ٹیکوپیڈیا اسٹاف کے ذریعہ ، 16 نومبر ، 2016
ٹیکو وے : میزبان ایرک کااناگ نے فرحت بخش ترقی میں ڈیٹا ماڈلنگ کی اہمیت پر رابن بلور ، ڈیز بلانک فیلڈ اور آئی ڈی ای آر اے کے رون ہائینگگا کے ساتھ تبادلہ خیال کیا۔
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۔ ایک بار پھر خوش آمدید۔ یہ بدھ 4:00 EST بجے ہے۔ اس کا مطلب یہ ہے کہ ہاٹ ٹیکنالوجیز کا وقت آگیا ہے۔ ہاں یقینا. میرا نام ایرک کااناگ ہے ، میں آپ کا میزبان بنوں گا۔
آج کے موضوع کے لئے ، یہ ایک بوڑھا ہے لیکن ایک اچھا ہے۔ یہ روز بروز بہتر ہورہا ہے کیونکہ یہ ہماری ڈیٹا مینجمنٹ کی دنیا کی تشکیل کررہا ہے ، "فرتیلی ماحول میں ڈیٹا ماڈلنگ۔" آپ کے بارے میں واقعی ایک سلائڈ ہے ، ٹویٹر @ ایرک_کااناگ پر مجھے مارا۔ ہمیں واقعی اس سلائڈ پر رکھنا چاہئے۔ مجھے اس پر حاصل کرنا پڑے گا۔
تو سال گرم ہے۔ ڈیٹا ماڈلنگ ہمیشہ کے لئے رہا ہے۔ یہ واقعی انفارمیشن مینجمنٹ بزنس کے دل و جان میں ہے ، ڈیٹا ماڈل تیار کرتے ہیں ، کاروباری ماڈلز کو سمجھنے اور انہیں اپنے ڈیٹا ماڈل میں سیدھ میں کرنے کی کوشش کرتے ہیں۔ واقعی آپ یہی کرنے کی کوشش کر رہے ہیں ، ٹھیک ہے؟
ڈیٹا ماڈل بزنس کو بنیادی انداز میں نمائندگی کرتا ہے ، تو یہ سبھی ڈیٹا کے ذرائع کھیل کو کس طرح تبدیل کررہے ہیں؟ ہم اس کے بارے میں معلوم کرنے جا رہے ہیں۔ ہم یہ جاننے کے لئے جارہے ہیں کہ آپ فرتیلی انداز میں کس طرح چیزوں کے اوپر رہ سکتے ہیں۔ اور ظاہر ہے ، یہ سال کا لفظ ہے۔
رابن بلور ہمارے ساتھ ، ہمارے چیف تجزیہ کار ، ڈز بلن فیلڈ سڈنی ، آسٹریلیا سے فون کررہے ہیں اور آئی ڈی آر اے سے تعلق رکھنے والے سینئر پروڈکٹ منیجر رون ہوازنگا۔ جو میرا طویل عرصہ سے دوست ہے ، اس جگہ میں بہترین اسپیکر ہے ، اس کا سامان جانتا ہے ، لہذا شرمندہ مت ہو ، پوچھیں مشکل سوالات ، لوگ ، مشکل۔ اس کے ساتھ ، میں رابن کو پیش کنندہ بناؤں گا ، اور اسے لے جاؤں گا۔
ڈاکٹر رابن بلور: ٹھیک ہے۔ ٹھیک ہے ، ایرک کے لئے آپ کا شکریہ. مجھے ماڈلنگ کے بارے میں کہنا پڑتا ہے جس کے بارے میں میں سوچتا ہوں کہ میں واقعتا IT آئی ٹی کی دنیا میں تھا اس سے پہلے ہی اس معنی میں کہ مجھے یاد ہے کہ میں انشورنس کمپنی میں کام کرتا ہوں جس کے لئے میں نے کام کیا تھا ، کہ ہمارے پاس ایک لڑکا آیا تھا اور ہم سب کو ایک قسم دے گا۔ ڈیٹا کو ماڈل بنانے کے طریقہ کار پر ورکشاپ کا۔ تو ہم تقریبا 30 سالوں کی طرف دیکھ رہے ہیں ، کیا یہ 30 سال ہے؟ شاید اس سے بھی زیادہ لمبا ، شاید 35 سال پہلے۔ ایک لمبا ، لمبا عرصہ ماڈلنگ دراصل انڈسٹری کا ایک حصہ رہا ہے اور یقینا اس کا کیٹ واک پر موجود خواتین کے ساتھ کوئی تعلق نہیں ہے۔
میں جو کہنا چاہتا تھا ، کیوں کہ ہم عام طور پر کیا کرتے ہیں ، کیا میں اور ڈیز مختلف چیزوں کے بارے میں بات کرتے ہیں اور میں نے سوچا کہ میں ماڈلنگ کو عمومی جائزہ دوں گا ، لیکن اس کی ایک حقیقت یہ ہے جو اب ظاہر ہوتی جارہی ہے۔
ہمارے پاس ، آپ کو معلوم ہے ، اعداد و شمار کی بڑی حقیقت ، ہمارے پاس زیادہ اعداد و شمار موجود ہیں ، زیادہ ڈیٹا ذرائع ہیں ، ہمارے پاس اعداد و شمار کے سلسلے ہیں جو پچھلے تین یا چار سالوں میں مساوات میں داخل ہوئے ہیں اور اس کا ایک بڑا حصہ حاصل کرنا شروع کر رہے ہیں ، اور اعداد و شمار کو سمجھنے اور تبدیلی کی شرح میں اضافے کی زیادہ ضرورت ہے جو زیادہ اعداد و شمار کو شامل کیا جارہا ہے اور اعداد و شمار کے زیادہ ڈھانچے کو بھی استعمال کیا جارہا ہے۔
یہ ایک مشکل دنیا ہے۔ یہاں اس کی ایک تصویر ہے ، جو در حقیقت ہم نے تقریبا three تین سال پہلے تیار کی تھی لیکن بنیادی طور پر ، ایک بار جب آپ مرکب میں شامل ہوجائیں گے اور آپ کو ڈیٹا ریفائنری ، ڈیٹا ہب ، ڈیٹا لنک یا کوئی بھی چیز مل جائے گی ، آپ کو معلوم ہوگا کہ ڈیٹا موجود ہے واقعی آرام سے ، اس لحاظ سے کہ یہ زیادہ حرکت نہیں کر رہا ہے۔ اور پھر اعداد و شمار ، نہریں موجود ہیں اور آپ کو ساری ٹرانزیکشنل ایپلی کیشن مل گیا ہے ، اس کے علاوہ آج کل آپ کو ایونٹس ، ایونٹ کا ڈیٹا فلو ملا ہے جو ایپلی کیشنز میں ہوتا ہے اور اس کی ضرورت ہوسکتی ہے ، اور آج کل لیمبڈا فن تعمیر کے ساتھ ہر ایک کی بات کر رہے ہیں ، حقیقی طور پر اعداد و شمار کے صرف پورے فیلڈ پر اثر ڈال رہا ہے۔
اور آج کل ڈیٹا لیئر ہونے کے معاملے میں سوچئے۔ ڈیٹا لیئر ایک طرح کے ورچوئل انداز میں موجود ہے ، اس معنی میں کہ اس کا ایک اچھا ٹکڑا بادل میں ہوسکتا ہے اور یہ ڈیٹا سینٹرز میں پھیل سکتا ہے ، یہ ورک سٹیشنوں پر موجود ہوسکتا ہے۔ ڈیٹا لیئر کسی حد تک ، ہر جگہ اور اس لحاظ سے ، ہر جگہ ایسے عمل موجود ہیں جو ڈیٹا پر کارروائی کرنے اور اعداد و شمار کو آگے بڑھانے کے لئے ایک طرح سے کوشش کر رہے ہیں۔ لیکن جب آپ اس کے بارے میں آگے بڑھ رہے ہو تو یہ جاننا بھی ایک بڑی بات ہے۔
اگر ہم ڈیٹا ماڈلنگ کو عمومی معنوں میں دیکھیں تو ، اس طرح کے اسٹیک کے نیچے آپ کے پاس فائلیں اور ڈیٹا بیس ہیں۔ آپ کے پاس اعداد و شمار کے عنصر موجود ہیں ، جن میں چابیاں ، عنصر کی تعریفیں ، عرفیت ، مترادفات ، مخصوص جسمانی شکل ہیں اور پھر ہمارے پاس یہ میٹا ڈیٹا پرت ہے۔
میٹا ڈیٹا کے بارے میں دلچسپ بات یہ ہے کہ میٹا ڈیٹا مکمل طور پر یہ ہے کہ ڈیٹا کو اس کے معنی کیسے ملتے ہیں۔ اگر واقعتا met آپ کے پاس میٹا ڈیٹا نہیں ہے تو پھر آپ اعداد و شمار کے معنی کا اندازہ لگا سکتے ہیں ، لیکن آپ کو بہت مشکلات کا سامنا کرنا پڑتا ہے۔ میٹا ڈیٹا کو وہاں موجود ہونے کی ضرورت ہے ، لیکن مطلب کی ساخت ہے۔ میں مفہوم کے فلسفے میں جانا نہیں چاہتا ، لیکن یہاں تک کہ جس طرح سے ہم اعداد و شمار کا معاملہ کرتے ہیں ، وہاں انسانی فکر اور انسانی زبان میں بہت زیادہ نفاست ہوتی ہے ، جو آسانی سے اعداد و شمار میں اظہار نہیں کرتی۔ لیکن اس اعداد و شمار کے لحاظ سے بھی جس کی حقیقت میں ہم دنیا میں پروسیسنگ کرتے ہیں ، میٹا ڈیٹا کا معنی ہوتا ہے اور میٹا ڈیٹا کی ساخت - ایک دوسرے کے سلسلے میں ڈیٹا کا ایک ٹکڑا اور اس کا کیا مطلب ہے جب وہ ایک دوسرے کے ساتھ رکھے جاتے ہیں اور اس کا کیا مطلب ہوتا ہے جب وہ ' دوسرے اعداد و شمار کے ساتھ دوبارہ شمولیت اختیار کی ، مطالبہ کیا کہ ہم اس کا ماڈل بنائیں۔ چیزوں میں صرف میٹا ڈیٹا ٹیگز ریکارڈ کرنا اتنا اچھا نہیں ہے ، آپ کو فی ساختہ معنی اور ڈھانچے کے مابین تعلقات کو ریکارڈ کرنا ہوگا۔
اس کے بعد ہمارے پاس اوپری تہہ ہے ، کاروباری تعریفیں ، جو عام طور پر ایک ایسی پرت ہے جو میٹا ڈیٹا کے مابین معنی منتقل کرنے کی کوشش کرتی ہے ، جو ڈیٹا ڈیفینیشن کی ایک شکل ہے جو کمپیوٹر اور انسانی معنی پر اس انداز کو ایڈجسٹ کرتی ہے۔ لہذا آپ کے پاس کاروباری شرائط ، تعریفیں ، تعلقات ، ہستی سطح کے تصورات ہیں جو اس پرت میں موجود ہیں۔ اور اگر ہم ان پرتوں کے مابین کوئی ہم آہنگی پیدا کرنے جارہے ہیں تو ہمارے پاس ڈیٹا ماڈلنگ ہونا پڑے گا۔ یہ واقعی اختیاری نہیں ہے۔ اس کو خود کار بنانے کے معاملے میں آپ جتنا زیادہ کام کرسکتے ہیں ، اتنا ہی بہتر۔ لیکن اس کا مطلب یہ ہے کہ اس کا متبادل ہونا واقعی مشکل ہے۔ میٹا ڈیٹا کو کسی ریکارڈ میں پکڑنا اور اسے معانی کی ایک سیریز سے حاصل کرنے کے قابل ہونا بہت آسان ہے ، لیکن اس سے آپ کو ریکارڈ کی ساخت یا ریکارڈ کا کیا مطلب یا ریکارڈ کے سیاق و سباق سے مطلع نہیں ہوتا ہے۔
لہذا ، میری رائے میں ، یہ وہی ہے جو ڈیٹا ماڈلنگ کا ہے۔ نوٹ کرنے کے لئے نکات: ڈیٹا کائنات جتنا پیچیدہ ہوتا جائے گا ، اتنا ہی آپ کو اس کے ماڈل بنانے کی ضرورت ہوگی۔ دوسرے لفظوں میں ، یہ کچھ ایسا ہی ہے جیسا کہ ہم دنیا میں چیزوں کی صرف زیادہ مثالیں شامل نہیں کر رہے ہیں ، جو اعداد و شمار کے ریکارڈوں کے مطابق ہوں گے ، لیکن ہم حقیقت میں زیادہ سے زیادہ چیزوں پر ڈیٹا حاصل کرکے دنیا کو مزید معنی بخش رہے ہیں۔ یہ ایک زیادہ سے زیادہ پیچیدہ احساس ہوتا جارہا ہے جسے ہمیں سمجھنا ہوگا۔
نظریہ میں ڈیٹا کائنات موجود ہے اور ہمیں اس کے نظارے کی ضرورت ہے۔ عملی طور پر ، اصل میٹا ڈیٹا ڈیٹا کائنات کا حصہ ہے۔ تو ، یہ کوئی سادہ سی صورتحال نہیں ہے۔ شروعاتی ماڈلنگ اوپر سے نیچے اور نیچے ہے۔ آپ کو دونوں سمتوں میں تعمیر کرنے کی ضرورت ہے اور اس کی وجہ یہ ہے کہ ، ڈیٹا کا کمپیوٹر اور اس عمل سے معنی ہے ، اس پر عمل کرنا ہے ، لیکن اس کا اپنے ہی معنی ہیں۔ لہذا ، آپ کو ایک نیچے معنی کی ضرورت ہے ، جو سافٹ ویئر کو مطمئن کرتا ہے جس کو ڈیٹا تک رسائی حاصل کرنے کی ضرورت ہوتی ہے اور آپ کو نیچے سے نیچے معنی کی ضرورت ہوتی ہے تاکہ انسان اسے سمجھ سکے۔ میٹا ڈیٹا ماڈلز کی عمارت کبھی بھی ایک پروجیکٹ نہیں ہوسکتی ہے۔ یہ ایک جاری سرگرمی ہے - ہر ماحول میں وہ موجود ہے جس میں وہ موجود ہے۔ خوش قسمتی سے ، بہت سارے ماحول موجود ہیں ، جہاں حقیقت میں ایسا نہیں ہوتا ہے اور اسی کے مطابق چیزیں قابو سے باہر ہوجاتی ہیں۔
آگے بڑھنے کے ساتھ ساتھ ، جیسے جیسے ٹیکنالوجی آگے بڑھتی ہے ، ماڈلنگ اہمیت کے ساتھ بڑھتی جاتی ہے۔ یہ میری رائے ہے۔ لیکن اگر آپ آئی او ٹی پر نگاہ ڈالیں تو ہم موبائل کو پہلے سے کہیں زیادہ سمجھ سکتے ہیں ، حالانکہ اس میں نئی جہتیں متعارف کروائی گئی ہیں: موبائل کے ساتھ محل وقوع کا طول و عرض۔ ایک بار جب آپ IOT پر پہنچ جاتے ہیں تو ، ہم اعداد و شمار کے غیر معمولی مسائل کو دیکھ رہے ہیں جو ہمیں پہلے کبھی نہیں کرنا تھا اور ہمیں ایک راستہ یا دوسرا ، ٹھیک سے یہ سمجھنے کی ضرورت ہے کہ ہمیں کیا ملا ہے ، بالکل اس طرح کہ ہم اسے کس طرح جمع کرسکتے ہیں ، جب ہم اس پر عملدرآمد کرتے ہیں تو ہم جمع ہونے سے معنی حاصل کرنے کے لحاظ سے کیا کرسکتے ہیں ، اور ظاہر ہے کہ ہم اس کے ساتھ کیا کرسکتے ہیں۔
مجھے لگتا ہے کہ میں نے کافی کہا ہے۔ میں ڈیز بلینچفیلڈ کو بھیج رہا ہوں ، جو پوری طرح سے کچھ اور کہے گا۔
ڈیز بلوچفیلڈ: شکریہ۔ ہمیشہ ایک سخت عمل کی پیروی کرنا ، لیکن یہ ایک ایسا عنوان ہے جس پر ہم نے اتفاق کیا اور پیش کش بینر میں اس کے بارے میں مختصر طور پر بات کی ، اور اگر آپ ابتدائی طور پر ڈائل کرتے تو آپ نے شاید بہت سارے جواہرات پکڑ لئے۔ ٹیک اپس میں سے ایک ، اور میں اس خاص کی گرج چوری نہیں کرنا چاہتا ، لیکن ہمارے پیش کش بینر سے لے جانے والے راستوں میں سے ایک جس کو میں شریک کرنا چاہتا ہوں ، اگر آپ اسے پکڑ نہیں لیتے ہیں تو ، اس موضوع کے آس پاس ہی تھا۔ سال ، مہینوں ، ہفتہ ، دن ، گھنٹہ ، منٹ ، دوسرے - اور اعداد و شمار کے آس پاس کے سیاق و سباق - اعداد و شمار کا سفر ، اور اس نے مجھے حقیقت میں اس سفر کے بارے میں سوچ کر تحریری طور پر متاثر کیا جو اعداد و شمار نسل کے دوران زندگی کے مختلف تناظر میں لیتا ہے۔ اس تناظر میں پوزیشن میں ہے۔ چاہے میں ایک ڈویلپر چلانے والا کوڈ ہوں ، یا میں ایک ڈیٹا ماہر ہوں اور میں عناصر میں سے ہر ایک کے ارد گرد ساخت اور وضع اور میٹا ڈیٹا کے بارے میں یا نظام اور کاروبار کے ساتھ تعامل کے طریقے کے بارے میں سوچ رہا ہوں۔
