1.6 انجینئرنگ میٹرکس کے لیے شماریاتی خواندگی

جائزہ اور محرک

میٹرکس کا پروگرام اچھی طرح چلانے کے لیے آپ کو شماریات کی ڈگری کی ضرورت نہیں، لیکن آپ کو چند مخصوص، عام غلطیوں سے بچنا ضروری ہے جو دوسری صورت میں اچھی طرح منظم، اچھی طرح انسٹرومینٹ شدہ میٹرکس کو فعال طور پر گمراہ کن بنا دیتی ہیں۔ ٹیم سب کچھ درست کر سکتی ہے، واضح فیصلے کا نام لینا، گڈہارٹ کے قانون سے بچنا، نتائج کی طرف جھکنا، ملکیت کو منظم کرنا، قابلِ اعتماد طریقے سے انسٹرومینٹ کرنا، اور پھر بھی غلط نتیجہ اخذ کر سکتی ہے کیونکہ اس نے وہاں اوسط پڑھا جہاں پرسنٹائل چاہیے تھا، شور کو رجحان سمجھ لیا، یا اتفاق کو، جسے وجہ کا لباس پہنایا گیا تھا، وجہ مان لیا۔ یہ موضوع وہ کم از کم شماریاتی فہم ہے جو یہ کتاب فرض کرتی ہے کہ بعد کے ہر موضوع کا قاری پہلے سے رکھتا ہے۔

بنیادی مسئلہ یہ ہے کہ انجینئرنگ میٹرکس رسمی شماریات کے معیار کے لحاظ سے عموماً شور والے، ٹیڑھے، اور چھوٹے نمونے والے ہوتے ہیں۔ کسی اکیلی ٹیم کی ہفتہ وار ڈیپلائے گنتی ہموار بیل کا منحنی نہیں ہے؛ یہ مٹھی بھر ڈیٹا پوائنٹس ہیں جن میں کبھی کبھار بڑے غیر معمولی اعداد ہوتے ہیں (بڑی ریلیز، واقعے سے متحرک رول بیکس کی بھرمار)۔ بڑے، اچھے رویے والے ڈیٹا سیٹس کے لیے بنائی گئی سادہ فہم کو اس قسم کے ڈیٹا پر لاگو کرنا باقاعدگی سے اعتماد بھرے، غلط نتائج پیدا کرتا ہے۔ یہ پہچاننا سیکھنا کہ کب کوئی عدد بھروسا کرنے کے لیے بہت شور والا ہے، کب اوسط آپ سے جھوٹ بول رہا ہے، اور کب دو چیزوں کا ساتھ ساتھ حرکت کرنا وجہ کے بارے میں کچھ نہیں کہتا، اختیاری سختی نہیں ہے، یہ وہ چیز ہے جو اس میٹرکس کے پروگرام کو جو ادارے کو کوئی سچی بات سکھاتا ہے اس سے الگ کرتی ہے جو اسے کوئی معقول سنائی دینے والی مگر جھوٹی بات سکھاتا ہے۔

بڑے اور حکومتی پیمانے پر شماریاتی غلطیاں مرکب ہو جاتی ہیں کیونکہ کوئی گمراہ کن نتیجہ، جب قیادت قبول کر لے، کسی کے بنیادی تجزیے پر دوبارہ غور کرنے کا سوچنے سے پہلے بہت سی ٹیموں میں عمل میں آ جاتا ہے۔ دو ڈویژنوں کے درمیان، یا کسی بڑی تنظیمِ نو سے پہلے اور بعد، شماریاتی طور پر سادہ موازنہ برسوں تک وسائل کے فیصلوں کی شکل بنا سکتا ہے، محض شور یا ایسے الجھانے والے عنصر کی بنیاد پر جسے کسی نے کنٹرول نہیں کیا۔ یہ موضوع اس ناکامی کو کم امکان بنانے کے لیے ہے۔

