ગુણવત્તા સંચાલન વિષેના લેખ અને બ્લૉગ્સનો બ્લૉગોત્સવ : સંસ્કરણ ૧૩મું - માર્ચ ૨૦૨૫

ગુણવત્તા સંચાલન વિષેના લેખ અને બ્લૉગ્સના બ્લૉગોત્સવનાં ૧૩માં સંસ્કરણના માર્ચ ૨૦૨૫ના અંક માં આપનું હાર્દિક સ્વાગત છે.

ગુણવત્તા સંચાલન વિષેના લેખ અને બ્લૉગ્સના બ્લૉગોત્સવનાં ૧૩માં સંસ્કરણના  કેન્દ્રવર્તી વિષય તરીકે 'ગુણવત્તા સંચાલનનાં ભવિષ્ય પર પ્રભાવક વલણો - માપદંડોનાં ધોરણો ઊંચાં લઈ જઈએ' ને જ ચાલુ રાખીશું.

હવે પછીના મણકાઓમાં નિર્ણય વિવેકપ્રજ્ઞા સાથે ઓછેવત્તે સંકળાયેલા વિષયો અને પારિભાષિક શબ્દોની વાત ચાલુ રાખીશું , જેથી નિર્ણય વિવેકપ્રજ્ઞા વિષયનાં અનેક પાસાંઓને વધારે સારી રીતે સમજી શકાય

આજના મણકામાં નિર્ણય વિવેકપ્રજ્ઞા: ભાવિસૂચક વિશ્લેષકો (પ્રિડિક્ટિવ ઍનલિટિક્સ) વિશે આપણે ટુંક ચર્ચા કરીશું..

ભાવિસૂચક વિશ્લેષકો (પ્રિડિક્ટિવ ઍનલિટિક્સ) વ્યુહાત્મક નિર્ણય પ્રક્રિયાને મદદરૂપ બને એવી સૂક્ષ્મસૂઝ પુરી પાડે છે. જુદી જુદી પરિસ્થિતિઓનાં અનેક પાસાં દર્શાવતા દૃષ્ટિકોણનાં મૂલ્યાંકન કરીને લેવાતા વિવિધ નિર્ણયોનાં સંભવિત પરિણામો અંગે વ્યુહાત્મક પસંદગીઓ વિશે સમજી વિચારીને નિર્ણયો લેવામાં ભાવિસૂચક વિશ્લેષકો મહત્ત્વની ભૂમિકા ભજવે છે. [1]

માહિતી સામગ્રીઓ, આંકડાકીય અલ્ગૉરિધમ અને મશીન લર્નિંગ તકનીકોના ઉપયોગ  વડે ભાવિસૂચક વિશ્લેષકો ભૂતકાળની માહિતીસામગ્રી પરથી સંભવિત ભાવિ પરિણામો ખોળી શકે છે. મૂળ હેતુમ શું થયં તેને અતિક્રમીને ભવિષ્યમાં હવે શું થશે તેની શક્ય એટલી વધારે આકારણી કરવાનો છે.

ભાવિસૂચક વિશ્લેષકોના બહુ વ્યાપક થયેલા ઉપયોગો[2] -   

માહિતીસામગ્રી વિશ્લેષકોના ચાર મુખ્ય પ્રકાર છેઃ 

·       વિવરણાત્મકઃ તેનાથી 'શું થયું?' નો જવાબ મળે છે 

·       નિદાનાત્મકઃ તેનાથી ' આ કેમ થયું?' તેનો જવાબ મળે છે.

·       નિર્દેશાત્મકઃ તેનાથી 'હવે પછી શું કરવું?' તેનો જવાબ મળે છે. 

·       ભાવિસૂચક, જેનાથી 'ભવિષ્યમાં શું થઈ શકે?' તેનો જવાબ મળે છે. 

સૌથી વધારે પ્રચલિત ભાવિસૂચક વિશ્લેષકો[3] આ મુજબ છેઃ

 

વધારાનું વાંચનઃ

 What is a decision tree?

