ਅਸੀਂ ਡੇਟਾ ਨਾਲ ਘਿਰੇ ਹੋਏ ਹਾਂ, ਜੋ ਹਰ ਦਿਨ ਵੱਧ ਤੋਂ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹੋ ਰਿਹਾ ਹੈ. ਵਾਤਾਵਰਣ ਦੇ ਨਾਲ ਸਾਡੀਆਂ ਵੱਧ ਤੋਂ ਵੱਧ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਦੇ ਡੇਟਾ ਦੁਆਰਾ ਆਕਾਰ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਾਡੀ ਇੰਟਰਨੈਟ ਦੀ ਵਰਤੋਂ, ਆਟੋਮੋਬਾਈਲ ਖਰੀਦਦਾਰੀ, ਨਿਊਜ਼ ਫੀਡ ਜੋ ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਸ਼ਾਮਲ ਹਨ।
ਅਸੀਂ ਇਸ ਪੋਸਟ ਵਿੱਚ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਾਂਗੇ, ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਦੇਵਾਂਗੇ, ਇਸ ਗੱਲ ਦੀ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਗੁਣਾਤਮਕ ਅਤੇ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਕਿਵੇਂ ਵੱਖੋ-ਵੱਖ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਹੋਰ ਵੀ ਬਹੁਤ ਕੁਝ।
ਪਰ ਆਓ ਪਹਿਲਾਂ ਇੱਕ ਕਦਮ ਪਿੱਛੇ ਹਟੀਏ।
ਹਰ ਰੋਜ਼, 2.5 ਕੁਇੰਟਲੀਅਨ ਬਾਈਟ ਡੇਟਾ — ਜਿਸ ਵਿੱਚ ਟੈਸਟ ਦੇ ਨਤੀਜੇ, ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਸਕੋਰ, ਅਤੇ ਟਵੀਟਸ ਸ਼ਾਮਲ ਹਨ — ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਪਰ ਡੇਟਾ ਦਾ ਹਰ ਟੁਕੜਾ ਬਰਾਬਰ ਨਹੀਂ ਬਣਾਇਆ ਗਿਆ ਹੈ।
ਤੁਹਾਨੂੰ 1 ਤੋਂ 10 ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਸੇਵਾ, ਮੀਨੂ, ਵਾਤਾਵਰਣ ਅਤੇ ਕੀਮਤ ਨੂੰ ਦਰਜਾ ਦੇਣ ਲਈ ਪੁੱਛਣ ਵਾਲਾ ਇੱਕ ਸਰਵੇਖਣ ਤੁਹਾਨੂੰ ਤੁਹਾਡੇ ਖਾਣੇ ਦੇ ਅਨੁਭਵ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਪੁੱਛਣ ਵਾਲੇ ਇੰਟਰਵਿਊ ਨਾਲੋਂ ਵੱਖਰਾ ਡਾਟਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਇਹ ਉਹਨਾਂ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜੋ ਡੇਟਾ ਦੇ ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਵਿੱਚ ਫਰਕ ਕਰਨ ਲਈ ਅਕਸਰ ਡੇਟਾ ਸੈੱਟਾਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਇਹ ਸਮਝਦੇ ਹਨ ਕਿ ਹਰ ਇੱਕ ਤੁਹਾਡੇ ਅਧਿਐਨ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ।
ਡੇਟਾ ਵਿੱਚ ਖੋਜ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਅਕਸਰ ਇੱਕ ਖਾਸ ਸਵਾਲ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਜਿਸਦਾ ਤੁਸੀਂ ਜਵਾਬ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਜਿਵੇਂ ਕਿ:
- ਜਨਸੰਖਿਆ ਦਾ ਉਪਭੋਗਤਾ ਵਿਵਹਾਰ 'ਤੇ ਕੀ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ?
- ਕੀ ਇੱਕ ਖਾਸ ਦਰਸ਼ਕ ਇੱਕ ਉਤਪਾਦ ਜਾਂ ਸੇਵਾ ਵਿੱਚ ਇੱਕ ਸੋਧ ਲਈ ਅਨੁਕੂਲ ਜਵਾਬ ਦੇਣਗੇ?
- ਕੁਸ਼ਲਤਾ ਵਧਾਉਣ ਲਈ ਸੰਚਾਲਨ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਕਿਵੇਂ ਦੂਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
ਤੁਹਾਨੂੰ ਵਿਸ਼ੇ ਦੀ ਪ੍ਰਕਿਰਤੀ, ਤੁਹਾਡੇ ਬਜਟ, ਸਮਾਂ, ਅਤੇ ਪਹੁੰਚਯੋਗ ਸਰੋਤਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੋਏਗੀ। ਮੈਨੂੰ ਲਗਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਸਮਝ ਗਏ ਹੋ, ਠੀਕ ਹੈ?
ਚਲੋ ਹੁਣ ਸ਼ੁਰੂ ਕਰੀਏ।
ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਕੀ ਹੈ?
