अनुक्रमणिका[लपवा][दाखवा]
आम्ही डेटाने वेढलेले आहोत, जे दररोज अधिकाधिक लक्षणीय होत आहे. पर्यावरणाशी आमचे अधिकाधिक परस्परसंवाद विविध प्रकारच्या डेटाद्वारे आकारले जात आहेत, ज्यात आमचा इंटरनेटचा वापर, ऑटोमोबाईल खरेदी, आम्ही पाहत असलेल्या बातम्या फीड आणि इतर अनेक गोष्टींचा समावेश होतो.
आम्ही या पोस्टमध्ये परिमाणवाचक डेटा परिभाषित करू, परिमाणवाचक डेटाची उदाहरणे देऊ, गुणात्मक आणि परिमाणवाचक डेटा कसा बदलतो यावर चर्चा करू आणि बरेच काही.
पण आधी एक पाऊल मागे घेऊ.
दररोज, 2.5 क्विंटिलीयन बाइट्स डेटा—चाचणी परिणाम, ग्राहक समाधान स्कोअर आणि ट्विटसह—निर्मिती केली जाते. परंतु डेटाचा प्रत्येक भाग समान तयार केला जात नाही.
तुम्हाला सेवा, मेनू, वातावरण आणि किंमत 1 ते 10 च्या स्केलवर रँक करण्यास सांगणारे सर्वेक्षण तुम्हाला तुमच्या जेवणाच्या अनुभवाचे वर्णन करण्यास सांगणाऱ्या मुलाखतीपेक्षा भिन्न डेटा तयार करते.
डेटाच्या विविध प्रकारांमध्ये फरक करणे आणि प्रत्येकाचा तुमच्या अभ्यासावर कसा परिणाम होऊ शकतो हे समजून घेण्यासाठी डेटा सेटसह काम करणाऱ्या विश्लेषकांसाठी हे महत्त्वाचे आहे.
डेटाचा शोध घेण्याची प्रक्रिया आपण उत्तर देण्याचा प्रयत्न करत असलेल्या विशिष्ट प्रश्नापासून वारंवार सुरू होते, जसे की:
- लोकसंख्याशास्त्राचा ग्राहकांच्या वर्तनावर काय परिणाम होतो?
- विशिष्ट प्रेक्षक उत्पादन किंवा सेवेतील बदलांना अनुकूल प्रतिसाद देतील का?
- कार्यक्षमता वाढवण्यासाठी ऑपरेशनल अडथळे कसे दूर केले जाऊ शकतात?
तुम्हाला विषयाचे स्वरूप, तुमचे बजेट, वेळ आणि प्रवेशयोग्य संसाधने यावर अवलंबून परिमाणवाचक डेटा गोळा करणे आणि त्याचे मूल्यांकन करणे आवश्यक आहे. मला वाटते तुला समजले आहे, बरोबर?
चला आता सुरुवात करूया.
परिमाणात्मक डेटा म्हणजे काय?
डेटाचा कोणताही संग्रह जो परिमाणात्मकरित्या ओळखला जाऊ शकतो आणि त्याचे मूल्यमापन केले जाऊ शकते तो परिमाणात्मक डेटा मानला जातो.
वस्तुनिष्ठपणे मोजता येणारा डेटाचा एकमेव प्रकार म्हणजे परिमाणवाचक डेटा, तो सर्वात समर्पक बनतो डेटाचा प्रकार गणित आणि आकडेवारी दोन्हीमध्ये वापरण्यासाठी.
डेटाचे मूल्य असे संबोधले जाते जेव्हा ते संख्या किंवा संख्या म्हणून व्यक्त केले जाते, प्रत्येक डेटा सेटला विशिष्ट संख्यात्मक मूल्य नियुक्त केले जाते.
