ڈیٹا پر مبنی فیصلہ اور عوامی ڈیٹا کا تجزیہ

فائدہ:

• ڈیٹا کے ساتھ کام کرنے کے معیار، رازداری اور تشریحی خطرات کو تسلیم کرتا ہے اور ایک محفوظ تجزیہ بہاؤ قائم کرتا ہے۔
• یہ ایک مقصد کے لیے صحیح اشارے کا انتخاب کرتا ہے، گمراہ کن واحد اشارے اور پیمائش کے درمیان فرق کرتے ہوئے جو ہیرا پھیری کے لیے کھلے ہیں۔
• یہ گمراہ کن چارٹ تکنیکوں کو پہچانتا ہے (محور صفر سے شروع نہیں ہوتا، منتخب کردہ رینج) اور دیانتدارانہ تصور کا مشاہدہ کرتا ہے۔

عوام ہر روز ڈیٹا تیار کرتی ہے: درخواست نمبر، حل کے اوقات، بجٹ کی اشیاء، آبادی کی نقل و حرکت، خدمت کی درخواستیں، آڈٹ کے نتائج، اطمینان کے سروے۔ اس میں سے زیادہ تر ڈیٹا ایکسل اسپریڈ شیٹس، فارمز، اور ریکارڈنگ سسٹمز میں بیٹھتا ہے، لیکن فیصلوں میں ترجمہ نہیں ہوتا — کیونکہ اس کا تجزیہ کرنے کے لیے مہارت اور وقت درکار ہوتا ہے۔ ڈیٹا پر مبنی فیصلہ سازی (رائے یا عادت کے بجائے ماپا ثبوت کی بنیاد پر وسائل مختص کرنے اور پالیسی ترتیب دینے کا نقطہ نظر) پبلک سیکٹر میں کارکردگی اور انصاف دونوں کو بڑھاتا ہے: وسائل وہیں جاتے ہیں جہاں ان کی تعداد کی بنیاد پر سب سے زیادہ ضرورت ہوتی ہے۔ یہاں، AI میز کو سمجھنے، نمونوں اور بے ضابطگیوں کو تلاش کرنے، خلاصہ کے اعدادوشمار نکالنے اور نتائج کو آسان جملوں میں ترجمہ کرنے میں ایک طاقتور معاون ہے۔ اس یونٹ میں، آپ دیکھیں گے کہ خام عوامی ڈیٹا سے AI کے ساتھ قابل دفاع فیصلے تک کا راستہ کیسے چھوٹا کیا جائے اور انتہائی نازک پہلو یعنی نمبر کی صحیح تشریح میں نظم و ضبط میں رہیں۔

ڈیٹا کے ساتھ کام کرنے کے تین خطرات

ڈیٹا طاقتور ہے، لیکن اس میں تین جال ہیں، اور AI ان ٹریپس کو کم اور بڑھا سکتا ہے:

1. ارتباط ≠ وجہ۔ صرف اس وجہ سے کہ دو چیزیں ایک ساتھ تبدیل ہوتی ہیں اس کا مطلب یہ نہیں ہے کہ ایک دوسرے کا سبب بنتی ہے۔ آئس کریم کی فروخت اور ڈوبنے کا عمل بڑھ رہا ہے - کیونکہ یہ دونوں گرمی کی گرمی سے جڑے ہوئے ہیں، ایک دوسرے کا سبب نہیں بن رہے ہیں۔ AI روانی سے "کیونکہ" جملے بناتا ہے۔ وجہ کے ہر دعوے پر سوال کریں۔
2. متعصب/لاپتہ ڈیٹا۔ ڈیٹا کس سے اور کیسے اکٹھا کیا گیا؟ شکایت کا ڈیٹا صرف ان لوگوں کی عکاسی کرتا ہے جو شکایت کر سکتے ہیں۔ ڈیجیٹل ایپلیکیشن ڈیٹا جن کی انٹرنیٹ تک رسائی ہے۔ اگر آپ کو گمشدہ گروپ نظر نہیں آتا ہے تو فیصلہ متعصب ہوگا۔
3. سیاق و سباق کے بغیر نمبر۔ اکیلے "30% کا اضافہ" بے معنی ہے: کس کے مطابق، کس مدت میں، مطلق نمبر کیا ہے؟ سیاق و سباق کے لیے AI سے پوچھیں۔

