डेटा संचालित सरकार को व्यावहारिक कदमों की आवश्यकता है
डेटा-संचालित सरकार कोई नई या क्रांतिकारी नहीं है, लेकिन नीति और परिचालन निर्णय लेने के लिए यह आवश्यक है। यह वर्षों से सरकार की डिजिटल रणनीति का केंद्र रहा है, लेकिन यह अभी भी परिणाम देखने के लिए संघर्ष कर रहा है, खासकर महामारी की प्रतिक्रिया के बाहरी इलाकों में।
हम विरासत प्रौद्योगिकी, कौशल अंतराल और सांस्कृतिक बाधाओं के मुद्दों को जानते हैं, लेकिन वास्तव में सुई को स्थानांतरित करने के लिए आज क्या व्यावहारिक कदम उठाए जा सकते हैं ताकि सभी सार्वजनिक सेवाओं को वास्तव में नागरिकों को लाभ पहुंचाने के लिए डिज़ाइन किया जा सके? क्या हम कार्रवाई कर सकते हैं?
हम अक्सर डिजिटल परिवर्तन में उपयोगकर्ताओं के महत्व के बारे में बात करते हैं, और डेटा के साथ काम करना कोई अपवाद नहीं है। यह थोड़ा आश्चर्य की बात है कि डिजिटल सिस्टम बनाते समय उन्हीं तकनीकों को लागू किए बिना डेटा प्लेटफ़ॉर्म बनाने में कितना पैसा खर्च किया जा रहा है। यदि ऐसा है, तो आपको समस्याओं की पहचान करने, विचारों का परीक्षण करने और समाधानों को मान्य करने और उन आवश्यकताओं को पूरा करने के लिए उपयोगकर्ता अनुसंधान का उपयोग करना चाहिए।
सार्वजनिक क्षेत्र में, “इसे बनाएं और यह होगा” मानसिकता के साथ कई महंगे डेटा प्लेटफॉर्म बनाए जा रहे हैं। क्योंकि यह उपेक्षा करता है कि लोगों को वास्तव में क्या चाहिए, सिस्टम को नहीं अपनाया जाता है और, परिणामस्वरूप, उन प्लेटफार्मों को विफल माना जाता है।
इसके बजाय, आपको अपना डेटा प्लेटफ़ॉर्म उन्हीं तकनीकों के साथ बनाना चाहिए जिनका उपयोग आप डिजिटल बनाते समय करते हैं। लोगों की समस्याओं को सुलझाने से उनके लिए चीजें आसान हो जाती हैं। एक डेटा प्लेटफ़ॉर्म चिपचिपा हो जाता है क्योंकि इसका उपयोग करने का एक कारण होता है।
संतुलन ढूँढना है डेटा मंच साथ ही इसका उपयोग। यह याद रखने योग्य है कि डेटा स्थान तेज़ी से बदलता है, इसलिए आप जो बना रहे हैं वह बहुत लंबे समय तक नहीं रहेगा। इसका मतलब है कि हमें इस नए और पुराने तरीके से सोचने की जरूरत है। लेकिन इसी तरह, आप अपने टूलकिट में नए टूल जोड़ना जारी नहीं रखना चाहते हैं। तब तक दोहराएं जब तक आपको वास्तव में उन लोगों को मूल्य प्रदान करने की आवश्यकता हो, जिनके लिए आप डिज़ाइन कर रहे हैं। नवाचार के लिए जगह बनाना बहुत महत्वपूर्ण है, लेकिन नई तकनीक की थकान को कम मत समझो।
एक साझा भाषा बनाएं
डेटा-संचालित प्रथाओं को अपनाने में प्रमुख बाधाओं में से एक आम भाषा की कमी है। एक शब्द के लिए किसी संगठन के भीतर कई अर्थ रखना बहुत आसान है। डेटा के डोमेन-संचालित उत्पाद दृश्य में जाने से मदद मिल सकती है।
हमने पाया है कि डोमेन ड्रिवेन डेवलपमेंट एक बेहतरीन शुरुआती बिंदु है। विचार यह है कि आप अपने संगठन को बंधे हुए डोमेन के एक समूह के रूप में देखें, जिससे आप शब्दों की व्युत्पत्ति और उनके अर्थों की पहचान कर सकें। यह एक संगठनात्मक डेटा मॉडल बनाने में मदद करता है जो समझ में आता है और टीमों के बीच बेहतर बातचीत को बढ़ावा देता है।
एक बार जब आप वास्तव में अपने संगठन को इस तरह से समझ लेते हैं, तो आप एक सामान्य शब्दावली बनाना शुरू कर सकते हैं जिसमें “लोग” और “संपत्ति” जैसे शब्दों का अर्थ सभी के लिए समान (या कम से कम सहमत!)