सांख्यिकीय गणना आणि अंकगणितावर आधारित गणनेमध्ये वापरता येणारी कोणतीही मोजता येण्याजोगी माहिती हा या प्रकारचा डेटा मानला जातो कारण त्याचा वापर वास्तविक जगात निर्णयांना समर्थन देण्यासाठी केला जाऊ शकतो.
किती, किती वारंवार आणि किती प्रश्नांची काही उदाहरणे ते उत्तर देऊ शकतात. या डेटाची पडताळणी आणि मूल्यांकन करण्यासाठी गणितीय पद्धती वापरल्या जाऊ शकतात.
डेटा विश्लेषक सामान्यत: वेळ, उंची, वजन, किंमत, किंमत, नफा, तापमान आणि अंतर यासारख्या परिमाणात्मक डेटासह कार्य करतो.
हे उत्पादन व्यवस्थापन, वापरकर्ता अनुभव डिझाइन किंवा सॉफ्टवेअर अभियांत्रिकीच्या क्षेत्रातील टक्केवारी, संख्या, पृष्ठ लोड वेळ किंवा इतर मेट्रिक्स म्हणून व्यक्त केले जाऊ शकते.
किती लोकांनी एखादी विशिष्ट वस्तू खरेदी केली हे खरेदीच्या संदर्भात परिमाणवाचक डेटाचे उदाहरण आहे. कारवरील गुणात्मक डेटामध्ये तिच्याकडे असलेल्या अश्वशक्तीचा समावेश असू शकतो.
परिमाणात्मक डेटाचे प्रकार काय आहेत?
ज्या डेटाची मात्रा ठरवता येते त्याला परिमाणवाचक डेटा म्हणून संबोधले जाते, तथापि, तो डेटा कसा परिमाणित केला जातो हे हातातील डेटा संकलनाच्या क्रमवारीनुसार बदलते. परिमाणवाचक डेटा दोन मूलभूत गटांमध्ये विभागला जाऊ शकतो: स्वतंत्र आणि सतत. दोनमधील मुख्य फरक खालीलप्रमाणे आहेत:
स्वतंत्र डेटा
भिन्न असलेल्या परिमाणवाचक माहितीमध्ये केवळ संख्यात्मक मूल्यांची विशिष्ट श्रेणी असू शकते. ही मूल्ये स्थिर असल्याने त्यांचे विघटन होऊ शकत नाही.
जेव्हाही काहीही मोजले जाते तेव्हा स्वतंत्र डेटा प्राप्त होतो. एखाद्या व्यक्तीची तीन मुले, उदाहरणार्थ, वेगळ्या डेटाचे उदाहरण असेल.
मुलांची संख्या निश्चित केली आहे; त्यांना, उदाहरणार्थ, 3.2 मुले होऊ शकत नाहीत.
तुमच्या वेबसाइटवरील अभ्यागतांची संख्या हे वेगळ्या अंकीय डेटाचे आणखी एक उदाहरण आहे; तुम्ही एका दिवसात 150 भेटी मिळवू शकता, परंतु 150.6 नाही. स्वतंत्र डेटा प्रदर्शित करण्यासाठी वापरलेले सर्वात सामान्य चार्ट म्हणजे पाई चार्ट, बार चार्ट आणि टॅली चार्ट.
सतत डेटा
उलट, सतत डेटा अनिश्चितपणे लहान घटकांमध्ये विभागला जाऊ शकतो. सेंटीमीटरमध्ये स्ट्रिंगच्या तुकड्याची लांबी किंवा अंश सेल्सिअस तापमान ही अशा प्रकारच्या परिमाणात्मक डेटाची दोन उदाहरणे आहेत जी मोजण्याच्या स्केलवर दर्शविली जाऊ शकतात.
थोडक्यात, सतत डेटा निश्चित मूल्यांवर मर्यादित नाही; ते कोणतेही मूल्य घेऊ शकते. सततचा डेटा कालांतराने बदलू शकतो; उदाहरणार्थ, खोलीचे तापमान दिवसा बदलेल.