بنیادی اصول

وسطانیہ یا پرسنٹائل عموماً اوسط سے زیادہ بتاتا ہے۔ انجینئرنگ ڈیٹا معمول کے مطابق ایسے غیر معمولی اعداد سے ٹیڑھا ہوتا ہے جنہیں اوسط جذب کر لیتا ہے اور پرسنٹائل نہیں کرتے۔
چھوٹے نمونے شور والے اعداد پیدا کرتے ہیں۔ مٹھی بھر واقعات سے حساب کیا گیا فیصد ان وجوہ سے بے تحاشا ہلتا ہے جن کا حقیقی تبدیلی سے کوئی تعلق نہیں۔
اوسط کی طرف واپسی لوگوں کو مسلسل دھوکا دیتی ہے۔ غیر معمولی طور پر اچھی یا بُری ریڈنگ کے بعد عموماً زیادہ عام ریڈنگ آتی ہے، مداخلت ہو یا نہ ہو۔
ہم رشتگی وجہ نہیں ہے، اور الجھانے والے متغیرات ہر جگہ ہیں۔ دو میٹرکس کا ساتھ ساتھ حرکت کرنا ایک چھپی ہوئی تیسری وجہ کا اشتراک ہو سکتا ہے، نہ کہ ایک کا دوسرے کو چلانا۔
کنٹرول چارٹ اکیلے پہلے اور بعد کے موازنے سے بہتر ہے۔ تبدیلی کی عام حد دیکھنا ہی وہ چیز ہے جو آپ کو حقیقی تبدیلی اور شور میں فرق کرنے دیتی ہے۔

سفارشات

ٹیڑھے ڈیٹا کے لیے ڈیفالٹ طور پر وسطانیہ اور پرسنٹائل استعمال کریں

انجینئرنگ کے وقت پر مبنی میٹرکس، لیڈ ٹائم، واقعے کی بحالی کا وقت، جوابی لیٹینسی، تقریباً ہمیشہ دائیں طرف ٹیڑھے ہوتے ہیں: زیادہ تر قدریں نیچے جمع ہوتی ہیں، کبھی کبھار آنے والے بڑے غیر معمولی اعداد کی لمبی دم کے ساتھ۔ اس دم سے کھنچا ہوا اوسط ایسی تصویر بنا سکتا ہے جس جیسا کوئی عام کیس درحقیقت نہیں لگتا۔ وسطانیہ (درمیانی قدر، جس کے آدھے مشاہدات اوپر اور آدھے نیچے ہوں) کو 90ویں یا 95ویں پرسنٹائل (وہ قدر جس کے نیچے 90 یا 95 فیصد مشاہدات آتے ہیں) کے ساتھ رپورٹ کریں، جو مل کر عام کیس اور بدترین صورت کی وہ دم دونوں دکھاتے ہیں جس کا ٹیم کو دراصل سامنا ہوتا ہے۔ ساتھی software-engineering-guide کتاب کا KPI موضوع، اور اس کتاب کے حصہ 2 کا ہر ڈیلیوری میٹرک کا موضوع، پورے وقت اس عادت کو فرض کرتا ہے۔

جانیں کہ کب نمونہ بھروسا کرنے کے لیے بہت چھوٹا ہے

سست ہفتے میں تین ڈیپلائمنٹس سے حساب کی گئی تبدیلی کی ناکامی کی شرح بامعنی اشارہ نہیں ہے؛ ایک ناکامی فیصد کو راتوں رات 0 سے 33 تک لے جاتی ہے ایسی وجوہ سے جن کا بنیادی خطرے سے کوئی تعلق نہیں ہو سکتا۔ فیصد پر مبنی میٹرک پر ردِعمل دینے سے پہلے بنیادی گنتی جانچیں۔ عملی اصول کے طور پر، تقریباً بیس سے تیس سے کم بنیادی واقعات سے حساب کی گئی شرح کو شور والا سمجھیں جسے نتیجہ اخذ کرنے سے پہلے طویل مشاہدے کی کھڑکی چاہیے، اور ڈیش بورڈ پر صاف کہیں، بجائے اس کے کہ غیر مستحکم چھوٹے نمونے کے فیصد کو بڑے مستحکم نمونے والے فیصد جیسے اعتماد کے ساتھ پیش کریں۔

