किसी विशेषज्ञ से सीधे एंटरप्राइज़ डेटा रणनीति बनाने के 5 चरण

डेटा एक डरावना शब्द हो सकता है।

यह नहीं होना चाहिए, लेकिन यह है। अधिकतर क्योंकि लोग इसे प्रबंधित करने के तरीके के साथ संघर्ष करते हैं।

कई कंपनियां उस मुकाम पर पहुंच गई हैं जहां उनके पास इतना डेटा है, उन्हें नहीं पता कि आगे कहां जाना है। दूसरों का मानना ​​​​है कि वे इतने छोटे हैं, उद्यम डेटा रणनीति में निवेश करने की कोई आवश्यकता नहीं है।

सच्चाई यह है कि आपकी कंपनी के आकार और आपके डेटा की वर्तमान स्थिति की परवाह किए बिना, आपको डेटा रणनीति लागू करने से लाभ होगा।

आरंभ करने में आपकी सहायता के लिए, हमने की विशेषज्ञता को सूचीबद्ध किया है ज़ोसिया कोसोव्स्की, हबस्पॉट में व्यापार खुफिया टीम के लिए समूह उत्पाद प्रबंधक (यानी हमारे इन-हाउस डेटा रणनीति विशेषज्ञ।)

जब तक आप इस लेख को पढ़ना समाप्त कर लेंगे, तब तक आपको अपनी कंपनी के वर्तमान डेटा परिपक्वता स्तर, अपनी रणनीति बनाने से पहले किन कारकों पर विचार करना चाहिए, और रास्ते में मदद करने के लिए कुछ कदमों का बेहतर विचार होगा।

आम धारणा के बावजूद, एंटरप्राइज़ डेटा रणनीति केवल बड़ी मात्रा में डेटा वाली बड़ी कंपनियों के लिए नहीं है। वास्तव में, छोटे व्यवसाय डेटा रणनीति में जल्दी निवेश करने से लाभ उठा सकते हैं और नींव स्थापित कर सकते हैं जो उन्हें बड़े पैमाने पर मदद करेगी।

एंटरप्राइज़ डेटा रणनीति के लाभ

कई संगठनों का आम नुकसान यह है कि जब वे बहुत सारा डेटा एकत्र कर रहे हैं, तो हर टीम अपने तरीके से इसकी व्याख्या कर रही है। रिपोर्टिंग का कोई मानक तरीका नहीं है और हो सकता है कि प्रत्येक टीम एक ही मीट्रिक के लिए अलग-अलग मान की रिपोर्ट कर रही हो।

इसका मतलब यह है कि हर कोई अलग-अलग डेटा के साथ समाप्त होता है, जो कि सटीक क्या है, इसकी स्पष्ट समझ के साथ समाप्त होता है। जब सत्य का कोई एक स्रोत नहीं होता है, तो अपने डेटा पर भरोसा करना और मूल्यवान अंतर्दृष्टि प्राप्त करना अविश्वसनीय रूप से कठिन हो जाता है।

"डेटा सिर्फ एक साइलो में मौजूद नहीं है," कोसोव्स्की ने कहा। "विपणन टीम केवल विपणन-विशिष्ट डेटा का उपयोग नहीं करने जा रही है, जिस पर किसी अन्य टीम का कोई प्रभाव नहीं है। वे विभिन्न क्षेत्रों से भी जानकारी प्राप्त करना चाहते हैं।"

वह जारी रखती है, "और इसलिए, शासन और मानकीकरण का एक तत्व और एक आम भाषा वास्तव में यह सुनिश्चित करने में महत्वपूर्ण है कि वे टीम एक दूसरे के साथ संवाद कर सकें।"

इसलिए, एक ईडीएस को लागू करके, आप सूचना साइलो को रोकते हैं, डेटा में विश्वास की अनुमति देते हैं, और निर्णय लेने में सक्षम होते हैं।

एंटरप्राइज़ डेटा रणनीति बनाते समय क्या विचार करें

1. आपका वर्तमान डेटा परिपक्वता स्तर

अपनी रणनीति बनाने से पहले Kossowski की सलाह है कि सबसे पहले एक स्व-मूल्यांकन करें।

अपने आप से पूछें: आपकी कंपनी डेटा परिपक्वता चरण में कहां गिरती है?

