မာတိကာ[ဖျောက်][ရှိုး]
ကျွန်ုပ်တို့သည် နေ့စဉ်နှင့်အမျှ ပိုသိသာလာနေသည့် ဒေတာများဖြင့် ဝန်းရံထားသည်။ ကျွန်ုပ်တို့၏အင်တာနက်အသုံးပြုမှု၊ မော်တော်ယာဥ်ဝယ်ယူမှု၊ ကျွန်ုပ်တို့ကြည့်ရှုသည့်သတင်းဖိဒ်များနှင့် အခြားအရာများစွာတို့အပါအဝင် ပတ်၀န်းကျင်နှင့် ကျွန်ုပ်တို့၏အပြန်အလှန်တုံ့ပြန်မှုများသည် ဒေတာပုံစံအမျိုးမျိုးဖြင့် ပုံဖော်လျက်ရှိသည်။
ကျွန်ုပ်တို့သည် ဤပို့စ်တွင် ကိန်းဂဏန်းအချက်အလက်ကို သတ်မှတ်ပေးမည်ဖြစ်ပြီး၊ အရေအတွက်ဒေတာ၏ ဥပမာများကို ပေးမည်၊ အရည်အသွေးနှင့် အရေအတွက် ဒေတာကွာခြားပုံနှင့် အခြားအရာများစွာကို ဆွေးနွေးပါမည်။
ဒါပေမယ့် အရင်ဆုံး ခြေတစ်လှမ်းဆုတ်လိုက်ရအောင်။
စမ်းသပ်မှုရလဒ်များ၊ ဝယ်ယူသူစိတ်ကျေနပ်မှုရမှတ်များနှင့် တွစ်တာများအပါအဝင် ဒေတာ 2.5 quintillion bytes ကို နေ့စဉ် ထုတ်လုပ်နေပါသည်။ ဒါပေမယ့် အချက်အလက်တိုင်းကို တူညီအောင် ဖန်တီးထားတာတော့ မဟုတ်ပါဘူး။
ဝန်ဆောင်မှု၊ မီနူး၊ ပတ်ဝန်းကျင်နှင့် စျေးနှုန်း စကေး 1 မှ 10 တွင် အဆင့်သတ်မှတ်ရန် တောင်းဆိုသော စစ်တမ်းတစ်ခုသည် သင့်ထမင်းစားခန်းအတွေ့အကြုံကို ဖော်ပြရန် တောင်းဆိုသော အင်တာဗျူးတစ်ခုထက် မတူညီသောဒေတာကို ထုတ်ပေးပါသည်။
မတူညီသော ဒေတာပုံစံများကြား ခွဲခြားပြီး တစ်ခုစီက သင့်လေ့လာမှုအပေါ် မည်သို့အကျိုးသက်ရောက်နိုင်သည်ကို နားလည်သဘောပေါက်ရန် ဒေတာအစုံများနှင့် မကြာခဏလုပ်ဆောင်သော ဆန်းစစ်သူများအတွက် အရေးကြီးပါသည်။
မကြာခဏ ဒေတာကို စူးစမ်းလေ့လာခြင်း လုပ်ငန်းစဉ်သည် သင်ဖြေရန်ကြိုးစားနေသော တိကျသောမေးခွန်းတစ်ခုမှ စတင်သည်
- လူဦးရေစာရင်းဇယားတွေက စားသုံးသူတွေရဲ့ အပြုအမူအပေါ် ဘယ်လိုသက်ရောက်မှုရှိလဲ။
- ကုန်ပစ္စည်း သို့မဟုတ် ဝန်ဆောင်မှုတစ်ခုတွင် ပြုပြင်မွမ်းမံမှုအပေါ် ပရိသတ်တစ်ဦးမှ ကျေနပ်စွာ တုံ့ပြန်မည်လား။
- ထိရောက်မှု တိုးမြင့်လာစေရန်အတွက် လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ ပိတ်ဆို့မှုများကို မည်သို့ဖယ်ရှားနိုင်မည်နည်း။
ဘာသာရပ်၏သဘောသဘာဝ၊ သင်၏ဘတ်ဂျက်၊ အချိန်နှင့် လက်လှမ်းမီနိုင်သော အရင်းအမြစ်များပေါ်မူတည်၍ အရေအတွက်ဒေတာကို စုဆောင်းပြီး အကဲဖြတ်ရန် လိုအပ်မည်ဖြစ်ပါသည်။ မင်းနားလည်မယ်ထင်တယ် ဟုတ်လား
အခုပဲ စလိုက်ရအောင်။
Quantitative Data ဆိုတာ ဘာလဲ။
အရေအတွက်အားဖြင့် ခွဲခြားသတ်မှတ်နိုင်ပြီး အကဲဖြတ်နိုင်သည့် မည်သည့်ဒေတာစုဆောင်းမှုမဆို ပမာဏဒေတာဟု ယူဆပါသည်။
ဓမ္မဓိဋ္ဌာန်ကျကျ တိုင်းတာနိုင်သော တစ်ခုတည်းသော ဒေတာအမျိုးအစားမှာ ကိန်းဂဏန်းအချက်အလက်ဖြစ်ပြီး ၎င်းကို အဆက်စပ်ဆုံးဖြစ်အောင်၊ အချက်အလက်အမျိုးအစား သင်္ချာနှင့် ကိန်းဂဏန်း နှစ်မျိုးလုံးအတွက် အသုံးပြုရန်။
