അസംസ്കൃത ഡാറ്റയിൽ നിന്ന് പ്രവർത്തനക്ഷമമായ സ്ഥിതിവിവരക്കണക്കുകളിലേക്ക്: സർവേ ഡാറ്റാ പ്രോസസ്സിംഗിനും സ്ഥിതിവിവര വിശകലനത്തിനുമുള്ള ഒരു ആഗോള ഗൈഡ്

ഞങ്ങളുടെ ഡാറ്റാധിഷ്ഠിത ലോകത്ത്, സർവേകൾ ബിസിനസ്സുകൾക്കും ലാഭേച്ഛയില്ലാത്ത സ്ഥാപനങ്ങൾക്കും ഗവേഷകർക്കും ഒരുപോലെ ഒഴിച്ചുകൂടാനാവാത്ത ഉപകരണമാണ്. ഉപഭോക്താക്കളുടെ മുൻഗണനകൾ, ജീവനക്കാരുടെ ഇടപെടൽ, പൊതുജനാഭിപ്രായം, ആഗോളതലത്തിലുള്ള വിപണി പ്രവണതകൾ എന്നിവ മനസിലാക്കുന്നതിന് അവ ഒരു നേരിട്ടുള്ള മാർഗ്ഗം നൽകുന്നു. എന്നിരുന്നാലും, ഒരു സർവേയുടെ യഥാർത്ഥ മൂല്യം പ്രതികരണങ്ങൾ ശേഖരിക്കുന്നതിലല്ല; വ്യക്തവും വിശ്വസനീയവും പ്രവർത്തനക്ഷമവുമായ സ്ഥിതിവിവരക്കണക്കുകളിലേക്ക് അസംസ്കൃതവും പലപ്പോഴും ചിട്ടയില്ലാത്തതുമായ ഡാറ്റയെ മാറ്റുന്നതിനുള്ള കൃത്യമായ പ്രക്രിയയിലാണ്. അസംസ്കൃത ഡാറ്റയിൽ നിന്ന് പരിഷ്കരിച്ച അറിവിലേക്കുള്ള ഈ യാത്രയാണ് സർവേ ഡാറ്റാ പ്രോസസ്സിംഗിന്റെയും സ്ഥിതിവിവര വിശകലനത്തിന്റെയും സാരം.

പല സ്ഥാപനങ്ങളും സർവേകൾ രൂപകൽപ്പന ചെയ്യുന്നതിലും വിതരണം ചെയ്യുന്നതിലും വലിയ തോതിൽ നിക്ഷേപം നടത്തുന്നു, പക്ഷേ ശേഖരണത്തിനു ശേഷമുള്ള നിർണായക ഘട്ടത്തിൽ പരാജയപ്പെടുന്നു. അസംസ്കൃത സർവേ ഡാറ്റ അപൂർവ്വമായി മാത്രമേ മികച്ചതാകൂ. കാണാത്ത മൂല്യങ്ങൾ, സ്ഥിരതയില്ലാത്ത ഉത്തരങ്ങൾ, തെറ്റായ വിവരങ്ങൾ, ഫോർമാറ്റിംഗ് പിശകുകൾ എന്നിവ അതിൽ അടങ്ങിയിരിക്കുന്നു. ഈ അസംസ്കൃത ഡാറ്റ നേരിട്ട് വിശകലനം ചെയ്യുന്നത് തെറ്റിദ്ധാരണാജനകമായ നിഗമനങ്ങളിലേക്കും മോശം തീരുമാനങ്ങളിലേക്കും നയിക്കും. നിങ്ങളുടെ അന്തിമ വിശകലനം ശുദ്ധവും വിശ്വസനീയവും നന്നായി ചിട്ടപ്പെടുത്തിയതുമായ ഡാറ്റയുടെ അടിത്തറയിൽ കെട്ടിപ്പടുക്കുന്നുവെന്ന് ഉറപ്പാക്കിക്കൊണ്ട് സർവേ ഡാറ്റാ പ്രോസസ്സിംഗിന്റെ അവശ്യ ഘട്ടങ്ങളിലൂടെ ഈ സമഗ്ര ഗൈഡ് നിങ്ങളെ നയിക്കും.

അടിസ്ഥാനം: നിങ്ങളുടെ സർവേ ഡാറ്റ മനസ്സിലാക്കുക

നിങ്ങൾ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിന് മുമ്പ്, അതിന്റെ സ്വഭാവം നിങ്ങൾ മനസ്സിലാക്കണം. നിങ്ങളുടെ സർവേയുടെ ഘടനയും നിങ്ങൾ ചോദിക്കുന്ന ചോദ്യങ്ങളുടെ തരവും നിങ്ങൾക്ക് ഉപയോഗിക്കാൻ കഴിയുന്ന വിശകലന രീതികളെ നേരിട്ട് സ്വാധീനിക്കുന്നു. മികച്ച രീതിയിൽ രൂപകൽപ്പന ചെയ്ത ഒരു സർവേ ഗുണനിലവാരമുള്ള ഡാറ്റയിലേക്കുള്ള ആദ്യപടിയാണ്.

സർവേ ഡാറ്റയുടെ തരങ്ങൾ

• ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ: അളക്കാൻ കഴിയുന്ന സംഖ്യാ ഡാറ്റയാണിത്. ഇത് "എത്ര എണ്ണം," "എത്രത്തോളം," അല്ലെങ്കിൽ "എത്ര തവണ" തുടങ്ങിയ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു. പ്രായം, വരുമാനം, 1-10 സ്കെയിലിലുള്ള സംതൃപ്തി റേറ്റിംഗുകൾ അല്ലെങ്കിൽ ഒരു ഉപഭോക്താവ് എത്ര തവണ പിന്തുണാ സേവനവുമായി ബന്ധപ്പെട്ടു എന്നിവ ഉദാഹരണങ്ങളാണ്.
• ക്വാളിറ്റേറ്റീവ് ഡാറ്റ: ഇത് സംഖ്യാതരമല്ലാത്ത വിവരണാത്മക ഡാറ്റയാണ്. ഇത് സന്ദർഭം നൽകുകയും സംഖ്യകൾക്ക് പിന്നിലെ "എന്തുകൊണ്ട്" എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകുകയും ചെയ്യുന്നു. ഒരു പുതിയ ഉൽ‌പ്പന്നത്തെക്കുറിച്ചുള്ള തുറന്ന അഭിപ്രായങ്ങൾ, സേവനത്തെക്കുറിച്ചുള്ള അഭിപ്രായങ്ങൾ അല്ലെങ്കിൽ മെച്ചപ്പെടുത്തലുകൾക്കുള്ള നിർദ്ദേശങ്ങൾ എന്നിവ ഉദാഹരണങ്ങളിൽ ഉൾപ്പെടുന്നു.

