मॉड्यूल 3: जवाब

1. ज़रूरी बातों को तय करना

आपने सवालों का एक ऐसा सेट चुना है जिसे आपको अपने डेटा कार्ड में शामिल करना है. ये ऐसे सवाल हैं जो आपको लगता है कि आपके दर्शकों के लिए ज़रूरी हैं. हालांकि, इन सवालों के जवाब देने और इसे डेटा कार्ड कहने से काम नहीं चलेगा. यह पक्का करने के लिए कि आपका फ़ाइनल डेटा कार्ड, पढ़ने वालों के अनुभव को बेहतर बनाने के लिए ऑप्टिमाइज़ किया गया हो, इस पर काफ़ी सोच-विचार किया जाता है.

डेटा कार्ड पढ़ने वाले लोग, कुछ खास फ़ैसले लेना चाहते हैं. जैसे:

  • क्या यह डेटासेट, इस्तेमाल के मेरे उदाहरण के लिए सही है?
  • क्या मैं दूसरों को इस डेटासेट का इस्तेमाल करने की अनुमति दे सकता/सकती हूं?
  • मैं अपने मॉडल के लिए जोखिम बढ़ाए बिना, इस डेटासेट का सुरक्षित तरीके से इस्तेमाल कैसे करूं?

अगर लोगों को सही जानकारी आसानी से मिल जाती है, तो वे अपने हिसाब से डेटासेट से जुड़े फ़ैसले बहुत आसानी से ले सकते हैं. जानकारी कितनी अहम या काम की है, यह इस बात पर निर्भर करता है कि पढ़ने वाले व्यक्ति को किस तरह का फ़ैसला लेना है और उसका बैकग्राउंड क्या है. उदाहरण के लिए, किसी डेटासेट का इस्तेमाल करना है या नहीं, यह तय करते समय अनुपालन अधिकारी उससे जुड़े लाइसेंस देखता है. वहीं, इंजीनियर टेक्निकल स्टैक देखता है. दोनों रीडर एक ही सवाल पूछते हैं, लेकिन उन्हें अलग-अलग जवाब चाहिए.

डेटा कार्ड में आपके डेटासेट के बारे में पूरी जानकारी होनी चाहिए, ताकि पढ़ने वाले लोग भरोसे के साथ फ़ैसले ले सकें. इन पूरी जानकारी से, आपको यह तय करने में मदद मिलती है कि आपको अपने डेटा कार्ड से लोगों को क्या जानकारी देनी है. साथ ही, यह तय करने में मदद मिलती है कि इसमें किस तरह की सटीक, भरोसेमंद, और व्यवस्थित जानकारी शामिल करनी है. हालांकि, इसमें एक समस्या यह है कि यह तय करना मुश्किल है कि आपके डेटा कार्ड को पढ़ने वाले लोगों को कौन-कौनसे फ़ैसले लेने पड़ सकते हैं.

2. डेटा कार्ड की योजना बनाना

  • आपके डेटा कार्ड को पढ़ने वाले लोगों को कौनसे फ़ैसले लेने हैं और आपके डेटा कार्ड में कितनी जानकारी शामिल होनी चाहिए, यह तय करने के लिए, यहां दी गई टेबल में हर कैटगरी के लिए दिए गए सवाल का जवाब दें:

रीडर

फ़ैसले

लक्ष्य

कितने काम का है

Nuance

मुख्य दर्शक कौन हैं?

वे डेटासेट के बारे में कौनसे फ़ैसले लेंगे?

उन्हें डेटा कार्ड से क्या जानकारी चाहिए?

उन्हें अपने लक्ष्यों को पूरा करने के लिए, डेटा कार्ड से किस तरह का कॉन्टेंट चाहिए?

आपको पढ़ने वाले के बारे में जो जानकारी है उसके हिसाब से, आपका कॉन्टेंट कितना ज़्यादा जानकारी वाला या बारीकी से बताया गया होना चाहिए?

उदाहरण: प्रोडक्शन सॉफ़्टवेयर इंजीनियर

उदाहरण: क्या मुझे प्रोडक्शन में मौजूद मशीन लर्निंग (एमएल) मॉडल की जांच करने के लिए, डेटासेट का इस्तेमाल करना चाहिए?

उदाहरण: मुझे डेटासेट की खास जानकारी दो. मुझे बताएं कि इसे कैसे लागू किया जाता है.

उदाहरण: सही और गलत इस्तेमाल, पिछले मॉडल पर इस्तेमाल और नतीजे.

