मॉड्यूल 2: जांच करना

1. नॉलेज ऐक्विज़िशन

जब स्टेकहोल्डर के टाइप के बारे में जानकारी इकट्ठा की जाती है, उनकी ज़रूरतों के हिसाब से जानकारी इकट्ठा की जाती है, और सवालों को अलग-अलग तरह से फ़्रेम किया जाता है, तब थीम अपने-आप बन जाती हैं. हमने सवालों के विषय को क्रम से लगाने और व्यवस्थित करने में आपकी मदद करने के लिए, नॉलेज-ऐक्विज़िशन फ़्रेमवर्क बनाया है. यह फ़्रेमवर्क, पारदर्शिता से जुड़े दस्तावेज़ बनाने के लिए आपको एक मज़बूत, सोच-समझकर, और बार-बार इस्तेमाल किया जा सकने वाला तरीका उपलब्ध कराता है.

जानकारी हासिल करने का मतलब है, किसी एक सोर्स से जानकारी निकालना, उसे व्यवस्थित करना, और उसे इस तरह से मैनेज करना कि उसका इस्तेमाल किया जा सके. आम तौर पर, यह सोर्स किसी विषय के विशेषज्ञ होते हैं. इस जानकारी का इस्तेमाल, उदाहरण के लिए, उस प्रॉडक्ट या टेक्नोलॉजी में किया जा सकता है जिस पर आप काम कर रहे हैं.

हमारे फ़्रेमवर्क को OFTEn कहा जाता है. यह एक कॉन्सेप्ट वाला टूल है. इसका इस्तेमाल, यह समझने के लिए किया जाता है कि डेटा कार्ड के सभी हिस्सों में विषय कैसे फैलते हैं. हमने इसे इंडक्टिव और डिडक्टिव डेटासेट-पारदर्शिता की जांच के ज़रिए बनाया है.

OFTEn

OFTEn, डेटासेट की लाइफ़साइकल के सामान्य चरणों का संक्षिप्त रूप है: Oरिजिंस, Fैक्चुअल, T्रांसफ़ॉर्मेशन, Eक्सपीरियंस, और n = 1 (सैंपल).

Origins

ओरिजिंस स्टेज में, प्लानिंग से जुड़ी अलग-अलग गतिविधियां शामिल होती हैं. इनसे फ़ाइनल नतीजे तय होते हैं. जैसे, ज़रूरी शर्तों को तय करना, डेटा इकट्ठा करने या सोर्स करने के तरीके, डिज़ाइन, और नीति से जुड़े फ़ैसले.

ओरिजन टाइप के सवालों से मिलने वाली थीम में ये शामिल हैं:

• लेखक और मालिक
• प्रेरणा
• इस्तेमाल किए जाने वाले ऐप्लिकेशन
• डेटा इकट्ठा करने के तरीके
• लाइसेंस
• वर्शन
• स्रोत
• Errata
• जवाबदेह पक्ष

तथ्य

'तथ्यों की जांच' चरण में, डेटासेट के बारे में बताने वाले आंकड़ों और अन्य तथ्यों से जुड़े एट्रिब्यूट शामिल होते हैं. साथ ही, इसमें ओरिजनल प्लान से हुए बदलावों और डेटा को व्यवस्थित करने से पहले किए गए किसी भी विश्लेषण की जानकारी भी शामिल होती है.

तथ्यों पर आधारित सवालों से जुड़ी थीम में ये शामिल हैं:

• इंस्टेंस की संख्या
• सुविधाओं की संख्या
• लेबल की संख्या
• लेबल का सोर्स
• डेटा का सोर्स
• उपसमूहों की जानकारी
• सुविधाओं का आकार
• सुविधाओं का ब्यौरा
• मौजूद नहीं है या डुप्लीकेट है
• कोहॉर्ट में शामिल किए जाने की शर्त

ट्रांसफ़ॉर्मेशन

ट्रांसफ़ॉर्मेशन स्टेज में, लेबलिंग, एनोटेशन या पुष्टि करने वाले टास्क की खास जानकारी शामिल होती है. डेटासेट के आधार पर, यहां इंटर-रेटर एडजुडिकेशन की प्रोसेस हो सकती है. इसके अलावा, निजता, सुरक्षा या व्यक्तिगत पहचान से जुड़ी जानकारी (पीआईआई) को मैनेज करने के लिए, फ़ीचर इंजीनियरिंग और किए गए बदलावों को भी ट्रांसफ़ॉर्मेशन माना जाता है.