एक रेखा आलेख सामान्यत: सतत डेटा स्पष्ट करण्यासाठी वापरला जातो.
परिमाणात्मक डेटा वि गुणात्मक डेटा
आपण पाहू शकतो की परिमाणवाचक डेटा मोजला जाऊ शकतो. हे प्रमाण, मूल्ये आणि संख्या यांच्याशी संबंधित आहे. या प्रकारची माहिती संख्यात्मकपणे (म्हणजे रक्कम, कालावधी, लांबी, किंमत किंवा आकार) सांगितली जाऊ शकते.
परिमाणवाचक डेटामध्ये बरीच विश्वासार्हता आहे आणि ती निःपक्षपाती आणि विश्वासार्ह म्हणून पाहिली जाते कारण ती आकडेवारीद्वारे तयार केली जाते. तथापि, डेटाचा आणखी एक महत्त्वाचा प्रकार आहे. विशेषतः, गुणात्मक डेटा.
ही माहिती प्रामुख्याने वर्णनात्मक आहे. बहुतेक प्रकरणांमध्ये, ते थेट मोजले जाऊ शकत नाही परंतु निरीक्षणाद्वारे शिकले जाऊ शकते. गुणात्मक डेटामधील देखावा, रंग, पोत आणि इतर गुणधर्मांचे वर्णन करण्यासाठी विशेषण आणि इतर वर्णनात्मक संज्ञा वापरल्या जातात.
उदाहरणार्थ, तुम्ही असा युक्तिवाद करू शकता की एक खोली दुसऱ्यापेक्षा उजळ आहे.
ती माहिती गुणात्मक आहे. खोलीतील ब्राइटनेस खरोखर मोजण्यासाठी आणि त्याला एक संख्यात्मक संख्या नियुक्त करण्यासाठी, तुम्ही वैज्ञानिक उपकरणे आणि उपकरणे (जसे की लाईट मीटर) देखील वापरू शकता. तुम्ही ते करून परिमाणवाचक डेटा मिळवता.
परिमाणात्मक डेटा गोळा करण्यासाठी 5 सर्वोत्तम पद्धती
1. संभाव्यता नमुना
एक अचूक सॅम्पलिंग तंत्र जे काही प्रकारच्या यादृच्छिक निवडीचा वापर करते आणि संशोधकांना अभिप्रेत प्रेक्षकांकडून यादृच्छिकपणे एकत्रित केलेल्या माहितीवर आधारित संभाव्यता दावा करण्यास सक्षम करते.
संभाव्यता सॅम्पलिंग संशोधकांना अशा व्यक्तींकडून डेटा संकलित करण्याची संधी देते जे त्यांना तपासण्यात स्वारस्य असलेल्या गटातील वैशिष्ट्यपूर्ण आहेत, जे त्याच्या उत्कृष्ट वैशिष्ट्यांपैकी एक आहे.
याव्यतिरिक्त, डेटा निवडलेल्या नमुन्यातून यादृच्छिकपणे काढला गेला होता, ज्यामुळे सॅम्पलिंग पूर्वाग्रह होण्याची शक्यता दूर होते.
संभाव्यता सॅम्पलिंगसाठी, तीन मुख्य श्रेणी आहेत.
- साधे यादृच्छिक नमुने: नमुन्यात दर्शविण्याकरिता इच्छित लोकसंख्या अधिक वारंवार निवडली जाते.
- पद्धतशीर यादृच्छिक नमुने: इच्छित लोकसंख्येचा कोणताही सदस्य नमुन्यात दर्शविला जाईल, परंतु यादृच्छिकपणे केवळ पहिले एकक निवडले जाईल; सूचीतील दहा व्यक्तींपैकी एक व्यक्ती म्हणून इतर युनिट्स निवडल्या जातात.