یہ صرف ایک چھوٹی سی دلچسپی ہے جس کو نوٹ کرنا ہے ، لیکن بہرحال ، مجھے ڈوبنے دیں۔ خاص طور پر ، ڈیٹا ڈیزائن ، ایک ایسا جملہ ہے جس کا استعمال میں ہر چیز کے اعداد و شمار اور خاص طور پر یا تو اطلاق یا ڈیٹا بیس کے بنیادی ڈھانچے کی ترقی کے بارے میں بات کرتا ہوں۔ میرے خیال میں ڈیٹا ڈیزائن ایک ایسی اصطلاح ہے جو میرے ذہن میں بس یہ سب اچھی طرح سے گرفت میں لیتی ہے۔ ان دنوں جب ہم ڈیٹا ڈیزائن کے بارے میں بات کرتے ہیں تو ، ہم جدید فرتیلی ڈیٹا ڈیزائن کے بارے میں بات کرتے ہیں ، اور میرا خیال یہ ہے کہ اتنا عرصہ پہلے نہیں ہوا تھا کہ ڈویلپرز اور ڈیٹا ماہرین تنہا کام کرتے تھے۔ وہ اپنے سائلوس میں تھے اور ڈیزائن کے ٹکڑے ایک سیلو سے دوسرے میں جاتے تھے۔ لیکن ان دنوں میں بہت زیادہ نظریہ پیش کر رہا ہوں ، یہ کہ نہ صرف یہ کہ بدلا ہوا معاملہ ہے ، بلکہ اسے بدلنا بھی ہے۔ یہ ایک ضرورت کی طرح ہے اور وہی ایپلی کیشن - ڈویلپرز اور ترقی کے آس پاس کچھ بھی کرنا جو اعداد و شمار ، ڈیزائنرز جو اسکیموں اور فیلڈز اور ریکارڈ اور مقام اور ڈیٹا بیس سسٹمز اور انفراسٹرکچرز ، ماڈلنگ اور پوری انتظامیہ کے متعلقہ ڈیزائن عناصر کرتے ہیں۔ اس کے ارد گرد چیلنج. یہ اب ایک ٹیم کا کھیل ہے اور اسی وجہ سے میری ایک تصویر ہے جو لوگوں کے گروپ سے ہوائی جہاز سے چھلانگ لگا کر ٹیم کے طور پر کام کر رہی ہے تاکہ لوگوں کی بینائی سے دلچسپ تصویر آسمان سے گر رہی ہو۔
تیسرا ، اس کے ل bring کیا ہونے والا ہے؟ ٹھیک ہے ، 1986 میں ایک مضمون ان دو حضرات نے لکھا تھا جن کے ناموں کے ساتھ میں انصاف کرنے کی شدت سے کوشش کرتا تھا ، ہیروٹاکا ٹیکوچی اور اکوجیرو نوناکا ، مجھے لگتا ہے کہ اس کا تذکرہ کیا گیا ہے ، انھوں نے ایک مضمون پیش کیا جس کے عنوان سے انہوں نے "موومنگ آف سکرم ڈاون فیلڈ" کہا۔ اس سکرم سرگرمی سے رگبی کے کھیل کو جیتنے کے طریقہ کار کا یہ خیال ، جہاں ہر ایک کو ایک جگہ مل جاتا ہے اور دو ٹیمیں لازمی طور پر کسی چیز کو اپنے سر پر لاک کرتی ہیں تاکہ کوشش کریں اور گیند پر قابو پالیں اور اسے میدان میں اتاریں۔ ٹرائن لائن پر پہنچیں اور گیند کے ساتھ زمین کو چھوئے اور ایک پوائنٹ حاصل کریں ، جسے ٹرائائن کہا جاتا ہے ، اور آپ اس عمل کو دہراتے ہیں اور آپ کو ٹیم کے لئے مزید پوائنٹس ملتے ہیں۔
یہ مضمون ہارورڈ بزنس ریویو میں 1986 میں شائع ہوا تھا اور دلچسپی سے اس پر خاصی توجہ دی گئی تھی۔ اس پر بہت توجہ دی گئی کیونکہ اس نے حیرت انگیز نئے تصورات متعارف کروائے اور یہاں اس کے سامنے کا اسکرین شاٹ پیش کیا گیا ہے۔ لہذا انہوں نے اس کھیل کے رگبی سے باہر سکرم کا تصور لیا اور انہوں نے اسے کاروبار میں اور خاص طور پر ڈیزائن اور پروجیکٹ کی ترسیل کے کھیل میں ، خاص طور پر پروجیکٹ کی ترسیل میں لایا۔
اسکرم نے ہمیں PRINCE2 یا PMBOK کی پسند کے مقابلے میں ایک نیا طریقہ کار دیا تھا جسے ہم نے آبشار کے طریقہ کار کے نام سے پہلے استعمال کیا تھا ، آپ جانتے ہو ، اس چیز کو اور اس چیز کو اور اس چیز کو تسلسل کے ساتھ پیروی کریں اور جڑیں۔ آس پاس کے تمام نقطوں ، جو آپ کے پاس تھا اس پر انحصار کرتے ہیں ، یا پارٹ ٹو نہیں کرتے جب تک آپ نے پہلا حصہ نہیں کیا کیونکہ اس کا انحصار پارٹ ون پر ہوتا ہے۔ اس نے ہمیں تھوڑا سا زیادہ فرتیلی بننے کا ایک نیا طریقہ کار بتایا ہے ، یہ وہ جگہ ہے جہاں سے ہم چیزیں فراہم کرتے ہیں اور خاص طور پر ڈیزائن اور ترقیاتی نچلی منصوبوں کی ترسیل کے ارد گرد ہے۔
کچھ اہم کرایہ دار - صرف اسی وجہ سے میں اس کے ساتھ ملتا ہوں - سکرم کے اہم کرایہ داروں کے آس پاس ہے۔ اس نے عدم استحکام پیدا کرنے کا خیال پیش کیا ، اگر آپ افراتفری کے خوف کے بارے میں سوچتے ہیں تو ، افراتفری کے عالم میں دنیا موجود ہے ، لیکن یہ سیارہ تشکیل پایا ، جو دلچسپ ہے ، لہذا عدم استحکام پیدا کرنا ، تھوڑا سا اچھالنے کی صلاحیت اور اب بھی حقیقت میں چیزوں کو کام کرنا ، خود تنظیم سازی کرنے والی ٹیموں ، بہت ذمہ دارانہ ترقی کے ذریعہ اوورلیپنگ کے حق میں ، پروجیکٹ کی ترسیل کے سفر کے ذریعے سیکھنے اور کنٹرول کی مختلف اقسام ، سیکھنے کی تنظیمی منتقلی۔ تو ہم کس طرح کاروبار کے ایک حصے سے معلومات لیں اور اسے دوسرے لوگوں کو منتقل کریں جو آئیڈیا رکھتے ہیں لیکن کوڈ تیار نہیں کرتے ہیں یا ڈیٹا بیس اور انفراسٹرکچر تیار نہیں کرتے ہیں ، لیکن ان لوگوں کو ڈیٹا دیتے ہیں؟ اور خاص طور پر وقتی نتائج۔ دوسرے لفظوں میں ، آئیے یہ کچھ مدت کے لئے کرتے ہیں ، یا تو ایک دن جیسے 24 گھنٹوں ، یا ایک ہفتہ یا کچھ ہفتوں میں اور دیکھیں کہ ہم کیا کرسکتے ہیں اور پھر پیچھے ہٹ کر اس کو دیکھیں۔
اور اس طرح ، اگر آپ پن کو معاف کرتے ہیں تو ، یہ واقعی پروجیکٹ کی فراہمی میں ایک نیا کھیل ہے اور اس کے تین بنیادی حص componentsے جو سمجھ میں آئیں گے کہ ہمیں یہاں کچھ اور ہی آگے بڑھایا جائے گا - اس کی مصنوعات ہے: ان سب لوگوں کا خیال ہے اور کچھ کرنے کی ضرورت اور ان کے آس پاس کی کہانی۔ ڈویلپرز جو اپنی کہانیاں حاصل کرنے کے فرتیلی ماڈل میں کام کرتے ہیں اور اسکرم کے طریقہ کار کا استعمال کرتے ہوئے اس پر بحث کرنے اور سمجھنے کے لئے کہ انہیں کیا کرنے کی ضرورت ہے ، اور روزانہ اسٹینڈ اپ کے ذریعہ کام کرتے ہیں ، اور پھر آگے بڑھتے ہیں اور کرتے ہیں۔ پھر لوگوں ، ہم نے سکرم ماسٹروں کے بارے میں سنا ہے جو اس ساری چیز کی نگرانی کرتے ہیں اور اس کو چلانے کے ل the طریقہ کار کو اچھی طرح سمجھتے ہیں۔ ہم سب نے ان تصاویر کو دیکھا ہے جو میں نے یہاں دائیں طرف کی دیواروں اور وائٹ بورڈز پر پوسٹ آٹس نوٹ سے بھرا ہوا دیکھا تھا اور انہیں کنبان کی دیوار کے طور پر پیش کیا گیا تھا۔ اگر آپ نہیں جانتے ہیں کہ کنن کون ہے تو ، میں آپ کو گوگل میں دعوت دیتا ہوں کہ مسٹر کنبن کون تھا اور یہ کیوں تبدیل ہوا کہ ہم چیزوں کو ایک طرف سے دوسری طرف دیوار میں منتقل کرتے ہیں لیکن کسی پروجیکٹ میں۔
ایک نظر میں ، اسکرام کا کام یہ کرتا ہے: یہ ان چیزوں کی ایک فہرست لیتا ہے جو کوئی ادارہ کرنا چاہتا ہے ، ان چیزوں کی ایک سیریز کے ذریعے ان کو چلائیں جسے ہم اسپرٹ کہتے ہیں جو 24 گھنٹوں کے عرصے ، مہینوں کی مدت تک ٹوٹ جاتا ہے۔ آؤٹ پٹس کی اس بڑھتی ہوئی سیریز حاصل کریں. منصوبوں کی فراہمی کے طریقوں میں یہ ایک اہم تبدیلی ہے ، اس مرحلے تک پہنچا دی گئی کیونکہ اس کا کچھ حصہ امریکی فوج کی طرح بہتا ہے جس کے پاس پی ایم بی اوک نامی کسی چیز کی تیاری کا بہت بڑا حصہ ہوتا تھا ، جیسے یہ خیال کہ ٹینک کو میدان میں نہ لے۔ جب تک آپ چیزوں کو گولیوں میں نہیں ڈالتے ہیں کیونکہ اگر کھیت میں کسی ٹینک پر گولیوں کی گنجائش نہیں ہے تو وہ بیکار ہے۔ لہذا حصہ ایک کو گولیوں کو ٹینک میں ڈال دیا جاتا ہے ، دوسرا حصہ ٹینک کو کھیت میں ڈال دیا جاتا ہے۔ بدقسمتی سے ، اگرچہ ، ترقیاتی دنیا میں ڈویلپروں کے ساتھ جو کچھ ہوا اسے کسی نہ کسی طرح اس فرتیلی طریقہ کار کی گرفت حاصل ہوگئی اور اگر آپ اس سپرنٹ پر معافی معاف کردیں تو ، اس کے ساتھ بھاگ نکلا۔
ہمیشہ ایسا ہی ہوا ، جب ہم فرتیلی کے بارے میں سوچتے ہیں تو ہم عام طور پر ڈویلپرز کے بارے میں سوچتے ہیں نہ کہ ڈیٹا بیس اور ڈیٹا بیس کی دنیا کے ساتھ کوئی لینا دینا۔ یہ ایک بدقسمتی کا نتیجہ تھا کیونکہ حقیقت یہ ہے کہ فرتیلی صرف ڈویلپرز تک محدود نہیں ہے۔ دراصل ، میرے نزدیک فرتیلی اصطلاح اکثر غلط طور پر خاص طور پر سافٹ ویئر ڈویلپرز کے ساتھ منسلک ہوتی ہے نہ کہ ڈیٹا بیس ڈیزائنرز اور معماروں سے۔ سافٹ ویئر اور ایپلیکیشن ڈویلپمنٹ میں آپ کو ہمیشہ وہی چیلنج درپیش ہیں جن کا سامنا آپ کو ڈیزائن اور ترقی ، آپریشن اور دیکھ بھال اور اس وجہ سے ڈیٹا انفراسٹرکچر اور خاص طور پر ڈیٹا بیس سے کرنا ہے۔ اس خاص اعداد و شمار کے کاسٹ میں اداکاروں میں ڈیٹا آرکیٹیکٹس ، مولڈرز ، منتظمین ، ڈیٹا بیس انفراسٹرکچرز کے منیجرز اور کاروبار اور نظام تجزیہ کاروں اور آرکیٹیکٹس تک پہنچنے والے اصل ڈیٹا بیس خود ہی شامل ہیں ، جو لوگ بیٹھے رہتے ہیں اور اس کے بارے میں سوچتے ہیں اور کاروبار چلتا ہے اور ہم ان میں سے اعداد و شمار کو کیسے بہا لیتے ہیں۔
یہ ایک ایسا مضمون ہے جس کو میں باقاعدگی سے پیش کرتا ہوں کیونکہ یہ میری مستقل مایوسی ہے کیونکہ میں اس نظریے میں بہت زیادہ ہوں کہ ڈیٹا کے ماہرین کو لازمی طور پر - ایسا نہیں کرنا چاہئے - اب ضروری نہیں ہے کہ وہ منصوبے کی فراہمی کے ہر جزو میں واقعتا، بالخصوص ترقی میں شامل ہوں۔ ہمارے لئے نہ کرنا ، پھر ہم واقعی اپنے آپ کو اچھے نتائج کا بہترین موقع نہیں دے رہے ہیں۔ ہمیں اکثر ان شاخوں کے پیچھے گھومنا پڑتا ہے اور ان چیزوں کے بارے میں ایک اور سوچنا پڑتا ہے کیونکہ وہاں ایک منظر نامہ موجود ہے ، ہمیں ایک ایپلیکیشن بنائی جارہی ہے اور ہمیں پتہ چلتا ہے کہ ڈویلپر ہمیشہ ڈیٹا کے ماہر نہیں ہوتے ہیں۔ ڈیٹا بیس کے ساتھ کام کرنے میں بہت مہارت کی مہارت کی ضرورت ہوتی ہے ، خاص طور پر ڈیٹا کے آس پاس ، اور ایک تجربہ بناتا ہے۔ آپ صرف فوری طور پر راتوں رات ڈیٹا بیس گرو یا ڈیٹا نالج کے ماہر نہیں بنتے ہیں۔ یہ اکثر ایسا ہوتا ہے جو زندگی بھر کے تجربے سے ہوتا ہے اور یقینی طور پر کوڈ ٹوڈے پر ڈاکٹر رابن بلور کی پسند کے ساتھ آتا ہے ، جس نے کتاب کو بڑی حد تک بڑے پیمانے پر لکھا تھا۔
بہت سے معاملات میں - اور یہ بدقسمتی کی بات ہے لیکن یہ حقیقت ہے کہ اس سکے کے دو حصے ہیں ، وہ یہ ہے کہ سافٹ ویئر ڈویلپرز کے پاس ڈیٹا بیس کے ماہر کی طرح بلیک آؤٹ ہوتا ہے اور ڈیٹا بیس ڈیزائن ماڈلنگ میں آپ کی ضرورت کی مہارت کی تشکیل ہوتی ہے ، ماڈل ڈویلپمنٹ صرف گورو انجینئرنگ کے لئے بنیادی ہے کہ ڈیٹا کیسے آتا ہے اور اس سفر کی تنظیم کس طرح لیتا ہے اور اسے کیا ہونا چاہئے یا نہیں ہونا چاہئے ، یا بلاشبہ یہ سمجھا جاتا ہے کہ سمجھا جاتا ہے کہ یہ عام طور پر سوفٹ ویئر ڈویلپرز کے لئے مقرر کردہ مقامی مہارت میں حاصل ہوا ہے۔ اور کچھ عام چیلنجوں کا سامنا کرنا پڑتا ہے ، صرف اس تناظر میں ، بنیادی ڈیٹا بیس ڈیزائن کی خود بنیادی ڈھانچہ اور بحالی اور انتظام ، ڈیٹا اور ڈیٹا بیس انفراسٹرکچر کو دستاویزی بنانا اور پھر ان ڈیٹا اثاثوں ، اسکیما ڈیزائنز ، اسکیمہ کی نسلیں ، اسکیما کی انتظامیہ اور دیکھ بھال اور ان کا استعمال ، اس اسکیمے کو کسی خاص طریقے سے کیوں ڈیزائن کیا گیا ہے اور وقت کے ساتھ ساتھ آنے والی طاقتوں اور کمزوریوں کے بارے میں یہ معلومات بانٹنا کہ وقت کے ساتھ ساتھ ڈیٹا میں تبدیلی آتی ہے ، ڈیٹا ماڈلنگ اور اقسام ہم ان ماڈلز کے جن سسٹمز اور ڈیٹا کو استعمال کرتے ہیں ان کے ذریعہ ہم بہتے ہیں۔ ڈیٹا بیس کوڈ کی تیاری اور یہ انضمام پر جاتا ہے اور پھر ان کے آس پاس ڈیٹا کو ماڈل کیا جاتا ہے اور پھر ڈیٹا کے ارد گرد سیکیورٹی پر قابو پانے کے لئے زیادہ تیزی سے رسائی حاصل ہوتی ہے ، اعداد و شمار کی سالمیت ہم اس ڈیٹا کو ادھر ادھر منتقل کرتے ہیں جیسے ہی ہم اس کی سالمیت کو برقرار رکھتے ہیں ، کیا اس کے ارد گرد کافی میٹا ڈیٹا موجود ہے؟ یہ ، کیا فروخت کو ٹیبل میں موجود تمام ریکارڈ دیکھنا چاہئے یا انہیں صرف پتہ ، پہلا نام ، آخری نام دیکھنا چاہئے جو پوسٹ میں آپ کو سامان بھیجتا ہے؟ اور پھر یقینا سب کا سب سے بڑا چیلنج یہ ہے کہ ماڈلنگ ڈیٹا بیس پلیٹ فارم جو خود میں مکمل طور پر ایک مختلف گفتگو ہے۔
میں اس نظریہ کو بہت زیادہ دیکھتا ہوں کہ اس نروان کو کسی بھی ممکنہ بنانے کے ل mind ، یہ بات انتہائی نازک ہے کہ ڈیٹا کے ماہر اور ڈویلپر دونوں کے پاس مناسب ٹولز موجود ہیں اور وہ ٹولز ٹیم پر مبنی پروجیکٹ کی فراہمی کے اہل ہیں ، ڈیزائن ، ترقی اور جاری آپریشنل بحالی۔ آپ جانتے ہو ، ڈیٹا کے ماہرین اور سافٹ ویئر ڈویلپرز کے مابین منصوبوں میں تعاون کرنا ، خود ہی ڈیٹا بیس کی دستاویزات ، ڈیٹا ، اسکیما ، جہاں سے ریکارڈ آتے ہیں ، ان ریکارڈوں کے مالکان کے درمیان موجود تمام چیزوں کے لئے سچائی کا ایک نقطہ یا سچ کا واحد ذریعہ . میں سمجھتا ہوں کہ اس زمانے اور زمانے میں یہ بالکل نازک ہے ، ہم اعداد و شمار کے بادشاہ بننے کے لئے یہ نروانا حاصل کرنے جارہے ہیں ، کہ صحیح ٹولز کو اپنی جگہ بننا ہوگا کیوں کہ اب ہمارے لئے اس کو دستی طور پر کرنا چیلنج بہت بڑا ہے ، اور اگر لوگ کسی ایک تنظیم میں اور اس سے باہر جاتے ہوئے ، ہمارے لئے یہ آسان ہے کہ ہم وہی عمل یا طریقہ کار پر عمل نہ کریں جو ایک شخص مرتب کرے جو اچھا ہے اور ضروری نہیں کہ وہ آگے بڑھ کر ان صلاحیتوں اور صلاحیتوں کو منتقل کرے۔