دھیان دیں: جب کہ AI آپ کے فراہم کردہ ٹیبل کا تجزیہ کرتا ہے، یہ بعض اوقات میز کے باہر سے "معقول" لیکن فرضی نمبر شامل کرتا ہے یا خاموشی سے گمشدہ خلیوں کو بھر دیتا ہے۔ ہر آؤٹ پٹ نمبر کا سورس ٹیبل سے موازنہ کریں۔ AI کو یہ قاعدہ دیں کہ "صرف ٹیبل میں وہی اقدار استعمال کریں جو میں آپ کو دیتا ہوں، اگر غائب ہو تو کہیں 'کوئی ڈیٹا نہیں'"۔

مرحلہ وار ڈیٹا تجزیہ بہاؤ

1. سوال کی وضاحت کریں۔ فیصلے کے لیے ہم کس سوال کے جواب تلاش کر رہے ہیں؟ ("کس محلے میں حل میں سب سے زیادہ وقت لگتا ہے؟")
2. ڈیٹا جانیں۔ کالم کیا ہیں، اکائی کیا ہے، مدت کیا ہے، کیا کوئی لاپتہ/غلط اقدار ہیں؟
3. ذاتی ڈیٹا نکالیں۔ اگر تجزیہ کے لیے انفرادی شناخت کی ضرورت نہ ہو تو گمنام/مجموعی بنائیں (دیکھیں یونٹ 11)۔
4. خلاصہ اور نمونہ ابھرتا ہے۔ AI کو بنیادی اعدادوشمار، گروپ بندی اور بے ضابطگی مارکنگ کرنے کو کہیں۔
5. تبصرہ پر سوال کریں۔ ارتباط یا سبب؟ متبادل وضاحت؟ لاپتہ گروپ؟
6. تصور کریں اور آسان بنائیں۔ ایک سادہ خلاصہ اور گرافک جسے فیصلہ کرنے والا سمجھ سکتا ہے۔
7. فیصلے اور اس کے استدلال کو دستاویز کریں۔ کس ڈیٹا کی بنیاد پر فیصلہ کیا گیا؟ آڈٹ ٹریل.

تین چھوٹے مقدمات

کیس 1 - ماخذ صحیح جگہ پر گیا۔ ماضی میں، ایک میونسپلٹی نے اپنے پارک کی دیکھ بھال کا بجٹ "ہر محلے میں یکساں طور پر تقسیم کیا تھا۔" جب AI کے ساتھ 18 ماہ کی طلب اور استعمال کے ڈیٹا کا تجزیہ کیا گیا تو تینوں محلوں کی فی کس طلب اوسط سے 2.4 گنا تھی۔ بجٹ ضرورت کے مطابق دوبارہ تقسیم کیا گیا۔ مجموعی طور پر اطمینان میں اضافہ ہوا، بغیر کسی اضافی اخراجات کے۔

کیس 2 - متعصب ڈیٹا دیکھا گیا۔ ایک ایجنسی ڈیجیٹل ایپلیکیشن ڈیٹا کو دیکھے گی اور یہ نتیجہ اخذ کرے گی کہ "شہری اب ٹول بوتھ پر نہیں آرہے ہیں۔" لیکن جب تجزیہ میں عمر کی خرابی کی درخواست کی گئی تو دیکھا گیا کہ 65 سال سے زیادہ عمر کی درخواستیں اب بھی زیادہ تر کاؤنٹر سے آرہی تھیں۔ اگر صرف ڈیجیٹل ڈیٹا کو دیکھا جائے تو اس گروپ کو نظر انداز کر دیا جائے گا۔ باکس آفس کی خدمت محفوظ تھی۔

کیس 3 - متضاد وجہ بند ہوگئی۔ ایک میز کی تشریح کرتے ہوئے، YZ نے کہا، "حادثات کم ہوئے کیونکہ معائنہ کی تعداد میں اضافہ ہوا۔" تجزیہ کار نے یاد دلایا کہ اسی عرصے میں موسم بھی بدلا اور ٹریفک میں کمی آئی۔ اسے کسی ایک وجہ سے منسوب کرنا گمراہ کن تھا۔ رپورٹ میں یہ کہہ کر درست کیا گیا کہ "تعلق تو ہے لیکن وجہ ثابت نہیں ہوئی ہے۔"