പൊതുവായ ചോദ്യ ഫോർമാറ്റുകൾ

നിങ്ങളുടെ ചോദ്യങ്ങളുടെ ഫോർമാറ്റ് നിങ്ങൾക്ക് ലഭിക്കുന്ന ഡാറ്റയുടെ തരം നിർണ്ണയിക്കുന്നു:

• കാറ്റഗോറിക്കൽ: ഒരു നിശ്ചിത എണ്ണം പ്രതികരണ ഓപ്ഷനുകളുള്ള ചോദ്യങ്ങൾ. ഇതിൽ നോമിനൽ ഡാറ്റ (ഉദാഹരണത്തിന്, താമസിക്കുന്ന രാജ്യം, ലിംഗഭേദം) ഉൾപ്പെടുന്നു, ഇവിടെ വിഭാഗങ്ങൾക്ക് അന്തർലീനമായ ക്രമമില്ല, കൂടാതെ ഓർഡിനൽ ഡാറ്റ (ഉദാഹരണത്തിന്, "ശക്തമായി യോജിക്കുന്നു" മുതൽ "ശക്തമായി വിയോജിക്കുന്നു" പോലുള്ള ലിക്കർട്ട് സ്കെയിലുകൾ, അല്ലെങ്കിൽ വിദ്യാഭ്യാസ നില) വിഭാഗങ്ങൾക്ക് വ്യക്തമായ ക്രമമുണ്ട്.
• തുടർച്ചയായത്: ഒരു പരിധിക്കുള്ളിൽ ഏത് സംഖ്യാ മൂല്യവും എടുക്കാൻ കഴിയുന്ന ചോദ്യങ്ങൾ. ഇതിൽ ഇന്റർവെൽ ഡാറ്റ (ഉദാഹരണത്തിന്, താപനില) ഉൾപ്പെടുന്നു, ഇവിടെ മൂല്യങ്ങൾ തമ്മിലുള്ള വ്യത്യാസം അർത്ഥവത്താണ്, പക്ഷേ ശരിയായ പൂജ്യമില്ല, കൂടാതെ അനുപാത ഡാറ്റ (ഉദാഹരണത്തിന്, പ്രായം, ഉയരം, വരുമാനം) ശരിയായ പൂജ്യം പോയിന്റ് ഉണ്ട്.
• തുറന്നത്: പ്രതികരിക്കുന്നവർക്ക് അവരുടെ ഇഷ്ടത്തിനനുസരിച്ച് ഉത്തരങ്ങൾ നൽകാൻ അനുവദിക്കുന്ന ടെക്സ്റ്റ് ബോക്സുകൾ, ഇത് മികച്ച ഗുണപരമായ ഡാറ്റ നൽകുന്നു.

ഘട്ടം 1: ഡാറ്റ തയ്യാറാക്കലും ശുദ്ധീകരണവും - പറയാത്ത നായകൻ

ഡാറ്റ പ്രോസസ്സിംഗിന്റെ ഏറ്റവും നിർണായകവും മിക്കപ്പോഴും കൂടുതൽ സമയം എടുക്കുന്നതുമായ ഘട്ടമാണ് ഡാറ്റ ശുദ്ധീകരണം. ഒരു ഡാറ്റാ സെറ്റിൽ നിന്നുള്ള കേടായതോ കൃത്യമല്ലാത്തതോ ആയ രേഖകൾ കണ്ടെത്തുകയും ശരിയാക്കുകയും (അല്ലെങ്കിൽ നീക്കം ചെയ്യുകയും) ചെയ്യുന്ന സൂക്ഷ്മമായ പ്രക്രിയയാണിത്. ഇതിനെ ഒരു വീടിന്റെ അടിത്തറയായി കണക്കാക്കുക; ശക്തവും ശുദ്ധവുമായ അടിത്തറയില്ലാതെ, നിങ്ങൾ മുകളിൽ കെട്ടിപ്പടിക്കുന്ന എല്ലാം ദുർബലമായിരിക്കും.

പ്രാരംഭ ഡാറ്റാ പരിശോധന

നിങ്ങളുടെ സർവേ പ്രതികരണങ്ങൾ എക്സ്പോർട്ട് ചെയ്തുകഴിഞ്ഞാൽ (സാധാരണയായി CSV അല്ലെങ്കിൽ Excel ഫയലിലേക്ക്), ആദ്യപടി ഉയർന്ന തലത്തിലുള്ള അവലോകനമാണ്. ഇതിനായി പരിശോധിക്കുക:

• โครงสร้างային പിശകുകൾ: എല്ലാ നിരകളും ശരിയായി ലേബൽ ചെയ്തിട്ടുണ്ടോ? ഡാറ്റ പ്രതീക്ഷിച്ച ഫോർമാറ്റിലാണോ?
• പ്രകടമായ കൃത്യതയില്ലാത്തവ: ഡാറ്റയിലൂടെ വേഗത്തിൽ കണ്ണോടിക്കുക. സംഖ്യാ ഫീൽഡിൽ ടെക്സ്റ്റ് പോലുള്ള എന്തെങ്കിലും പ്രശ്നങ്ങൾ നിങ്ങൾ കാണുന്നുണ്ടോ?
• ഫയൽ സമഗ്രത: ഫയൽ ശരിയായി എക്സ്പോർട്ട് ചെയ്തുവെന്നും പ്രതീക്ഷിച്ച എല്ലാ പ്രതികരണങ്ങളും ഉണ്ടെന്നും ഉറപ്പാക്കുക.