اس بات کو ذہن میں رکھتے ہوئے ، میں آئی ڈی ای آر اے میں اپنے اچھے دوست کی طرف جاؤں گا اور اس ٹول کے بارے میں سنوں گا اور یہ ان چیزوں کو کس طرح ایڈریس کرتا ہے۔
رون ہوازینگا: واقعی اچھ .ا موقع بہتر بنانے کے لئے آپ کا بہت بہت شکریہ اور رابن اور ڈیز دونوں کا شکریہ ، اور آپ کو ایک دو چیزوں میں تھوڑا سا وورلیپ نظر آنے والا ہے جس کے بارے میں میں نے بات کی ہے۔ لیکن انہوں نے واقعی میں ان تصورات میں سے کچھ کے لئے ایک بہت ہی مضبوط بنیاد رکھی ہے جس کے بارے میں میں ڈیٹا ماڈلنگ کے نقطہ نظر سے بات کروں گا۔ اور بہت ساری باتیں جن کا انہوں نے کہا ہے اس سے میرے اپنے تجربے کی بازگشت ہوتی ہے جب میں ٹیموں کے ساتھ ساتھ ، ڈیٹا ماڈلنگ اور ڈیٹا فن تعمیر میں کام کرنے والا ایک مشیر تھا - ابتدائی دنوں میں آبشار اور ایسے منصوبوں کے ساتھ زیادہ جدید مصنوعات میں تیار ہوا جہاں ہم فرتیلی استعمال کررہے تھے۔ حل فراہم کرنے کے طریقے۔
لہذا میں آج کے بارے میں جس بات کے بارے میں بات کرنے جا رہا ہوں وہ ان تجربات کے ساتھ ساتھ ٹولز اور ان صلاحیتوں میں سے کچھ صلاحیتوں پر بھی مبنی ہے جو ہم اس سفر میں ہماری مدد کے لئے استعمال کرتے ہیں۔ جس کا میں بہت مختصر طور پر احاطہ کرنے جا رہا ہوں وہ یہ ہے کہ ، میں بہت زیادہ تفصیل سے سکرم میں نہیں جاؤں گا۔ ہمارے پاس ابھی واقعی کا ایک عمدہ جائزہ تھا۔ میں اس کے بارے میں بات کرنے جارہا ہوں ، ڈیٹا ماڈل کیا ہے اور اس کا ہمارے لئے واقعی کیا مطلب ہے؟ اور ہم اپنی تنظیموں میں فرتیلی ڈیٹا ماڈلر کے تصور کو کیسے قابل بناتے ہیں ، اس لحاظ سے ، ہم ڈیٹا ماڈلوں کو کس طرح شامل کرتے ہیں ، اسپرٹ کے دوران ماڈلوں اور معماروں کی کیا شرکت ہے ، ان میں کس قسم کی سرگرمیوں میں مصروف رہنا چاہئے۔ ، اور ، اس پس منظر کے طور پر ، ماڈلنگ کے چند اہم قابلیت کیا ہیں جو ہم واقعی اس کام کو آسان بنانے میں مدد کے لئے استعمال کرتے ہیں؟ اس کے بعد میں تھوڑا سا لپیٹ کر جاؤں گا اور کچھ کاروباری اقدار اور ڈیٹا موڈلر کے شامل ہونے کے فوائد کے بارے میں ، یا جس طرح سے میں واقعی کہانی سنانے جا رہا ہوں اس کے بارے میں تھوڑی سی بات کروں گا۔ ڈیٹا ماڈلر کو منصوبوں میں مکمل طور پر مشغول نہ رکھنے کی پریشانیوں اور میں آپ کو اس تجربے کی بنیاد پر دکھاتا ہوں اور اس سے پہلے اور بعد میں کسی حقیقی پروجیکٹ کی شبیہہ کے نقائص کے چارٹ پر مبنی ہوتا ہوں جس کے ساتھ میں بہت سال پہلے ملوث تھا۔ اور پھر ہم کچھ اور نکات کا خلاصہ کریں گے اور پھر اس کے علاوہ سوالات اور جوابات ہوں گے۔
بہت مختصر طور پر ، ER اسٹوڈیو ایک بہت ہی طاقتور سویٹ ہے جس میں اس کے بہت سے مختلف اجزاء ہیں۔ ڈیٹا آرکیٹیکٹ ، جہاں ڈیٹا ماڈلرز اور آرکیٹیکٹس اپنا زیادہ تر وقت اپنے ڈیٹا ماڈلنگ میں صرف کرتے ہیں۔ اس کے علاوہ دیگر اجزاء بھی موجود ہیں جن کے بارے میں ہم آج کے دن بزنس آرکیٹیکٹ کے بارے میں بات کرنے نہیں جارہے ہیں ، جہاں ہم UML ماڈلنگ میں سے کچھ کے لئے ماڈلنگ اور سوفٹ ویئر آرکیٹیکٹ کو پروسیس کرتے ہیں۔ اس کے بعد ریپوزٹریری موجود ہے ، جہاں ہم چیک ان کرتے ہیں اور ہم ماڈلز کا اشتراک کرتے ہیں اور ہم ٹیموں کو ان کے ساتھ تعاون کرنے اور انہیں ٹیم سرور پر شائع کرنے کی اجازت دیتے ہیں تاکہ متعدد اسٹیک ہولڈر سامعین جو کسی پروجیکٹ میں مصروف ہیں دراصل وہ نمونے دیکھ سکتے ہیں جو ہم ' دوبارہ اعداد و شمار کے نقطہ نظر سے پیدا کرنے کے ساتھ ساتھ دوسری چیزیں جو ہم خود پروجیکٹ کی فراہمی میں کر رہے ہیں۔
آج جس چیز پر میں توجہ مرکوز کرنے جا رہا ہوں اس میں کچھ چیزیں ہونے والی ہیں جن کو ہم ڈیٹا آرکیٹیکٹ سے باہر دیکھنا چاہتے ہیں اور اس لئے کہ یہ واقعی اہم ہے کہ ہمارے پاس اس کے ذخیروں پر مبنی پہلوؤں کا باہمی تعاون ہے۔ خاص طور پر جب ہم تبدیلی کے انتظام جیسے تصورات کے بارے میں بات کرنا شروع کریں جو نہ صرف فرتیلی ترقیاتی منصوبوں ، بلکہ کسی بھی طرح کی ترقی کو آگے بڑھانا ضروری ہے۔
تو آئیے ایک لمحے کے لئے ایجیل ڈیٹا موڈلر کے بارے میں بات کرتے ہیں۔ جیسا کہ ہمارے پاس ، قسم کی طرح ، پیش کش میں پہلے کی طرف اشارہ کیا گیا ، یہ ضروری ہے کہ ہمارے پاس ڈیٹا ماڈلرز اور / یا معمار فرتیلی ترقی کے عمل میں پوری طرح سے مصروف ہوں۔ اب ، جو تاریخی طور پر ہوا ہے ، وہ ہے ، ہاں ، ہم نے واقعی ترقی کے نقطہ نظر سے فرتیلی کے بارے میں سوچا ہے ، اور اس میں کچھ ایسی چیزیں ہیں جو واقعی اس کے نتیجے میں آئیں ہیں۔ اس کا ایک حصہ صرف اس نوعیت کی وجہ سے تھا کہ ترقی خود نمودار ہوئی ہے۔ جیسے جیسے فرتیلی ترقی کا آغاز ہوا اور ہم نے خود آرگنائزنگ ٹیموں کے اس تصور سے آغاز کیا ، اگر آپ کول ایڈ کو تھوڑا سا صاف ستھرا پی لیا اور آپ چیزوں کے انتہائی پروگرامنگ کی طرف تھے تو ، جیسے چیزوں کی بہت لغوی ترجمانی تھی خود تنظیم سازی کرنے والی ٹیمیں ، جس کا مطلب بہت سارے لوگوں نے سمجھایا ، ہمیں صرف اس کی ضرورت ڈویلپرز کا ایک گروپ ہے جو ایک مکمل حل تشکیل دے سکتا ہے۔ چاہے اس کا مطلب کوڈ ، ڈیٹا بیس یا اس کے پیچھے ڈیٹا اسٹور تیار کرنا ہے اور ہر چیز ڈویلپروں کے لئے مسترد کردی گئی تھی۔ لیکن اس کے ساتھ کیا ہوتا ہے آپ لوگوں کی خاص صلاحیتوں سے محروم ہوجاتے ہیں۔ میں نے محسوس کیا ہے کہ مضبوط ٹیمیں وہ ہیں جو مختلف پس منظر کے لوگوں پر مشتمل ہیں۔ جیسے مضبوط سافٹ ویئر ڈویلپرز ، ڈیٹا آرکیٹیکٹس ، ڈیٹا ماڈلرز ، کاروباری تجزیہ کاروں ، اور کاروباری اسٹیک ہولڈرز کا مجموعہ ، سبھی مل کر ایک حتمی حل نکالنے کے لئے تعاون کرتے ہیں۔
آج کل میں جو بات بھی کر رہا ہوں وہ ہے ، میں یہ ایک ترقیاتی منصوبے کے تناظر میں کرنے جا رہا ہوں جہاں ہم ایک ایسی ایپلی کیشن تیار کررہے ہیں جو ظاہر ہے کہ اس کے ساتھ ڈیٹا جزو بھی منسلک ہوگا۔ اس سے پہلے کہ ہمیں ایسا کرنے سے پہلے ایک قدم پیچھے کی ضرورت ہے ، کیوں کہ ہمیں یہ سمجھنے کی ضرورت ہے کہ وہاں بہت کم گرین فیلڈ ڈویلپمنٹ پروجیکٹس موجود ہیں جہاں ہماری پوری توجہ صرف اس ترقیاتی پروجیکٹ کے اندر محدود ڈیٹا کی تخلیق اور کھپت پر ہے۔ . ہمیں ایک قدم پیچھے کی طرف جانے کی ضرورت ہے اور اعداد و شمار کے نقطہ نظر اور عمل کے نقطہ نظر سے مجموعی طور پر تنظیمی نقطہ نظر کو دیکھنے کی ضرورت ہے۔ کیوں کہ جو چیز ہمیں معلوم ہوتی ہے وہی وہ معلومات ہے جس کا ہم استعمال کررہے ہیں وہ تنظیموں میں پہلے ہی کہیں موجود ہوسکتی ہے۔ ماڈلوں اور معماروں کی حیثیت سے ہم اس کو روشنی میں لاتے ہیں لہذا ہم جانتے ہیں کہ پروجیکٹس میں سے ہی اس معلومات کو کس ذریعہ بنانا ہے۔ ہم ان اعداد و شمار کے ڈھانچے کو بھی جانتے ہیں جو اس میں شامل ہیں کیونکہ ہمارے پاس ڈیزائن پیٹرن کی طرح ہے جیسے ڈویلپرز کے پاس کوڈ کے ڈیزائن ڈیزائن ہیں۔ اور ہمیں اس تنظیمی نقطہ نظر کو بھی اپنانے کی ضرورت ہے۔ ہم صرف اس ایپلی کیشن کے تناظر میں ڈیٹا کو نہیں دیکھ سکتے جو ہم بنا رہے ہیں۔ ہمیں اعداد و شمار کو ماڈل بنانے اور اس بات کو یقینی بنانا ہوگا کہ ہم اس کو دستاویز کریں کیونکہ یہ خود ایپلی کیشنز سے بہت دور رہتا ہے۔ وہ درخواستیں آتی اور جاتی ہیں ، لیکن ہمیں اعداد و شمار کو دیکھنے اور اس بات کا یقین کرنے کی اہلیت رکھنے کی ضرورت ہے کہ یہ نہ صرف درخواست کے ل for ، بلکہ اس فیصلے کے ل activities ، جو مضبوط اور منظم ہے ، سرگرمیوں ، BI کی رپورٹنگ اور دیگر درخواستوں میں انضمام ، داخلی اور ہماری تنظیموں کے لئے بھی بیرونی۔ لہذا ہمیں اعداد و شمار کی پوری بڑی تصویر اور اس اعداد و شمار کا حیات چک کیا ہے اور پوری دنیا میں معلومات کے ٹکڑوں کے گہوارے سے لے کر قبر تک کے سفر کو سمجھنے کی ضرورت ہے۔
اب اصل ٹیموں کی طرف واپس اور ہمیں درحقیقت کس طرح کام کرنے کی ضرورت ہے ، آبشار کے طریقہ کار کو سمجھا جاتا تھا کہ نتائج کی فراہمی میں بہت سست روی ہے۔ کیونکہ ، جیسا کہ ٹینک کی مثال کے ساتھ اشارہ کیا گیا ہے ، یہ ایک کے بعد ایک قدم تھا اور اس میں اکثر نتیجہ خیز انجام دینے میں بہت زیادہ وقت لگتا ہے۔ اب ہم کیا کرتے ہیں ہمیں ایک تکراری ورک اسٹائل کی ضرورت ہے جہاں ہم اس کے اجزاء کو بتدریج تیار کرتے رہیں اور وقت کے ساتھ اس کی وضاحت کرتے رہیں جہاں ہم قابل استعمال کوڈ یا قابل استعمال نمونے تیار کرتے ہیں ، میں ہر سپرنٹ کے لئے یہ کہنے جا رہا ہوں۔ ٹیم میں تکنیکی اسٹیک ہولڈرز اور کاروباری اسٹیک ہولڈرز کے مابین اہم بات یہ ہے کہ ہم ان صارفوں کی کہانیاں کو ایک قابل عمل وژن کے بارے میں بتانے کے لئے تعاون کر رہے ہیں اور اس کوڈ کی مدد کرنے والے ڈیٹا کو بھی۔ اور خود ایجیل ڈیٹا ماڈلر اکثر یہ پائے گا کہ ہمارے پاس تنظیموں میں اتنے موڈلر نہیں ہیں تاکہ ایک ڈیٹا موڈلر یا معمار بیک وقت متعدد ٹیموں کی مدد کر سکے۔
اور اس کا دوسرا پہلو ، یہاں تک کہ اگر ہمارے پاس ایک سے زیادہ ماڈلر موجود ہیں ، ہمیں اس بات کو یقینی بنانا ہوگا کہ ہمارے پاس ایک ٹول سیٹ موجود ہے جو ہم استعمال کر رہے ہیں جو ایک ہی وقت میں پرواز میں چلنے والے متعدد منصوبوں کے اشتراک اور ان میں اشتراک کی اجازت دیتا ہے۔ ڈیٹا نمونے اور چیک ان اور چیک آؤٹ کی قابلیت۔ میں بہت تیزی سے اس پر جاؤں گا کیونکہ ہم نے پہلے ہی اس کو پچھلے حصے میں ڈھانپ لیا ہے۔ فرتیلی کی اصل بنیاد یہ ہے کہ آپ بیک لنج ، کہانیاں یا تقاضوں کی بنا پر چیزوں کو بنیاد بنا رہے ہیں۔ تکرار کے اندر ہم ایک گروپ کی حیثیت سے تعاون کر رہے ہیں۔ عام طور پر تنظیم پر منحصر ہے ، دو ہفتہ یا ایک ماہ کا سپرنٹ بہت عام ہے۔ اور روزانہ جائزہ اور اسٹینڈ اپ میٹنگز بھی تاکہ ہم بلاکرز کو ختم کر رہے ہوں اور اس بات کو یقینی بنائیں کہ ہم گزرتے وقت مختلف علاقوں میں رکے بغیر تمام پہلوؤں کو آگے بڑھ رہے ہیں۔ اور ان سپرنٹوں میں ہم یہ یقینی بنانا چاہتے ہیں کہ ہم ہر سپرنٹ کے ایک حصے کے طور پر قابل استعمال فراہمی پیدا کر رہے ہیں۔
اس پر تھوڑا سا مختلف استعمال کریں ، اس کو مزید وسعت دیتے ہوئے ، سکرم وہ طریقہ کار ہے جس کے بارے میں میں یہاں خاص طور پر بات کرنے جا رہا ہوں اور ہم نے بنیادی طور پر اس تصویر کو کچھ دوسرے پہلوؤں کے ساتھ بڑھایا ہے۔ عام طور پر ایک پروڈکٹ کا بیکالاگ ہوتا ہے اور اس کے بعد اسپرنٹ بیک بلاگ ہوتا ہے۔ لہذا ہمارے پاس ایک مجموعی بیک لکھا ہے کہ ، ہر اسپرٹ کی تکرار کے آغاز پر ، ہم یہ کہتے ہوئے پیچھے ہٹ جاتے ہیں کہ ، "ہم اس سپرنٹ کو بنانے کے لئے کیا کام کر رہے ہیں؟" اور یہ سپرنٹ پلاننگ میٹنگ میں کیا گیا۔ تب ہم اس کام سے وابستہ ہیں جو اس سے وابستہ ہیں اور ہم ان روزانہ جائزوں کے ساتھ ایک سے چار ہفتوں کے اسپرٹ میں انجام دیتے ہیں۔ جیسا کہ ہم یہ کر رہے ہیں کہ ہم برن اپ چارٹس اور برن ڈاون چارٹ کے ذریعہ اپنی ترقی کا سراغ لگا رہے ہیں تاکہ بنیادی طور پر یہ معلوم کیا جاسکے کہ ہم کیا بنارہے ہیں جس کی بنا پر ہم اپنی ترقی کی رفتار جیسے چیزوں کو قائم کرنے کے لئے تعمیر کر رہے ہیں۔ شیڈول ، ان تمام قسم کی چیزیں۔ ان سب کو سپرنٹ کے دوران مستقل طور پر بیان کیا جاتا ہے اس کے بجائے کہ چند مہینوں تک سڑک پر گامزن ہوجائیں اور یہ معلوم کریں کہ آپ مختصر آنے جارہے ہیں اور آپ کو پروجیکٹ کا شیڈول بڑھانے کی ضرورت ہے۔ اور بہت اہم ، اس کے ایک حص asے کے طور پر ، پوری ٹیمیں ، آخر میں ایک اسپرٹ جائزہ اور ایک سپرنٹ ریٹرو اسپیکٹو ہے ، لہذا اس سے پہلے کہ آپ اگلے تکرار سے دستبردار ہوجائیں جو آپ نے کیا کیا ہے اس کا جائزہ لیں اور آپ ان طریقوں کی تلاش کر رہے ہیں جو آپ کر سکتے ہیں کے ذریعے اگلی بار میں بہتری.
