا طریقہ کار ماڈلنگ ہے۔ نہ صرف موجودہ حالت کی ، جس پر آپ کام کر رہے ہیں ، کی بصری نمائندگی نہ کرنا یہ بہت پیچیدہ ہے ، لیکن یہ ڈیزائن کرنے کے قابل ہو کہ آپ ان مختلف کاروباری عمل کو کس طرح بہتر بنا رہے ہیں۔ آپ کو یہ سمجھنے کی ضرورت ہے کہ ان تبدیلیوں سے کیا اثر پڑ رہا ہے اس کو سمجھنے کے لئے آپ کو ضعف کے فریم ورک کی ضرورت ہے۔
ایرک کااناگ: یہ واقعتا - میں صرف ٹویٹ کر رہا ہوں۔ میں ابھی یہ ٹویٹ کر رہا ہوں - "آپ پروسیس پختگی نہیں خرید رہے ہیں ، آپ ڈیٹا کی پختگی نہیں خرید رہے ہیں۔" میں ان دونوں چیزوں سے بالکل اتفاق کرسکتا ہوں۔ اور جین ، میں آپ کو اپنے خیالات کے ل. لے آؤں گا۔ اور میں اس کے اوپر ایک اور سوال پھینک دوں گا۔ شرکاء میں سے ایک پوچھ رہا ہے: عمل سے چلنے والے انٹرپرائز یا عمل کی پختگی سے کیا مراد ہے؟ جین ، کیا آپ اس طرح بات کر سکتے ہیں؟
جین انڈر ووڈ: میں اصل میں پچھلے سوال سے تھوڑا بہتر بول سکتا ہوں۔ جب میں اس کے بارے میں سوچتا ہوں تو ، سچ بتا دیا جائے ، یہ پہلا ہے ، آپ جانتے ہو ، اوزار خریدتے ہیں۔ یہ اتنا عمدہ ، زبردست تبصرہ تھا کیونکہ یہ اتنا سچ ہے۔ لیکن میں جو کہوں گا یہ کافی بہتر ہے۔ لہذا میں بہت سارے حلوں کا جائزہ لیتا ہوں اور میں مختلف جگہیں دیکھتا ہوں اور ان کی جانچ کرتا ہوں۔ جو بہتر ہورہا ہے وہ ہے ڈیٹا کو دریافت کرنا ، ٹیگنگ کرنا اور کم سے کم آپ کو بڑے پیمانے پر چلنا شروع کرنا اور اس کو بھی بنانا ، جب میں کم تکلیف دہ ہوں کہتا ہوں تو یہ قریب ہی مزہ آتا ہے۔ تو تصور کریں کہ ڈیٹا کیٹلاگ یا MDM پروجیکٹ تفریحی ہے۔ یہ ہے ، اور آپ کے پاس کسی ایسی تنظیم میں لوگ شامل ہیں جو یہ ڈیٹا استعمال کررہے ہیں ، چاہے وہ اطلاع دے رہا ہو یا دوسری قسم کی چیزیں اور میرے خیال میں کسی نے بھی لکیر پر کہا تھا ، ارے ایسے لوگوں کو مل رہا ہے جو اپنے انفرادی ترقیاتی منصوبے کا خیال رکھتے ہیں۔ ہاں یہاں تک کہ اسے ایک اور سطح تک پہنچائیں۔ یہ ان چیزوں کو لے رہا ہے اور یہ کہہ رہا ہے کہ اب ہم نے غلط فہموں کی ترسیل کو 30 فیصد کم کردیا ہے اور اس سے کتنی رقم کی بچت ہوئی۔ یہ صرف ہمارے ڈیٹا کا بہتر انتظام کررہا ہے۔ یہ ان قسم کی چیزیں ہیں اور آپ اس کے آس پاس پیسہ لگاتے ہیں اور آپ اسے تفریح فراہم کرتے ہیں۔ یا آپ اسے دلچسپ اور متعلقہ بناتے ہیں کہ وہ کیا کر رہے ہیں۔ اس طرح کا جادو ہے ، میرے خیال میں ، یہ ان بہت سے مصروفیات میں گم ہے جو لوگ کسی تنظیم میں ایسا کرنے کی کوشش کرتے ہیں ، اور یہ تعطل کا شکار ہے۔