प्रौद्योगिकी शायद ही कभी कारण है कि डेटा प्लेटफॉर्म विफल हो जाते हैं। कई मामलों में, इसके उपयोग के पीछे की संस्कृतियहां तक कि स्वामित्व जैसी सरल चीज भी समस्याएं पैदा कर सकती है। टीम के लिए यह आमतौर पर स्पष्ट है कि वे अपने द्वारा प्रबंधित डेटाबेस में डेटा के लिए जिम्मेदार हैं। लेकिन यह कम स्पष्ट है कि डेटा आपके डेटा प्लेटफ़ॉर्म पर कॉपी किए जाने के बाद भी आपका है।
आपकी टीम को प्लेटफ़ॉर्म से जुड़ाव महसूस करने में मदद करना क्योंकि वे इसका उपयोग समस्याओं को हल करने के लिए करते हैं, उन्हें डेटा होने पर देखभाल करने का कारण मिलता है। यह शासन और कानूनी मुद्दों पर भी लागू होता है। सिर्फ इसलिए कि डेटा कॉपी किया गया है इसका मतलब यह नहीं है कि टीम अब जवाबदेह नहीं है।
डेटा साक्षर होने के लिए सभी कर्मचारियों को प्रशिक्षित करने का एक सांस्कृतिक आयाम भी है।
डेटा साक्षरता यह कई रूप ले सकता है, लेकिन आप कभी भी सांस्कृतिक परिवर्तन के बिना डेटा-परिपक्व संगठन नहीं बन पाएंगे।
डिजाइन प्रतिस्थापन प्रौद्योगिकी
डिजिटल और डेटा स्पेस में ऐसी तकनीक बनाना मुश्किल है जिसे बदला जाएगा। ऐसे बुनियादी तत्व हैं जिन्हें रखने की आवश्यकता है जहां वे नहीं बदलते हैं। लेकिन इसी तरह, यथासंभव खुली तकनीकों का उपयोग करने का प्रयास करें।
ओपन सोर्स फ्रेमवर्क एक कीमत पर आते हैं। ये उपयोग करने के लिए स्वतंत्र हैं, लेकिन बनाए रखना महंगा हो सकता है। लेकिन खुली तकनीक के साथ, आप अपना डेटा ले सकते हैं और सब कुछ फिर से लिखे बिना इसे एक सिस्टम से दूसरे सिस्टम में ले जा सकते हैं।
सभी डेटा की समीक्षा करने वाला एक गवर्नेंस बोर्ड होने का युग डिजिटल क्षेत्र के भीतर हम जो कर रहे हैं, उसके विपरीत लगता है।
एक समुदाय के रूप में, हमें उन सिद्धांतों पर सहमत होने की आवश्यकता है जिन्हें हम अपने डेटा पर लागू करना चाहते हैं। “पर्याप्त परीक्षण” की परिभाषा पर सहमत होना और डेटा स्कीमा को साझा/अनुबंध करने का तरीका खोजना, पहल करने वाले दूर के पैनल की तुलना में कहीं अधिक कुशल है। उत्पाद बनाने वाली टीमों को जिम्मेदारी सौंपना सही डेटा परिपक्वता की दिशा में एक बड़ा कदम है।
हम कभी एपीआई नहीं बनाते हैं [application programming interface] अपने ग्राहकों को चेतावनी दिए बिना इंटरफ़ेस बदलें। एपीआई निरंतरता और सेवा सुनिश्चित करने के लिए संस्करण संख्या और अपग्रेड पथ जैसी तकनीकों का उपयोग करते हैं। दुर्भाग्य से, आपके डेटा के साथ हमेशा ऐसा नहीं होता है।
