در شروع بسیاری از پروژه‌ها جمله «داده زیاد داریم» شنیده می‌شود. کمی بعد مشخص می‌شود بخشی از اطلاعات در ERP، بخشی در فایل‌های شخصی، قسمتی در نامه‌های اسکن‌شده و بخشی فقط در ذهن کارشناسان است. داشتن داده با آماده‌بودن آن برای استفاده عملی تفاوت دارد.
نقشه راه داده برای هوش مصنوعی قرار نیست همه اطلاعات سازمان را یکجا پاک‌سازی کند. این نقشه، داده‌های لازم برای یک کاربرد مشخص را پیدا می‌کند، مسئولیت آن‌ها را روشن می‌سازد و کیفیت را تا حد مورد نیاز همان تصمیم بالا می‌برد.
از کاربرد شروع کنید، نه از انبار داده
ابتدا خروجی پروژه را بنویسید. اگر هدف پیش‌بینی تأخیر سفارش است، زمان ثبت، تغییر وضعیت، تأمین‌کننده و تاریخ تحویل اهمیت دارد. محتوای مکاتبات بازاریابی ممکن است در این مرحله هیچ ارزشی نداشته باشد. این انتخاب دامنه پروژه را کنترل می‌کند و از ماه‌ها جمع‌آوری بی‌هدف جلوگیری می‌کند.
فهرست منابع را به نقشه جریان تبدیل کنید
برای هر منبع، سامانه مبدأ، مالک کسب‌وکار، مسئول فنی، قالب، حجم، دوره به‌روزرسانی، سطح محرمانگی و مصرف‌کننده نهایی را ثبت کنید. سپس مسیر حرکت داده را رسم کنید: کجا تولید می‌شود، چه کسی تغییرش می‌دهد، کجا کپی می‌شود و کدام سامانه مرجع نهایی است.
کیفیت را بر اساس مصرف بسنجید
کیفیت یک عدد عمومی نیست. کامل‌بودن شماره تماس برای دستیار دانش داخلی اهمیتی ندارد، اما برای فرایند پیگیری فروش حیاتی است. برای هر فیلد تعیین کنید چه درصدی از مقادیر باید موجود باشد، تأخیر قابل قبول در به‌روزرسانی چقدر است و کدام تناقض‌ها مانع استفاده می‌شوند.
- کامل‌بودن: چند درصد رکوردها مقدار ضروری دارند؟
- صحت: مقدار با منبع معتبر یا واقعیت تطبیق دارد؟
- یکتایی: رکورد تکراری چگونه شناسایی می‌شود؟
- به‌هنگام‌بودن: فاصله ثبت رویداد تا دسترس‌پذیری چقدر است؟
- ردگیری: می‌توان منبع و تاریخ هر مقدار را پیدا کرد؟
مالک داده چه کسی است؟
تیم فناوری زیرساخت را نگهداری می‌کند، اما معنای داده معمولا نزد واحد کسب‌وکار است. برای هر مجموعه یک مالک تعیین کنید که تعریف فیلدها، سطح دسترسی و اولویت اصلاح را تأیید کند. مسئول فنی نیز اجرای اتصال، پایش و رفع خطا را بر عهده می‌گیرد.
مجموعه طلایی برای ارزیابی بسازید
یک نمونه کوچک اما دقیق از وضعیت‌های معمول و استثنایی تهیه کنید. پاسخ یا برچسب درست این مجموعه باید توسط متخصصان دامنه تأیید شود. مجموعه طلایی برای انتخاب مدل، سنجش نسخه جدید و تشخیص افت کیفیت استفاده می‌شود و نباید در فرایند آموزش به شکلی مصرف شود که آزمون را بی‌اعتبار کند.
یک برنامه عملی ۹۰ روزه
روزهای ۱ تا ۳۰: شناخت
کاربرد، معیار موفقیت، منابع اصلی، مالک‌ها و محدودیت‌های دسترسی مشخص شوند. چند نمونه واقعی بررسی و مشکلات کیفیت دسته‌بندی شوند.
روزهای ۳۱ تا ۶۰: آماده‌سازی
اتصال اولیه ساخته شود، قواعد پاک‌سازی و واژه‌نامه داده نوشته شود و مجموعه طلایی شکل بگیرد. دسترسی‌ها در همین مرحله آزمایش شوند.
روزهای ۶۱ تا ۹۰: پایلوت و پایش
جریان داده زمان‌بندی شود، شاخص‌های کیفیت روی داشبورد قرار گیرند و پایلوت با کاربران محدود اجرا شود. خطاهای واقعی باید به مسئول مشخص و زمان اصلاح متصل باشند.
از ساخت یک پروژه بی‌پایان جلوگیری کنید
برای «پاک‌سازی همه داده‌های سازمان» پروژه باز نکنید. هر فعالیت داده باید به یک کاربرد، یک ریسک یا یک شاخص عملیاتی وصل باشد. پس از موفقیت پایلوت، همان الگو را برای منبع بعدی گسترش دهید. این رویکرد هم ارزش را زودتر نشان می‌دهد و هم حاکمیت داده را به کار روزمره پیوند می‌زند.
برای سنجش وضعیت فعلی، مقاله ارزیابی آمادگی سازمان برای هوش مصنوعی و برای طراحی دسترسی به دانش، راهنمای RAG سازمانی را بخوانید. برای تدوین نقشه راه اختصاصی نیز از مرکز پشتیبانی سوهاب AI درخواست مشاوره ثبت کنید.