ایرک کااناگ: ہاں ، یہ ایک اچھی بات ہے۔ اور ، ران ، بصری فریم ورک رکھنے کی اہمیت کے بارے میں کچھ لمحے پہلے اپنے تبصرے پر واپس ، مجھے لگتا ہے کہ یہ بالکل سچ ہے کیونکہ بہت سارے بار ، اگر لوگ کچھ نہیں دیکھ پاتے تو ، اس کے گرد اپنے سر کو لپیٹنا واقعی مشکل ہے اس کا مطلب ہے ، اور یقینی طور پر جب آپ باہمی انحصار اور کنٹرول پوائنٹس اور ان سب چیزوں کے ساتھ پیچیدہ عملوں کے بارے میں بات کرنا شروع کردیں تو آپ کو کسی جگہ اور مثالی طور پر اس کا نقشہ بنانا ہوگا ، آپ اس سافٹ ویئر کے ساتھ ایسا کررہے ہیں جس میں اس میں فعالیت موجود ہے جس میں کیٹلاگ میں شامل ہے ، مثال کے طور پر ، اس مقام سے اس مقام تک مختلف لائنوں کا استعمال کرتے ہوئے کیا تبدیلیاں واقع ہوئی ہیں۔ یا اس کنٹرول پوائنٹ پر کیا دستیاب ہے۔ اور میں وہاں اپنی رسک مینجمنٹ میں اپنی تاریخ کا حوالہ دیتا ہوں ، جہاں ایک کنٹرول پوائنٹ کسی عمل یا کسی بھی آپشن یا انفرادی یا سافٹ ویئر ایپلی کیشن کا کوئی نقطہ ہوتا ہے جہاں آپ واقعی کچھ تبدیل کرسکتے ہیں ، ٹھیک ہے؟ اسی کو وہ کنٹرول پوائنٹ کہتے ہیں۔ اور ، میرے نزدیک ، یہ واقعی قابل قدر ہے کہ آپ کو یہ بصری فریم ورک مل جائے۔ اس کے بعد آپ دیکھ سکتے ہیں اور چل سکتے ہیں اور اس میں ابھی وقت لگتا ہے۔ اس چیز کا نظم و نسق کرنے اور واقعتا understand اسے سمجھنے اور اس کو بہتر بنانے میں ، انسانی دماغ کو وقت لگتا ہے ، ٹھیک ہے؟
رون ہوازنگا: بالکل۔ اور اس طرح کے مختلف انداز کو استعمال کرنے کے ل I جو میرے خیال میں اس کو تناظر میں رکھتا ہے: میں ہوا بازی کا نٹ ہوں تو میں کہوں گا ، اگر آپ متوازی انداز میں اس کے بارے میں سوچنے کی کوشش کر رہے ہیں تو ، 747 کی تعمیر کے بارے میں سوچیں - یا ایک ایئربس 380 ، لہذا میں ایک دوسرے پر دکاندار نہیں چنتا - اس بارے میں سوچیں کہ بلیو پرنٹ اور 3-D CAD ڈرائنگز کی بجائے صرف متن پر مشتمل دستاویزات اور اس کے سب کچھ کی بنا پر یہ کرنا کتنا مشکل ہوگا۔ یہ دراصل ایک ساتھ جمع ہے۔
ایرک کااناگ: ہاں یہ کھردرا ہوگا۔ اور جین کو بھی بولنا پڑا۔
رون Huizenga: کاروبار ایک ہی ہے ، ٹھیک ہے؟
ایرک کااناگ: ہاں ، یہ ٹھیک نہیں ہے۔ جین کو آپ کے گرم علاقوں میں سے کسی سے بات کرنا پڑی ہے جس کی آپ تعلیم حاصل کرنا پسند کرتے ہیں ، جو کہ تصور ہے۔ آپ کو کسی چیز کو مکمل طور پر سمجھنے کے ل visual اسے دیکھنے کے قابل ہونا پڑے گا ، ایسا مجھے لگتا ہے۔
جین انڈر ووڈ: ہاں ، بہت سارے انسان کرتے ہیں۔ اور یہاں تک کہ صرف ایک تصور ہی بولتا ہے ، کیا کہاوت ہے ، ہزاروں الفاظ یا اس طرح کی باتیں۔ جب وہ اسے دیکھتے ہیں ، تو وہ اس پر یقین کر سکتے ہیں۔ اور وہ مل گئے۔
ایرک کااناگ: میں اتفاق کرتا ہوں۔ اور میں محبت کرتا ہوں ، رون ، جس طرح سے آپ نے سب کو ایک ساتھ کھینچ لیا ہے۔ مجھے لگتا ہے کہ میں صرف اپنے آپ سے دوبارہ پوچھ رہا ہوں ، آپ کو تنظیم کے اندر کسی چیمپئن کی ضرورت ہے اور جو وہاں سے باہر ہوگا ، مختلف گروپس سے رابطہ کا کام کرے گا۔ ڈیٹا اسٹیورڈز ایک ایسی چیز ہے جس کے بارے میں ہم اکثر گفتگو کرتے ہیں - مجھے لگتا ہے کہ یہ واقعی میں ایک اہم کردار ہے اور مجھے لگتا ہے کہ یہ ایک ایسا کردار ہے جس نے پچھلے تین یا چار سالوں میں بہت زیادہ توجہ حاصل کی ہے کیونکہ ہم نے ڈیٹا کی قدر کو سراہا ہے۔ گورننس ، ٹھیک ہے؟ وہ ڈیٹا اسٹورڈ وہ شخص ہے جو کاروبار سے بات کرسکتا ہے بلکہ نظام کو بھی سمجھ سکتا ہے ، ڈیٹا لائف سائیکل کو سمجھ سکتا ہے ، اس ساری تصویر۔ اور میرا اندازہ ہے کہ وہ شخص سی ای او کے اصول کے تحت ہوسکتا ہے اور ہونا چاہئے ، ٹھیک ہے؟
رون ہوازنگا: ہاں ، اور آپ کو ایک کثیر مقاصد والی ٹیم کی ضرورت ہے ، ٹھیک ہے؟ لہذا آپ کو ایسے افراد کی ضرورت ہوگی جو اس پر مشتمل ایک ٹیم پر مشتمل ہوں یا وہ تکنیکی شعبے کی نمائندگی کرنے والے مختلف علاقوں سے ہوں ، جو آپ جانتے ہو ، مختلف کاروباری شعبے ہیں۔ اور ، آپ جانتے ہو ، کس طرح کی تنظیم کے لحاظ سے ، اگر آپ کو ایک پروجیکٹ مینجمنٹ آفس مل گیا ہے اور بہت سارے اقدامات جو آپ پی ایم او کے ذریعہ چلائے جاتے ہیں ، تو آپ یہ یقینی بنانا چاہتے ہیں کہ آپ کو پی ایم او ہے۔ شمولیت کے ساتھ ساتھ محض ہر قسم کی ہم آہنگی کو برقرار رکھنے اور جس طرح سے وہ چیزوں پر کام کر رہے ہیں اس میں ہم آہنگی پیدا کرنا۔
ایرک کااناگ: ہاں ، اور آپ جانتے ہو ، ایک آخری بات ، میں اس آخری سلائیڈ کو ، گورننس کا فریم ورک دوں گا۔ ہمارے پاس شریک لوگوں نے پوچھا ، کیا اس سلائڈ سے ڈیٹا غائب نہیں ہے؟ کیا یہ ، سلائڈ میں ڈیٹا کا انحصار ہے یا سلائیڈ سے ڈیٹا غائب ہونے کے بارے میں آپ کے تبصرے کے بارے میں کیا خیال ہے؟
جین انڈر ووڈ: نہیں ، اور یہ محض ایک عمومی حکمرانی کا فریم ورک ہے۔ بنیادی طور پر ، یہ سیلف سروس BI اسپیس سے ہے ، لہذا اس میں بہت سارے اعداد و شمار شامل ہیں۔ یہ صرف میرے زاویہ اور اپنے نقطہ نظر سے آرہا تھا نہ کہ اس کو اکٹھا کرنے میں ڈیٹا کی طرف مرکوز۔ لیکن اعداد و شمار یقینی طور پر ہوں گے ، جب آپ ان تمام ٹکڑوں کے بارے میں سوچیں گے تو اعداد و شمار موجود ہوں گے۔ چاہے یہ ڈیٹا کی بنیاد ہو ، پورے عمل میں اور پورے فریم ورک میں ڈیٹا کا استعمال احتساب کرنا۔
ایرک کااناگ: ہاں ، ایسا نہیں جو پوری معنی میں نہیں آتا۔ اور مجھے لگتا ہے کہ رون ، جب آپ یہاں لپیٹتے ہیں تو میں صرف ایک آخری سوال آپ کے سامنے پھینک دوں گا۔ اگر میں اس بارے میں سوچتا ہوں کہ ہم ان دنوں کتنی زیادہ معلومات اور کتنا زیادہ ڈیٹا استعمال کر رہے ہیں اور دور دراز کی تنظیمیں کس حد تک ہیں تو ، چینلز کے شراکت داروں کے مابین آج کے ماحولیاتی نظام کی کیا اہمیت ہے اور ہم ان شراکت میں اور کس طرح معلومات کو بانٹ سکتے ہیں۔ اس پر بلاکچین کا تھوڑا سا فوری حوالہ - چیزوں کو زیادہ پیچیدہ نہ بنانا۔ سب سے اہم بات یہ ہے کہ ہم کاروباری نقطہ نظر اور ہماری روزمرہ کی زندگی سے ، تیزی سے ڈیٹا سے چلنے والی منسلک دنیا میں ہیں۔ اور میرے نزدیک ، تنظیموں کو واقعی اس بات پر سخت نظر ڈالنا ہے کہ آپ یہاں کیا تجویز کررہے ہیں ، جو ان کی پختگی ہے ، وہ کہاں کھڑے ہیں اور وہ وکر کے لحاظ سے کس حد تک ہیں۔ واقعی اس کے بارے میں خود کے ساتھ ایماندار ہونا ، ٹھیک ہے؟ کیوں کہ اگر آپ بہتر نہیں جانتے ہیں تو ، آپ بہتر نہیں کر سکتے ہیں ، اور اگر آپ چیزوں پر غور نہیں کرتے ہیں تو ، آپ کو بہتر طور پر معلوم نہیں ہوگا ، ٹھیک ہے؟
رون ہوازنگا: بالکل۔ اور میرا اندازہ ہے کہ میں ایک جملہ استعمال کروں گا ، آپ شاید اتنے اچھے نہیں ہو جتنے آپ کو لگتا ہے کہ آپ ہیں۔ یہ ایک طرح کی سخت آواز ہوسکتی ہے ، لیکن لوگ اس کے بارے میں کافی پرامید ہوسکتے ہیں ، لیکن اگر آپ واقعی اس پر سخت نظر ڈالیں اور واقعتا good ایک اچھ criticalی ، تنقیدی خود جائزہ لیں تو ، مجھے لگتا ہے کہ کوئی بھی تنظیم ڈھونڈ لے گی ، آپ جانتے ہیں ، وہ اہم خلیجیں ہیں جو ان کو پتہ کرنے کی ضرورت ہے۔
ایرک کااناگ: مجھے اتفاق کرنا ہوگا۔ اور وہاں موجود ہمارے ایک ساتھی نے میٹا ڈیٹا کی اہمیت ، ڈیٹا سے متعلق اعداد و شمار پر تبصرہ کیا۔ اس میں کوئی شک نہیں ہے۔ میٹا ڈیٹا وہ گلو ہے جو ان سارے سسٹم کو ایک ساتھ رکھتا ہے اور ہم نے ابھی تک اس کوڈ کو مکمل طور پر توڑ نہیں لیا ہے اور اچھی وجہ سے ، صاف گوئی سے ، کیونکہ میٹا ڈیٹا تبدیل ہوتا ہے۔ یہ نظام سے مختلف ہے۔ آپ جانتے ہو ، جتنا آپ اپنے ڈیٹا کو معمول پر لانے کی کوشش کرتے ہیں ، اتنا ہی کم درست لگتا ہے کہ یہ ہوتا ہے۔
لہذا ہم ابھی اس عجیب و غریب دنیا میں قسم کے ہیں اور شاید مجھے لگتا ہے کہ میں آپ سے ایک اور سوال کی بات کروں گا ، جین ، کیونکہ آپ نے ڈیٹا کیٹلاگ کا ذکر دو بار کیا ہے۔ I really love this new movement of data catalog technology that automatically scans your information systems, ascertains metadata column names, so on and so forth, and helps you to incrementally build up the strategic view of your data and your metadata in your systems. Because to me, to manually do that stuff, it's just, there's just too much. And you're never going to get to the top of that hill before the avalanche comes down on you and, you know, you either have normalized to the point of play-dough gray or you haven't normalized enough to where you really don't know what's going on. To me, using the machines, the machine learning that we keep talking about, that's going to be the key in the future to help us at least get a rope around enough of the data to have a good understanding of what's out there, right Jen?