کسی مداخلت کا کریڈٹ دینے سے پہلے اوسط کی طرف واپسی پر نظر رکھیں

اگر کسی ٹیم کے واقعات کے بدترین ہفتے کے بعد قیادت کی توجہ آئے اور اس کے بعد بہتری ہو، تو مداخلت کو کریڈٹ دینا پرکشش ہے۔ اکثر اس بہتری کا کچھ حصہ ویسے بھی ہو جاتا، کیونکہ غیر معمولی انتہائی ریڈنگ کے بعد خالصتاً شماریاتی خلل کے طور پر زیادہ عام ریڈنگ آنے کا رجحان ہوتا ہے، جس رجحان کو اوسط کی طرف واپسی کہتے ہیں۔ اس سے بچنے کے لیے توجہ کو متحرک کرنے والے اکیلے انتہائی ڈیٹا پوائنٹ کے بجائے طویل تاریخی بنیادی سطح سے موازنہ کریں، اور اس بارے میں مناسب انکساری رکھیں کہ مشاہدہ کی گئی کسی بھی بہتری کا کتنا حصہ کسی مخصوص عمل سے منسوب کیا جائے۔

یہ دعویٰ کرنے سے پہلے کہ میٹرک نے نتیجہ پیدا کیا الجھانے والے متغیرات تلاش کریں

جب دو میٹرکس ایک ساتھ حرکت کریں، ڈیپلائمنٹ کی تعدد کسٹمر اطمینان کے ساتھ بڑھے، تو الجھانے والے متغیر پر غور کیے بغیر یہ دعویٰ کرنے کے رد عمل کا مقابلہ کریں کہ ایک نے دوسرے کو پیدا کیا: ایک چھپا ہوا تیسرا عنصر جو دونوں کو چلاتا ہے۔ نئی فیچر کی ریلیز آزادانہ طور پر ڈیپلائے کی تعدد (مزید فالو اپ فکسز) اور اطمینان (خود فیچر) دونوں بڑھا سکتی ہے، دونوں میٹرکس کے درمیان کسی سببی تعلق کے بغیر۔ ہم رشتگی کو وجہ کے ثبوت کے طور پر پیش کرنے سے پہلے فعال طور پر پوچھیں کہ اسی وقت اور کیا بدلا جو دونوں حرکتوں کی وضاحت کر سکتا ہے۔

اکیلے پہلے اور بعد کے اسنیپ شاٹ کے بجائے کنٹرول چارٹ استعمال کریں

کنٹرول چارٹ میٹرک کو وقت کے ساتھ اس کی تبدیلی کی عام حد کو صریح طور پر دکھاتے ہوئے پلاٹ کرتا ہے، عموماً مرکزی اوسط کے گرد پٹیوں کی شکل میں۔ یہ آپ کو حقیقی تبدیلی، یعنی عام حد کے باہر کا ڈیٹا پوائنٹ یا مسلسل سلسلہ، کو اس عام شور سے الگ کرنے دیتا ہے جسے اکیلا پہلے اور بعد کا موازنہ الگ نہیں کر سکتا۔ “تبدیلی کے بعد عدد بہتر ہوا” کا اعلان کرنے سے پہلے اتنا تاریخی ڈیٹا پلاٹ کریں کہ عام تبدیلی دکھائی دے، اور جانچیں کہ تبدیلی کے بعد کی ریڈنگ واقعی اس سے باہر ہے یا نہیں۔