उदाहरण: बहुत बारीकी से जानकारी दी गई है. प्रोडक्शन सिस्टम में इंटिग्रेट करने के मकसद से, तकनीकी इस्तेमाल और इस्तेमाल में आसानी पर ज़ोर दिया गया है.

अपनी टेबल का इस्तेमाल करके, डेटा कार्ड का आकलन किया जा सकता है. साथ ही, यह पक्का किया जा सकता है कि ज़्यादा अहमियत रखने वाले लोगों को आपका डेटा कार्ड काम का लगे. आपके डेटा कार्ड का आकलन करने के कई तरीके हैं. हालांकि, हमारा सुझाव है कि आप इस्तेमाल करने में आसानी के आधार पर रेटिंग दें.

बग की गंभीरता के बारे में सटीक जानकारी अलग-अलग हो सकती है. हालांकि, गंभीरता के इस स्केल से यह पता चलता है कि कोई समस्या कितनी गंभीर है और उसका क्या असर होगा. इसमें यह नहीं देखा जाता कि समस्या को ठीक करने के लिए प्राथमिकता क्या है. इस संदर्भ में, हम आपके डेटा कार्ड के इस्तेमाल की बात कर रहे हैं. अगर इस समस्या को ठीक नहीं किया जाता है, तो इससे डेटा कार्ड पर किसी व्यक्ति का भरोसा कम हो सकता है. साथ ही, डेटा कार्ड उसके लिए कम मददगार साबित हो सकता है.

  • यह आकलन करने के लिए कि आपके डेटा कार्ड की स्थिति, आपकी टेबल में मौजूद हर ऑडियंस ग्रुप के लिए कितनी काम की है, यहां दिए गए सवालों के जवाब दें. जवाब देने के लिए, गंभीरता के इस स्केल का इस्तेमाल करें:

उल्लंघन

गंभीरता

ठीक करें

कौनसे जवाब, पढ़ने वाले व्यक्ति के लिए काम के नहीं हैं?

इस समस्या को 1 से 5 के स्केल पर, कितनी जल्दी ठीक किया जाना चाहिए? (लागू होने वाला चेकबॉक्स चुनें):

  • ☐ 1 = बहुत गंभीर. डेटा कार्ड रिलीज़ करने से पहले, इस समस्या को ठीक करें.
  • ☐ 2 = बड़ी समस्या. इसे ठीक करना ज़रूरी है और इसे ज़्यादा प्राथमिकता दी गई है.
  • ☐ 3 = छोटी समस्या. इसे कम प्राथमिकता दी जाती है.
  • ☐ 4 = सिर्फ़ कॉस्मेटिक से जुड़ी समस्या. अगर समय हो, तो इसे ठीक करें.
  • ☐ 5 = यह कोई समस्या नहीं है.

इसका समाधान क्या है?

3. सिर्फ़ ज़रूरी जानकारी देना

आम तौर पर, पहला डेटा कार्ड बनाते समय इनमें से कोई एक समस्या होती है:

  • बहुत ज़्यादा जानकारी होने पर, लोगों को समझने में मुश्किल होती है.
  • कम जानकारी होने पर, लोगों को समझने में मुश्किल होती है.

डेटा कार्ड के क्रिएटर के तौर पर, आपको इसमें मौजूद जानकारी को व्यवस्थित करना होगा और उसे प्राथमिकता देनी होगी. पारदर्शिता से जुड़ी अच्छी जानकारी देने वाले दस्तावेज़ में, लोगों को समझने के लिए ज़रूरी कॉन्टेक्स्ट दिया जाता है. अगर ऐसा नहीं होता है, तो यह उन्हें बताता है कि उन्हें आगे क्या करना है.

आपको ऐसी जानकारी देनी है जिससे डेटासेट को आसानी से समझा जा सके और उसका इस्तेमाल किया जा सके. कभी-कभी, आपके डेटासेट की जटिलता बढ़ जाती है. इससे, जानकारी और उन बातों पर असर पड़ता है जिन्हें आपको अपने डेटा कार्ड में शामिल करना होता है.

पढ़ने वाले व्यक्ति का अनुभव चाहे जैसा भी हो, किसी को भी बहुत ज़्यादा जानकारी मिल सकती है. इसलिए, सही जानकारी देना ज़रूरी है. इसमें यह जानकारी शामिल है:

  • आपको किस तरह की जानकारी देनी चाहिए.
  • आपके पास कितनी जानकारी है.
  • इसमें दी गई जानकारी.