ट्रांसफ़ॉर्मेशन से जुड़े सवालों को कैप्चर करने वाली थीम में ये शामिल हैं:

• रेटिंग या एनोटेशन
• फ़िल्टर करना
• प्रोसेस जारी है
• पुष्टि
• आंकड़ों से जुड़ी प्रॉपर्टी
• सिंथेटिक सुविधाएं
• व्यक्तिगत पहचान से जुड़ी जानकारी को मैनेज करना
• संवेदनशील वैरिएबल
• निष्पक्षता पर असर
• झुकना या पूर्वाग्रह

अनुभव

एक्सपीरियंस स्टेज में, डेटा का इस्तेमाल कुछ खास कामों के लिए किया जाता है. साथ ही, ऐक्सेस करने की ट्रेनिंग दी जाती है. इसके अलावा, काम के हिसाब से बदलाव किए जाते हैं, नतीजे हासिल किए जाते हैं, और उनकी तुलना मिलते-जुलते अन्य डेटासेट से की जाती है. साथ ही, अनुमानित या अप्रत्याशित व्यवहारों को नोट किया जाता है.

अनुभव के बारे में पूछे जाने वाले सवालों से जुड़ी थीम में ये शामिल हैं:

• अनुमानित परफ़ॉर्मेंस
• गलती से ऐप्लिकेशन खुल जाना
• परफ़ॉर्मेंस उम्मीद के मुताबिक नहीं है
• चेतावनियां
• अहम जानकारी
• घूमने लायक जगहें
• स्टोरीज़
• इस्तेमाल करें
• इस्तेमाल के उदाहरण का आकलन

n = 1 (सैंपल)

n = 1 (सैंपल) स्टेज में, डिस्ट्रिब्यूशन डेटा पॉइंट की बारीकियां शामिल होती हैं. साथ ही, इसमें खास एट्रिब्यूट वाले अहम डेटा पॉइंट दिखाए जाते हैं. इसके अलावा, जहां लागू हो वहां उन पर नतीजों की मॉडलिंग की जाती है.

सैंपल टाइप के सवालों में, इन विषयों के बारे में बताया जाता है:

• सामान्य उदाहरणों और आउटलायर के उदाहरण या लिंक.
• ऐसे उदाहरण जिनसे फ़ॉल्स पॉज़िटिव या फ़ॉल्स नेगेटिव नतीजे मिलते हैं.
• ऐसे उदाहरण जिनमें शून्य या नल वैल्यू वाली सुविधाओं को हैंडल करने का तरीका दिखाया गया है.

उदाहरण

उदाहरण के लिए, यहां दिए गए सवालों के सेट को OFTEn की मदद से व्यवस्थित किया गया है:

	कौन	क्या	कब	कहां	क्यों	कैसे
Origins	डेटासेट को कौन पब्लिश करता है? क्या वे डेटासेट के मालिकों से अलग हैं?	इस डेटासेट के लिए, डेटा लेबल करने वालों, डेटा उपलब्ध कराने वालों, और विशेषज्ञों को क्या इंसेंटिव दिए जाते हैं?	यह डेटासेट कब बनाया गया था? क्या यह सुविधा लॉन्च हो गई है?	फ़ंडिंग कहां से मिली?	यह डेटासेट क्यों बनाया गया था? पहले क्या प्रोसेस थी?	तरीके कैसे तय किए गए और इसमें कितनी पार्टियां शामिल थीं?
तथ्य	यह डेटा किसके बारे में है? क्या लेबल लगाने वाले लोग, डेटा में मौजूद लोगों का प्रतिनिधित्व करते हैं?	डेटा में मौजूद ऐसे कौनसे सबग्रुप हैं जो मशीन लर्निंग के नतीजों पर असर डाल सकते हैं?	यह डेटा किस समयावधि का है? डेटा की समयसीमा खत्म होने या असामान्य तरीके से इस्तेमाल होने पर?	डेटासेट को कहां ऐक्सेस किया जा सकता है? डेटा कहां से इकट्ठा किया गया या बनाया गया?	रिपोर्ट की गई मेट्रिक क्यों चुनी गईं? इन लेबल को क्यों चुना गया?	डेटासेट में कितने यूनीक लेबल मौजूद हैं? इन्हें कैसे जनरेट किया गया?
ट्रांसफ़ॉर्मेशन	इस डेटासेट में, निजी पहचान से जुड़ी जानकारी को कैसे हैंडल किया गया था? क्या इस डेटासेट के नतीजों का इस्तेमाल, लोगों की पहचान करने के लिए किया जा सकता है?	इस डेटासेट को साफ़ करने या इसकी पुष्टि करने के लिए, किन तरीकों का इस्तेमाल किया गया था?	सुविधाओं को कब और कैसे बनाया जाना चाहिए? क्या इन्हें अपडेट करना ज़रूरी है?	क्या जगह की जानकारी से जुड़ी सुविधाएं, अन्य संवेदनशील सुविधाओं से जुड़ी हैं?	चुने गए ट्रांसफ़ॉर्मेशन, डेटासेट पर क्यों लागू किए गए?	डेटा में पूर्वाग्रह या निजी पहचान से जुड़ी जानकारी को कैसे हैंडल किया जाता है?
अनुभव	इस डेटासेट का इस्तेमाल कौन और किन कामों के लिए कर सकता है? क्या कोई ट्रेनिंग ज़रूरी है?	डेटासेट का इस्तेमाल करते समय, कौनसे तरीके अपनाए गए, क्या नतीजे मिले या कौनसी गड़बड़ियां मिलीं?	किन परिस्थितियों में और कब इस डेटासेट का इस्तेमाल नहीं किया जाना चाहिए?	यह डेटासेट दुनिया के किस हिस्से में ऐक्सेस किया जा सकता है? इसका इस्तेमाल कहां किया गया है?	डेटासेट का अनुमानित वर्शन, देखे गए वर्शन से अलग क्यों है?	दुनिया के अलग-अलग हिस्सों में डेटा कितना महंगा है?
n = 1 (नमूने)	क्या डेटापॉइंट सामान्य है या असामान्य? यहां मॉडल कैसे काम करते हैं?	डेटापॉइंट का साइज़ क्या है? किसी डेटापॉइंट में बदलाव करने के लिए, सहमति लेने, डेटा छिपाने, और सहमति वापस लेने की प्रोसेस क्या है?	किसी डेटापॉइंट पर नतीजे कब बदलते हैं? क्या काउंटरफ़ैक्चुअल के ज़रिए उदाहरण दिखाए जा सकते हैं?	डेटापॉइंट में किन फ़ैक्टर को शामिल किया जाता है? अगर अनुमान गलत साबित होते हैं, तो क्या जोखिम हो सकते हैं?	इस इमेज डेटापॉइंट को इस तरह से क्यों काटा गया है? इस डेटापॉइंट में कुछ कैटगरी क्यों नहीं दिख रही हैं?	यह डेटापॉइंट, असल दुनिया के इनपुट से कैसे जुड़ा है? नतीजा, असल दुनिया के आउटपुट से कैसे जुड़ा है?

हमें पता चला है कि ओएफ़टीईएन के स्ट्रक्चर वाले डेटा कार्ड को आसानी से बड़ा किया जा सकता है और अपडेट किया जा सकता है. OFTEn की मदद से, डेटा कार्ड को समय के साथ बढ़ाया जा सकता है. इसमें ऐसे विषय शामिल किए जा सकते हैं जिन्हें आम तौर पर दस्तावेज़ में शामिल नहीं किया जाता. जैसे, डाउनस्ट्रीम एजेंट से मिला सुझाव/राय, अलग-अलग वर्शन के बीच अहम अंतर, और प्रोड्यूसर या एजेंट की ओर से की गई अचानक ऑडिट या जांच.

खास जानकारी

यहां दी गई टेबल में, OFTEn फ़्रेमवर्क की खास जानकारी दी गई है. साथ ही, डेटासेट के लाइफ़साइकल के सामान्य चरणों के बारे में बताया गया है:

स्टेज	ब्यौरा
Origins	डेटासेट के लाइफ़साइकल के शुरुआती चरण, जब डेटासेट बनाने के फ़ैसले लिए जाते हैं.
तथ्य	डेटा इकट्ठा करने की असल प्रोसेस और रॉ आउटपुट.
ट्रांसफ़ॉर्मेशन	फ़िल्टर करने, पुष्टि करने, पार्स करने, फ़ॉर्मैट करने, और साफ़ करने जैसी कार्रवाइयों के ज़रिए, रॉ डेटा को इस्तेमाल किए जा सकने वाले डेटा में बदला जाता है.
अनुभव	डेटासेट की टेस्टिंग की गई हो, उसे बेंचमार्क किया गया हो या उसे एक्सपेरिमेंट, प्रोडक्शन या रिसर्च के तौर पर डिप्लॉय किया गया हो.
n = 1 (नमूने)	डेटासेट के असली सैंपल या विनेट, जो सामान्य डेटा पॉइंट और आउटलायर को दिखाते हैं.

