जब टीम पूछती है कि किसी विशिष्ट क्षेत्र में उन्हें कितना डेटा चाहिए, तो जवाब कभी-कभी एक ही संख्या नहीं होता। एक व्यावहारिक योजना फ्रेमवर्क व्यापारिक प्रश्न, उस क्षेत्र में उपलब्ध डेटा स्रोतों और अंतिम निर्णय में त्रुटि सहनशीलता से शुरू होता है। इन आधार बिंदुओं के बिना, अनुमान ऊपर की ओर भटक जाते हैं क्योंकि हर कोई मान लेता है कि और अधिक डेटा हमेशा बेहतर होता है।

यह लेख संग्रह शुरू होने से पहले क्षेत्रीय डेटा आवश्यकताओं को साइज करने के लिए एक चरण-दर-चरण दृष्टिकोण देता है。 यह ओवरसाइजिंग और अंडरसाइजिंग के कारणों, फील्ड निष्पादन के दौरान मुख्य जोखिमों और ऐसे कंक्रीट कार्यों पर चर्चा करता है जो टीमों को एक बचाव योग्य सैंपल साइज चुनने में मदद करते हैं। लक्ष्य अधिकतम कवरेज नहीं है, बल्कि वह कार्यभार है जो सामने वाले निर्णय से मेल खाता है।

क्षेत्र में आवश्यक डेटा की मात्रा को वास्तव में क्या प्रेरित करता है

क्षेत्र का आकार महत्वपूर्ण है, लेकिन यह केवल एक इनपुट है। जनसंख्या घनत्व, लक्षित मेट्रिक की परिवर्तनशीलता, अलग-अलग विश्लेषित किए जाने वाले उपसमूहों की संख्या और निर्णय के लिए आवश्यक सटीकता—all ये अंतिम गणना को आकार देते हैं। स्थिर उपज वाले एक समतल कृषि क्षेत्र को घने शहरी क्षेत्र की तुलना में बहुत कम अवलोकनों की आवश्यकता हो सकती है, जहाँ पड़ोसियों में आय, यातायात या सेवा उपयोग में तीव्र अंतर होता है।

अध्ययन का उद्देश्य भी उतना ही महत्वपूर्ण है। एक स्क्रीनिंग अभ्यास जो केवल बड़े बदलाव का पता लगाने की आवश्यकता रखता है, वह एक मॉडरेट सैंपल पर चल सकता है। एक ऐसा निर्णय जो खर्च, नीति परिवर्तन या नियामात्मक कार्रवाई को ट्रिगर करेगा, उसे कसिनेशियर कॉन्फिडेंस की आवश्यकता होती है और इसलिए अधिक डेटा। वे टीम जो इस चरण को छोड़ देती हैं, अक्सर इतना डेटा एकत्रित करती हैं कि वे सुरक्षित महसूस करें, लेकिन वास्तव में महत्वपूर्ण प्रश्न का उत्तर देने के लिए पर्याप्त नहीं।

टीम क्षेत्रीय डेटा में बहुत अधिक या बहुत कम क्यों समाप्त होती है

ओवरसाइजिंग आमतौर पर आदत से आती है। पिछले परियोजनाओं ने एक निश्चित संख्या में रिकॉर्ड का उपयोग किया था, इसलिए नया क्षेत्र छोटा या अधिक समजातीय होने पर भी वही संख्या दोबारा उपयोग की जाती है। अंडरसाइजिंग एक अलग आदत से आती है: टीम बजट या डेडलाइन से शुरू करती है और पीछे की ओर काम करती है, एक ऐसा सैंपल स्वीकार करती है जो उनके सामने वास्तविक परिवर्तनशीलता के लिए बहुत पतला है।

तीसरा कारण अस्पष्ट स्वामित्व है। जब अंतिम निर्णय के लिए कोई एक व्यक्ति जवाबदेह नहीं होता, तो स्टेकहोल्डर आलोचना से बचने के लिए अधिक डेटा की मांग करते हैं। जब एक मालिक स्पष्ट रूप से जवाबदेह होता है, तो बातचीत सब कुछ एकत्रित करने से बदलकर एक विशिष्ट विकल्प को समर्थन देने के लिए पर्याप्त डेटा एकत्रित करने की ओर जाती है。

शुरुआत में स्वामित्व स्पष्ट करना सैंपल साइज को वास्तविक रखने के सबसे प्रभावी तरीकों में से एक है।

इस क्षेत्र में एक बचाव योग्य निर्णय के लिए आपको कितना डेटा चाहिए?