چار کاپی کرنے کے قابل ٹیمپلیٹس

1) ٹیبل کو جاننا:

آپ کا کردار: ڈیٹا تجزیہ کار۔ نیچے دیے گئے جدول کا جائزہ لیں اور، صرف اس جدول میں موجود اقدار کی بنیاد پر: (1) خلاصہ کریں کہ ہر کالم کیا ہے، اس کی اکائی اور مدت، (2) کوئی بھی خلیہ جو غائب/غلط نظر آتا ہے، (3) سب سے اوپر 3 نمونوں کا خلاصہ کریں جو نمایاں ہوں۔ میز کے باہر سے نمبر شامل کرنا؛ اگر غائب ہو تو کہیے "کوئی ڈیٹا نہیں"۔ ٹیبل: [ڈیٹا پیسٹ کریں]

2) سیاق و سباق کے ساتھ خلاصہ اعداد و شمار:

نیچے دیے گئے جدول سے درج ذیل سوال کا جواب دیں: [سوال]۔ سیاق و سباق کے ساتھ نتیجہ دینا ضروری ہے: مطلق نمبر + شرح + موازنہ کی مدت۔ جب آپ کہتے ہیں کہ "X% اضافہ ہوا"، تو بتائیں کہ کس حد تک اور کس مدت میں۔ صرف دیا گیا ڈیٹا استعمال کریں۔ ٹیبل: [ڈیٹا] سوال: [سوال]

3) وجہ سوال کرنے والا:

مندرجہ ذیل تلاش کی تشریح کریں، لیکن احتیاط: وجہ کے ساتھ ارتباط کو الجھائیں نہیں۔ اس تعلق کے لیے کم از کم 3 متبادل وضاحتیں بنائیں (تیسرا متغیر، معکوس سمت، اتفاق)۔ مجھے بتائیں کہ وجہ ثابت کرنے کے لیے کس اضافی ڈیٹا کی ضرورت ہے۔ تلاش: [رشتہ]

4) فیصلے کا سادہ خلاصہ:

فیصلہ ساز کے لیے درج ذیل تجزیہ کو آسان بنائیں جو ڈیٹا کا ماہر نہیں ہے: 5 سے زیادہ آئٹمز نہیں، ہر آئٹم کی تلاش اور "اس کا کیا مطلب ہے" وضاحت۔ اعداد و شمار کی غیر یقینی صورتحال اور حدود کو بھی واضح طور پر لکھیں۔ نئی معلومات شامل کرنا۔ تجزیہ: [متن]

کمزور فوری / مضبوط اشارہ

کمزور: "اس چارٹ کا تجزیہ کریں اور ہمیں بتائیں کہ ہمیں کیا کرنا چاہیے۔"

مضبوط: "آپ کا کردار ڈیٹا اینالسٹ ہے۔ صرف نیچے دیے گئے جدول کا استعمال کریں؛ باہر سے نمبر نہ جوڑیں، غائب سیل میں 'کوئی ڈیٹا نہیں' کہیں۔ پہلے کالم، اکائیوں اور پیریڈ کے بارے میں جانیں۔ پھر اس سوال کا جواب دیں کہ 'کس محلے میں سب سے لمبا حل وقت ہے' مطلق نمبر + تناسب + موازنہ کی مدت کے ساتھ۔ اگر آپ تلاش کرتے ہیں تو caa3 کے ساتھ متبادل پیٹرن کے ساتھ وضاحت کریں۔ آخر میں، اعداد و شمار کے پوائنٹس اور باؤنڈری (گمشدہ گروپ، مختصر مدت) کی فہرست بنائیں جو فیصلہ ہم پر چھوڑ دیں۔"

فرق: مضبوط پرامپٹ ڈیٹا کی مخلصی، سیاق و سباق، وجہ کا نظم و ضبط اور فیصلہ کی حد کو ایک ساتھ قائم کرتا ہے۔ آؤٹ پٹ ایک قابل دفاع تجزیہ ہے۔