- स्तरीकृत यादृच्छिक नमुना: नमुना तयार करताना, इच्छित प्रेक्षकांच्या विशिष्ट उपसंचातून प्रत्येक युनिट निवडण्याची परवानगी देते. जेव्हा संशोधक लोकांच्या विशिष्ट गटाला नमुन्यात समाविष्ट करण्याबद्दल निवडक असतात, जसे की फक्त व्यवस्थापक किंवा अधिकारी, दिलेल्या उद्योगात काम करणारे लोक किंवा पुरुष किंवा स्त्रिया.
2. मुलाखती
डेटा गोळा करण्याच्या प्रक्रियेचा भाग म्हणून लोकांची सामान्यत: मुलाखत घेतली जाते. तथापि, परिमाणवाचक डेटा गोळा करण्यासाठी घेतलेल्या मुलाखती अधिक आयोजित केल्या जातात, संशोधक फक्त निर्धारित प्रश्न विचारतात आणि दुसरे काहीही नाही.
डेटा गोळा करण्यासाठी वापरल्या जाणार्या मुलाखतीच्या तीन मुख्य श्रेणी आहेत.
- टेलिफोन मुलाखती: दूरध्वनी मुलाखती अनेक वर्षांपासून डेटा गोळा करण्याच्या तंत्राच्या चार्टवर वर्चस्व गाजवतात. परंतु इंटरनेट, स्काईप किंवा इतर ऑनलाइन वापरणे व्हिडिओ कॉन्फरन्सिंग अलिकडच्या वर्षांत व्हिडिओ मुलाखती घेण्याच्या सेवांमध्ये लक्षणीय वाढ झाली आहे.
- वैयक्तिक मुलाखती: थेट सहभागी डेटा संग्रह ही माहिती गोळा करण्याची एक प्रयत्न केलेली आणि खरी पद्धत आहे. हे उच्च-गुणवत्तेचा डेटा गोळा करण्यात मदत करते कारण ते सखोल चौकशी आणि सर्वसमावेशक आणि शैक्षणिक माहिती मिळविण्यासाठी अतिरिक्त तपासणीसाठी जागा देते. सहभागींची साक्षरता पातळी महत्त्वाची नसते कारण समोरासमोर (F2F) सर्वेक्षणे गैर-मौखिक डेटाचे निरीक्षण करण्यासाठी आणि एकत्रित करण्यासाठी किंवा क्लिष्ट आणि निराकरण न झालेल्या विषयांची तपासणी करण्यासाठी अनेक शक्यता प्रदान करतात. जरी हा एक खर्चिक आणि वेळ घेणारा दृष्टीकोन असला तरी, समोरासमोर मुलाखतींना प्रतिसाद दर जास्त असतो.
- कॉम्प्युटर-असिस्टेड पर्सनल इंटरव्ह्यूइंग (CAPI): हे समोरासमोरच्या मुलाखतीशी तुलना करता येण्यापेक्षा अधिक काही नाही जेथे मुलाखतीदरम्यान गोळा केलेला डेटा थेट डेटाबेसमध्ये अपलोड करण्यासाठी मुलाखतकाराकडे डेस्कटॉप किंवा लॅपटॉप असतो. मुलाखतकाराला एक टन पेपरवर्क आणि प्रश्नावली घेऊन जावे लागत नसल्यामुळे, CAPI डेटा अपडेट आणि विश्लेषण करण्यासाठी लागणारा वेळ लक्षणीयरीत्या कमी करते.
3. निरीक्षणे
नावाप्रमाणेच, परिमाणवाचक डेटा गोळा करण्यासाठी हे एक सोपे आणि गुंतागुंतीचे तंत्र आहे.
या दृष्टिकोनामध्ये, संशोधक विशिष्ट वेळी दिलेल्या कार्यक्रमात उपस्थित असलेल्या व्यक्तींची संख्या आणि विशिष्ट ठिकाणी किंवा एखाद्या परिभाषित ठिकाणी कार्यक्रमाला उपस्थित असलेल्या व्यक्तींची संख्या मोजणे यासारख्या दृष्टिकोनांचा वापर करून पद्धतशीर निरीक्षणाद्वारे परिमाणात्मक डेटा गोळा करतात.