ကိန်းဂဏန်းများ သို့မဟုတ် ကိန်းဂဏာန်းများအဖြစ် ဖော်ပြသည့်အခါ ၎င်းကို ဒေတာတန်ဖိုးအဖြစ် ရည်ညွှန်းပြီး ဒေတာအတွဲတစ်ခုစီတွင် ၎င်းအား သတ်မှတ်ထားသော ဂဏန်းတန်ဖိုးတစ်ခုစီပါရှိသည်။
ဂဏန်းသင်္ချာကိုအခြေခံ၍ ကိန်းဂဏန်းတွက်ချက်မှုများနှင့် တွက်ချက်မှုများတွင် အသုံးချနိုင်သော တိုင်းတာနိုင်သော အချက်အလက်မှန်သမျှကို လက်တွေ့ကမ္ဘာတွင် စီရင်ဆုံးဖြတ်ရာတွင် အထောက်အကူဖြစ်စေရန်အတွက် ဤဒေတာအမျိုးအစားဟု ယူဆပါသည်။
မည်မျှ၊ အကြိမ်ရေနှင့် မည်မျှ ဖြေဆိုနိုင်သော မေးခွန်းများ၏ နမူနာများ။ ဤဒေတာကို လွယ်ကူစွာ စစ်ဆေးအကဲဖြတ်ရန် သင်္ချာနည်းများကို အသုံးပြုနိုင်သည်။
အချိန်၊ အရပ်၊ အလေးချိန်၊ ဈေးနှုန်း၊ ကုန်ကျစရိတ်၊ အမြတ်၊ အပူချိန်၊ နှင့် အကွာအဝေးကဲ့သို့သော ကိန်းဂဏန်းဒေတာများသည် ဒေတာခွဲခြမ်းစိတ်ဖြာသူနှင့် ပုံမှန်အားဖြင့် အလုပ်လုပ်သည်။
ရာခိုင်နှုန်း၊ နံပါတ်တစ်ခု၊ စာမျက်နှာဖွင့်ချိန် သို့မဟုတ် ထုတ်ကုန်စီမံခန့်ခွဲမှု၊ အသုံးပြုသူအတွေ့အကြုံဒီဇိုင်း သို့မဟုတ် ဆော့ဖ်ဝဲအင်ဂျင်နီယာနယ်ပယ်များရှိ အခြားမက်ထရစ်များအဖြစ် ဖော်ပြနိုင်သည်။
ပစ္စည်းတစ်ခုကို လူဘယ်နှစ်ယောက်ဝယ်ခဲ့သလဲ ဆိုတာကတော့ ဝယ်ယူမှုအခြေအနေမှာ အရေအတွက်ဒေတာရဲ့ ဥပမာတစ်ခုဖြစ်ပါတယ်။ ကားများပေါ်ရှိ အရည်အသွေးဆိုင်ရာ အချက်အလက်များတွင် ၎င်းပိုင်ဆိုင်သည့် မြင်းကောင်ရေပမာဏ ပါဝင်နိုင်သည်။
Quantitative Data အမျိုးအစားတွေက ဘာတွေလဲ။
ကိန်းဂဏန်းအချက်အလက်ကို ပမာဏဒေတာအဖြစ် ရည်ညွှန်းသော်လည်း၊ ထိုဒေတာကို မည်ကဲ့သို့ အရေအတွက် ကောက်ယူသည်ဖြစ်စေ လက်ထဲတွင်ရှိသော ဒေတာစုဆောင်းမှုအမျိုးအစားပေါ်မူတည်၍ ကွဲပြားသည်။ ကိန်းဂဏန်းအချက်အလက်ကို အခြေခံအုပ်စုနှစ်စု ခွဲခြားနိုင်သည်- အဆက်မပြတ်နှင့် အဆက်မပြတ်။ ၎င်းတို့နှစ်ခုကြားတွင် အဓိကကွဲပြားမှုများမှာ အောက်ပါအတိုင်းဖြစ်သည်။
Discrete Data
ခွဲခြမ်းစိတ်ဖြာသော ကိန်းဂဏန်းအချက်အလက်သည် သီးခြားကိန်းဂဏာန်းတန်ဖိုးများသာ ရှိနိုင်ပါသည်။ ပြုပြင်ပြီးဖြစ်သောကြောင့် ဤတန်ဖိုးများကို ပြိုကွဲအောင် မလုပ်နိုင်ပါ။
မည်သည့်အရာကိုမဆို ရေတွက်သည့်အခါတိုင်း သီးခြားဒေတာကို ရရှိသည်။ ဥပမာအားဖြင့် လူတစ်ဦး၏ ကလေးသုံးဦးသည် သီးခြားဒေတာ၏ ဥပမာတစ်ခုဖြစ်သည်။
ကလေးအရေအတွက်ကို သတ်မှတ်; ဥပမာအားဖြင့် ကလေး ၃.၂ ယောက် မမွေးနိုင်ဘူး။
သင့်ဝဘ်ဆိုဒ်သို့ လာရောက်လည်ပတ်သူ ပမာဏသည် သီးခြားကိန်းဂဏာန်းအချက်အလက်များ၏ အခြားဥပမာတစ်ခုဖြစ်သည်။ သင်သည် တစ်ရက်လျှင် လည်ပတ်မှု 150 ရရှိသော်လည်း 150.6 မဟုတ်ပါ။ ခွဲခြမ်းစိတ်ဖြာသောဒေတာကိုပြသရန် အသုံးအများဆုံးဇယားများမှာ pie charts၊ bar charts နှင့် tally charts များဖြစ်သည်။
ဆက်တိုက်ဒေတာ