سمجھوتے: فوائد اور نقصانات

طریقہ	فوائد	نقصانات
اوسط	سادہ، مانوس، حساب میں آسان	ٹیڑھے انجینئرنگ ڈیٹا پر غیر معمولی اعداد سے بگڑ جاتا ہے
وسطانیہ اور پرسنٹائل	غیر معمولی اعداد کے خلاف مضبوط، عام کیس اور دم ایک ساتھ دکھاتے ہیں	غیر تکنیکی سامعین کے لیے قدرے کم مانوس
اکیلا پہلے اور بعد کا موازنہ	تیز، فطری، پیش کرنے میں آسان	اوسط کی طرف واپسی اور شور کے لیے کمزور
کنٹرول چارٹ اور طویل بنیادی سطحیں	حقیقی تبدیلیوں کو شور سے قابلِ اعتماد طریقے سے الگ کرتے ہیں	زیادہ تاریخی ڈیٹا اور غیر تکنیکی سامعین کو زیادہ وضاحت درکار

مرکزی کشمکش سادگی بمقابلہ سختی ہے۔ اوسط اور اکیلے پہلے اور بعد کے موازنے حساب اور وضاحت میں آسان ہیں، اور اسی لیے عام رپورٹنگ پر چھائے ہوئے ہیں، لیکن یہ دونوں وہ تکنیکیں بھی ہیں جن سے اس قسم کے شور والے، ٹیڑھے ڈیٹا پر جو اس کتاب کے میٹرکس پیدا کرتے ہیں اعتماد بھرا غلط نتیجہ پیدا ہونے کا سب سے زیادہ امکان ہے۔ اس کشمکش کو یوں حل کریں کہ حقیقی نتیجے والے ہر فیصلے کے لیے زیادہ سخت تکنیکیں، وسطانیہ، پرسنٹائل، اور کنٹرول چارٹس، ڈیفالٹ رکھیں، اور سادہ تکنیکیں کم داؤ والی، تحقیقی نظروں کے لیے رکھیں جہاں غلط پڑھنے کی لاگت کم ہو۔

