एक स्टेकहोल्डर ईमेल कैंपेन और डैशबोर्ड रिफ्रेश के लिए एक “साफ़ कस्टमर लिस्ट” मांगता है जिस पर भरोसा किया जा सके। आपके पास स्प्रेडशीट एक्सपोर्ट है, लेकिन इसमें खाली जगहें, अलग-अलग डेट फ़ॉर्मैट, एक जैसे न होने वाले देश के नाम और डुप्लिकेट एंट्रीज़ हैं। खतरा यह नहीं है कि डेटा साफ़ करना मुश्किल है। खतरा यह है कि AI द्वारा सुझाया गया तेज़ी से किया जाने वाला सफ़ाई का कदम चुपचाप रिकॉर्ड की संख्या या मतलब बदल सकता है, और जब कैंपेन गलत लोगों को टारगेट करता है या डैशबोर्ड का डेटा बदल जाता है, तो उसकी विफलता की ज़िम्मेदारी आपकी होती है।
इस कोर्स में, AI एक ड्राफ़्टिंग और काम को तेज़ करने वाला टूल है। आप इसका इस्तेमाल ट्रांसफ़ॉर्मेशन, फ़ॉर्मूले, Apps Script या VBA का सुझाव देने और डेटा की क्वालिटी से जुड़ी संभावित समस्याओं को बताने के लिए करते हैं। आप इसे यह तय नहीं करने देते कि क्या हटाना है, डेटा कैसे भरना है (impute), या “डुप्लिकेट” का क्या मतलब है। सफलता के मानदंड (Success criteria) वे मापने योग्य शर्तें हैं जो बिज़नेस टास्क के लिए “काफ़ी साफ़” होने को परिभाषित करती हैं। आप उन्हें पहले ही तय कर लेते हैं ताकि सफ़ाई का काम सिर्फ़ दिखावे के लिए न हो।
आपका बुनियादी नियम सरल है। AI द्वारा बनाया गया हर कदम Excel या Google Sheets में चलाया जा सकने वाला, वापस पलटा जा सकने वाला (reversible) और ऑडिट किया जा सकने वाला होना चाहिए, जिसके सबूत आप रिव्यू में दिखा सकें।
मान लीजिए कि एक डेटासेट customer_contacts_export.xlsx है जिसमें 18,240 लाइनें (rows) हैं। यह डेटा CRM एक्सपोर्ट से लिया गया है और इसमें 2025-01-01 से 2025-06-30 तक की जानकारी है। हर लाइन एक कॉन्टैक्ट है। मुख्य फ़ील्ड में email, full_name, signup_date, country, phone और source शामिल हैं। मार्केटिंग लीड जिन सेगमेंटेशन डाइमेंशन (विभाजन के पहलुओं) पर ध्यान देती है, वे हैं country और source, और खास सवाल यह है कि मासिक साइनअप के हिसाब से कौन से देश सबसे तेज़ी से बढ़ रहे हैं।
देखें कि रॉ डेटा (raw data) में किस तरह की समस्याएँ होती हैं।
आपका आउटपुट सिर्फ़ “एक साफ़ की गई फ़ाइल” नहीं है। यह उन चीज़ों (आर्टिफ़ैक्ट्स) का एक सेट है जो आपके काम को दोबारा करने लायक बनाता है।
आप एक साफ़-सुथरी टेबल बनाते हैं जिसमें ज़रूरी पहचानकर्ता (identifiers) स्टैंडर्डाइज़्ड होते हैं और पार्सिंग के नियम एक जैसे होते हैं। आप QA चेक बनाते हैं जो साबित करते हैं कि आपने चुपचाप कोई रो (row) नहीं खोई या कोई असंभव वैल्यू नहीं बनाई। आप एक चेंज लॉग बनाते हैं जिसमें साफ़ तौर पर बताया जाता है कि क्या बदला गया, क्या हटाया गया और क्यों।
LLM एक बड़ा लैंग्वेज मॉडल है जो अपनी ट्रेनिंग और आपके इनपुट के पैटर्न के आधार पर टेक्स्ट, फ़ॉर्मूले और कोड बनाता है। यह आपकी वर्कबुक की स्थिति को तब तक नहीं देखता जब तक आप उसे न दिखाएँ। प्रॉम्प्ट वह निर्देश और संदर्भ है जो आप LLM को संभावित आउटपुट बनाने के लिए देते हैं। हैलुसिनेशन (भ्रम) एक ऐसा दावा या नियम है जो सुनने में तो सही लगता है, लेकिन आपके डेटा या सीमाओं पर आधारित नहीं होता।
डेटा साफ़ करते समय अक्सर “आत्मविश्वास के साथ गलत” होने वाली स्थिति बनती है क्योंकि सफ़ाई के लिए बिज़नेस की परिभाषाओं की ज़रूरत होती है। मॉडल email + full_name जैसी डुप्लीकेट हटाने वाली की (key) का सुझाव दे सकता है, लेकिन उसे यह पता नहीं चल सकता कि शेयर किए गए ईमेल परिवारों, शेयर किए गए इनबॉक्स या डेटा एंट्री की गलतियों को दिखाते हैं या नहीं। अगर आप उसके नियम को मानकर रो (row) को हटा देते हैं, तो आप हर बाद की गिनती और दर में ऐसी गड़बड़ी (बायस) पैदा कर देते हैं जिसे ठीक नहीं किया जा सकता।
देखें कि कौन से काम दूसरों को सौंपना सुरक्षित है और किन कामों को खुद वेरिफ़ाई करना ज़रूरी है।