सेवा प्रबंधन के लिए विश्लेषण
विश्लेषण सेवा-डेटा को प्रश्नों के उत्तरों में बदलता है: क्या हुआ, क्यों, क्या होगा, और क्या करना है; यह भरोसा तब कमाता है जब हर विश्लेषण नामित प्रश्न से शुरू हो, अपना डेटा और सीमाएँ बताए, सहसंबंध को कारण से अलग रखे, और ऐसे निर्णय पर समाप्त हो जो कोई ले सके।
यह क्यों मायने रखता है
सेवा टीमें बहुत डेटा उत्पन्न करती हैं: टिकट, लॉग, मेट्रिक्स, सर्वेक्षण, परिवर्तन रिकॉर्ड, लागत रिपोर्टें। इसका अधिकांश अनुपयोगी पड़ा रहता है, या ऐसे डैशबोर्ड में सारांशित होता है जिसे कोई निर्णय से नहीं जोड़ सकता। रिपोर्टें गतिविधि का वर्णन करती हैं, जैसे बंद किए गए टिकट, और इस बारे में कम कहती हैं कि ग्राहक बेहतर स्थिति में हैं या नहीं।
विश्लेषण डेटा से उत्तर पाने का अनुशासन है। Wikipedia विश्लेषण (analytics) का वर्णन डेटा में सार्थक पैटर्न की खोज, व्याख्या और संप्रेषण के रूप में करता है। सेवा प्रबंधन में यह दिखा सकता है कि माँग कहाँ से आती है, घटनाएँ क्यों दोहराती हैं, काम कहाँ प्रतीक्षा करता है, कौन-से परिवर्तन जोखिम भरे हैं, और सुधार ने मदद की या नहीं। यह भ्रमित भी कर सकता है। चार्ट प्रामाणिक दिख सकता है जबकि वह पक्षपाती नमूने, संयोग, या चुपचाप बदली परिभाषा पर टिका हो।
यह विषय भाग 7 का प्रवेश-द्वार है। यह विश्लेषण के प्रकार, सही विश्लेषण के चरण, और उन जालों का वर्णन करता है जो सावधान लोगों को भी पकड़ लेते हैं। यह मेट्रिक की परिभाषाएँ सहयोगी सेवा प्रबंधन मेट्रिक्स पुस्तक पर छोड़ता है, और आगे के विषयों की ओर इशारा करता है: बुनियादें («विषय 7.2 — डेटा की नींव और गवर्नेंस»), मापन («विषय 7.3 — मापन और रिपोर्टिंग»), ऑब्ज़र्वेबिलिटी («विषय 7.4 — ऑब्ज़र्वेबिलिटी और टेलीमेट्री»), पूर्वानुमान («विषय 7.5 — पूर्वानुमान विश्लेषण और फ़ोरकास्टिंग»), प्रवाह («विषय 7.6 — प्रक्रिया और मूल्य प्रवाह विश्लेषण») और अनुभव («विषय 7.7 — अनुभव और भावना विश्लेषण»)। ITIL के नवीनतम संस्करण का स्वामी का वर्णन मापनीय परिणामों पर ज़ोर देता है («विषय 1.3 — ITIL 5» देखें), जो अच्छी तरह किए गए विश्लेषण पर निर्भर हैं।
मूल अवधारणाएँ
विश्लेषण के चार प्रकार। आम ढाँचा भेद करता है:
| प्रकार | प्रश्न | सेवा कार्य में उदाहरण |
|---|---|---|
| वर्णनात्मक | क्या हुआ? | सेवा के अनुसार प्रति माह घटनाएँ |
| निदानात्मक | यह क्यों हुआ? | दोहराई घटनाओं में क्या समान है |
| पूर्वानुमानी | क्या होने की संभावना है? | अगली तिमाही के टिकट की मात्रा का पूर्वानुमान |
| निर्देशात्मक | हमें क्या करना चाहिए? | न्यूनतम लागत पर लक्ष्य पूरा करने वाले स्टाफ़ स्तर |