ပြောင်းပြန်အားဖြင့်၊ စဉ်ဆက်မပြတ်ဒေတာကို သေးငယ်သော အစိတ်အပိုင်းများအဖြစ် အကန့်အသတ်မရှိ ခွဲခြားနိုင်သည်။ ကြိုးတစ်ချောင်း၏အရှည် စင်တီမီတာ သို့မဟုတ် ဒီဂရီစင်တီဂရိတ်ရှိ အပူချိန်သည် တိုင်းတာမှုစကေးပေါ်တွင် ပြသနိုင်သည့် ဤကိန်းဂဏန်းဒေတာ၏ ဥပမာနှစ်ခုဖြစ်သည်။
အနှစ်သာရအားဖြင့်၊ စဉ်ဆက်မပြတ်ဒေတာသည် ပုံသေတန်ဖိုးများအတွက် ကန့်သတ်ထားခြင်းမရှိပါ။ မည်သည့်တန်ဖိုးကိုမဆို ယူနိုင်သည်။ ဆက်တိုက်ဒေတာသည်လည်း အချိန်နှင့်အမျှ ပြောင်းလဲနိုင်သည်။ ဥပမာအားဖြင့်၊ အခန်း၏အပူချိန်သည် နေ့ဘက်တွင် ပြောင်းလဲလိမ့်မည်။
စဉ်ဆက်မပြတ်ဒေတာကိုဖော်ပြရန် မျဉ်းဂရပ်ကို ပုံမှန်အားဖြင့်အသုံးပြုသည်။
Quantitative Data နှင့် Qualitative Data
ကိန်းဂဏန်း အချက်အလက်တွေကို တိုင်းတာလို့ ရပါတယ်။ ၎င်းသည် ပမာဏ၊ တန်ဖိုးများနှင့် နံပါတ်များနှင့် သက်ဆိုင်သည်။ ဤအချက်အလက်အမျိုးအစား (ဥပမာ၊ ပမာဏ၊ ကြာချိန်၊ အလျား၊ ဈေးနှုန်း၊ သို့မဟုတ် အရွယ်အစား) ကို ကိန်းဂဏန်းများဖြင့် ဖော်ပြနိုင်သည်။
Quantitative Data သည် ယုံကြည်စိတ်ချရမှုများစွာရှိပြီး ဘက်မလိုက်ဘဲ ကိန်းဂဏန်းအချက်အလက်များကို ထုတ်ပေးသောကြောင့် ယုံကြည်စိတ်ချရမှုရှိသည်ဟု ရှုမြင်ပါသည်။ သို့သော်၊ နောက်ထပ် အရေးကြီးသော အချက်အလက် အမျိုးအစားတစ်ခု ရှိသေးသည်။ အတိအကျပြောရရင် အရည်အသွေးဆိုင်ရာ အချက်အလက်တွေပါ။
ဤအချက်အလက်သည် သဘာဝတွင် အဓိကဖော်ပြပါသည်။ ကိစ္စအများစုတွင်၊ ၎င်းကို တိုက်ရိုက်တိုင်းတာ၍မရသော်လည်း စောင့်ကြည့်လေ့လာခြင်းဖြင့် သင်ယူနိုင်သည်။ နာမဝိသေသနများနှင့် အခြားဖော်ပြချက်အသုံးအနှုန်းများကို အရည်အသွေးဆိုင်ရာ အချက်အလက်များတွင် အသွင်အပြင်၊ အရောင်၊ အသွေးအသားနှင့် အခြားဂုဏ်သတ္တိများကို ဖော်ပြရန်အတွက် အသုံးပြုပါသည်။
ဥပမာအားဖြင့်၊ အခန်းတစ်ခန်းသည် အခြားအခန်းများထက် ပိုမိုတောက်ပသည်ဟု သင်ငြင်းခုံနိုင်သည်။
ထိုအချက်အလက်သည် အရည်အသွေးကောင်းသည်။ အခန်းအတွင်းရှိ အလင်းအမှောင်ကို အမှန်တကယ်တိုင်းတာပြီး ဂဏန်းနံပါတ်တစ်ခုသတ်မှတ်ရန်၊ သိပ္ပံနည်းကျကိရိယာများနှင့် စက်ကိရိယာများ (အလင်းမီတာကဲ့သို့သော) ကိုလည်း အသုံးပြုနိုင်သည်။ ၎င်းကိုလုပ်ဆောင်ခြင်းဖြင့် သင်သည် ကိန်းဂဏန်းအချက်အလက်ကို ရရှိမည်ဖြစ်သည်။
အရေအတွက်ဒေတာစုဆောင်းရန် အကောင်းဆုံးနည်းလမ်း ၅ ခု
1. ဖြစ်နိုင်ခြေနမူနာ
ကျပန်းရွေးချယ်မှုအချို့ကို အသုံးပြု၍ ရည်ရွယ်ထားသော ပရိသတ်ထံမှ ကျပန်းစုဆောင်းထားသော အချက်အလက်များအပေါ် အခြေခံ၍ ဖြစ်နိုင်ခြေအရေးဆိုမှုကို သုတေသီများပြုလုပ်နိုင်စေသည့် တိကျသောနမူနာနည်းစနစ်တစ်ခု။
ဖြစ်နိုင်ခြေနမူနာသည် သုတေသီများအား ၎င်းတို့စူးစမ်းလေ့လာလိုသည့် အုပ်စု၏ ထုံးစံအတိုင်း လူတစ်ဦးချင်းစီထံမှ ဒေတာစုဆောင်းရန် အခွင့်အရေးပေးသည်၊ ၎င်းသည် ၎င်း၏အကောင်းဆုံးအင်္ဂါရပ်များထဲမှ တစ်ခုဖြစ်သည်။
