TechCodeview

CRISP-DM apzīmē starpnozaru standarta procesu datu ieguvei. CRISP-DM metodoloģija nodrošina strukturētu pieeju datu ieguves projekta plānošanai. Tā ir stabila un labi pārbaudīta metodika. Mēs nepretendējam uz īpašumtiesībām uz to. Mēs to neizdomājām. Mēs esam tās spēcīgā praktiskuma, elastības un lietderības pārveidotāji, izmantojot analīzi, lai atrisinātu biznesa problēmas. Tas ir zelta pavediens, kas vijas cauri gandrīz katrai klientu tikšanās reizei.

Šis modelis ir idealizēta notikumu secība. Praksē daudzus uzdevumus var veikt citā secībā, un bieži vien būs jāatgriežas pie iepriekšējiem uzdevumiem un jāatkārto noteiktas darbības. Modelis nemēģina uztvert visus iespējamos maršrutus, izmantojot datu ieguves procesu.

Kā CRISP palīdz?

CRISP DM nodrošina ceļvedi, labāko praksi un struktūras labākiem un ātrākiem datu ieguves izmantošanas rezultātiem, tāpēc tas palīdz uzņēmumam sekot līdzi datu ieguves projekta plānošanas un īstenošanas laikā.

CRISP-DM fāzes

CRISP-DM sniedz pārskatu par datu ieguves dzīves ciklu kā procesa modeli. Dzīves cikla modelis sastāv no sešām fāzēm ar bultiņām, kas norāda vissvarīgākās un biežākās atkarības starp fāzēm. Fāžu secība nav stingra. Un lielākā daļa projektu virzās uz priekšu un atpakaļ no vienas fāzes pēc vajadzības. CRISP-DM modelis ir elastīgs un to var viegli pielāgot.

Piemēram, ja jūsu organizācijas mērķis ir atklāt nelikumīgi iegūtu līdzekļu legalizēšanu, jūs, iespējams, izsijāsit lielu datu apjomu bez konkrēta modelēšanas mērķa. Modelēšanas vietā jūsu darbs koncentrēsies uz datu izpēti un vizualizāciju, lai atklātu aizdomīgus finanšu datu modeļus. CRISP-DM ļauj izveidot datu ieguves modeli, kas atbilst jūsu vajadzībām.

Tajā ir iekļauti projekta tipisko posmu apraksti, ar katru posmu saistītie uzdevumi un skaidrojums par saistību starp šiem uzdevumiem.

1. fāze: biznesa izpratne

Pirmais CRISP-DM procesa posms ir izpratne par to, ko vēlaties paveikt no biznesa perspektīvas. Jūsu organizācijai var būt konkurējoši mērķi un ierobežojumi, kas ir pareizi jāsabalansē. Šī procesa posma mērķis ir atklāt svarīgus faktorus, kas ietekmē projekta rezultātu. Šī soļa neievērošana var nozīmēt, ka ir jāpieliek daudz pūļu, lai radītu pareizās atbildes uz nepareizajiem jautājumiem.

Kādi ir vēlamie projekta rezultāti?

Iestatiet mērķus:Aprakstiet savu galveno mērķi no uzņēmējdarbības viedokļa. Var būt arī citi saistīti jautājumi, kurus vēlaties pieminēt. Piemēram, jūsu galvenais mērķis varētu būt saglabāt pašreizējos klientus, paredzot, kad viņiem ir tendence pāriet pie konkurenta.Izstrādāt projekta plānu:Aprakstiet datu ieguves un biznesa mērķu sasniegšanas plānu. Plānā jānorāda darbības, kas jāveic pārējā projekta laikā, tostarp sākotnējā rīku un metožu izvēle.Biznesa veiksmes kritēriji:Šeit jūs norādīsit kritērijus, kurus izmantosit, lai noteiktu, vai projekts ir bijis veiksmīgs no uzņēmējdarbības viedokļa. Ideālā gadījumā tiem vajadzētu būt specifiskiem un izmērāmiem, piemēram, samazinot klientu skaitu līdz noteiktam līmenim. Tomēr dažreiz var būt nepieciešami subjektīvāki kritēriji, piemēram, sniedzot noderīgu ieskatu attiecībās.

