সেবা ব্যবস্থাপনার জন্য বিশ্লেষণ
বিশ্লেষণ সেবার ডেটাকে প্রশ্নের উত্তরে পরিণত করে: কী ঘটেছে, কেন, কী ঘটবে এবং কী করতে হবে; এটি আস্থা অর্জন করে যখন প্রতিটি বিশ্লেষণ একটি নামযুক্ত প্রশ্ন দিয়ে শুরু হয়, তার ডেটা ও সীমা জানায়, সহসম্পর্ক ও কারণ আলাদা করে, এবং এমন একটি সিদ্ধান্তে শেষ হয় যা কেউ নিতে পারেন।
কেন এটি গুরুত্বপূর্ণ
সেবা দলগুলো প্রচুর ডেটা তৈরি করে: টিকিট, লগ, মেট্রিক, জরিপ, পরিবর্তনের রেকর্ড, খরচের প্রতিবেদন। বেশিরভাগ অব্যবহৃত পড়ে থাকে, বা ড্যাশবোর্ডে সারসংক্ষেপ হয়, যা কেউ একটি সিদ্ধান্তের সঙ্গে যুক্ত করতে পারে না। প্রতিবেদন কার্যকলাপ বর্ণনা করে, যেমন বন্ধ হওয়া টিকিট, এবং গ্রাহকরা ভালো আছেন কি না তা নিয়ে সামান্যই বলে।
বিশ্লেষণ হলো ডেটা থেকে উত্তর পাওয়ার শৃঙ্খলা। Wikipedia বিশ্লেষণকে ডেটায় অর্থবহ ধরন আবিষ্কার, ব্যাখ্যা ও যোগাযোগ হিসেবে বর্ণনা করে। সেবা ব্যবস্থাপনায় এটি দেখাতে পারে চাহিদা কোথা থেকে আসে, ঘটনা কেন পুনরাবৃত্ত হয়, কাজ কোথায় অপেক্ষা করে, কোন পরিবর্তন ঝুঁকিপূর্ণ, এবং একটি উন্নতি সাহায্য করেছে কি না। এটি বিভ্রান্তও করতে পারে। একটি চার্ট কর্তৃত্বপূর্ণ দেখাতে পারে, অথচ নির্ভর করে পক্ষপাতদুষ্ট নমুনা, কাকতালীয় ঘটনা, বা নীরবে বদলে যাওয়া সংজ্ঞার ওপর।
এই বিষয়টি সপ্তম অংশের প্রবেশদ্বার। এটি বিশ্লেষণের ধরন, একটি সুদৃঢ় বিশ্লেষণের ধাপ এবং সতর্ক মানুষকেও ধরে ফেলা ফাঁদ বর্ণনা করে। মাপকাঠির সংজ্ঞা এটি সঙ্গী Service Management Metrics বইয়ের জন্য রাখে, এবং ভিত্তি (বিষয় 7.2 — তথ্যের ভিত্তি ও তথ্য শাসন), পরিমাপ (বিষয় 7.3 — পরিমাপ ও প্রতিবেদন), পর্যবেক্ষণযোগ্যতা (বিষয় 7.4 — পর্যবেক্ষণযোগ্যতা ও টেলিমেট্রি), পূর্বাভাস (বিষয় 7.5 — ভবিষ্যদ্বাণীমূলক বিশ্লেষণ ও পূর্বাভাস), প্রবাহ (বিষয় 7.6 — প্রক্রিয়া ও মূল্যপ্রবাহ বিশ্লেষণ) এবং অভিজ্ঞতার (বিষয় 7.7 — অভিজ্ঞতা ও মনোভাব বিশ্লেষণ) জন্য পরের বিষয়গুলো নির্দেশ করে। নতুনতম ITIL সংস্করণ সম্পর্কে মালিকের বর্ণনা পরিমাপযোগ্য ফলের ওপর জোর দেয় (দেখুন বিষয় 1.3 — ITIL 5), যা ভালোভাবে করা বিশ্লেষণের ওপর নির্ভর করে।
মূল ধারণা
বিশ্লেষণের চার ধরন। একটি সাধারণ কাঠামো পার্থক্য করে:
| ধরন | প্রশ্ন | সেবার কাজে উদাহরণ |
|---|---|---|
| বর্ণনামূলক | কী ঘটেছে? | সেবা অনুযায়ী মাসে ইনসিডেন্ট |
| নির্ণয়মূলক | কেন ঘটেছে? | পুনরাবৃত্ত ইনসিডেন্টের মধ্যে কী মিল আছে |
| ভবিষ্যদ্বাণীমূলক | কী ঘটার সম্ভাবনা আছে? | পরের ত্রৈমাসিকে টিকিটের পরিমাণের পূর্বাভাস |
| নির্দেশনামূলক | আমাদের কী করা উচিত? | সবচেয়ে কম খরচে লক্ষ্য পূরণ করা কর্মী সংখ্যা |
