ਡੇਟਾ-ਅਧਾਰਿਤ ਫੈਸਲੇ ਅਤੇ ਜਨਤਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਲਾਭ:

• ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਗੁਣਵੱਤਾ, ਗੁਪਤਤਾ ਅਤੇ ਵਿਆਖਿਆ ਦੇ ਖਤਰਿਆਂ ਨੂੰ ਪਛਾਣਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸੁਰੱਖਿਅਤ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਵਾਹ ਸਥਾਪਤ ਕਰਦਾ ਹੈ।
• ਇਹ ਇੱਕ ਉਦੇਸ਼ ਲਈ ਸਹੀ ਸੰਕੇਤਕ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ, ਗੁੰਮਰਾਹਕੁੰਨ ਸਿੰਗਲ ਸੂਚਕਾਂ ਅਤੇ ਮਾਪਾਂ ਵਿੱਚ ਫਰਕ ਕਰਦਾ ਹੈ ਜੋ ਹੇਰਾਫੇਰੀ ਲਈ ਖੁੱਲ੍ਹੇ ਹਨ।
• ਇਹ ਗੁੰਮਰਾਹਕੁੰਨ ਚਾਰਟ ਤਕਨੀਕਾਂ (ਧੁਰਾ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਨਹੀਂ, ਚੁਣੀ ਗਈ ਰੇਂਜ) ਨੂੰ ਪਛਾਣਦਾ ਹੈ ਅਤੇ ਇਮਾਨਦਾਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦਾ ਨਿਰੀਖਣ ਕਰਦਾ ਹੈ।

ਜਨਤਾ ਹਰ ਰੋਜ਼ ਡੇਟਾ ਤਿਆਰ ਕਰਦੀ ਹੈ: ਐਪਲੀਕੇਸ਼ਨ ਨੰਬਰ, ਹੱਲ ਸਮਾਂ, ਬਜਟ ਆਈਟਮਾਂ, ਆਬਾਦੀ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ, ਸੇਵਾ ਬੇਨਤੀਆਂ, ਆਡਿਟ ਨਤੀਜੇ, ਸੰਤੁਸ਼ਟੀ ਸਰਵੇਖਣ। ਇਸ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ, ਫਾਰਮਾਂ, ਅਤੇ ਰਿਕਾਰਡਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਬੈਠਦਾ ਹੈ, ਪਰ ਫੈਸਲਿਆਂ ਵਿੱਚ ਅਨੁਵਾਦ ਨਹੀਂ ਹੁੰਦਾ — ਕਿਉਂਕਿ ਇਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਮੁਹਾਰਤ ਅਤੇ ਸਮੇਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਡੇਟਾ-ਅਧਾਰਿਤ ਫੈਸਲੇ ਲੈਣ (ਰਾਇ ਜਾਂ ਆਦਤ ਦੀ ਬਜਾਏ ਮਾਪੇ ਗਏ ਸਬੂਤਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਸਰੋਤਾਂ ਦੀ ਵੰਡ ਅਤੇ ਨੀਤੀ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਪਹੁੰਚ) ਜਨਤਕ ਖੇਤਰ ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਅਤੇ ਨਿਰਪੱਖਤਾ ਦੋਵਾਂ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ: ਸੰਖਿਆਵਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਸੰਸਾਧਨਾਂ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ, AI ਇੱਕ ਸਾਰਣੀ ਨੂੰ ਸਮਝਣ, ਪੈਟਰਨਾਂ ਅਤੇ ਵਿਗਾੜਾਂ ਨੂੰ ਲੱਭਣ, ਸੰਖੇਪ ਅੰਕੜੇ ਕੱਢਣ ਅਤੇ ਖੋਜਾਂ ਨੂੰ ਸਧਾਰਨ ਵਾਕਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਕੱਚੇ ਜਨਤਕ ਡੇਟਾ ਤੋਂ AI ਦੇ ਨਾਲ ਇੱਕ ਬਚਾਅ ਯੋਗ ਫੈਸਲੇ ਤੱਕ ਦਾ ਰਸਤਾ ਕਿਵੇਂ ਛੋਟਾ ਕਰਨਾ ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਪਹਿਲੂ ਵਿੱਚ ਅਨੁਸ਼ਾਸਿਤ ਰਹਿਣਾ ਹੈ - ਸੰਖਿਆ ਦੀ ਸਹੀ ਵਿਆਖਿਆ।

ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਤਿੰਨ ਖ਼ਤਰੇ

ਡੇਟਾ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਸ ਵਿੱਚ ਤਿੰਨ ਜਾਲ ਹਨ, ਅਤੇ AI ਇਹਨਾਂ ਜਾਲਾਂ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਵੱਡਾ ਕਰ ਸਕਦਾ ਹੈ:

1. ਸਬੰਧ ≠ ਕਾਰਨ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਦੋ ਚੀਜ਼ਾਂ ਇਕੱਠੀਆਂ ਬਦਲਦੀਆਂ ਹਨ, ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇੱਕ ਦੂਜੇ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਆਈਸ ਕਰੀਮ ਦੀ ਵਿਕਰੀ ਅਤੇ ਡੁੱਬਣ ਦੀ ਗਿਣਤੀ ਵੱਧ ਰਹੀ ਹੈ - ਕਿਉਂਕਿ ਇਹ ਦੋਵੇਂ ਗਰਮੀਆਂ ਦੀ ਗਰਮੀ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ, ਇੱਕ ਦੂਜੇ ਦਾ ਕਾਰਨ ਨਹੀਂ ਬਣ ਰਿਹਾ। AI ਚੰਗੀ ਤਰ੍ਹਾਂ "ਕਿਉਂਕਿ" ਵਾਕਾਂ ਦਾ ਨਿਰਮਾਣ ਕਰਦਾ ਹੈ; ਕਾਰਨ ਦੇ ਹਰ ਦਾਅਵੇ 'ਤੇ ਸਵਾਲ ਉਠਾਓ।
2. ਪੱਖਪਾਤੀ/ਗੁੰਮ ਡੇਟਾ। ਕਿਸ ਤੋਂ ਅਤੇ ਕਿਵੇਂ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ? ਸ਼ਿਕਾਇਤ ਡੇਟਾ ਸਿਰਫ ਉਹਨਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਸ਼ਿਕਾਇਤ ਕਰ ਸਕਦੇ ਹਨ; ਡਿਜ਼ੀਟਲ ਐਪਲੀਕੇਸ਼ਨ ਡੇਟਾ ਜਿਨ੍ਹਾਂ ਕੋਲ ਇੰਟਰਨੈਟ ਦੀ ਪਹੁੰਚ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਗੁੰਮ ਹੋਏ ਸਮੂਹ ਨੂੰ ਨਹੀਂ ਦੇਖਦੇ, ਤਾਂ ਫੈਸਲਾ ਪੱਖਪਾਤੀ ਹੋਵੇਗਾ।
3. ਸੰਦਰਭ ਤੋਂ ਬਿਨਾਂ ਨੰਬਰ। "30% ਦਾ ਵਾਧਾ" ਇਕੱਲੇ ਅਰਥਹੀਣ ਹੈ: ਕਿਸ ਦੇ ਅਨੁਸਾਰ, ਕਿਸ ਮਿਆਦ ਵਿੱਚ, ਪੂਰਨ ਸੰਖਿਆ ਕੀ ਹੈ? ਸੰਦਰਭ ਲਈ AI ਨੂੰ ਪੁੱਛੋ।

ਧਿਆਨ ਦਿਓ: ਜਦੋਂ ਕਿ AI ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਸਾਰਣੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਇਹ ਕਈ ਵਾਰ ਸਾਰਣੀ ਦੇ ਬਾਹਰੋਂ "ਵਾਜਬ" ਪਰ ਫਰਜ਼ੀ ਨੰਬਰ ਜੋੜਦਾ ਹੈ ਜਾਂ ਚੁੱਪਚਾਪ ਗੁੰਮ ਹੋਏ ਸੈੱਲਾਂ ਵਿੱਚ ਭਰ ਦਿੰਦਾ ਹੈ। ਸਰੋਤ ਸਾਰਣੀ ਨਾਲ ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੰਬਰ ਦੀ ਤੁਲਨਾ ਕਰੋ; AI ਨੂੰ ਨਿਯਮ ਦਿਓ "ਸਿਰਫ਼ ਸਾਰਣੀ ਵਿੱਚ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਮੈਂ ਤੁਹਾਨੂੰ ਦਿੰਦਾ ਹਾਂ, ਜੇਕਰ ਗੁੰਮ ਹੈ ਤਾਂ 'ਕੋਈ ਡਾਟਾ ਨਹੀਂ' ਕਹੋ"।