ထို့အပြင်၊ ဒေတာကို ရွေးချယ်ထားသောနမူနာမှ ကျပန်းဖြင့် ထုတ်ယူထားပြီး၊ စံနမူနာပြုခြင်း၏ အခွင့်အလမ်းကို ဖယ်ရှားပေးပါသည်။
ဖြစ်နိုင်ခြေနမူနာအတွက်၊ အဓိကအမျိုးအစားသုံးမျိုးရှိသည်။
- ရိုးရှင်းသော ကျပန်းနမူနာယူခြင်း- ရည်ရွယ်ထားသော လူဦးရေကို နမူနာတွင် ကိုယ်စားပြုရန် ပို၍မကြာခဏ ရွေးချယ်ပါသည်။
- စနစ်တကျကျပန်းနမူနာယူခြင်း- လိုချင်သောလူဦးရေ၏အဖွဲ့ဝင်တိုင်းကို နမူနာတွင်ကိုယ်စားပြုမည်ဖြစ်သော်လည်း ပထမယူနစ်ကိုသာ ကျပန်းရွေးချယ်သည်။ အခြားယူနစ်များကို စာရင်းတွင်ပါဝင်သူ ဆယ်ဦးတွင် တစ်ဦးအဖြစ် ရွေးချယ်ထားသည်။
- အစီအစဥ်ကျပန်းနမူနာ- နမူနာဖန်တီးနေစဉ်တွင် ရည်ရွယ်ထားသော ပရိသတ်၏ သီးခြားအစုခွဲတစ်ခုမှ ယူနစ်တစ်ခုစီကို ရွေးချယ်ခွင့်ပြုသည်။ မန်နေဂျာ သို့မဟုတ် အမှုဆောင်များ၊ ပေးထားသည့် လုပ်ငန်းတစ်ခုတွင် အလုပ်လုပ်နေသူများ သို့မဟုတ် ယောက်ျား သို့မဟုတ် မိန်းမများကဲ့သို့သော နမူနာရှိလူအချို့ကို သုတေသီများက ဇီဇာကြောင်နေသောအခါ အထောက်အကူဖြစ်စေသည်။
2 ။ အင်တာဗျူးများ
ဒေတာစုဆောင်းခြင်းလုပ်ငန်းစဉ်၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် လူများကို ပုံမှန်အားဖြင့် တွေ့ဆုံမေးမြန်းကြသည်။ သို့သော် အရေအတွက် အချက်အလက် စုဆောင်းရန် လုပ်ဆောင်သော အင်တာဗျူးများသည် သုတေသီများက သတ်မှတ်ထားသော မေးခွန်းများနှင့် အခြားဘာမျှ မမေးဘဲ ပိုမို၍ စနစ်တကျ လုပ်ဆောင်ကြသည်။
အချက်အလက်စုဆောင်းရာတွင် အသုံးပြုသည့် အင်တာဗျူးများတွင် အဓိကအမျိုးအစားသုံးမျိုးရှိသည်။
- တယ်လီဖုန်းအင်တာဗျူးများ- တယ်လီဖုန်းအင်တာဗျူးများသည် ဒေတာစုဆောင်းခြင်းနည်းပညာဇယားများကို နှစ်ပေါင်းများစွာလွှမ်းမိုးထားသည်။ အင်တာနက်၊ Skype သို့မဟုတ် အခြားအွန်လိုင်းကို အသုံးချပါ။ video conferencing မကြာသေးမီနှစ်များအတွင်း ဗီဒီယိုအင်တာဗျူးများကျင်းပရန် ဝန်ဆောင်မှုများ သိသိသာသာ တိုးလာခဲ့သည်။
- လူကိုယ်တိုင် တွေ့ဆုံမေးမြန်းခြင်း- တိုက်ရိုက်ပါဝင်သူ ဒေတာစုဆောင်းခြင်းသည် အချက်အလက်စုဆောင်းရန် ကြိုးစားပြီး စစ်မှန်သော နည်းလမ်းဖြစ်သည်။ ကျယ်ကျယ်ပြန့်ပြန့်နှင့် ပညာရေးဆိုင်ရာ အချက်အလက်များကို ရရှိရန် နက်ရှိုင်းသော စုံစမ်းမေးမြန်းမှုများနှင့် ထပ်လောင်းစုံစမ်းစစ်ဆေးမှုများအတွက် နေရာပေးသောကြောင့် အရည်အသွေးမြင့်ဒေတာစုဆောင်းရာတွင် အထောက်အကူဖြစ်စေပါသည်။ မျက်နှာချင်းဆိုင် (F2F) စစ်တမ်းများသည် နှုတ်ဖြင့်မဟုတ်သော အချက်အလက်များကို စုဆောင်းရန် သို့မဟုတ် ရှုပ်ထွေးပြီး မဖြေရှင်းနိုင်သော အကြောင်းအရာများကို စုံစမ်းစစ်ဆေးရန် ဖြစ်နိုင်ခြေများစွာရှိသောကြောင့် ပါဝင်သူ၏တတ်မြောက်မှုအဆင့်သည် အရေးမကြီးပါ။ ၎င်းသည် ငွေကုန်ကြေးကျရှိပြီး အချိန်ကုန်သော ချဉ်းကပ်မှုမျိုး ဖြစ်နိုင်သော်လည်း မျက်နှာချင်းဆိုင် တွေ့ဆုံမေးမြန်းခြင်းများသည် မကြာခဏ တုံ့ပြန်မှုနှုန်း ပိုများသည်။