കാണാതായ ഡാറ്റ കൈകാര്യം ചെയ്യൽ

എല്ലാ പ്രതികരിക്കുന്നവരും എല്ലാ ചോദ്യങ്ങൾക്കും ഉത്തരം നൽകുന്നത് വിരളമാണ്. ഇത് കാണാത്ത ഡാറ്റയിലേക്ക് നയിക്കുന്നു, ഇത് ചിട്ടയായി കൈകാര്യം ചെയ്യണം. നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന തന്ത്രം കാണാതായതിന്റെ അളവിനെയും സ്വഭാവത്തെയും ആശ്രയിച്ചിരിക്കുന്നു.

• നീക്കം ചെയ്യൽ:
  • ലിസ്റ്റ്വൈസ് ഡിലീഷൻ: ഒരു വേരിയബിളിന് പോലും ഒരു മൂല്യം കാണാനില്ലെങ്കിൽ, പ്രതികരിക്കുന്നവരുടെ മുഴുവൻ റെക്കോർഡും (വരി) നീക്കംചെയ്യുന്നു. ഇതൊരു ലളിതമായ സമീപനമാണ്, പക്ഷേ ഇത് നിങ്ങളുടെ സാമ്പിൾ വലുപ്പം ഗണ്യമായി കുറയ്ക്കുകയും കാണാതായ ഡാറ്റ ക്രമരഹിതമല്ലെങ്കിൽ പക്ഷപാതം ഉണ്ടാക്കുകയും ചെയ്യും.
  • ജോടിയാക്കിയുള്ള നീക്കംചെയ്യൽ: പരിശോധിക്കുന്ന നിർദ്ദിഷ്ട വേരിയബിളുകൾക്കായി ലഭ്യമായ എല്ലാ കേസുകളും ഉപയോഗിച്ച് ഒരു വിശകലനം നടത്തുന്നു. ഇത് ഡാറ്റയുടെ ഉപയോഗം വർദ്ധിപ്പിക്കുന്നു, പക്ഷേ സാമ്പിളിന്റെ വ്യത്യസ്ത ഉപവിഭാഗങ്ങളിൽ വിശകലനം നടത്താൻ ഇത് കാരണമാകും.
• ഇംപ്യൂട്ടേഷൻ: കാണാതായ മൂല്യങ്ങൾ മാറ്റിസ്ഥാപിക്കുന്ന മൂല്യങ്ങൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നത് ഇതിൽ ഉൾപ്പെടുന്നു. സാധാരണ രീതികളിൽ ഇവ ഉൾപ്പെടുന്നു:
  • ശരാശരി/മീഡിയൻ/മോഡ് ഇംപ്യൂട്ടേഷൻ: കാണാതായ സംഖ്യാ മൂല്യത്തെ ആ വേരിയബിളിന്റെ ശരാശരി അല്ലെങ്കിൽ മീഡിയൻ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക, അല്ലെങ്കിൽ കാണാതായ കാറ്റഗോറിക്കൽ മൂല്യത്തെ മോഡ് ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക. ഇത് ലളിതമാണ്, പക്ഷേ ഡാറ്റയിലെ വ്യതിയാനം കുറയ്ക്കാൻ കഴിയും.
  • റിഗ്രഷൻ ഇംപ്യൂട്ടേഷൻ: കാണാതായ മൂല്യം പ്രവചിക്കാൻ ഡാറ്റാ സെറ്റിലെ മറ്റ് വേരിയബിളുകൾ ഉപയോഗിക്കുന്നു. ഇതൊരു സങ്കീർണ്ണവും പലപ്പോഴും കൂടുതൽ കൃത്യവുമായ സമീപനമാണ്.

പ്രവർത്തനക്ഷമമായ സ്ഥിതിവിവരം: കാണാതായ ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിനുള്ള നിങ്ങളുടെ തന്ത്രം എപ്പോഴും രേഖപ്പെടുത്തുക. നിങ്ങളുടെ വിശകലനത്തിന്റെ വിശ്വാസ്യതയ്ക്ക് ഈ സുതാര്യത നിർണായകമാണ്. നിങ്ങൾ ഒരു പ്രത്യേക രീതി തിരഞ്ഞെടുത്തതിന്റെ കാരണം പറയുക, ഫലങ്ങളിലുള്ള അതിന്റെ സ്വാധീനം അംഗീകരിക്കുക.

തെറ്റായ വിവരങ്ങൾ തിരിച്ചറിയലും ചികിത്സയും

തെറ്റായ വിവരങ്ങൾ മറ്റ് നിരീക്ഷണങ്ങളിൽ നിന്ന് കാര്യമായി വ്യത്യാസപ്പെട്ടിരിക്കുന്ന ഡാറ്റാ പോയിന്റുകളാണ്. അവ സാധുതയുള്ളതും എന്നാൽ തീവ്രവുമായ മൂല്യങ്ങളാകാം, അല്ലെങ്കിൽ ഡാറ്റാ എൻട്രിയിലെ പിശകുകളാകാം. ഉദാഹരണത്തിന്, പ്രായം ചോദിക്കുന്ന ഒരു സർവേയിൽ, "150" എന്ന മൂല്യം വ്യക്തമായും ഒരു പിശകാണ്. "95" എന്ന മൂല്യം സാധുതയുള്ളതും എന്നാൽ തീവ്രവുമായ ഡാറ്റാ പോയിന്റാകാം.

• കണ്ടെത്തൽ: തെറ്റായ വിവരങ്ങൾ തിരിച്ചറിയാൻ Z-സ്കോറുകൾ പോലുള്ള സ്ഥിതിവിവര രീതികളോ ബോക്സ് പ്ലോട്ടുകൾ പോലുള്ള വിഷ്വൽ ടൂളുകളോ ഉപയോഗിക്കുക.
• ചികിത്സ: നിങ്ങളുടെ സമീപനം കാരണത്തെ ആശ്രയിച്ചിരിക്കുന്നു. ഒരു തെറ്റായ വിവരങ്ങൾ വ്യക്തമായ പിശകാണെങ്കിൽ, അത് തിരുത്തുകയോ നീക്കം ചെയ്യുകയോ വേണം. ഇത് സാധുതയുള്ളതും എന്നാൽ തീവ്രവുമായ മൂല്യമാണെങ്കിൽ, പരിവർത്തനങ്ങൾ (ലോഗ് ട്രാൻസ്ഫോർമേഷൻ പോലെ) അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങളോട് പ്രതിരോധശേഷിയുള്ള സ്ഥിതിവിവര രീതികൾ (ശരാശരിക്ക് പകരം മീഡിയൻ ഉപയോഗിക്കുന്നത് പോലെ) പരിഗണിക്കാവുന്നതാണ്. നിയമാനുസൃതമായ ഡാറ്റ നീക്കം ചെയ്യുന്നതിനെക്കുറിച്ച് ജാഗ്രത പാലിക്കുക, കാരണം ഇത് ഒരു പ്രത്യേക ഉപഗ്രൂപ്പിനെക്കുറിച്ചുള്ള മൂല്യവത്തായ സ്ഥിതിവിവരങ്ങൾ നൽകും.