दोन व्यापक रूप से उपयोग किया जाने वाला "डेटा परिपक्वता मॉडल" है जो कंपनियों को यह निर्धारित करने में सहायता करता है कि उनकी कंपनी वास्तव में डेटा-संचालित कैसे है। चार चरण हैं:

• डेटा जागरूक - आपकी कंपनी ने अपने रिपोर्टिंग सिस्टम को मानकीकृत नहीं किया है और आपके सिस्टम, डेटा स्रोतों और डेटाबेस के बीच कोई एकीकरण नहीं है। साथ ही, डेटा में ही विश्वास की कमी है।
• डेटा कुशल - डेटा में अभी भी विश्वास की कमी है, विशेष रूप से इसकी गुणवत्ता में। आपने डेटा वेयरहाउस में निवेश किया हो सकता है लेकिन अभी भी कुछ टुकड़े गायब हैं।
• डेटा जानकार - आपकी कंपनी को आपके डेटा से व्यावसायिक निर्णय लेने का अधिकार है। हालाँकि, अभी भी व्यापारिक नेताओं और आईटी के बीच काम करने के लिए कुछ किंक हैं, क्योंकि आईटी मांग पर विश्वसनीय डेटा प्रदान करने के लिए काम करता है।
• डेटा चालित - आईटी और व्यवसाय एक साथ मिलकर काम कर रहे हैं और एक ही पृष्ठ पर हैं। अब, डेटा रणनीति को बढ़ाने पर ध्यान केंद्रित किया गया है क्योंकि नींव का काम (विशेषकर डेटा स्रोतों को एकीकृत करना) पहले ही सफलतापूर्वक लागू किया जा चुका है।

यहां सबसे महत्वपूर्ण बात यह है कि आपकी कंपनी कहां गिरती है, इसके बारे में यथार्थवादी होना।

"मुझे लगता है कि मुझे लगता है कि सबसे बड़ा नुकसान यह है कि आपकी कंपनी डेटा परिपक्वता चरण में कहां है, इस बारे में वास्तव में ईमानदार नहीं है," कोसोव्स्की ने कहा।

वह आगे कहती हैं कि डेटा ने आपको कैसे प्रेरित किया, इस बारे में आपकी भावनाओं को देखना पर्याप्त नहीं है सोचना आपकी कंपनी है। तथ्यों को देखें।

आपकी कंपनी द्वारा वर्तमान में सामना की जाने वाली डेटा समस्याओं की पहचान करके प्रारंभ करें, क्योंकि यह इस बात का एक बड़ा संकेतक है कि आप कहां खड़े हैं।

2. आपका उद्योग और कंपनी का आकार

आप जिस उद्योग में हैं और आपकी कंपनी का आकार यह निर्धारित करेगा कि आप अपनी डेटा रणनीति के लिए केंद्रीकृत या वितरित दृष्टिकोण अपनाते हैं या नहीं।

लेकिन इससे पहले कि हम उन दृष्टिकोणों को तोड़ें, आइए दो डेटा रणनीति ढांचे के बारे में बात करें: अपराध और रक्षा।

कोसोव्स्की के साथ मेरी बातचीत के दौरान, उन्होंने बताया कि कैसे यह रूपरेखा (विस्तार से समझाया गया है) यहाँ उत्पन्न करें) ने हबस्पॉट को अपनी रणनीति विकसित करने में मदद की है।

डेटा सुरक्षा डेटा सुरक्षा, पहुंच, शासन और सटीकता जैसी चीजों को प्राथमिकता देती है जबकि डेटा अपराध अंतर्दृष्टि प्राप्त करने पर केंद्रित होता है जो निर्णय लेने में सक्षम होगा।

प्रत्येक कंपनी को अपराध और रक्षा के संतुलन की आवश्यकता होती है। हालांकि, कुछ अपने उद्योग के आधार पर स्पेक्ट्रम के एक छोर पर अधिक झुकते हैं।

उदाहरण के लिए, एक स्वास्थ्य सेवा संगठन या वित्तीय संस्थान, अत्यधिक संवेदनशील डेटा से संबंधित है, जहां डेटा गोपनीयता और सुरक्षा सर्वोपरि है।

रीयल-टाइम डेटा और त्वरित अंतर्दृष्टि प्राप्त करना संभवतः सर्वोच्च प्राथमिकता नहीं है, जबकि डेटा तक कौन पहुंच सकता है, इसके लिए रेलिंग प्रदान करना संभवतः है। जैसे, वे रक्षा ढांचे की ओर अधिक झुकेंगे।