فراہمی کے لحاظ سے ، یہ بنیادی طور پر ایک سلائیڈ ہے جو اسپرٹ میں چلنے والی عام قسم کی چیزوں کا خلاصہ کرتی ہے۔ اور یہ بہت ترقی پسند ہے ، لہذا بہت ساری چیزیں جو ہم یہاں دیکھتے ہیں ، جیسے فنکشنل ڈیزائنز اور استعمال کے کیسز ، ڈیزائن کوڈ ٹیسٹ کرواتے ہیں ، جب ہم یہاں ان خانوں کو دیکھتے ہیں ، اور میں ان سے گزرنے والا نہیں ہوں۔ کسی بھی سطح کی تفصیل سے ، وہ بہت ترقی پسند ہیں۔ اور یہاں نیچے دفن حقیقت یہ ہے کہ ہمیں ان اعداد و شمار کی فراہمی بھی ضروری ہے جو اس کوشش کی حمایت کرنے کے لئے اس کے ساتھ مل کر چلیں۔ لہذا جب بھی ہم بیک لکس ، ضروریات اور صارف کی کہانیوں جیسے معاملات کو دیکھتے ہیں ، جب ہمیں گزر رہے ہیں تو ہمیں یہ دیکھنے کی ضرورت ہے کہ ہمیں کیا ترقیاتی ٹکڑے ٹکڑے کر رہے ہیں ، تجزیہ کے ٹکڑے ہمیں کیا کرنے کی ضرورت ہیں ، کس طرح کے بارے میں ڈیٹا ڈیزائن یا ڈیٹا ماڈل ، بزنس لِکباریاں جیسی چیزوں کے بارے میں کیا تا کہ ہم اپنے پیدا کردہ تمام نمونے سے کاروبار کے معنی جوڑ سکتے ہیں؟ کیونکہ ہمیں ہر اسپرٹ میں ان قابل استعمال فراہمی کی فراہمی کی ضرورت ہے۔
کچھ لوگ کہیں گے کہ ہمیں ہر اسپرٹ کے آخر میں قابل استعمال کوڈ تیار کرنے کی ضرورت ہے۔ یہ ضروری نہیں ہے کہ ، یہ خالص ترقی کے نقطہ نظر میں ہے ، لیکن اکثر - خاص طور پر شروع میں - ہمارے پاس سپرنٹ صفر جیسی چیز ہوسکتی ہے جہاں ہم پوری طرح سے کھڑے ہونے پر مرکوز ہیں ، اپنی آزمائشی حکمت عملیوں کو حاصل کرنے جیسی چیزیں کرتے ہیں۔ جگہ. اس کو شروع کرنے کے ل A ایک اعلی سطحی ڈیزائن جس سے پہلے کہ ہم تفصیلات کو بھرنا شروع کردیں اور اس بات کو یقینی بنائیں کہ ہمارے پاس دیگر کہانیاں شامل کرنے سے قبل کہانیوں یا تقاضوں کا آغاز کرنے کا صاف ستھرا سیٹ ہے اور اس کے بعد ہم آگے بڑھتے ہی ٹیم کے طور پر آگے بڑھیں۔ یہاں پرپی ٹائم کا تھوڑا بہت وقت ہوتا ہے ، لہذا اکثر ہمارے پاس سپرنٹ صفر یا اس سے بھی سپرنٹ صفر اور ایک ہوتا ہے۔ حل کی فراہمی میں پوری پرواز سے قبل اس کے آغاز کے مرحلے میں تھوڑا بہت فائدہ ہو۔
آئیے اس تناظر میں ڈیٹا کے ماڈلز کے بارے میں بہت مختصر طور پر بات کرتے ہیں۔ جب لوگ ڈیٹا ماڈلز کے بارے میں سوچتے ہیں تو ، وہ اکثر ڈیٹا ماڈل کے بارے میں سوچتے ہیں کہ اس کی تصویر یہ ہے کہ معلومات کے مختلف ٹکڑے ایک دوسرے کے ساتھ کس طرح جوڑتے ہیں - یہ صرف برفانی شے کی نوک ہے۔ مکمل طور پر اس جذبے کو مجسم بنانا کہ آپ واقعی ڈیٹا ماڈلنگ سے کس طرح رجوع کرنا چاہتے ہیں - چاہے وہ فرتیلی ترقی اور دیگر چیزوں میں ہو - کیا آپ کو یہ سمجھنے کی ضرورت ہے کہ ڈیٹا ماڈل ، اگر صحیح طریقے سے کیا گیا تو ، اس تنظیم کے اعداد و شمار کا کیا مطلب ہے اس کے لئے آپ کی پوری تفصیل بن جاتی ہے اور یہ بیک-اینڈ ڈیٹا بیس میں کیسے تعینات ہے۔ جب میں ڈیٹا بیس کہتا ہوں تو میرا مطلب نہ صرف وہ متعلقہ ڈیٹا بیس ہے جو ہم استعمال کر رہے ہیں ، بلکہ آج کے فن تعمیرات میں جہاں ہمارے پاس بڑا ڈیٹا یا NoSQL پلیٹ فارم موجود ہے ، جیسا کہ میں ان کو فون کرنے کو ترجیح دیتا ہوں۔ نیز وہ بڑے اعداد و شمار اسٹورز کیوں کہ ہم معلومات کے حصول اور اسے ہمارے حل میں لانے کے معاملے میں بہت سے مختلف ڈیٹا اسٹورز کو یکجا کر رہے ہیں اور ساتھ ہی ہم اس معلومات کو اپنے حلوں سے کس طرح برقرار رکھتے ہیں یا محفوظ کرتے ہیں۔
ہوسکتا ہے کہ ہم ایک دی گئی درخواست کے تناظر میں بیک وقت متعدد ڈیٹا بیس یا ڈیٹا سورس کے ساتھ کام کر رہے ہوں۔ کیا ضروری ہے کہ ہم ایک مکمل تفصیلات حاصل کرنے کے قابل بننا چاہتے ہیں ، لہذا اس کی ایک منطقی وضاحت جس سے اسپرنٹ تنظیمی نقطہ نظر کا کیا مطلب ہے ، جسمانی ساخت کیا اس لحاظ سے ہیں کہ ہم واقعی ڈیٹا کی وضاحت کیسے کرتے ہیں ، اس کے مابین اس کے درمیان تعلقات آپ کے ڈیٹا بیس ، آپ کی معقولیت کی رکاوٹیں ، چیک رکاوٹیں ، ان تمام توثیق کے ٹکڑوں جن کے بارے میں آپ عام طور پر سوچتے ہیں۔ وضاحتی میٹا ڈیٹا انتہائی اہم ہے۔ آپ کس طرح جانتے ہو کہ اپنی درخواستوں میں موجود ڈیٹا کو کس طرح استعمال کرنا ہے؟ جب تک آپ اس کی وضاحت نہیں کرسکتے اور نہ جان سکتے ہو کہ اس کا کیا مطلب ہے یا یہ جاننے کے لئے کہاں سے آیا ہے کہ آپ ان درخواستوں میں صحیح اعداد و شمار کھا رہے ہیں - اس بات کو یقینی بنائیں کہ ہمارے پاس نام کی صحیح کنونشن ، مکمل تعریفیں ہیں ، جس کا مطلب ہے نہ صرف ایک مکمل ڈیٹا لغت میزیں لیکن ان کالموں پر جو ان جدولوں پر مشتمل ہیں۔ اور اس کے بارے میں تفصیل سے تعیناتی نوٹ کے بارے میں کہ ہم اس کو کس طرح استعمال کرتے ہیں کیوں کہ ہمیں اس علمی اساس کو تیار کرنے کی ضرورت ہے کیونکہ جب یہ اطلاق ہوتا ہے تب بھی یہ معلومات دوسرے اقدامات کے لئے استعمال ہوگی لہذا ہمیں اس بات کو یقینی بنانا ہوگا کہ ہمارے پاس مستقبل کے عمل کے ل for دستاویزی دستاویز موجود ہے۔
ایک بار پھر ، ہم ڈیٹا کی اقسام ، چابیاں ، اشاریہ جات جیسی چیزوں پر اتر جاتے ہیں ، خود ہی ڈیٹا ماڈل بہت سارے کاروباری قواعد کا استعمال کرتے ہیں جو عمل میں آتے ہیں۔ تعلقات صرف مختلف میزوں کے درمیان رکاوٹیں نہیں ہیں۔ وہ اکثر ہمیں یہ بیان کرنے میں مدد کرتے ہیں کہ کاروباری اصولوں کے چاروں طرف کیا ہوتا ہے کہ اعداد و شمار کس طرح برتاؤ کرتے ہیں اور یہ مشترکہ یونٹ کے طور پر ایک ساتھ مل کر کیسے کام کرتا ہے۔ اور ظاہر ہے ، قدر کی پابندیاں بہت اہم ہیں۔ اب واقعی ، ان چیزوں میں سے ایک جس سے ہم مستقل طور پر نپٹ رہے ہیں ، اور یہ زیادہ سے زیادہ عام ہوتا جارہا ہے ، وہ ہیں ڈیٹا گورننس جیسی چیزیں۔ لہذا ڈیٹا گورننس کے نقطہ نظر سے ، ہمیں یہ بھی دیکھنا ہوگا ، کہ ہم یہاں کیا بیان کررہے ہیں؟ ہم سیکیورٹی کی درجہ بندی جیسے چیزوں کی وضاحت کرنا چاہتے ہیں۔ ہم کس قسم کے ڈیٹا سے نمٹ رہے ہیں؟ ماسٹر ڈیٹا مینجمنٹ پر کیا غور کیا جا رہا ہے؟ وہ کون سے ٹرانزیکشنل اسٹورز ہیں جو ہم تشکیل دے رہے ہیں؟ ہم ان ایپلیکیشنز میں کون سا حوالہ ڈیٹا استعمال کر رہے ہیں؟ ہمیں یہ یقینی بنانا ہوگا کہ ہمارے ماڈلز میں اسے مناسب طریقے سے پکڑا گیا ہے۔ اور اعداد و شمار کے معیار پر بھی غور و فکر کرتے ہیں ، معلومات کے کچھ ٹکڑے ایسے ہیں جو کسی تنظیم کے ل to دوسروں کے مقابلے میں زیادہ اہم ہیں۔
میں ان منصوبوں میں شامل رہا ہوں جہاں ہم ایک درجن سے زائد میراثی نظاموں کی جگہ نئے کاروباری عمل میں لے رہے تھے اور ان کی جگہ نیا ایپلیکیشنز اور ڈیٹا اسٹورز ڈیزائن کر رہے تھے۔ ہمیں یہ جاننے کی ضرورت تھی کہ معلومات کہاں سے آرہی ہے۔ کاروباری نقطہ نظر سے ، جو آپ معلومات کے سب سے اہم ٹکڑوں کے ل for ، اگر آپ اس خاص ڈیٹا ماڈل سلائیڈ پر نظر ڈالیں جو میں نے یہاں حاصل کیا ہے ، تو آپ دیکھیں گے کہ ان مخصوص اداروں میں نیچے والے خانوں ، جو صرف ایک چھوٹا سب سب سیٹ ہے ، I واقعی میں کاروباری قدر پر قبضہ کرنے میں کامیاب رہا ہے۔ خواہ تنظیم میں ان مختلف تعمیرات کے لئے ان اقسام کے لئے اعلی ، درمیانے یا کم ہوں۔ اور میں نے ماسٹر ڈیٹا کلاس جیسی چیزوں کو بھی اپنی گرفت میں لے لیا ہے ، چاہے وہ ماسٹر ٹیبل ہوں ، چاہے وہ ریفرنس ہوں ، اگر وہ لین دین ہوتے تھے۔ لہذا ہم اپنے ماڈل میں اپنے میٹا ڈیٹا کو بڑھا سکتے ہیں تاکہ اعداد و شمار کے باہر ہی ہمیں بہت سی دوسری خصوصیات دی جاسکیں ، جس نے اصل منصوبوں سے باہر دیگر اقدامات میں ہماری مدد کی اور اسے آگے بڑھایا۔ اب یہ ایک سلائیڈ میں بہت کچھ تھا ، میں ان میں سے بہت تیزی سے گزر رہا ہوں۔
اب میں بہت جلدی سے بات کرنے جارہا ہوں کہ ڈیٹا ماڈلر کیا کرتا ہے جب ہم ان مختلف سپرنٹوں سے گزر رہے ہیں۔ سب سے پہلے تو ، اسپرٹ کی منصوبہ بندی کے سیشنوں میں ایک مکمل شریک ، جہاں ہم صارف کی کہانیاں لے رہے ہیں ، اس سپرنٹ میں ہم کیا پیش کر رہے ہیں اس کے بارے میں وابستگی کر رہے ہیں ، اور معلوم کریں گے کہ ہم اس کی تشکیل اور اس کی فراہمی کے لئے کس طرح جا رہے ہیں۔ میں جو بھی ڈیٹا ماڈلر کی حیثیت سے کر رہا ہوں وہ یہ ہے کہ میں جانتا ہوں کہ میں مختلف ڈویلپرز کے ساتھ یا مختلف لوگوں کے ساتھ الگ الگ علاقوں میں کام کرنے جا رہا ہوں۔ لہذا ایک اہم خصوصیت جو ہمارے پاس ہوسکتی ہے وہ ہے جب ہم ڈیٹا ماڈل انجام دے رہے ہوں ، تو ہم اس ڈیٹا ماڈل کو مختلف نظریات میں تقسیم کرسکتے ہیں ، چاہے آپ انہیں سبجیکٹ ایریا یا سب ماڈل کہتے ہو ، ہماری اصطلاحات ہے۔ چنانچہ جب ہم ماڈل کی تشکیل کر رہے ہیں تو ہم اسے ان سب ذیلی ماڈل تناظر میں بھی دکھا رہے ہیں لہذا مختلف سامعین صرف یہ دیکھتے ہیں کہ ان سے کیا متعلقہ ہے تاکہ وہ اپنی توجہ مرکوز کرسکیں جس کی وہ ترقی کر رہی ہے اور آگے بڑھا رہی ہے۔ لہذا میں کسی کے پاس کسی درخواست کے شیڈولنگ حصے پر کام کرسکتا ہوں ، میرے پاس کوئی اور آرڈر انٹری پر کام کرسکتا ہے جہاں ہم یہ سب چیزیں ایک ہی سپرنٹ میں کر رہے ہیں ، لیکن میں ان سب نمونوں کے ذریعہ ان کو نظریہ پیش کرسکتا ہوں کہ صرف اس علاقے پر درخواست دیں جس میں وہ کام کر رہے ہیں۔ اور پھر وہ مجموعی طور پر ماڈل اور سب ماڈل کے پورے ڈھانچے تک پہنچ جاتے ہیں تاکہ سامعین کو مختلف نظریات پیش کریں کہ انہیں کیا دیکھنے کی ضرورت ہے۔
ڈیٹا ماڈلنگ کے نقطہ نظر کے بنیادی اصول جو ہم چاہتے ہیں وہ ہے ، ہمیشہ ایک بنیادی لائن ہو جس پر ہم واپس جاسکتے ہیں کیونکہ ایک چیز جو ہمیں کرنے کے قابل ہونے کی ضرورت ہے وہ ہے ، چاہے وہ سپرنٹ کے آخر میں ہو یا آخر میں۔ کئی سپرنٹوں میں سے ، ہم یہ جاننا چاہتے ہیں کہ ہم نے کہاں سے آغاز کیا ہے اور ہمیشہ یہ جاننے کے لئے ایک بنیادی سطر رکھتی ہے کہ ڈیلٹا کیا تھا یا جو کچھ ہم نے اس سپرنٹ میں تیار کیا اس میں کیا فرق ہے۔ ہمیں یہ بھی یقینی بنانا ہوگا کہ ہمارے پاس تیزی سے رخ موڑ سکتا ہے۔ اگر آپ اس میں ڈیٹا ماڈلر بن کر آتے ہیں لیکن روایتی گیٹ کیپر کے کردار میں "نہیں ، نہیں ، آپ ایسا نہیں کرسکتے ہیں تو ، ہمیں یہ سب کچھ پہلے کرنا ہے ،" جب آپ کو واقعتا need ضرورت ہو تو آپ کو ٹیم سے باہر کردیا جائے گا۔ ان تمام فرتیلی ٹیموں میں فعال شریک بننے کے لئے۔ اس کا مطلب یہ ہے کہ کچھ چیزیں ایک مقررہ اسپرٹ کرتے ہوئے ویگن سے گر جاتی ہیں اور آپ انہیں بعد کے اسپرٹ میں اٹھا لیتے ہیں۔
ایک مثال کے طور پر ، آپ صرف اعداد و شمار کے ڈھانچے پر توجہ مرکوز کرسکتے ہیں تاکہ ترقی کو یہ کہنے کے ل order ، اس آرڈر انٹری پیس کے بارے میں جس کی میں بات کر رہا تھا۔ بعد کے اسپرٹ میں ، آپ واپس آسکیں گے اور آپ کو بنائے ہوئے کچھ نمونے کے آس پاس ڈیٹا کی لغت کے لئے کچھ دستاویزات جیسے ڈیٹا کو بھر سکتے ہیں۔ آپ اس تعریف کو ایک ہی سپرنٹ میں مکمل نہیں کریں گے۔ جب آپ ڈویلپرز ان ڈیٹا اسٹورز کے آس پاس ایپلی کیشنز اور استقامت کی تعمیر میں مصروف ہوتے ہیں تو آپ کاروباری تجزیہ کاروں کے ساتھ مل کر کام کرنے والے تجارتی تجزیہ کاروں کے ساتھ مل کر آپ کے اعداد و شمار میں اضافے کو جاری رکھیں گے۔ آپ آسانیاں بنانا چاہتے ہیں اور رکاوٹ نہیں بننا چاہتے ہیں۔ مختلف طریقے ہیں جو ہم ڈویلپرز کے ساتھ مل کر کام کرتے ہیں۔ کچھ چیزوں کے ل we ہمارے پاس ڈیزائن پیٹرن ہیں لہذا ہم سامنے ایک مکمل شریک ہیں ، لہذا ہمارے پاس ڈیزائن کا نمونہ ہوسکتا ہے جہاں ہم کہیں گے کہ ہم اسے ماڈل میں ڈالیں گے ، ہم اسے ڈویلپرز کے سینڈ باکس والے ڈیٹا بیس میں آگے بڑھا دیں گے اور پھر وہ یہ کرسکتے ہیں اس کے ساتھ کام کرنا شروع کریں اور اس میں تبدیلی کی درخواست کریں۔