ਕਦਮ ਦਰ ਕਦਮ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਹਾਅ

1. ਸਵਾਲ ਸਪਸ਼ਟ ਕਰੋ। ਅਸੀਂ ਫੈਸਲੇ ਲਈ ਕਿਹੜੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਲੱਭ ਰਹੇ ਹਾਂ? ("ਕਿਸ ਆਂਢ-ਗੁਆਂਢ ਵਿੱਚ ਹੱਲ ਦਾ ਸਮਾਂ ਸਭ ਤੋਂ ਵੱਧ ਲੱਗਦਾ ਹੈ?")
2. ਡਾਟਾ ਜਾਣੋ। ਕਾਲਮ ਕੀ ਹਨ, ਇਕਾਈ ਕੀ ਹੈ, ਪੀਰੀਅਡ ਕੀ ਹੈ, ਕੀ ਕੋਈ ਗੁੰਮ/ਗਲਤ ਮੁੱਲ ਹਨ?
3. ਨਿੱਜੀ ਡਾਟਾ ਐਕਸਟਰੈਕਟ ਕਰੋ. ਜੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਵਿਅਕਤੀਗਤ ਪਛਾਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਤਾਂ ਅਗਿਆਤ/ਸਮੁੱਚਾ ਬਣਾਓ (ਯੂਨਿਟ 11 ਦੇਖੋ)।
4. ਸੰਖੇਪ ਅਤੇ ਪੈਟਰਨ ਉਭਰਦੇ ਹਨ। AI ਨੂੰ ਮੁਢਲੇ ਅੰਕੜੇ, ਗਰੁੱਪਿੰਗ ਅਤੇ ਅਨੋਮੀਲੀ ਮਾਰਕਿੰਗ ਕਰਨ ਲਈ ਕਹੋ।
5. ਟਿੱਪਣੀ 'ਤੇ ਸਵਾਲ ਕਰੋ. ਸਬੰਧ ਜਾਂ ਕਾਰਨ? ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ? ਗੁੰਮ ਗਰੁੱਪ?
6. ਕਲਪਨਾ ਕਰੋ ਅਤੇ ਸਰਲ ਬਣਾਓ। ਇੱਕ ਸਧਾਰਨ ਸਾਰਾਂਸ਼ ਅਤੇ ਗ੍ਰਾਫਿਕ ਜੋ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਸਮਝ ਸਕਦਾ ਹੈ।
7. ਫੈਸਲੇ ਅਤੇ ਇਸ ਦੇ ਤਰਕ ਨੂੰ ਦਸਤਾਵੇਜ਼ੀ ਬਣਾਓ। ਕਿਹੜੇ ਅੰਕੜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ ਸੀ? ਆਡਿਟ ਟ੍ਰੇਲ.

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਸਰੋਤ ਸਹੀ ਥਾਂ 'ਤੇ ਗਿਆ। ਅਤੀਤ ਵਿੱਚ, ਇੱਕ ਨਗਰਪਾਲਿਕਾ ਨੇ ਆਪਣੇ ਪਾਰਕ ਦੇ ਰੱਖ-ਰਖਾਅ ਦੇ ਬਜਟ ਨੂੰ "ਹਰੇਕ ਆਂਢ-ਗੁਆਂਢ ਵਿੱਚ ਬਰਾਬਰ" ਵੰਡਿਆ ਸੀ। ਜਦੋਂ AI ਨਾਲ 18 ਮਹੀਨਿਆਂ ਦੀ ਮੰਗ ਅਤੇ ਵਰਤੋਂ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਤਿੰਨ ਗੁਆਂਢਾਂ ਦੀ ਪ੍ਰਤੀ ਵਿਅਕਤੀ ਮੰਗ ਔਸਤ ਨਾਲੋਂ 2.4 ਗੁਣਾ ਸੀ। ਬਜਟ ਨੂੰ ਲੋੜ ਅਨੁਸਾਰ ਮੁੜ ਵੰਡਿਆ ਗਿਆ ਸੀ; ਬਿਨਾਂ ਵਾਧੂ ਖਰਚੇ ਦੇ, ਸਮੁੱਚੀ ਸੰਤੁਸ਼ਟੀ ਵਧੀ।

ਕੇਸ 2 - ਪੱਖਪਾਤੀ ਡੇਟਾ ਦੇਖਿਆ ਗਿਆ ਸੀ। ਇੱਕ ਏਜੰਸੀ ਡਿਜੀਟਲ ਐਪਲੀਕੇਸ਼ਨ ਡੇਟਾ ਨੂੰ ਵੇਖੇਗੀ ਅਤੇ ਸਿੱਟਾ ਕੱਢੇਗੀ ਕਿ "ਨਾਗਰਿਕ ਹੁਣ ਟੋਲ ਬੂਥ 'ਤੇ ਨਹੀਂ ਆ ਰਹੇ ਹਨ।" ਪਰ ਜਦੋਂ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਉਮਰ ਦੇ ਟੁੱਟਣ ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਗਈ, ਤਾਂ ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ 65 ਸਾਲ ਤੋਂ ਵੱਧ ਉਮਰ ਦੀਆਂ ਅਰਜ਼ੀਆਂ ਅਜੇ ਵੀ ਜ਼ਿਆਦਾਤਰ ਕਾਊਂਟਰ ਤੋਂ ਆ ਰਹੀਆਂ ਸਨ। ਜੇਕਰ ਸਿਰਫ਼ ਡਿਜ਼ੀਟਲ ਡੇਟਾ ਨੂੰ ਦੇਖਿਆ ਜਾਵੇ ਤਾਂ ਇਸ ਸਮੂਹ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾਵੇਗਾ; ਬਾਕਸ ਆਫਿਸ ਸੇਵਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਗਿਆ ਸੀ.