दूसरी तरफ, आपके पास तकनीकी कंपनियां हैं, एक ऐसा उद्योग जो तेजी से आगे बढ़ता है और डेटा अंतर्दृष्टि के त्वरित बदलाव पर अधिक निर्भर करता है।

इसलिए, वे अपराध पर अधिक झुकते हैं। इसके साथ ही, निश्चित रूप से तकनीकी कंपनियों (और अन्य तेजी से आगे बढ़ने वाले उद्योगों) के भीतर विभाग हैं जो वित्त जैसे रक्षा पर अधिक ध्यान केंद्रित करेंगे।

अब वापस केंद्रीकृत और वितरित रणनीतियों पर।

आपके द्वारा उपयोग किया जाने वाला ढांचा सूचित करेगा कि कौन सी रणनीति आपकी कंपनी को सर्वोत्तम सेवा प्रदान करती है।

एक केंद्रीकृत संरचना में, आपके पास एक केंद्रीकृत रिपोर्टिंग या व्यावसायिक खुफिया (बीआई) टीम होती है जो डेटा के साथ-साथ रिपोर्ट का प्रबंधन और तैयार करती है।

"वह [संरचना] एक छोटे संगठन में बहुत बेहतर काम कर सकता है, और विशेष रूप से ऐसे संगठन में जो रक्षा को प्राथमिकता दे रहा है क्योंकि आप धीमी गति से आगे बढ़ने जा रहे हैं," कोसोव्स्की ने कहा। "आप अड़चन बनने जा रहे हैं, लेकिन इसके हर टुकड़े पर आपका कड़ा नियंत्रण भी है।"

दूसरी ओर, एक वितरित मॉडल आक्रामक दृष्टिकोण अपनाने वाली बड़ी टीमों के लिए बेहतर काम करता है। इस तरह, प्रत्येक टीम तेजी से आगे बढ़ सकती है और उनके लिए काम करने वाले तरीके से काम करने के लिए सशक्त होती है।

इस मॉडल में, बीआई केवल प्लेटफार्मों और रेलिंग सेट करने के लिए ज़िम्मेदार है, जबकि टीमें विकास कार्य करती हैं, कोसोव्स्की बताते हैं।

"यदि आप एक संगठन के बारे में सोचते हैं, जैसे-जैसे कंपनी बड़ी होती जाती है, एक अधिक केंद्रीकृत टीम के साथ, इसे स्केल करना अधिक कठिन होता जाता है," उसने कहा। "आप अंत में इसे हासिल करने में सक्षम होने के लिए अधिक से अधिक लोगों को किराए पर लेते हैं।"

"तो मुझे लगता है कि कंपनी के एक निश्चित आकार में, आप वैसे भी [ए] विकेंद्रीकृत [रणनीति] की ओर अधिक से अधिक बढ़ने जा रहे हैं।"

इसलिए, एक बार जब आप समझ जाते हैं कि आपके उद्योग और आकार के लिए कौन सा ढांचा सबसे अच्छा काम करता है, तो आप उपयुक्त रणनीति को लागू कर सकते हैं।

3. आपकी डेटा प्रबंधन टीम

कोसोव्स्की के अनुसार, डेटा प्रबंधन में डेटा विज्ञान अभी सबसे गर्म विषय है। और वह गलत नहीं है।

2012 में, हार्वर्ड बिजनेस रिव्यू ने इसका नाम रखा 21वीं सदी का सबसे सेक्सी काम. करीब 10 साल बाद, Glassdoor ने इसे अमेरिका में दूसरी सबसे अच्छी नौकरी का नाम दिया है।

लेकिन अगर आप बहस कर रहे हैं कि आपकी डेटा प्रबंधन टीम में कौन सी भूमिका जोड़ी जाए, तो एक डेटा वैज्ञानिक आपका पहला विकल्प नहीं होना चाहिए।

Kossowski इस बात पर प्रकाश डालता है कि आपका डेटा विज्ञान केवल उतना ही अच्छा होने वाला है जितना कि वह डेटा जो इसे शक्ति प्रदान कर रहा है। और अगर वह डेटा भरोसेमंद नहीं है, तो आपको मूल्यवान जानकारी नहीं मिलेगी।

"डेटा साइंस कोई जादू की छड़ी नहीं है जो जादुई रूप से खराब डेटा को अंतर्दृष्टि में बदल देती है। भले ही, आपको अभी भी उस डेटा नींव की आवश्यकता होगी, "उसने आगे कहा। "तो, कुछ करने में कूदना क्योंकि यह अगली बड़ी बात है, मुझे लगता है कि यह एक बड़ी चिंता है।"