ہوسکتا ہے کہ دوسرے علاقے بھی ہوسکتے ہیں جن پر ڈویلپر کام کررہے ہیں ، ان کو کچھ مل گیا ہے جس پر وہ کام کررہے ہیں اور وہ کچھ چیزوں کا پروٹو ٹائپ کررہے ہیں تاکہ وہ اپنے اپنے ماحول میں کچھ چیزوں کو آزمائیں۔ ہم وہ ڈیٹا بیس لیتے ہیں جس کے ساتھ وہ کام کر رہے ہیں ، اسے ہمارے ماڈلنگ ٹول میں لائیں ، ان ماڈلز سے موازنہ کریں جو ہمارے پاس ہیں اور پھر ان کو واپس کریں اور ان کو واپس کریں تاکہ وہ اپنے کوڈوں کو ری ایکٹر کرسکیں تاکہ وہ مناسب ڈیٹا ڈھانچے پر عمل پیرا ہوں۔ جس کی ہمیں ضرورت ہے۔ کیونکہ انہوں نے کچھ چیزیں بنائی ہوسکتی ہیں جو ہمارے پاس پہلے سے کہیں اور موجود تھیں ، لہذا ہم یقینی بناتے ہیں کہ وہ صحیح ڈیٹا ذرائع سے کام کر رہے ہیں۔ ہم صرف اس سلسلے میں اپنے سپرنٹ تک اس کی تکرار کرتے رہتے ہیں تاکہ ہمیں مکمل اعداد و شمار کی فراہمی ، مکمل دستاویزات اور ان تمام ڈیٹا ڈھانچے کی تعریف حاصل ہو جو ہم تیار کررہے ہیں۔
سب سے کامیاب فرتیلی منصوبوں جس میں میں بہت اچھی فراہمی کے معاملے میں شامل رہا ہوں ، وہ ہے ، ہمارے پاس ایک فلسفہ تھا ، جسمانی ڈیٹا بیس کی مکمل تفصیلات میں تمام تبدیلیوں کا نمونہ تھا۔ مختصرا. ، ڈیٹا ماڈل متعین ڈیٹا بیس بن جاتا ہے جس کے ساتھ آپ کسی بھی نئی چیز کے ل for کام کر رہے ہیں جس کو ہم تیار کررہے ہیں اور اگر ہم باہر کے دیگر ڈیٹا بیس سے کھا رہے ہیں تو دوسرے ڈیٹا اسٹورز کے مکمل حوالہ جات موجود ہیں۔ اس کے ایک حصے کے طور پر ، ہم ہر مرتبہ ایک مکمل نسل کے مقابلے میں انکرینشنل سکرپٹ تیار کررہے ہیں۔ اور ہم اپنے ڈیزائن کے نمونوں کو بروئے کار لا رہے ہیں تاکہ مختلف ترقیاتی ٹیموں کے ساتھ سپرنٹ میں جانے والی چیزوں کو حاصل کرنے کے ضمن میں ہمیں فوری لفٹ مل سکے جس کے ساتھ ہم کام کر رہے ہیں۔
اسپرٹ سرگرمیوں میں بھی ، موازنہ / انضمام کے لئے ایک بار پھر وہی بنیادی خاکہ ہے ، لہذا آئیے ہم ہر تبدیلی کو ماڈلنگ کرنے کا خیال رکھیں۔ ہر بار جب ہم کوئی تبدیلی کرتے ہیں تو ، ہم کیا کرنا چاہتے ہیں وہی ہے کہ ہم تبدیلی کا نمونہ بنانا چاہتے ہیں اور کیا ضروری ہے ، حال ہی میں جب تک ہم ڈیٹا ماڈلنگ سے محروم ہیں ، حقیقت میں ، جب تک ہم اس کو دوبارہ متعارف نہیں کراتے ، ماڈلنگ کو جوڑنے کی صلاحیت ہے کاموں اور صارف کی کہانیاں اور ان کاموں کے ساتھ آپ کی فراہمی جو حقیقت میں ان تبدیلیوں کا سبب بنتی ہے۔ ہم اپنی ماڈلز کی تبدیلیوں کو چیک کرنے کے قابل ہونا چاہتے ہیں ، اسی طرح ڈویلپرز اپنے کوڈز کو چیک کرتے ہیں ، ان صارف کہانیوں کا حوالہ دیتے ہیں جو ہمارے پاس موجود ہیں لہذا ہم جانتے ہیں کہ ہم نے پہلی جگہ کیوں تبدیلیاں کیں ، یہی کچھ ہم کرتے ہیں۔ جب ہم یہ کرتے ہیں تو ، ہم اپنے انکریمنڈیشنل ڈی ڈی ایل اسکرپٹ تیار کرتے ہیں اور انہیں پوسٹ کرتے ہیں تاکہ ان کو دیگر ترقیاتی فراہمیوں کے ساتھ چن لیا جا سکے اور ہمارے بلڈ حل میں جانچ کی جاسکے۔ ایک بار پھر ، ہمارے پاس ایک ماڈل ہوسکتا ہے یا متعدد ٹیموں کے ساتھ مل کر کام کرسکتا ہے۔ اور جیسا کہ میں نے بات کی ہے ، کچھ چیزوں کی ابتداء ڈیٹا ماڈلر سے کی گئی ہے ، دوسری چیزیں ڈیولپروں نے تیار کیں ہیں اور ہم درمیان میں ملتے ہیں تاکہ مجموعی طور پر بہترین ڈیزائن سامنے آئیں اور اسے آگے بڑھائیں اور یقینی بنائیں کہ یہ ہمارے میں مناسب طریقے سے ڈیزائن کیا گیا ہے۔ مجموعی ڈیٹا ڈھانچے۔ ہمیں یہ یقینی بنانے کے نظم و ضبط کو برقرار رکھنا ہے کہ جب ہم آگے بڑھتے ہیں تو ہمارے ڈیٹا ماڈل میں تمام مناسب تعمیری صلاحیتیں موجود ہیں ، جن میں شامل ہیں ، جن میں کالعدم اور ناپختہ اقدار ، حوالہ جاتی رکاوٹیں ، بنیادی طور پر رکاوٹوں کی جانچ کرنا ، ان سب چیزوں کے بارے میں جن کے بارے میں ہم عام طور پر سوچتے ہیں۔ .
آئیے ہم ابھی کچھ ٹولز کے اسکرین شاٹس کے بارے میں بات کرتے ہیں جو ایسا کرنے میں ہماری مدد کرتے ہیں۔ جو چیز میرے خیال میں اہم ہے وہ ہے کہ اس میں باہمی تعاون کے ذخیرے ہوں ، لہذا ہم ڈیٹا موڈلر کی حیثیت سے کیا کر سکتے ہیں۔ اور یہ پس منظر میں ڈیٹا ماڈل کے ایک حص ofے کا ٹکڑا ہے - جب ہم ایسی چیزوں پر کام کر رہے ہیں جس کو ہم یقینی بنانا چاہتے ہیں کہ ہم ہم صرف ان چیزوں پر کام کریں جن کی ہمیں ضرورت ہے کہ ہم تبدیل ہوسکیں ، ترمیم کریں ، ہمارے ڈی ڈی ایل اسکرپٹ جن تبدیلیوں کے ل we ہم نے بنائے ہیں اس کو تبدیل کرنے کے ل be ، جب ہم چیزوں کو دوبارہ چیک کرتے ہیں تو ہم کیا کرسکتے ہیں ، ER اسٹوڈیو میں ایک مثال ہے ، ہم کام کرنے کے ل objects اشیاء یا اشیاء کے گروپوں کو چیک کرسکتے ہیں ، ہمیں پورا ماڈل یا سب ماڈل چیک کرنے کی ضرورت نہیں ہے ، ہم صرف وہ چیزیں چیک کرسکتے ہیں جو ہمارے لئے دلچسپی رکھتے ہوں۔ اس کے بعد ہم کیا کرنا چاہتے ہیں وہ چیک آؤٹ یا چیک ان ٹائم پر ہوتا ہے - ہم اسے دونوں طریقوں سے کرتے ہیں کیونکہ مختلف ترقیاتی ٹیمیں مختلف طریقوں سے کام کرتی ہیں۔ ہم اس بات کو یقینی بنانا چاہتے ہیں کہ ہم اس صارف کی کہانی یا اس کام کے ساتھ وابستہ ہوں جو اس کی ضروریات کو آگے بڑھائے اور وہی صارف کی کہانی یا کام ہوگا جس کو ڈویلپر تیار کریں گے اور ان کے کوڈ کو چیک کریں گے۔
تو یہاں ہمارے ایک تبدیلی کے انتظامی مراکز میں سے ایک اسکرین کے جوڑے کی ایک بہت ہی تیز سنیپٹ ہے۔ یہ کیا کرتا ہے ، میں یہاں بڑی تفصیل سے نہیں گزاروں گا ، لیکن آپ جو کچھ دیکھ رہے ہو وہ صارف کہانی یا کام ہے اور ان میں سے ہر ایک کے نیچے انڈیٹڈ ہے جس کی آپ اصل تبدیلیوں کے ریکارڈ دیکھ رہے ہیں - ہم نے ایک خودکار تبدیلی کا ریکارڈ اس وقت تشکیل دیا ہے جب ہم چیک ان کرتے ہیں اور چیک آؤٹ کرتے ہیں اور ہم اس تبدیلی کے ریکارڈ پر بھی مزید تفصیل ڈال سکتے ہیں۔ اس کام سے وابستہ ہے ، ہم میں ہر کام میں متعدد تبدیلیاں آسکتی ہیں ، جیسے آپ کی توقع ہوگی۔ اور جب ہم اس تبدیلی کے ریکارڈ میں جاتے ہیں تو ہم اسے دیکھ سکتے ہیں اور زیادہ اہم بات یہ بھی دیکھ سکتے ہیں کہ واقعتا ہم نے کیا بدلا؟ اس خاص ایک کے لئے ، وہاں پر روشنی ڈالی گئی کہانی میں ایک قسم کی تبدیلی آئی تھی جو بنائی گئی تھی اور جب میں نے خود ہی تبدیلی کے اصل ریکارڈ کو دیکھا تو اس نے ماڈل میں انفرادی ٹکڑوں کی نشاندہی کی ہے جو تبدیل ہوچکے ہیں۔ میں نے یہاں کچھ خصوصیات کو تبدیل کیا ، ان سے مشابہت اختیار کی اور اس سفر کے ساتھ ساتھ ان نظریات کو بھی سامنے لایا جن کو تبدیل کرنے کی ضرورت ہے جو انحصار کرنے والے افراد پر بھی منحصر تھے لہذا ان کو انضمام DLL میں پیدا کیا جائے گا۔ یہ نہ صرف بیس اشیاء پر ماڈلنگ کر رہا ہے ، بلکہ اس طرح کا اعلی طاقت والا ماڈلنگ ٹول بھی ان تبدیلیوں کا پتہ لگاتا ہے جن کو ڈیٹا بیس یا ڈیٹا ماڈل میں انحصار کرنے والی اشیاء کے ذریعہ پھیرنا پڑتا ہے۔
اگر ہم ڈویلپرز کے ساتھ مل کر کام کر رہے ہیں ، اور ہم یہ کام کچھ مختلف چیزوں میں کرتے ہیں ، جو ان کے سینڈ باکس میں کچھ کر رہا ہے اور ہم موازنہ کرنا چاہتے ہیں اور کہاں اختلافات ہیں ، ہم موازنہ / ضم کرنے کی صلاحیتوں کا استعمال کرتے ہیں جہاں دائیں اور بائیں طرف ہیں۔ پہلو ہم یہ کہہ سکتے ہیں کہ ، "یہاں ہمارا ماڈل بائیں طرف ہے ، یہاں ان کا دائیں طرف کا ڈیٹا بیس ہے ، مجھے اختلافات دکھائیں۔" اس کے بعد ہم ان اختلافات کو کس طرح حل کر سکتے ہیں ، کا انتخاب کرسکتے ہیں ، چاہے ہم چیزوں کو ڈیٹا بیس میں دھکیلیں یا اگر ڈیٹا بیس میں ان کے پاس کچھ چیزیں ہیں جو ہم ماڈل میں واپس لاتے ہیں۔ ہم دو طرفہ جا سکتے ہیں لہذا ہم دونوں سمتوں کو بیک وقت ماخذ اور ہدف دونوں کو اپ ڈیٹ کرسکتے ہیں اور پھر ان ڈیری بیس ماحول میں ان تبدیلیوں کو خود ہی تعینات کرنے کے لئے انکریلیشنل ڈی ڈی ایل اسکرپٹس تیار کرسکتے ہیں ، جو انتہائی اہم ہے۔ ہم یہ بھی کرسکتے ہیں کہ ہم کسی بھی وقت اس موازنہ اور انضمام صلاحیت کو بھی استعمال کرسکتے ہیں ، اگر ہم راستے میں اسنیپ شاٹس لے رہے ہیں تو ، ہم ایک سپرنٹ کے آغاز یا دوسرے سپرنٹ کے اختتام کے لئے ہمیشہ موازنہ کرسکتے ہیں تاکہ ہم دیکھ سکیں۔ جو کچھ دیئے گئے ترقیاتی اسپرٹ میں یا اسپرٹ کی ایک سیریز میں کیا گیا تھا اس کی مکمل وابستہ تبدیلی۔
یہ ایک تبدیل شدہ اسکرپٹ کی ایک بہت ہی تیز مثال ہے ، آپ میں سے جو بھی ڈیٹا بیس کے ساتھ کام کر رہا ہے اس قسم کی چیز کو دیکھا ہوگا ، یہ وہی ہے جو ہم کوڈ کو تبدیل اسکرپٹ کے طور پر ختم کرسکتے ہیں تاکہ ہم اس بات کو یقینی بنائے کہ ہم چیزیں یہاں برقرار رکھیں۔ میں نے جو چیزیں یہاں سے کھینچ لیں ، صرف بے ترتیبی کو کم کرنے کے لئے ، وہی ہے جو ہم ان تبدیل شدہ اسکرپٹس کے ساتھ کرتے ہیں کیا ہم فرض کرتے ہیں کہ ان ٹیبلز میں بھی ڈیٹا موجود ہے ، لہذا ہم ڈی ایم ایل بھی تیار کریں گے جو عارضی ٹیبلوں کی معلومات کو کھینچ لے گا اور اس کو بھی نئے اعداد و شمار کے ڈھانچے میں پیچھے دھکیلیں تاکہ ہم نہ صرف اسٹرکچرز بلکہ اعداد و شمار کو دیکھ رہے ہیں جو ہمارے پاس ان ڈھانچوں میں موجود ہے۔
خود کار طریقے سے تعمیراتی نظاموں کے بارے میں بہت تیزی سے بات کرنے جارہے ہیں کیونکہ جب ہم اکثر فاسد پراجیکٹ کر رہے ہیں تو ہم خودکار بلڈ سسٹم کے ساتھ مل کر کام کر رہے ہیں جہاں ہمیں یہ یقینی بنانے کے لئے مختلف ڈلیوریبلز میں مل کر چیک کرنے کی ضرورت ہوتی ہے کہ ہم اپنی عمارتوں کو توڑ نہیں سکتے۔ اس کا کیا مطلب ہے کہ ہم فراہمی کو مطابقت پذیر بناتے ہیں ، وہ تبدیل شدہ اسکرپٹ جن کے بارے میں میں نے ڈی ڈی ایل اسکرپٹ کے ساتھ بات کی تھی ان کو چیک ان کرنے کی ضرورت ہے ، اسی طرح کے ایپلیکیشن کوڈ کو بیک وقت چیک ان کرنے کی ضرورت ہے اور اب بہت ساری ڈویلپرز کی ترقی یقینی طور پر نہیں ہے۔ ڈیٹا بیس اور اس قسم کی چیزوں کے خلاف براہ راست ایس کیو ایل کے ساتھ کیا جارہا ہے۔ کافی حد تک ہم استقامت کے فریم ورک یا ڈیٹا خدمات کی تعمیر کا استعمال کرتے ہیں۔ ہمیں اس بات کو یقینی بنانا ہوگا کہ ان فریم ورک یا خدمات میں بدلاؤ ایک ہی وقت میں چیک ان ہو۔ وہ کچھ تنظیموں میں ایک خود کار طریقے سے تعمیراتی نظام میں جاتے ہیں اور اگر یہ عمارت ٹوٹ جاتی ہے تو ، فرتیلی طریقہ کار کے مطابق ، ڈیک فکسنگ پر یہ سب کا ہاتھ ہے جو آگے بڑھنے سے پہلے تعمیر کرتے ہیں تاکہ ہم جان لیں کہ ہمارے پاس آگے بڑھنے سے پہلے ہی ایک ورکنگ حل ہے۔ اور ایک پروجیکٹ جس میں میں شامل تھا ، ہم نے اسے انتہائی انتہا تک پہنچادیا - اگر یہ عمارت توڑ دی تو ہم واقعتا actually اپنے علاقے میں بہت سارے کمپیوٹرز کے ساتھ منسلک ہوتے جہاں ہم کاروباری صارفین کے ساتھ مل جاتے ، ہمارے پاس صرف سرخ چمکتی روشنی تھی پولیس کاروں کی چوٹی کی طرح۔ اور اگر یہ عمارت ٹوٹ گئی تو ، سرخ چمکتی لائٹس بند ہونا شروع ہوگئیں اور ہم جانتے تھے کہ یہ سب ڈیک پر ہے: بلڈ کو ٹھیک کریں اور پھر ہم جو کررہے تھے اس کے ساتھ آگے بڑھیں۔