डेटा कार्ड बनाते समय, OFTEn का इस्तेमाल दो तरीकों से किया जा सकता है:

• OFTEn, एजेंटों के साथ मिलकर काम करता है. इससे डेटासेट और उनसे जुड़े मॉडल के बारे में सवाल तैयार किए जा सकते हैं. ये सवाल, फ़ैसले लेने के लिए ज़रूरी होते हैं. हमें पता चला है कि जब कई एजेंट मिलकर, OFTEn स्ट्रक्चर के साथ सवालों पर विचार-विमर्श करते हैं, तो इससे ऐसी जानकारी मिलती है जो टारगेट किए गए फ़ैसले लेने के लिए ज़रूरी होती है.
• OFTEn का इस्तेमाल यह आकलन करने के लिए किया जा सकता है कि डेटा कार्ड, डेटासेट को सही तरीके से दिखाता है या नहीं. इससे दस्तावेज़ और डेटासेट पर फ़ॉर्मेटिव असर पड़ता है. उदाहरण के लिए, शुरुआती दौर के डेटासेट, ओरिजिन और तथ्यों की ओर ज़्यादा झुके होते हैं. वहीं, मैच्योर डेटासेट, अनुभव की ओर ज़्यादा झुके होते हैं.

OFTEn की मदद से, यह सोचा जा सकता है कि आपके सवाल, डेटासेट की लाइफ़साइकल को किस हद तक कवर करते हैं. इससे यह पक्का किया जा सकता है कि आपका कॉन्टेंट आखिर में पूरी जानकारी देने वाला और व्यवस्थित होगा. इससे आपको एक जैसे सवालों को ढूंढने में मदद मिलती है. साथ ही, इससे आपको सवालों में मौजूद कमियों के बारे में भी पता चलता है.

2. OFTEn की मदद से सवाल फ़्रेम करना

1. पिछले मॉड्यूल में, आपने अपने कुछ स्टेकहोल्डर और एजेंट की जानकारी से जुड़ी यात्राओं (एआईजे) के बारे में सोचा था. अब अपने विचारों को व्यवस्थित करने के लिए, यहां दिए गए प्रॉम्प्ट का इस्तेमाल करें.

2. अगर आपके कुछ सवाल, OFTEn की किसी कैटगरी में पहले से ही शामिल हैं, तो उन्हें उसी कैटगरी में लेबल करें.
3. अगर आपके सवाल, OFTEn की किसी भी कैटगरी में नहीं आते हैं, तो पिछले मॉड्यूल से किसी एक एजेंट को चुनें. इसके बाद, एजेंट के लिए OFTEn की हर कैटगरी के हिसाब से कम से कम एक सवाल बनाएं.
4. ओएफ़टीएन कैटगरी को ज़्यादा जानकारी वाला बनाने के लिए, पाँच W (कौन, क्या, कहाँ, कब, और क्यों) और एक H (कैसे) के आधार पर अतिरिक्त सवाल बनाएँ.
5. अगर लागू हो, तो अगले एजेंट के लिए यह तरीका दोहराएं.

ध्यान दें: इस गतिविधि को पूरा करते समय, आपको कुछ सवाल ऐसे लग सकते हैं जो OFTEn की एक से ज़्यादा कैटगरी में आते हैं. इस मामले में, ज़्यादा काम की कैटगरी चुनें. इसके लिए, यह देखें कि आपको उस एजेंट के लिए किस तरह की व्याख्याएं चाहिए. इससे डुप्लीकेट डेटा को कम करने में मदद मिलती है.