اپنی ٹیم کے ساتھ زیرِ بحث لانے کے سوالات

ہمارے ڈیش بورڈ کی کون سی ٹائلیں اوسط رپورٹ کرتی ہیں جہاں وسطانیہ یا پرسنٹائل زیادہ سچی کہانی بتاتا؟ وقت پر مبنی انجینئرنگ میٹرکس تقریباً ہمیشہ ٹیڑھے ہوتے ہیں، اور ٹیڑھے ڈیٹا پر اوسط ٹھیک نظر آ سکتا ہے جبکہ عام کیس، یا بدترین صورت کی دم، بالکل مختلف کہانی سناتی ہے۔ اپنی وقت پر مبنی ٹائلوں کا خاص طور پر اس تبدیلی کے لیے آڈٹ کریں۔
ہمارے فیصد پر مبنی میٹرکس کے پیچھے بنیادی نمونہ کتنا چھوٹا ہے، اور کیا ہم دس واقعات والے میٹرک کے ساتھ ایک ہزار والے جیسے اعتماد کا سلوک کرتے ہیں؟ بنیادی گنتی کے بغیر پیش کی گئی غیر مستحکم چھوٹے نمونے کی شرح شور پر حد سے زیادہ ردِعمل کو دعوت دیتی ہے۔ اپنی تبدیلی کی ناکامی کی شرح اور اس جیسی فیصد ٹائلوں میں اس خلا کو جانچیں۔
کیا ہم نے کبھی کسی مداخلت کو ایسی بہتری کا کریڈٹ دیا ہے جو اوسط کی طرف واپسی ویسے بھی پیدا کر دیتی؟ یہ سب سے آسانی سے ہونے والی اور بعد میں نوٹس کرنے میں سب سے مشکل شماریاتی غلطیوں میں سے ہے، کیونکہ مداخلت اور بہتری واقعی اسی ترتیب سے ہوئیں۔ حالیہ “ہم نے اسے ٹھیک کیا” کی کہانی کو دیکھیں اور ایمانداری سے پوچھیں کہ کیا بنیادی سطح کا موازنہ اس کو خارج کرنے کے لیے کافی لمبا تھا۔
ہم نے کہاں الجھانے والے متغیر کو جانچے بغیر فرض کر لیا کہ ایک میٹرک نے دوسرے کو پیدا کیا؟ دو چیزوں کا ساتھ حرکت کرنا عام ہے؛ ایک کا دوسرے کو پیدا کرنا مضبوط دعویٰ ہے جسے مزید ثبوت چاہیے۔ کوئی ایسی ہم رشتگی چنیں جس پر آپ کی ٹیم آج یقین رکھتی ہے اور کوئی معقول الجھانے والا عنصر بتانے کی کوشش کریں جو اسے بغیر کسی سببی تعلق کے سمجھا دے۔
کیا ہمارے پاس اپنے سب سے اہم میٹرکس کے لیے عام تبدیلی کیسی دکھتی ہے یہ جاننے کے لیے کافی تاریخی ڈیٹا ہے، یا ہم اکیلے پوائنٹس کا موازنہ کر رہے ہیں؟ عام حد کے احساس کے بغیر، کوئی بھی اکیلی ریڈنگ ثبوت کے بجائے مزاج کے مطابق خوفناک یا تسلی بخش لگتی ہے۔ بحث کریں کہ کیا آپ کا سب سے زیادہ دیکھا جانے والا میٹرک کبھی اکیلے عدد کے بجائے کنٹرول چارٹ کے طور پر پلاٹ ہوا ہے۔
ہم فی الحال غیر تکنیکی اسٹیک ہولڈرز کو غیر یقینی کیسے بتاتے ہیں، اور کیا ہمارا ڈیش بورڈ ڈیٹا کی تائید سے زیادہ درستگی کا تاثر دیتا ہے؟ وہ چارٹ جس میں عام تبدیلی یا نمونے کے حجم کا کوئی اشارہ نہ ہو قیادت کی ٹیم کو شور پر حد سے زیادہ ردِعمل دینے، یا اتنا ہی اکثر، حقیقی اشارے کو شور سمجھ کر مسترد کرنے پر مجبور کر سکتا ہے۔ بحث کریں کہ آپ کی رپورٹنگ بغیر ناقابلِ مطالعہ بنے یہ ایمانداری سے کیسے بتا سکتی ہے۔

شعبے کا زاویہ

اسٹارٹ اپ۔ چھوٹی ٹیمیں تقریباً ہر جگہ چھوٹے نمونے پیدا کرتی ہیں، جس کا مطلب ہے کہ اس موضوع کی چھوٹے نمونے کی احتیاط مسلسل اہم ہے۔ اکیلے بُرے ہفتے یا اکیلے شاندار ہفتے سے مضبوط نتائج اخذ کرنے کا مقابلہ کریں؛ صرف مٹھی بھر ڈیٹا پوائنٹس کے ساتھ “کیا یہ رجحان ہے” کا ایماندار جواب اکثر “ہمیں ابھی نہیں معلوم” ہوتا ہے۔

چھوٹا کاروبار۔ تیار ٹولز کے اندرونی ڈیش بورڈ اکثر اوسط اور ایک دور کے موازنے کو ڈیفالٹ رکھتے ہیں کیونکہ وہ حساب اور نمائش کے لیے سب سے سادہ ہیں۔ جہاں ٹول اجازت دے وقت پر مبنی میٹرکس کے لیے وسطانیہ پر جائیں، اور چھوٹی بنیادی گنتی سے حساب کی گئی کسی بھی “اس مہینے 40 فیصد اوپر” سرخی پر شکی رہیں۔