میں دوسری چیزوں کے بارے میں بات کرنا چاہتا ہوں ، اور ای آر اسٹوڈیو کی یہ ایک انوکھی صلاحیت ہے ، یہ واقعتا اس وقت مدد ملتی ہے جب ہم ان مستقل حدود کے ڈویلپر کی حیثیت سے ان نمونے کو تعمیر کرنے کی کوشش کر رہے ہیں ، ہمارے پاس بزنس ڈیٹا آبجیکٹ نامی ایک تصور موجود ہے اور جو ہمیں اس کی اجازت دیتا ہے۔ اگر آپ مثال کے طور پر اس انتہائی سادگی سے متعلق ڈیٹا ماڈل کو دیکھیں تو ، اس سے ہمیں ہستیوں یا اداروں کے گروہوں کو اپنی جگہ بنانے کی اجازت دیتا ہے جہاں استقامت کی حدود ہیں۔ جہاں ہم ڈیٹا ماڈلر کے طور پر خریداری آرڈر ہیڈر اور آرڈر کی صف بندی اور دیگر تفصیلی جدولوں جیسی کسی چیز کے بارے میں سوچ سکتے ہیں جو اس کو ہم آہنگ بناتے ہیں اور ہمارے ڈیٹا سروسز ڈویلپرز کو یہ جاننے کی ضرورت ہوتی ہے کہ چیزیں ان مختلف اعداد و شمار پر کس طرح برقرار رہتی ہیں۔ ڈھانچے. ہمارے ڈویلپر مجموعی طور پر کسی چیز کے طور پر خریداری کے آرڈر جیسی چیزوں کے بارے میں سوچ رہے ہیں اور ان خصوصی معاہدوں سے ان کا کیا معاہدہ ہے۔ ہم اس تکنیکی تفصیل کو بے نقاب کرسکتے ہیں تاکہ ڈیٹا سرور بنانے والے لوگ یہ دیکھ سکیں کہ اس کے نیچے کیا ہے اور ہم دوسرے سامعین کو پیچیدگیوں سے بچاسکتے ہیں تاکہ وہ صرف مختلف اعلی سطحی اشیاء کو دیکھ سکیں ، جو کاروبار کے ساتھ بات چیت کرنے میں بھی بہت اچھ worksے کام کرتے ہیں۔ تجزیہ کار اور کاروباری اسٹیک ہولڈرز جب ہم مختلف کاروباری تصورات کے تعامل کے بارے میں بھی بات کر رہے ہیں۔
اس کے بارے میں بھی اچھی بات یہ ہے کہ ہم ان کو تعمیری طور پر وسعت اور انحطاط کرتے ہیں تاکہ ہم اعلی آرڈر والی چیزوں کے مابین تعلقات کو برقرار رکھ سکیں حالانکہ ان کی ابتدا انہی تعمیلوں سے ہوتی ہے جو خود ان کاروباری ڈیٹا اشیاء کے اندر موجود ہیں۔ اب ایک ماڈلر کی حیثیت سے ، اسپرٹ کے اختتام پر ، سپرنٹ لپیٹ کے اختتام پر ، میرے پاس بہت ساری چیزیں ہیں جن کی مجھے کرنے کی ضرورت ہے ، جس کو میں اگلے سپرنٹ کے لئے اپنی ہاؤس کیپنگ کہتا ہوں۔ میں ہر اسپرٹ کو تخلیق کرتا ہوں جسے میں نامزد ریلیز کہتے ہیں - جو مجھے رہائی کے اختتام پر اب میرے پاس موجود چیزوں کے لئے میری بنیادی خطوط فراہم کرتا ہے۔ تو اس کا مطلب یہ ہے کہ میری بیس لائن آگے جارہی ہے ، یہ تمام بیس لائنز یا نامزد ریلیز جو میں نے اپنے ذخیرے میں تخلیق اور محفوظ کیں میں اس کا موازنہ / انضمام کرسکتا ہوں لہذا میں ہمیشہ کسی دوسرے سپرنٹ کے سپرنٹ کے کسی بھی انجام سے موازنہ کرسکتا ہوں ، یہ جاننا بہت ضروری ہے کہ سفر کے دوران آپ کے ڈیٹا ماڈل میں آپ کی کیا تبدیلیاں تھیں۔
میں سپرنٹ کے آغاز سے آخر تک ایک بار پھر موازنہ / ضم کا استعمال کرتے ہوئے ایک ڈیلٹا ڈی ڈی ایل اسکرپٹ بھی تیار کرتا ہوں۔ میں نے توسیع دینے والے اسکرپٹ کے پورے جھنڈ میں جانچ پڑتال کی ہے ، لیکن اگر مجھے اس کی ضرورت ہو تو اب میرے پاس ایک اسکرپٹ موجود ہے جو میں دوسرے سینڈ بکس کو کھڑا کرنے کے لئے تعینات کرسکتا ہوں لہذا میں صرف اتنا ہی کہہ سکتا ہوں کہ ہمارے ایک سپرنٹ کے آغاز میں ہی یہ تھا۔ اس کے ذریعہ ، اگلے سپرنٹ کے ساتھ شروع کرنے کے لئے ایک سینڈ باکس کے بطور ایک ڈیٹا بیس بنائیں اور ہم ان چیزوں کو اسٹینڈ اپ QA مثال جیسے کام کرنے میں بھی استعمال کرسکتے ہیں اور آخر کار ہم اپنی تبدیلیوں کو پیداوار میں آگے بڑھانا چاہتے ہیں لہذا ہمارے پاس متعدد چیزیں چل رہی ہیں۔ عین اسی وقت پر. ایک بار پھر ، ہم سپرنٹ کی منصوبہ بندی اور سابقہ مقاصد میں مکمل طور پر حصہ لیتے ہیں ، مایوسیوں واقعتا really سبق سیکھا جاتا ہے اور یہ انتہائی اہم ہے ، کیونکہ آپ فتنہ انگیزی کے دوران بہت تیزی سے جاسکتے ہیں ، آپ کو کامیابیوں کو روکنے اور منانے کی ضرورت ہے ، جیسا کہ ابھی ہے۔ غلطی کا اندازہ لگائیں ، اگلی بار آس پاس بہتر بنائیں ، بلکہ ان چیزوں کو بھی منائیں جو ٹھیک ہو گئیں اور ان پر تعمیر کریں جب آپ اگلے اگلے سپرنٹ میں آگے بڑھتے رہیں گے۔
میں اب بہت جلد کاروباری قیمت کے بارے میں بات کرنے جارہا ہوں۔ ایک پروجیکٹ تھا جس کے ساتھ میں بہت سال پہلے شامل ہوا تھا جو ایک فرتیلی منصوبے کے طور پر شروع ہوا تھا ، اور یہ ایک انتہائی پروجیکٹ تھا ، لہذا یہ ایک خالص خود آرگنائزنگ ٹیم تھی جہاں یہ صرف ڈویلپرز ہی تھا جو سب کچھ کررہی تھی۔ ایک لمبی کہانی مختصر بنانے کے لئے ، یہ پروجیکٹ رک رہا تھا اور وہ پائے جارہے تھے کہ وہ ان خرابیوں کو دور کرنے اور ان کی اصلاح کے لئے زیادہ سے زیادہ وقت خرچ کررہے ہیں جن کی نشاندہی کی گئی تھی اس سے کہیں زیادہ فعالیت کو آگے بڑھانے پر اور حقیقت میں جب انہوں نے اس کی بنیاد کو دیکھا۔ برن ڈاون چارٹس پر انھیں ایک بہت بڑی قیمت پر اس منصوبے کو چھ ماہ میں بڑھانا تھا۔ اور جب ہم نے اس کی طرف دیکھا تو ، اس مسئلے کو دور کرنے کا طریقہ یہ تھا کہ پروجیکٹ میں ہی ایک ماہر ڈیٹا ماڈلر کے ساتھ ایک مناسب ڈیٹا ماڈلنگ ٹول کا استعمال کیا جائے۔
اگر آپ اس خاص چارٹ پر اس عمودی بار کو دیکھیں تو ، اس میں مجموعی نقائص کے مقابلے میں جمع اشیاء کو دکھایا جارہا ہے ، اور میں اس ڈیٹا اشیاء یا تعمیرات کے بارے میں بات کر رہا ہوں جو رکاوٹوں کے ساتھ جدولوں اور اس طرح کی چیزوں کی طرح ، اگر آپ نے دیکھا تو اس سے پہلے کہ ڈیٹا موڈلر متعارف کرایا گیا ، عیبوں کی تعداد دراصل حد سے تجاوز کر رہی تھی اور اس وقت تک اس مقام تک پیدا ہونے والی اشیاء کی اصل تعداد سے تھوڑا سا خلا پیدا کرنا شروع کر رہی تھی۔ ہفتہ 21 کے بعد ، جب ڈیٹا ماڈلر آیا ، اس نے ڈیٹا ماڈل کو ری ایکٹر کیا جس کی بنیاد پر متعدد چیزوں کو ٹھیک کرنا تھا اور پھر پروجیکٹ ٹیم کے حصے کے طور پر ماڈلنگ کا آغاز کرنا شروع کیا گیا ، اس منصوبے کی طرح کی گئی تبدیلیاں آگے بڑھا رہی تھیں۔ . اور آپ نے بہت تیزی سے رخ موڑ دیکھا کہ تقریبا a ڈیڑھ بجے کے اندر ، ہم نے بہت ساری چیزوں اور اعداد و شمار کی تشکیلوں کو دیکھا جو تیار اور تعمیر کیے جارہے ہیں کیونکہ ہم ڈیولپر ماڈلنگ کے آلے سے ڈویلپر اسٹک کی بجائے پیدا کررہے ہیں۔ ان کو ماحول میں استوار کرنا ، اور وہ درست تھے کیونکہ ان کے پاس صحیح معنویت اور سالمیت تھی جس کی اس کو ہونی چاہئے۔ ان لوگوں کے خلاف نقائص کی سطح جو تقریبا flat چپچپا ہیں۔ اس مناسب اقدام کو یقینی بناتے ہوئے اور یہ یقینی بناتے ہوئے کہ ڈیٹا ماڈلنگ پوری طرح سے مصروف عمل ہے ، پروجیکٹ کو وقت کے ساتھ بہت زیادہ معیار کے ساتھ پہنچایا گیا تھا ، اور در حقیقت ، اگر یہ اقدامات انجام نہ دیئے ہوتے تو اس کی فراہمی بالکل بھی نہ ہوتی۔ وہاں بہت ساری فرتیلی ناکامییں موجود ہیں ، اگر آپ کو صحیح لوگوں میں شامل کرنے کے ل ag بہت ساری فرتیلی کامیابیاں بھی ملتی ہیں۔ میں آپریشنل ڈسپلن کے بطور فرتیلی کا بہت بڑا حامی ہوں ، لیکن آپ کو یہ یقینی بنانا ہوگا کہ آپ اپنی پروجیکٹ ٹیموں کے طور پر شامل تمام صحیح گروہوں کی مہارت رکھتے ہوں جب آپ فرحت بخش کوششوں پر آگے بڑھتے ہیں۔
خلاصہ کرنے کے لئے ، ڈیٹا آرکیٹیکٹس اور ماڈلز کو تمام ترقیاتی منصوبوں میں شامل ہونا ضروری ہے۔ وہ واقعی وہ گلو ہیں جو ہر چیز کو ایک ساتھ رکھتے ہیں کیونکہ ڈیٹا ماڈلرز اور آرکیٹیکٹس کی حیثیت سے ہم سمجھتے ہیں ، نہ صرف دیئے گئے ترقیاتی منصوبے کا ڈیٹا تشکیل دیتا ہے ، بلکہ یہ بھی کہ جہاں اعداد و شمار تنظیم میں موجود ہیں اور جہاں سے ہم اس ڈیٹا کو ماخذ کرسکتے ہیں اور یہ کیسے ہے خاص ایپلی کیشن کے باہر ہی استعمال اور استعمال ہوگا جس پر ہم کام کر رہے ہیں۔ ہم اعداد و شمار کے پیچیدہ رشتوں کو سمجھتے ہیں اور آگے بڑھنے کے قابل ہونا بھی ضروری ہے اور دستاویزات کا نقشہ بنانے کے ل understand گورننس کے نقطہ نظر سے اور یہ سمجھنا کہ آپ کا پورا ڈیٹا منظر نامہ کس طرح کی نظر آتا ہے۔
یہ مینوفیکچرنگ کی طرح ہے؛ میں مینوفیکچرنگ کے پس منظر سے آیا ہوں۔ آپ آخر میں کسی چیز میں معیار کا معائنہ نہیں کرسکتے ہیں - آپ کو اپنے ڈیزائن کے سامنے اور اپنے راستے میں معیار پیدا کرنے کی ضرورت ہے ، اور ڈیٹا ماڈلنگ اس معیار کو ڈیزائن کے اندر موثر اور لاگت سے موثر انداز میں استوار کرنے کا ایک طریقہ ہے۔ . اور ایک بار پھر ، یاد رکھنے کے لئے کچھ - اور یہ ٹرائیٹ نہیں ہونا چاہئے ، لیکن یہ سچ ہے - درخواستیں آتی جاتی ہیں ، ڈیٹا ایک اہم کارپوریٹ اثاثہ ہے اور یہ ان تمام اطلاق کی حدود سے تجاوز کرتا ہے۔ ہر بار جب آپ کسی درخواست میں داخل ہو رہے ہو تو آپ سے شاید پہلے سے آنے والی دوسری ایپلیکیشنز میں سے ڈیٹا کو محفوظ رکھنے کے لئے کہا جاتا ہو ، لہذا ہمیں بس یہ یاد رکھنا ضروری ہے کہ یہ ایک اہم کارپوریٹ اثاثہ ہے جسے ہم وقت کے ساتھ ساتھ برقرار رکھتے ہیں۔
اور یہ بات ہے! یہاں سے ہم مزید سوالات اٹھائیں گے۔
ایرک کااناگ: ٹھیک ہے ، اچھا ، مجھے پہلے رابن پر پھینک دو۔ اور پھر ، ڈیز ، مجھے یقین ہے کہ آپ کے پاس کچھ سوالات ہیں۔ رابن اسے لے جاؤ۔
ڈاکٹر رابن بلور: ٹھیک ہے۔ سچ پوچھیں تو ، مجھے فرتیلی ترقیاتی طریقوں سے کبھی تکلیف نہیں ہوئی ہے اور مجھے ایسا لگتا ہے کہ آپ یہاں جو کچھ کر رہے ہیں وہ معروف ہے۔ مجھے یاد ہے کہ 1980 کی دہائی میں کسی ایسی چیز کو دیکھنا جس نے اس بات کا اشارہ کیا ، واقعی ، یہ کہ آپ واقعتا control کسی منصوبے کو قابو سے باہر کرنے کے معاملے میں چلاتے ہیں ، عام طور پر اگر آپ غلطی کو کسی خاص مرحلے سے آگے رہتے ہیں۔ اگر آپ کو یہ مرحلہ درست نہیں ملتا ہے تو یہ ٹھیک کرنا زیادہ سے زیادہ مشکل ہو جاتا ہے ، لہذا ایک چیز جو آپ یہاں کر رہے ہیں - اور مجھے لگتا ہے کہ یہ سلائیڈ ہے - لیکن ان چیزوں میں سے ایک جو آپ یہاں کر رہے ہیں۔ سپرنٹ صفر میں ، میری رائے میں ، بالکل ضروری ہے کیونکہ آپ واقعی میں ترسیل کو پن کرنے کی کوشش کر رہے ہیں۔ اور اگر آپ کو ڈیلیوریبلز پن بند نہیں ہوجاتی ہیں تو پھر فراہمی کی شکل بدل جاتی ہے۔
اس طرح ، میری رائے ہے۔ یہ بھی میری رائے ہے - میرے پاس اس خیال سے واقعتا. کوئی دلیل نہیں ہے کہ آپ کو ڈیٹا ماڈلنگ کو تفصیل سے کسی خاص سطح تک حاصل کرنے سے پہلے حاصل کرنے سے پہلے ہی اس سے کوئی فائدہ نہیں ہوسکتا ہے۔ میں کیا چاہتا ہوں کہ آپ کوشش کریں اور کریں کیوں کہ مجھے اس کا مکمل ادراک نہیں تھا ، بس ان منصوبوں میں سے ایک کو اس کے سائز کے لحاظ سے بیان کرنا ہے ، یہ کہ کس طرح بہتا ہے ، کس کے معاملے میں ، آپ جانتے ہیں ، جہاں مسائل پیدا ہوگئے ، کیا انھیں حل کیا گیا؟ کیونکہ مجھے لگتا ہے کہ یہ سلائڈ اس کے دل میں بہت زیادہ ہے اور اگر آپ اس پر کچھ اور تفصیل بھی بیان کرسکتے ہیں تو میں بہت شکر گزار ہوں گا۔