अगर आपको किसी खास OFTEn कैटगरी के लिए कोई सवाल नहीं मिल रहा है, तो कोई बात नहीं. यह सब आपके कॉन्टेक्स्ट पर निर्भर करता है. ऐसा हो सकता है कि कुछ लोगों के लिए, OFTEn की कुछ कैटगरी, एजेंट के काम की न हों. हालांकि, यह प्रोसेस का हिस्सा है. इससे आपके सवालों के सेट में मौजूद कमियों का पता चलता है और उन्हें भरने का तरीका तय किया जाता है.

3. आयाम

अब आपको OFTEn के बारे में पता चल गया है और आपने डेटा कार्ड में शामिल करने के लिए सवाल बना लिए हैं. अब आपको अपने डेटा कार्ड की पहली समीक्षा करके, अपने सवालों के बारे में अहम जानकारी मिल सकती है. इसके लिए, हम डाइमेंशन लॉन्च कर रहे हैं. ये अलग-अलग तरह के फ़ैसलों के बारे में जानकारी देते हैं. ये फ़ैसले, पढ़ने वाले लोग लेते हैं. इनसे यह पता चलता है कि डेटा कार्ड कितना मददगार है और इसे पढ़ना कितना आसान है. दूसरे शब्दों में कहें, तो क्या आपका डेटा कार्ड, पाठकों को आपके डेटासेट के बारे में सही फ़ैसला लेने में मदद कर सकता है?

ज़िम्मेदारी

ज़िम्मेदारी के साथ बनाए गए डेटा कार्ड का मालिकाना हक और रखरखाव उन लोगों के पास होता है जो डेटासेट और उसके इस्तेमाल के बारे में, मालिकाना हक, सोच-विचार, तर्क, और व्यवस्थित तरीके से फ़ैसले लेने की क्षमता दिखाते हैं.

उदाहरण के लिए क्षेत्र	उदाहरण के तौर पर सवाल
लेखक, ज़िम्मेदारी, रखरखाव, इरादे	[perspective] के तौर पर, मुझे यह जानना है कि... ...डेटासेट पब्लिशर के बारे में. ...डेटासेट के ऐक्सेस से जुड़ी पाबंदियों और नीतियों के बारे में. ...डेटासेट बनाने के पीछे की वजहों और इसके बारे में जानकारी.

उपयोगिता या इस्तेमाल

काम का डेटा कार्ड, ऐसी जानकारी देता है जिससे पढ़ने वालों की ज़रूरतें पूरी होती हैं. इससे वे सोच-समझकर फ़ैसले ले पाते हैं. साथ ही, यह तय कर पाते हैं कि डेटासेट उनके टास्क और लक्ष्यों के लिए सही है या नहीं.

उदाहरण के लिए क्षेत्र	उदाहरण के तौर पर सवाल
प्रोड्यूसर की ज़रूरतें,एजेंट की ज़रूरतें, उपयोगकर्ता की ज़रूरतें, समाज की ज़रूरतें	[perspective] के तौर पर, मुझे यह जानना है कि... ...दस्तावेज़ में इस्तेमाल किए गए तकनीकी शब्दों (मेट्रिक, स्कोर, उद्योग के हिसाब से शब्द, संक्षिप्त नाम) की परिभाषाएं और उनके बारे में जानकारी. ...डेटासेट को अन्य डेटासेट या टेबल के साथ इस्तेमाल करने से जुड़ी उम्मीदें (फ़ीचर इंजीनियरिंग, जॉइन करना, सैंपलिंग, और तुलनात्मक विश्लेषण). ...डेटासेट के संभावित इस्तेमाल.

क्वालिटी

अच्छी क्वालिटी वाला डेटा कार्ड, डेटासेट की विश्वसनीयता, इंटिग्रिटी, और पूरी जानकारी को कम शब्दों में बताता है. इसे अक्सर इस तरह से कम्यूनिकेट किया जाता है कि अलग-अलग बैकग्राउंड के लोगों को यह आसानी से समझ आ जाए.

उदाहरण के लिए क्षेत्र	उदाहरण के तौर पर सवाल
मान्यता,विश्वसनीयता, अखंडता, दोहराने की क्षमता	[perspective] के तौर पर, मुझे यह जानना है कि... ...डेटासेट में कोई ज्ञात पैटर्न (सहसंबंध, पूर्वाग्रह या झुकाव) है या नहीं. ...डेटासेट की पुष्टि करने की कोई प्रोसेस, उसके बारे में जानकारी, और उसके नतीजे. ...डेटासेट पर निजता और सुरक्षा से जुड़े कौनसे तरीके लागू किए गए थे.