ਅੰਕੜਿਆਂ ਦੇ ਕਿਸੇ ਵੀ ਸੰਗ੍ਰਹਿ ਨੂੰ ਗਿਣਾਤਮਕ ਤੌਰ 'ਤੇ ਪਛਾਣਿਆ ਅਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਨੂੰ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
ਇਕੋ ਇਕ ਕਿਸਮ ਦਾ ਡੇਟਾ ਜਿਸ ਨੂੰ ਨਿਰਪੱਖ ਤੌਰ 'ਤੇ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ ਉਹ ਹੈ ਮਾਤਰਾਤਮਕ ਡੇਟਾ, ਇਸ ਨੂੰ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਬਣਾਉਂਦਾ ਹੈ ਡਾਟਾ ਦੀ ਕਿਸਮ ਗਣਿਤ ਅਤੇ ਅੰਕੜਿਆਂ ਦੋਵਾਂ ਵਿੱਚ ਵਰਤੋਂ ਲਈ।
ਇਸ ਨੂੰ ਡੇਟਾ ਦੇ ਮੁੱਲ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਇਸਨੂੰ ਗਿਣਤੀ ਜਾਂ ਸੰਖਿਆਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਹਰੇਕ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਇੱਕ ਖਾਸ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਕੋਈ ਵੀ ਮਾਪਣਯੋਗ ਜਾਣਕਾਰੀ ਜਿਸਦੀ ਵਰਤੋਂ ਅੰਕ ਗਣਿਤ ਦੇ ਅਧਾਰ 'ਤੇ ਅੰਕੜਾ ਗਣਨਾਵਾਂ ਅਤੇ ਗਣਨਾਵਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਨੂੰ ਇਸ ਕਿਸਮ ਦਾ ਡੇਟਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ਨਿਰਣੇ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਕਿੰਨੇ, ਕਿੰਨੀ ਵਾਰ, ਅਤੇ ਕਿੰਨੇ ਸਵਾਲਾਂ ਦੀਆਂ ਕੁਝ ਉਦਾਹਰਣਾਂ ਹਨ ਜੋ ਇਹ ਜਵਾਬ ਦੇ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਡੇਟਾ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਤਸਦੀਕ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਗਣਿਤਿਕ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਸਮਾਂ, ਉਚਾਈ, ਭਾਰ, ਕੀਮਤ, ਲਾਗਤ, ਲਾਭ, ਤਾਪਮਾਨ ਅਤੇ ਦੂਰੀ ਵਰਗੇ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਉਹ ਹਨ ਜੋ ਇੱਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਆਮ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ।
ਇਹ ਉਤਪਾਦ ਪ੍ਰਬੰਧਨ, ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਡਿਜ਼ਾਈਨ, ਜਾਂ ਸੌਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਪ੍ਰਤੀਸ਼ਤ, ਇੱਕ ਨੰਬਰ, ਇੱਕ ਪੰਨਾ ਲੋਡ ਸਮਾਂ, ਜਾਂ ਹੋਰ ਮੈਟ੍ਰਿਕਸ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਕਿਸੇ ਖਾਸ ਵਸਤੂ ਨੂੰ ਕਿੰਨੇ ਲੋਕਾਂ ਨੇ ਖਰੀਦਿਆ, ਖਰੀਦਦਾਰੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਦਾ ਇੱਕ ਉਦਾਹਰਨ ਹੈ। ਕਾਰਾਂ ਦੇ ਗੁਣਾਤਮਕ ਡੇਟਾ ਵਿੱਚ ਇਸ ਕੋਲ ਹਾਰਸ ਪਾਵਰ ਦੀ ਮਾਤਰਾ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀ ਹੈ।
ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਦੀਆਂ ਕਿਸਮਾਂ ਕੀ ਹਨ?
ਡੇਟਾ ਜਿਸਦੀ ਮਾਤਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਉਸਨੂੰ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਹਾਲਾਂਕਿ, ਉਸ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ ਇਹ ਹੱਥ ਵਿੱਚ ਮੌਜੂਦ ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਦੀ ਕਿਸਮ ਦੇ ਅਧਾਰ ਤੇ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ। ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਦੋ ਬੁਨਿਆਦੀ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਵੱਖਰਾ ਅਤੇ ਨਿਰੰਤਰ। ਦੋਵਾਂ ਵਿਚਕਾਰ ਮੁੱਖ ਭਿੰਨਤਾਵਾਂ ਇਸ ਪ੍ਰਕਾਰ ਹਨ:
ਵੱਖਰਾ ਡੇਟਾ
ਮਾਤਰਾਤਮਕ ਜਾਣਕਾਰੀ ਜੋ ਕਿ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ ਵਿੱਚ ਸਿਰਫ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਖਾਸ ਰੇਂਜ ਹੋ ਸਕਦੀ ਹੈ। ਇਹਨਾਂ ਮੁੱਲਾਂ ਨੂੰ ਵਿਗਾੜਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਕਿਉਂਕਿ ਇਹ ਸਥਿਰ ਹਨ।