आपके जवाबों में, हर चीज़ के बारे में ज़्यादा जानकारी दिए बिना, उसे कम शब्दों में बताने की कोशिश की जानी चाहिए. साथ ही, जवाबों में ऐसा कॉन्टेक्स्ट शामिल होना चाहिए जिससे लोगों को आपके डेटासेट के बारे में अहम जानकारी मिल सके.

ह्यूरिस्टिक्स

हमने कुछ अनुमानित नियम बनाए हैं. इनका इस्तेमाल करके, अपने डेटा कार्ड को पढ़ने के अनुभव को स्कोर किया जा सकता है. हम इन ह्यूरिस्टिक को ऐसे लक्ष्यों के तौर पर देखते हैं जिन्हें डेटा कार्ड को पूरा करना चाहिए. इससे, डेटा कार्ड को सही तरीके से इस्तेमाल किया जा सकेगा और बड़े पैमाने पर अपनाया जा सकेगा. यहां दी गई टेबल में, इन लक्ष्यों और उनके ब्यौरे के बारे में बताया गया है:

मकसद

ब्यौरा

एकरूप

डेटा कार्ड की तुलना एक-दूसरे से की जा सकती है. भले ही, डेटा मोडैलिटी या डोमेन कुछ भी हो. इससे, दावों को इस्तेमाल के संदर्भ में आसानी से समझा और पुष्टि की जा सकती है. एक बार इस्तेमाल किए जाने वाले डेटा कार्ड को डिप्लॉय करना आसान है. हालांकि, हमें पता चला है कि जब टीमें और संगठन, डेटा कार्ड का इस्तेमाल बढ़ाते हैं, तो उन्हें तुलना करने की सुविधा को बनाए रखने की ज़रूरत होती है.

बेहतरीन

डेटासेट के लाइफ़साइकल में डेटा कार्ड को आखिरी चरण में बनाने के बजाय, इसे डेटासेट के साथ-साथ आसानी से बनाया जा सकता है. इसके अलावा, डेटा कार्ड में फ़ील्ड भरने की ज़िम्मेदारी, सबसे सही व्यक्ति को दी जानी चाहिए. इसके लिए, स्टैंडर्ड तरीकों की ज़रूरत होती है. ये तरीके, डेटा कार्ड से आगे बढ़कर, डेटासेट के लाइफ़साइकल में जनरेट की गई अलग-अलग रिपोर्ट पर लागू होते हैं.

समझ में आने वाला और कम शब्दों में लिखा गया हो

डेटा कार्ड को पढ़ने वाले लोगों की क्षमता अलग-अलग होती है. इससे, डेटा कार्ड को समझने के तरीके पर असर पड़ता है. जब स्टेकहोल्डर की दक्षता अलग-अलग होती है, तो डेटासेट के सबसे मज़बूत मेंटल मॉडल वाले लोग, फ़ैसले लेने वाले मुख्य व्यक्ति बन जाते हैं. आखिर में, ज़्यादा ज़रूरी या मुश्किल टास्क की वजह से, फ़ैसलों में गैर-पारंपरिक हितधारकों की भागीदारी कम हो सकती है. ऐसे टास्क "विशेषज्ञ" को सौंप दिए जाते हैं. इससे, ज़रूरी पहलुओं को शामिल न किए जाने का जोखिम होता है. ये पहलू, डाउनस्ट्रीम और लैटरल स्टेकहोल्डर की ज़रूरतों को पूरा करते हैं. डेटा कार्ड में, कम जानकारी रखने वाले व्यक्ति को भी आसानी से समझ आने वाली भाषा का इस्तेमाल किया जाना चाहिए. साथ ही, ज़्यादा जानकारी रखने वाले लोगों को ज़रूरत के मुताबिक ज़्यादा जानकारी ढूंढने की सुविधा मिलनी चाहिए. कॉन्टेंट और डिज़ाइन ऐसा होना चाहिए जिससे पढ़ने वाले व्यक्ति को जानकारी मिले और वह आसानी से फ़ैसले ले पाए. साथ ही, इससे हितधारकों को डेटासेट के बारे में एक जैसा सोचने में मदद मिलनी चाहिए, ताकि वे फ़ैसले ले सकें.