परिमाणवाचक डेटा मिळविण्यासाठी संशोधक वारंवार नैसर्गिक निरीक्षण धोरणाचा वापर करतात, ज्यात केवळ "काय" आणि "का" आणि "कसे" बद्दल नसलेल्या परिमाणवाचक डेटा मिळविण्यासाठी उत्कृष्ट निरीक्षण क्षमता आणि संवेदना आवश्यक असतात.
गुणात्मक आणि परिमाणात्मक दोन्ही डेटाचे संकलन नैसर्गिक निरीक्षणाद्वारे केले जाते. संरचित निरीक्षण हे बहुधा गुणात्मक माहिती ऐवजी परिमाणवाचक माहिती गोळा करण्यासाठी वापरले जाते.
- संरचित निरीक्षण: निसर्गवादी किंवा सहभागी निरीक्षणाच्या विरूद्ध, निरीक्षण पद्धतीच्या या स्वरूपासाठी संशोधकाला अधिक विस्तृत किंवा नियंत्रित संदर्भात एक किंवा अधिक निर्दिष्ट वर्तनांचे कसून निरीक्षण करणे आवश्यक आहे. संरचित निरीक्षणामध्ये, संशोधक सर्व काही पाहण्याऐवजी केवळ काही महत्त्वाच्या वर्तनांकडे त्यांचे लक्ष कमी करतात. ते त्यांना दिसत असलेल्या वर्तनांना संख्यांमध्ये ठेवण्यास सक्षम करते. जेव्हा निरीक्षणे निरिक्षकांना निर्णय घेण्यासाठी म्हणतात तेव्हा काहीवेळा त्याला "कोडिंग" म्हणून संबोधले जाते. हे करण्यासाठी, लक्ष्य वर्तणुकीचा एक संच अचूकपणे परिभाषित करणे आवश्यक आहे.
4. सर्वेक्षण
परिमाणात्मक आणि गुणात्मक संशोधनासाठी ऑनलाइन डेटा एकत्रित करण्यासाठी सर्वेक्षण सॉफ्टवेअरसह केलेले ऑनलाइन सर्वेक्षण आवश्यक आहेत. सर्वेक्षणे अशा प्रकारे तयार केली जातात जी प्रतिसादकर्त्यांच्या कृती आणि आत्मविश्वास प्रमाणित करतात.
बहुसंख्य परिमाणात्मक सर्वेक्षणांमध्ये वारंवार चेकलिस्ट आणि रेटिंग स्केल आयटम समाविष्ट केले जातात कारण ते उत्तरदात्यांचे मनोवृत्ती आणि वर्तन मोजणे सोपे करतात.
परिमाणवाचक बाजार संशोधनासाठी ऑनलाइन माहिती गोळा करण्यासाठी दोन महत्त्वाच्या सर्वेक्षण शैलींचा वापर केला जातो.
- वेब-आधारित: इंटरनेट-आधारित किंवा ऑनलाइन संशोधनासाठी, हे सर्वात लोकप्रिय आणि विश्वासार्ह तंत्रांपैकी एक आहे. वेब-आधारित सर्वेक्षणाला प्रतिसाद देताना, प्रतिसादकर्त्याला सर्वेक्षणाच्या लिंकसह एक ईमेल प्राप्त होईल, ज्यावर क्लिक केल्यावर ते त्यांना सुरक्षित ऑनलाइन सर्वेक्षण प्लॅटफॉर्मवर घेऊन जातील जेथे ते सर्वेक्षण पूर्ण करू शकतात. संशोधक वेब-आधारित सर्वेक्षणांना पसंती देतात कारण ते अधिक वेळ आणि पैसा कार्यक्षम, वेगवान आणि अधिक प्रेक्षक आहेत. डेस्कटॉप, लॅपटॉप, टॅबलेट किंवा मोबाइल डिव्हाइस वापरून, उत्तरदाते त्यांच्यासाठी सोयीचे असेल तेव्हा सर्वेक्षण पूर्ण करण्यास मोकळे असतात आणि हा वेब-आधारित प्रश्नावलीचा मुख्य फायदा आहे.