कोई सार्वभौमिक संख्या नहीं है, लेकिन एक बचाव योग्य अनुमान एक छोटे से गणना का पालन करता है। पहले, सबसे छोटा अंतर परिभाषित करें जो निर्णय को बदल देगा। दूसरा, पायलट डेटा या ऐतिहासिक रिकॉर्ड का उपयोग करके उस मेट्रिक की प्राकृतिक परिवर्तनशीलता का अनुमान लगाएं। तीसरा, वह कॉन्फिडेंस लेवल चुनें जो निर्णय सहन कर सकता है। चौथा, क्षेत्र के आकार और उपसमूहों की संख्या को ध्यान में रखते हुए एक सैंपल-साइज सूत्र या सिमुलेशन लागू करें। आउटपुट एक सीमा है, एक ही आंकड़ा नहीं, और वह सीमा संग्रह शुरू होने से पहले निर्णय मालिक के साथ समीक्षा की जानी चाहिए।

व्यावहारिक रूप से, टीम अक्सर पाती है कि सबसे बड़ा ड्राइवर उपसमूहों की संख्या है, कुल क्षेत्र नहीं। एक क्षेत्र को कई छोटे सेल में बांटना प्रति सेल आवश्यक डेटा को गुणा कर देता है और परियोजना को तेजी से महंगा बना देता है। जहाँ निर्णय समान है, वहाँ उपसमूहों को एकीकृत करना विश्लेषणात्मक मूल्य खोए बिना बोझ कम करने का एक व्यावहारिक तरीका है।

क्षेत्रीय डेटा योजना के लिए व्यावहारिक कदम, जोखिम और कार्रवाई

एक लिखित निर्णय कथन से शुरू करें जो प्रश्न, कार्रवाई के लिए थ्रेशोल्ड और मालिक का नाम ले। फिर लक्षित क्षेत्र में एक छोटा पायलट चलाएं ताकि वास्तविक परिवर्तनशीलता को मापें, अनुमान न लगाएं। पायलट परिणामों का उपयोग पूरे संग्रह को साइज करने के लिए करें, और धारणाओं का दस्तावेजीकरण करें ताकि पैसे खर्च होने से पहले तर्क पर चुनौती दी जा सके।

निष्पादन के दौरान, तीन जोखिमों पर नजर रखें। पहला, कवरेज बायस, जहाँ सबसे आसान क्षेत्रों का सैंपल लिया जाता है और सबसे कठिन छोड़े जाते हैं। दूसरा, पुराना डेटा, जहाँ क्षेत्र योजना और संग्रह के बीच बदल जाता है। तीसरा, उपसमूह की पतलापन, जहाँ जनसंख्या का एक आवश्यक हिस्सा विश्वसनीय रूप से रिपोर्ट करने के लिए बहुत कम रिकॉर्ड के साथ समाप्त हो जाता है। प्रत्येक जोखिम का एक सरल समाधान है: एक कवरेज चेकलिस्ट, एक रिफ्रेश तारीख और पहले से सहमत न्यूनतम सेल साइज।

अंत में, संग्रह के पहले तिमाही के बाद योजना को फिर देखें। अवलोकित परिवर्तनशीलता को पायलट अनुमान से तुलना करें। यदि वास्तविक परिवर्तन अधिक है, तो फील्डवर्क समाप्त होने से पहले सैंपल बढ़ाएं, विश्लेषण शुरू होने के बाद नहीं। यदि यह कम है, तो शीघ्र बंद करने और बचाए गए प्रयास को सत्यापन में पुनर्वितरित करने पर विचार करें। यह मध्य-परियोजना चेकपॉइंट क्षेत्रीय डेटा योजना को ईमानदार और किफायती रखने का सबसे उपयोगी अभ्यास है।