آپ ایک ای کامرس کاروبار کے لیے ایگزیکٹو ڈیش بورڈ بنا رہے ہیں جسے ہر پیر کو تین سوالوں کے جواب دینے کی ضرورت ہے: کیا ریونیو (آمدنی) میں کوئی تبدیلی آئی؟ کیا کنورژن (conversion) تبدیل ہوئی؟ اور کیا ہم گاہکوں کو برقرار رکھ پا رہے ہیں؟ ڈیٹا سیٹ میں 2024-01-01 سے 2024-06-30 تک کے 2.4 ملین آرڈرز شامل ہیں، جو سیشنز اور کسٹمر ٹیبلز کے ساتھ منسلک (joined) ہیں اور انہیں channel، device_type، اور new_vs_returning (نئے بمقابلہ واپس آنے والے گاہک) کے لحاظ سے تقسیم کیا گیا ہے۔
AI آپ کی SQL تیار کرنے، چارٹ کے اختیارات تجویز کرنے، ہفتہ وار تبدیلیوں کا خلاصہ کرنے اور الرٹ کے اصول تجویز کرنے میں مدد کر سکتا ہے۔ ان میں سے کوئی بھی آؤٹ پٹ بذاتِ خود حتمی فیصلے کے لیے تیار نہیں ہوتا کیونکہ بعد کے مراحل میں ہونے والی کسی بھی خرابی کی ذمہ داری آپ پر عائد ہوتی ہے، نہ کہ ماڈل پر۔ اگر ڈپلیکیٹ جوائنز (duplicate joins) کی وجہ سے ریونیو کا غلط حساب لگایا جاتا ہے، تو کاروبار پھر بھی اسی غلط عدد کی بنیاد پر عمل کرے گا۔
اس کورس میں پیشہ ورانہ نقطہ نظر سادہ ہے۔ AI ابتدائی کام (candidate work products) کی رفتار بڑھاتا ہے۔ تجزیہ کار تعریفوں (definitions) کی تصدیق کرتا ہے، ‘سورس آف ٹروتھ’ (مستند ماخذ) کے مقابلے میں حسابات کی جانچ پڑتال کرتا ہے، اور شائع ہونے والے مواد کی حتمی منظوری دیتا ہے۔
BI ڈیش بورڈ تب ہی قابلِ اعتماد اور قابلِ دفاع بنتا ہے جب اس کے ہر مرحلے کا ایک واضح ذمہ دار اور تصدیقی مرحلہ (verification gate) موجود ہو۔ ان مراحل میں میٹرک کی تعریف، ڈیٹا ماڈلنگ، ویژولائزیشن، اشاعت اور نگرانی شامل ہیں۔ AI وہاں سب سے زیادہ مفید ہے جہاں کام تخلیقی اور قابلِ اصلاح (reversible) ہو، اور وہاں کم قابلِ قبول ہے جہاں کام کا تعلق معنی متعین کرنے یا گورننس (نظم و نسق) سے ہو۔
AI میٹرک کی ممکنہ تعریفیں اور نمونے کی SQL تیار کر سکتا ہے۔ میٹرک کا فیصلہ تجزیہ کار کو کرنا چاہیے، کیونکہ میٹرک دراصل کاروبار کے بارے میں ایک دلیل یا موقف ہوتا ہے۔ مثال کے طور پر، conversion_rate کی تعریف ‘آرڈرز تقسیم شدہ از سیشنز’ کے طور پر کرنا ‘آرڈرز تقسیم شدہ از منفرد وزیٹرز’ (unique visitors) کے برابر نہیں ہے، اور اس انتخاب سے چینل کی درجہ بندی تبدیل ہو جاتی ہے۔
AI تیزی سے چارٹ کی اقسام تجویز کر سکتا ہے۔ تجزیہ کار کو سوال اور سامعین کے لحاظ سے چارٹ کے انتخاب کی توثیق کرنی چاہیے کیونکہ ویژولائزیشن کا انتخاب محض سجاوٹ نہیں بلکہ معلومات کی تشریح ہے۔ AI بیانیہ (narrative) کا مسودہ تیار کر سکتا ہے۔ تجزیہ کار کو فیصلے کا سیاق و سباق فراہم کرنا چاہیے کیونکہ عمومی بیانیہ محض خلاصہ ہوتا ہے، تجزیہ نہیں۔
آئیے جائزہ لیں کہ یہ ورک فلو شروع سے آخر تک کس طرح مربوط ہوتا ہے۔