ਜਦੋਂ ਵੀ ਕੁਝ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ, ਵੱਖਰਾ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਵਿਅਕਤੀ ਦੇ ਤਿੰਨ ਬੱਚੇ, ਉਦਾਹਰਨ ਲਈ, ਵੱਖਰੇ ਡੇਟਾ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਹੋਵੇਗੀ।
ਬੱਚਿਆਂ ਦੀ ਗਿਣਤੀ ਨਿਰਧਾਰਤ ਕੀਤੀ ਗਈ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਉਹਨਾਂ ਦੇ 3.2 ਬੱਚੇ ਨਹੀਂ ਹੋ ਸਕਦੇ।
ਤੁਹਾਡੀ ਵੈਬਸਾਈਟ 'ਤੇ ਆਉਣ ਵਾਲੇ ਵਿਜ਼ਿਟਰਾਂ ਦੀ ਗਿਣਤੀ ਵੱਖਰੇ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਦੀ ਇੱਕ ਹੋਰ ਉਦਾਹਰਣ ਹੈ; ਤੁਸੀਂ ਇੱਕ ਦਿਨ ਵਿੱਚ 150 ਮੁਲਾਕਾਤਾਂ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ 150.6 ਨਹੀਂ। ਵੱਖਰੇ ਡੇਟਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸਭ ਤੋਂ ਆਮ ਚਾਰਟ ਪਾਈ ਚਾਰਟ, ਬਾਰ ਚਾਰਟ ਅਤੇ ਟੇਲੀ ਚਾਰਟ ਹਨ।
ਲਗਾਤਾਰ ਡਾਟਾ
ਉਲਟ, ਨਿਰੰਤਰ ਡੇਟਾ ਨੂੰ ਅਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਛੋਟੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸੈਂਟੀਮੀਟਰਾਂ ਵਿੱਚ ਸਤਰ ਦੇ ਇੱਕ ਟੁਕੜੇ ਦੀ ਲੰਬਾਈ ਜਾਂ ਡਿਗਰੀ ਸੈਲਸੀਅਸ ਵਿੱਚ ਤਾਪਮਾਨ ਇਸ ਕਿਸਮ ਦੇ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਦੀਆਂ ਦੋ ਉਦਾਹਰਣਾਂ ਹਨ ਜੋ ਇੱਕ ਮਾਪਣ ਵਾਲੇ ਪੈਮਾਨੇ 'ਤੇ ਦਿਖਾਈਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।
ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ, ਨਿਰੰਤਰ ਡੇਟਾ ਸਥਿਰ ਮੁੱਲਾਂ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੁੰਦਾ; ਇਹ ਕੋਈ ਵੀ ਮੁੱਲ ਲੈ ਸਕਦਾ ਹੈ। ਨਿਰੰਤਰ ਡੇਟਾ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲ ਸਕਦਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਦਿਨ ਦੇ ਦੌਰਾਨ ਕਮਰੇ ਦਾ ਤਾਪਮਾਨ ਬਦਲ ਜਾਵੇਗਾ।
ਇੱਕ ਲਾਈਨ ਗ੍ਰਾਫ ਦੀ ਵਰਤੋਂ ਆਮ ਤੌਰ 'ਤੇ ਨਿਰੰਤਰ ਡੇਟਾ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਬਨਾਮ ਗੁਣਾਤਮਕ ਡੇਟਾ
ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਮਾਤਰਾਵਾਂ, ਮੁੱਲਾਂ ਅਤੇ ਸੰਖਿਆਵਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ। ਇਸ ਕਿਸਮ ਦੀ ਜਾਣਕਾਰੀ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਦੱਸੀ ਜਾ ਸਕਦੀ ਹੈ (ਭਾਵ, ਰਕਮ, ਮਿਆਦ, ਲੰਬਾਈ, ਕੀਮਤ, ਜਾਂ ਆਕਾਰ)।
ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਭਰੋਸੇਯੋਗਤਾਵਾਂ ਹਨ ਅਤੇ ਇਸਨੂੰ ਨਿਰਪੱਖ ਅਤੇ ਭਰੋਸੇਮੰਦ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਅੰਕੜਿਆਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਡੇਟਾ ਦੀ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਕਿਸਮ ਹੈ. ਖਾਸ ਤੌਰ 'ਤੇ, ਗੁਣਾਤਮਕ ਡੇਟਾ।
ਇਹ ਜਾਣਕਾਰੀ ਮੁੱਖ ਰੂਪ ਵਿੱਚ ਵਰਣਨਯੋਗ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਇਸਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਪਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਪਰ ਨਿਰੀਖਣ ਦੁਆਰਾ ਸਿੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਗੁਣਾਤਮਕ ਡੇਟਾ ਵਿੱਚ ਦਿੱਖ, ਰੰਗ, ਬਣਤਰ ਅਤੇ ਹੋਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਣਾਂ ਅਤੇ ਹੋਰ ਵਿਆਖਿਆਤਮਿਕ ਸ਼ਬਦਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਤੁਸੀਂ ਇਹ ਦਲੀਲ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਇੱਕ ਕਮਰਾ ਦੂਜੇ ਨਾਲੋਂ ਚਮਕਦਾਰ ਹੈ।