ਕੇਸ 3 - ਵਿਵਾਦਿਤ ਕਾਰਨ ਬੰਦ ਹੋ ਗਿਆ। ਇੱਕ ਸਾਰਣੀ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹੋਏ, YZ ਨੇ ਕਿਹਾ, "ਹਾਦਸੇ ਘਟੇ ਕਿਉਂਕਿ ਨਿਰੀਖਣਾਂ ਦੀ ਗਿਣਤੀ ਵਧੀ ਹੈ." ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਯਾਦ ਦਿਵਾਇਆ ਕਿ ਮੌਸਮ ਵੀ ਬਦਲਿਆ ਅਤੇ ਉਸੇ ਸਮੇਂ ਦੌਰਾਨ ਆਵਾਜਾਈ ਘਟੀ; ਇਸ ਨੂੰ ਕਿਸੇ ਇੱਕ ਕਾਰਨ ਨਾਲ ਜੋੜਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਸੀ। ਰਿਪੋਰਟ ਨੂੰ ਇਹ ਕਹਿਣ ਲਈ ਠੀਕ ਕੀਤਾ ਗਿਆ ਸੀ ਕਿ "ਰਿਸ਼ਤਾ ਹੈ ਪਰ ਕਾਰਨ ਸਾਬਤ ਨਹੀਂ ਹੋਇਆ ਹੈ।"

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਸਾਰਣੀ ਨੂੰ ਜਾਣਨਾ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ, ਸਿਰਫ਼ ਇਸ ਸਾਰਣੀ ਵਿੱਚ ਮੁੱਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ: (1) ਸੰਖੇਪ ਕਰੋ ਕਿ ਹਰੇਕ ਕਾਲਮ ਕੀ ਹੈ, ਇਸਦੀ ਇਕਾਈ ਅਤੇ ਮਿਆਦ, (2) ਕੋਈ ਵੀ ਸੈੱਲ ਜੋ ਗੁੰਮ/ਗਲਤ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, (3) ਚੋਟੀ ਦੇ 3 ਪੈਟਰਨਾਂ ਦਾ ਸਾਰ ਦਿਓ ਜੋ ਵੱਖਰੇ ਹਨ। ਸਾਰਣੀ ਦੇ ਬਾਹਰੋਂ ਨੰਬਰ ਜੋੜਨਾ; ਜੇਕਰ ਗੁੰਮ ਹੈ, ਤਾਂ "ਕੋਈ ਡਾਟਾ ਨਹੀਂ" ਕਹੋ। ਸਾਰਣੀ: [ਡੇਟਾ ਪੇਸਟ ਕਰੋ]

2) ਸੰਦਰਭ ਦੇ ਨਾਲ ਸੰਖੇਪ ਅੰਕੜੇ:

ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਤੋਂ ਹੇਠਾਂ ਦਿੱਤੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ: [ਪ੍ਰਸ਼ਨ]। ਸੰਦਰਭ ਦੇ ਨਾਲ ਨਤੀਜਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ: ਪੂਰਨ ਸੰਖਿਆ + ਦਰ + ਤੁਲਨਾ ਦੀ ਮਿਆਦ। ਜਦੋਂ ਤੁਸੀਂ ਕਹਿੰਦੇ ਹੋ ਕਿ "X% ਦੁਆਰਾ ਵਧਾਇਆ ਗਿਆ", ਤਾਂ ਦੱਸੋ ਕਿ ਕਿਸ ਹੱਦ ਤੱਕ ਅਤੇ ਕਿਸ ਮਿਆਦ ਵਿੱਚ। ਸਿਰਫ਼ ਦਿੱਤੇ ਗਏ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਸਾਰਣੀ: [ਡੇਟਾ] ਸਵਾਲ: [ਸਵਾਲ]

3) ਕਾਰਣ ਪ੍ਰਸ਼ਨਕਰਤਾ:

ਨਿਮਨਲਿਖਤ ਖੋਜ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਪਰ ਸਾਵਧਾਨ: ਕਾਰਨ ਦੇ ਨਾਲ ਸਬੰਧ ਨੂੰ ਉਲਝਾਓ ਨਾ। ਇਸ ਰਿਸ਼ਤੇ ਲਈ ਘੱਟੋ-ਘੱਟ 3 ਵਿਕਲਪਿਕ ਵਿਆਖਿਆਵਾਂ ਤਿਆਰ ਕਰੋ (ਤੀਜਾ ਵੇਰੀਏਬਲ, ਉਲਟ ਦਿਸ਼ਾ, ਇਤਫ਼ਾਕ)। ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕਾਰਨ ਸਾਬਤ ਕਰਨ ਲਈ ਕਿਹੜੇ ਵਾਧੂ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ। ਖੋਜ: [ਰਿਸ਼ਤਾ]

