তথ্য হৈছে নতুন শক্তি

তথ্য হৈছে নতুন শক্তি

Embibe সমল, মাপ কৰা, সংগ্ৰহ কৰা, বিচৰা, আৰু ইয়াক সংৰক্ষণ কৰা ইত্যাদিৰ ক্ষেত্ৰত, তথ্যৰ ক্ষেত্ৰত অনন্য। Embibeয়ে ইয়াৰ তথ্যৰ গৰাকী, আমাৰ IP ইয়াৰ ওপৰত নিৰ্ভৰ কৰে। Embibeত, আমাৰ ব্যৱহাৰকাৰীসকলে আমাৰ সামগ্ৰীৰ সৈতে কেনেদৰে আদান-প্ৰদান কৰে, লগতে কি কাৰকৰ ফলত নিৰ্দিষ্ট ফলাফল হয় তাৰ জোখ লোৱাৰ বাবে পৰ্যাপ্ত সঁজুলি প্ৰস্তুত নোহোৱালৈকে আমি মুকলি কৰাত পলম কৰোঁ। তথ্যৰ প্ৰতি থকা এই আসক্তিয়েই আমাক শিক্ষাৰ্থীসকলে কেনেদৰে অধ্যয়ন কৰে আৰু তেওঁলোকৰ লক্ষ্য প্ৰাপ্ত কৰে তাৰ ওপৰত বহুতো অন্তৰ্দৃষ্টিপূৰ্ণ উন্মোচন লৈ যায়। উদাহৰণ স্বৰূপে, এগৰাকী শিক্ষাৰ্থীৰ নম্বৰ পোৱাৰ সম্ভাৱনা হৈছে দুটা কাৰকৰ সংমিশ্ৰণ – তেওঁলোকৰ শিকাৰ সামৰ্থ্য যি নম্বৰ পোৱাৰ সামগ্ৰিক সম্ভাৱনাৰ ~61% অৰিহণা যোগায়, আৰু তেওঁলোকৰ আচৰণগত গুণাগুণ যি ~39% অৰিহণা যোগায়। তথ্য-চালিত হোৱাৰ ওপৰত এই তীক্ষ্ণ মনোযোগে Embibeক শিক্ষা ব্যক্তিগতকৰণ কৰা আৰু শিক্ষাৰ্থীসকলৰ বাবে শিকনৰ ফলাফলত অত্যাধিক সমল প্ৰস্তুত কৰিবলৈ সক্ষম কৰিছে।

প্ৰাথমিক তথ্য সংগ্ৰহ

Embibeৰ প্লেটফৰ্মৰ বিভিন্ন পৰ্যায় আৰু স্থানত তথ্য সঁজুলি আৰু সংগ্ৰহ কৰা হয়। কেৱল তথ্য আয়ত্ত কৰাটোৱে প্ৰয়োজনীয় নহয়, সঠিক প্ৰকাৰৰ তথ্য, সঠিক সময়ত, সঠিক প্ৰসঙ্গত, সঠিক স্তৰৰ সূক্ষ্মতাৰ সৈতে আয়ত্ত কৰাৰ প্ৰয়োজন। Embibeত তথ্য সংগ্ৰহ বহলভাৱে নিম্নলিখিত শ্ৰেণীবোৰত পৰে:

• সমৃদ্ধ ঘটনাৰ প্ৰকাৰৰ সংগ্ৰহ

• ব্যৱহাৰকাৰী-পাৰস্পৰিক ক্ৰিয়াৰ স্পষ্ট ইভেন্টসমূহ – ক্লিকসমূহ, টেপসমূহ, হ’ভাৰসমূহ, স্ক্ৰলসমূহ, লিখনী-আপডেটসমূহ
• উপভোক্তা-আন্তঃক্ৰিয়া অন্তৰ্নিৰ্হিত ঘটনাসমূহ – কাৰ্চাৰ অৱস্থান, টেপৰ চাপ, যন্ত্ৰৰ অৱস্থান, স্থান
• চিস্টেম-উৎপন্ন চাৰ্ভাৰৰ ফালৰ ইভেন্টসমূহ – পৃষ্ঠা লোড, অধিবেশনসমূহ,এপি আই কলসমূহ
• চিস্টেম-উৎপন্ন ব্যৱহাৰকাৰীৰ  ইভেন্টসমূহ – চিষ্টেম পুচ ন’টিফিকেশ্বন আৰু ট্ৰিগাৰসমূহ