بڑا ادارہ۔ اس پیمانے پر شماریاتی غلطیاں وسائل اور تنظیمِ نو کے فیصلوں میں پیوست ہو جاتی ہیں جو سینکڑوں لوگوں کو متاثر کرتے ہیں۔ ایسے تجزیہ کاروں یا شامل ڈیٹا ماہرین میں سرمایہ کاری کریں جو کاروباری اکائیوں کے درمیان موازنہ یا کسی بڑی تبدیلی سے پہلے اور بعد کا موازنہ قیادت کو طے شدہ حقیقت کے طور پر پیش کیے جانے سے پہلے مناسب کنٹرول چارٹس بنا سکیں اور الجھانے والے عوامل جانچ سکیں۔

حکومت۔ عوامی رپورٹ یا بجٹ کے جواز کو کھلانے والا شماریاتی طور پر سادہ موازنہ حقیقی دنیا میں غیر متناسب نتائج رکھ سکتا ہے اور ٹھیک اسی قسم کی جانچ کو دعوت دیتا ہے جو ناقص تجزیے کو عوامی طور پر بے نقاب کر دیتی ہے۔ بیرونی طور پر شائع ہونے والی ہر چیز کے لیے زیادہ سخت تکنیکیں، کنٹرول چارٹس، دستاویزی نمونے کے حجم، الجھانے والے عوامل کی جانچ، کو مستقل مشق کے طور پر لاگو کریں، نہ کہ کبھی کبھار کی بہترین کوشش کے طور پر۔

مثالیں

بڑا ادارہ۔ ایک سافٹ ویئر کمپنی کی قیادت ٹیم نے نئی کوڈ ریویو پالیسی نافذ کرنے کے ایک ماہ بعد تبدیلی کی ناکامی کی شرح میں 25 فیصد بہتری کا جشن منایا، اور براہِ راست پالیسی کو کریڈٹ دیا۔ قریب سے دیکھنے پر پایا گیا کہ “پہلے” والا مہینہ غیر معمولی طور پر برا تھا، جو ایک اکیلی ٹیم کی بگڑی ہوئی مائیگریشن سے چلا تھا، اور دونوں مہینوں میں بنیادی نمونے کا حجم پوری کمپنی میں تیس ڈیپلائمنٹس سے کم تھا۔ بارہ مہینوں کی تاریخ والے کنٹرول چارٹ نے دکھایا کہ نئی ریڈنگ عام تبدیلی کے اندر تھی، حقیقی قدمی تبدیلی نہیں، اور پالیسی کا اصل اثر، اگرچہ حقیقی تھا، سرخی کے عدد کی تجویز سے کہیں چھوٹا تھا۔

حکومت۔ ایک عوامی ٹرانزٹ ایجنسی نے نئے ڈیجیٹل شیڈیولنگ سسٹم کے لیے وقت کی پابندی میں سال بہ سال بڑی بہتری رپورٹ کی، ایک اکیلی “پہلے” سہ ماہی کا ایک اکیلی “بعد” سہ ماہی سے موازنہ کرتے ہوئے۔ ایک آزاد جائزے میں پایا گیا کہ “پہلے” سہ ماہی ایک غیر متعلق تعمیراتی بندش کے ساتھ ملی تھی جس نے پورے نیٹ ورک کی کارکردگی گھٹا دی تھی، اور طویل بنیادی سطح نے دکھایا کہ نیا نظام شروع ہونے سے پہلے ہی وقت کی پابندی بحال ہو رہی تھی۔ ایجنسی کی نظرِ ثانی شدہ رپورٹ نے کئی سالہ مکمل کنٹرول چارٹ استعمال کیا اور نئے نظام کو خاص طور پر زیادہ معمولی، مگر زیادہ قابلِ دفاع بہتری کا کریڈٹ دیا۔

