डेटा विश्लेषणको काममा साँच्चै चाहिने कुरा विशेषज्ञता भन्दा 'अनुवाद शक्ति' हो भन्ने कुरा

शुभ प्रभात। म まさきん हुँ।

डेटा विश्लेषण र वेब एनालिटिक्सको काम “उच्च विशेषज्ञता चाहिने काम हो कि होइन” भन्ने विषय, अहिलेसम्म धेरैपटक सुनेको र देखेको छु।

म आफैं यो काम लामो समयदेखि गर्दै आउँदा महसुस गरेको कुरा, चाहिने भनेको उच्च स्तरको तथ्याङ्क वा मेसिन लर्निङको ज्ञानभन्दा, त्योभन्दा फरक शक्ति हो भन्ने हो।

विश्लेषण जिम्मेवार व्यक्ति “अनुवादक” हुनुपर्छ

डेटा विश्लेषणको भूमिकालाई एकदमै उच्च विशेषज्ञता चाहिने भनेर सोचिन्छ। तर पहिले ‘Competing on Analytics’ किताब पढेर सोचेको कुरासँग पनि मिल्दोजुल्दो छ, म व्यक्तिगत रूपमा त्यसो सोच्दिनँ।

निश्चित रूपमा, उच्च विश्लेषणबाट व्यवसायिक जानकारी निकाल्न सक्ने व्यक्ति, वा विश्लेषणबाट डिजाइन र कार्यान्वयनसम्म हात चलाउन सक्ने व्यक्ति पनि छन्। तर त्यस्तो व्यक्ति त्यति धेरै छैनन् जस्तो लाग्छ।

धेरै कार्यक्षेत्रमा साँच्चै चाहिएको कुरा, डेटा भन्ने विशेषज्ञ भाषालाई व्यवसायको भाषामा अनुवाद गर्ने शक्ति होइन र? सङ्ख्यामात्र हेर्ने होइन, त्यसले जनाउने अर्थलाई सम्बन्धित व्यक्तिहरूले बुझ्ने रूपमा बदलिदिने काम हो।

यो “अनुवाद गर्ने” भावना काम बाहेकको सङ्ख्यामा पनि प्रयोग गर्न सकिन्छ जस्तो लाग्छ। उदाहरणका लागि मासिक सञ्चार शुल्क पनि, हेर्दामात्र अर्थ बुझिँदैन।

“सुविधाजनक खोजबिन उपकरण”मै सीमित रहने खतरा

विश्लेषण संगठनले सजिलै पर्ने एउटा जोखिम, म सधैं ध्यान दिने कुरा छ। त्यो हो, विश्लेषण टोली एक साधारण “खोजबिन काउन्टर” मात्र बन्ने कुरा।

त्यो सङ्ख्या निकालिदिनुहोस्, यो अवधिको प्रवृत्ति देखाइदिनुहोस्। यस्ता अनुरोध निःसन्देह महत्त्वपूर्ण काम हो, तर त्यत्तिकैमा सीमित रहँदा, वास्तवमा चाहिएको “निर्णयमा सघाउ पुर्याउने” भूमिकाबाट केही टाढा पर्छ। अनुरोध गरिएको सङ्ख्यामात्र यताबाट उता सारिदिने अस्तित्व बन्दा, विश्लेषण टोलीको मूल्य सधैं “सुविधाजनक खोजबिन जिम्मेवार” को दायराभित्रै रहन्छ।

तापनि, म यो अवस्थालाई पूर्ण रूपमा अस्वीकार गर्नुपर्छ भन्ने पनि सोच्दिनँ। पहिलो कदमको रूपमा, धैर्यपूर्वक खोजबिनको जवाफ दिने संगठन भए पनि हुन्छ जस्तो लाग्छ। सानो भए पनि देखिने जानकारी बढाउँदै, त्यो जानकारी वरिपरि पुर्याउँदै जानुबाहेक अर्को विश्वास जम्मा हुने बाटो छैन। लक्ष्यबाट नजर नफिराई, तर अहिले गर्न सकिने कुरा जम्मा गर्दै जाने। त्यत्ति तयारीले पुग्छ जस्तो लाग्छ।