Wikipedia বর্ণনামূলক, ভবিষ্যদ্বাণীমূলক ও নির্দেশনামূলক বিশ্লেষণ বর্ণনা করে। প্রতিটি আগেরটির ওপর গড়ে ওঠে। বেশিরভাগ সেবা দল প্রথম দুটি ভালোভাবে করে সবচেয়ে বেশি মূল্য পাবে।
একটি প্রশ্ন দিয়ে শুরু করুন। একটি বিশ্লেষণ শুরু হয় এমন একটি সিদ্ধান্ত দিয়ে যা কাউকে নিতে হবে, যেমন সন্ধ্যা শিফটে কর্মী যোগ করবেন কি না, এবং তাকে ডেটা উত্তর দিতে পারে এমন প্রশ্নে পরিণত করে। প্রশ্ন ছাড়া বিশ্লেষণ আগ্রহজনক কিছুর খোঁজ হয়ে দাঁড়ায়, এবং Wikipedia-র ডেটা ড্রেজিং নিবন্ধ ব্যাখ্যা করে কীভাবে এটি কেবল কাকতালীয় ধরন খুঁজে পায়।
ডেটা। আপনার কাছে যা আছে, কোথা থেকে এসেছে, কীভাবে রেকর্ড হয়েছে এবং কী বাদ দেয়। টিকিটের ডেটা দেখায় মানুষ কী জানাতে বেছে নিয়েছে এবং এজেন্টরা কীভাবে শ্রেণিবদ্ধ করেছেন, যা ঘটেছে তার সবটা নয়। দেখুন বিষয় 7.2 — তথ্যের ভিত্তি ও তথ্য শাসন। Wikipedia ডেটার মানকে ব্যবহারের উপযুক্ততা হিসেবে বর্ণনা করে।
বর্ণনামূলক পরিসংখ্যান। গণনা, মধ্যমা, শতকরা ও বিস্তারের মতো সারসংক্ষেপ। Wikipedia বর্ণনামূলক পরিসংখ্যান বর্ণনা করে। সেবার ডেটার জন্য মধ্যমা ও শতকরা সাধারণত গড়ের চেয়ে বেশি কাজের, কারণ গড় লম্বা লেজ লুকায়, এবং Wikipedia-য় বর্ণিত বহিঃস্থ মান স্বয়ংক্রিয়ভাবে সরানোর বদলে দেখার যোগ্য।
অনুসন্ধানমূলক বিশ্লেষণ। ধারণা পরীক্ষার আগে ডেটার আকার, মান ও বিস্ময় দেখা। Wikipedia অনুসন্ধানমূলক ডেটা বিশ্লেষণ বর্ণনা করে। এটি একটি অনুপস্থিত মানকে শূন্য ধরার মতো বোকামি রোধ করে।
নমুনা ও পক্ষপাত। বেশিরভাগ বিশ্লেষণ একটি নমুনা ব্যবহার করে, আর নমুনা বিভ্রান্ত করতে পারে। Wikipedia নমুনা এবং নির্বাচন পক্ষপাত বর্ণনা করে। জরিপের উত্তর আসে যাঁরা উত্তর দেন তাঁদের কাছ থেকে, আর সহায়তার টিকিট আসে যাঁরা আপনার সঙ্গে যোগাযোগ করেন তাঁদের কাছ থেকে। সেখানেই বর্ণিত বেঁচে থাকার পক্ষপাত দেখা দেয় যখন আপনি শুধু যা টিকে আছে তা অধ্যয়ন করেন, যেমন যে গ্রাহকরা থেকে গেছেন।
সহসম্পর্ক ও কারণ। দুটি জিনিস একসঙ্গে সরলে একটি অন্যটির কারণ নয়। Wikipedia সমস্যাটি "সহসম্পর্ক কারণ বোঝায় না" এর অধীনে এবং বিভ্রান্তিকর উপাদান, যেখানে তৃতীয় একটি উপাদান দুটিকে চালায়, বর্ণনা করে। টিকিটের পরিমাণ ও সার্ভারের সংখ্যা একসঙ্গে বাড়তে পারে কারণ ব্যবসা বেড়েছে। কারণ নিয়ে দাবির জন্য চার্টের চেয়ে বেশি দরকার: একটি নিয়ন্ত্রিত তুলনা, বা বিকল্প নিয়ে সতর্ক যুক্তি। Wikipedia কারণ জানার উপায় হিসেবে কারণ অনুমান এবং A/B পরীক্ষা বর্ণনা করে।
প্যারাডক্স ও ফাঁদ। Wikipedia-য় বর্ণিত সিম্পসনের প্যারাডক্স এমন একটি ক্ষেত্র, যেখানে কয়েকটি গোষ্ঠীতে দেখা একটি প্রবণতা গোষ্ঠীগুলো মিলিয়ে ফেললে উল্টে যায়। সেখানেই বর্ণিত বেস রেট ভ্রান্তি হলো কোনো কিছু কতটা সাধারণ তা উপেক্ষা করার ভুল, ফলে একটি বিরল ঘটনার জন্য ভালো শনাক্তকারী বেশিরভাগ ভুয়া সতর্কবার্তা তোলে। এমন ফাঁদ সম্পর্কে সচেতন থাকা একটি প্রতিরক্ষা।
