การวิเคราะห์ข้อมูลเมตา

การวิเคราะห์ข้อมูลเมตาจะระบุว่าฟิลด์ข้อมูลเมตาใดสามารถแบ่งกลุ่มข้อมูลเชิงคุณภาพของคุณได้อย่างมีความหมาย ตัวอย่างเช่น การวิเคราะห์นี้อาจเผยให้เห็นว่าผู้เข้าร่วมจากกลุ่มอายุ ภูมิภาค หรือบทบาทที่ต่างกัน ให้ความสำคัญกับแก่นเรื่องที่ต่างกันในคำตอบของพวกเขาหรือไม่

การรันการวิเคราะห์ข้อมูลเมตา

เพื่อรันการวิเคราะห์ข้อมูลเมตา:

1. ไปที่ มุมมองหมวดหมู่ ของโครงการของคุณ
2. คลิก วิเคราะห์ข้อมูลเมตา
3. Skimle จะตรวจสอบฟิลด์ข้อมูลเมตาทั้งหมดของคุณ และพิจารณาว่าฟิลด์ใดสร้างความแตกต่างที่มีความหมายในหมวดหมู่ข้อค้นพบของคุณ

การวิเคราะห์จะรันอยู่เบื้องหลังและมักใช้เวลาไม่กี่นาที ผลลัพธ์จะปรากฏในมุมมองหมวดหมู่เมื่อเสร็จสมบูรณ์

หลักการทำงาน

Skimle ผสานสองวิธีที่เสริมกันเพื่อค้นหารูปแบบที่มีนัยสำคัญ:

• การวิเคราะห์เชิงความหมาย - เปรียบเทียบความหมายของข้อค้นพบในกลุ่มข้อมูลเมตาโดยใช้ text embeddings หากผู้เข้าร่วมที่มีค่าข้อมูลเมตาต่างกันพูดถึงสิ่งที่แตกต่างกันอย่างแท้จริง ระบบจะตรวจพบสัญญาณนี้
• การวิเคราะห์การกระจาย - ใช้การทดสอบทางสถิติเพื่อตรวจสอบว่าค่าข้อมูลเมตาบางค่ารวมกลุ่มอยู่ในหมวดหมู่ย่อยที่เฉพาะเจาะจงมากกว่าที่คาดไว้โดยบังเอิญหรือไม่

ฟิลด์ข้อมูลเมตาจะถือว่ามีนัยสำคัญก็ต่อเมื่อสัญญาณทั้งสองสอดคล้องกัน ซึ่งช่วยลดความเสี่ยงของการค้นพบที่ไม่น่าเชื่อถือ

การอ่านผลลัพธ์

สำหรับหมวดหมู่ข้อค้นพบแต่ละหมวด มุมมองหมวดหมู่จะแสดง:

• ฟิลด์ข้อมูลเมตาใดบ้าง ที่สร้างการแบ่งกลุ่มที่มีความหมาย โดยจัดเรียงตามนัยสำคัญ
• คำอธิบายกลุ่ม - สำหรับฟิลด์ที่มีนัยสำคัญแต่ละฟิลด์ Skimle จะอธิบายลักษณะเฉพาะของคำตอบในแต่ละกลุ่มข้อมูลเมตา ตัวอย่างเช่น ภายใต้ฟิลด์ "กลุ่มอายุ" คุณอาจเห็นว่าผู้เข้าร่วมที่อายุน้อยกว่าให้ความสำคัญกับความง่ายในการใช้งาน ขณะที่ผู้เข้าร่วมที่อายุมากกว่าให้ความสำคัญกับความน่าเชื่อถือ
• การเปรียบเทียบตามช่วงเวลา - หากเอกสารของคุณมีวันที่สร้าง Skimle จะเปรียบเทียบช่วงเวลาปัจจุบันและช่วงเวลาก่อนหน้าโดยอัตโนมัติ เพื่อแสดงให้เห็นว่าแก่นเรื่องเปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป

วิดเจ็ตเส้นเวลาใน การแสดงผลข้อมูล - แนวโน้มเส้นเวลา และ เปรียบเทียบช่วงเวลา - ช่วยให้คุณสำรวจคำถามเดียวกันได้แบบอินเทอร์แอกทีฟ

ข้อกำหนด

เพื่อให้การวิเคราะห์ข้อมูลเมตาให้ผลลัพธ์ที่มีประโยชน์ โครงการของคุณต้องมี:

• อย่างน้อย 15 ข้อค้นพบ ในหมวดหมู่ที่กำลังวิเคราะห์
• อย่างน้อย สองค่าที่แตกต่างกัน สำหรับฟิลด์ข้อมูลเมตาที่กำลังทดสอบ
• อย่างน้อย สองข้อค้นพบ ต่อค่าข้อมูลเมตาหนึ่งค่า

ฟิลด์ที่ไม่ตรงตามเกณฑ์เหล่านี้จะถูกข้ามโดยอัตโนมัติ

เกณฑ์เหล่านี้สุดท้ายแล้วเกี่ยวข้องกับขนาดตัวอย่าง การแบ่งกลุ่มเชิงคุณภาพจะน่าเชื่อถือได้ก็ต่อเมื่อแต่ละกลุ่มมีข้อค้นพบมากพอที่จะเปรียบเทียบ หากขนาดตัวอย่างเล็กมาก ฟิลด์ส่วนใหญ่จะถูกข้ามโดยอัตโนมัติ ดังนั้นจึงควรวิเคราะห์เอกสารให้เพียงพอก่อนที่จะสรุปผลจากการแบ่งข้อมูลเมตา

เคล็ดลับสำหรับการวิเคราะห์ข้อมูลเมตาที่มีประสิทธิภาพ

• ใช้ค่าข้อมูลเมตาที่บรรยายรายละเอียด "Senior developer" มีประโยชน์มากกว่า "Role A" เพราะช่วยให้ AI เขียนคำอธิบายกลุ่มที่มีความหมายมากขึ้น
• ควบคุมจำนวนค่าที่ไม่ซ้ำกันให้อยู่ในระดับที่จัดการได้ ฟิลด์ที่มีค่าที่ไม่ซ้ำกันหลายสิบค่าจะตีความได้ยากกว่า ควรพิจารณาจัดกลุ่มค่า (เช่น ช่วงอายุ แทนอายุที่แน่นอน)
• เพิ่มข้อมูลเมตา ก่อนรันการวิเคราะห์ การวิเคราะห์ข้อมูลเมตาจะใช้ฟิลด์ที่มีอยู่ ณ เวลาที่รัน หากคุณเพิ่มฟิลด์ใหม่ภายหลัง ให้รันการวิเคราะห์อีกครั้งเพื่อรวมฟิลด์เหล่านั้นเข้าไปด้วย