- मेल-आधारित: सर्वेक्षण नमुना लोकसंख्येच्या मोठ्या भागाला मेलद्वारे पाठवले जाते, ज्यामुळे संशोधकाला विविध प्रेक्षकांपर्यंत पोहोचता येते. पोस्टल प्रश्नावली सहसा कव्हर पेज असलेल्या एका पॅकेटमध्ये येते जी श्रोत्यांना माहिती देते की कोणत्या प्रकारचे अभ्यास केले जात आहेत आणि का, तसेच प्री-पेड रिटर्न, ऑनलाइन डेटा गोळा करण्यासाठी. सर्वेक्षण पूर्ण करण्यासाठी प्रोत्साहन आणि स्मरणपत्रांसह इतर परिमाणात्मक डेटा गोळा करण्याच्या तंत्रापेक्षा मेलचा मंथन दर जास्त असला तरीही मंथन दर लक्षणीयरीत्या कमी होण्यास मदत होते.
5. दस्तऐवजीकरण पुनरावलोकन
वर्तमान पेपर्सचे विश्लेषण केल्यानंतर, दस्तऐवज पुनरावलोकन हे डेटा गोळा करण्यासाठी वापरले जाणारे तंत्र आहे. दस्तऐवज नियंत्रित करण्यायोग्य आणि भूतकाळातील अचूक डेटा प्राप्त करण्यासाठी व्यावहारिक संसाधन असल्यामुळे, डेटा संकलनाची ही एक कार्यक्षम आणि यशस्वी पद्धत आहे.
दस्तऐवज पुनरावलोकन हे परिमाणवाचक संशोधन डेटा एकत्रित करण्यासाठी उपयुक्त तंत्रांपैकी एक बनले आहे, व्यतिरिक्त पूरक संशोधन डेटा ऑफर करून अभ्यासाला चालना आणि समर्थन देते.
पूरक परिमाणात्मक संशोधन डेटा एकत्रित करण्याच्या उद्देशाने, तीन मुख्य दस्तऐवज श्रेणी तपासल्या जात आहेत.
- सार्वजनिक दस्तऐवज: या दस्तऐवज पुनरावलोकनाचा भाग म्हणून अतिरिक्त तपासणीसाठी संस्थेच्या अधिकृत, सतत नोंदी तपासल्या जातात. उदाहरणार्थ, वार्षिक अहवाल, धोरण मार्गदर्शक, विद्यार्थी इव्हेंट्स, विद्यापीठ खेळ क्रियाकलाप इ.
- वैयक्तिक नोंदी: या प्रकारचे दस्तऐवज विश्लेषण सार्वजनिक नोंदींच्या विरूद्ध लोकांचे वर्तन, आचरण, आरोग्य, शरीर इत्यादींच्या खाजगी अहवालांचे परीक्षण करते. उदाहरणार्थ, विद्यार्थ्यांचा आकार आणि वजन, विद्यार्थ्यांना शाळेत जाण्यासाठी लागणारा प्रवास वेळ इ.
- भौतिक पुरावा: भौतिक पुरावा किंवा नोंदी एखाद्या व्यक्तीच्या किंवा संस्थेच्या पैशाच्या आणि वाढीव वाढीच्या बाबतीत भूतकाळातील यशांशी बोलतात.
परिमाणवाचक उदाहरणे
याचा संदर्भ काय आहे हे पूर्णपणे समजून घेण्यात तुम्हाला मदत करण्यासाठी परिमाणात्मक डेटाची काही उदाहरणे येथे आहेत:
- सर्वात नवीन मोबाईल ऍप्लिकेशन 83 व्यक्तींनी डाउनलोड केले आहे.