পরিসংখ্যানগত তাৎপর্য ও অনিশ্চয়তা। একটি ফল "তাৎপর্যপূর্ণ" যখন বলা অনুমানের অধীনে এটি কেবল কাকতালীয়ভাবে হওয়ার সম্ভাবনা কম। Wikipedia অনুমান পরীক্ষা এবং আস্থার ব্যবধান বর্ণনা করে। তাৎপর্য মানে গুরুত্ব নয়: একটি বড় ডেটাসেটে একটি ক্ষুদ্র প্রভাব তাৎপর্যপূর্ণ হতে পারে, আর ছোট ডেটাসেটে একটি বড় প্রভাব অনিশ্চিত হতে পারে। শুধু একক সংখ্যা নয়, পরিসর দেখান।
দৃশ্যায়ন। চার্ট মানুষকে ধরন দেখতে সাহায্য করে, আর খারাপ চার্ট বিভ্রান্ত করে। Wikipedia ডেটা ও তথ্য দৃশ্যায়ন বর্ণনা করে। প্রশ্নের উপযুক্ত রূপ বাছুন, অক্ষ ও একক লেবেল করুন, স্কেল সততার সঙ্গে শুরু করুন এবং অনিশ্চয়তা দেখান। ড্যাশবোর্ড, যা Wikipedia মূল তথ্যের দৃশ্য প্রদর্শন হিসেবে বর্ণনা করে, সিদ্ধান্তের সেবা করা উচিত এবং সংখ্যায় অল্প হওয়া উচিত।
সময় ধারা। সেবার অনেক ডেটা সময়ের সঙ্গে রেকর্ড করা হয়, প্রবণতা, ঋতুভিত্তিক ধরন এবং আকস্মিক সরণসহ। Wikipedia সময় ধারা বিশ্লেষণ বর্ণনা করে। সমানে সমান তুলনা করুন: এই সোমবার অন্য সোমবারের সঙ্গে। দেখুন বিষয় 7.5 — ভবিষ্যদ্বাণীমূলক বিশ্লেষণ ও পূর্বাভাস।
মডেল ও মেশিন লার্নিং। পরিসংখ্যানগত ও মেশিন লার্নিং মডেল ভবিষ্যদ্বাণী, শ্রেণিবদ্ধ ও গুচ্ছবদ্ধ করতে পারে। এদের দরকার প্রশিক্ষণ ও পরীক্ষার ডেটা, বৈধতা যাচাই এবং সরণের জন্য মনিটরিং। দেখুন বিষয় 5.1 — সেবা ব্যবস্থাপনায় এআই। একটি মডেল সত্যের উৎস নয়; এটি অনুমানসহ একটি টুল।
গুডহার্টের সূত্র। যখন একটি মাপকাঠি লক্ষ্যে পরিণত হয়, তখন তা আর ভালো মাপকাঠি থাকে না। Wikipedia সূত্রটি বর্ণনা করে। মানুষ বা দল বিচারে ব্যবহৃত বিশ্লেষণ এমন আচরণের পরিবর্তন ডেকে আনে, যা সংখ্যা উন্নত করে কিন্তু ফল নয়। শিখতে মাপকাঠি ব্যবহার করুন, অন্যগুলোর সঙ্গে জোড়া বাঁধুন, এবং প্রতিটি কীভাবে হেরফের করা যেতে পারে বলুন। দেখুন Service Management Metrics বই।
নীতিশাস্ত্র ও গোপনীয়তা। মানুষের ওপর বিশ্লেষণ, যেমন এজেন্টের উৎপাদনশীলতা বা ব্যবহারকারীর আচরণ, সম্মতি, ন্যায্যতা ও অনুপাতের প্রশ্ন তোলে। Wikipedia অন্যত্র গোপনীয়তা ও অ্যালগরিদমিক পক্ষপাত বর্ণনা করে। শুধু যা দরকার তা সংগ্রহ করুন, যেখানে পারেন একত্র করুন, এবং কী বিশ্লেষণ করেন ও কেন সে বিষয়ে খোলামেলা থাকুন। দেখুন বিষয় 5.6 — এআই শাসন, ঝুঁকি ও সম্মতি।
যোগাযোগ। যে বিশ্লেষণ কেউ বোঝে না তা কিছু বদলায় না। প্রশ্ন, উত্তর, আস্থা, সীমা এবং প্রস্তাবিত সিদ্ধান্ত সহজ ভাষায় বলুন, যেখানে সাহায্য করে সেখানে একটি চার্টসহ।