Wikipedia वर्णनात्मक, पूर्वानुमानी (predictive) और निर्देशात्मक (prescriptive) विश्लेषण का वर्णन करता है। हर एक पिछले पर बनता है। अधिकांश सेवा टीमों को पहले दो अच्छी तरह करने से सबसे अधिक मूल्य मिलेगा।
प्रश्न से शुरू करें। विश्लेषण उस निर्णय से शुरू होता है जो किसी को लेना है, जैसे शाम की शिफ़्ट में कर्मचारी जोड़ने हैं या नहीं, और उसे ऐसे प्रश्न में बदलता है जिसका उत्तर डेटा दे सके। प्रश्न के बिना विश्लेषण दिलचस्प चीज़ की खोज बन जाता है, और Wikipedia का डेटा ड्रेजिंग (data dredging) पर लेख समझाता है कि वह ऐसे पैटर्न खोजता है जो केवल संयोग हैं।
डेटा। जो आपके पास है, वह कहाँ से आया, कैसे दर्ज हुआ, और क्या छोड़ता है। टिकट का डेटा दिखाता है कि लोगों ने क्या रिपोर्ट करना चुना और एजेंटों ने उसे कैसे वर्गीकृत किया, जो कुछ हुआ वह सब नहीं। «विषय 7.2 — डेटा की नींव और गवर्नेंस» देखें। Wikipedia डेटा गुणवत्ता (data quality) का वर्णन उपयोग के लिए उपयुक्तता के रूप में करता है।
वर्णनात्मक सांख्यिकी। सारांश जैसे गिनतियाँ, माध्यिकाएँ, प्रतिशतक और फैलाव। Wikipedia वर्णनात्मक सांख्यिकी (descriptive statistics) का वर्णन करता है। सेवा डेटा के लिए माध्यिकाएँ और प्रतिशतक आम तौर पर औसत से अधिक उपयोगी हैं, जो लंबी पूँछ छिपाते हैं, और आउटलायर (outliers, जिनका वर्णन Wikipedia पर है) स्वचालित हटाने के बजाय देखे जाने के पात्र हैं।
खोजपूर्ण विश्लेषण। विचारों को परखने से पहले डेटा को देखकर उसका आकार, गुणवत्ता और आश्चर्य समझना। Wikipedia खोजपूर्ण डेटा विश्लेषण (exploratory data analysis) का वर्णन करता है। यह मूर्खतापूर्ण ग़लतियों से बचाता है, जैसे छूटे मान को शून्य मानना।
नमूना और पूर्वाग्रह। अधिकांश विश्लेषण नमूने का उपयोग करते हैं, और नमूने भ्रमित कर सकते हैं। Wikipedia नमूनाकरण (sampling) और चयन पूर्वाग्रह (selection bias) का वर्णन करता है। सर्वेक्षण के उत्तर उनसे आते हैं जो उत्तर देते हैं, और सहायता टिकट उनसे आते हैं जो आपसे संपर्क करते हैं। उत्तरजीविता पूर्वाग्रह (survivorship bias), जिसका वर्णन भी वहीं है, तब उठता है जब आप केवल उसका अध्ययन करते हैं जो बचा है, जैसे वे ग्राहक जो रुके रहे।
सहसंबंध और कारण। दो चीज़ों का साथ चलना यह नहीं दर्शाता कि एक दूसरे का कारण है। Wikipedia इस समस्या का वर्णन "सहसंबंध कारण नहीं दर्शाता" (correlation does not imply causation) के अंतर्गत करता है, और कन्फ़ाउंडिंग का, जिसमें तीसरा कारक दोनों को चलाता है। टिकट की मात्रा और सर्वर की संख्या साथ बढ़ सकती हैं क्योंकि व्यवसाय बढ़ा। कारणात्मक दावों को चार्ट से अधिक चाहिए: नियंत्रित तुलना, या विकल्पों पर सावधान तर्क। Wikipedia कारणात्मक अनुमान (causal inference) और A/B परीक्षण (A/B testing) का वर्णन कारण जानने के तरीक़ों के रूप में करता है।