ਇਹ ਜਾਣਕਾਰੀ ਗੁਣਾਤਮਕ ਹੈ। ਕਮਰੇ ਵਿੱਚ ਚਮਕ ਨੂੰ ਅਸਲ ਵਿੱਚ ਮਾਪਣ ਲਈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸੰਖਿਆਤਮਕ ਸੰਖਿਆ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਵਿਗਿਆਨਕ ਉਪਕਰਨ ਅਤੇ ਉਪਕਰਣ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਰੋਸ਼ਨੀ ਮੀਟਰ) ਵੀ ਲਗਾ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਇਸ ਨੂੰ ਕਰ ਕੇ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ।
ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ 5 ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ
1. ਸੰਭਾਵਨਾ ਨਮੂਨਾ
ਇੱਕ ਸਟੀਕ ਨਮੂਨਾ ਤਕਨੀਕ ਜੋ ਕਿਸੇ ਕਿਸਮ ਦੀ ਬੇਤਰਤੀਬ ਚੋਣ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਉਦੇਸ਼ਿਤ ਦਰਸ਼ਕਾਂ ਤੋਂ ਬੇਤਰਤੀਬ ਤੌਰ 'ਤੇ ਇਕੱਠੀ ਕੀਤੀ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਸੰਭਾਵਨਾ ਦਾ ਦਾਅਵਾ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।
ਸੰਭਾਵੀ ਨਮੂਨਾ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਵਿਅਕਤੀਆਂ ਤੋਂ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਦਾ ਮੌਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਸਮੂਹ ਦੇ ਖਾਸ ਹੁੰਦੇ ਹਨ ਜਿਸਦੀ ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਦਿਲਚਸਪੀ ਹੈ, ਜੋ ਕਿ ਇਸਦੀ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਚੁਣੇ ਗਏ ਨਮੂਨੇ ਤੋਂ ਡੇਟਾ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਖਿੱਚਿਆ ਗਿਆ ਸੀ, ਜੋ ਨਮੂਨਾ ਲੈਣ ਦੇ ਪੱਖਪਾਤ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।
ਸੰਭਾਵੀ ਨਮੂਨੇ ਲਈ, ਤਿੰਨ ਮੁੱਖ ਸ਼੍ਰੇਣੀਆਂ ਹਨ।
- ਸਧਾਰਨ ਬੇਤਰਤੀਬ ਨਮੂਨਾ: ਨਮੂਨੇ ਵਿੱਚ ਦਰਸਾਉਣ ਲਈ ਇੱਛਤ ਆਬਾਦੀ ਨੂੰ ਅਕਸਰ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ।
- ਵਿਵਸਥਿਤ ਬੇਤਰਤੀਬ ਨਮੂਨਾ: ਨਮੂਨੇ ਵਿੱਚ ਲੋੜੀਦੀ ਆਬਾਦੀ ਦੇ ਕਿਸੇ ਵੀ ਮੈਂਬਰ ਨੂੰ ਦਰਸਾਇਆ ਜਾਵੇਗਾ, ਪਰ ਸਿਰਫ਼ ਪਹਿਲੀ ਇਕਾਈ ਨੂੰ ਬੇਤਰਤੀਬੇ 'ਤੇ ਚੁਣਿਆ ਗਿਆ ਹੈ; ਦੂਜੀਆਂ ਇਕਾਈਆਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਸੂਚੀ ਵਿੱਚ ਦਸ ਵਿਅਕਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ।
- ਸਤਰਬੱਧ ਬੇਤਰਤੀਬ ਨਮੂਨਾ: ਇੱਕ ਨਮੂਨਾ ਬਣਾਉਣ ਵੇਲੇ, ਇਰਾਦੇ ਵਾਲੇ ਦਰਸ਼ਕਾਂ ਦੇ ਇੱਕ ਖਾਸ ਸਬਸੈੱਟ ਵਿੱਚੋਂ ਹਰੇਕ ਯੂਨਿਟ ਨੂੰ ਚੁਣਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਉਦੋਂ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਖੋਜਕਰਤਾ ਨਮੂਨੇ ਵਿੱਚ ਲੋਕਾਂ ਦੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸਮੂਹ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਬਾਰੇ ਸੋਚਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਿਰਫ਼ ਪ੍ਰਬੰਧਕ ਜਾਂ ਕਾਰਜਕਾਰੀ, ਕਿਸੇ ਦਿੱਤੇ ਉਦਯੋਗ ਵਿੱਚ ਕੰਮ ਕਰਨ ਵਾਲੇ ਲੋਕ, ਜਾਂ ਮਰਦ ਜਾਂ ਔਰਤਾਂ।
2. ਇੰਟਰਵਿਊਜ਼
ਆਮ ਤੌਰ 'ਤੇ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਲੋਕਾਂ ਦੀ ਇੰਟਰਵਿਊ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੰਟਰਵਿਊਆਂ, ਹਾਲਾਂਕਿ, ਗਿਣਾਤਮਕ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਵਧੇਰੇ ਸੰਗਠਿਤ ਹੁੰਦੀਆਂ ਹਨ, ਖੋਜਕਰਤਾ ਸਿਰਫ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਨਿਰਧਾਰਤ ਸਮੂਹ ਨੂੰ ਪੁੱਛਦੇ ਹਨ ਅਤੇ ਹੋਰ ਕੁਝ ਨਹੀਂ.
ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਇੰਟਰਵਿਊਆਂ ਦੀਆਂ ਤਿੰਨ ਮੁੱਖ ਸ਼੍ਰੇਣੀਆਂ ਹਨ।