प्रयोगकर्ता पक्ष र निर्माण पक्ष, कुनमा भर दिने

डेटासँग सम्बन्धित काम ठूलो रूपमा दुई दिशामा विभाजित हुन्छ जस्तो लाग्छ। एक हो, निस्किएको सङ्ख्या प्रयोग गर्ने पक्ष। अर्को हो, डेटा प्राप्त गर्ने र मिलाउने निर्माण पक्ष।

प्रयोगकर्ता पक्ष भए, CRM सम्बन्धी विश्लेषण, प्रयोगकर्ता शिक्षा, सिफारिस डिजाइनसम्म फैलिन्छ। निर्माण पक्ष भए, डेटा आवश्यकता डिजाइन र कार्यान्वयन, डेटा प्लेटफर्म मिलाउनेसम्म समावेश हुन्छ।

क्यारियर सोच्दा, यी दुईमध्ये कुनमा भर दिने भन्नेले बढाउनुपर्ने सीप एकदमै फरक हुन्छ जस्तो लाग्छ। पहिले “प्रोडक्ट म्यानेजर” भन्ने कामको बारेमा सोचेको बेला पनि नजिकको द्विविधा महसुस भएको थियो, तर सत्य भन्दा, म आफैं पनि यी दुईमध्ये कुनमा भर दिनुपर्ने हो भन्ने उत्तर अझै पूरै पाइसकेको छैन। प्रयोगकर्ता पक्षबाट सुरु गरी, डिजाइन-कार्यान्वयन-कार्ययोजना बीच आवत-जावत गरेको मानिसको हैसियतले, निर्माण पक्षको शक्ति अझ बढाउनु मन र अहिलेको स्थितिबारे द्विविधा, सत्य भन्दा अझै पनि सँगसँगै छन्।

जेनेरेटिभ AIको युगमा, अनुवाद शक्तिको भार उल्टै बढेको छ

अहिले जेनेरेटिभ AIले SQL लेख्ने, ड्यासबोर्ड बनाउने जस्ता काम पहिलेभन्दा सजिलो भएको छ।

हालसालैको एक छलफलमा, यो परिवर्तनलाई “विश्लेषण शक्ति”बाट “जित्ने बाटो निकाल्ने शक्ति”मा रूपान्तरणको रूपमा बताइएको थियो। डेटा प्रशोधन, दृश्यीकरण, मोडेल छनोट जस्ता निश्चित काम AIलाई सुम्पिन सकिने भएकाले, KPI पत्ता लगाउने शक्ति, र मूलतः “के प्रश्न गर्ने” भन्ने परिकल्पना बनाउने शक्तिको भार बढेको भनिन्छ। अर्को छलफलमा, डेटा साइन्टिस्टको भूमिका “फरक क्षेत्रको ज्ञान जोड्ने भूमिका”, “रणनीतिक रूपमा प्रश्न बनाउने भूमिका”, “विश्लेषण नतिजालाई व्यवस्थापन निर्णयसम्म पुर्याउने कथावाचक” गरी तीन दिशामा फैलिँदै गएको पनि बताइएको थियो।

अर्थात्, त्यसको भारका रूपमा “के सोध्ने”, “निस्किएको सङ्ख्यालाई कसरी बुझी व्यवसायसम्म जोड्ने” भन्ने भाग उल्टै बढेको छैन र? उपकरण जति बुद्धिमान बन्दै जान्छ, प्रश्न बनाउने शक्ति र उत्तर अनुवाद गर्ने शक्तिको फरक, त्यत्तिकै नतिजाको फरक बन्दै जान्छ जस्तो लाग्छ। साधारण खोजबिन उपकरणमै सीमित रहने वा अनुवादकको रूपमा निर्णयमा घुसपैठ गर्न सक्ने, त्यो भेद पनि अन्तिममा यही भागमा छ जस्तो लाग्छ।