تصدیق ان جانچ پڑتالوں (checks) کا مجموعہ ہے جو یہ ثابت کرتی ہیں کہ حاصل ہونے والا نتیجہ (output) بنیادی ڈیٹا اور مطلوبہ تعریف سے مطابقت رکھتا ہے۔ جب AI کوئی SQL کوڈ تیار کرتا ہے، تو تجزیہ کار نتائج کا موازنہ ایک معلوم ‘بیس لائن’ (baseline) سے کرتا ہے—مثال کے طور پر، اسی مخصوص مدت اور فلٹرز کے لیے مالیاتی آمدنی کا ڈیٹا۔ جب AI کوئی چارٹ تیار کرتا ہے، تو تجزیہ کار چارٹ کی درستگی اور دیانتداری کی جانچ کرتا ہے، جس میں ایکسس اسکیلنگ (axis scaling)، وقت کا دورانیہ، اور مختلف حصوں (segments) کے درمیان ‘ڈینومینیٹر’ (تقسیم کنندہ) کا یکساں ہونا شامل ہے۔ ‘y-axis’ کا کٹا ہوا یا محدود ہونا (truncated y-axis)—جو 1 فیصد کی تبدیلی کو بڑھا چڑھا کر دکھاتا ہے—محض انداز یا اسٹائل کا مسئلہ نہیں ہے، بلکہ یہ حقائق کو مسخ کرنے کے مترادف ہے۔
جب AI ڈیش بورڈ کے لیے وضاحتی عبارت (narrative) تیار کرتا ہے، تو تجزیہ کار اس بات کو یقینی بناتا ہے کہ ہر دعویٰ کسی حسابی قدر (computed value) اور بیان کردہ موازنے پر مبنی ہو؛ مثلاً channel=Paid Search اور device_type=Mobile کے لیے ہفتہ وار موازنہ۔ جب AI نگرانی کے اصول (monitoring rules) وضع کرتا ہے، تو تجزیہ کار ماضی کے ڈیٹا کی بنیاد پر الرٹ کی منطق (alert logic) کی تصدیق کرتا ہے، کیونکہ ‘حساسیت’ (sensitivity) اور ‘فالس پازیٹوز’ (false positives)—یعنی غلط انتباہات—ایسے کاروباری عوامل ہیں جن کی ذمہ داری آپ پر عائد ہوتی ہے۔
ملاحظہ کریں کہ AI کے مختلف نتائج (outputs) کا تعلق کن مخصوص جانچ پڑتالوں سے ہے جو آپ کو لازمی طور پر کرنی چاہئیں۔
گورننس سے مراد ان حدود و ضوابط کا مجموعہ ہے جو یہ طے کرتا ہے کہ کون سا ڈیٹا، کون، کس مقصد کے لیے اور کس قسم کے ‘آڈٹ ٹریل’ (audit trail) کے ساتھ استعمال کر سکتا ہے۔ مصنوعی ذہانت (AI) کا استعمال گورننس کے تقاضوں کو تبدیل کر دیتا ہے کیونکہ ‘پرامپٹس’ (prompts) اور ‘آؤٹ پٹس’ (outputs) کو وینڈرز کی جانب سے ریکارڈ (log) یا کیش (cache) کیا جا سکتا ہے یا دوبارہ چلایا جا سکتا ہے؛ اس سے رازداری کی خلاف ورزی ہو سکتی ہے، چاہے ڈیش بورڈ خود اندرونی (internal) ہی کیوں نہ ہو۔
ذاتی شناخت کے قابل معلومات (PII) ایک واضح حد ہے، لیکن یہ واحد حد نہیں ہے۔ ناموں یا ای میلز کے بغیر بھی، حساس مالیاتی ڈیٹا، مصنوعات کے ایسے میٹرکس جو ابھی جاری نہیں کیے گئے، اور صارفین کی سطح کے گروپس (cohorts) پالیسی کے تحت محدود ہو سکتے ہیں۔ تجزیہ کار (analyst) کے لیے یہ جاننا ضروری ہے کہ آیا AI ٹول مخصوص ڈیٹا کی درجہ بندی (data classification) کے لیے منظور شدہ ہے، آیا ڈیٹا کو محفوظ رکھنے (retention) کی سہولت غیر فعال ہے، اور آیا رسائی ‘کم سے کم استحقاق’ (least-privilege) کے اصول کے مطابق ہے۔
دستاویزی عمل (Documentation) بھی کنٹرول کا ہی ایک حصہ ہے۔ آپ میٹرک کی تعریف، استفسار (query) کا ورژن، تصدیقی شواہد اور منظوری دینے والے کا ریکارڈ محفوظ رکھتے ہیں تاکہ مستقبل میں کسی بھی تضاد (discrepancy) کی صورت میں اس کی بنیادی وجہ کا سراغ لگایا جا سکے۔
اس بات کا جائزہ لیں کہ کون سی درخواستیں محفوظ ہیں اور کون سی پالیسی کی خلاف ورزی کے زمرے میں آتی ہیں۔