ഡാറ്റാ വാലിഡേഷനും സ്ഥിരത പരിശോധനകളും

ഇതിൽ ഡാറ്റയുടെ യുക്തി പരിശോധിക്കുന്നത് ഉൾപ്പെടുന്നു. ഉദാഹരണത്തിന്:

• "ജോലിയില്ലാത്ത" ഒരാൾ "നിലവിലെ ജോലി ശീർഷകത്തിന്" ഉത്തരം നൽകരുത്.
• 20 വയസ്സുണ്ടെന്ന് സൂചിപ്പിച്ച ഒരാൾക്ക് "25 വർഷത്തെ പ്രൊഫഷണൽ പരിചയമുണ്ടെന്നും" സൂചിപ്പിക്കാൻ കഴിയില്ല.

ഈ ലോജിക്കൽ പരിശോധനകൾ ശ്രദ്ധിക്കാത്തവരെ തിരിച്ചറിയാൻ സഹായിക്കുന്നു, ഇത് നിങ്ങളുടെ മുഴുവൻ ഡാറ്റാ സെറ്റിന്റെയും ഗുണനിലവാരത്തെ ബാധിക്കും.

ഘട്ടം 2: ഡാറ്റാ പരിവർത്തനവും കോഡിംഗും

ഡാറ്റ ശുദ്ധീകരിച്ചുകഴിഞ്ഞാൽ, വിശകലനത്തിനായി അത് ക്രമീകരിക്കേണ്ടതുണ്ട്. ഇതിൽ വേരിയബിളുകൾ പരിവർത്തനം ചെയ്യുന്നതും ഗുണപരമായ ഡാറ്റയെ അളവ് ഫോർമാറ്റിലേക്ക് കോഡ് ചെയ്യുന്നതും ഉൾപ്പെടുന്നു.

തുറന്ന പ്രതികരണങ്ങൾ കോഡ് ചെയ്യുക

ഗുണപരമായ ഡാറ്റ സ്ഥിതിവിവരപരമായി വിശകലനം ചെയ്യാൻ, നിങ്ങൾ ആദ്യം അതിനെ തരംതിരിക്കണം. തീമാറ്റിക് അനാലിസിസ് എന്ന് വിളിക്കപ്പെടുന്ന ഈ പ്രക്രിയയിൽ ഇവ ഉൾപ്പെടുന്നു:

1. വായിക്കുകയും പരിചയപ്പെടുകയും ചെയ്യുക: പൊതുവായ വിഷയങ്ങളെക്കുറിച്ച് അറിയാൻ പ്രതികരണങ്ങളുടെ ഒരു സാമ്പിളിലൂടെ വായിക്കുക.
2. ഒരു കോഡ്ബുക്ക് ഉണ്ടാക്കുക: വിഭാഗങ്ങളുടെയോ വിഷയങ്ങളുടെയോ ഒരു കൂട്ടം വികസിപ്പിക്കുക. "ഞങ്ങളുടെ സേവനം മെച്ചപ്പെടുത്താൻ ഞങ്ങൾക്ക് എന്ത് ചെയ്യാൻ കഴിയും?" എന്ന ചോദ്യത്തിന്, "വേഗത്തിലുള്ള പ്രതികരണ സമയം," "കൂടുതൽ വിവരമുള്ള സ്റ്റാഫ്," "മെച്ചപ്പെട്ട വെബ്സൈറ്റ് നാവിഗേഷൻ," തുടങ്ങിയവ വിഷയങ്ങളിൽ ഉൾപ്പെടാം.
3. കോഡുകൾ നൽകുക: ഓരോ പ്രതികരണത്തിലൂടെയും കടന്നുപോയി നിർവചിക്കപ്പെട്ട ഒന്നോ അതിലധികമോ വിഭാഗങ്ങളിലേക്ക് നൽകുക. ഇത് ചിട്ടയില്ലാത്ത വാചകത്തെ എണ്ണാനും വിശകലനം ചെയ്യാനും കഴിയുന്ന ചിട്ടയായ, കാറ്റഗോറിക്കൽ ഡാറ്റയാക്കി മാറ്റുന്നു.

ഉദാഹരണത്തിന്, "നിങ്ങളുടെ പിന്തുണാ ടീം എന്റെ ഇമെയിലുകൾക്ക് വേഗത്തിൽ മറുപടി നൽകണമെന്ന് ഞാൻ ആഗ്രഹിക്കുന്നു" എന്ന പ്രതികരണം "വേഗത്തിലുള്ള പ്രതികരണ സമയം" എന്നതിന് കീഴിൽ കോഡ് ചെയ്യും.