Jen Underwood: Yeah, I do. I love these technologies. They're very, very cool. And then you think about it, it gives you that massive running start. And then you can crowdsource. You have your data stewards, you know, pulling ahead, whether they're adding their own documentation or this is the perspective out there, these are the changes. You know, saying these are the certified data sources to use for reporting. People can search and find the right data. It's really, really quite nice. And also helps to – when I think about business and how cryptic enterprise data management was when I was when I was doing DBA stuff – we used extended properties and SQL Server and scan with tools like IDERA's, right? To try to create a data catalog. But in DBA or data architects' version of, you know, whatever that value was or that column or field was, it certainly probably didn't match what the business was. So now having the business be able to really easily, you know, go in and find and manage and have everything be goal-based, it's really, I wish we would've had this a long time ago, quite frankly. So it's getting a lot better.
ایرک کااناگ: یہ مضحکہ خیز ہے۔ We've got another final comment from an audience member, saying perhaps blockchain will be the most valuable to put a stamp of authentication to metadata. That's a good point and, you know, blockchain really is amazing technology. I kind of view it as a sort of cohesive foundation for connecting a lot of the dots between systems and applications and so forth. And, you know, we're in the early stages of blockchain development, but we now see that it is spun off, of course, from this point originally where it came to the fore, and now you've got IBM working very hard on blockchain technologies. SAP has bought into all that. And really it's, it presents an opportunity for a deeper foundation and framework to connect all these systems and all these dots.
So, folks, have burned well over an hour. Thanks for staying along with us today, but we always like to answer your questions and get to all the commentary. We do archive all these webcasts for later viewing, so hop online to insideanalysis.com, where you can find the link to that. It should be up within a few hours, typically after the event. And we'll catch up to you next time. We got a couple more events coming up next week – lots of stuff going on. But that will bid you farewell, folks. Thanks for your time. خیال رکھنا. بوہ الوداع۔