- ਟੈਲੀਫ਼ੋਨ ਇੰਟਰਵਿਊਜ਼: ਟੈਲੀਫ਼ੋਨ ਇੰਟਰਵਿਊਜ਼ ਨੇ ਕਈ ਸਾਲਾਂ ਤੋਂ ਡਾਟਾ ਇਕੱਤਰ ਕਰਨ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੇ ਚਾਰਟ 'ਤੇ ਹਾਵੀ ਰਿਹਾ। ਪਰ ਇੰਟਰਨੈਟ, ਸਕਾਈਪ, ਜਾਂ ਹੋਰ ਔਨਲਾਈਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਵੀਡੀਓ ਕਾਨਫਰੰਸਿੰਗ ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਵੀਡੀਓ ਇੰਟਰਵਿਊ ਕਰਨ ਲਈ ਸੇਵਾਵਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਵਾਧਾ ਹੋਇਆ ਹੈ।
- ਵਿਅਕਤੀਗਤ ਇੰਟਰਵਿਊਆਂ: ਸਿੱਧੇ ਭਾਗੀਦਾਰ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਨ ਦਾ ਇੱਕ ਅਜ਼ਮਾਇਆ ਅਤੇ ਸਹੀ ਤਰੀਕਾ ਹੈ। ਇਹ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਿਆਪਕ ਅਤੇ ਵਿਦਿਅਕ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਡੂੰਘਾਈ ਨਾਲ ਪੁੱਛਗਿੱਛ ਅਤੇ ਵਾਧੂ ਜਾਂਚ ਲਈ ਜਗ੍ਹਾ ਦਿੰਦਾ ਹੈ। ਭਾਗੀਦਾਰ ਦੀ ਸਾਖਰਤਾ ਦਾ ਪੱਧਰ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਫੇਸ-ਟੂ-ਫੇਸ (F2F) ਸਰਵੇਖਣ ਗੈਰ-ਮੌਖਿਕ ਡੇਟਾ ਨੂੰ ਦੇਖਣ ਅਤੇ ਇਕੱਠੇ ਕਰਨ ਜਾਂ ਗੁੰਝਲਦਾਰ ਅਤੇ ਅਣਸੁਲਝੇ ਵਿਸ਼ਿਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ ਇਹ ਇੱਕ ਮਹਿੰਗਾ ਅਤੇ ਸਮਾਂ ਬਰਬਾਦ ਕਰਨ ਵਾਲਾ ਪਹੁੰਚ ਹੋ ਸਕਦਾ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ ਆਹਮੋ-ਸਾਹਮਣੇ ਇੰਟਰਵਿਊਆਂ ਵਿੱਚ ਜਵਾਬ ਦਰਾਂ ਵੱਧ ਹੁੰਦੀਆਂ ਹਨ।
- ਕੰਪਿਊਟਰ-ਅਸਿਸਟਡ ਪਰਸਨਲ ਇੰਟਰਵਿਊਿੰਗ (CAPI): ਇਹ ਇੱਕ ਸੈਟਿੰਗ ਤੋਂ ਵੱਧ ਕੁਝ ਨਹੀਂ ਹੈ ਜੋ ਇੱਕ ਆਹਮੋ-ਸਾਹਮਣੇ ਇੰਟਰਵਿਊ ਨਾਲ ਤੁਲਨਾਯੋਗ ਹੈ ਜਿੱਥੇ ਇੰਟਰਵਿਊਰ ਦੇ ਕੋਲ ਇੱਕ ਡੈਸਕਟਾਪ ਜਾਂ ਲੈਪਟਾਪ ਹੁੰਦਾ ਹੈ ਤਾਂ ਜੋ ਇੰਟਰਵਿਊ ਦੌਰਾਨ ਇਕੱਠੇ ਕੀਤੇ ਡੇਟਾ ਨੂੰ ਸਿੱਧਾ ਡੇਟਾਬੇਸ ਵਿੱਚ ਅੱਪਲੋਡ ਕੀਤਾ ਜਾ ਸਕੇ। ਇੰਟਰਵਿਊਰ ਨੂੰ ਕਾਗਜ਼ੀ ਕਾਰਵਾਈ ਅਤੇ ਪ੍ਰਸ਼ਨਾਵਲੀ ਦੀ ਇੱਕ ਟਨ ਨਾਲ ਨਾ ਹੋਣ ਦੇ ਕਾਰਨ, CAPI ਡੇਟਾ ਨੂੰ ਅਪਡੇਟ ਕਰਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਮੇਂ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਰੂਪ ਵਿੱਚ ਘਟਾਉਂਦਾ ਹੈ।
3. ਨਿਰੀਖਣ
ਜਿਵੇਂ ਕਿ ਨਾਮ ਤੋਂ ਭਾਵ ਹੈ, ਇਹ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਆਸਾਨ ਅਤੇ ਗੁੰਝਲਦਾਰ ਤਕਨੀਕ ਹੈ।
ਇਸ ਪਹੁੰਚ ਵਿੱਚ, ਖੋਜਕਰਤਾ ਇੱਕ ਨਿਸ਼ਚਤ ਸਮੇਂ ਅਤੇ ਇੱਕ ਖਾਸ ਸਥਾਨ 'ਤੇ ਇੱਕ ਦਿੱਤੇ ਗਏ ਸਮਾਗਮ ਵਿੱਚ ਮੌਜੂਦ ਵਿਅਕਤੀਆਂ ਦੀ ਗਿਣਤੀ ਜਾਂ ਇੱਕ ਪਰਿਭਾਸ਼ਿਤ ਸਥਾਨ ਵਿੱਚ ਸਮਾਗਮ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਦੀ ਗਿਣਤੀ ਵਰਗੀਆਂ ਪਹੁੰਚਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਧੀਗਤ ਨਿਰੀਖਣਾਂ ਦੁਆਰਾ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਇਕੱਤਰ ਕਰਦੇ ਹਨ।
ਖੋਜਕਰਤਾ ਅਕਸਰ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਕੁਦਰਤੀ ਨਿਰੀਖਣ ਰਣਨੀਤੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ "ਕੀ" ਅਤੇ "ਕਿਉਂ" ਅਤੇ "ਕਿਵੇਂ" ਦੇ ਬਾਰੇ ਵਿੱਚ ਨਹੀਂ, ਸਿਰਫ "ਕੀ" ਬਾਰੇ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸ਼ਾਨਦਾਰ ਨਿਰੀਖਣ ਯੋਗਤਾਵਾਂ ਅਤੇ ਇੰਦਰੀਆਂ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ।
ਗੁਣਾਤਮਕ ਅਤੇ ਮਾਤਰਾਤਮਕ ਦੋਵਾਂ ਡੇਟਾ ਦਾ ਸੰਗ੍ਰਹਿ ਕੁਦਰਤੀ ਨਿਰੀਖਣ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਢਾਂਚਾਗਤ ਨਿਰੀਖਣ ਜ਼ਿਆਦਾਤਰ ਗੁਣਾਤਮਕ ਜਾਣਕਾਰੀ ਦੀ ਬਜਾਏ ਮਾਤਰਾਤਮਕ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਨ ਲਈ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ, ਹਾਲਾਂਕਿ।