- Computer-Assisted Personal Interviewing (CAPI)- ၎င်းသည် အင်တာဗျူးဖြေဆိုသူတွင် အင်တာဗျူးအတွင်း စုဆောင်းထားသောဒေတာများကို ဒေတာဘေ့စ်ထဲသို့ တိုက်ရိုက်အပ်လုဒ်တင်ရန် ဒက်စတော့ သို့မဟုတ် လက်ပ်တော့ပါရှိသည့် မျက်နှာချင်းဆိုင်အင်တာဗျူးတစ်ခုနှင့် နှိုင်းယှဉ်နိုင်သော ဆက်တင်တစ်ခုမျှမကပါ။ အင်တာဗျူးသူသည် စာရွက်စာတန်းများနှင့် မေးခွန်းပုံစံများစွာကို ယူဆောင်လာရန် မလိုအပ်သောကြောင့် CAPI သည် ဒေတာကို အပ်ဒိတ်နှင့်ခွဲခြမ်းစိတ်ဖြာရန် လိုအပ်သောအချိန်ကို သိသိသာသာ လျှော့ချပေးသည်။
3. လေ့လာတွေ့ရှိချက်များ
နာမည် အဓိပ္ပာယ်ဖွင့်ဆိုထားသည့်အတိုင်း၊ ၎င်းသည် ကိန်းဂဏန်းအချက်အလက်များကို စုဆောင်းရန်အတွက် အတော်လေးလွယ်ကူပြီး ရှုပ်ထွေးသောနည်းပညာတစ်ခုဖြစ်သည်။
ဤချဉ်းကပ်မှုတွင်၊ သုတေသီများသည် သတ်မှတ်ထားသော နေရာတစ်ခုတွင် ပွဲကျင်းပသူအရေအတွက်နှင့် သတ်မှတ်ထားသောနေရာတစ်ခုတွင် တက်ရောက်သူအရေအတွက်ကို ရေတွက်ခြင်းကဲ့သို့သော ချဉ်းကပ်နည်းများကို အသုံးပြု၍ ကိန်းဂဏန်းအချက်အလက်များကို စုဆောင်းလေ့လာသည်။
သုတေသီများသည် ကိန်းဂဏန်းအချက်အလက်များကို ရယူရန် သဘာဝဆန်သော စူးစမ်းလေ့လာရေးဗျူဟာကို မကြာခဏအသုံးပြုလေ့ရှိပြီး “ဘာကြောင့်” နှင့် “မည်ကဲ့သို့” နှင့်ပတ်သက်သော ကိန်းဂဏန်းအချက်အလက်များကို ရရှိရန်အတွက် အလွန်ကောင်းမွန်သော စူးစမ်းမှုစွမ်းရည်နှင့် အာရုံများရရှိရန် တောင်းဆိုသည့် ကိန်းဂဏန်းအချက်အလက်များကို “ဘာ” နှင့် “ဘာ့ကြောင့်” နှင့် “မည်ကဲ့သို့” ဟူ၍လည်း ခေါ်ဆိုပါသည်။
အရည်အသွေးနှင့် ကိန်းဂဏန်း အချက်အလက် နှစ်မျိုးလုံးကို သဘာဝဆန်သော လေ့လာကြည့်ရှုမှုဖြင့် ပြုလုပ်သည်။ သို့သော် အရည်အချင်းရှိသော အချက်အလက်ထက် ကိန်းဂဏန်းအချက်အလက်များကို စုဆောင်းရန်အတွက် ဖွဲ့စည်းတည်ဆောက်ပုံလေ့လာခြင်းအား အများအားဖြင့် အသုံးပြုကြသည်။
- အစီအစဥ်ပြုလေ့လာခြင်း- သဘာဝဆန်သော သို့မဟုတ် ပါဝင်သူကြည့်ရှုလေ့လာခြင်းနှင့် ဆန့်ကျင်ဘက်၊ ဤလေ့လာရေးနည်းလမ်းပုံစံသည် သုတေသီသည် ပိုမိုကျယ်ပြန့်သော သို့မဟုတ် ထိန်းချုပ်ထားသော အကြောင်းအရာတစ်ခုတွင် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော သတ်မှတ်ထားသည့်အပြုအမူများကို စေ့စေ့စပ်စပ်လေ့လာကြည့်ရှုရန် လိုအပ်သည်။ ဖွဲ့စည်းတည်ဆောက်ထားသော စူးစမ်းလေ့လာမှုတစ်ခုတွင် သုတေသီများသည် အရာအားလုံးကိုကြည့်ရှုခြင်းထက် စိတ်ဝင်စားဖွယ်သော့ချက်အမူအကျင့်အချို့ကိုသာ အာရုံစိုက်ကျဉ်းမြောင်းစေသည်။ ၎င်းသည် ၎င်းတို့မြင်နေရသည့် အမူအကျင့်များကို ကိန်းဂဏန်းအဖြစ် ထည့်သွင်းနိုင်စေပါသည်။ စောင့်ကြည့်လေ့လာသူများကို စီရင်ဆုံးဖြတ်ရန် တောင်းဆိုသည့်အခါ တစ်ခါတစ်ရံ ၎င်းကို "ကုဒ်ရေးခြင်း" ဟုခေါ်သည်။ ထိုသို့လုပ်ဆောင်ရန်၊ ပစ်မှတ်အမူအကျင့်အစုတစ်ခုအား တိကျစွာသတ်မှတ်ရပါမည်။