দৃষ্টিকোণগুলো কীভাবে খাপ খায়। বিশ্লেষণ চতুর্থ দৃষ্টিকোণ, এবং এটি অন্য তিনটির সেবা করে। এজাইল অনুশীলন একটি পরিবর্তন সাহায্য করেছে কি না যাচাই করতে এটি ব্যবহার করে। এআই ডেটাকে জ্বালানি হিসেবে ব্যবহার করে এবং পর্যালোচনার অধীনে বিশ্লেষণ দ্রুত করতে পারে। অটোমেশন ডেটা তৈরি করে এবং তার ওপর কাজ করে। অন্তর্দৃষ্টিকে পরিবর্তনে পরিণত করতে বিশ্লেষণেরও প্রথম তিনটি দৃষ্টিকোণ দরকার।
সেরা অনুশীলন
- একটি সিদ্ধান্ত থেকে শুরু করুন। লিখুন কে কী সিদ্ধান্ত নেবেন, কখনের মধ্যে, এবং কোন প্রমাণ তাঁদের মত বদলাবে। বিশ্লেষণ সেই অনুযায়ী গড়ুন।
- সিদ্ধান্তকে সুনির্দিষ্ট প্রশ্নে পরিণত করুন। ডেটা ছোঁয়ার আগে "সমাধান" বা "পুনরাবৃত্ত ইনসিডেন্ট"-এর মতো শব্দ, জনসংখ্যা ও সময়কাল সংজ্ঞায়িত করুন।
- আপনার ডেটা জানুন। উৎস, রেকর্ড কীভাবে তৈরি হয়, জানা ফাঁক এবং সময়ের সঙ্গে সংজ্ঞার পরিবর্তন নথিবদ্ধ করুন। বাস্তবের সঙ্গে একটি নমুনা মেলান।
- পরীক্ষার আগে দেখুন। আগে বিন্যাস, অনুপস্থিত মান ও বহিঃস্থ মান অনুসন্ধান করুন। ত্রুটি সারান এবং কী বদলেছেন লিখে রাখুন।
- শক্তপোক্ত সারসংক্ষেপ ব্যবহার করুন। গণনাসহ মধ্যমা ও শতকরা জানান, এবং বিস্তার দেখান। সমানে সমান তুলনা করুন, যেমন একই সপ্তাহের দিন বা ঋতু।
- পক্ষপাত সম্পর্কে সতর্ক থাকুন। জিজ্ঞাসা করুন ডেটা থেকে কে বাদ পড়েছেন এবং কেন। ফল উপস্থাপনের সময় নমুনার সীমা জানান।
- ভিত্তি ছাড়া কারণ দাবি করবেন না। তুলনা বা জোরালো যুক্তি না থাকলে "সঙ্গে সম্পর্কিত" বলুন। বিকল্প ব্যাখ্যার তালিকা করুন এবং কীভাবে যাচাই করেছেন বলুন।
- অনিশ্চয়তা দেখান। পরিসর দিন এবং নমুনার আকার উল্লেখ করুন। মিথ্যা নির্ভুলতা এড়ান।
- পাঠকের জন্য দৃশ্য নকশা করুন। চার্ট সরল, সৎ ও লেবেলযুক্ত রাখুন। অনেক অব্যবহৃত ড্যাশবোর্ডের চেয়ে কয়েকটি অর্থবহ ড্যাশবোর্ড পছন্দ করুন।
- চক্র বন্ধ করুন। নেওয়া সিদ্ধান্ত ও ফল লিখে রাখুন, এবং পরে যাচাই করুন বিশ্লেষণ সাহায্য করেছে কি না। যে প্রতিবেদন কেউ ব্যবহার করে না তা অবসর দিন।
দলের সঙ্গে আলোচনার প্রশ্ন
ডেটা দিয়ে আমরা সর্বশেষ কোন সিদ্ধান্ত নিয়েছিলাম, এবং ডেটা আসলে আমাদের কী বলেছিল? উদাহরণ চান। আশা করুন ডেটা আগে থেকে নেওয়া সিদ্ধান্ত সমর্থন করেছে। পরবর্তী ধাপে আসন্ন একটি সিদ্ধান্ত বেছে আগে প্রশ্নটি লিখুন।
আমাদের কোন প্রতিবেদন কেউ পড়ে না বা তার ওপর কাজ করে না? ব্যবহার যাচাই করুন। কয়েকটি আশা করুন। পরবর্তী ধাপে একটি অবসর দিন এবং জিজ্ঞাসা করুন কেউ তা মিস করে কি না।
আমাদের ডেটা কোথায় পক্ষপাতদুষ্ট বা অসম্পূর্ণ হতে পারে, এবং কে বাদ পড়েছেন? টিকিট, জরিপ ও লগের কথা ভাবুন। আশা করুন অনেক ব্যবহারকারী কখনো আমাদের সঙ্গে যোগাযোগ করেন না। পরবর্তী ধাপে একটি উৎস বেছে অন্য একটি থেকে যাচাই যোগ করুন।