വേരിയബിൾ ഉണ്ടാക്കുകയും വീണ്ടും കോഡ് ചെയ്യുകയും ചെയ്യുക

ചില സമയങ്ങളിൽ, നിങ്ങളുടെ വിശകലനത്തിന് അസംസ്കൃത വേരിയബിളുകൾ അനുയോജ്യമായ ഫോർമാറ്റിലായിരിക്കില്ല. നിങ്ങൾ ഇത് ചെയ്യേണ്ടി വന്നേക്കാം:

• പുതിയ വേരിയബിളുകൾ ഉണ്ടാക്കുക: ഉദാഹരണത്തിന്, വിശകലനവും ദൃശ്യവൽക്കരണവും ലളിതമാക്കാൻ, തുടർച്ചയായ "പ്രായം" വേരിയബിളിൽ നിന്ന് നിങ്ങൾക്ക് ഒരു "പ്രായ ഗ്രൂപ്പ്" വേരിയബിൾ (ഉദാഹരണത്തിന്, 18-29, 30-45, 46-60, 61+) ഉണ്ടാക്കാം.
• വേരിയബിളുകൾ വീണ്ടും കോഡ് ചെയ്യുക: ഇത് ലിക്കർട്ട് സ്കെയിലുകൾക്ക് സാധാരണമാണ്. മൊത്തത്തിലുള്ള സംതൃപ്തി സ്കോർ ഉണ്ടാക്കാൻ, നിങ്ങൾ നെഗറ്റീവായി പറഞ്ഞ കാര്യങ്ങൾ റിവേഴ്സ്-കോഡ് ചെയ്യേണ്ടി വന്നേക്കാം. ഉദാഹരണത്തിന്, "സേവനം മികച്ചതായിരുന്നു" എന്ന നല്ല ചോദ്യത്തിൽ "ശക്തമായി യോജിക്കുന്നു" എന്നത് 5 ആയി കോഡ് ചെയ്തിട്ടുണ്ടെങ്കിൽ, എല്ലാ സ്കോറുകളും ഒരേ ദിശയിലേക്ക് പോയിന്റ് ചെയ്യുന്നുവെന്ന് ഉറപ്പാക്കാൻ "കാത്തിരിപ്പ് സമയം നിരാശാജനകമായിരുന്നു" പോലുള്ള നെഗറ്റീവ് ചോദ്യത്തിൽ അത് 1 ആയി കോഡ് ചെയ്യണം.

സർവേ ഡാറ്റയ്ക്ക് വെയിറ്റേജ് നൽകുക

വലിയ തോതിലുള്ളതോ അന്തർദ്ദേശീയമായതോ ആയ സർവേകളിൽ, നിങ്ങളുടെ പ്രതികരിക്കുന്നവരുടെ സാമ്പിൾ നിങ്ങളുടെ ലക്ഷ്യമിട്ടുള്ള ജനസംഖ്യയുടെ ഡെമോഗ്രാഫിക്സിനെ പൂർണ്ണമായി പ്രതിഫലിക്കണമെന്നില്ല. ഉദാഹരണത്തിന്, നിങ്ങളുടെ ലക്ഷ്യമിട്ടുള്ള ജനസംഖ്യയിൽ 50% യൂറോപ്പിൽ നിന്നും 50% വടക്കേ അമേരിക്കയിൽ നിന്നുമാണെങ്കിൽ, നിങ്ങളുടെ സർവേ പ്രതികരണങ്ങളിൽ 70% യൂറോപ്പിൽ നിന്നും 30% വടക്കേ അമേരിക്കയിൽ നിന്നുമാണെങ്കിൽ, നിങ്ങളുടെ ഫലങ്ങൾ തെറ്റായിരിക്കും. സർവേ വെയിറ്റേജ് ഈ അസന്തുലിതാവസ്ഥ ശരിയാക്കാൻ ഡാറ്റ ക്രമീകരിക്കുന്നതിന് ഉപയോഗിക്കുന്ന ഒരു സ്ഥിതിവിവരപരമായ സാങ്കേതികതയാണ്. ഓരോ പ്രതികരിക്കുന്നയാൾക്കും ഒരു "വെയിറ്റ്" നൽകിയിട്ടുണ്ട്, അതിനാൽ കുറഞ്ഞ പ്രാതിനിധ്യമുള്ള ഗ്രൂപ്പുകൾക്ക് കൂടുതൽ സ്വാധീനം നൽകുകയും അമിതമായി പ്രാതിനിധ്യമുള്ള ഗ്രൂപ്പുകൾക്ക് കുറഞ്ഞ സ്വാധീനം നൽകുകയും ചെയ്യുന്നു, ഇത് അന്തിമ സാമ്പിളിനെ യഥാർത്ഥ ജനസംഖ്യയുടെ സ്ഥിതിവിവരപരമായ പ്രാതിനിധ്യമാക്കുന്നു. വൈവിധ്യമാർന്ന ആഗോള സർവേ ഡാറ്റയിൽ നിന്ന് കൃത്യമായ നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നതിന് ഇത് നിർണായകമാണ്.

ഘട്ടം 3: കാര്യത്തിന്റെ കാതൽ - സ്ഥിതിവിവരപരമായ വിശകലനം

ശുദ്ധവും നന്നായി ചിട്ടപ്പെടുത്തിയതുമായ ഡാറ്റ ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഒടുവിൽ വിശകലനത്തിലേക്ക് കടക്കാം. സ്ഥിതിവിവരപരമായ വിശകലനത്തെ വിശാലമായി വിവരണാത്മകമെന്നും നിഗമനപരമെന്നും രണ്ടായി തിരിക്കാം.

വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകൾ: നിങ്ങളുടെ ഡാറ്റയുടെ ഒരു ചിത്രം വരയ്ക്കുക

വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകൾ നിങ്ങളുടെ ഡാറ്റാ സെറ്റിന്റെ സ്വഭാവസവിശേഷതകൾ സംഗ്രഹിക്കുകയും ക്രമീകരിക്കുകയും ചെയ്യുന്നു. അവ നിഗമനങ്ങൾ ഉണ്ടാക്കുന്നില്ല, പക്ഷേ അവ ഡാറ്റ കാണിക്കുന്നതിന്റെ വ്യക്തവും സംക്ഷിപ്തവുമായ സംഗ്രഹം നൽകുന്നു.