4. စစ်တမ်းများ
စစ်တမ်းဆော့ဖ်ဝဲဖြင့် ပြုလုပ်သော အွန်လိုင်းစစ်တမ်းများသည် အရေအတွက်နှင့် အရည်အသွေးဆိုင်ရာ သုတေသနအတွက် အွန်လိုင်းတွင် ဒေတာစုဆောင်းရန်အတွက် မရှိမဖြစ်လိုအပ်ပါသည်။ စစ်တမ်းများကို ဖြေဆိုသူများ၏ လုပ်ဆောင်ချက်များနှင့် ယုံကြည်စိတ်ချမှုကို သက်သေပြသည့် နည်းလမ်းဖြင့် ဖန်တီးထားသည်။
ကိန်းဂဏန်းစစ်တမ်းအများစုတွင် ဖြေဆိုသူများ၏ စိတ်နေသဘောထားနှင့် အပြုအမူများကို တိုင်းတာရာတွင် ပိုမိုလွယ်ကူစေသောကြောင့် စစ်ဆေးရန်စာရင်းများနှင့် အဆင့်သတ်မှတ်စကေးများ ပါဝင်လေ့ရှိသည်။
အရေအတွက်စျေးကွက်သုတေသနအတွက် အွန်လိုင်းတွင် အရေးကြီးသော စစ်တမ်းပုံစံနှစ်ခုကို အသုံးချသည်။
- ဝဘ်အခြေခံ- အင်တာနက်အခြေခံ သို့မဟုတ် အွန်လိုင်းသုတေသနအတွက်၊ ၎င်းသည် လူကြိုက်အများဆုံးနှင့် ယုံကြည်စိတ်ချရသော နည်းပညာတစ်ခုဖြစ်သည်။ ဝဘ်အခြေခံ စစ်တမ်းကို တုံ့ပြန်သည့်အခါ၊ ဖြေဆိုသူသည် စစ်တမ်းသို့ လင့်ခ်တစ်ခုပါသော အီးမေးလ်တစ်စောင်ကို လက်ခံရရှိမည်ဖြစ်ပြီး၊ နှိပ်လိုက်သည့်အခါ ၎င်းတို့သည် စစ်တမ်းကို ပြီးမြောက်နိုင်သည့် လုံခြုံသော အွန်လိုင်းစစ်တမ်းပလပ်ဖောင်းသို့ ပို့ဆောင်ပေးမည်ဖြစ်သည်။ သုတေသီများသည် အချိန်နှင့်ငွေပိုသက်သာ၊ မြန်ဆန်ပြီး ပိုမိုများပြားသော ပရိသတ်ရှိသောကြောင့် သုတေသီများသည် ဝဘ်အခြေခံစစ်တမ်းများကို နှစ်သက်ကြသည်။ ဒက်စ်တော့၊ လက်ပ်တော့၊ တက်ဘလက် သို့မဟုတ် မိုဘိုင်းကိရိယာကို အသုံးပြု၍ ဖြေဆိုသူများသည် ၎င်းတို့အတွက် အဆင်ပြေသည့်အခါတိုင်း စစ်တမ်းကို အခမဲ့ဖြေဆိုနိုင်ပြီး ၎င်းသည် ဝဘ်အခြေခံမေးခွန်းလွှာ၏ အဓိကအားသာချက်ဖြစ်သည်။
- မေးလ်အခြေခံ- စစ်တမ်းကို နမူနာလူဦးရေ၏ အများစုထံ စာတိုက်မှတစ်ဆင့် ပေးပို့ထားပြီး သုတေသီအား ပရိသတ်များစွာထံ ရောက်ရှိစေမည်ဖြစ်သည်။ စာတိုက်မေးခွန်းလွှာသည် အများအားဖြင့် အွန်လိုင်းတွင် ဒေတာစုဆောင်းရန် လေ့လာမှုအမျိုးအစားနှင့် အဘယ်ကြောင့် ကြိုတင်ငွေပြန်ပေးရမည်ကို ပရိသတ်အား အသိပေးသည့် မျက်နှာဖုံးစာမျက်နှာပါသည့် ထုပ်ပိုးမှုတစ်ခုဖြင့် ရောက်ရှိလာပါသည်။ မေးလ်တွင် စစ်တမ်းကို အပြီးသတ်ရန် မက်လုံးများနှင့် သတိပေးချက်များ အပါအဝင် အခြားသော ပမာဏဒေတာစုဆောင်းခြင်းနည်းစနစ်များထက် ကွန့်မြူးမှုနှုန်း ပိုများနေသော်လည်း၊ စစ်တမ်းကို အပြီးသတ်ရန် မက်လုံးများနှင့် သတိပေးချက်များသည် လှည့်စားနှုန်းကို သိသိသာသာ လျှော့ချပေးနိုင်သည်။