একটি সাম্প্রতিক উন্নতি সত্যিই কাজ করেছে আমাদের কীসে বিশ্বাস করাবে? প্রমাণ নিয়ে আলোচনা করুন। আগে-পরের চার্টের ওপর নির্ভরতা আশা করুন। পরবর্তী ধাপে একই সময়ে আর যা বদলেছে তার তালিকা করুন।
আমাদের কোন সংখ্যা হেরফের করা যেতে পারে, এবং আমরা কীভাবে টের পেতাম? কারও মূল্যায়নের জন্য গুরুত্বপূর্ণ একটি মাপকাঠি বাছুন। সৃজনশীল উত্তর আশা করুন। পরবর্তী ধাপে একটি নমুনা যাচাই বা জোড়া মাপকাঠিতে সম্মত হোন।
আমাদের ডেটা বিশ্লেষণে এআই কীভাবে সাহায্য করতে পারে, এবং আমরা তার কাজ কীভাবে যাচাই করব? এআই ডেটার সারসংক্ষেপ, চার্টের খসড়া এবং ধরন প্রস্তাব করতে পারে। এটি বানানো ফলও বলতে পারে। জিজ্ঞাসা করুন কে যাচাই করে এবং কীভাবে। পরবর্তী ধাপে একটি ছোট ডেটাসেটে একটি এআই বিশ্লেষণ হাতে পুনরাবৃত্তি করুন।
বাস্তবে: সেবা ব্যবস্থাপনার একটি উদাহরণ
একটি জাতীয় কর কর্তৃপক্ষের আইটি সার্ভিস ডেস্ক মাসে 25,000 যোগাযোগ সামলায়। একজন সিনিয়র ব্যবস্থাপকের একটি ড্যাশবোর্ড দেখায় এক বছরে গড় সমাধানের সময় 20 শতাংশ বেড়েছে, এবং তিনি ডেস্ক প্রধানকে "এটি আবার নামিয়ে আনতে" বলেন। প্রধান প্রতিক্রিয়া দেখানোর আগে বিশ্লেষণ করার সিদ্ধান্ত নেন।
তিনি প্রশ্ন দিয়ে শুরু করেন: একটি সাধারণ যোগাযোগ সমাধানের সময় কি বেড়েছে, এবং বাড়লে কোন ধরনের যোগাযোগে? তিনি আগে ডেটা যাচাই করেন। বসন্তে টিকিট টুল "সমাধান" কীভাবে রেকর্ড করে বদলেছে, যাতে ব্যবহারকারী নিশ্চিত করার সময় নয়, এজেন্ট চিহ্নিত করলেই টিকিট সমাধান হয়। তিনি এও দেখেন শরতে চালু হওয়া জটিল "কেস ব্যবস্থায় প্রবেশাধিকার" অনুরোধের একটি নতুন শ্রেণি 12 শতাংশ যোগাযোগ এবং বাকিগুলোর পাঁচগুণ সময় নেয়।
তিনি শ্রেণি অনুযায়ী ভাগ করে মধ্যমা ও 90তম শতকরা ব্যবহার করে আবার হিসাব করেন। পুরোনো শ্রেণির জন্য মধ্যমা সমাধানের সময় অপরিবর্তিত; 90তম শতকরা সামান্য বেড়েছে। সামগ্রিক গড় বেড়েছে মূলত নতুন শ্রেণি এবং বদলে যাওয়া সংজ্ঞার কারণে। তিনি লক্ষ করেন ডেটা দেখাতে পারে না কিছু প্রবেশাধিকারের অনুরোধ কেন দীর্ঘ সময় নেয়, শুধু যে নেয় তাই।
তিনি এক পাতার সারসংক্ষেপ উপস্থাপন করেন: গড় বেড়েছে নতুন ধরনের কাজ ও একটি সংজ্ঞা পরিবর্তনের কারণে; বেশিরভাগ যোগাযোগ আগের মতোই দ্রুত; লম্বা লেজ সামান্য বেড়েছে, এবং জটিল অনুরোধ দেখা দরকার। তিনি বলা এড়ান যে নতুন শ্রেণি লম্বা লেজের বৃদ্ধির "কারণ", কারণ কর্মী পরিবর্তনও ঘটেছিল। তিনি দুটি পদক্ষেপ প্রস্তাব করেন: 40টি টিকিটের নমুনাসহ প্রবেশাধিকার অনুরোধের একটি অধ্যয়ন, এবং শতকরাসহ শ্রেণি অনুযায়ী একটি মাসিক প্রতিবেদন।