• കേന്ദ്ര പ്രവണതയുടെ അളവുകൾ:
  • ശരാശരി: ശരാശരി മൂല്യം. കാര്യമായ തെറ്റായ വിവരങ്ങളില്ലാത്ത തുടർച്ചയായ ഡാറ്റയ്ക്ക് ഏറ്റവും മികച്ചത്.
  • മീഡിയൻ: ഡാറ്റ അടുക്കുമ്പോൾ നടുവിലുള്ള മൂല്യം. തെറ്റായ വിവരങ്ങളുള്ള ഡാറ്റയ്‌ക്കോ തെറ്റായ വിവരങ്ങളുള്ള ഡാറ്റയ്‌ക്കോ ഏറ്റവും മികച്ചത്.
  • മോഡ്: ഏറ്റവും കൂടുതൽ ആവർത്തിക്കുന്ന മൂല്യം. കാറ്റഗോറിക്കൽ ഡാറ്റയ്ക്ക് ഉപയോഗിക്കുന്നു.
• ഡിസ്പർഷന്റെ അളവുകൾ (അല്ലെങ്കിൽ വ്യതിയാനം):
  • പരിധി: ഏറ്റവും ഉയർന്നതും താഴ്ന്നതുമായ മൂല്യങ്ങൾ തമ്മിലുള്ള വ്യത്യാസം.
  • വേരിയൻസ് & സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ: ശരാശരിയിൽ നിന്ന് ഡാറ്റാ പോയിന്റുകൾ എത്രത്തോളം വ്യാപിച്ചിരിക്കുന്നു എന്നതിന്റെ അളവുകൾ. കുറഞ്ഞ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ മൂല്യങ്ങൾ ശരാശരിക്ക് അടുത്തായിരിക്കുമ്പോൾ, ഉയർന്ന സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ മൂല്യങ്ങൾ വിശാലമായ പരിധിയിൽ വ്യാപിച്ചിരിക്കുന്നു എന്ന് സൂചിപ്പിക്കുന്നു.
• ആവൃത്തി വിതരണങ്ങൾ: നിങ്ങളുടെ ഡാറ്റാ സെറ്റിൽ ഓരോ മൂല്യവും അല്ലെങ്കിൽ വിഭാഗവും എത്ര തവണ ദൃശ്യമാകുന്നു എന്ന് കാണിക്കുന്ന പട്ടികകളോ ചാർട്ടുകളോ. കാറ്റഗോറിക്കൽ ഡാറ്റയ്ക്കുള്ള ഏറ്റവും അടിസ്ഥാനപരമായ വിശകലന രീതിയാണിത്.

നിഗമന സ്ഥിതിവിവരക്കണക്കുകൾ: നിഗമനങ്ങളിൽ എത്തിച്ചേരുകയും പ്രവചനങ്ങൾ നടത്തുകയും ചെയ്യുക

ഒരു വലിയ ജനസംഖ്യയെക്കുറിച്ച് പൊതുവൽക്കരണങ്ങൾ നടത്താനോ പ്രവചനങ്ങൾ നടത്താനോ സാമ്പിളിൽ നിന്നുള്ള ഡാറ്റ നിഗമന സ്ഥിതിവിവരക്കണക്കുകൾ ഉപയോഗിക്കുന്നു. ഇവിടെ നിങ്ങൾ ഹൈപ്പോത്തിസുകൾ പരീക്ഷിക്കുകയും സ്ഥിതിവിവരപരമായി പ്രധാനപ്പെട്ട ബന്ധങ്ങൾ കണ്ടെത്തുകയും ചെയ്യുന്നു.

സർവേ വിശകലനത്തിനായുള്ള പൊതുവായ സ്ഥിതിവിവരപരമായ ടെസ്റ്റുകൾ

• ചി-സ്ക്വയർ ടെസ്റ്റ് (χ²): രണ്ട് കാറ്റഗോറിക്കൽ വേരിയബിളുകൾ തമ്മിൽ കാര്യമായ ബന്ധമുണ്ടോ എന്ന് നിർണ്ണയിക്കാൻ ഉപയോഗിക്കുന്നു.
  • ആഗോള ഉദാഹരണം: ഒരു ആഗോള റീട്ടെയിൽ ബ്രാൻഡിന് ഒരു ഉപഭോക്താവിൻ്റെ ഭൂഖണ്ഡം (അമേരിക്ക, യൂറോപ്പ്, മിഡിൽ ഈസ്റ്റ്, ആഫ്രിക്ക, ഏഷ്യ പസഫിക്) അവർ തിരഞ്ഞെടുക്കുന്ന ഉൽപ്പന്ന വിഭാഗവും (വസ്ത്രങ്ങൾ, ഇലക്ട്രോണിക്സ്, വീട്ടുപകരണങ്ങൾ) തമ്മിൽ സ്ഥിതിവിവരപരമായി പ്രധാനപ്പെട്ട ബന്ധമുണ്ടോയെന്ന് പരിശോധിക്കാൻ ചി-സ്ക്വയർ ടെസ്റ്റ് ഉപയോഗിക്കാം.
• ടി-ടെസ്റ്റുകളും ANOVA-യും: ഒന്നോ അതിലധികമോ ഗ്രൂപ്പുകളുടെ ശരാശരി താരതമ്യം ചെയ്യാൻ ഉപയോഗിക്കുന്നു.
  • ഒരു ഇൻഡിപെൻഡന്റ് സാമ്പിൾ ടി-ടെസ്റ്റ് രണ്ട് സ്വതന്ത്ര ഗ്രൂപ്പുകളുടെ ശരാശരി താരതമ്യം ചെയ്യുന്നു. ഉദാഹരണം: മൊബൈൽ ആപ്പ് ഉപയോഗിച്ച ഉപഭോക്താക്കളും വെബ്സൈറ്റ് ഉപയോഗിച്ചവരും തമ്മിൽ ശരാശരി നെറ്റ് പ്രൊമോട്ടർ സ്കോറിൽ (NPS) കാര്യമായ വ്യത്യാസമുണ്ടോ?
  • ഒരു വേരിയൻസ് അനാലിസിസ് (ANOVA) മൂന്നോ അതിലധികമോ ഗ്രൂപ്പുകളുടെ ശരാശരി താരതമ്യം ചെയ്യുന്നു. ഉദാഹരണം: ഒരു മൾട്ടിനാഷണൽ കോർപ്പറേഷനിലെ വിവിധ ഡിപ്പാർട്ട്മെന്റുകളിൽ നിന്നുള്ള (ഉദാഹരണത്തിന്, സെയിൽസ്, മാർക്കറ്റിംഗ്, എഞ്ചിനീയറിംഗ്, എച്ച്ആർ) ശരാശരി ജീവനക്കാരുടെ സംതൃപ്തി സ്കോർ കാര്യമായി വ്യത്യാസപ്പെടുന്നുണ്ടോ?
• സഹബന്ധ വിശകലനം: രണ്ട് തുടർച്ചയായ വേരിയബിളുകൾ തമ്മിലുള്ള രേഖീയ ബന്ധത്തിന്റെ ശക്തിയും ദിശയും അളക്കുന്നു. ഫലം, സഹബന്ധ ഗുണകം (r), -1 മുതൽ +1 വരെയാണ്.
  • ആഗോള ഉദാഹരണം: ഒരു അന്തർദ്ദേശീയ ലോജിസ്റ്റിക്സ് കമ്പനിക്ക് ഡെലിവറി ദൂരവും (കിലോമീറ്ററുകളിൽ) ഡെലിവറി സമയത്തിനായുള്ള ഉപഭോക്തൃ സംതൃപ്തി റേറ്റിംഗുകളും തമ്മിൽ ഒരു സഹബന്ധമുണ്ടോ എന്ന് വിശകലനം ചെയ്യാവുന്നതാണ്.
• റിഗ്രഷൻ വിശകലനം: പ്രവചനത്തിനായി ഉപയോഗിക്കുന്നു. ഒന്നോ അതിലധികമോ സ്വതന്ത്ര വേരിയബിളുകൾ മാറുമ്പോൾ ഒരു ആശ്രിത വേരിയബിൾ എങ്ങനെ മാറുന്നു എന്ന് മനസ്സിലാക്കാൻ ഇത് സഹായിക്കുന്നു.
  • ആഗോള ഉദാഹരണം: ഒരു സോഫ്റ്റ്‌വെയർ-എ-എ-സർവീസ് (SaaS) കമ്പനിക്ക് ഫയൽ ചെയ്ത പിന്തുണാ ടിക്കറ്റുകളുടെ എണ്ണം, ഉൽപ്പന്ന ഉപയോഗ ആവൃത്തി, ഉപഭോക്താവിൻ്റെ സബ്സ്ക്രിപ്ഷൻ ടയർ തുടങ്ങിയ സ്വതന്ത്ര വേരിയബിളുകളെ അടിസ്ഥാനമാക്കി ഉപഭോക്തൃ കൊഴിഞ്ഞുപോക്ക് (ആശ്രിത വേരിയബിൾ) പ്രവചിക്കാൻ റിഗ്രഷൻ വിശകലനം ഉപയോഗിക്കാം.