4. अपने ह्यूरिस्टिक को स्कोर करना

  • अपने डेटा कार्ड के जवाबों की समीक्षा करने के लिए, यहां दिए गए स्कोरकार्ड का इस्तेमाल करें. हमने इस स्कोरकार्ड को हर ह्यूरिस्टिक को स्कोर करने के लिए बनाया है. आखिर में, अपने डेटा कार्ड के कुल स्कोर की गिनती की जा सकती है. इससे आपको अपनी परफ़ॉर्मेंस का पता चलता है. हर ह्यूरिस्टिक को बेहतर बनाने के लिए, ज़्यादा जानकारी और ज़रूरी कार्रवाइयों को कैप्चर करने के लिए टिप्पणियां भी शामिल की जा सकती हैं.

अनुभवाश्रित

ज़रूरी शर्तें

टिप्पणियां

स्कोर

यहां दिए गए सिद्धांतों के आधार पर, अपने डेटा कार्ड को खुद स्कोर करें.

अनुमान से जुड़े तरीके के लिए शर्तें

उन क्षेत्रों पर खास ध्यान दें जहां डेटा कार्ड को बेहतर बनाया जा सकता है.

सिर्फ़ संख्याएं, खुद का स्कोर (0-10)

समझने में आसान
पारदर्शिता से जुड़े आपके दस्तावेज़ का डिज़ाइन और कॉन्टेंट असरदार, काम का, और ज़्यादातर विशेषज्ञ और सामान्य एजेंट के लिए समझने में आसान हो.

  • असरदार: ज़्यादातर एजेंट, डेटासेट या मॉडल के बारे में पूछे गए सवालों के सही जवाब पा सकते हैं.
  • काम का: इसमें शामिल की गई जानकारी, विज़ुअलाइज़ेशन, और विश्लेषण के नतीजे, ज़्यादातर एजेंट के लिए काम के और कार्रवाई करने लायक होते हैं.
  • समझने में आसान: जानकारी को विशेषज्ञ और बिना विशेषज्ञता वाले एजेंट आसानी से समझ सकते हैं.

.

.

पूरी जानकारी
डेटा कार्ड की मदद से, पढ़ने वाले लोगों को यह समझने में आसानी होती है कि डेटासेट या मॉडल किस बारे में है, इसे कैसे बनाया गया है, और इसका इस्तेमाल करने से पहले क्या जानना ज़रूरी है.

  • मकसद के हिसाब से: ऐसी जानकारी जो डेटासेट के कॉन्टेक्स्ट के बारे में बताती है और सभी स्टेकहोल्डर के लिए मददगार होती है.
  • पूरी जानकारी: जानकारी सुसंगत और पूरी है. इसमें डेटासेट के लाइफ़साइकल के सभी चरणों के बारे में सही तरीके से बताया गया है.
  • ज़्यादा जानकारी: जवाब में दी गई जानकारी को सामान्य तौर पर पढ़ने वाले लोग आसानी से समझ सकते हैं. साथ ही, इसमें ज़्यादा जानकारी वाले लिंक भी दिए जाते हैं, ताकि ज़्यादा जानकारी पाने वाले लोग उसे आसानी से समझ सकें.

.

.

एक जैसा
डेटा कार्ड, प्लैटफ़ॉर्म और इंडस्ट्री के नियमों का पालन करता है. साथ ही, यह खुद में और पारदर्शिता से जुड़े अन्य मिलते-जुलते कार्ड में एक जैसा होता है.

  • पहचानने में आसान: सेक्शन को इस तरह से व्यवस्थित किया गया हो कि लोग आसानी से पहचान सकें कि उन्हें जानकारी कहां मिलेगी.
  • स्टैंडर्ड के मुताबिक: इसमें इंडस्ट्री के स्टैंडर्ड के हिसाब से शब्दों का इस्तेमाल किया जाता है. साथ ही, जहां ज़रूरी हो वहां स्टैंडर्ड से अलग या कस्टम किए गए शब्दों के बारे में बताया जाता है.
  • स्पष्ट: एक ही शब्द का इस्तेमाल हर बार एक ही कॉन्सेप्ट के लिए किया जाता है.

.

.

संक्षिप्त
कार्ड में मौजूद डिज़ाइन और कॉन्टेंट, बड़ी और जटिल जानकारी को काम की और आसानी से समझ में आने वाली जानकारी में बदल देता है. यह जानकारी, नौसिखियों और अनुभवी लोगों की ज़रूरतों को पूरा करती है.