यदि आप डेटा परिपक्वता मॉडल के शुरुआती चरणों में हैं, तो कोसोव्स्की के पास एक सुझाव है कि अपने प्रयासों को कहां केंद्रित करें।

"एक डेटा वेयरहाउस आर्किटेक्ट या यहां तक ​​​​कि एक डेटा विश्लेषक जो एसक्यूएल लिखने और एसक्यूएल टेबल बनाने में अनुभवी है," वह कहती हैं। "यदि आप केवल एक व्यक्ति को काम पर रखने जा रहे हैं और आपके पास इतना डेटा नहीं है, तो यह वास्तव में एक शक्तिशाली किराया हो सकता है क्योंकि जब आप छोटे पैमाने पर होते हैं तो एक व्यक्ति बहुत कुछ कर सकता है। वे कई अलग-अलग टोपी पहन सकते हैं और अलग-अलग चीजें सीख सकते हैं।"

जब अधिक तकनीकी कार्यों की बात आती है, जैसे वेयरहाउस में डेटा डालना, तो ऐसे तृतीय-पक्ष उपकरण हैं जिनका उपयोग आप अपने लिए ऐसा करने के लिए कर सकते हैं।

इस स्तर पर, आपको वास्तव में किसी ऐसे व्यक्ति की आवश्यकता है जो आपके डेटा को संरचित करने में आपकी सहायता करे।

1. अपने डेटा आर्किटेक्चर की रूपरेखा तैयार करें।

पहली चीज जो आप करना चाहते हैं, वह है अपने डेटा को बारीक स्तर पर समझना।

अपने आप से पूछो इन सवालों:

• डेटा कहां रहेगा?
• आप किस प्रकार का डेटा एकत्र करेंगे और किन स्रोतों से?
• डेटा कैसे व्यवस्थित किया जाएगा?

यहां लक्ष्य आपके डेटा की संरचना को समझना है।

यदि संरचना की कोई समझ नहीं है, तो आप अपने डेटा को प्रबंधित करने के तरीके के बारे में एक व्यापक योजना नहीं बना सकते हैं।

2. बीआई और आपकी टीमों के बीच संबंधों को परिभाषित करें।

जब डेटा रणनीति की बात आती है, तो सबसे महत्वपूर्ण चरणों में से एक प्रक्रिया में शामिल टीमों को परिभाषित करना और बीआई के लिए अपेक्षाएं निर्धारित करना है।

एक बड़े संगठन में जिसने पहले डेटा रणनीति के बारे में नहीं सोचा है, आप अक्सर पाएंगे कि प्रत्येक टीम एक अलग मॉडल का पालन करती है और बीआई के साथ एक अलग संबंध रखती है, जिससे बीआई के लिए एक सुव्यवस्थित और मानक फैशन में काम करना मुश्किल हो जाता है।

यह डेटा विश्लेषक और बीआई की भूमिकाओं के बीच की रेखाओं को भी धुंधला करता है।

डेटा विश्लेषक को उस व्यावसायिक तर्क को जानना चाहिए जो उनकी टीम और एकत्र किए जा रहे डेटा की संरचना के लिए विशिष्ट है। दूसरी ओर, बीआई को अपने द्वारा समर्थित परिचालन क्षेत्र पर विशिष्ट ज्ञान की आवश्यकता नहीं होनी चाहिए, और इसके बजाय डेटा स्रोत पर ध्यान केंद्रित करना चाहिए और विश्लेषक का समर्थन करने के लिए मंच का प्रबंधन करना चाहिए।

जब बीआई टीम के विशिष्ट व्यावसायिक तर्क से मेल खाने के लिए अपनी प्रक्रिया को नियमित रूप से समायोजित कर रहा होता है, तो यह सब कुछ धीमा कर देता है और लगातार सीखने की आवश्यकता पैदा करता है।

कोसोव्की का सुझाव? व्यावसायिक तर्क को बीआई परत से हटा दें और उन चीजों पर काम करें जो यथासंभव अधिक से अधिक टीमों के लिए प्रासंगिक हों।

इसके अलावा, एक मानक विश्लेषक प्रोफ़ाइल और बीआई और टीमों के बीच संबंधों के लिए एक मॉडल के साथ आएं।