വിപണിയിലെ ഉപകരണങ്ങൾ: സർവേ ഡാറ്റാ പ്രോസസ്സിംഗിനായുള്ള സോഫ്റ്റ്‌വെയർ

തത്വങ്ങൾ സാർവത്രികമാണെങ്കിലും, നിങ്ങൾ ഉപയോഗിക്കുന്ന ഉപകരണങ്ങൾക്ക് നിങ്ങളുടെ കാര്യക്ഷമതയെ ഗണ്യമായി ബാധിക്കാൻ കഴിയും.

• സ്പ്രെഡ്ഷീറ്റ് സോഫ്റ്റ്‌വെയർ (Microsoft Excel, Google Sheets): അടിസ്ഥാന ഡാറ്റ ശുദ്ധീകരണം, അടുക്കൽ, ലളിതമായ ചാർട്ടുകൾ ഉണ്ടാക്കൽ എന്നിവയ്ക്ക് മികച്ചതാണ്. അവ എളുപ്പത്തിൽ ലഭ്യമാണ്, പക്ഷേ വലിയ ഡാറ്റാ സെറ്റുകൾക്കും സങ്കീർണ്ണമായ സ്ഥിതിവിവരപരമായ ടെസ്റ്റുകൾക്കും ബുദ്ധിമുട്ടാണ്.
• സ്ഥിതിവിവര പാക്കേജുകൾ (SPSS, Stata, SAS): സ്ഥിതിവിവരപരമായ വിശകലനത്തിനായി പ്രത്യേകം നിർമ്മിച്ചവയാണ്. അവ ഒരു ഗ്രാഫിക്കൽ യൂസർ ഇന്റർഫേസ് വാഗ്ദാനം ചെയ്യുന്നു, ഇത് പ്രോഗ്രാമർമാരല്ലാത്തവർക്ക് കൂടുതൽ എളുപ്പത്തിൽ ലഭ്യമാക്കുന്നു, കൂടാതെ അവയ്ക്ക് സങ്കീർണ്ണമായ വിശകലനങ്ങൾ എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാൻ കഴിയും.
• പ്രോഗ്രാമിംഗ് ഭാഷകൾ (R, Python): ഏറ്റവും ശക്തവും വഴക്കമുള്ളതുമായ ഓപ്ഷനുകൾ. ഡാറ്റ കൃത്രിമത്വത്തിന് Pandas, NumPy പോലുള്ള ലൈബ്രറികളും വിശകലനത്തിന് SciPy അല്ലെങ്കിൽ statsmodels പോലുള്ള ലൈബ്രറികളും ഉള്ളതിനാൽ, വലിയ ഡാറ്റാ സെറ്റുകൾക്കും പുനർനിർമ്മിക്കാവുന്നതും യാന്ത്രികവുമായ വർക്ക്ഫ്ലോകൾ ഉണ്ടാക്കുന്നതിനും അവ അനുയോജ്യമാണ്. R എന്നത് സ്ഥിതിവിവര വിദഗ്ധർ സ്ഥിതിവിവരക്കണക്കുകൾക്കായി നിർമ്മിച്ച ഒരു ഭാഷയാണ്, Python ശക്തമായ ഡാറ്റാ സയൻസ് ലൈബ്രറികളുള്ള ഒരു പൊതു-ഉദ്ദേശ ഭാഷയാണ്.
• സർവേ പ്ലാറ്റ്‌ഫോമുകൾ (Qualtrics, SurveyMonkey, Typeform): പല ആധുനിക സർവേ പ്ലാറ്റ്‌ഫോമുകളിലും ബിൽറ്റ്-ഇൻ ഡാഷ്‌ബോർഡുകളും വിശകലന ഉപകരണങ്ങളുമുണ്ട്, അവയ്ക്ക് അടിസ്ഥാന വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകൾ നടത്താനും പ്ലാറ്റ്‌ഫോമിനുള്ളിൽ നേരിട്ട് ദൃശ്യവൽക്കരണങ്ങൾ ഉണ്ടാക്കാനും കഴിയും.