- ਢਾਂਚਾਗਤ ਨਿਰੀਖਣ: ਪ੍ਰਕਿਰਤੀਵਾਦੀ ਜਾਂ ਭਾਗੀਦਾਰ ਨਿਰੀਖਣ ਦੇ ਉਲਟ, ਨਿਰੀਖਣ ਵਿਧੀ ਦੇ ਇਸ ਰੂਪ ਲਈ ਖੋਜਕਰਤਾ ਨੂੰ ਵਧੇਰੇ ਵਿਆਪਕ ਜਾਂ ਨਿਯੰਤਰਿਤ ਸੰਦਰਭ ਵਿੱਚ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਨਿਰਧਾਰਤ ਵਿਵਹਾਰਾਂ ਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਿਰੀਖਣ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਢਾਂਚਾਗਤ ਨਿਰੀਖਣ ਵਿੱਚ, ਖੋਜਕਰਤਾ ਸਭ ਕੁਝ ਦੇਖਣ ਦੀ ਬਜਾਏ ਦਿਲਚਸਪੀ ਦੇ ਕੁਝ ਮੁੱਖ ਵਿਵਹਾਰਾਂ ਵੱਲ ਆਪਣਾ ਧਿਆਨ ਘੱਟ ਕਰਦੇ ਹਨ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਵਿਵਹਾਰਾਂ ਨੂੰ ਸੰਖਿਆ ਵਿੱਚ ਰੱਖਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਉਹ ਦੇਖ ਰਹੇ ਹਨ। ਇਸ ਨੂੰ ਕਈ ਵਾਰ "ਕੋਡਿੰਗ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਨਿਰੀਖਣ ਨਿਰੀਖਕਾਂ ਨੂੰ ਨਿਰਣਾ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹਨ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਟੀਚੇ ਦੇ ਵਿਵਹਾਰਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਠੀਕ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
4. ਸਰਵੇਖਣ
ਸਰਵੇਖਣ ਸਾਫਟਵੇਅਰ ਨਾਲ ਕੀਤੇ ਗਏ ਔਨਲਾਈਨ ਸਰਵੇਖਣ ਗਿਣਾਤਮਕ ਅਤੇ ਗੁਣਾਤਮਕ ਖੋਜ ਦੋਵਾਂ ਲਈ ਔਨਲਾਈਨ ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹਨ। ਸਰਵੇਖਣ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਬਣਾਏ ਗਏ ਹਨ ਜੋ ਜਵਾਬ ਦੇਣ ਵਾਲਿਆਂ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਅਤੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਦੇ ਹਨ।
ਜ਼ਿਆਦਾਤਰ ਮਾਤਰਾਤਮਕ ਸਰਵੇਖਣਾਂ ਵਿੱਚ ਅਕਸਰ ਚੈਕਲਿਸਟ ਅਤੇ ਰੇਟਿੰਗ ਸਕੇਲ ਆਈਟਮਾਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਉਹ ਉੱਤਰਦਾਤਾਵਾਂ ਦੇ ਰਵੱਈਏ ਅਤੇ ਵਿਵਹਾਰ ਨੂੰ ਮਾਪਣਾ ਆਸਾਨ ਬਣਾਉਂਦੇ ਹਨ।
ਮਾਤਰਾਤਮਕ ਮਾਰਕੀਟ ਖੋਜ ਲਈ ਔਨਲਾਈਨ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕਰਨ ਲਈ ਦੋ ਮਹੱਤਵਪੂਰਨ ਸਰਵੇਖਣ ਸ਼ੈਲੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਵੈੱਬ-ਆਧਾਰਿਤ: ਇੰਟਰਨੈਟ-ਅਧਾਰਿਤ ਜਾਂ ਔਨਲਾਈਨ ਖੋਜ ਲਈ, ਇਹ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਅਤੇ ਭਰੋਸੇਮੰਦ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਵੈੱਬ-ਅਧਾਰਿਤ ਸਰਵੇਖਣ ਦਾ ਜਵਾਬ ਦੇਣ ਵੇਲੇ, ਉੱਤਰਦਾਤਾ ਨੂੰ ਸਰਵੇਖਣ ਦੇ ਲਿੰਕ ਦੇ ਨਾਲ ਇੱਕ ਈਮੇਲ ਪ੍ਰਾਪਤ ਹੋਵੇਗੀ, ਜਿਸ 'ਤੇ ਕਲਿੱਕ ਕਰਨ ਨਾਲ ਉਹ ਇੱਕ ਸੁਰੱਖਿਅਤ ਔਨਲਾਈਨ ਸਰਵੇਖਣ ਪਲੇਟਫਾਰਮ 'ਤੇ ਲੈ ਜਾਣਗੇ ਜਿੱਥੇ ਉਹ ਸਰਵੇਖਣ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦੇ ਹਨ। ਖੋਜਕਰਤਾ ਵੈੱਬ-ਅਧਾਰਿਤ ਸਰਵੇਖਣਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਵਧੇਰੇ ਸਮਾਂ ਅਤੇ ਪੈਸਾ ਕੁਸ਼ਲ, ਤੇਜ਼ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਵਿਸ਼ਾਲ ਦਰਸ਼ਕ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਡੈਸਕਟੌਪ, ਲੈਪਟਾਪ, ਟੈਬਲੇਟ, ਜਾਂ ਮੋਬਾਈਲ ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਉੱਤਰਦਾਤਾ ਸਰਵੇਖਣ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਸੁਤੰਤਰ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਵੀ ਇਹ ਉਹਨਾਂ ਲਈ ਸੁਵਿਧਾਜਨਕ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਹ ਇੱਕ ਵੈਬ-ਆਧਾਰਿਤ ਪ੍ਰਸ਼ਨਾਵਲੀ ਦਾ ਮੁੱਖ ਫਾਇਦਾ ਹੈ।