विरोधाभास और जाल। सिम्पसन का विरोधाभास (Simpson's paradox), जिसका वर्णन Wikipedia पर है, ऐसा मामला है जिसमें कई समूहों में दिखने वाला रुझान समूहों को मिलाने पर पलट जाता है। आधार-दर भ्रांति, जिसका वर्णन भी वहीं है, यह अनदेखा करने की ग़लती है कि कोई चीज़ कितनी आम है, इसलिए दुर्लभ घटना के लिए अच्छा डिटेक्टर ज़्यादातर झूठे अलार्म देता है। ऐसे जालों के बारे में सजग रहना बचाव है।
सांख्यिकीय सार्थकता और अनिश्चितता। परिणाम "सार्थक" है जब वह कही गई मान्यताओं के तहत अकेले संयोग से होने की संभावना नहीं रखता। Wikipedia परिकल्पना परीक्षण और विश्वास अंतराल (confidence intervals) का वर्णन करता है। सार्थकता महत्त्व नहीं है: बड़े डेटासेट में छोटा प्रभाव सार्थक हो सकता है, और छोटे में बड़ा प्रभाव अनिश्चित हो सकता है। केवल एकल संख्याएँ नहीं, श्रेणियाँ दिखाएँ।
दृश्यांकन। चार्ट लोगों को पैटर्न देखने में मदद करते हैं, और बुरे चार्ट भ्रमित करते हैं। Wikipedia डेटा और सूचना दृश्यांकन (data visualization) का वर्णन करता है। ऐसे रूप चुनें जो प्रश्न के अनुकूल हों, अक्षों और इकाइयों को लेबल करें, पैमाने ईमानदारी से शुरू करें, और अनिश्चितता दिखाएँ। डैशबोर्ड (dashboards), जिनका वर्णन Wikipedia प्रमुख जानकारी के दृश्य प्रदर्शन के रूप में करता है, निर्णयों की सेवा करें और कम हों।
टाइम सीरीज़। अधिकांश सेवा डेटा समय के साथ दर्ज होता है, रुझानों, मौसमी पैटर्न और अचानक बदलावों के साथ। Wikipedia टाइम सीरीज़ विश्लेषण (time series analysis) का वर्णन करता है। समान से समान की तुलना करें: इस सोमवार की अन्य सोमवारों से। «विषय 7.5 — पूर्वानुमान विश्लेषण और फ़ोरकास्टिंग» देखें।
मॉडल और मशीन लर्निंग। सांख्यिकीय और मशीन लर्निंग मॉडल पूर्वानुमान, वर्गीकरण और क्लस्टरिंग कर सकते हैं। उन्हें प्रशिक्षण और परीक्षण डेटा, सत्यापन, और विचलन की निगरानी चाहिए। «विषय 5.1 — सेवा प्रबंधन में AI» देखें। मॉडल सत्य का स्रोत नहीं है; वह मान्यताओं वाला उपकरण है।
गुडहार्ट का नियम। जब कोई माप लक्ष्य बन जाता है, तो वह अच्छा माप नहीं रहता। Wikipedia गुडहार्ट का नियम (Goodhart's law) का वर्णन करता है। लोगों या टीमों को परखने के लिए उपयोग किया विश्लेषण ऐसे व्यवहार-परिवर्तन आमंत्रित करता है जो संख्या सुधारते हैं, परिणाम नहीं। मापों का उपयोग सीखने के लिए करें, उन्हें अन्य के साथ जोड़ें, और बताएँ कि हर एक में हेरफेर कैसे हो सकता है। सेवा प्रबंधन मेट्रिक्स पुस्तक देखें।