• সম্পত্তি অনুযায়ী নিৰ্দিষ্ট তথ্য

• পৃষ্ঠা দৰ্শন (URL, ৰেফাৰাৰ, উপভোক্তা মাধ্যম, যন্ত্ৰ, IP, সময় চিহ্ন, ট্ৰেফিক উৎস, অভিযান)
• অনুশীলন চেষ্টা স্তৰ তথ্য (সময় চিহ্ন, ভ্ৰমণ/পুনৰ ভ্ৰমণ, উত্তৰ বাছনি, প্ৰথম দেখা সময়, শুদ্ধ, কটোৱা সময়, সমাধান চোৱা, ইংগিত ব্যৱহাৰ কৰা) – অধিৱেশন স্তৰত একত্ৰিত

• আচৰণগত তথ্য শিকা

• ঘটনা তথ্য সন্ধান কৰা (টাইমষ্টাম্প, প্ৰশ্ন, ফলাফল গোট)
• ফলাফল আন্তঃক্ৰিয়া তথ্য (টাইমষ্টাম্প, পৰামৰ্শ দিয়া ফলাফল বাছনি, ফলাফল উইজেট আৰু প্ৰসংগ, উইজেট অৱস্থান)

• পৰীক্ষাৰ প্ৰয়াস অনুষ্ঠান স্তৰৰ তথ্য (সময়, চোৱা/পুনৰ চোৱা, উত্তৰ বাছনি, প্ৰথম দেখা সময়, শুদ্ধ, কটোৱা সময়, চোৱা প্ৰতিক্ৰিয়া) – অধিৱেশন স্তৰত একত্ৰিত কৰা
• (শিক্ষাগত মঞ্চ) প্ৰশ্ন সোধা আৰু উত্তৰ দিয়ক বিতংভাৱে, টাইমষ্টাম্প, ব্যৱহাৰকাৰীৰ মতদানৰ আচৰণ
• পৰিশোধ (ব্যৱহাৰকাৰী চিনাক্তকৰ্তা, ব্যৱহাৰকাৰী ই-মেইল, তৃতীয় পক্ষৰ পৰিশোধ মাধ্যম, পৰিশোধ মাধ্যম লেনদেন চিনাক্তকৰ্তা, পৰিশোধৰ পদ্ধতি (কাৰ্ড, ৱালেট ইত্যাদি), অৰ্ডাৰ অনুৰোধৰ টাইমষ্টাম্প, পৰিশোধ প্ৰাপ্তিৰ টাইমষ্টাম্প, প্ৰয়োগ কৰা যিকোনো ৰেহাই, অৰ্ডাৰ সামগ্ৰী তথ্য)

Embibeয়ে কৰা স্কেলত তথ্য সংগ্ৰহৰ সঁজুলি প্ৰদান কৰোঁতে বহুতো ব্যৱহাৰিক বিবেচনা ৰখা প্ৰয়োজন। উদাহৰণ স্বৰূপে, আমি এই সকলো তথ্য সংগ্ৰহ কৰিবলৈ কেইবাটাও পদ্ধতিৰ ওপৰত নিৰ্ভৰ কৰোঁ। segment.io আৰু হিপৰ দৰে তৃতীয়-পক্ষৰ প্লাগিনৰ সৈতে একত্ৰিত কৰি ব্যৱহাৰকাৰীৰ বাৰ্তালাপ অনুষ্ঠান স্ট্ৰিম লগিং প্ৰাপ্ত কৰা হয়। চাৰ্ভাৰ-চাইড পৃষ্ঠা লোড আৰু অধিৱেশন ঘটনাসমূহ লগি ইন-হাউচ সঁজুলি যুক্ত কৰা হয় আৰু নোস্কুৱেল ডাটাবেচলৈ ঠেলি দিয়া হয়। অনুশীলনী আৰু পৰীক্ষাৰ দৰে সম্পত্তিৰ ওপৰত ব্যৱহাৰকাৰীৰ কাৰ্যকলাপৰ দৈনিক তথ্য সন্মুখৰ ফালে প্ৰশ্ন একত্ৰিত কৰণৰ বাবে DB-ত সংৰক্ষণ কৰা হয়।

তথ্য প্ৰক্ৰিয়াকৰণ

প্ৰাথমিক তথ্য সংগ্ৰহ হোৱাৰ পিছত, ইয়াক পৰিষ্কাৰ, সমৃদ্ধ, খনন আৰু দৃশ্যায়ন কৰাৰ প্ৰয়োজন আছে। Embibeত, আমি সংগ্ৰহ কৰা তথ্য ব্যৱহাৰ কৰাৰ বাবে আমাৰ নিম্নলিখিত বিস্তৃত পদ্ধতি ব্যৱহাৰ কৰোঁ:

• ইন-হাউচ ৰিপ’ৰ্টিং আৰু এড-হক বিশ্লেষণ:
• আমাৰ ব্যৱহাৰকৰ্তা GOV তথ্য সৃষ্টি আৰু আপডেট কৰিবলৈ স্পাৰ্ক ষ্ট্ৰীমিং আৰু হাডুপ মেপ ব্যৱহাৰ কৰি লগ মাইনিং-এ আমাৰ ব্যৱহাৰকৰ্তা GOV তথ্য সৃষ্টি আৰু আপডেট কৰে যি অধিৱেশন স্তৰৰ কাৰ্যকলাপ আৰু লগতে GOV তথ্য সংৰক্ষণ কৰে যি প্ৰতিটো সমলৰ বিপৰীতে প্ৰতিগৰাকী ব্যৱহাৰকাৰীৰ বাবে শিক্ষাগত সামৰ্থ্য প্ৰ’ফাইল সংৰক্ষণ কৰে। স্কেলত পৰিৱেশন কৰাৰ বাবে GOV আৰু  GAV তথ্য ইলাষ্টিকচাৰ্চ গোটত সংৰক্ষণ কৰা হয়।
• ট্ৰেফিক প্ৰকাৰ, ব্যৱহাৰকাৰীৰ মুদ্ৰাকৰণ, পৰীক্ষা-অন-পৰীক্ষা উন্নতি, সন্ধান বিফলতা, আৰু অন্যান্য প্ৰয়োজনীয়তাৰ বাবে প্ৰতিবেদন ডাটা সৃষ্টি কৰিবলৈ লগ মাইনিং। সংসাধিত তথ্যবোৰ পুনৰ ইলাষ্টিকচাৰ্চলৈ ঠেলি দিয়া হয় আৰু কিবানা আৰু গ্ৰাফানা ডেশ্বব’ৰ্ড ব্যৱহাৰ কৰি কল্পনা কৰা হয়।
• এড-হক আধাৰত কৰিব লগা যিকোনো প্ৰয়োজনীয় বিশ্লেষণৰ বাবে HDFS-ৰ ওপৰত HBaseত প্ৰাথমিক কেঁচা তথ্য সংৰক্ষণ কৰা হয়।

চিত্ৰ 1: তথ্য প্ৰৱাহ ষ্টেকৰ এক উচ্চ স্তৰৰ ব্যৱস্থাপক যি Embibeৰ তথ্য বিজ্ঞান গৱেষণাগাৰে বিকশিত কৰা বুদ্ধিমত্তাক শক্তি প্ৰদান কৰে

• ব্যৱসায়/সামগ্ৰী/মাৰ্কেটিং স্ব-সেৱাৰ বাবে তৃতীয় পক্ষৰ সঁজুলি
• আমাৰ অন-পেজ আৰু ইন-এপ্প ব্যৱহাৰকাৰীৰ আন্তঃক্ৰিয়া তথ্য segment.io (তৃতীয় পক্ষৰ প্লাগিন) ব্যৱহাৰ কৰি সংগ্ৰহ কৰা হয় যি তথ্যবোৰ বিভিন্ন বাহ্যিক তথ্য দৃশ্যায়ন প্লেটফৰ্মলৈ স্বয়ংক্ৰিয়ভাৱে প্ৰেৰণ কৰে
• ট্ৰেফিক উৎস, জনগাঁথনি আৰু অৱস্থান তথ্য, যন্ত্ৰ বিকল হোৱা, পৃষ্ঠা দৰ্শন, ব্যয় কৰা সময়, ধাৰণ মাত্ৰা সহ বহল স্তৰৰ ট্ৰেফিক নিৰীক্ষণৰ বাবে গুগল এনালিটিক্স।
• ব্যৱহাৰকাৰীৰ প্ৰবাহৰ বিশ্লেষণ আৰু অপ্টিমাইজেচনৰ বাবে হিপ এনালিটিক্স।  FE-য়ে segment.io ৰ জৰিয়তে সকলো ব্যৱহাৰকাৰীৰ বাৰ্তালাপ অনুষ্ঠান হিপলৈ ঠেলি দিবলৈ তাঁৰ যুক্ত কৰিছিল। হিপে ব্যৱহাৰকাৰী ৰূপান্তৰ ফানেল আৰু প্ৰবাহৰ স্ব-সেৱা শৈলী গতিশীল ছেটিং আপ কৰিব দিয়ে।