- ਮੇਲ-ਆਧਾਰਿਤ: ਸਰਵੇਖਣ ਨਮੂਨੇ ਦੀ ਆਬਾਦੀ ਦੇ ਇੱਕ ਵੱਡੇ ਹਿੱਸੇ ਨੂੰ ਡਾਕ ਰਾਹੀਂ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ, ਖੋਜਕਰਤਾ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਦਰਸ਼ਕਾਂ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਡਾਕ ਪ੍ਰਸ਼ਨਾਵਲੀ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਕਵਰ ਪੇਜ ਦੇ ਨਾਲ ਇੱਕ ਪੈਕੇਟ ਵਿੱਚ ਆਉਂਦੀ ਹੈ ਜੋ ਦਰਸ਼ਕਾਂ ਨੂੰ ਔਨਲਾਈਨ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਕੀਤੇ ਜਾ ਰਹੇ ਅਧਿਐਨ ਦੀ ਕਿਸਮ ਅਤੇ ਕਿਉਂ, ਨਾਲ ਹੀ ਪ੍ਰੀ-ਪੇਡ ਵਾਪਸੀ ਬਾਰੇ ਸੂਚਿਤ ਕਰਦੀ ਹੈ। ਭਾਵੇਂ ਕਿ ਮੇਲ ਵਿੱਚ ਹੋਰ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨਾਲੋਂ ਵੱਧ ਰਿੜਕਣ ਦੀ ਦਰ ਹੈ, ਸਰਵੇਖਣ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਪ੍ਰੋਤਸਾਹਨ ਅਤੇ ਰੀਮਾਈਂਡਰ ਸਮੇਤ, ਮੰਥਨ ਦਰ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
5. ਦਸਤਾਵੇਜ਼ੀ ਸਮੀਖਿਆ
ਮੌਜੂਦਾ ਕਾਗਜ਼ਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਦਸਤਾਵੇਜ਼ ਸਮੀਖਿਆ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਕਿਉਂਕਿ ਦਸਤਾਵੇਜ਼ ਨਿਯੰਤਰਣਯੋਗ ਹਨ ਅਤੇ ਅਤੀਤ ਤੋਂ ਸਹੀ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਿਹਾਰਕ ਸਰੋਤ ਹਨ, ਇਹ ਡੇਟਾ ਇਕੱਤਰ ਕਰਨ ਦਾ ਇੱਕ ਕੁਸ਼ਲ ਅਤੇ ਸਫਲ ਤਰੀਕਾ ਹੈ।
ਪੂਰਕ ਖੋਜ ਡੇਟਾ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਕੇ ਅਧਿਐਨ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਅਤੇ ਸਮਰਥਨ ਕਰਨ ਦੇ ਨਾਲ-ਨਾਲ, ਦਸਤਾਵੇਜ਼ ਸਮੀਖਿਆ ਮਾਤਰਾਤਮਕ ਖੋਜ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਉਪਯੋਗੀ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣ ਗਈ ਹੈ।
ਪੂਰਕ ਮਾਤਰਾਤਮਕ ਖੋਜ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਦੇ ਉਦੇਸ਼ ਲਈ, ਤਿੰਨ ਮੁੱਖ ਦਸਤਾਵੇਜ਼ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ।
- ਜਨਤਕ ਦਸਤਾਵੇਜ਼: ਇਸ ਦਸਤਾਵੇਜ਼ ਸਮੀਖਿਆ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਅਤਿਰਿਕਤ ਜਾਂਚ ਲਈ ਕਿਸੇ ਸੰਸਥਾ ਦੇ ਅਧਿਕਾਰਤ, ਨਿਰੰਤਰ ਰਿਕਾਰਡਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਸਾਲਾਨਾ ਰਿਪੋਰਟਾਂ, ਨੀਤੀ ਗਾਈਡਾਂ, ਵਿਦਿਆਰਥੀ ਸਮਾਗਮਾਂ, ਯੂਨੀਵਰਸਿਟੀ ਦੀਆਂ ਖੇਡਾਂ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ, ਆਦਿ।
- ਨਿੱਜੀ ਰਿਕਾਰਡ: ਇਸ ਕਿਸਮ ਦਾ ਦਸਤਾਵੇਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਜਨਤਕ ਰਿਕਾਰਡਾਂ ਦੇ ਉਲਟ ਲੋਕਾਂ ਦੇ ਵਿਵਹਾਰ, ਆਚਰਣ, ਸਿਹਤ, ਸਰੀਰ, ਆਦਿ ਦੀਆਂ ਨਿੱਜੀ ਰਿਪੋਰਟਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਆਕਾਰ ਅਤੇ ਭਾਰ, ਵਿਦਿਆਰਥੀ ਸਕੂਲ ਜਾਣ ਲਈ ਕਿੰਨਾ ਸਮਾਂ ਲੈਂਦੇ ਹਨ, ਆਦਿ।
- ਭੌਤਿਕ ਸਬੂਤ: ਭੌਤਿਕ ਸਬੂਤ ਜਾਂ ਰਿਕਾਰਡ ਪੈਸੇ ਅਤੇ ਸਕੇਲੇਬਲ ਵਾਧੇ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਕਿਸੇ ਵਿਅਕਤੀ ਜਾਂ ਸੰਸਥਾ ਦੀਆਂ ਪਿਛਲੀਆਂ ਸਫਲਤਾਵਾਂ ਨਾਲ ਗੱਲ ਕਰਦੇ ਹਨ।
ਮਾਤਰਾਤਮਕ ਉਦਾਹਰਨਾਂ
ਇੱਥੇ ਤੁਹਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਦੀਆਂ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਿੱਤੀਆਂ ਗਈਆਂ ਹਨ ਕਿ ਇਹ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ:
- ਸਭ ਤੋਂ ਨਵੀਂ ਮੋਬਾਈਲ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ 83 ਵਿਅਕਤੀਆਂ ਦੁਆਰਾ ਡਾਊਨਲੋਡ ਕੀਤਾ ਗਿਆ ਹੈ।
- ਪਿਛਲੇ ਸਾਲ, ਮੇਰੀ ਮਾਸੀ ਨੇ 18 ਪੌਂਡ ਵਹਾਇਆ।
- ਆਈਟਮ X ਦੀ ਕੀਮਤ $1,000 ਹੈ।
- ਸਮਾਗਮ ਵਿੱਚ 500 ਪ੍ਰਤੀਯੋਗੀਆਂ ਨੇ ਭਾਗ ਲਿਆ।
- ਇਸ ਸਾਲ ਉਸ ਦੀਆਂ ਦਸ ਛੁੱਟੀਆਂ ਹਨ।
- ਇੱਕ ਤਿਮਾਹੀ ਵਿੱਚ, ਮੈਂ ਆਪਣੇ ਫ਼ੋਨ ਨੂੰ ਛੇ ਵਾਰ ਅੱਪਗ੍ਰੇਡ ਕੀਤਾ।