4) ਫੈਸਲੇ ਲਈ ਸਧਾਰਨ ਸੰਖੇਪ:

ਇੱਕ ਫੈਸਲੇ ਲੈਣ ਵਾਲੇ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਰਲ ਬਣਾਓ ਜੋ ਡੇਟਾ ਮਾਹਰ ਨਹੀਂ ਹੈ: 5 ਤੋਂ ਵੱਧ ਆਈਟਮਾਂ ਨਹੀਂ, ਹਰੇਕ ਆਈਟਮ ਇੱਕ ਖੋਜ ਅਤੇ "ਇਸਦਾ ਮਤਲਬ ਕੀ ਹੈ" ਵਿਆਖਿਆ। ਡੇਟਾ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਵੀ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਲਿਖੋ। ਨਵੀਂ ਜਾਣਕਾਰੀ ਜੋੜ ਰਹੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ: [text]

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਇਸ ਚਾਰਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਸਾਨੂੰ ਦੱਸੋ ਕਿ ਸਾਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ."

ਮਜ਼ਬੂਤ: "ਤੁਹਾਡੀ ਭੂਮਿਕਾ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਹੈ। ਸਿਰਫ਼ ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਬਾਹਰੋਂ ਨੰਬਰ ਨਾ ਜੋੜੋ, ਗੁੰਮ ਹੋਏ ਸੈੱਲ ਵਿੱਚ 'ਕੋਈ ਡਾਟਾ ਨਹੀਂ' ਕਹੋ। ਪਹਿਲਾਂ, ਕਾਲਮਾਂ, ਇਕਾਈਆਂ ਅਤੇ ਪੀਰੀਅਡ ਨੂੰ ਜਾਣੋ। ਫਿਰ ਪੂਰਨ ਸੰਖਿਆ + ਅਨੁਪਾਤ + ਤੁਲਨਾ ਦੀ ਮਿਆਦ ਦੇ ਨਾਲ 'ਕਿਸ ਆਂਢ-ਗੁਆਂਢ ਵਿੱਚ ਸਭ ਤੋਂ ਲੰਬਾ ਹੱਲ ਸਮਾਂ ਹੈ' ਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ। ਜੇਕਰ ਤੁਸੀਂ ਕੋਈ ਲੱਭਦੇ ਹੋ, ਤਾਂ ਵਿਕਲਪਕ ਪੈਟਰਨ ਦੇ ਨਾਲ explan3 ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਡੇਟਾ ਦੇ ਬਿੰਦੂਆਂ ਅਤੇ ਸੀਮਾਵਾਂ (ਗੁੰਮ ਹੋਏ ਸਮੂਹ, ਛੋਟੀ ਮਿਆਦ) ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਫੈਸਲਾ ਸਾਡੇ 'ਤੇ ਛੱਡ ਦਿੰਦੇ ਹਨ।"

ਅੰਤਰ: ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਡਾਟਾ ਵਫ਼ਾਦਾਰੀ, ਸੰਦਰਭ, ਕਾਰਣ ਅਨੁਸ਼ਾਸਨ ਅਤੇ ਫੈਸਲੇ-ਸੀਮਾ ਨੂੰ ਇਕੱਠੇ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਇੱਕ ਬਚਾਅਯੋਗ ਵਿਸ਼ਲੇਸ਼ਣ ਹੈ।

ਡੇਟਾ ਕਾਰੋਬਾਰ ਵਿੱਚ AI 'ਤੇ ਕਿੱਥੇ ਭਰੋਸਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?

ਕਾਰੋਬਾਰ

AI ਭਰੋਸਾ

ਨਿਯਮ

ਸਾਰਣੀ ਸੰਖੇਪ, ਸਮੂਹ

ਉੱਚ

ਸਿਰਫ਼ ਡਾਟਾ ਦਿੱਤਾ ਗਿਆ ਹੈ

ਅਸਮਾਨਤਾ/ਪੈਟਰਨ ਮਾਰਕਿੰਗ

ਮੱਧਮ

ਮਨੁੱਖੀ ਪੁਸ਼ਟੀ

ਕਾਰਣ-ਕਾਰਨ ਦੀ ਵਿਆਖਿਆ

ਘੱਟ

ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ ਦੀ ਲੋੜ ਹੈ

ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਨਾ

ਬਹੁਤ ਘੱਟ

ਇਸ ਨੂੰ ਵਾਪਰਨਾ ਨਾ ਕਰੋ; "ਕੋਈ ਡਾਟਾ ਨਹੀਂ"