کاروباری جواز: محرکات، ROI، اور TCO

شماریاتی خواندگی کا منافع بچائی گئی غلط سمتی ہے: جو ادارہ کسی بہتری کو درست طور پر منسوب کرتا ہے، یا شور کو درست طور پر شور پہچانتا ہے، وہ اپنی اگلی سرمایہ کاری وہاں خرچ کرتا ہے جہاں وہ واقعی مدد کرے گی، بجائے کسی وہمی اثر کا پیچھا کرنے کے۔ اوپر کی ریٹیل مثال عمومی ہے: وہ کمپنی جو مانتی تھی کہ صرف اس کی ریویو پالیسی نے 25 فیصد بہتری چلائی، وہ دوسرے حقیقی اسباب میں کم سرمایہ کاری کر سکتی ہے، یا پالیسی کی قدر کو اس طرح بڑھا چڑھا کر بیان کر سکتی ہے جو آئندہ فیصلوں کو گمراہ کرے۔

شماریاتی سختی کی کل لاگت زیادہ تر نئے ٹولنگ کے بجائے عادت میں تبدیلی ہے: اوسط پر وسطانیہ چننا، ردِعمل دینے سے پہلے نمونے کا حجم جانچنا، فتح کا اعلان کرنے سے پہلے طویل بنیادی سطح پلاٹ کرنا۔ ان عادات کو اپنانے میں کم لاگت آتی ہے اور یہ اعتماد بھرے، غلط نتائج پر کیے گئے فیصلوں کی کہیں بڑی، نظر آنے میں مشکل قیمت کو روکتی ہیں۔

منفی نمونے اور خطرات

ٹیڑھے وقت پر مبنی ڈیٹا پر اوسط رپورٹ کرنا: عام کیس اور دم کو ایک گمراہ کن عدد کے پیچھے چھپا دیتا ہے۔
نظر آنے والے نمونے کے حجم کے بغیر فیصد پر ردِعمل دینا: مٹھی بھر واقعات کے شور کو ایسے برتتا ہے جیسے وہ مستحکم، بامعنی رجحان ہو۔
اوسط کی طرف واپسی کو خارج کیے بغیر مداخلت کو کریڈٹ دینا: عام، آسانی سے ہونے والی، نوٹس کرنا مشکل غلطی۔
الجھانے والے عوامل پر غور کیے بغیر ہم رشتگی سے وجہ کا دعویٰ کرنا: ڈیٹا کی تائید سے زیادہ بڑھا چڑھا کر بیان کرتا ہے۔
طویل بنیادی سطح پلاٹ کرنے کے بجائے اکیلے پہلے اور بعد کے اسنیپ شاٹ کا موازنہ: حقیقی تبدیلی کو عام تبدیلی سے الگ نہیں کر سکتا۔
قیادت کے لیے رپورٹنگ میں ڈیٹا کی تائید سے زیادہ درستگی کا تاثر دینا: شور پر حد سے زیادہ ردِعمل یا حقیقی اشارے کو مسترد کرنے کو دعوت دیتا ہے۔