Novērtējiet pašreizējo situāciju

chown komanda

Tas ietver detalizētāku faktu noskaidrošanu par resursiem, ierobežojumiem, pieņēmumiem un citiem faktoriem, kas jums jāņem vērā, nosakot datu analīzes mērķi un projekta plānu.

Resursu uzskaite:Uzskaitiet projektam pieejamos resursus, tostarp:
• Personāls (biznesa eksperti, datu eksperti, tehniskais atbalsts, datu ieguves eksperti)
• Dati (fiksēti izraksti, piekļuve tiešajiem, noliktavas vai darbības datiem)
• Skaitļošanas resursi (aparatūras platformas)
• Programmatūra (datu ieguves rīki, cita atbilstoša programmatūra)
Prasības, pieņēmumi un ierobežojumi:Uzskaitiet visas projekta prasības, tostarp izpildes grafiku, nepieciešamo rezultātu saprotamību un kvalitāti, kā arī visus datu drošības apsvērumus un juridiskos jautājumus. Pārliecinieties, vai jums ir atļauts izmantot datus. Uzskaitiet projektā izdarītos pieņēmumus. Tie var būt pieņēmumi par datiem, kurus var pārbaudīt datu ieguves laikā, taču tie var ietvert arī nepārbaudāmus pieņēmumus par ar projektu saistīto uzņēmējdarbību. Ir svarīgi uzskaitīt pēdējos, ja tie ietekmē rezultātu derīgumu. Uzskaitiet projekta ierobežojumus. Tie var būt resursu pieejamības ierobežojumi, bet var ietvert arī tehnoloģiskus ierobežojumus, piemēram, datu kopas lielumu, ko ir praktiski izmantot modelēšanai.Riski un neparedzēti gadījumi:Uzskaitiet riskus vai notikumus, kas var aizkavēt projektu vai izraisīt tā neveiksmi. Uzskaitiet atbilstošos ārkārtas rīcības plānus, piemēram, kā rīkoties, ja notiks šie riski vai notikumi?Terminoloģija:Sastādiet projektam atbilstošās terminoloģijas glosāriju. Tam parasti būs divas sastāvdaļas:
• Attiecīgās biznesa terminoloģijas glosārijs ir daļa no projektam pieejamās biznesa izpratnes. Šī glosārija izveide ir noderīgs “zināšanu iegūšanas” un izglītojošs uzdevums.
• Datu ieguves terminoloģijas glosārijs ir ilustrēts ar piemēriem, kas attiecas uz uzņēmējdarbības problēmu.
Izmaksas un ieguvumi:Izveidojiet projekta izmaksu un ieguvumu analīzi, kas salīdzina projekta izmaksas ar potenciālajiem ieguvumiem uzņēmumam, ja tas ir veiksmīgs. Šim salīdzinājumam jābūt pēc iespējas precīzākam. Piemēram, jums vajadzētu izmantot finanšu līdzekļus komerciālā situācijā.

Nosakiet datu ieguves mērķus

Uzņēmējdarbības mērķis norāda mērķus biznesa terminoloģijā. Datu ieguves mērķis nosaka projekta mērķus tehniskā izteiksmē. Piemēram, uzņēmējdarbības mērķis varētu būt palielināt kataloga pārdošanu esošajiem klientiem. Datu ieguves mērķis varētu būt paredzēt, cik logrīkus klients iegādāsies, ņemot vērā viņa pirkumus pēdējo trīs gadu laikā, demogrāfisko informāciju (vecumu, algu, pilsētu utt.) un preces cenu.