- गेल्या वर्षी, माझ्या काकूने 18 पौंड कमी केले.
- आयटम X ची किंमत $1,000 आहे.
- या कार्यक्रमाला 500 स्पर्धकांनी हजेरी लावली होती.
- यंदा तिला दहा सुट्या आहेत.
- एका तिमाहीत, मी माझा फोन सहा वेळा अपग्रेड केला.
- गेल्या वर्षी, माझा तरुण 3 इंच वाढला.
- नवीन उत्पादनाच्या समावेशामुळे महसुलात 30% वाढ होईल.
- 54% अमेरिकन लोकांनी सांगितले की ते मॉलपेक्षा ऑनलाइन खरेदी करतील.
- 150 प्रतिसादकर्त्यांनी सांगितले की नवीन उत्पादन वैशिष्ट्य हिट होईल असे त्यांना वाटत नाही.
फायदे
- सखोल अभ्यास करा: परिमाणवाचक डेटा सांख्यिकीय रीतीने तपासला जाऊ शकतो म्हणून संशोधन सखोल असण्याची शक्यता आहे.
- किमान पूर्वाग्रह: असे काही वेळा असतात जेव्हा वैयक्तिक पूर्वाग्रह संशोधनात योगदान देतात आणि चुकीचे परिणाम आणतात. परिमाणात्मक डेटाच्या संख्यात्मक पैलूमुळे वैयक्तिक पूर्वाग्रह खूपच कमी झाला आहे.
- अचूक परिणाम: परिणाम वस्तुनिष्ठ स्वरूपाचे असल्याने ते अगदी अचूक होते.
तोटे
- प्रतिबंधित माहिती: परिमाणवाचक डेटा वर्णनात्मक नसल्यामुळे, संशोधकांसाठी त्यांनी गोळा केलेल्या डेटावरूनच निष्कर्ष काढणे आव्हानात्मक आहे.
- प्रश्नाच्या प्रकारावर अवलंबून आहे: परिमाणवाचक डेटा गोळा करण्यासाठी वापरलेला प्रश्न प्रकार परिणामांमधील पूर्वाग्रह प्रभावित करतो. परिमाणवाचक डेटा गोळा करताना, संशोधकाला संशोधनाची उद्दिष्टे आणि उद्दिष्टे समजून घेणे महत्त्वाचे असते.
निष्कर्ष
परिमाणात्मक डेटा भिन्न विचारांबद्दल आहे, अभिसरण तर्क नाही. हे संख्यात्मक आणि स्थिर तथ्यांवर भर देऊन संख्यात्मक, तर्कशास्त्र आणि वस्तुनिष्ठ दृष्टिकोनाशी संबंधित आहे.
चार्ट आणि आलेखांमध्ये विश्लेषणात्मक निष्कर्ष प्रदर्शित करण्यास सक्षम असलेला एकमेव डेटा प्रकार, परिमाणात्मक डेटा संशोधन कसून आहे.
डेटा विश्लेषण हे निश्चितच एक महत्त्वपूर्ण पाऊल आहे, ज्याची कमतरता असल्यास, केवळ तुमच्या अभ्यासाची वस्तुनिष्ठता आणि सत्यतेशी तडजोड करू शकत नाही तर निष्कर्ष देखील अस्थिर करू शकतात. चांगला डेटा तुम्हाला अचूक परिणाम देण्यास मदत करेल.
म्हणून, तंत्राकडे दुर्लक्ष करून, तुम्ही परिमाणवाचक डेटा गोळा करण्यासाठी वापरता, मौल्यवान आणि उपयुक्त अंतर्दृष्टी देण्यासाठी माहिती पुरेशी उच्च दर्जाची असल्याची खात्री करा.
प्रत्युत्तर द्या