যা বদলায়: ব্যবস্থাপক সর্বব্যাপী হ্রাস চাওয়া বন্ধ করেন এবং প্রবেশাধিকার অনুরোধের অধ্যয়ন চান। যা এখনো কঠিন: সংজ্ঞা পরিবর্তন পুরোপুরি ফেরানো যায় না, তাই বিরতি জুড়ে তুলনা আনুমানিক থাকে; 40টি টিকিটের নমুনা একজন ব্যক্তি পড়েছেন এবং পক্ষপাতের সুযোগ আছে; এবং ব্যবস্থাপক এখনো একটি একক সংখ্যা পছন্দ করেন। প্রধান দুটি দৃষ্টিভঙ্গিই রাখেন এবং প্রতিবার সীমা ব্যাখ্যা করেন।
চারটি দৃষ্টিকোণ
পণ্য ও ডেলিভারি দল
পরিবর্তন সাহায্য করেছে কি না পরীক্ষা করতে ডেটা ব্যবহার করুন, এবং আপনার পণ্যে যন্ত্রব্যবস্থা বসান যাতে কাজের ডেটা থাকে। যাঁরা আপনার ডেটা ব্যবহার করেন তাঁদের সঙ্গে সংজ্ঞা ও সীমা ভাগ করুন, এবং একটি চার্ট থেকে অতিরিক্ত দাবি এড়ান।
সেবা ও অপারেশন দল
আপনার ডেটা কোথা থেকে আসে এবং কী মিস করে জানুন। গণনাসহ মধ্যমা ও শতকরা জানান, এবং লম্বা লেজ পরীক্ষা করুন। একটি টুল বা শ্রেণি বদলালে বিশ্লেষকদের জানান।
নেতৃত্ব ও শাসন
শুধু একটি চার্ট নয়, প্রশ্ন, ডেটা, সীমা ও সিদ্ধান্ত চান। মানুষকে বিচার করতে একক মাপকাঠি ব্যবহার করবেন না। ডেটার মান ও বিশ্লেষণ দক্ষতায় অর্থ দিন।
গ্রাহক ও ব্যবহারকারী
আপনি ডেটায় আছেন, এবং প্রায়ই তা থেকে অনুপস্থিত। আপনার কাছে কী গুরুত্বপূর্ণ তা জিজ্ঞাসা করা উচিত, এবং সরবরাহকারীর বলা উচিত আপনার তথ্য কীভাবে ব্যবহৃত হয়। সংখ্যা আপনার অভিজ্ঞতার সঙ্গে না মিললে সরবরাহকারীকে জানান।
এজাইল, এআই, অটোমেশন ও বিশ্লেষণ
এজাইল
বিশ্লেষণকে ফিডব্যাকের টুল হিসেবে ব্যবহার করুন: একটি প্রত্যাশা ঠিক করুন, একটি ছোট পরিবর্তন করুন, ডেটা যাচাই করুন এবং সিদ্ধান্ত নিন। অংশীজনদের সঙ্গে ফল ভাগ করুন। সতর্কতা: একটি ছোট পরীক্ষায় কাজ করার আগে নিখুঁত ডেটার জন্য অপেক্ষা করবেন না; একটি ছোট আগে-পরের চার্টকেও প্রমাণ ধরবেন না।
এআই
মালিক ও যাচাইসহ, এআই ডেটা পরিষ্কার, কোয়েরি ও চার্টের খসড়া, ফলের সারসংক্ষেপ এবং ধরন প্রস্তাব করতে পারে। সতর্কতা: একটি এআই-তৈরি বিশ্লেষণ ডেটা সমর্থন করে না এমন ফল বলতে বা ভুল পদ্ধতি ব্যবহার করতে পারে; এর হিসাব দেখাতে বাধ্য করুন এবং একটি নমুনা হাতে পুনরাবৃত্তি করুন। দেখুন বিষয় 5.1 — সেবা ব্যবস্থাপনায় এআই।
অটোমেশন
প্রতিটি ধাপের নথিসহ ডেটা সংগ্রহ, পরিষ্কার এবং নিয়মিত প্রতিবেদন স্বয়ংক্রিয় করুন। সতর্কতা: স্বয়ংক্রিয় প্রতিবেদন অর্থ বদলে যাওয়ার পরেও চলতে পারে; সংজ্ঞা ও উৎস নিয়মিত পর্যালোচনা করুন। দেখুন বিষয় 6.1 — অটোমেশন কৌশল।
বিশ্লেষণ
এই বিষয়টি নিজেই দৃষ্টিকোণ: প্রশ্ন, ডেটা, পদ্ধতি, অনিশ্চয়তা ও সিদ্ধান্ত। সতর্কতা: ডেটার পরিমাণকে অন্তর্দৃষ্টির বিকল্প হতে দেবেন না; বিশ্লেষণ সিদ্ধান্ত বদলেছে কি না মাপুন। মাপকাঠির সংজ্ঞা ও রক্ষাকবচের জন্য দেখুন Service Management Metrics বই।
সাধারণ ব্যর্থতার ধরন
- সিদ্ধান্ত ছাড়া প্রতিবেদন। কেউ ব্যবহার করে না এমন ড্যাশবোর্ড। একটি সিদ্ধান্ত থেকে শুরু করুন এবং অব্যবহৃত প্রতিবেদন অবসর দিন।