  • समझने में आसान: कीवर्ड, की-वैल्यू पेयर, और विज़ुअल समरी का मतलब और अहमियत आसानी से समझी जा सकती है.
  • एक नज़र में जानकारी मिलना: पढ़ने वालों को एक नज़र में पता चल जाता है कि वे अपने लक्ष्यों को पूरा करने के लिए, डेटासेट का इस्तेमाल कैसे कर सकते हैं.
  • कॉन्टेक्स्ट के साथ: डेटासेट की बारीकियों और उसकी प्रकृति को बनाए रखते हुए, बैकग्राउंड की जानकारी और कॉन्टेक्स्ट को समझने के लिए उसे छोटा किया जाता है या उससे ज़रूरी जानकारी निकाली जाती है.

.

.

कुल स्कोर = (कुल पॉइंट/120)

.

.

/120

5. सोच-समझकर किया गया विश्लेषण

हम जानते हैं कि डेटा, लोगों, संस्कृतियों या कारोबारों के बारे में जानकारी होती है. इसे किसी खास मकसद के लिए, व्यवस्थित तरीके से इकट्ठा किया जाता है. हालांकि, जैसा कि बार-बार बताया गया है, ये सभी बारीकियां हैं. ये कई डाइमेंशन से जुड़ी होती हैं और इनकी डिग्री अलग-अलग होती है. इसलिए, अपने डेटासेट का विश्लेषण करने से आपको यह पता चलता है कि डेटासेट में किस तरह का डेटा शामिल किया गया है. इससे आपको डेटासेट की बारीकियों को समझने में मदद मिलती है.

उदाहरण के लिए, लोगों के इंटरसेक्शनल विश्लेषण से, किसी डेटासेट में मानवीय फ़ैक्टर के कॉम्बिनेशन का पता लगाया जा सकता है. इससे, संभावित तौर पर असमान नतीजों की पहचान की जा सकती है. जैसे, जब किसी डेटासेट पर ट्रेन किया गया मॉडल, किसी अन्य मॉडल की तुलना में किसी सबग्रुप के लिए बेहतर परफ़ॉर्म करता है. डिसएग्रीगेट किए गए डेटा का विश्लेषण, डेटासेट को अलग-अलग फ़ैक्टर के आधार पर बांटता है. इससे उपसमूहों या हाशिये पर मौजूद आबादी के लिए अहम पैटर्न का पता चलता है. ये पैटर्न आम तौर पर बड़े, एग्रीगेट किए गए डेटा से छिपे होते हैं, ताकि पढ़ने वाले लोग नतीजों का अनुमान लगा सकें.

इसके अलावा, हमें यह भी पता चला है कि इंटरसेक्शनलिटी और डिसऐग्रिगेटेड विश्लेषण (आईडीए), डेटा कार्ड में अलग-अलग परिस्थितियों में संभावित नतीजों की जानकारी देने के असरदार तरीके हैं. ऐसा डेटासेट में साफ़ तौर पर संबंध बनाकर किया जाता है. आईडीए, पढ़ने वालों को आपके डेटासेट में मौजूद डेटा के बारे में अहम जानकारी दे सकता है. जैसे, संवेदनशील इकाइयों के साथ लेबल कैसे जुड़े हैं; आपके डेटासेट में मौजूद कमियां, जैसे कि डेटासेट में सिर्फ़ दिन के समय ली गई फ़ोटोग्राफ़ हैं; और वैरिएबल के बीच संबंध, जिससे एआई मॉडल को बाद में गलत कोरिलेशन सीखने या प्रॉक्सी चुनने में मदद मिल सकती है. ये विश्लेषण तब और भी ज़्यादा काम के हो जाते हैं, जब इन्हें असल दुनिया की परिस्थितियों के हिसाब से तैयार किया जाता है. इससे, उपयोगकर्ताओं को उस प्रॉडक्ट या सेवा के बारे में पता चलता है जो आपके डेटासेट का इस्तेमाल करती है.

उदाहरण के लिए, डेटा कार्ड में आईडीए के नतीजों को इस तरह से दिखाया जाता है कि पढ़ने वाले लोगों को यह समझने में मदद मिलती है कि उनका एमएल मॉडल, आपके डेटासेट के सबसेट—जिन्हें स्लाइस भी कहा जाता है—पर कैसा परफ़ॉर्म करता है. इसके लिए, डेटासेट बनाने वालों को डेटासेट का विश्लेषण करने और डेटा कार्ड में उसे दिखाने के लिए ज़्यादा मेहनत करनी होगी. हालांकि, इससे स्टेकहोल्डर को प्रॉडक्ट के बेहतर नतीजे मिल सकते हैं.