"अभी भी कुछ ऐसे स्थान होने जा रहे हैं जहाँ हम डेटा सेट पर काम कर रहे हैं, न कि पूरे प्लेटफ़ॉर्म पर," कोसोव्स्की ने कहा, "लेकिन जितना हम कर सकते हैं, यह आधार डेटा को साफ कर रहा है, जिससे जुड़ना आसान हो गया है, लेकिन नहीं वास्तव में जो जुड़ते हैं और उनके लिए तर्क करते हैं। ”

3. स्वामित्व सौंपें।

आपकी टीमों और बीआई के बीच संबंध स्थापित करने के बाद, अगला चरण यह परिभाषित कर रहा है कि किसके पास क्या होगा।

डेटा के प्रत्येक भाग के लिए एक अलग स्वामी होना सामान्य बात है। उदाहरण के लिए, एक व्यक्ति या टीम परिचालन डेटा का स्वामी हो सकता है जबकि दूसरा रिपोर्टिंग डेटा का स्वामी हो सकता है।

आपको पाइपलाइन में विभिन्न चरणों में मालिकों को असाइन करने की भी आवश्यकता हो सकती है। बीआई टीम किसी विशेष चरण में डेटा का स्वामित्व कर सकती है और फिर इसे विश्लेषकों को दे सकती है।

कोसोव्स्की का मानना ​​​​है कि स्वामित्व उन टीमों से शुरू होता है जो डेटा का उत्पादन कर रही हैं।

"उन्हें डेटा पर कुछ स्तर के स्वामित्व को महसूस करने की आवश्यकता है और अगर कुछ गलत है तो कुछ स्तर की जवाबदेही है," उसने कहा। "क्योंकि अगर यह स्रोत पर गलत है, तो बीआई बहुत कम कर सकता है।"

वह आगे कहती है, "और यदि आप उस स्तर पर पैच पैच लगाने की कोशिश करते हैं, तो आप लाइन के नीचे और अधिक समस्याओं में भाग लेने जा रहे हैं, ताकि संबंध भी महत्वपूर्ण हो।"

4. डेटा शासन स्थापित करें।

डेटा गवर्नेंस नीतियों और विनियमों का एक समूह है जो सूचित करता है कि सटीकता और गुणवत्ता सुनिश्चित करने के लिए डेटा कैसे एकत्र और संग्रहीत किया जाएगा।

सरल शब्दों में, डेटा गवर्नेंस कह रहा है "अरे, आप हमारे द्वारा बनाए गए सत्य डेटा के इस स्रोत का उपयोग करना और उसका हिस्सा बनना चाहते हैं? तो आपको इस मापदंड को पूरा करना होगा।"

इसमें कोडिंग मानकों को पूरा करना, समीक्षकों की एक निश्चित संख्या होना और एक विशिष्ट दस्तावेज़ीकरण प्रक्रिया का पालन करना शामिल हो सकता है।

"जब हम शासन और अपनाने के बारे में सोचते हैं, तो यह वास्तव में उन तंत्रों के बारे में होता है जिन्हें आप पालन करने की दिशा में रख सकते हैं," कोसोव्स्की ने कहा।

जब शासन की बात आती है तो आपको दो पहलुओं पर विचार करना होगा: सांस्कृतिक टुकड़ा और तकनीकी पहलू।

सांस्कृतिक दृष्टिकोण से, आप अपनी टीमों को इन मानकों को अपनाने के लिए कैसे प्रेरित करते हैं? और तकनीकी दृष्टिकोण से, आप किन प्रक्रियाओं को स्वचालित कर सकते हैं ताकि हर चीज में व्यवहार संशोधन की आवश्यकता न हो?

जैसा कि आप इन दो टुकड़ों के बारे में सोचते हैं, आपको विश्लेषक पक्ष और इंजीनियर (या स्रोत टीम) दोनों पक्षों पर विचार करना होगा।

कोसोव्स्की बताते हैं कि इंजीनियरिंग टीमों के लिए, यह सोचना मुश्किल हो सकता है कि वेयरहाउस में आने पर डेटा कैसा दिखता है क्योंकि यह उनके उत्पाद या जिम्मेदारी का मुख्य हिस्सा नहीं है।