ആഗോള പ്രേക്ഷകർക്കുള്ള മികച്ച രീതികൾ

ഒരു ആഗോള സർവേയിൽ നിന്നുള്ള ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിന് കൂടുതൽ ശ്രദ്ധ ആവശ്യമാണ്.

• വ്യാഖ്യാനത്തിലെ സാംസ്കാരിക സൂക്ഷ്മതകൾ: സാംസ്കാരിക പ്രതികരണ ശൈലികളെക്കുറിച്ച് ബോധവാന്മാരായിരിക്കുക. ചില സംസ്കാരങ്ങളിൽ, പ്രതികരിക്കുന്നവർ റേറ്റിംഗ് സ്കെയിലിന്റെ തീവ്രമായ അറ്റങ്ങൾ (ഉദാഹരണത്തിന്, 1 അല്ലെങ്കിൽ 10) ഉപയോഗിക്കാൻ മടിക്കുന്നു, ഇത് പ്രതികരണങ്ങൾ നടുവിൽ കേന്ദ്രീകരിക്കുന്നതിലേക്ക് നയിക്കുന്നു. ഇത് പരിഗണിച്ചില്ലെങ്കിൽ, ക്രോസ്-കൾച്ചറൽ താരതമ്യങ്ങളെ ബാധിക്കും.
• വിവർത്തനവും പ്രാദേശികവൽക്കരണവും: നിങ്ങളുടെ ഡാറ്റയുടെ ഗുണനിലവാരം നിങ്ങളുടെ ചോദ്യങ്ങളുടെ വ്യക്തതയിൽ നിന്ന് ആരംഭിക്കുന്നു. ഓരോ ഭാഷയിലെയും ശരിയായ അർത്ഥവും സാംസ്കാരിക സന്ദർഭവും പകർത്താൻ, നിങ്ങളുടെ സർവേ പ്രൊഫഷണലായി വിവർത്തനം ചെയ്യുകയും പ്രാദേശികവൽക്കരിക്കുകയും ചെയ്തുവെന്ന് ഉറപ്പാക്കുക, മെഷീൻ വിവർത്തനം മാത്രമല്ല.
• ഡാറ്റാ സ്വകാര്യതയും നിയന്ത്രണങ്ങളും: യൂറോപ്പിലെ GDPR പോലുള്ള അന്തർദ്ദേശീയ ഡാറ്റാ സ്വകാര്യതാ നിയമങ്ങൾക്കും മറ്റ് പ്രാദേശിക നിയന്ത്രണങ്ങൾക്കും പൂർണ്ണമായി അനുസൃതമായിരിക്കുക. സാധ്യമാകുമ്പോൾ ഡാറ്റ അജ്ഞാതമാക്കുന്നതും സുരക്ഷിതമായ ഡാറ്റ സംഭരണവും പ്രോസസ്സിംഗ് രീതികളും ഉറപ്പാക്കുന്നതും ഇതിൽ ഉൾപ്പെടുന്നു.
• കൃത്യമായ രേഖകൾ: ശുദ്ധീകരണത്തിനും വിശകലനത്തിനും ഇടയിൽ എടുത്ത എല്ലാ തീരുമാനങ്ങളുടെയും കൃത്യമായ രേഖ സൂക്ഷിക്കുക. ഈ "വിശകലന പദ്ധതി" അല്ലെങ്കിൽ "കോഡ്ബുക്ക്" കാണാതായ ഡാറ്റ നിങ്ങൾ എങ്ങനെ കൈകാര്യം ചെയ്തു, വേരിയബിളുകൾ എങ്ങനെ വീണ്ടും കോഡ് ചെയ്തു, നിങ്ങൾ ഏതൊക്കെ സ്ഥിതിവിവരപരമായ ടെസ്റ്റുകൾ നടത്തി എന്നതിനെക്കുറിച്ചുള്ള വിശദാംശങ്ങൾ നൽകണം. ഇത് നിങ്ങളുടെ ജോലി സുതാര്യവും വിശ്വസനീയവുമാക്കുന്നു, മറ്റുള്ളവർക്ക് ഇത് പുനർനിർമ്മിക്കാനും കഴിയും.

ഉപസംഹാരം: ഡാറ്റയിൽ നിന്ന് തീരുമാനത്തിലേക്ക്

സർവേ ഡാറ്റാ പ്രോസസ്സിംഗ് എന്നത് ചിട്ടയില്ലാത്തതും അസംസ്കൃതവുമായ പ്രതികരണങ്ങളെ ശക്തമായ തന്ത്രപരമായ ആസ്തിയായി മാറ്റുന്ന ഒരു യാത്രയാണ്. ഇത് ഡാറ്റ വൃത്തിയാക്കുന്നതിലും തയ്യാറാക്കുന്നതിലും നിന്ന്, അത് പരിവർത്തനം ചെയ്യുന്നതിലും ഘടനാപരമായ രൂപം നൽകുന്നതിലും ഒടുവിൽ ഉചിതമായ സ്ഥിതിവിവരപരമായ രീതികൾ ഉപയോഗിച്ച് വിശകലനം ചെയ്യുന്നതിലും മുന്നോട്ട് പോകുന്ന ഒരു ചിട്ടയായ പ്രക്രിയയാണ്. ഈ ഘട്ടങ്ങൾ ശ്രദ്ധാപൂർവ്വം പിന്തുടരുന്നതിലൂടെ, നിങ്ങൾ അവതരിപ്പിക്കുന്ന സ്ഥിതിവിവരങ്ങൾ രസകരമായവ മാത്രമല്ല, കൃത്യവും വിശ്വസനീയവും സാധുതയുള്ളതുമാണെന്ന് ഉറപ്പാക്കുന്നു. ആഗോളവൽക്കരിക്കപ്പെട്ട ഒരു ലോകത്ത്, ഈ കൃത്യതയാണ് ഉപരിപ്ലവമായ നിരീക്ഷണങ്ങളെ ആഴത്തിലുള്ളതും ഡാറ്റാധിഷ്ഠിതവുമായ തീരുമാനങ്ങളിൽ നിന്ന് വേർതിരിക്കുന്നത്, അത് സംഘടനകളെ മുന്നോട്ട് നയിക്കുന്നു.