Biznesa veiksmes kritēriji:Tas apraksta plānotos projekta rezultātus, kas ļauj sasniegt biznesa mērķus.Datu ieguves panākumu kritēriji:Tas nosaka veiksmīga projekta iznākuma kritērijus. Piemēram, noteikts paredzamās precizitātes līmenis vai pirkšanas tieksmes profils ar noteiktu “paaugstināšanas” pakāpi. Tāpat kā biznesa veiksmes kritērijus, var būt nepieciešams tos aprakstīt subjektīvi, un tādā gadījumā ir jānosaka persona vai personas, kas pieņem subjektīvo spriedumu.

Izstrādāt projekta plānu

Aprakstiet plānoto datu ieguves mērķu un biznesa mērķu sasniegšanas plānu. Jūsu plānā ir jānorāda darbības, kas jāveic pārējā projekta laikā, tostarp sākotnējā rīku un metožu izvēle.

1. Projekta plāns: Uzskaitiet projektā izpildāmos posmus, norādot to ilgumu, nepieciešamos resursus, ievadi, rezultātus un atkarības. Ja iespējams, mēģiniet skaidri izcelt liela mēroga iterācijas datu ieguves procesā, piemēram, modelēšanas un novērtēšanas fāzes atkārtojumus.

Kā daļu no projekta plāna ir svarīgi analizēt laika grafiku un risku atkarības. Šo analīžu rezultātus skaidri atzīmējiet projekta plānā, ideālā gadījumā ar darbībām un ieteikumiem, ja riski izpaužas. Izlemiet, kura vērtēšanas stratēģija tiks izmantota novērtēšanas posmā.

Jūsu projekta plāns būs dinamisks dokuments. Katra posma beigās jūs pārskatīsit progresu un sasniegumus un attiecīgi atjaunināsiet projekta plānu. Konkrēti šo atjauninājumu pārskatīšanas punkti jāiekļauj projekta plānā.

2. Sākotnējais rīku un metožu novērtējums: Pirmā posma beigās jums jāveic sākotnējais rīku un metožu novērtējums. Piemēram, jūs izvēlaties datu ieguves rīku, kas atbalsta dažādas metodes dažādos procesa posmos. Ir svarīgi novērtēt rīkus un paņēmienus procesa sākumā, jo rīku un paņēmienu izvēle var ietekmēt visu projektu.

2. fāze: datu izpratne

Otrajā CRISP-DM procesa fāzē ir jāiegūst projekta resursos norādītie dati. Šī sākotnējā apkopošana ietver datu ielādi, ja tas ir nepieciešams datu izpratnei. Piemēram, ja izmantojat īpašu rīku datu izpratnei, ir pilnīgi saprātīgi ielādēt savus datus šajā rīkā. Ja iegūstat vairākus datu avotus, jums jāapsver, kā un kad tos integrēt.

Sākotnējais datu vākšanas pārskats:Uzskaitiet iegūtos datu avotus, to atrašanās vietas, to iegūšanai izmantotās metodes un visas radušās problēmas. Pierakstiet problēmas, ar kurām saskārāties, un visus sasniegtos risinājumus. Tas palīdzēs turpmāk replicēt šo projektu un īstenot līdzīgus turpmākos projektus.

Aprakstiet datus

regresijas testēšana programmatūras testēšanā

Izpētiet iegūto datu 'bruto' vai 'virsmas' īpašības un ziņojiet par rezultātiem.

Datu apraksta pārskats:Aprakstiet iegūtos datus, tostarp to formātu, daudzumu, lauku identitātes un visas citas atklātās virsmas pazīmes. Novērtējiet, vai iegūtie dati atbilst jūsu prasībām.

Izpētiet datus

Šajā posmā jūs risināsiet datu ieguves jautājumus, izmantojot vaicājumu, datu vizualizācijas un ziņošanas metodes. Tie var ietvert:

• Galveno atribūtu sadale
• Attiecības starp pāriem vai nelielu atribūtu skaitu
• Vienkāršu agregāciju rezultāti
• Nozīmīgu apakšpopulāciju īpašības
• Vienkāršas statistiskās analīzes

Šīs analīzes var tieši risināt jūsu datu ieguves mērķus. Tie var sniegt ieguldījumu vai pilnveidot datu aprakstu un kvalitātes ziņojumus un iekļauties pārveidošanas un citos datu sagatavošanas posmos, kas nepieciešami turpmākai analīzei.

