నమూనా విశ్లేషణ మరింత విశ్లేషణ కోసం డేటా యొక్క ఒక పెద్ద సెట్ నుండి నిర్దిష్ట సంఖ్యలో ఎంట్రీలను ఎంచుకునే చర్యను సూచిస్తుంది. వ్యాపార పరిశోధన తరచుగా అధిక సంఖ్యలో డేటాను ఉత్పత్తి చేస్తుంది, ప్రత్యేకించి మార్కెట్-ఆధారిత పరిశోధనా జనాభాలో జనాభా వివరాలు. వ్యాపార పరిశోధనలో శాంప్లింగ్ సాంకేతికతలు పరిశోధకులు మరింత విస్తారమైన సేకరణలో ఉపగ్రహాలను ఖచ్చితంగా సూచిస్తారని వారు విశ్వసించిన డేటాను మరింత నిర్వహించగల ఉపభాగంలో పని చేయడానికి అనుమతిస్తారు.
ప్రాధమిక పరిశోధన
వ్యాపారాలు రెండు వేర్వేరు మార్గాల్లో నమూనాలను తీసుకోవడం ద్వారా పరిశోధన డేటాను పొందుతాయి. మొదటి, ప్రాధమిక పరిశోధన, దాని మూలాల నుండి డేటాను త్రవ్వడం. సర్వేలు ప్రాధమిక పరిశోధన యొక్క అత్యంత ప్రసిద్ధ రూపం, వ్యక్తిగతంగా, ఫోన్ ద్వారా, ఇంటర్నెట్ ద్వారా లేదా ఏ ఇతర మార్గాల ద్వారానైనా నిర్వహించబడతాయి. ప్రాధమిక పరిశోధన యొక్క ఫలితాలు యాజమాన్యమైనవి, అనగా ఏ ఇతర సంస్థ అయినా ప్రాధమిక పరిశోధన యొక్క ఫలితాలకు ప్రాముఖ్యత కల్పించకపోతే, పరిశోధకుడు లేదా ప్రజలకు అందుబాటులోకి రాకపోతే.
సెకండరీ పరిశోధన
ఇతర పరిశోధకులతో ప్రాధమిక పరిశోధన ఫలితాలు పంచుకున్నప్పుడు, ఇతర పరిశోధకులు ద్వితీయ పరిశోధన చేస్తున్నారు. సెకండరీ పరిశోధన ముఖ్యంగా సంబంధిత మరియు విలువైన డేటా యొక్క పెద్ద సెట్లను సంకలనం చేసేందుకు సమయాన్ని తీసుకున్న ఇతరుల ప్రయత్నాలపై ఆధారపడి ఉంటుంది. బ్యూరో ఆఫ్ లేబర్ స్టాటిస్టిక్స్ నుండి సగటు ఆదాయం సంఖ్యలు గురించి ద్వితీయ పరిశోధన యొక్క ఒక ఉదాహరణ. బ్యూరో ఇప్పటికే విస్తృతమైన సర్వేయింగ్ మరియు డేటాను కంపైల్ చేయడంతో, ఇతర వ్యాపార పరిశోధకులు డేటాను తక్కువ లేదా ఖర్చుతో పొందవచ్చు.
రాండమ్ నమూనా
యాదృచ్చిక నమూనా అనేది యాదృచ్ఛికంగా పూర్తిగా నిర్దిష్ట సంఖ్యలో ఉన్న వస్తువులని ఎన్నుకోవడం, తరువాత విశ్లేషణ కోసం నమూనాను ఉపయోగించడం. రకరకాల సజాతీయ డేటాను విశ్లేషించేటప్పుడు యాదృచ్ఛిక నమూనా అనేది సమర్థవంతమైన సాంకేతికతను కలిగి ఉంటుంది. ఒక నిర్దిష్ట స్థితిలో వ్యాధిగ్రస్తమైన ఊబకాయం నిర్ధారణ చేసిన వ్యక్తుల శాతాన్ని గుర్తించేందుకు చూస్తున్న ఒక సంస్థను ఊహిస్తుంది. అనేక మిలియన్ల ఎంట్రీలతో కూడిన డేటాతో పనిచేయడానికి బదులు, సంస్థ మొత్తం డేటా సమితి యొక్క గణాంకాలకు దాదాపుగా అనేక వందల ఎంట్రీల యొక్క యాదృచ్చిక నమూనాను విశ్లేషించవచ్చు.
Nth పేరు నమూనా
క్రమబద్ధమైన మాదిరిని కూడా సూచిస్తున్న N వ పేరు మాదిరి, యాదృచ్చిక నమూనాను పోలి ఉంటుంది, ఇది ఏకపక్ష డేటా ఎంపిక ప్రభావాన్ని తగ్గిస్తుంది. నమూనా నమూనాలో చేర్చడానికి ప్రతి nth డేటా ఎంట్రీని ఎన్నుకోవడమే క్రమబద్ధమైన నమూనా. ఒకవేళ మీరు ఒక మిలియన్ సర్వే ప్రతిస్పందనలు కలిగి ఉంటే, ఉదాహరణకు, మీరు ఒక వెయ్యి ఎంట్రీల మరింత నిర్వహించదగ్గ నమూనాతో వదిలివేయడం ద్వారా నమూనాలో చేర్చడానికి ప్రతి వెయ్యి ఎంట్రీని ఎంచుకోవచ్చు.
నియంత్రిత నమూనా
నియంత్రిత మాదిరి చాలా విలక్షణమైన నమూనా డేటా నుండి అత్యధిక నిర్దిష్ట నమూనాలను తీసుకుంటుంది. నియంత్రిత మాదిరి అనేది ద్వితీయ పరిశోధనను నిర్వహించేటప్పుడు చాలా విలువైనది, ఎందుకంటే ప్రాధమిక పరిశోధన కావాలనుకుంటే నిర్దిష్ట స్పందనదారులను లక్ష్యంగా చేసుకునే విధంగా రూపొందించబడింది.
సర్వే ప్రతివాదులు వయస్సు, జాతి, విద్య మరియు ఆదాయ స్థాయిలపై సమాచారాన్ని కలిగి ఉన్న పెద్ద డేటాను కొనుగోలు చేసే ఒక సంస్థను ఊహిస్తారు. ఒక సంస్థ ఒక నిర్దిష్ట వయస్సు కోసం సగటు ఆదాయం స్థాయిలను నిర్ణయించాలని కోరుకుంటే, సంస్థ ఆదాయం సంఖ్యను గణించే ముందు నిర్దిష్ట వయస్సు ప్రమాణాలను కలిగి ఉన్న ఎంట్రీలను కలిగి ఉన్న నమూనాను మాత్రమే నిర్మించవచ్చు.