नैतिकता और गोपनीयता। लोगों पर विश्लेषण, जैसे एजेंट की उत्पादकता या उपयोगकर्ता का व्यवहार, सहमति, निष्पक्षता और अनुपात के प्रश्न उठाता है। Wikipedia गोपनीयता और एल्गोरिदमिक पूर्वाग्रह का वर्णन अन्यत्र करता है। केवल वही जुटाएँ जो चाहिए, जहाँ हो सके समेकित करें, और खुलकर बताएँ कि आप क्या विश्लेषण करते हैं और क्यों। «विषय 5.6 — AI गवर्नेंस, जोखिम और अनुपालन» देखें।
संप्रेषण। जिस विश्लेषण को कोई नहीं समझता वह कुछ नहीं बदलता। प्रश्न, उत्तर, विश्वास, सीमाएँ और अनुशंसित निर्णय सरल शब्दों में बताएँ, जहाँ मदद करे वहाँ चार्ट के साथ।
दृष्टियाँ कैसे फ़िट होती हैं। विश्लेषण चौथी दृष्टि है, और वह अन्य तीन की सेवा करता है। एजाइल अभ्यास इसका उपयोग यह जाँचने के लिए करता है कि बदलाव ने मदद की या नहीं। AI डेटा को ईंधन की तरह उपयोग करती है और समीक्षा के अधीन विश्लेषण तेज़ कर सकती है। स्वचालन डेटा उत्पन्न करता है और उस पर कार्रवाई करता है। विश्लेषण को अंतर्दृष्टि को बदलाव में बदलने के लिए पहली तीन दृष्टियाँ भी चाहिए।
सर्वोत्तम अभ्यास
- निर्णय से शुरू करें। लिखें कि कौन क्या, कब तक तय करेगा, और कौन-सा प्रमाण उनका मन बदलेगा। विश्लेषण को उसी के अनुसार ढालें।
- निर्णय को सटीक प्रश्न में बदलें। डेटा छूने से पहले शब्दों की परिभाषा, जैसे "हल" या "दोहराई घटना", जनसंख्या और अवधि तय करें।
- अपना डेटा जानें। स्रोत, रिकॉर्ड कैसे बनते हैं, ज्ञात ख़ाली जगहें, और समय के साथ परिभाषाओं में बदलाव दर्ज करें। एक नमूने को वास्तविकता से जाँचें।
- परखने से पहले देखें। पहले वितरण, छूटे मान और आउटलायर खोजें। त्रुटियाँ ठीक करें और दर्ज करें कि आपने क्या बदला।
- सुदृढ़ सारांश उपयोग करें। गिनतियों के साथ माध्यिकाएँ और प्रतिशतक रिपोर्ट करें, और फैलाव दिखाएँ। समान से समान की तुलना करें, जैसे वही सप्ताह का दिन या मौसम।
- पूर्वाग्रह से सावधान रहें। पूछें कि डेटा से कौन छूटा है और क्यों। परिणाम प्रस्तुत करते समय नमूने की सीमाएँ बताएँ।
- आधार के बिना कारण का दावा न करें। तुलना या मज़बूत तर्क न हो तो "से संबद्ध" कहें। वैकल्पिक व्याख्याएँ सूचीबद्ध करें और बताएँ कि आपने उन्हें कैसे जाँचा।
- अनिश्चितता दिखाएँ। श्रेणियाँ दें और नमूना आकार नोट करें। झूठी सटीकता से बचें।
- पाठक के लिए दृश्य डिज़ाइन करें। चार्ट सरल, ईमानदार और लेबल वाले रखें। कई अनुपयोगी डैशबोर्ड के बजाय कुछ सार्थक को प्राथमिकता दें।
- चक्र बंद करें। लिया गया निर्णय और परिणाम दर्ज करें, और बाद में जाँचें कि विश्लेषण से मदद मिली या नहीं। जिन रिपोर्टों को कोई उपयोग नहीं करता उन्हें सेवानिवृत्त करें।
अपनी टीम के साथ चर्चा के प्रश्न
डेटा के साथ हमने आख़िरी निर्णय क्या लिया था, और डेटा ने वास्तव में हमें क्या बताया? उदाहरण माँगें। अपेक्षा रखें कि डेटा ने पहले से लिए निर्णय का समर्थन किया। फ़ॉलो-अप में आगामी निर्णय चुनें और पहले प्रश्न लिखें।