Datu izpētes pārskats:Aprakstiet datu izpētes rezultātus, tostarp pirmos atklājumus vai sākotnējo hipotēzi un to ietekmi uz atlikušo projekta daļu. Ja nepieciešams, varat šeit iekļaut grafikus un diagrammas, lai norādītu datu raksturlielumus, kas liecina par interesantu datu apakškopu turpmāku pārbaudi.

Pārbaudiet datu kvalitāti

mvc pavasara karkasā

Pārbaudiet datu kvalitāti, risinot tādus jautājumus kā:

• Vai dati ir pilnīgi, vai arī tie aptver visus nepieciešamos gadījumus?
• Vai tas ir pareizi, vai tajā ir kļūdas, un, ja ir kļūdas, cik bieži tās ir?
• Vai datos trūkst vērtību? Ja jā, kā tie tiek attēloti, kur tie rodas un cik bieži tie ir?

Datu kvalitātes pārskats

Uzskaitiet datu kvalitātes pārbaudes rezultātus. Ja pastāv kvalitātes problēmas, iesakiet iespējamos risinājumus. Datu kvalitātes problēmu risinājumi parasti lielā mērā ir atkarīgi no datiem un uzņēmējdarbības zināšanām.

3. fāze: datu sagatavošana

Šajā projekta posmā jūs izlemjat, kādus datus izmantosiet analīzei. Kritēriji, kurus varat izmantot, lai pieņemtu šo lēmumu, ietver datu atbilstību jūsu datu ieguves mērķiem, datu kvalitāti un tehniskus ierobežojumus, piemēram, datu apjoma vai datu tipu ierobežojumus.

Iekļaušanas/izslēgšanas pamatojums:Uzskaitiet iekļaujamos/izslēdzamos datus un šo lēmumu iemeslus.

Notīriet savus datus

Šis uzdevums ietver datu kvalitātes paaugstināšanu līdz līmenim, kas nepieciešams jūsu atlasītajām analīzes metodēm. Tas var ietvert tīru datu apakškopu atlasi, piemērotu noklusējuma vērtību ievietošanu vai vērienīgākus paņēmienus, piemēram, trūkstošo datu novērtēšanu, izmantojot modelēšanu.

Datu tīrīšanas pārskats:Aprakstiet, kādus lēmumus un darbības veicāt, lai risinātu datu kvalitātes problēmas. Apsveriet visas datu transformācijas, kas veiktas tīrīšanas nolūkos, un to iespējamo ietekmi uz analīzes rezultātiem.

Izveidojiet nepieciešamos datus

Šis uzdevums ietver konstruktīvas datu sagatavošanas darbības, piemēram, atvasinātu atribūtu, veselu jaunu ierakstu vai esošo atribūtu vērtību pārveidošanu.

Atvasinātie atribūti:Tie ir jauni atribūti, kas izveidoti no viena vai vairākiem esošiem atribūtiem tajā pašā ierakstā. Piemēram, varat izmantot garuma un platuma mainīgos, lai aprēķinātu jaunu laukuma mainīgo.Ģenerētie ieraksti:Šeit jūs aprakstāt jebkuru pilnīgi jaunu ierakstu izveidi. Piemēram, jums, iespējams, būs jāizveido ieraksti par klientiem, kuri nav veikuši pirkumu pagājušajā gadā. Nebija iemesla šādu ierakstu izejas datos. Tomēr varētu būt lietderīgi attēlot, ka konkrēti klienti modelēšanas nolūkos nav veikuši pirkumus.

Integrēt datus

Šīs metodes apvieno informāciju no vairākām datu bāzēm, tabulām vai ierakstiem, lai izveidotu jaunus ierakstus vai vērtības.