رون ہوازنگا: ضرور ، اور میں ایک دو مثال کے منصوبوں کا استعمال کروں گا۔ وہ جو ایک طرح سے ، ریلوں سے دور چلا گیا جو دراصل صحیح لوگوں کو شامل کرکے اور ڈیٹا ماڈلنگ کرتے ہوئے واپس لایا گیا تھا اور ہر چیز واقعتا sure اس بات کا یقین کرنے کا ایک طریقہ تھا کہ ڈیزائن کو بہتر سمجھا گیا تھا اور ہمارے پاس ظاہر ہے کہ اس پر عمل درآمد کے بہتر ڈیزائن تھے ماڈلنگ کرکے راستے میں۔ کیونکہ جب آپ اس کا ماڈل بناتے ہیں تو ، آپ جانتے ہو ، آپ اس طرح کی تعمیر کرنے کی بجائے اپنے ڈی ڈی ایل اور ہر چیز کو آلے سے باہر اور آؤٹ سے باہر نکال سکتے ہیں جیسے لوگ عام طور پر سیدھے ڈیٹا بیس کے ماحول میں جاکر کر سکتے ہیں۔ اور عام چیزیں جو ڈویلپرز کے ساتھ ہوں گی وہ یہ کہ وہ وہاں جائیں گے اور وہ کہیں گے ، ٹھیک ہے ، مجھے ان جدولوں کی ضرورت ہے۔ ہم کہتے ہیں کہ ہم آرڈر اندراجات کر رہے ہیں۔ لہذا وہ آرڈر ہیڈر اور آرڈر ڈیویلپ ٹیبلز اور ان قسم کی چیزیں تیار کرسکتے ہیں۔ لیکن وہ اس بات کو یقینی بنانے کے لئے اکثر فراموش کریں گے یا نظرانداز کریں گے کہ خارجہ کلیدی تعلقات کی نمائندگی کرنے میں رکاوٹیں موجود ہیں۔ ممکن ہے کہ ان کے پاس چابیاں درست نہ ہوں۔ نامزد کنونشنوں کو بھی مشتبہ ہوسکتا ہے۔ میں نہیں جانتا ہوں کہ میں کتنی بار کسی ایسے ماحول میں گیا ہوں ، مثال کے طور پر ، جہاں آپ کو مختلف ٹیبلوں کا ایک جھنڈا مختلف ناموں کے ساتھ نظر آتا ہے ، لیکن پھر ان جدولوں کے کالم کے نام ID ، نام یا کچھ بھی ہوتے ہیں ، لہذا وہ واقعتا وہی ہے جو اس کی میز کے بغیر سیاق و سباق سے محروم ہوگیا ہے۔
لہذا ، عام طور پر جب ہم ڈیٹا ماڈلنگ کرتے ہیں تو ہم اس بات کو یقینی بنائیں گے کہ ہم ڈی ڈی ایل میں بھی پیدا ہونے والے تمام نمونے میں مناسب نام کنونشن کا اطلاق کر رہے ہیں۔ لیکن خود ان منصوبوں کی نوعیت کے بارے میں زیادہ واضح بات کرنے کے جو خود عام طور پر بول رہے ہیں ، میں کافی بڑے اقدامات کے بارے میں بات کر رہا ہوں۔ ان میں سے ایک million 150 ملین کا بزنس ٹرانسفارمیشن پروجیکٹ تھا جہاں ہم نے درجن سے زائد لیگیسی سسٹم کو تبدیل کیا۔ ہمارے ساتھ پانچ مختلف فرتیلی ٹیمیں بیک وقت چل رہی تھیں۔ میرے پاس ایک مکمل ڈیٹا آرکیٹیکچر ٹیم تھی ، لہذا میرے پاس اپنی ٹیم کے ڈیٹا ماڈلرز موجود تھے جن میں ایپلی کیشن کی ہر دوسری ٹیم شامل تھی ، اور ہم اندرون ملک کاروباری ماہرین کے ساتھ مل کر کام کر رہے تھے جو اس موضوع کو جانتے تھے ، جو کام کر رہے تھے۔ خود کی ضروریات کے لئے صارف کی کہانیاں. ہمارے پاس ان ٹیموں میں سے ہر ایک میں کاروباری تجزیہ کار تھے جو دراصل کاروباری عمل کو ماڈلنگ کررہے تھے ، سرگرمی کے آریھوں یا کاروباری عمل کے آریھوں کے ساتھ ، ٹیم کے باقی افراد کے استعمال سے قبل صارف کی کہانیوں کو صارفین کے ساتھ مزید بہتر بنانے میں مدد کرتا ہے۔
اور پھر ، ظاہر ہے ، وہ ڈویلپرز جو اس کے اوپر درخواست کوڈ تیار کررہے تھے۔ اور ہم اس کے ساتھ بھی کام کر رہے تھے ، میرے خیال میں یہ چار مختلف سسٹم انضمام فروش تھے جو ایپلی کیشن کے مختلف حصوں کی تعمیر کر رہے تھے اور ساتھ ہی جہاں ایک ٹیم ڈیٹا سروسز تیار کررہی تھی ، دوسرا ایک علاقے میں ایپلی کیشن کی منطق بنا رہا تھا ، دوسرا جس میں مہارت حاصل تھی۔ کسی اور کاروباری علاقے میں اس علاقے میں درخواست کی منطق پیدا کررہی تھی۔ اس لئے ہم لوگوں کی ایک پوری ملی بھگت تھی جو اس پروجیکٹ پر کام کر رہے تھے۔ اس میں سے ایک خاص طور پر ہمارا ٹیم میں 150 افراد ساحل پر تھے اور ٹیم میں 150 وسائل کے کنارے موجود تھے جو اس چیز کو آگے بڑھانے کے لئے دو ہفتوں کے اسپرٹ کے ساتھ تعاون کر رہے تھے۔ اور یہ کرنے کے ل you آپ کو یہ یقینی بنانا ہوگا کہ آپ تمام سلنڈروں پر فائر کررہے ہیں ، اور ہر ایک کو ان کی فراہمی کی چیزوں کے لحاظ سے اچھی طرح سے ہم آہنگی پیدا ہوگئی ہے ، اور آپ کو یہ یقینی بنانے کے لئے بار بار دوبارہ مشق کرنا پڑتا ہے کہ ہم تمام ضروری نمونے کی فراہمی کو مکمل کررہے ہیں۔ ہر سپرنٹ کے آخر میں۔
ڈاکٹر رابن بلور: اچھا یہ متاثر کن ہے۔ اور اس پر کچھ اور تفصیل کے ل - - کیا آپ نے اس پروجیکٹ کے اختتام پر پورے ڈیٹا ایریا کا ایم ڈی ایم میپ ، جس کو میں کال کروں گا ، مکمل کر لیا؟
رون ھوئی زینگا: ہمارے پاس ایک مکمل ڈیٹا ماڈل تھا جو تمام مختلف کاروباری علاقوں میں پھوٹ پڑنے سے ٹوٹ گیا تھا۔ مکمل تعریف کے لحاظ سے ڈیٹا کی لغت خود ہی تھوڑی بہت مختصر پڑ گئی۔ ہمارے پاس بیشتر جدولوں کی وضاحت کی گئی تھی۔ ہمارے پاس زیادہ تر کالموں کی وضاحت کی گئی تھی جیسے ان کا مطلب تھا۔ کچھ ایسے بھی تھے جو وہاں موجود نہیں تھے اور دلچسپ بات یہ تھی کہ ان میں سے بہت سی معلومات کے ٹکڑے ایسے تھے جو میراثی نظام سے آئے تھے ، جہاں اس منصوبے کے دائرہ کار کے اختتام کے بعد ہی ، اس کو آگے لے جانے والے سیٹ کے طور پر بھی دستاویز کیا جارہا تھا۔ نمونے ، جیسے یہ تھے ، پروجیکٹ کے باہر ہی تھے ، کیونکہ یہ ایسی چیز تھی جس کو آگے بڑھنے والے ادارے کو برقرار رکھنے کی ضرورت ہے۔ لہذا اسی اثنا میں تنظیم نے ڈیٹا گورننس کی اہمیت کے بارے میں ایک بہت بڑھ کر نقطہ نظر اپنایا کیونکہ ہم نے ان لیراسی سسٹمز میں اور بہت ساری کوتاہیوں کو دیکھا جو ہم ان اعداد و شمار کے ذرائع کو استعمال کرنے کی کوشش کر رہے تھے کیونکہ ان کی دستاویزات نہیں تھیں۔ بہت سی مثالوں میں ہمارے پاس صرف ڈیٹا بیس موجود تھے کہ ہمیں انجینئر کو ریورس کرنا پڑا اور یہ جاننے کی کوشش کرنا پڑی کہ وہاں کیا تھا اور معلومات کیا تھی۔
ڈاکٹر رابن بلور: یہ مجھے حیران نہیں کرتا ، اس کا یہ پہلو۔ اعداد و شمار کی حکمرانی ، آئیے اسے ایک جدید تشویش قرار دیتے ہیں ، اور مجھے لگتا ہے ، واقعی میں ، بہت سارے کام ہیں جو ، کہتے ہیں ، ڈیٹا گورننس پر تاریخی طور پر کیا جانا چاہئے تھا۔ یہ کبھی نہیں تھا کیونکہ آپ ، قسم ، اس کو نہ کرنے سے بھاگ سکتے ہو۔ لیکن چونکہ اعداد و شمار کا وسیلہ ابھی بڑھتا اور بڑھتا ہی گیا ، بالآخر آپ ایسا نہیں کرسکے۔
بہرحال ، میں Dez کو منتقل کروں گا کیونکہ مجھے لگتا ہے کہ میں نے اپنا مختص کیا ہوا وقت گزارا ہے۔ Dez؟
ڈیز بلوچفیلڈ: ہاں ، آپ کا شکریہ۔ اس ساری چیز کے ذریعے میں دیکھ رہا ہوں اور خود ہی سوچ رہا ہوں کہ ہم بہت سے طریقوں سے غصے میں استعمال ہوئے فرتیلی دیکھنے کے بارے میں بات کر رہے ہیں۔ اگرچہ اس کا منفی مفہوم مل گیا ہے؛ میرا مطلب یہ تھا کہ مثبت انداز میں۔ کیا آپ ہمیں صرف ایک منظر پیش کرسکتے ہیں ، میرا مطلب ہے ، دو جگہیں ہیں جو میں دیکھ سکتا ہوں کہ یہ ایک کامل سیٹ ہے: ایک نیا پروجیکٹس جس میں صرف ایک دن سے ہی کام کرنے کی ضرورت ہے ، لیکن میں ہمیشہ اپنے تجربے میں سوچتا ہوں ، یہ اکثر ہوتا ہے معاملہ یہ ہے کہ جب پروجیکٹس اتنے بڑے ہوجاتے ہیں کہ یہ بہت سے طریقوں سے ضروری ہے تو ، دونوں جہانوں کو چمکانے کے درمیان ایک دلچسپ چیلنج ہے ، ٹھیک ہے؟ کیا آپ ہمیں کامیابی کی کچھ کہانیوں کے بارے میں کسی بھی طرح کی بینائی دے سکتے ہیں جو آپ نے دیکھا ہے کہ آپ کسی تنظیم میں گئے ہیں ، یہ بات واضح ہوگئی ہے کہ ان دونوں جہانوں کا تھوڑا سا تصادم ہوگیا ہے اور آپ کامیابی کے ساتھ کام کرنے میں کامیاب ہوگئے ہیں۔ اس جگہ پر اور بڑے منصوبوں کو ساتھ لائیں جہاں شاید وہ ریلوں پر چلے گئے ہوں؟ میں جانتا ہوں کہ یہ ایک بہت وسیع سوال ہے لیکن میں صرف یہ سوچ رہا ہوں کہ اگر کوئی خاص کیس اسٹڈی ہے تو ، آپ اس طرح کی نشاندہی کرسکتے ہیں جہاں آپ نے کہا تھا ، آپ کو معلوم ہے ، ہم نے یہ سب کچھ اپنی جگہ پر رکھ دیا ہے اور یہ سب ترقیاتی ٹیم کو ساتھ لے کر آئے ہیں۔ ڈیٹا ٹیم اور ہم نے ، اس طرح ، کسی ایسی چیز سے خطاب کیا جس میں شاید کشتی ڈوب گئی ہو؟
رون ہوازنگا: یقینا. اور حقیقت میں ایک منصوبہ جو پائپ لائن پروجیکٹ ہوا تھا میں نے اس کی طرف اشارہ کیا جہاں میں نے ڈیٹا موڈلر کے ملوث ہونے سے پہلے اور بعد میں نقائص کے ساتھ یہ چارٹ دکھایا تھا۔ کافی حد تک ، اور پہلے سے تصور شدہ تصورات ہوتے ہیں ، خاص طور پر اگر باتیں خالص ترقی کے نقطہ نظر سے ہوئیں تو یہ صرف ڈویلپرز ہیں جو ایپلی کیشنز کی فراہمی کے لئے ان فرتیلی منصوبوں میں شامل ہیں۔ تو وہاں جو ہوا ، یقینا is کیا وہ ریلوں اور ان کے اعداد و شمار سے وابستہ چیزوں کو اتار چکی ہے ، یا اعداد و شمار کی فراہمی جو وہ تیار کر رہے ہیں ، معیار کے لحاظ سے بالکل کم ہیں اور واقعتا things مجموعی طور پر چیزوں سے نمٹنے کے۔ اور اکثر یہ غلط فہمی موجود رہتی ہے کہ ڈیٹا ماڈلرز منصوبوں کو سست کردیں گے ، اور اگر وہ ڈیٹا موڈلر کے ساتھ صحیح رویہ اختیار نہیں کرتے ہیں تو وہ کریں گے۔ جیسا کہ میں کہتا ہوں ، آپ کو ہارنا پڑتا ہے - بعض اوقات ایسے ڈیٹا ماڈلرز ہوتے ہیں جن کا روایتی گیٹ کیپر رویہ ہوتا ہے جہاں ، "ہم یہاں موجود ہیں تاکہ ڈیٹا کے ڈھانچے کی طرح دکھائی دیتے ہیں ،" اور اس ذہنیت کو ختم کرنا پڑتا ہے۔ جو بھی شخص فرتیلی نشوونما میں شامل ہے ، اور خاص طور پر ڈیٹا موڈلرس ، ٹیموں کو آگے بڑھنے میں واقعی مدد کرنے کے لئے ایک سہولت کار کے طور پر اپنا کردار ادا کرنا ہوگا۔ اور اس کی مثال بتانے کا بہترین طریقہ یہ ہے کہ ٹیموں کو بہت جلد دکھا show کہ وہ تبدیلیوں کو پہلے ماڈلنگ کر کے کتنے نتیجہ خیز ہوسکتے ہیں۔ اور ایک بار پھر ، میں نے باہمی تعاون کے بارے میں بات کی۔
کچھ چیزیں ایسی ہیں جو ہم پہلے تیار کرسکتے ہیں اور ڈی ڈی ایل تیار کرسکتے ہیں تاکہ ڈویلپرز کو آگے بڑھاسکیں۔ ہم یہ بھی یقینی بنانا چاہتے ہیں کہ وہ ایسا محسوس نہ کریں جیسے ان پر پابندی ہے۔ لہذا ، اگر کچھ ایسی چیزیں ہیں جن پر وہ کام کر رہے ہیں تو ، انہیں اپنے ترقیاتی سینڈ بکس میں کام کرتے رہنے دیں ، کیونکہ اسی جگہ پر ڈویلپر کچھ تبدیلیاں کرنے کے ل their اپنے ڈیسک ٹاپس یا دوسرے ڈیٹا بیس پر کام کر رہے ہیں جہاں وہ چیزوں کو جانچ رہے ہیں۔ اور ان کے ساتھ تعاون کریں اور کہیں ، "ٹھیک ہے ، اس کے ساتھ کام کریں۔" ہم اسے آلے میں لائیں گے ، ہم اسے حل کرلیں گے اور پھر ہم اسے آگے بڑھائیں گے اور آپ کو اسکرپٹس دیں گے جو آپ اسے اپ ڈیٹ کرنے کے لئے تعینات کرسکتے ہیں۔ ڈیٹا بیس ان کو اپ گریڈ کرنے کے ل. جس طرح سے ہم آگے بڑھتے جارہے ہیں اس کے بارے میں حقیقی منظور شدہ حقیقی پیداوار کا نظریہ کیا ہوگا۔ اور آپ اس کو ایک بہت ہی تیز فیشن میں تبدیل کرسکتے ہیں۔ مجھے معلوم ہوا کہ میرے دن بھرا ہوا ہے جہاں میں مختلف ترقیاتی ٹیموں کے ساتھ صرف پیچھے پیچھے جا رہا تھا ، تبدیلیوں کو دیکھ رہا تھا ، موازنہ کر رہا تھا ، اسکرپٹ تیار کررہا تھا ، انھیں جا رہا تھا ، اور میں خود کو ایک بار آسانی سے چار ترقیاتی ٹیموں کے ساتھ برقرار رکھنے میں کامیاب رہا۔ ایک رفتار حاصل کی.