इस्तेमाल करने का असर या नतीजे

डेटा कार्ड में, डेटासेट के इस्तेमाल से होने वाले असर के बारे में पूरी जानकारी दी गई हो. इससे डेटासेट का इस्तेमाल और उसे मैनेज करते समय, नतीजों के बारे में अनुमान लगाया जा सकता है. साथ ही, इसमें पहले या दूसरे क्रम के ऐसे नतीजों के बारे में बताया गया हो जिनसे पढ़ने वालों के लक्ष्यों पर बुरा असर पड़ सकता है.

उदाहरण के लिए क्षेत्र	उदाहरण के तौर पर सवाल
असरदार, काम का, ग्रुप के लिए फ़ायदेमंद,और विचलन के असर	[perspective] के तौर पर, मुझे यह जानना है कि... ...डेटासेट का इस्तेमाल कब-कब किया गया और इससे जुड़ी परफ़ॉर्मेंस कैसी रही (उदाहरण के लिए, ट्रेन किए गए मॉडल) ...डेटासेट से जुड़ी नीतियां (उदाहरण के लिए, लाइसेंसिंग) ...डेटासेट में कोई जाने-पहचाने पैटर्न (कोरिलेशन, पूर्वाग्रह या स्क्यू) हैं या नहीं.

जोखिम और सुझाव

डेटा कार्ड में अच्छी सलाह दी गई हो. इससे पढ़ने वालों को डेटा के सोर्स, उसे दिखाने के तरीके, इस्तेमाल करने के तरीके या इस्तेमाल के कॉन्टेक्स्ट से जुड़े जोखिमों और सीमाओं के बारे में पता चलता हो. साथ ही, इसमें पढ़ने वालों को ज़रूरी जानकारी और विकल्प मिलते हों, ताकि वे ज़िम्मेदारी के साथ फ़ैसले ले सकें.

उदाहरण के लिए क्षेत्र	उदाहरण के तौर पर सवाल
जोखिम का स्तर, जोखिम कम करने के तरीके, सुझाव, ग्रुप को होने वाला नुकसान	[perspective] के तौर पर, मुझे यह जानना है कि... ...डेटासेट का इस्तेमाल करना कितना सुरक्षित है (जोखिम, सीमाएं, और फ़ायदे-नुकसान). ...डेटासेट में लोगों का कोई भी सामाजिक-सांस्कृतिक, भौगोलिक या आर्थिक प्रतिनिधित्व. ...डेटासेट या उसके दस्तावेज़ में कोई एट्रिब्यूट मौजूद है या नहीं.

खास जानकारी

डाइमेंशन की मदद से, सवालों के सेट का आकलन किया जा सकता है. इससे यह पक्का किया जा सकता है कि वे आपके लक्ष्यों और ज़रूरी नतीजों के मुताबिक हों. भले ही, आपने अब तक अपने डेटा कार्ड में किसी सवाल का जवाब नहीं दिया है, लेकिन डेटासेट के दस्तावेज़ बनाने की प्रोसेस में आगे बढ़ने से पहले, किसी भी गलती को ठीक कर लेना सबसे अच्छा होता है.

यहां दी गई टेबल में, पांच डाइमेंशन के बारे में खास जानकारी दी गई है:

स्टेज	ब्यौरा
उत्तरदेयता	ऐसे स्टेटमेंट जिनमें अलग-अलग स्टेकहोल्डर के, डेटासेट पर भरोसे से जुड़े सोच-समझकर लिए गए फ़ैसलों के बारे में बताया गया हो.
उपयोगिता	इसमें ऐसी जानकारी दी गई है जिससे लोगों को सोच-समझकर फ़ैसले लेने में मदद मिलती है. साथ ही, इसमें यह भी बताया गया है कि लोगों के लक्ष्यों के हिसाब से, इस जानकारी का इस्तेमाल करना कितना सही है.
क्वालिटी	डेटासेट की विश्वसनीयता, इंटिग्रिटी, और पूरी जानकारी को इस तरह से पेश करता है कि ज़्यादा से ज़्यादा लोग इसे समझ सकें.
असर और नतीजे	ऐसी जानकारी जिससे डेटासेट का इस्तेमाल और उसे मैनेज करते समय, लोगों को उनके मनमुताबिक नतीजे मिल सकें. साथ ही, ऐसी जानकारी जिससे उन्हें उन नतीजों के बारे में पता चल सके जो उनके लक्ष्यों पर बुरा असर डाल सकते हैं.
जोखिम और सुझाव	डेटासेट के बारे में जानकारी देने वाले इस सेक्शन में, डेटासेट से जुड़े ज्ञात और संभावित जोखिमों के बारे में बताया जाता है. ये जोखिम, डेटासेट के इस्तेमाल, कॉन्टेक्स्ट, या प्रज़ेंटेशन से जुड़े हो सकते हैं.