Apvienotie dati:Tabulu sapludināšana attiecas uz divu vai vairāku tabulu apvienošanu ar atšķirīgu informāciju par tiem pašiem objektiem. Piemēram, mazumtirdzniecības ķēdē var būt viena tabula ar informāciju par katra veikala vispārīgajiem parametriem (piemēram, platība, tirdzniecības centra veids), cita tabula ar apkopotiem pārdošanas datiem (piemēram, peļņa, procentuālās izmaiņas pārdošanas apjomā salīdzinājumā ar iepriekšējo gadu) un cits ar informāciju par apkārtnes demogrāfiju. Katrā no šīm tabulām ir viens ieraksts katram veikalam. Šīs tabulas var apvienot jaunā tabulā ar vienu ierakstu katram veikalam, apvienojot laukus no avota tabulām.Apkopojumi:Apkopojumi ir darbības, kurās jaunas vērtības tiek aprēķinātas, apkopojot informāciju no vairākiem ierakstiem vai tabulām. Piemēram, pārvēršot klientu pirkumu tabulu, kurā viens ieraksts katram pirkumam ir viens ieraksts par jaunu tabulu un viens ieraksts katram klientam, ar tādiem laukiem kā pirkumu skaits, vidējā pirkuma summa, no kredītkartes iekasēto pasūtījumu procents, preču procentuālā daļa. tiek veicināta utt.

4. fāze: modelēšana

Izvēlieties modelēšanas paņēmienu: kā pirmo soli jums būs jāizvēlas pamata modelēšanas tehnika, ko izmantosit. Lai gan, iespējams, jau esat izvēlējies rīku biznesa izpratnes posmā, šajā posmā jūs atlasīsit konkrētu modelēšanas paņēmienu, piemēram, lēmumu koka veidošana ar C5.0 vai neironu tīklu ģenerēšana ar atpakaļizplatīšanu. Ja tiek izmantotas vairākas metodes, veiciet šo uzdevumu katrai tehnikai atsevišķi.

Modelēšanas tehnika:Dokumentējiet izmantojamo modelēšanas pamattehniku.Modelēšanas pieņēmumi:Daudzas modelēšanas metodes sniedz īpašus pieņēmumus par datiem, piemēram, ka visiem atribūtiem ir vienāds sadalījums, nav pieļaujamas trūkstošās vērtības, klases atribūtam jābūt simboliskam utt. Pierakstiet visus izdarītos pieņēmumus.

Izveidojiet testa dizainu

Pirms modeļa izveides jums ir jāģenerē procedūra vai mehānisms, lai pārbaudītu modeļa kvalitāti un derīgumu. Piemēram, uzraudzītos datu ieguves uzdevumos, piemēram, klasifikācijā, kļūdu īpatsvaru parasti izmanto kā datu ieguves modeļu kvalitātes rādītājus. Tāpēc jūs parasti sadalāt datu kopu vilcienu un testa kopās, veidojat modeli vilcienu komplektā un novērtējat tā kvalitāti, izmantojot atsevišķu testa kopu.

Testa dizains:Aprakstiet paredzēto modeļu apmācības, testēšanas un novērtēšanas plānu. Plāna galvenā sastāvdaļa ir noteikt, kā pieejamo datu kopu sadalīt apmācības, pārbaudes un validācijas datu kopās.

Veidot modeli

np vidējais

Palaidiet modelēšanas rīku sagatavotajā datu kopā, lai izveidotu vienu vai vairākus modeļus.

Parametru iestatījumi:Izmantojot jebkuru modelēšanas rīku, bieži vien ir liels skaits parametru, ko var pielāgot. Norādiet parametrus, to vērtības un parametru iestatījumu izvēles pamatojumu.Modeļi:Šie ir modeļi, ko veido modelēšanas rīks, nevis pārskats par modeļiem.Modeļu apraksti:Aprakstiet iegūtos modeļus, ziņojiet par modeļu interpretāciju un dokumentējiet visas grūtības, kas radušās saistībā ar to nozīmi.