ڈیٹا کے کاروبار میں AI پر کہاں بھروسہ کیا جا سکتا ہے؟

کاروبار

AI اعتماد

حکمرانی

جدول کا خلاصہ، گروپ بندی

اعلی

صرف ڈیٹا دیا گیا۔

بے ضابطگی/پیٹرن مارکنگ

درمیانہ

انسانی تصدیق

وجہ کی تشریح

کم

متبادل وضاحت درکار ہے۔

گمشدہ ڈیٹا کو بھرنا

بہت کم

ایسا نہ کرو؛ "کوئی ڈیٹا نہیں"

سادگی/بصری خلاصہ

اعلی

معنی کو محفوظ رکھنا چاہیے۔

اشارے کا ڈیزائن اور گمراہ کن چارٹ ٹریپ

اعداد و شمار کے ساتھ فیصلے کرنے کا سب سے اہم مرحلہ صحیح اشارے کا انتخاب کرنا ہے (وہ عددی اظہار جو کسی رجحان کو قابل پیمائش بناتا ہے—مثال کے طور پر، "اوسط پروسیسنگ وقت" یا "فی درخواست لاگت")۔ درست اعداد و شمار کے باوجود غلط اشارے غلط فیصلے کی طرف لے جاتا ہے: جب کہ "حل شدہ دعووں کی کل تعداد" بڑھ رہی ہے، "فی شہری انتظار کا وقت" خراب ہو سکتا ہے۔ AI کسی موضوع کے لیے امیدواروں کے اشارے کی فہرست بنا سکتا ہے اور ہر ایک کیا اقدامات کرتا ہے اور کیا چھپاتا ہے۔ لیکن آپ فیصلہ کرتے ہیں کہ کون سا اشارے حقیقی معنوں میں عوامی مفاد کی نمائندگی کرتا ہے۔ اس کے علاوہ، AI کے تجویز کردہ یا بیان کردہ گرافوں میں گمراہ کن تصور (تکنیکوں کے ساتھ تاثر کو بگاڑنا جیسے کہ محور صفر سے شروع نہیں ہوتا، غیر متناسب پیمانے، منتخب وقت کا وقفہ) کے خطرے سے آگاہ رہیں؛ عوامی اعداد و شمار میں ایماندارانہ انداز حکمرانی کا حصہ ہے۔

منی کیس - غلط نشانی، غلط فخر۔ ایک یونٹ "فی ماہ بند فائلوں کی تعداد" کے اشارے میں ریکارڈ توڑ رہا تھا۔ لیکن شہریوں کی شکایات میں اضافہ ہوا۔ درست اشارے کو دیکھتے ہوئے، "پہلے رابطے کے حل کی شرح،" کی شرح 58 فیصد سے کم ہو کر 44 فیصد ہو گئی — فائلیں بند اور تیزی سے دوبارہ کھولی جا رہی تھیں۔ اشارے بدلے تو انتظامیہ کی ترجیح بھی بدل گئی۔

منی کیس - محور جو صفر سے شروع نہیں ہوتا ہے۔ ایک پریزنٹیشن میں بیان کردہ گراف AI پر، عمودی محور 40 سے شروع ہوتا ہے، 2 فیصد اضافہ ڈرامائی چھلانگ لگ رہا تھا۔ جب محور کو صفر پر منتقل کیا گیا تو اصل تصویر سامنے آئی اور فیصلہ مبالغہ آمیز ادراک سے ہٹ گیا۔

ٹیمپلیٹ جو اشارے کے انتخاب کی حمایت کرتا ہے:

کام: درج ذیل مقصد کے لیے امیدواروں کے 5 اشارے تجویز کریں۔ مقصد: [مثلاً شہریوں کی خدمت کے معیار کو بہتر بنانا]ہر اشارے کے لیے: یہ کیا پیمائش کرتا ہے | یہ کیا چھپا سکتا ہے | ہیرا پھیری کے لیے کشادگی | پڑھنے کی فریکوئنسی تجویز کی جاتی ہے۔ اگلا: ان اشاریوں کو ایک ساتھ پڑھنے کے لیے 3 انتباہات لکھیں (جو خود گمراہ کن ہیں)۔ اصول: نمبر نہ بنائیں۔ صرف اشارے ڈیزائن تجویز کریں.