پختگی کا نمونہ

درجہ 1، آغاز (Initiate): میٹرکس خام اوسط اور اکیلے پہلے اور بعد کے اسنیپ شاٹس کے طور پر رپورٹ ہوتے ہیں، نمونے کے حجم، ٹیڑھے پن، یا بنیادی تبدیلی پر کوئی توجہ نہیں۔
درجہ 2، ترقی (Develop): کچھ تجزیہ کار غیر رسمی طور پر وسطانیہ یا پرسنٹائل لاگو کرتے ہیں، لیکن کوئی مستقل ادارہ جاتی مشق نہیں اور الجھانے والے عوامل شاذ و نادر جانچے جاتے ہیں۔
درجہ 3، معیار بندی (Standardize): ٹیڑھے وقت پر مبنی میٹرکس کے لیے وسطانیہ اور پرسنٹائل ڈیفالٹ ہیں؛ پورے ادارے میں فیصد پر مبنی میٹرکس کے ساتھ نمونے کے حجم دکھائے جاتے ہیں۔
درجہ 4، انتظام (Manage): تاریخی بنیادی سطحوں والے کنٹرول چارٹس حقیقی تبدیلی کے ہر دعوے کے لیے معیاری مشق ہیں؛ رپورٹنگ میں سببی دعوے کیے جانے سے پہلے الجھانے والے متغیرات پر فعال طور پر غور کیا جاتا ہے۔
درجہ 5، ہم آہنگی (Orchestrate): شماریاتی سختی خود ٹولنگ میں شامل ہے، ڈیش بورڈ ڈیفالٹ طور پر پرسنٹائل اور کنٹرول بینڈز دکھاتے ہیں، اور ادارہ دکھا سکتا ہے کہ ایک مخصوص ماضی کا فیصلہ اس لیے درست کیا گیا کہ شماریاتی طور پر سادہ پڑھائی حکمتِ عملی کی شکل بنانے سے پہلے پکڑی گئی۔

بحث کے لیے خیالات

ہمارے موجودہ ڈیش بورڈ کی کون سی سرخیاں مختلف دکھیں گی اگر ہم اوسط کو وسطانیہ سے بدل دیں؟
کیا ہم نے کبھی کوئی فیصلہ اس لیے بدلا کہ فیصد ہمارے اندازے سے کہیں چھوٹے نمونے پر مبنی نکلا؟
حالیہ “ہم نے یہ میٹرک بہتر کیا” کی کون سی کہانی ہمیں اوسط کی طرف واپسی کے لیے دوبارہ جانچنی چاہیے؟
ہمارے دو میٹرکس کہاں ایک چھپی ہوئی تیسری وجہ سے ہم رشتہ ہو سکتے ہیں، نہ کہ ایک دوسرے کو چلا رہا ہو؟
کیا ہمارے سب سے اہم چارٹ تبدیلی کی عام حد دکھاتے ہیں، یا صرف ایک رجحان کی لکیر؟

اہم نکات

ٹیڑھے، وقت پر مبنی انجینئرنگ میٹرکس کے لیے اوسط پر وسطانیہ اور پرسنٹائل کو ترجیح دیں۔
چھوٹے نمونے سے فیصد کو شور والا سمجھیں، اور اس پر مستحکم رجحان کی طرح ردِعمل دینے کے بجائے صاف کہیں۔
غیر معمولی طور پر بُری ریڈنگ کے بعد آنے والی بہتری کو مداخلت کا کریڈٹ دینے سے پہلے اوسط کی طرف واپسی پر نظر رکھیں۔
ہم رشتگی وجہ نہیں ہے؛ سببی دعویٰ کرنے سے پہلے فعال طور پر الجھانے والے متغیرات تلاش کریں۔
حقیقی تبدیلی کو عام شور سے الگ کرنے کے لیے اکیلے پہلے اور بعد کے اسنیپ شاٹ کے بجائے حقیقی تاریخی بنیادی سطح والا کنٹرول چارٹ استعمال کریں۔

حوالہ جات اور مزید مطالعہ

The Signal and the Noise, by Nate Silver (نامکمل ڈیٹا میں حقیقی اشارے کو شور سے الگ کرنا)۔
How to Measure Anything, by Douglas W. Hubbard (ادارہ جاتی پیمائش کے لیے شماریاتی استدلال)۔
Understanding Variation: The Key to Managing Chaos, by Donald J. Wheeler (کنٹرول چارٹس اور مشترکہ وجہ اور خاص وجہ کی تبدیلی کا فرق)۔
Thinking, Fast and Slow, by Daniel Kahneman (ذہنی تعصبات بشمول اوسط کی طرف واپسی اور سببی بیانیے کا فریب)۔
The Visual Display of Quantitative Information, by Edward R. Tufte (مقداری ڈیٹا کی ایماندار، اعلیٰ دیانت والی پیشکش)۔