Novērtējiet modeli

Interpretējiet modeļus atbilstoši jūsu domēna zināšanām, datu ieguves panākumu kritērijiem un vēlamajam testa noformējumam. Novērtējiet modelēšanas un atklāšanas metožu pielietošanas panākumus un vēlāk sazinieties ar biznesa analītiķiem un domēna ekspertiem, lai apspriestu datu ieguves rezultātus uzņēmējdarbības kontekstā. Šajā uzdevumā tiek ņemti vērā tikai modeļi, savukārt novērtēšanas posmā tiek ņemti vērā arī visi pārējie projekta laikā iegūtie rezultāti.

Šajā posmā jums vajadzētu sarindot modeļus un novērtēt tos atbilstoši vērtēšanas kritērijiem. Šeit, cik vien iespējams, ir jāņem vērā uzņēmējdarbības mērķi un veiksmes kritēriji. Lielākajā daļā datu ieguves projektu viena metode tiek izmantota vairāk nekā vienu reizi, un datu ieguves rezultāti tiek ģenerēti ar vairākām dažādām metodēm.

Modeļa novērtējums:Apkopo šī uzdevuma rezultātus, uzskaita jūsu ģenerēto modeļu īpašības (piem., precizitātes ziņā) un sarindo to kvalitāti savā starpā.Pārskatītie parametru iestatījumi:Saskaņā ar modeļa novērtējumu pārskatiet tos un noregulējiet tos nākamajam modelēšanas darbam. Atkārtojiet modeļa veidošanu un novērtēšanu, līdz esat pārliecināts, ka esat atradis labāko(-os) modeli(-s). Dokumentējiet visas šādas pārskatīšanas un novērtējumus.

5. fāze: Novērtēšana

Novērtējiet rezultātus: iepriekšējās novērtēšanas darbības bija saistītas ar tādiem faktoriem kā modeļa precizitāte un vispārīgums. Šīs darbības laikā jūs novērtēsit, cik lielā mērā modelis atbilst jūsu biznesa mērķiem, un mēģināsit noteikt, vai ir kāds biznesa iemesls, kāpēc šis modelis ir nepilnīgs. Vēl viena iespēja ir pārbaudīt modeli testa lietojumprogrammās reālajā lietojumprogrammā, ja to atļauj laika un budžeta ierobežojumi. Novērtēšanas fāze ietver arī citu datu ieguves rezultātu novērtēšanu, ko esat ģenerējis. Datu ieguves rezultāti ietver modeļus, kas noteikti ir saistīti ar sākotnējiem uzņēmējdarbības mērķiem, un visus citus atklājumus, kas ne vienmēr ir saistīti ar sākotnējiem uzņēmējdarbības mērķiem, bet var arī atklāt papildu izaicinājumus, informāciju vai ieteikumus turpmākajiem virzieniem.

Datu ieguves rezultātu novērtējums:Apkopojiet novērtējuma rezultātus uzņēmējdarbības veiksmes kritērijos, tostarp galīgo paziņojumu par to, vai projekts jau atbilst sākotnējiem biznesa mērķiem.Apstiprinātie modeļi:Pēc modeļu novērtēšanas atbilstoši biznesa veiksmes kritērijiem ģenerētie modeļi, kas atbilst atlasītajiem kritērijiem, kļūst par apstiprinātajiem modeļiem.

Pārskatīšanas process

Šobrīd iegūtie modeļi šķiet apmierinoši un apmierina biznesa vajadzības. Tagad ir lietderīgi veikt rūpīgāku datu ieguves iesaistes pārskatu, lai noteiktu, vai ir kāds svarīgs faktors vai uzdevums, kas kaut kādā veidā ir ticis neievērots. Šis pārskats aptver arī kvalitātes nodrošināšanas jautājumus. Piemēram: vai mēs pareizi izveidojām modeli? Vai mēs izmantojām tikai tos atribūtus, kurus mums ir atļauts izmantot un kas ir pieejami turpmākai analīzei?