हमारी कौन-सी रिपोर्टें कोई नहीं पढ़ता या उन पर कार्रवाई नहीं करता? उपयोग जाँचें। कई की अपेक्षा रखें। फ़ॉलो-अप में एक सेवानिवृत्त करें और पूछें कि क्या किसी को उसकी कमी खलती है।
हमारा डेटा कहाँ पक्षपाती या अधूरा हो सकता है, और कौन छूटा है? टिकट, सर्वेक्षण और लॉग के बारे में सोचें। अपेक्षा रखें कि कई उपयोगकर्ता कभी हमसे संपर्क नहीं करते। फ़ॉलो-अप में एक स्रोत चुनें और किसी अन्य से जाँच जोड़ें।
हमें क्या विश्वास दिलाएगा कि हाल का सुधार सच में काम किया? प्रमाण पर चर्चा करें। पहले-बाद के चार्ट पर निर्भरता की अपेक्षा रखें। फ़ॉलो-अप में उसी समय बदली अन्य चीज़ें सूचीबद्ध करें।
हमारी कौन-सी संख्याओं में हेरफेर हो सकता है, और हमें कैसे पता चलेगा? ऐसा माप चुनें जो किसी के मूल्यांकन के लिए मायने रखता हो। रचनात्मक उत्तरों की अपेक्षा रखें। फ़ॉलो-अप में नमूना जाँच या जोड़ी गई माप पर सहमत हों।
AI हमारे डेटा के विश्लेषण में कैसे मदद कर सकती है, और हम उसके काम को कैसे जाँचेंगे? AI डेटा का सारांश बना सकती है, चार्ट के मसौदे बना सकती है, और पैटर्न सुझा सकती है। वह गढ़े हुए निष्कर्ष भी बता सकती है। पूछें कि कौन जाँचता है और कैसे। फ़ॉलो-अप में छोटे डेटासेट पर AI विश्लेषण को हाथ से दोहराएँ।
व्यवहार में: सेवा प्रबंधन का एक उदाहरण
एक राष्ट्रीय कर प्राधिकरण का IT सर्विस डेस्क प्रति माह 25,000 संपर्क सँभालता है। एक वरिष्ठ प्रबंधक के पास डैशबोर्ड है जो दिखाता है कि औसत समाधान समय एक वर्ष में 20 प्रतिशत बढ़ा है, और वे डेस्क प्रमुख से इसे "फिर से घटाने" को कहते हैं। प्रमुख प्रतिक्रिया देने से पहले विश्लेषण करने का निर्णय लेती हैं।
वे प्रश्न से शुरू करती हैं: क्या किसी सामान्य संपर्क को हल करने का समय बढ़ा है, और यदि हाँ, तो किस प्रकार के संपर्कों के लिए? वे पहले डेटा जाँचती हैं। वसंत में टिकट उपकरण ने "हल" दर्ज करने का तरीक़ा बदला, ताकि टिकट तब हल हो जब एजेंट उसे चिह्नित करे, उपयोगकर्ता की पुष्टि पर नहीं। उन्हें यह भी पता चलता है कि पतझड़ में शुरू हुई जटिल "केस प्रणाली तक पहुँच" अनुरोधों की नई श्रेणी 12 प्रतिशत संपर्क बनाती है और बाक़ी से पाँच गुना अधिक समय लेती है।
वे श्रेणी के अनुसार बाँटकर माध्यिकाओं और 90वें प्रतिशतक से दोबारा गणना करती हैं। पुरानी श्रेणियों के लिए माध्यिका समाधान समय अपरिवर्तित है; 90वाँ प्रतिशतक थोड़ा बढ़ा है। कुल औसत मुख्यतः नई श्रेणी और बदली हुई परिभाषा के कारण बढ़ा। वे नोट करती हैं कि डेटा यह नहीं दिखा सकता कि कुछ पहुँच अनुरोधों में लंबा समय क्यों लगता है, केवल यह कि लगता है।