5. စာရွက်စာတမ်းပြန်လည်သုံးသပ်ခြင်း။
လက်ရှိစာတမ်းများကို ခွဲခြမ်းစိတ်ဖြာပြီးနောက်၊ စာရွက်စာတမ်းပြန်လည်သုံးသပ်ခြင်းသည် အချက်အလက်စုဆောင်းရာတွင် အသုံးပြုသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ စာရွက်စာတမ်းများသည် ထိန်းချုပ်နိုင်သည့်အပြင် အတိတ်မှတိကျသောအချက်အလက်များကိုရရှိရန် လက်တွေ့ကျသောအရင်းအမြစ်ဖြစ်သောကြောင့်၊ ၎င်းသည် ဒေတာစုဆောင်းခြင်း၏ထိရောက်ပြီး အောင်မြင်သောနည်းလမ်းတစ်ခုဖြစ်သည်။
စာရွက်စာတမ်းပြန်လည်သုံးသပ်ခြင်းသည် သုတေသနအချက်အလက်များကို ပံ့ပိုးပေးခြင်းဖြင့် လေ့လာမှုအား အားကောင်းလာစေရန်နှင့် ပံ့ပိုးပေးမည့်အပြင် အရေအတွက်ဆိုင်ရာ သုတေသနအချက်အလက်များကို စုဆောင်းရန်အတွက် အသုံးဝင်သောနည်းလမ်းများထဲမှ တစ်ခုဖြစ်လာပါသည်။
နောက်ဆက်တွဲ အရေအတွက် သုတေသန အချက်အလက် စုဆောင်းရန် ရည်ရွယ်ချက်အတွက် အဓိက စာရွက်စာတမ်း အမျိုးအစား ၃ ခုကို စစ်ဆေးလျက်ရှိသည်။
- အများသူငှာ စာရွက်စာတမ်းများ- ဤစာရွက်စာတမ်းပြန်လည်သုံးသပ်မှု၏တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ထပ်လောင်းစုံစမ်းစစ်ဆေးမှုအတွက် အဖွဲ့အစည်းတစ်ခု၏တရားဝင်၊ ဆက်လက်မှတ်တမ်းများကို စစ်ဆေးသည်။ ဥပမာအားဖြင့်၊ နှစ်စဉ်အစီရင်ခံစာများ၊ မူဝါဒလမ်းညွှန်ချက်များ၊ ကျောင်းသားပွဲများ၊ တက္ကသိုလ်ဂိမ်းလှုပ်ရှားမှုများ စသည်တို့။
- ကိုယ်ရေးကိုယ်တာမှတ်တမ်းများ- ဤစာရွက်စာတမ်းခွဲခြမ်းစိတ်ဖြာမှုမျိုးသည် အများသူငှာ မှတ်တမ်းများနှင့် ဆန့်ကျင်သည့်အနေဖြင့် လူတို့၏ အပြုအမူ၊ အကျင့်စာရိတ္တ၊ ကျန်းမာရေး၊ ကိုယ်ခန္ဓာဆိုင်ရာ သီးသန့်အစီရင်ခံစာများကို ဆန်းစစ်သည်။ ဥပမာအားဖြင့်၊ ကျောင်းသားများ၏ အရွယ်အစားနှင့် အလေးချိန်၊ ကျောင်းသား ကျောင်းသွားရမည့် ခရီး အချိန်စသည်တို့၊
- ရုပ်ပိုင်းဆိုင်ရာ သက်သေ- ရုပ်ပိုင်းဆိုင်ရာ သက်သေ သို့မဟုတ် မှတ်တမ်းများသည် ငွေကြေးနှင့် အတိုင်းအတာဖြင့် တိုးတက်မှုများအတွက် လူတစ်ဦး၏ သို့မဟုတ် အဖွဲ့အစည်း၏ အတိတ်အောင်မြင်မှုများကို ပြောပြသည်။
အရေအတွက် ဥပမာများ
ဤအရာသည် အဘယ်အရာကို ရည်ညွှန်းသည်ကို အပြည့်အဝနားလည်နိုင်ရန် ကူညီပေးမည့် အရေအတွက်ဆိုင်ရာ အချက်အလက်အချို့ ဥပမာများဖြစ်သည်-
- နောက်ဆုံးပေါ် မိုဘိုင်းအက်ပလီကေးရှင်းကို လူ ၈၃ ဦး ဒေါင်းလုဒ်လုပ်ထားသည်။
- မနှစ်က ကျွန်တော့်အဒေါ်က ၁၈ ပေါင်ကျတယ်။
- item X ၏ကုန်ကျစရိတ်မှာ $1,000 ဖြစ်သည်။
- အခမ်းအနားသို့ တက်ရောက်သူ ၅၀၀ ဦး တက်ရောက်ခဲ့သည်။
- ဒီနှစ်မှာတော့ ပိတ်ရက် ဆယ်ရက်ရှိတယ်။
- လေးပုံတစ်ပုံတွင်၊ ကျွန်ုပ်၏ဖုန်းကို ခြောက်ကြိမ် အဆင့်မြှင့်ခဲ့သည်။
- မနှစ်တုန်းက ကျွန်တော့်ရဲ့ ချာတိတ်လေးဟာ ၃လက်မ တိုးလာတယ်။