Procesa apskats:Apkopojiet procesa pārskatu un iezīmējiet darbības, kas ir izlaistas, un tās, kuras vajadzētu atkārtot.

Nosakiet nākamās darbības

Tagad jūs izlemjat, kā rīkoties atkarībā no novērtējuma rezultātiem un procesa pārskatīšanas. Vai pabeidzat šo projektu un pārejat uz izvietošanu, uzsākat turpmākas iterācijas vai iestatāt jaunus datu ieguves projektus? Jums vajadzētu arī izvērtēt savus atlikušos resursus un budžetu, kas var ietekmēt jūsu lēmumus.

Iespējamo darbību saraksts:Uzskaitiet iespējamās turpmākās darbības un iemeslus par un pret katru iespēju.Lēmums:Aprakstiet lēmumu, kā rīkoties, kā arī pamatojumu.

6. posms: Izvēršana

Plānojiet izvietošanu: izvietošanas posmā jūs ņemsit vērā novērtējuma rezultātus un noteiksiet to izvietošanas stratēģiju. Ja ir noteikta vispārīga procedūra attiecīgā modeļa(-u) izveidei, šī procedūra šeit ir dokumentēta vēlākai izvietošanai. Ir lietderīgi apsvērt ieviešanas veidus un līdzekļus biznesa izpratnes posmā, jo izvietošanai ir izšķiroša nozīme projekta panākumos. Šajā gadījumā paredzamā analīze palīdz uzlabot jūsu uzņēmuma darbību.

Izvietošanas plāns:Apkopojiet savu izvietošanas stratēģiju, tostarp nepieciešamās darbības un to izpildes veidus.

Plānot uzraudzību un apkopi

Uzraudzība un uzturēšana ir svarīgi jautājumi, ja datu ieguves rezultāts kļūst par ikdienas biznesa un tā vides sastāvdaļu. Rūpīga uzturēšanas stratēģijas sagatavošana palīdz izvairīties no nevajadzīgi ilgiem datu ieguves rezultātu nepareizas izmantošanas periodiem. Projektam ir nepieciešams detalizēts uzraudzības procesa plāns, lai uzraudzītu datu ieguves rezultāta(-u) izvietošanu. Šajā plānā ir ņemts vērā konkrētais izvietošanas veids.

Uzraudzības un apkopes plāns:Apkopojiet uzraudzības un uzturēšanas stratēģiju, tostarp nepieciešamās darbības un to izpildes veidus.

Sagatavot gala ziņojumu

Projekta beigās jūs uzrakstīsiet gala ziņojumu. Atkarībā no izvietošanas plāna šis pārskats var būt tikai projekta un tā pieredzes kopsavilkums (ja tas jau nav dokumentēts kā notiekoša darbība), vai arī tas var būt galīgs un visaptverošs datu ieguves rezultāta izklāsts.

Gala ziņojums:Šis ir pēdējais rakstiskais ziņojums par datu ieguves iesaisti. Tajā ir iekļauti visi iepriekšējie nodevumi, apkopoti un sakārtoti rezultāti.Noslēguma prezentācija:Pēc projekta bieži notiek sanāksme, kurā rezultāti tiek prezentēti klientam.

Pārskatiet projektu

anotācijas pavasara zābakā

Novērtējiet, kas bija pareizi un nepareizi, kas tika izdarīts labi un kas ir jāuzlabo.

Pieredzes dokumentācija:Apkopojiet projekta laikā gūto svarīgo pieredzi. Piemēram, šajā dokumentācijā var būt ietvertas visas sastaptās nepilnības, maldinošas pieejas vai padomi, kā līdzīgās situācijās izvēlēties vispiemērotākās datu ieguves metodes. Ideālos projektos pieredzes dokumentācija aptver arī visus ziņojumus, ko atsevišķi projekta dalībnieki ir uzrakstījuši iepriekšējos projekta posmos.