- গড় যা লুকায়। খারাপ অভিজ্ঞতার একটি লেজ অদেখা থাকে। মধ্যমা, শতকরা ও ভাগ ব্যবহার করুন।
- অজানা সংজ্ঞা। একটি ক্ষেত্রের অর্থের পরিবর্তন প্রবণতা ভাঙে। সংজ্ঞা নথিবদ্ধ ও মনিটর করুন।
- পক্ষপাতদুষ্ট নমুনা। শুধু যাঁরা আপনার সঙ্গে যোগাযোগ করেন তাঁদের গোনা হয়। কে বাদ পড়েছেন জানান।
- সহসম্পর্ক থেকে কারণ। একটি চার্টকে প্রমাণ ধরা হয়। বিকল্প ব্যাখ্যার তালিকা করুন এবং পরীক্ষা করুন।
- মিথ্যা নির্ভুলতা। অনিশ্চয়তা ছাড়া সংখ্যা দেখানো হয়। পরিসর ও নমুনার আকার দেখান।
- লক্ষ্য যা বিকৃত করে। মানুষ সংখ্যা অপ্টিমাইজ করে। মাপকাঠি জোড়া বাঁধুন এবং বাস্তব ক্ষেত্রের নমুনা নিন।
পরিপক্বতা মডেল
| মাত্রা | সূচনা | বিকাশ | মানসম্মতকরণ | ব্যবস্থাপনা | সমন্বয় |
|---|---|---|---|---|---|
| প্রশ্ন ও সিদ্ধান্ত | অভ্যাসে প্রতিবেদন | কিছু প্রশ্ন সংজ্ঞায়িত | বিশ্লেষণ নামযুক্ত সিদ্ধান্ত থেকে শুরু হয় | সিদ্ধান্তের প্রভাব ট্র্যাক করা | সেবা জুড়ে পরিকল্পনার সঙ্গে একীভূত বিশ্লেষণ |
| ডেটা বোঝা | অজানা | প্রধান উৎস জানা | উৎস, সংজ্ঞা ও ফাঁক নথিবদ্ধ | ডেটার মান মাপা ও উন্নত | দল ও অংশীদার জুড়ে শাসিত ও ভাগ করা ডেটা |
| পদ্ধতি | গড় ও চার্ট | মধ্যমা ও মৌলিক ভাগ | মানক পদ্ধতি, অনিশ্চয়তা ও পক্ষপাত যাচাই | পদ্ধতি পর্যালোচিত ও সহকর্মী-যাচাই করা | তত্ত্বাবধান ও বৈধতা যাচাইসহ উন্নত পদ্ধতি |
| যোগাযোগ | ড্যাশবোর্ড | সারসংক্ষেপ | সীমাসহ সহজ ভাষায় ফল | ব্যবহারকারীদের সঙ্গে ফল পরীক্ষিত | প্রতিদিনের সিদ্ধান্তে গাঁথা অন্তর্দৃষ্টি |
চেকলিস্ট
- প্রতিটি বিশ্লেষণ একটি নামযুক্ত সিদ্ধান্ত ও সুনির্দিষ্ট প্রশ্ন থেকে শুরু হয়।
- আমরা আমাদের ডেটার উৎস, সংজ্ঞা ও জানা ফাঁক নথিবদ্ধ করি।
- আমরা গণনাসহ মধ্যমা ও শতকরা জানাই।
- আমরা জানাই ডেটা থেকে কে বাদ পড়েছেন এবং নমুনার সীমা।
- আমরা সহসম্পর্ক ও কারণ আলাদা করি এবং বিকল্প ব্যাখ্যার তালিকা করি।
- আমরা অনিশ্চয়তা দেখাই এবং মিথ্যা নির্ভুলতা এড়াই।
- আমরা হেরফের হতে পারে এমন মাপকাঠি জোড়া বাঁধি এবং বাস্তব ক্ষেত্রের নমুনা নিই।
- আমরা নেওয়া সিদ্ধান্ত ট্র্যাক করি এবং বিশ্লেষণ সাহায্য করেছে কি না পর্যালোচনা করি।
এআই প্রম্পট
একটি সিদ্ধান্তকে প্রশ্নে পরিণত করুন।
The decision we need to make: [describe]. Who decides: [role]. Data we have: [list sources and fields].
Write three precise analytical questions that would inform the decision, with definitions of key terms, the population, and the period. List what data we lack for each. Do not propose answers.
List what you are unsure of.
ফলের সারসংক্ষেপে ফাঁদ যাচাই করুন।
Here is a summary of an analysis with the data used: [paste].