वे डेटा के मूर्त लाभ नहीं देख सकते हैं जब तक कि यह एक डेटा-संचालित संगठन नहीं है जो अपने विश्लेषकों के साथ कसकर काम करता है। इस मामले में, विश्लेषक रिले कर सकते हैं कि डेटा X निर्णय को शक्ति प्रदान कर रहा है, इसलिए जब तक डेटा का अर्थ Y आवश्यकताएं नहीं हैं, तब तक निर्णय नहीं किए जा सकते।

विश्लेषकों के लिए, लाभ देखना आसान है क्योंकि वे व्यवसाय के करीब हैं और प्रत्यक्ष प्रभाव देख सकते हैं। वे महसूस कर सकते हैं कि डेटा गवर्नेंस मानकों का पालन करने का अर्थ है बीआई पर कम निर्भरता, जिससे चीजें अधिक तेज़ी से आगे बढ़ती हैं।

"डेटा से अंतर्दृष्टि उत्पाद के बारे में निर्णय लेने के लिए सशक्त होना चाहिए क्योंकि यही एकमात्र तरीका है जिससे आप उत्पाद और इंजीनियरिंग टीमों को प्राप्त करने जा रहे हैं

डेटा के मूल्य में खरीदा गया और निर्यात किए जाने पर उनके डेटा के बारे में सोच रहा था," कोसोव्स्की ने कहा।

5. नियमित रूप से पुनर्मूल्यांकन करें।

आप जहां भी डेटा मैच्योरिटी मॉडल पर आते हैं, आपकी डेटा रणनीति में हमेशा कुछ बदलाव की आवश्यकता होगी।

"[हबस्पॉट पर], हमारे पास तीन साल की योजना है और इन सभी विचारों में से प्रत्येक वर्ष में क्या होता है," कोसोव्स्की ने कहा। लेकिन मैं पूरी तरह से उम्मीद करता हूं कि अब से एक साल बाद, जब हम इसे देखेंगे, तो चीजें कैसे बदली हैं, इसके आधार पर हम कुछ बदलाव करना चाहते हैं। ”

उदाहरण के लिए, मान लें कि आपने अपने उत्पाद या सेवा में एक नई सुविधा शुरू की है और अब अधिक संवेदनशील ग्राहक डेटा एकत्र कर रहे हैं। इसके लिए अधिक रक्षात्मक दृष्टिकोण अपनाने की आवश्यकता हो सकती है। यदि आपकी कंपनी तेजी से बढ़ती है, तो आपको एक केंद्रीकृत रणनीति के बजाय एक वितरित रणनीति की ओर स्थानांतरित करने की आवश्यकता हो सकती है।

भले ही आपकी कंपनी के संचालन में कोई बदलाव न हो, फिर भी आपको पुनर्मूल्यांकन करने की आवश्यकता हो सकती है। यहां दो प्रमुख संकेतक हैं जो आपकी डेटा रणनीति की समीक्षा करने का समय है:

• चीजों में कितना समय लग रहा है, इस पर निराशा है।
• डेटा में विश्वास की कमी है।

Kossowski का कहना है कि उन दोनों के बीच संतुलन खोजना महत्वपूर्ण है।

"आप नहीं चाहते कि बीआई सब कुछ करे क्योंकि तब इसमें बहुत समय लगने वाला है," उसने कहा, "लेकिन आप विश्लेषक आबादी में इतनी स्वतंत्रता नहीं चाहते हैं कि आप वास्तव में किसी पर भरोसा नहीं कर सकते जानकारी।"

अंगूठे का एक अच्छा नियम हर छह महीने से एक साल में अपनी रणनीति की समीक्षा करना है। यह समझने के लिए कि आपकी प्रगति के बारे में हर कोई कैसा महसूस करता है और यह निर्धारित करने के लिए कि क्या परिवर्तन किए जाने की आवश्यकता है, व्यावसायिक नेताओं, आईटी और अपनी टीमों से बात करें।

ईडीएस बनाने की प्रक्रिया एक कंपनी से दूसरी कंपनी में अलग-अलग होगी, क्योंकि आपका डेटा परिपक्वता स्तर, उद्योग और कंपनी का आकार सभी आपके द्वारा उठाए जाने वाले कदमों में एक भूमिका निभाते हैं।

आपकी कंपनी वर्तमान में कहां खड़ी है, इसका जायजा लेकर, आप एक ऐसी रणनीति विकसित कर सकते हैं जो आपके व्यवसाय की विशिष्ट आवश्यकताओं को पूरा करती हो।

स्रोत: https://blog.hubspot.com/marketing/enterprise-data-strategy