आईडीए की मदद से, लोगों को यह समझने में मदद मिलती है कि वे अपने मॉडल में आपके डेटासेट का इस्तेमाल कैसे करें. अगर आपको कोई समस्या आ रही है, तो विशेषज्ञों, प्रॉडक्ट टीमों, और ऐसे लोगों से मदद लें जिन्होंने इस तरह की समस्याओं का सामना किया है. इससे आपको अपने विश्लेषण को बेहतर तरीके से तैयार करने में मदद मिलेगी. आईडीए अक्सर ऐसे कॉन्टेक्स्ट पर आधारित होता है जिनके बारे में पाठकों को बताना ज़रूरी होता है या जिनके लिए अतिरिक्त सहायता की ज़रूरत होती है, ताकि पाठक इन्हें सही तरीके से समझ सकें.

6. अपने डेटा का विश्लेषण करें

अपने डेटासेट का विश्लेषण करने के लिए, यह तरीका अपनाएं:

  1. विश्लेषण शुरू करने से पहले एक्सप्लोर करें. TensorFlow Data Validation (TFDV) या Learning Interpretability Tool (LIT) जैसे टूल की मदद से, अपने डेटासेट में मौजूद गड़बड़ियों और अंतरों के बारे में जानकारी पाएं. नतीजों का इस्तेमाल, विश्लेषण के डिज़ाइन के बारे में जानकारी देने के लिए करें.
  2. अपने विश्लेषण को ध्यान से डिज़ाइन करें. विश्लेषण के नतीजे इन बातों पर काफ़ी हद तक निर्भर करते हैं: आकलन के मकसद, विश्लेषण करने के लिए विशेषज्ञता और संसाधनों का ऐक्सेस, विश्लेषण कब और कहां किया गया, और एआई मॉडल के कॉन्टेक्स्ट, जिनमें विश्लेषण किया गया.
  3. उन फ़ैक्टर से शुरुआत करें जो आपके इस्तेमाल के हिसाब से काम के हों. दिलचस्पी के हिसाब से ग्रुप बनाते समय, डेमोग्राफ़िक, सामाजिक-सांस्कृतिक, व्यवहार, और मॉर्फ़ोलॉजिकल फ़ैक्टर को ध्यान में रखें. ये फ़ैक्टर, इस्तेमाल के आपके मकसद पर सबसे ज़्यादा असर डाल सकते हैं. इसके बाद, इन ग्रुप को बड़ा करें.
  4. टिप्पणी न करें, सिर्फ़ शिकायत करें. ध्यान दें कि निष्पक्षता के विश्लेषण पर असर डालने वाले फ़ैक्टर और मान्यताएं, ऐतिहासिक और सांस्कृतिक तौर पर खास सामाजिक संरचनाओं में मौजूद होती हैं. इन्हें संख्या के तौर पर मापना मुश्किल होता है. ऐसी टिप्पणियां जोड़ने से बचें जिनसे पढ़ने वाले व्यक्ति को भ्रम हो सकता है. इसके बजाय, विश्लेषणों को फिर से तैयार करने के तरीके बताएं. इससे लोगों को अपने हिसाब से नतीजों को समझने में मदद मिल सकती है.
  5. आने वाले समय के लिए योजना बनाएं. डेटासेट में मौजूद डेटा के आधार पर, आने वाले समय में दिखने वाले अन्य फ़ैक्टर का हिसाब लगाएं. इसके लिए, अलग-अलग स्थितियों में वैल्यू को एक जैसा रखें या अपने विश्लेषण को डेटासेट से जुड़े अन्य फ़ैक्टर की वैल्यू की रेंज के साथ मिलाएं.
  6. ऐसे नतीजों के बारे में ज़्यादा जानकारी दें जिन्हें दोहराया नहीं जा सकता. अगर डाउनस्ट्रीम स्टेकहोल्डर, मेट्रिक को फिर से नहीं बना सकते, तो विश्लेषण के बारे में पूरी जानकारी दें. अगर कोई व्यक्ति इस जानकारी का इस्तेमाल करके, डेटासेट के फ़ायदे और नुकसान के बारे में जान पाता है, तो इससे डेटासेट पर भरोसा बढ़ता है.

7. बधाई हो

बधाई हो! डेटा कार्ड में सही जवाब देने के लिए, आपके पास कुछ तरीके हैं. अब इनकी ऑडिट की जा सकती है.