विशिष्ट मॉडलिंग प्रक्रिया:
एक सामान्य मॉडलिंग प्रक्रिया में, एक परिकल्पना को चित्रित करना शुरू करना महत्वपूर्ण है। एक आरएफपी (प्रस्ताव के लिए अनुरोध) प्राप्त होता है और फिर एक परिकल्पना तैयार की जाती है।
- सही डेटा स्रोत का निर्धारण करें - यहां, ग्राहक डेटा स्रोत दे सकता है, यदि नहीं, तो हमें डेटा स्रोत की तलाश करनी होगी। एक परिदृश्य को देखते हुए, जहां हम यह मूल्यांकन करने का प्रयास करते हैं कि कौन चुनाव जीतेगा, डेटा का एक सार्वजनिक विश्लेषण उन स्रोतों के साथ किया जाता है जिनमें सोशल मीडिया, समाचार चैनल या सार्वजनिक राय शामिल हैं। हमें समस्या का विश्लेषण करने के लिए आवश्यक डेटा की मात्रा को भी समझना होगा। इस मामले में, हम आम तौर पर बड़े नमूनों की तलाश करते हैं, क्योंकि यह एक चुनाव मामला है। दूसरी ओर, यदि विश्लेषण हेल्थकेयर पर किया जाता है, तो बड़ी आबादी के लिए जाना मुश्किल है क्योंकि परिकल्पना को मान्य करने के लिए पर्याप्त लोगों को नहीं मिलने की संभावना है। साथ ही, डेटा की गुणवत्ता बहुत महत्वपूर्ण है।
- डेटा निकालें - उदाहरण के लिए, यदि हम जनसंख्या का नमूना लेते हैं, तो हम अध्ययन शुरू करने के लिए विशेषताओं को देख सकते हैं, जैसे उच्च आय, निम्न आय, आयु, कामकाजी आबादी (ऑनसाइट / ऑनसाइट), निवासी, एनआरआई, अस्पतालों का कवरेज आदि। । यहाँ, हमें परिकल्पना के लिए कई विशेषताओं की आवश्यकता नहीं हो सकती है। हम समझते हैं कि उच्च और निम्न आय जैसी विशेषताएं यह निर्धारित करने में योगदान कारक नहीं हो सकती हैं कि कौन चुनाव जीतेगा। लेकिन उम्र में फर्क पड़ सकता है क्योंकि इससे प्रत्यक्ष गिनती होगी कि कितने लोग मतदान करने जा रहे हैं। कई बार हम कम उपयोग की जाने वाली विशेषताओं को बाहर कर सकते हैं या उन विशेषताओं को शामिल कर सकते हैं जो उपयोगी हैं। यह दोनों मामलों में गलत हो सकता है। यही कारण है कि एनालिटिक्स एक चुनौती है।
- टूल को फिट करने के लिए डेटा की मालिश करें - ऐसा इसलिए है क्योंकि सभी उपकरण सभी डेटा को स्वीकार नहीं कर सकते हैं। कुछ उपकरण केवल CSV डेटा या एक्सेल डेटा स्वीकार करते हैं। साधनों का अभाव एक चुनौती है।
- विश्लेषण चलाएँ - यह ऑपरेशन एनालिटिक्स की कई तकनीकों का उपयोग करके किया जा सकता है।
- परिणाम निकालना - विश्लेषण सटीक होने के लिए नंबर देता है। लेकिन यह इन संख्याओं से निष्कर्ष निकालने के लिए एक उपयोगकर्ता पर निर्भर है। उदाहरण के लिए, यदि यह 10% या 20% कहता है, तो हमें समझना चाहिए कि इसका क्या मतलब है? क्या यह गुण A और गुण B के बीच सहसंबंध प्राप्त करता है?
- परिणाम लागू करें - व्यापार में परिणाम देखने के लिए निष्कर्ष को लागू करना महत्वपूर्ण है। उदाहरण के लिए, यह निष्कर्ष निकाला जा सकता है कि 'लोग बारिश के मौसम में छाता खरीदते हैं' जिसके परिणामस्वरूप अधिक व्यापार हो सकता है। यहां, हमें निष्कर्ष को लागू करने की आवश्यकता है जहां हम छाता बनाते हैं, दुकानों में उपलब्ध होते हैं, लेकिन फिर इसमें प्रबंधन की समस्याएं हो सकती हैं। पल के आंकड़े परिणाम देते हैं, कार्यान्वयन गलत हो सकता है।
- प्रगति की निगरानी करें - यहां अंतिम चरण, निगरानी एक महत्वपूर्ण भूमिका निभाता है। निगरानी गलत हो सकती है क्योंकि कई संगठन प्रगति की निगरानी नहीं करना चाहते हैं, और इसे एक नगण्य कदम माना जाता है। लेकिन निगरानी महत्वपूर्ण है क्योंकि हम समझ सकते हैं कि क्या हमारे शोध और निष्कर्ष सही दिशा में बढ़ रहे हैं।
इसके साथ ही, इस अनुच्छेद को देखें' सहसंबंध का मतलब कॉशन नहीं है 'जो विश्लेषकों को गलत होने के बारे में जानकारी देता है। इस चार्ट में ध्यान देने वाली एक महत्वपूर्ण बात यह है कि रनिंग एनालिसिस एकमात्र ऐसा कदम है, जहां मशीन जवाबदेह है और उससे आगे एक इंसान तक है जो अंततः यह निर्धारित करेगा कि शोध कैसे किया जाता है।
क्या आप हमसे कोई प्रश्न पूछना चाहते हैं? उन्हें टिप्पणी अनुभाग में उल्लेख करें और हम आपके पास वापस आ जाएंगे।
संबंधित पोस्ट:
जावा में क्या मतलब है