हम अक्सर पाते हैं कि डेटा सिस्टम में उन बिंदुओं से एकत्र किया जाता है जो वास्तव में उपभोग के लिए अभिप्रेत नहीं होते हैं। नतीजतन, डेटा की स्कीमा को खराब तरीके से माना जा सकता है या इससे भी बदतर, बिना सूचना के बदला जा सकता है। आप अपने उत्पाद को डेटा के साथ तैयार करके इस समस्या को रोक सकते हैं जिसे दूसरों द्वारा उपयोग किए जाने के लिए डिज़ाइन किया गया था।
यह सुनिश्चित करने के लिए वापस जाता है कि डेटा बनाने वाली टीम का स्वामित्व है। अन्यथा, लोग इसका उपयोग नहीं करेंगे, जिससे आपके संगठन का समय, पैसा और प्रयास खर्च होगा।
व्यक्तिगत डेटा नैतिकता पर ध्यान दें
किसी विश्लेषण को पूरा करने के लिए किसी व्यक्ति के नाम और पते तक पहुंच को अक्सर बहुत महत्वपूर्ण माना जाता है। न होने की सम्भावना अधिक। यादृच्छिक संख्याओं के अनुक्रम के बजाय केवल मनुष्य एक परिचित नाम या ज़िप कोड देखना चाहेंगे, लेकिन गणितीय दृष्टिकोण से इससे बहुत कम फर्क पड़ता है। वास्तव में, हम आमतौर पर उन्हें संख्याओं में परिवर्तित करते हैं और मूल्यों का उपयोग करते हैं।
जब भी संभव हो, व्यक्तिगत विवरण और यहां तक कि संरक्षित विशेषताओं को देखे जाने पर पूछताछ की जानी चाहिए। डिफ़ॉल्ट रूप से आपको उन तक नहीं पहुंचना चाहिए और आपको मानों को छद्म नाम देना चाहिए।
जैसे-जैसे डेटा प्लेटफॉर्म परिपक्व होंगे और लोग मशीन लर्निंग का उपयोग करना शुरू करेंगे, नैतिकता अधिक महत्वपूर्ण हो जाएगी। छद्मनामीकरण नियम के एकमात्र अपवादों में से एक यह सुनिश्चित करना है कि आपके द्वारा चुना गया प्रशिक्षण डेटा जनसंख्या का प्रतिनिधि है और निष्पक्ष है। इस मामले में भी, हम व्यक्तिगत रूप से आपकी पहचान नहीं कर सकते हैं, लेकिन हम केवल डेटा पूर्वाग्रह का आकलन करने के लिए पर्याप्त जानकारी जानते हैं।
निजी और सार्वजनिक दोनों क्षेत्रों में डेटा एक गर्म विषय बना हुआ है। उल्लिखित सभी नींव एक तकनीकी दृष्टिकोण से आती हैं, लेकिन वे विशेष रूप से उन पोर्टलों पर लागू होती हैं जो सार्वजनिक सेवाओं के भीतर विरासत का सामना कर रहे हैं। यदि ऐसा है, तो आपको जमीनी कार्य करने की आवश्यकता है। इसे करने के लिए इससे बेहतर समय कभी नहीं रहा।
जिम स्टैम्प मेड टेक में डेटा के प्रमुख हैं।