احتیاط: اس غلط فہمی میں نہ پڑیں کہ "نمبر مقصد ہے"۔ آپ کس نمبر کی پیمائش کرتے ہیں، آپ اسے کیسے ظاہر کرتے ہیں، اور آپ کس حد کا انتخاب کرتے ہیں یہ سب تشریح کا معاملہ ہے۔ شفاف اور دیانت دار عوامی تشریح اتنا ہی اہم ہے جتنا درست ڈیٹا کا ہونا۔

عام غلطیاں

• وجہ کے لیے غلط تعلق۔ "ایک ساتھ اضافہ" وجہ نہیں ہے؛ متبادل وضاحتیں تلاش کریں۔
• گمشدہ ڈیٹا میں AI بھرنا۔ تجزیہ ایک تشکیل شدہ قدر کے ساتھ گر جاتا ہے۔ لاپتہ لاپتہ چھوڑ دو.
• متعصب ڈیٹا کو عام کرنا۔ شکایت/ڈیجیٹل ڈیٹا ہر کسی کی نمائندگی نہیں کرتا ہے۔ گمشدہ گروپ سے استفسار کریں۔
• سیاق و سباق کے بغیر نمبر پیش کرنا۔ تناسب کے آگے ایک مطلق نمبر اور موازنہ کی مدت ہونی چاہئے۔
• غیر ضروری طور پر ذاتی ڈیٹا کا تجزیہ کرنا۔ اگر مجموعی ڈیٹا کافی ہو تو انفرادی شناخت کا استعمال نہ کریں۔
• فیصلے کی دستاویز نہیں کرنا۔ کیا فیصلہ کیا گیا جس کی بنیاد پر ڈیٹا کو آڈٹ کے لیے ریکارڈ کیا جائے۔

خلاصہ میں

ڈیٹا پر مبنی فیصلہ سازی سرکاری شعبے میں منصفانہ اور موثر طریقے سے وسائل کی تقسیم کا سب سے طاقتور طریقہ ہے۔ AI اس کاروبار میں ایک تیز اسسٹنٹ ہے جو تصویر کو سمجھتا ہے، پیٹرن تلاش کرتا ہے اور تلاش کو آسان بناتا ہے۔ لیکن AI کو میک اپ نمبرز نہ بنائیں، اسے گمشدہ ڈیٹا کو پُر نہ کریں، اسے وجہ کے ساتھ تعلق کو الجھانے نہ دیں، اور متعصب/نامکمل ڈیٹا کو عام کرنے سے گریز کریں۔ تعداد میں طاقت ہے؛ جو شخص اس کی صحیح تشریح کرتا ہے اور فیصلے کو دستاویز کرتا ہے وہ زیادہ مضبوط ہوتا ہے۔

درخواست کا کام

اپنے یونٹ سے ایک حقیقی (ذاتی ڈیٹا سٹرپڈ) ٹیبل حاصل کریں۔ "ٹیبل کو جاننا" ٹیمپلیٹ کے ساتھ ڈیٹا کا تعارف کروائیں، پھر فیصلہ کے لیے ایک اہم سوال کا جواب "سیاق و سباق کے خلاصے کے اعدادوشمار" کے سانچے کے ساتھ دیں۔ ابھرتے ہوئے رشتے پر "Causation questioner" ٹیمپلیٹ کا اطلاق کریں اور کم از کم ایک متبادل وضاحت تلاش کریں۔ چیک کریں کہ آیا AI میز کے باہر سے نمبر شامل کر رہا ہے۔

چیک لسٹ

• AI نے صرف دی گئی جدول کا استعمال کیا۔ اس نے باہر سے نمبر نہیں جوڑے۔
• میں نے گمشدہ ڈیٹا کو نہیں بھرا؛ میں نے اسے "کوئی ڈیٹا نہیں" کے طور پر چھوڑ دیا۔
• میں نے ہر نتیجہ کو سیاق و سباق کے ساتھ پیش کیا (مطلق نمبر + شرح + مدت)۔
• [ ] میں نے وجہ کے دعووں کی ایک متبادل وضاحت پیش کی۔
• میں نے متعصب/گمشدہ ڈیٹا اور گمشدہ گروپ کے خطرے کا جائزہ لیا۔
• [ ] میں نے اس فیصلے اور ڈیٹا کو دستاویز کیا جس پر یہ مبنی تھا۔