ભાવિસૂચક વિશ્લેષકોનાં મૉડેલને મુખ્યત્વે આ ચાર પ્રકારમાં વહેંચી શકાય[4]: 

·       પ્રત્યાગમન (રિગ્રેશન) મૉડેલ 

·       વર્ગીકરણ (ક્લાસિફિકેશન) મૉડેલ 

·       ઝુમખાંકરણ મૉડેલ. અને 

·       સમય-શ્રેણી (ટાઈમ-સિરિઝ) મૉડેલ

વધારાનું વાંચનઃ

E-Book: A Beginner's Guide to Data & Analytics

Predictive Analytics: Definition, Model Types, and Uses - Clay Halton

What is Predictive Analytics?

Predictive Analytics Guide For Excel Data Analysts- David Langer

હવે પછીના મણકાઓમાં આપણે નિર્ણય વિવેકપ્રજ્ઞા પ્રક્રિયા સાથે સંકળાયેલા વિષયો અને પારિભાષિક શબ્દોની ઘટકો વિશે વાત ચાલુ રાખીશું..

હવે આપણે આપણા નિયમિત વિભાગો તરફ વળીએ:

ASQ TV:

Cost of Quality and Predictive Analytics—Together: આ વૃતાંતમાં ભાવિસૂચક વિશ્લેષકોની શક્તિની ચકાસણી કરી ને તેનાવડે ગુણવત્તાના ખર્ચની સાથે કેમ કામ લઈ શકાય તે જણાવાયું છે. .

Cost of quality resources Watch the full interview with Nicole Radziwill Connected, Intelligent, Automated: The Definitive Guide to Digital Transformation and Quality 4.0

Quality Mag માંથી: Face of Quality | Jim L. Smith:

·       Data Integrity: Use quality tools and principles for greater data accuracy:

ગુણવત્તા ક્ષેત્રના વીસમી સદીના શ્રેષ્ઠ  દિગ્ગજોમાંના એક, ડૉ. જોસેફ એમ. જુરાને, નિરીક્ષકની ચોકસાઈ પર કરવામાં આવેલા તેમના અભ્યાસના આધારે એવું સૂચવ્યું કે, ૧૦૦% કરાયેલું નિરીક્ષણ લગભગ ૮૭% અસરકારક છે. જો આમ હોય તો માહિતી સામગીની નોંધ કરતાં જે ભૂલો શક્ય બની શકે છે તેની શોધ કેવી રીતે વધુ અસરકારક બનાવી શકાય?

ઘણા પ્રકારના ડેટાને તપાસવા માટેનો સૌથી સાર્વત્રિક અભિગમ એ મૂવિંગ રેન્જ ચાર્ટ સાથે એ વ્યક્તિના ચાર્ટનો ઉપયોગ કરવાનો છે. પ્રસંગોપાત સરેરાશ અને શ્રેણી પ્રકારના ચાર્ટનો ઉપયોગ કરવામાં આવે છે. ડેટાને કેવી રીતે જૂથબદ્ધ કરવામાં આવે છે અને જૂથો વચ્ચેના તફાવતોની તીવ્રતા પર તેના પર આધાર રાખે છે.

જ્યારે ડેટા જૂથો વચ્ચેના તફાવતોની તીવ્રતા મોટી હોય ત્યારે પસંદગીયુક્ત વર્ગીકરણ મદદ કરી શકે છે. જો ડેટાના ઘણા કૉલમ રેકોર્ડ કરવામાં આવ્યા હોય તો દરેક કૉલમ માટે એ વ્યક્તિનો અલગ ચાર્ટ બનાવો. જ્યાં એક કૉલમમાં ચકાસી શકાય તેવી ભૂલો હોય ત્યાં લાઇન નંબરની નોંધ કરો કારણ કે તે અન્ય કૉલમમાં સમાન લાઇનને અનુરૂપ ભૂલ હોઈ શકે છે.

