آپ ایک سبسکرپشن پروڈکٹ کے لیے ہفتہ وار ایگزیکٹو KPI اپ ڈیٹ تیار کرنے کے ذمہ دار ہیں۔ اس کے لیے استعمال ہونے والا ڈیٹا سیٹ subscriptions_kpi_daily ہے جس میں 18,250 قطاریں (rows) شامل ہیں؛ یہ ڈیٹا 1 جنوری 2026 سے 30 جون 2026 تک کا احاطہ کرتا ہے اور اسے plan_tier (پلان کی سطح) اور acquisition_channel (حصول کے ذریعے) کے لحاظ سے تقسیم کیا گیا ہے۔ نائب صدر (VP) ایک سوال پوچھتے ہیں: کیا 15 مئی 2026 کو نئے آن بورڈنگ (onboarding) عمل کے آغاز کے بعد صارفین کی برقراری (retention) میں بہتری آئی؟ اور اگر آئی، تو کن پلان ٹائرز (سطحوں) کے لیے؟
AI تیزی سے چارٹس اور تحریریں تو تیار کر سکتا ہے، لیکن یہ کسی گمراہ کن اعداد و شمار سے وابستہ کاروباری خطرے کی ذمہ داری قبول نہیں کر سکتا۔ یہ ذمہ داری آپ کی ہے۔ اگر کوئی چارٹ ‘ریٹینشن’ کے بارے میں غلط معلومات پیش کرتا ہے—مثلاً اس لیے کہ ایکسس (axis) کو مختصر کر دیا گیا ہے یا وقت کا دورانیہ (time window) اپنی مرضی کے مطابق منتخب کیا گیا ہے—تو اس کے نتیجے میں ہونے والی ناکامی کی ذمہ داری اس تجزیہ کار (analyst) پر عائد ہوگی جس نے اسے شائع کیا، نہ کہ اس ٹول پر جس نے اسے تخلیق کیا تھا۔
ایگزیکٹو ویو (executive view) کے مسودے پر ایک نظر ڈالیں اور غور کریں کہ آپ کو کن چیزوں کی تصدیق یا توثیق (sign-off) کرنی ہوگی۔
اس کورس میں، LLM (لارج لینگویج ماڈل) کو ایک ایسے ماڈل کے طور پر سمجھیں جو آپ کے ڈیٹا بیس کو چیک کرنے کے بجائے ‘پیٹرن میچنگ’ (pattern matching) کے ذریعے متن، کوڈ اور منظم تجاویز تیار کرتا ہے۔ یہ فرق اس لیے اہم ہے کیونکہ ایک LLM بآسانی ایسی قابلِ یقین SQL کوئری (query) تیار کر سکتا ہے جو غلط ‘کوہورٹ ڈیفینیشن’ (cohort definition) کا نتیجہ دے، اور اس میٹرک (metric) کے لیے جوابدہ آپ ہی ہوں گے۔
مختلف AI ٹولز مختلف قسم کے نتائج (artifacts) تیار کرتے ہیں۔ کوڈ اسسٹنٹس (Code assistants) Python، R، SQL یا vega-lite جیسی چارٹ کی تفصیلات (specs) تیار کرتے ہیں۔ BI کوپائلٹس (BI copilots) DAX جیسے کیلکولیٹڈ فیلڈز، فلٹرز اور ڈیش بورڈ لے آؤٹس تیار کرتے ہیں۔ نیریٹو جنریٹرز (Narrative generators) ایگزیکٹو پیراگراف اور سرخی کا مسودہ تیار کرتے ہیں۔ چارٹ ریکمنڈرز (Chart recommenders) چارٹ کی اقسام اور انکوڈنگز تجویز کرتے ہیں، جیسے کہ date کو x-axis اور retention_rate کو y-axis پر ترتیب دینا۔
یہ جانیں کہ ٹولز کی یہ اقسام آپ کی تیار کردہ مصنوعات یا نتائج (deliverables) کے ساتھ کس طرح مطابقت رکھتی ہیں۔
کام کا زیادہ تر وقت گرافس یا بارز (bars) بنانے میں نہیں گزرتا۔ یہ وقت اسٹیک ہولڈرز کی مبہم خواہشات کو درست اور واضح پیمانے (metric) میں ڈھالنے، نظرثانی کے مراحل سے گزرنے، اور کام کی ایسی تفصیلات یا نشانیاں چھوڑنے میں صرف ہوتا ہے جن کی مدد سے کوئی دوسرا شخص اگلے مہینے اسی نتیجے یا اعداد و شمار کو دوبارہ تیار کر سکے۔
AI ابتدائی مسودہ (first draft) تیار کرنے کے عمل کو تیز کرتا ہے۔ آپ اس سے 15 مئی 2026 کے آس پاس ‘پلان ٹئیر’ (plan_tier) کے لحاظ سے کسٹمر ریٹینشن (retention) کے لیے ممکنہ چارٹس تجویز کرنے کو کہہ سکتے ہیں، اور وہ تیزی سے کام کا ایک ابتدائی خاکہ فراہم کر دے گا۔ تاہم، جب آپ لازمی اور ناگزیر جانچ پڑتال (non-negotiable checks) کرتے ہیں تو رفتار دھیمی پڑ جاتی ہے۔ اس مرحلے پر آپ ‘کوہورٹ’ (cohort) کی تعریف کی تصدیق کرتے ہیں، ‘ڈینومینیٹر’ (denominator) کو چیک کرتے ہیں، ٹائم ونڈو (time window) کا جائزہ لیتے ہیں اور ایکسس اسکیلنگ (axis scaling) کو پرکھتے ہیں۔ اگر AI ڈوئل ایکسس چارٹ (dual-axis chart) تجویز کرے، تو آپ کو یہ فیصلہ کرنا ہوتا ہے کہ آیا اس میں کوئی ایسی دلیل یا مفروضہ تو شامل نہیں جس کا دفاع آپ نہ کر سکیں۔
آئیے دیکھتے ہیں کہ KPI کو اپ ڈیٹ کرنے کے ایک حقیقت پسندانہ ورک فلو میں AI کہاں فٹ بیٹھتا ہے۔