व्यवहारमा यो शक्ति बलियो बनाउनका लागि, म “सङ्ख्या हेर्ने व्यक्तिले अर्को के गर्नुपर्छ” भन्ने कुरा पहिले भाषामा राखेर मात्र विश्लेषणमा जाने क्रम ध्यान दिन्छु। सङ्ख्या निकालेपछि व्याख्या सोच्ने होइन, बताउने निष्कर्षको परिकल्पना पहिले लिएर डेटासँग सामना गर्ने। यो क्रमको फरकमात्रैले अनुवादकको रूपमा आउटपुटको गुणस्तर धेरै फरक पर्छ जस्तो लाग्छ।

विश्लेषणको लोकतन्त्रीकरण भन्ने शब्द पनि प्रायः देखिन थालेको छ। जेनेरेटिभ AIले गर्दा, विशेषज्ञ ज्ञान नभए पनि आफैं डेटालाई प्रश्न गर्न सक्ने व्यक्ति बढेकाले, पहिले विश्लेषण टोलीमात्रसँग भएको “खोज्ने शक्ति” आफैंको दुर्लभता घटेको छ। त्यसैले उल्टो, निस्किएको उत्तरलाई कसरी बुझ्ने र अर्को कार्ययोजनासम्म कसरी जोड्ने भन्ने अनुवादकको रूपमा थपिने मूल्य उल्टै उजागर हुन थालेको छ, भन्ने अनुभव हो।

कार्यक्षेत्रका सबै सदस्यले केही हदसम्म डेटा छुन सक्ने भएको अहिले नै, विशेषज्ञ शब्दलाई सरल बनाई बताउने भूमिका, उल्टै संस्थाभरि छरिएर चाहिएको जस्तो पनि लाग्छ। विश्लेषण टोलीमात्र अनुवादक हुनुपर्ने युग, बिस्तारै अन्त्यको नजिक पुगिरहेको हुनसक्छ।

सारांश

प्रविधि र उपकरण समयसँगै परिवर्तन हुन्छ। तर डेटा र व्यवसायको बीचमा उभिने “अनुवादक”को भूमिकाको सार, त्यति धेरै परिवर्तन भएको छैन जस्तो लाग्छ।

त्यसो भन्दा, आफ्नो वरिपरिको सङ्ख्या सोचेभन्दा राम्ररी हेरिएको छैन जस्तो लाग्छ। पहिले मासिक सञ्चार शुल्कदेखि, आफ्नै हातले सङ्ख्या फेरि हेर्ने कोसिस गर्छु।

यस लेखमा सम्बद्ध विज्ञापन समावेश छ। यस साइटको लिङ्क मार्फत उत्पादन वा सेवाको लागि आवेदन दिनुभयो भने, हामीले साझेदार कम्पनीबाट प्रतिफल पाउन सक्छौं। साथै, सञ्चालक राकुतेन समूहको कर्मचारी हो र कर्मचारी सिफारिस कार्यक्रम मार्फत प्रतिफल पाउन सक्छ। लेखको सामग्री र मूल्याङ्कन विज्ञापन भए वा नभएको भन्दा फरक रूपमा सञ्चालकको वास्तविक अनुभव र अनुसन्धानमा आधारित रहेर तयार गरिएको हो, तर माथिको सम्बन्ध बुझेर पढ्नुहोला। विस्तृत जानकारीका लागि अस्वीकरण र सम्बद्ध लिङ्क सूचना हेर्नुहोस्। अस्वीकरण र सम्बद्ध लिङ्क सूचना

यस लेखमा मेसिन अनुवाद समावेश छ। आधिकारिक सर्तका लागि राकुतेन मोबाइलको आधिकारिक साइटको बहुभाषी पृष्ठ हेर्नुहोस्।

राकुतेन मोबाइलको सञ्चार क्षेत्र वा सिग्नल अवस्थाको बारेमा चिन्ता भएमा, आधिकारिक सिग्नल सुधार·अनुसन्धान अनुरोध फारम मार्फत सोध्न सकिन्छ।