ਸਰਲੀਕਰਨ/ਵਿਜ਼ੂਅਲ ਸੰਖੇਪ

ਉੱਚ

ਅਰਥ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ

ਸੂਚਕ ਡਿਜ਼ਾਈਨ ਅਤੇ ਗੁੰਮਰਾਹਕੁੰਨ ਚਾਰਟ ਜਾਲ

ਡੇਟਾ ਦੇ ਨਾਲ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ ਸਹੀ ਸੂਚਕ ਚੁਣਨਾ (ਸੰਖਿਆਤਮਕ ਸਮੀਕਰਨ ਜੋ ਇੱਕ ਵਰਤਾਰੇ ਨੂੰ ਮਾਪਣ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ—ਉਦਾਹਰਨ ਲਈ, "ਔਸਤ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਾਂ" ਜਾਂ "ਪ੍ਰਤੀ ਐਪਲੀਕੇਸ਼ਨ ਲਾਗਤ")। ਗਲਤ ਸੂਚਕ ਗਲਤ ਫੈਸਲੇ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ, ਸਹੀ ਡੇਟਾ ਦੇ ਨਾਲ ਵੀ: ਜਦੋਂ ਕਿ "ਸੁਲਝੇ ਹੋਏ ਦਾਅਵਿਆਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ" ਵਧਦੀ ਜਾਪਦੀ ਹੈ, "ਪ੍ਰਤੀ ਨਾਗਰਿਕ ਉਡੀਕ ਸਮਾਂ" ਵਿਗੜ ਸਕਦਾ ਹੈ। AI ਕਿਸੇ ਵਿਸ਼ੇ ਲਈ ਉਮੀਦਵਾਰ ਸੂਚਕਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਹਰੇਕ ਉਪਾਅ ਅਤੇ ਕੀ ਛੁਪਾਉਂਦਾ ਹੈ; ਪਰ ਤੁਸੀਂ ਫੈਸਲਾ ਕਰਦੇ ਹੋ ਕਿ ਕਿਹੜਾ ਸੂਚਕ ਅਸਲ ਵਿੱਚ ਜਨਤਕ ਹਿੱਤਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਨਾਲ ਹੀ, AI ਦੁਆਰਾ ਸੁਝਾਏ ਜਾਂ ਵਰਣਨ ਕੀਤੇ ਗਏ ਗ੍ਰਾਫਾਂ ਵਿੱਚ ਗੁੰਮਰਾਹਕੁੰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ (ਤਕਨੀਕਾਂ ਦੇ ਨਾਲ ਵਿਗਾੜਨ ਵਾਲੀ ਧਾਰਨਾ ਜਿਵੇਂ ਕਿ ਧੁਰਾ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਨਹੀਂ ਹੁੰਦਾ, ਅਸਪਸ਼ਟ ਸਕੇਲ, ਚੁਣਿਆ ਸਮਾਂ ਅੰਤਰਾਲ) ਦੇ ਜੋਖਮ ਤੋਂ ਸੁਚੇਤ ਰਹੋ; ਜਨਤਕ ਡੇਟਾ ਵਿੱਚ ਇਮਾਨਦਾਰ ਵਿਜ਼ੂਅਲ ਗਵਰਨੈਂਸ ਦਾ ਹਿੱਸਾ ਹੈ।

ਮਿੰਨੀ ਕੇਸ - ਗਲਤ ਚਿੰਨ੍ਹ, ਗਲਤ ਸ਼ੇਖੀ। ਇੱਕ ਯੂਨਿਟ "ਪ੍ਰਤੀ ਮਹੀਨਾ ਬੰਦ ਫਾਈਲਾਂ ਦੀ ਗਿਣਤੀ" ਸੂਚਕ ਵਿੱਚ ਰਿਕਾਰਡ ਤੋੜ ਰਹੀ ਸੀ; ਪਰ ਨਾਗਰਿਕਾਂ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ ਵਧੀਆਂ ਹਨ। ਸਹੀ ਸੰਕੇਤਕ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, "ਪਹਿਲੀ ਸੰਪਰਕ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦਰ," ਦਰ 58 ਪ੍ਰਤੀਸ਼ਤ ਤੋਂ ਘਟ ਕੇ 44 ਪ੍ਰਤੀਸ਼ਤ ਹੋ ਗਈ - ਫਾਈਲਾਂ ਨੂੰ ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ ਸੀ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਦੁਬਾਰਾ ਖੋਲ੍ਹਿਆ ਜਾ ਰਿਹਾ ਸੀ। ਜਦੋਂ ਸੂਚਕ ਬਦਲਿਆ, ਪ੍ਰਬੰਧਨ ਦੀ ਤਰਜੀਹ ਵੀ ਬਦਲ ਗਈ.