वे एक पृष्ठ का सारांश प्रस्तुत करती हैं: औसत नए प्रकार के काम और परिभाषा परिवर्तन के कारण बढ़ा; अधिकांश संपर्क पहले जितने तेज़ हैं; लंबी पूँछ थोड़ी बढ़ी है, और जटिल अनुरोधों को देखने की ज़रूरत है। वे यह कहने से बचती हैं कि नई श्रेणी ने लंबी पूँछ में वृद्धि "का कारण" बनाया, क्योंकि स्टाफ़ बदलाव भी हुए। वे दो कार्रवाइयाँ प्रस्तावित करती हैं: 40 टिकटों के नमूने के साथ पहुँच अनुरोधों का अध्ययन, और प्रतिशतकों के साथ श्रेणी के अनुसार मासिक रिपोर्ट।
क्या बदलता है: प्रबंधक सर्वांगीण कटौती माँगना बंद कर देते हैं और पहुँच अनुरोध अध्ययन माँगते हैं। क्या कठिन रहता है: परिभाषा परिवर्तन पूरी तरह पलटा नहीं जा सकता, इसलिए विच्छेद के पार तुलना अनुमानित रहती है; 40 टिकटों का नमूना एक व्यक्ति ने पढ़ा और पूर्वाग्रह के लिए खुला है; और प्रबंधक अब भी एकल संख्या पसंद करते हैं। प्रमुख दोनों दृश्य रखती हैं और हर बार सीमाएँ समझाती हैं।
चार दृष्टिकोण
उत्पाद और डिलीवरी टीमें
डेटा का उपयोग यह परखने के लिए करें कि बदलावों ने मदद की या नहीं, और अपने उत्पाद को इंस्ट्रुमेंट करें ताकि उपयोगी डेटा मौजूद हो। अपने डेटा का उपयोग करने वालों के साथ परिभाषाएँ और सीमाएँ साझा करें, और एक चार्ट से अति-दावा करने से बचें।
सेवा और संचालन टीमें
जानें कि आपका डेटा कहाँ से आता है और क्या छोड़ता है। गिनतियों के साथ माध्यिकाएँ और प्रतिशतक रिपोर्ट करें, और लंबी पूँछों की जाँच करें। जब कोई उपकरण या श्रेणी बदले तो विश्लेषकों को बताएँ।
नेतृत्व और गवर्नेंस
केवल चार्ट नहीं, प्रश्न, डेटा, सीमाएँ और निर्णय माँगें। लोगों को परखने के लिए एकल मापों का उपयोग न करें। डेटा की गुणवत्ता और विश्लेषणात्मक कौशलों का वित्तपोषण करें।
ग्राहक और उपयोगकर्ता
आप डेटा में हैं, और अक्सर उससे छूटे हुए। आपसे पूछा जाना चाहिए कि आपके लिए क्या मायने रखता है, और प्रदाता को बताना चाहिए कि आपकी जानकारी का उपयोग कैसे होता है। जब संख्याएँ आपके अनुभव से मेल न खाएँ तो प्रदाता को बताएँ।
एजाइल, AI, स्वचालन और विश्लेषण
एजाइल
विश्लेषण को प्रतिक्रिया-उपकरण की तरह उपयोग करें: अपेक्षा तय करें, छोटा बदलाव करें, डेटा जाँचें और निर्णय लें। परिणाम हितधारकों के साथ साझा करें। सावधानी: छोटे प्रयोग पर कार्रवाई करने से पहले परिपूर्ण डेटा की प्रतीक्षा न करें; और संक्षिप्त पहले-बाद के चार्ट को प्रमाण भी न मानें।
AI
AI डेटा साफ़ कर सकती है, क्वेरी और चार्ट के मसौदे बना सकती है, परिणामों का सारांश दे सकती है, और पैटर्न सुझा सकती है, स्वामी और जाँचों के साथ। सावधानी: AI-निर्मित विश्लेषण ऐसे निष्कर्ष बता सकता है जिनका डेटा समर्थन नहीं करता, या ग़लत विधि उपयोग कर सकता है; उससे अपनी गणनाएँ दिखाने को कहें, और एक नमूना हाथ से दोहराएँ। «विषय 5.1 — सेवा प्रबंधन में AI» देखें।