ڈیز بلین فیلڈ: اس سے ذہن میں آنے والی ایک چیز یہ ہے کہ ، آپ جانتے ہو ، میں روزانہ کی بنیاد پر بہت ساری بات چیت کر رہا ہوں ، اس مال بردار ٹرین کے بارے میں ، جو مشین ٹو ٹو ہمارے پاس آرہی ہے۔ مشین اور IOT. اور اگر ہمیں لگتا ہے کہ ہمارے پاس موجودہ حالیہ ماحول میں انٹرپرائز کے بارے میں بہت سارے اعداد و شمار مل گئے ہیں ، تو آپ جانتے ہو ، اگر ہم ایک لمحے کے لئے ایک تنگاوالا بھی ایک طرف رکھتے ہیں جہاں ہمیں معلوم ہوتا ہے کہ گوگلز اور فیس بک اور اوبر کے پاس ڈیٹا موجود ہیں ، لیکن ایک روایتی انٹرپرائز میں ہم اب بھی سیکڑوں ٹیرابائٹس اور بہت سارے ڈیٹا کے بارے میں بات کر رہے ہیں۔ لیکن یہ مال بردار ٹرین تنظیموں میں آرہی ہے ، میری نظر میں ، اور ڈاکٹر رابن بلور نے پہلے اس کی IOT کی نشاندہی کی۔ آپ جانتے ہو ، ہمارے پاس بہت ساری ویب ٹریفک ہے ، ہمیں سوشل ٹریفک مل گیا ہے ، اب ہمارے پاس نقل و حرکت اور موبائل آلات موجود ہیں ، بادل ایک طرح سے پھٹا ہے ، لیکن اب ہمارے پاس سمارٹ انفراسٹرکچر ، سمارٹ شہر ہیں۔ اور ابھی ڈیٹا کی پوری دنیا ہے جو ابھی پھٹا ہے۔
روز مرہ کی ایک تنظیم کے ل a ، ایک درمیانے درجے سے بڑی تنظیم جو وہاں بیٹھا ہے اور دیکھ رہا ہے کہ اس درد کی دنیا ان پر آرہی ہے اور اس کا ذہن میں فوری منصوبہ نہیں ہے ، محض ایک دو جملے میں ، اختیار کرنے والے کچھ کیا ہیں؟ ان کے بارے میں کہ ان میں سے کچھ طریق کار کو جگہ پر رکھنے کے بارے میں جب انہیں تبادلہ خیال کرنے کی ضرورت ہے۔ انہیں کتنی جلدی ضرورت ہوگی کہ تقریبا almost بیٹھ کر توجہ دیں اور یہ کہیں کہ مناسب طریقے سے کچھ ٹولز حاصل کرنے اور ٹیم کو تربیت دینے اور اس چیلنج کے آس پاس چلنے والی آواز کی گفتگو کرنے کا ارادہ کریں۔ کہانی میں کتنا دیر ہو چکی ہے یا کب بہت جلدی ہے؟ کچھ ایسی تنظیموں کے ل like یہ کیا نظر آتا ہے جو آپ دیکھ رہے ہیں؟
رون ہوازنگا: میں زیادہ تر تنظیموں کے لئے یہ کہوں گا کہ اگر انہوں نے پہلے ہی یہ کام نہیں کیا ہے اور اس طرح کے طاقتور ٹولز کے ساتھ ڈیٹا ماڈلنگ اور ڈیٹا فن تعمیر کو ڈھال لیا ہے ، تو اس وقت انہیں وقت کی ضرورت ہے۔ کیونکہ یہ دلچسپ بات ہے کہ ، آج بھی ، جب آپ تنظیموں کے اعداد و شمار پر نظر ڈالتے ہیں ، تو ہمارے پاس ہمارے اداروں میں اتنا ڈیٹا ہوتا ہے اور عام طور پر کچھ سروے کی بنیاد پر ، جو ہم نے دیکھا ہے ، ہم اس اعداد و شمار کا پانچ فیصد سے بھی کم مؤثر طریقے سے استعمال کر رہے ہیں۔ جب ہم تنظیموں کو دیکھتے ہیں۔ اور IOT یا یہاں تک کہ NoSQL ، بڑے اعداد و شمار کے ساتھ - یہاں تک کہ اگر یہ صرف IOT ہی نہیں ہے ، بلکہ عام طور پر صرف ایک بڑا اعداد و شمار ہے - جہاں اب ہم اپنی تنظیموں کے باہر سے شروع ہونے والی اور بھی زیادہ معلومات استعمال کرنا شروع کر رہے ہیں ، تو یہ چیلنج بڑا ہوتا جارہا ہے۔ ہر وقت. اور ہمارے پاس صرف یہی ایک موقع ہے کہ اس سے نمٹنے کے قابل ہو جو یہ ہے کہ ہمیں اس ڈیٹا کے بارے میں کیا سمجھنے میں مدد ملے۔
تو ، استعمال کیس تھوڑا سا مختلف ہے. جب ہم اپنے آپ کو یہ کام کرتے نظر آتے ہیں تو جب ہم اس ڈیٹا کو دیکھیں ، ہم اسے قبضہ میں لائیں ، ہمیں اسے ریورس انجینئر کرنے کی ضرورت ہے ، یہ دیکھنا ہوگا کہ ان میں کیا ہے ، چاہے وہ ہمارے ڈیٹا لیکس میں ہو یا ہمارے گھر کے اندر موجود ڈیٹا بیس میں ، اس کی تشکیل کریں ڈیٹا ہے ، اس کے معنی استعمال کریں اور اس کی تعریف کریں تاکہ ہم سمجھ سکیں کہ ڈیٹا کیا ہے۔ کیوں کہ جب تک ہم اس کو سمجھ نہیں لیتے ہیں ، ہم اس بات کا یقین نہیں کرسکتے ہیں کہ ہم اسے صحیح یا مناسب طریقے سے استعمال کررہے ہیں۔ لہذا ہمیں واقعی اس پر ایک ہینڈل حاصل کرنے کی ضرورت ہے کہ وہ ڈیٹا کیا ہے۔ اور اس کا دوسرا حص isہ ، ایسا نہ کریں کیونکہ آپ ، اس سارے بیرونی ڈیٹا کو استعمال کرنے کے معاملے میں ، اس بات کو یقینی بنائیں کہ آپ کے پاس استعمال کا کوئی معاملہ ہے جو اس خارجی اعداد و شمار کو استعمال کرنے میں مدد دیتا ہے۔ ان چیزوں پر توجہ دیں جن کی آپ کو ضرورت ہے صرف ان چیزوں کو کھینچنے اور استعمال کرنے کی کوشش کرنے کے بجائے جن کی آپ کو بعد میں ضرورت ہو۔ پہلے اہم چیزوں پر اپنی توجہ مرکوز کریں اور جیسے ہی آپ اس کے ذریعے اپنا کام کریں گے ، تب آپ باہر سے دوسری معلومات کا استعمال اور سمجھنے کی کوشش کریں گے۔
اس کی ایک عمدہ مثال یہ ہے کہ ، میں جانتا ہوں کہ ہم آئی او ٹی اور سینسر کی بات کر رہے ہیں ، لیکن ایک ہی قسم کا مسئلہ دراصل بہت ساری تنظیموں میں کئی سالوں سے رہا ہے ، آئی او ٹی سے پہلے بھی۔ کوئی بھی جس کے پاس پروڈکشن کنٹرول سسٹم موجود ہے ، چاہے وہ پائپ لائن کمپنی ہو ، مینوفیکچرنگ ، کوئی عمل پر مبنی کمپنیوں کے پاس ایسی چیزیں ہوں جہاں وہ کنٹرول کے ساتھ بہت زیادہ آٹومیشن کررہی ہوں اور وہ ڈیٹا اسٹریمز اور اس طرح کی چیزوں کا استعمال کررہی ہوں ، یہ اعداد و شمار کی آگ بجھانے کے بارے میں معلوم کرنے کے لئے کہ وہ پینے کی کوشش کر رہے ہیں ، کون سے واقعات ہیں جو میرے پروڈکشن کے سامان میں اشارے کے ل occurred پیش آئے ہیں - کیا ہوا اور کب ہوا؟ اور اعداد و شمار کے اس بڑے دھارے میں صرف ان معلومات یا ٹیگس کے مخصوص حص piecesے ہیں جن میں ان کو دلچسپی ہے کہ انہیں تلاش کرنے ، ترکیب کرنے ، ماڈل بنانے اور سمجھنے کی ضرورت ہے۔ اور وہ اس کے باقی حص ignoreوں کو نظرانداز کرسکتے ہیں جب تک کہ واقعی اس کو سمجھنے کا وقت نہ آجائے ، اور پھر وہ اس سے زیادہ سے زیادہ دائرہ کار میں کھینچنے کے ل scope اپنے دائرہ کار کو بڑھاسکتے ہیں ، اگر اس سے کوئی معنی آجاتا ہے۔
ڈیز بلنفیلڈ: واقعتا ، ایسا ہوتا ہے۔ ایک سوال یہ ہے کہ میں اس کی رہنمائی کرنے جا رہا ہوں ایرک نامی ایک شریف آدمی سے آیا ، اور ہم اس کے بارے میں نجی گفتگو کر رہے ہیں۔ میں نے ابھی آپ سے اس کی اجازت طلب کی ہے ، جو اس نے دی ہے۔ کیونکہ اس کی مدد صرف اس لئے لپٹ جاتی ہے ، کیونکہ ہم وقت کے ساتھ تھوڑا سا آگے جا رہے ہیں ، اور میں واپس ایرک کے حوالے کردوں گا۔ لیکن ایک اور ایرک کا سوال یہ تھا کہ ، کیا یہ معقول ہے کہ کسی اسٹارٹ اپ کے مالکان ماڈلنگ کی اصطلاحات کے گرد وابستہ انوکھے چیلنجوں سے واقف ہوں گے اور ان کو سمجھیں گے ، یا اسے تعبیر کے لئے کسی اور کے حوالے کیا جانا چاہئے؟ تو ، دوسرے الفاظ میں ، کیا ایک آغاز ایک قابل اور تیار اور تیار اور اس پر توجہ دینے اور پیش کرنے کے قابل ہونا چاہئے؟ یا یہ وہ چیز ہے جس کی انہیں خریداری کرنی ہوگی اور ماہرین کو ساتھ لے کر آنا چاہئے؟
رون ہوازنگا: مجھے لگتا ہے کہ مختصر جواب یہ ہے کہ یہ واقعی انحصار کرتا ہے۔ اگر یہ ایک ایسا اسٹارٹ اپ ہے جس میں گھر میں کوئی ایسا شخص نہ ہو جو ڈیٹا آرکیٹیکٹ یا ماڈلر ہو جو واقعتا the ڈیٹا بیس کو سمجھتا ہو ، تو شروع کرنے کا تیز ترین طریقہ یہ ہے کہ کسی کو مشاورت کا پس منظر مل جائے جو اس جگہ پر بہت مہارت رکھتا ہے اور حاصل کرسکتا ہے۔ انہیں جا رہا ہے۔ کیونکہ جو آپ کو مل جائے گا - اور در حقیقت ، میں نے بہت ساری مصروفیتوں پر یہ کام کیا تھا جو میں نے پروڈکٹ مینجمنٹ میں اندھیرے میں آنے سے پہلے کیا تھا - کیا میں کسی مشیر کی حیثیت سے تنظیموں میں جاؤں گا ، ان کی ڈیٹا فن تعمیراتی ٹیموں کی قیادت کروں گا ، تاکہ وہ ، طرح طرح سے ، خود پر توجہ مرکوز کرسکیں اور اپنے لوگوں کو تربیت دے سکیں کہ ان قسموں کے کام کیسے کریں تاکہ وہ اسے برقرار رکھیں اور مشن کو آگے بڑھائیں۔ اور پھر میں اپنی اگلی مصروفیت کو جاری رکھوں گا ، اگر اس سے کوئی معنی آتا ہے۔ وہاں بہت سارے لوگ موجود ہیں جو یہ کرتے ہیں ، ان کے پاس اعداد و شمار کا بہت اچھا تجربہ ہے جو انھیں چلتا جاسکتا ہے۔
ڈیز بلین فیلڈ: یہ ایک زبردست اختتامی نقطہ ہے اور میں اس سے پوری طرح اتفاق کرتا ہوں اور مجھے یقین ہے کہ ڈاکٹر رابن بلور بھی ان کا ساتھ دیں گے۔ خاص طور پر ایک آغاز کے دوران ، آپ اپنے شروعاتی کاروبار کے ایک حصے کے طور پر خود کی تجویز کی خاص قیمت پر ایس ایم ای ہونے پر توجہ مرکوز کرتے ہیں اور آپ کو ہر چیز کے ماہر ہونے کی ضرورت نہیں ہوگی ، اتنا بڑا مشورہ۔ لیکن آپ کا بہت بہت شکریہ ، ایک عمدہ پریزنٹیشن۔ واقعی عمدہ جوابات اور سوالات۔ ایرک ، میں آپ کے حوالے کرنے جا رہا ہوں کیونکہ میں جانتا ہوں کہ ہم وقت کے ساتھ ساتھ شاید دس منٹ گزر چکے ہیں اور میں جانتا ہوں کہ آپ ہمارے وقت کی کھڑکیوں سے قریب رہنا پسند کرتے ہیں۔
ایرک کااناگ: ٹھیک ہے۔ ہمارے پاس کم سے کم ایک اچھے سوالات ہیں۔ مجھے ایک آپ کے پاس پھینک دیں۔ مجھے لگتا ہے کہ آپ نے دوسروں میں سے کچھ کا جواب دیا ہے۔ لیکن ایک شرکا کا ایک بہت ہی دلچسپ مشاہدہ اور سوال جو لکھتا ہے ، بعض اوقات چست منصوبوں میں ڈیٹا موڈلر ہوتا ہے جس کی پوری طویل مدتی تصویر نہیں ہوتی ہے اور اسی وجہ سے وہ سپرنٹ ون میں کچھ ڈیزائن کرتے ہیں اور پھر اسپرنٹ کو تین یا چار میں دوبارہ ڈیزائن کرنا پڑتے ہیں۔ کیا یہ نتیجہ خیز نہیں لگتا؟ آپ اس قسم کی چیز سے کیسے بچ سکتے ہیں؟
رون ہوازنگا: یہ صرف فرحت کی فطرت ہے کہ آپ کسی خاص اسپرٹ میں ہر چیز کو بالکل ٹھیک سے حاصل کرنے کے لئے نہیں جارہے ہیں۔ اور یہ دراصل فرتیلی جذبے کا ایک حصہ ہے ، یہ ہے کہ: اس کے ساتھ کام کریں - آپ اس وقت پروٹو ٹائپنگ کرنے جارہے ہیں جہاں آپ کو کسی سپرنٹ میں کوڈ پر کام کر رہے ہو ، اور آپ اس میں مزید بہتری لائیں گے۔ اور اس عمل کا ایک حصہ یہ ہے کہ جب آپ چیزوں کی فراہمی کرتے ہو تو آخری صارف اسے دیکھتا ہے اور کہتا ہے ، "ہاں قریب ہے ، لیکن مجھے واقعی اس کی ضرورت بھی ہے کہ یہ تھوڑا سا اضافی طور پر بھی کرے۔" لہذا اس سے نہ صرف فنکشنل ڈیزائن متاثر ہوتا ہے خود کوڈ کا لیکن اکثر ہمیں ضرورت ہے کہ صارف ان چیزوں کو پیش کرنے کے ل these ان مخصوص چیزوں کے نیچے مزید ڈیٹا ڈھانچے میں ترمیم یا اضافہ کریں۔ اور یہ سب ٹھیک کھیل ہے اور اسی وجہ سے آپ واقعتا the اعلی طاقت والے ٹولز کو استعمال کرنا چاہتے ہیں کیونکہ آپ ماڈلنگ ٹول میں بہت جلد ماڈل بنا سکتے ہیں اور اس میں تبدیلی لائیں اور پھر ڈیٹا بیس کے ل the ڈی ڈی ایل تیار کرسکتے ہیں جس کے بعد ڈویلپر اس کو فراہم کرنے کے لئے کام کرسکتے ہیں۔ اور بھی جلدی سے تبدیل. آپ انہیں ڈیٹا سٹرکچر کی طرح ہینڈ کوڈنگ کرنے سے بچا رہے ہیں اور پروگرامنگ یا ایپلیکیشن منطق پر توجہ مرکوز کرنے دیتے ہیں جس میں وہ زیادہ مہارت رکھتے ہیں۔
ایرک کااناگ: اس سے مکمل معنی آتا ہے۔ ہمارے پاس کچھ اور لوگ تھے جن کے ارد گرد مخصوص سوالات پوچھ رہے تھے کہ یہ سب کیسے ٹول سے جوڑتا ہے۔ میں جانتا ہوں کہ آپ نے کچھ وقت مثالوں کے ساتھ گزارا اور آپ اس کے بارے میں کچھ اسکرین شاٹس دکھا رہے ہیں کہ آپ واقعتا stuff اس میں سے کچھ سامان کو کس طرح رول کرتے ہیں۔ اس پورے اسپرٹ عمل کے معاملے میں ، آپ کتنی بار دیکھتے ہیں کہ تنظیموں میں کھیل کے مقابلے میں آپ کتنے بار زیادہ روایتی عمل دیکھتے ہیں جہاں چیزیں محض ، قسم کی ، ساتھ میں پڑتی ہیں اور زیادہ وقت لگاتی ہیں؟ آپ کے نقطہ نظر سے اسپرٹ طرز کا اندازہ کتنا مشہور ہے؟
رون ہوازنگا: میرے خیال میں ہم اسے زیادہ سے زیادہ دیکھ رہے ہیں۔ میں جانتا ہوں کہ ، شاید میں کہوں گا ، شاید پچھلے 15 سالوں میں خاص طور پر ، میں نے بہت زیادہ لوگوں کو قبول کرتے ہوئے یہ تسلیم کیا ہے کہ انہیں واقعی جلدی ترسیل قبول کرنے کی ضرورت ہے۔ تو میں نے زیادہ سے زیادہ تنظیموں کو فرتیلی بینڈ ویگن پر کودتے دیکھا ہے۔ ضروری نہیں کہ مکمل طور پر؛ وہ یہ ثابت کرنے کے لئے پائلٹ پروجیکٹس کے ایک جوڑے کے ساتھ شروعات کرسکتے ہیں ، لیکن کچھ ایسے بھی ہیں جو ابھی بھی بہت روایتی ہیں اور وہ آبشار کے طریقہ کار پر قائم ہیں۔ اب ، یقینا the خوشخبری ہے کہ ان تنظیموں میں ٹولز بہت عمدہ کام کرتے ہیں اور ان قسم کے طریقہ کار کے ل for ، لیکن ہمارے پاس اس ٹول میں مطابقت پزیر ہے تاکہ جو بورڈ پر کودتے ہیں وہ ٹول باکس میں ٹولس رکھتے ہوں ان کی انگلی موازنہ اور انضمام جیسی چیزیں ، ریورس انجینئرنگ صلاحیتوں جیسی چیزیں ، تاکہ وہ یہ دیکھ سکیں کہ موجودہ اعداد و شمار کے ذرائع کیا ہیں ، لہذا وہ حقیقت میں موازنہ کرسکتے ہیں اور بہت تیزی سے ڈی ڈی ایل اسکرپٹ تیار کرسکتے ہیں۔ اور جب وہ اس کو گلے لگانے لگیں اور دیکھیں کہ ان کی پیداوری ہوسکتی ہے تو ، ان کے مابعد چستی کو گلے لگانے کا رجحان اور بھی بڑھ جاتا ہے۔
ایرک کااناگ: ٹھیک ہے ، یہ بہت اچھا سامان ہے۔ میں نے ابھی وہاں کی سلائیڈوں کا لنک چیٹ ونڈو میں شائع کیا ہے ، لہذا یہ چیک کریں۔ یہ آپ کے لئے تھوڑا سا ہے۔ ہمارے پاس بعد میں دیکھنے کیلئے یہ سب ویب کاسٹ ہیں۔ اپنے دوستوں اور ساتھیوں کے ساتھ بلا جھجھک ان کا اشتراک کریں۔ اور رون ، آج آپ کے وقت کا بہت بہت شکریہ ، آپ ہمیشہ شو میں خوشی خوش رہتے ہیں - فیلڈ کے ایک حقیقی ماہر اور یہ ظاہر ہے کہ آپ اپنی چیزیں جانتے ہو۔ لہذا ، آپ کا شکریہ اور IDERA کا شکریہ اور ، ظاہر ہے ، ڈیز اور ہمارے اپنے ہی رابن بلور کا۔
اور اس کے ساتھ ہی ، ہم آپ کو الوداعی بولیں گے۔ آپ کے وقت اور توجہ کے لئے ایک بار پھر شکریہ. ہم آپ کی تعریف کرتے ہیں کہ آپ 75 منٹ تک لگے رہیں ، یہ ایک اچھی علامت ہے۔ اچھا شو دوستو ، ہم آپ سے اگلی بار بات کریں گے۔ خدا حافظ.