ਮਿੰਨੀ ਕੇਸ — ਧੁਰਾ ਜੋ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਨਹੀਂ ਹੁੰਦਾ। ਇੱਕ ਪ੍ਰਸਤੁਤੀ ਵਿੱਚ ਵਰਣਿਤ ਗ੍ਰਾਫ਼ AI ਉੱਤੇ, ਲੰਬਕਾਰੀ ਧੁਰਾ 40 ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਇੱਕ 2 ਪ੍ਰਤੀਸ਼ਤ ਵਾਧਾ ਇੱਕ ਨਾਟਕੀ ਛਾਲ ਵਾਂਗ ਜਾਪਦਾ ਸੀ। ਜਦੋਂ ਧੁਰੀ ਨੂੰ ਜ਼ੀਰੋ 'ਤੇ ਲਿਜਾਇਆ ਗਿਆ, ਤਾਂ ਅਸਲ ਤਸਵੀਰ ਸਾਹਮਣੇ ਆਈ ਅਤੇ ਫੈਸਲਾ ਅਤਿਕਥਨੀ ਧਾਰਨਾ ਤੋਂ ਦੂਰ ਹੋ ਗਿਆ।

ਟੈਂਪਲੇਟ ਜੋ ਸੰਕੇਤਕ ਚੋਣ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ:

ਕਾਰਜ: ਹੇਠਾਂ ਦਿੱਤੇ ਉਦੇਸ਼ ਲਈ 5 ਉਮੀਦਵਾਰ ਸੂਚਕਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਉਦੇਸ਼: [ਉਦਾ. ਨਾਗਰਿਕ ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ] ਹਰੇਕ ਸੂਚਕ ਲਈ: ਇਹ ਕੀ ਮਾਪਦਾ ਹੈ | ਇਹ ਕੀ ਲੁਕਾ ਸਕਦਾ ਹੈ | ਹੇਰਾਫੇਰੀ ਲਈ ਖੁੱਲ੍ਹ | ਪੜ੍ਹਨ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅੱਗੇ: ਇਹਨਾਂ ਸੂਚਕਾਂ ਨੂੰ ਇਕੱਠੇ ਪੜ੍ਹਨ ਲਈ 3 ਚੇਤਾਵਨੀਆਂ (ਜੋ ਆਪਣੇ ਆਪ ਗੁੰਮਰਾਹ ਕਰ ਰਹੀਆਂ ਹਨ) ਲਿਖੋ। ਨਿਯਮ: ਸੰਖਿਆਵਾਂ ਨਾ ਬਣਾਓ; ਸਿਰਫ਼ ਸੰਕੇਤਕ ਡਿਜ਼ਾਈਨ ਦਾ ਸੁਝਾਅ ਦਿਓ।

ਸਾਵਧਾਨ: ਇਸ ਭੁਲੇਖੇ ਵਿੱਚ ਨਾ ਪੈਵੋ ਕਿ "ਨੰਬਰ ਉਦੇਸ਼ ਹੈ"। ਤੁਸੀਂ ਕਿਹੜੀ ਸੰਖਿਆ ਨੂੰ ਮਾਪਦੇ ਹੋ, ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹੋ, ਅਤੇ ਤੁਸੀਂ ਕਿਹੜੀ ਰੇਂਜ ਚੁਣਦੇ ਹੋ ਇਹ ਸਭ ਵਿਆਖਿਆ ਦਾ ਮਾਮਲਾ ਹੈ। ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਇਮਾਨਦਾਰ ਜਨਤਕ ਵਿਆਖਿਆ ਉਨਾ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜਿੰਨਾ ਸਹੀ ਡੇਟਾ ਹੋਣਾ।