स्वचालन
डेटा संग्रह, सफ़ाई और नियमित रिपोर्टें स्वचालित करें, हर चरण के दस्तावेज़ीकरण के साथ। सावधानी: स्वचालित रिपोर्टें अपना अर्थ बदलने के बाद भी जारी रह सकती हैं; परिभाषाओं और स्रोतों की नियमित समीक्षा करें। «विषय 6.1 — स्वचालन रणनीति» देखें।
विश्लेषण
यह विषय स्वयं यह दृष्टि है: प्रश्न, डेटा, विधियाँ, अनिश्चितता और निर्णय। सावधानी: डेटा की मात्रा को अंतर्दृष्टि का स्थान न लेने दें; मापें कि विश्लेषणों ने निर्णय बदले या नहीं। मेट्रिक की परिभाषाओं और रक्षा-रेखाओं के लिए सेवा प्रबंधन मेट्रिक्स पुस्तक देखें।
आम विफलता के तरीके
- निर्णयों के बिना रिपोर्टें। डैशबोर्ड जिन्हें कोई उपयोग नहीं करता। निर्णय से शुरू करें और अनुपयोगी रिपोर्टें सेवानिवृत्त करें।
- छिपाने वाले औसत। बुरे अनुभवों की पूँछ अनदेखी रहती है। माध्यिकाएँ, प्रतिशतक और विभाजन उपयोग करें।
- अज्ञात परिभाषाएँ। किसी फ़ील्ड के अर्थ में बदलाव रुझान तोड़ता है। परिभाषाएँ दर्ज और निगरानी करें।
- पक्षपाती नमूने। केवल वे गिने जाते हैं जो आपसे संपर्क करते हैं। बताएँ कि कौन छूटा है।
- सहसंबंध से कारण। चार्ट को प्रमाण मान लिया जाता है। वैकल्पिक व्याख्याएँ सूचीबद्ध करें और परखें।
- झूठी सटीकता। संख्याएँ बिना अनिश्चितता के दिखाई जाती हैं। श्रेणियाँ और नमूना आकार दिखाएँ।
- विकृत करने वाले लक्ष्य। लोग संख्या का अनुकूलन करते हैं। मापों को जोड़ें और वास्तविक मामलों का नमूना लें।
परिपक्वता मॉडल
| आयाम | आरंभ | विकास | मानकीकरण | प्रबंधन | समन्वय |
|---|---|---|---|---|---|
| प्रश्न और निर्णय | आदत से रिपोर्टें | कुछ प्रश्न परिभाषित | विश्लेषण नामित निर्णयों से शुरू | निर्णय का प्रभाव ट्रैक | सेवाओं में नियोजन के साथ विश्लेषण एकीकृत |
| डेटा की समझ | अज्ञात | मुख्य स्रोत ज्ञात | स्रोत, परिभाषाएँ और ख़ाली जगहें दर्ज | डेटा गुणवत्ता मापी और सुधारी जाती है | टीमों और साझेदारों में गवर्नेंस के साथ डेटा साझा |
| विधि | औसत और चार्ट | माध्यिकाएँ और बुनियादी विभाजन | मानक विधियाँ, अनिश्चितता और पूर्वाग्रह जाँचें | विधियों की समीक्षा और सहकर्मी जाँच | निगरानी और सत्यापन के साथ उन्नत विधियाँ |
| संप्रेषण | डैशबोर्ड | सारांश | सीमाओं सहित सरल भाषा में निष्कर्ष | उपयोगकर्ताओं के साथ निष्कर्ष परखे गए | रोज़ के निर्णयों में अंतर्दृष्टि निहित |
जाँच-सूची
- हर विश्लेषण नामित निर्णय और सटीक प्रश्न से शुरू होता है।
- हम अपने डेटा स्रोत, परिभाषाएँ और ज्ञात ख़ाली जगहें दर्ज करते हैं।
- हम गिनतियों के साथ माध्यिकाएँ और प्रतिशतक रिपोर्ट करते हैं।
- हम बताते हैं कि डेटा से कौन छूटा है और नमूनों की सीमाएँ क्या हैं।