- ਪਿਛਲੇ ਸਾਲ, ਮੇਰਾ ਨੌਜਵਾਨ 3 ਇੰਚ ਵਧਿਆ।
- ਇੱਕ ਨਵੇਂ ਉਤਪਾਦ ਨੂੰ ਜੋੜਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਆਮਦਨ ਵਿੱਚ 30% ਵਾਧਾ ਹੋਵੇਗਾ।
- 54% ਅਮਰੀਕੀਆਂ ਨੇ ਕਿਹਾ ਕਿ ਉਹ ਕਿਸੇ ਮਾਲ ਦੀ ਬਜਾਏ ਔਨਲਾਈਨ ਖਰੀਦਣਗੇ।
- 150 ਉੱਤਰਦਾਤਾਵਾਂ ਨੇ ਕਿਹਾ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਨਹੀਂ ਲੱਗਦਾ ਕਿ ਨਵੀਂ ਉਤਪਾਦ ਵਿਸ਼ੇਸ਼ਤਾ ਇੱਕ ਹਿੱਟ ਹੋਵੇਗੀ।
ਫਾਇਦੇ
- ਡੂੰਘਾਈ ਨਾਲ ਅਧਿਐਨ ਕਰੋ: ਇਹ ਬਹੁਤ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਖੋਜ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਹੋਵੇਗੀ, ਕਿਉਂਕਿ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਦੀ ਅੰਕੜਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਘੱਟੋ-ਘੱਟ ਪੱਖਪਾਤ: ਕਈ ਵਾਰ ਅਜਿਹਾ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਨਿੱਜੀ ਪੱਖਪਾਤ ਖੋਜ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ ਅਤੇ ਗਲਤ ਨਤੀਜਿਆਂ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ। ਵਿਅਕਤੀਗਤ ਪੱਖਪਾਤ ਗਿਣਾਤਮਕ ਡੇਟਾ ਦੇ ਸੰਖਿਆਤਮਕ ਪਹਿਲੂ ਦੁਆਰਾ ਬਹੁਤ ਘੱਟ ਗਿਆ ਹੈ।
- ਨਤੀਜੇ ਜੋ ਸਟੀਕ ਹਨ: ਕਿਉਂਕਿ ਨਤੀਜੇ ਕੁਦਰਤ ਵਿੱਚ ਉਦੇਸ਼ ਸਨ, ਉਹ ਕਾਫ਼ੀ ਸਟੀਕ ਸਨ।
ਨੁਕਸਾਨ
- ਪ੍ਰਤਿਬੰਧਿਤ ਜਾਣਕਾਰੀ: ਕਿਉਂਕਿ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਵਰਣਨਯੋਗ ਨਹੀਂ ਹੈ, ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਉਹਨਾਂ ਦੁਆਰਾ ਇਕੱਠੇ ਕੀਤੇ ਡੇਟਾ ਤੋਂ ਹੀ ਸਿੱਟਾ ਕੱਢਣਾ ਚੁਣੌਤੀਪੂਰਨ ਹੈ।
- ਪ੍ਰਸ਼ਨ ਦੀ ਕਿਸਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ: ਗਿਣਾਤਮਕ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਪ੍ਰਸ਼ਨ ਕਿਸਮ ਨਤੀਜਿਆਂ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ। ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਦੇ ਸਮੇਂ, ਖੋਜ ਦੇ ਉਦੇਸ਼ਾਂ ਅਤੇ ਟੀਚਿਆਂ ਬਾਰੇ ਖੋਜਕਰਤਾ ਦੀ ਸਮਝ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਸਿੱਟਾ
ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਵਿਭਿੰਨ ਸੋਚ ਬਾਰੇ ਹੈ, ਨਾ ਕਿ ਕਨਵਰਜੈਂਟ ਤਰਕ ਬਾਰੇ। ਇਹ ਸੰਖਿਆਤਮਕ ਅਤੇ ਨਿਰੰਤਰ ਤੱਥਾਂ 'ਤੇ ਜ਼ੋਰ ਦੇ ਕੇ ਸੰਖਿਆਤਮਕ, ਤਰਕ ਅਤੇ ਉਦੇਸ਼ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨਾਲ ਨਜਿੱਠਦਾ ਹੈ।
ਇੱਕੋ ਇੱਕ ਡੇਟਾ ਕਿਸਮ ਜੋ ਚਾਰਟ ਅਤੇ ਗ੍ਰਾਫਾਂ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਿੱਟੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਦੇ ਯੋਗ ਹੋ ਸਕਦੀ ਹੈ, ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਖੋਜ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹੈ।
ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ, ਜੇਕਰ ਇਸਦੀ ਘਾਟ ਹੈ, ਤਾਂ ਨਾ ਸਿਰਫ਼ ਤੁਹਾਡੇ ਅਧਿਐਨ ਦੀ ਨਿਰਪੱਖਤਾ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕਰ ਸਕਦਾ ਹੈ, ਸਗੋਂ ਸਿੱਟੇ ਨੂੰ ਅਸਥਿਰ ਵੀ ਬਣਾ ਸਕਦਾ ਹੈ। ਚੰਗਾ ਡੇਟਾ ਸਹੀ ਨਤੀਜੇ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰੇਗਾ।
ਇਸ ਲਈ, ਤਕਨੀਕ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਤੁਸੀਂ ਮਾਤਰਾਤਮਕ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਵਰਤਦੇ ਹੋ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਜਾਣਕਾਰੀ ਕੀਮਤੀ ਅਤੇ ਉਪਯੋਗੀ ਸੂਝ ਪੈਦਾ ਕਰਨ ਲਈ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੀ ਹੈ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