ਆਮ ਗਲਤੀਆਂ

• ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. "ਮਿਲ ਕੇ ਵਧਿਆ" ਕਾਰਨ ਨਹੀਂ ਹੈ; ਵਿਕਲਪਿਕ ਵਿਆਖਿਆਵਾਂ ਦੀ ਭਾਲ ਕਰੋ।
• AI ਕੋਲ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਨਾ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਬਣੇ ਹੋਏ ਮੁੱਲ ਦੇ ਨਾਲ ਢਹਿ ਜਾਂਦਾ ਹੈ; ਗੁੰਮ ਗੁੰਮ ਛੱਡੋ.
• ਪੱਖਪਾਤੀ ਡੇਟਾ ਨੂੰ ਆਮ ਕਰਨਾ। ਸ਼ਿਕਾਇਤ/ਡਿਜੀਟਲ ਡੇਟਾ ਹਰ ਕਿਸੇ ਦੀ ਨੁਮਾਇੰਦਗੀ ਨਹੀਂ ਕਰਦਾ; ਗੁੰਮ ਹੋਏ ਸਮੂਹ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰੋ।
• ਸੰਦਰਭ ਤੋਂ ਬਿਨਾਂ ਨੰਬਰ ਪੇਸ਼ ਕਰਨਾ। ਅਨੁਪਾਤ ਦੇ ਅੱਗੇ ਇੱਕ ਪੂਰਨ ਸੰਖਿਆ ਅਤੇ ਤੁਲਨਾ ਦੀ ਮਿਆਦ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
• ਬੇਲੋੜਾ ਨਿੱਜੀ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ। ਜੇਕਰ ਏਕੀਕ੍ਰਿਤ ਡੇਟਾ ਕਾਫ਼ੀ ਹੈ ਤਾਂ ਵਿਅਕਤੀਗਤ ਪਛਾਣ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ।
• ਫੈਸਲੇ ਦਾ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ। ਆਡਿਟਿੰਗ ਲਈ ਕਿਸ ਡੇਟਾ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿਹੜਾ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ ਸੀ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਜਨਤਕ ਖੇਤਰ ਵਿੱਚ ਸਰੋਤਾਂ ਨੂੰ ਨਿਰਪੱਖ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵੰਡਣ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਡਾਟਾ-ਅਧਾਰਿਤ ਫੈਸਲੇ ਲੈਣਾ ਹੈ; AI ਇਸ ਕਾਰੋਬਾਰ ਵਿੱਚ ਇੱਕ ਤੇਜ਼ ਸਹਾਇਕ ਹੈ ਜੋ ਤਸਵੀਰ ਨੂੰ ਸਮਝਦਾ ਹੈ, ਪੈਟਰਨ ਲੱਭਦਾ ਹੈ ਅਤੇ ਖੋਜ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। ਪਰ AI ਨੂੰ ਮੇਕਅੱਪ ਨੰਬਰ ਨਾ ਬਣਾਓ, ਇਸ ਨੂੰ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਨ ਨਾ ਦਿਓ, ਇਸ ਨੂੰ ਕਾਰਣਤਾ ਨਾਲ ਸਬੰਧ ਨੂੰ ਉਲਝਾਉਣ ਨਾ ਦਿਓ, ਅਤੇ ਪੱਖਪਾਤੀ/ਅਧੂਰੇ ਡੇਟਾ ਨੂੰ ਆਮ ਬਣਾਉਣ ਤੋਂ ਬਚੋ। ਗਿਣਤੀ ਵਿੱਚ ਤਾਕਤ ਹੈ; ਉਹ ਵਿਅਕਤੀ ਜੋ ਇਸਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲੇ ਦਾ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਕਰਦਾ ਹੈ, ਉਹ ਮਜ਼ਬੂਤ ​​ਹੁੰਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੀ ਯੂਨਿਟ ਤੋਂ ਇੱਕ ਅਸਲੀ (ਨਿੱਜੀ ਡੇਟਾ ਸਟ੍ਰਿਪਡ) ਟੇਬਲ ਪ੍ਰਾਪਤ ਕਰੋ। "ਸਾਰਣੀ ਨੂੰ ਜਾਣਨਾ" ਟੈਮਪਲੇਟ ਨਾਲ ਡੇਟਾ ਨੂੰ ਪੇਸ਼ ਕਰੋ, ਫਿਰ "ਪ੍ਰਸੰਗਿਕ ਸੰਖੇਪ ਅੰਕੜੇ" ਟੈਮਪਲੇਟ ਨਾਲ ਫੈਸਲੇ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ। "ਕਾਰਨ ਪ੍ਰਸ਼ਨਕਰਤਾ" ਟੈਮਪਲੇਟ ਨੂੰ ਉਭਰ ਰਹੇ ਰਿਸ਼ਤੇ ਲਈ ਲਾਗੂ ਕਰੋ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ ਲੱਭੋ। ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ AI ਸਾਰਣੀ ਦੇ ਬਾਹਰੋਂ ਨੰਬਰ ਜੋੜ ਰਿਹਾ ਹੈ।

ਚੈੱਕਲਿਸਟ

• [ ] AI ਨੇ ਸਿਰਫ ਦਿੱਤੀ ਗਈ ਸਾਰਣੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ; ਉਸ ਨੇ ਬਾਹਰੋਂ ਨੰਬਰ ਨਹੀਂ ਜੋੜਿਆ।
• [ ] ਮੈਂ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਭਰਿਆ; ਮੈਂ ਇਸਨੂੰ "ਕੋਈ ਡਾਟਾ ਨਹੀਂ" ਵਜੋਂ ਛੱਡ ਦਿੱਤਾ.
• [ ] ਮੈਂ ਹਰੇਕ ਨਤੀਜੇ ਨੂੰ ਸੰਦਰਭ ਦੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ (ਪੂਰਨ ਸੰਖਿਆ + ਦਰ + ਮਿਆਦ)।
• [ ] ਮੈਂ ਕਾਰਨ ਦੇ ਦਾਅਵਿਆਂ ਲਈ ਇੱਕ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ ਤਿਆਰ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਪੱਖਪਾਤੀ/ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਅਤੇ ਗੁੰਮ ਹੋਏ ਸਮੂਹ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
• [ ] ਮੈਂ ਫੈਸਲੇ ਅਤੇ ਡੇਟਾ ਦਾ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਕੀਤਾ ਜਿਸ 'ਤੇ ਇਹ ਅਧਾਰਤ ਸੀ।