- हम सहसंबंध को कारण से अलग करते हैं और वैकल्पिक व्याख्याएँ सूचीबद्ध करते हैं।
- हम अनिश्चितता दिखाते हैं और झूठी सटीकता से बचते हैं।
- हम उन मापों को जोड़ते हैं जिनमें हेरफेर हो सकता है और वास्तविक मामलों का नमूना लेते हैं।
- हम लिए गए निर्णयों को ट्रैक करते हैं और समीक्षा करते हैं कि विश्लेषण ने मदद की या नहीं।
AI प्रॉम्प्ट
निर्णय को प्रश्न में बदलें।
जो निर्णय हमें लेना है: [वर्णन करें]। निर्णय कौन करता है: [भूमिका]। हमारे पास डेटा: [स्रोत और फ़ील्ड सूचीबद्ध करें]।
तीन सटीक विश्लेषणात्मक प्रश्न लिखें जो निर्णय को सूचित करें, मुख्य शब्दों की परिभाषा, जनसंख्या और अवधि के साथ। हर एक के लिए सूचीबद्ध करें कि हमारे पास कौन-सा डेटा नहीं है। उत्तर प्रस्तावित न करें।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।
परिणामों के सारांश को जालों के लिए जाँचें।
यह उपयोग किए गए डेटा के साथ किसी विश्लेषण का सारांश है: [चिपकाएँ]।
संभावित समस्याएँ सूचीबद्ध करें: नमूना पूर्वाग्रह, छूटे समूह, परिभाषाओं में बदलाव, आउटलायर, कन्फ़ाउंडिंग कारक, और ऐसे कारण के दावे जिनका डेटा समर्थन नहीं करता। हर एक के लिए पाठ उद्धृत करें। विश्लेषण दोबारा न करें।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।
विश्लेषण से पहले डेटासेट का वर्णन करें।
यह हमारे डेटासेट की पंक्तियों का नमूना है, फ़ील्ड नामों के साथ, पहचानकर्ता हटाकर: [चिपकाएँ]।
हर फ़ील्ड, उसका प्रतीत होता प्रकार, छूटे मान, अजीब मान, और यह पूछने के प्रश्न सूचीबद्ध करें कि उसे कैसे दर्ज किया जाता है। व्यवसाय के बारे में निष्कर्ष न निकालें।
जिनके बारे में आप अनिश्चित हैं उनकी सूची दें।
AI कौशल
- statistical-analysis: सही सांख्यिकीय विधियाँ चुनने और लागू करने के लिए उपयोग करें।
- trend-analysis: समय के साथ बदलाव जाँचने के लिए उपयोग करें।
- data-quality: विश्लेषण के पीछे के डेटा को जाँचने और सुधारने के लिए उपयोग करें।
- software-engineering-metrics: जोखिमों के साथ डिलीवरी के माप परिभाषित करने के लिए उपयोग करें।
- survey-design: आम पूर्वाग्रह से बचने वाले सर्वेक्षण डिज़ाइन करने के लिए उपयोग करें।
प्रमुख स्रोत
- Edward Tufte, The Visual Display of Quantitative Information (1983): ईमानदार चार्ट पर क्लासिक।
- Darrell Huff, How to Lie with Statistics (1954): आम सांख्यिकीय चालों का छोटा, पठनीय वृत्तांत।
- सहयोगी सेवा प्रबंधन मेट्रिक्स पुस्तक: मेट्रिक की परिभाषाएँ, हेरफेर के रास्ते और रक्षा-रेखाएँ।
- Wikipedia, "Analytics" और "Data analysis": क्षेत्र का अवलोकन।
संदर्भ
- 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