इन अलग-अलग तरह के डाइमेंशन की मदद से, डेटा कार्ड को पूरा करने से पहले ही, कॉन्टेंट की क्वालिटी, पढ़ने में आसानी, और उसके काम का होने के बारे में अहम जानकारी पाई जा सकती है. इनकी मदद से, आपको ऐसे आइटम की पहचान करने में मदद मिलती है जिनसे डेटा कार्ड का टेंप्लेट ज़्यादा बेहतर और सटीक बनता है.

4. डाइमेंशन के हिसाब से अपने सवालों का आकलन करना

1. एक डाइमेंशन से शुरुआत करें. इसके बाद, यह तय करें कि सवालों के सेट की जटिलता के आधार पर, सोच-समझकर फ़ैसला लेने के लिए कितनी धाराप्रवाह और विशेषज्ञता ज़रूरी है.
2. यह बताएं कि आपके सवालों के सेट में, फ़िलहाल उस डाइमेंशन का इस्तेमाल कितनी अच्छी तरह किया जा रहा है. साथ ही, इसकी वजह भी बताएं.
3. अपने तर्क के पक्ष में सबूत दें. इसके लिए, सवालों के सेट में से एक या दो सवालों का उदाहरण दें.
4. अगर आपको लगता है कि आपका डाइमेंशन सही नहीं है, तो उसे बेहतर बनाने या कमियों को दूर करने के लिए ज़रूरी चरणों को नोट करें. अगर आपको हितधारकों की टीम के साथ काम करना है, तो कुछ हितधारकों को ज़िम्मेदारी सौंपें. ऐसा इसलिए, क्योंकि कुछ हितधारक कुछ सवालों के जवाब बेहतर तरीके से दे सकते हैं.
5. अगले डाइमेंशन के लिए, यह तरीका दोहराएं.

ध्यान दें: इस संदर्भ में, फ़्लुएंसी का मतलब है कि डेटा कार्ड पढ़ने वाले लोगों को, उनके विशेषज्ञता के डोमेन के अंदर या बाहर मौजूद डेटा को समझने में कितनी आसानी होती है. डेटा को समझने, उसमें बदलाव करने, और उसका इस्तेमाल करने में जितनी आसानी होगी, उतनी ही बेहतर तरीके से बातचीत की जा सकेगी.

डोमेन के बारे में विशेषज्ञता का मतलब है कि आपके डेटा कार्ड में बताए गए डेटासेट के हिसाब से, जांच के किसी खास क्षेत्र के ज़रूरी पहलुओं के बारे में जानकारी और समझ होना.

यहां एक उदाहरण टेंप्लेट दिया गया है. इसका इस्तेमाल करके, डाइमेंशन के आकलन की जानकारी कैप्चर की जा सकती है:

इस प्रोसेस में 15 मिनट से लेकर एक घंटे तक लग सकता है. यह इस बात पर निर्भर करता है कि आपने कितने सवाल बनाए हैं और आपको अपने डेटा कार्ड के लिए कितने स्टेकहोल्डर को ध्यान में रखना है.

ध्यान दें: आपके डेटा कार्ड में मौजूद कुछ जानकारी वाली थीम, कई डाइमेंशन में योगदान देती हैं. वहीं, कुछ थीम सिर्फ़ एक डाइमेंशन के लिए काम करती हैं. सभी डेटासेट और उनसे जुड़े दस्तावेज़ों की ज़रूरतें और उम्मीदें अलग-अलग होती हैं.

5. बधाई हो

बधाई हो! आपके पास अपने डेटा कार्ड के लिए बनाए गए सवालों की जांच करने का विकल्प होता है. अब आपके पास इन सवालों के जवाब देने का विकल्प है.