List possible problems: sample bias, missing groups, changes in definitions, outliers, confounding factors, and claims of cause not supported by the data. Quote the text for each. Do not redo the analysis.
List what you are unsure of.
বিশ্লেষণের আগে একটি ডেটাসেট বর্ণনা করুন।
Here is a sample of rows from our dataset with field names, identifiers removed: [paste].
List each field, its apparent type, missing values, odd values, and questions to ask about how it is recorded. Do not draw conclusions about the business.
List what you are unsure of.
এআই স্কিল
- statistical-analysis: সুদৃঢ় পরিসংখ্যান পদ্ধতি বাছতে ও প্রয়োগ করতে ব্যবহার করুন।
- trend-analysis: সময়ের সঙ্গে পরিবর্তন পরীক্ষা করতে ব্যবহার করুন।
- data-quality: একটি বিশ্লেষণের পেছনের ডেটা যাচাই ও উন্নত করতে ব্যবহার করুন।
- software-engineering-metrics: ঝুঁকিসহ ডেলিভারির মাপকাঠি সংজ্ঞায়িত করতে ব্যবহার করুন।
- survey-design: সাধারণ পক্ষপাত এড়ানো জরিপ নকশা করতে ব্যবহার করুন।
মূল সূত্র
- Edward Tufte, The Visual Display of Quantitative Information (1983): সৎ চার্ট নিয়ে একটি চিরায়ত গ্রন্থ।
- Darrell Huff, How to Lie with Statistics (1954): সাধারণ পরিসংখ্যানগত কৌশলের একটি ছোট, পাঠযোগ্য বিবরণ।
- সঙ্গী Service Management Metrics বই: মাপকাঠির সংজ্ঞা, হেরফেরের পথ ও রক্ষাকবচ।
- Wikipedia, "Analytics" ও "Data analysis": ক্ষেত্রটির পরিচিতি।
তথ্যসূত্র
- Analytics — Wikipedia — https://en.wikipedia.org/wiki/Analytics
- Data analysis — Wikipedia — https://en.wikipedia.org/wiki/Data_analysis
- Descriptive statistics — Wikipedia — https://en.wikipedia.org/wiki/Descriptive_statistics
- Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
- Prescriptive analytics — Wikipedia — https://en.wikipedia.org/wiki/Prescriptive_analytics
- Correlation does not imply causation — Wikipedia — https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation
- Simpson's paradox — Wikipedia — https://en.wikipedia.org/wiki/Simpson%27s_paradox
- Selection bias — Wikipedia — https://en.wikipedia.org/wiki/Selection_bias
- Data dredging — Wikipedia — https://en.wikipedia.org/wiki/Data_dredging
- Goodhart's law — Wikipedia — https://en.wikipedia.org/wiki/Goodhart%27s_law
- Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
- Exploratory data analysis — Wikipedia — https://en.wikipedia.org/wiki/Exploratory_data_analysis