- ထုတ်ကုန်အသစ်တစ်ခုထပ်တိုးခြင်းသည် ၀င်ငွေ 30% တိုးလာမည်ဖြစ်သည်။
- အမေရိကန်နိုင်ငံသား ၅၄ ရာခိုင်နှုန်းက ကုန်တိုက်မှာထက် အွန်လိုင်းကနေ ဝယ်ရတာ ပိုကြိုက်တယ်လို့ ဆိုပါတယ်။
- တုံ့ပြန်သူ 150 က ထုတ်ကုန်အသစ်သည် အကျိုးဖြစ်ထွန်းမည်ဟု မထင်ကြောင်း ပြောကြားခဲ့သည်။
အားသာချက်များ
- အတွင်းကျကျလေ့လာမှုကိုလုပ်ဆောင်ပါ- ကိန်းဂဏန်းအချက်အလက်များကို ကိန်းဂဏန်းဖြင့်စစ်ဆေးနိုင်သောကြောင့် သုတေသနကို စေ့စေ့စပ်စပ်ဖြစ်ရန် အလားအလာအလွန်များပါသည်။
- အနည်းဆုံး ဘက်လိုက်မှု- ကိုယ်ရေးကိုယ်တာဘက်လိုက်မှုက သုတေသနကို အထောက်အကူဖြစ်စေပြီး မမှန်ကန်သောရလဒ်များကို ဖြစ်စေသည့် အချိန်များစွာရှိသည်။ ကိန်းဂဏန်းအချက်အလက်များ၏ ကိန်းဂဏာန်းသဏ္ဌာန်အားဖြင့် ပုဂ္ဂိုလ်ရေးဘက်လိုက်မှုမှာ များစွာလျော့နည်းသွားပါသည်။
- တိကျသောရလဒ်များ- ရလဒ်များသည် သဘာဝတွင် ရည်ရွယ်ချက်ရှိသောကြောင့်၊ ၎င်းတို့သည် အလွန်တိကျပါသည်။
အားနည်းချက်များ
- ကန့်သတ်ထားသောအချက်အလက်များ- အရေအတွက်အချက်အလက်သည် သရုပ်ဖော်ခြင်းမရှိသောကြောင့်၊ ၎င်းတို့စုဆောင်းထားသောဒေတာမှသာ ကောက်ချက်ဆွဲရန် သုတေသီများအတွက် စိန်ခေါ်မှုဖြစ်သည်။
- မေးခွန်းအမျိုးအစားပေါ် မူတည်သည်- အရေအတွက်ဒေတာ စုဆောင်းရာတွင် အသုံးပြုသည့် မေးခွန်းအမျိုးအစားသည် ရလဒ်များတွင် ဘက်လိုက်မှုအပေါ် သက်ရောက်မှုရှိသည်။ ကိန်းဂဏန်း အချက်အလက်များကို စုဆောင်းနေစဉ်တွင် သုတေသန၏ ရည်မှန်းချက်များနှင့် ပန်းတိုင်များကို သုတေသီ၏ နားလည်မှုသည် အရေးကြီးပါသည်။
ကောက်ချက်
Quantitative data သည် ကွဲပြားသော တွေးခေါ်မှု နှင့် ပေါင်းစပ်ထားသော ဆင်ခြင်ခြင်း မဟုတ်ပါ။ ၎င်းသည် ကိန်းဂဏာန်းနှင့် အဆက်မပြတ် အချက်အလက်များကို အလေးပေးခြင်းဖြင့် ကိန်းဂဏာန်းများ၊ ယုတ္တိဗေဒနှင့် ဦးတည်ချက်ရှုထောင့်တို့နှင့် သက်ဆိုင်သည်။
ဇယားများနှင့် ဂရပ်များတွင် ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ နိဂုံးချုပ်ချက်များကို ပြသနိုင်သည့် တစ်ခုတည်းသော ဒေတာအမျိုးအစား၊ အရေအတွက် အချက်အလက် သုတေသနသည် စေ့စေ့စပ်စပ်ဖြစ်သည်။
ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းသည် သေချာပေါက် ချို့တဲ့ပါက သင့်လေ့လာမှု၏ ဓမ္မဓိဋ္ဌာန်နှင့် စစ်မှန်မှုကို အလျှော့ပေးရုံသာမက ကောက်ချက်မတည်မငြိမ်ဖြစ်စေမည့် အရေးကြီးသော အဆင့်တစ်ခုဖြစ်သည်။ ကောင်းမွန်သောဒေတာသည် သင့်အား တိကျသောရလဒ်များထုတ်ပေးရန် ကူညီပေးပါမည်။
ထို့ကြောင့် နည်းပညာမည်သို့ပင်ဆိုစေကာမူ သင်သည် ကိန်းဂဏန်းအချက်အလက်များကို စုဆောင်းရန်အသုံးပြုသည်၊ အချက်အလက်များသည် အဖိုးတန်ပြီး အသုံးဝင်သော ထိုးထွင်းအမြင်များရရှိရန် လုံလောက်သောအရည်အသွေးဖြစ်ကြောင်း သေချာပါစေ။
တစ်ဦးစာပြန်ရန် Leave