નિયંત્રણ બહારના સંકેતોને ઓળખ્યા પછી, ભૂલો ખરેખર છે કે સંભવિત છે કે તે પ્રમાણિત કરી લેવું જોઈએ. ઘણી વાર સપાટી પર જોવા મળતી કેટલીક લાક્ષણિક ભૂલો માટે ખાસ નજર રાખો. કેટલીક વાર થોડાંક સામાન્ય દશાંશ બિંદુઓ ખૂટતાં કે ભુલાઈ જતાં હોય છે, કે છી ઉલટાવેલી સંખ્યાઓ, કે શૂન્ય (મીંડાંઓ), કે ચોક્કસ સંખ્યાઓ (દા.ત. 3.128 ને બદલે 3.000), વગેરેમાં ભૂલો રહી જતી હોય છે.

જો તમે બિન-સંખ્યાત્મક અથવા ચોક્કસ ડેટા સાથે કામ કરી રહ્યાં હો તો શું કરવું? માઇક્રોસોફ્ટ એક્સેલ જેવા પ્રોગ્રામનો ઉપયોગ કરવો અને સોફ્ટવેરમાં કોડ ફંક્શનનો ઉપયોગ કરવો એ એક શ્રેષ્ઠ ઉપાય હોઈ શકે છે. તે આલ્ફાન્યુમેરિકલ અક્ષરોને તેમના અનુરૂપ ASCII નંબરમાં રૂપાંતરિત કરશે, જેનો ઉપયોગ પછી નિયંત્રણ ચાર્ટ માટે ઇનપુટ માટે થઈ શકે છે.

બીજી તકનીક ડેટા કૉલમને સૉર્ટ કરવાની અને તેને આગવી સ્ટ્રિન્ગ માટે સ્કેન કરવાની હશે. અથવા દરેક કૉલમ માટે એક્સેલના બિલ્ટ-ઇન સ્વચાલિત ફિલ્ટરનો ઉપયોગ કરો અને છટકી ગયેલ ડેટા શોધવા માટે દરેક અનન્ય ઘટના અથવા આલ્ફાન્યૂમેરિક સ્ટ્રિંગ પર ક્લિક કરો. જો ડેટા સેટ ખૂબ મોટો ન હોય તો આનો ઉપયોગ સંખ્યાત્મક ડેટા માટે પણ થઈ શકે છે.

કોઈપણ પ્રયોગ અથવા ગુણવત્તા સુધારણા પ્રવૃત્તિમાંથી ડેટાનું વિશ્લેષણ કરવા માટે ડેટાની ચોકસાઈમાં વિશ્વાસપાત્રતા જરૂરી છે, ખાસ કરીને જ્યારે  આંકડાકીય સૉફ્ટવેરમાં ડેટા હાથેથી દાખલ કરવામાં આવ્યા હોય. એક સમાન નોંધ પર, જો ડેટા એન્ટ્રી અવિશ્વસનીય હોય તો પ્રાયોગિક ડેટાના વિશ્લેષણના પરિણામે આવતી ભલામણો પર વિશ્વાસ કરી શકાય નહીં. તેથી, ડેટા ઇનપુટ્સ શક્ય તેટલા વિશ્વસનીય છે તેની ખાતરી કરવા માટે વિશ્લેષક પૂરતો સમય ફાળવે તે આવશ્યક છે.

---

ગુણવત્તા સંચાલનનાં ભવિષ્ય પર પ્રભાવક વલણો - માપદંડોનાં ધોરણો ઊંચાં લઈ જઈએ’ વિશેની ચર્ચાને રસપ્રદ અને અર્થપૂર્ણ બનાવવામાં આપનાં સૂચનો / ટીકાટિપ્પણીઓ / માર્ગદર્શન / અનુભવો આવકાર્ય છે.

આ અંકમાં દર્શાવેલ ઇમેજ કે વિડીયો ક્લિપના પ્રકાશાનાધિકાર તેના રચયિતાના જ રહે છે.

---

[1] Leveraging Predictive Analytics for Improved Decision-Making - Dr. Jagreet Kaur Gill

[2] Predictive Analytics - What it is and why it matters

[3] Driving decisions: Predictive vs. prescriptive analytics explained - Basanta Kumar Sethi

[4] A Guide To Predictive Analytics: Definition, Importance, and Common Techniques