Python کے ذریعے DHIS2 کے حفاظتی ٹیکہ کاری کے ڈیٹا کا آڈٹ اور پیش گوئی

یہ منصوبہ کیا کرتا ہے

یہ منصوبہ DHIS2 سے ماہانہ حفاظتی ٹیکہ کاری کے ڈیٹا کو نکالنے، جانچنے، مکمل کرنے اور پیش گوئی کرنے کے لیے ایک ابتدا سے انتہا تک ورک فلو فراہم کرتا ہے۔ یہ 13 اضلاع کی جانب سے رپورٹ کی گئی خسرہ، BCG اور OPV1 کی خوراکوں کے ساتھ کام کرتا ہے، جن میں ستمبر 2021 سے اگست 2026 تک کے مکمل 60 ماہ شامل ہیں۔

شامل ڈیٹاسیٹ DHIS2 کے عوامی ڈیمو انسٹنس سے حاصل کیا گیا ہے، جو ورژن 2.43.1 چلا رہا ہے۔ یہ نمونہ ڈیٹا ہے اور اس میں کوئی ذاتی یا کام کی جگہ سے متعلق معلومات شامل نہیں ہیں۔ لہٰذا، نتائج تجزیاتی طریقوں اور ڈیٹا کے معیار سے متعلق مسائل کو ظاہر کرتے ہیں؛ انہیں صحت کے حقیقی رجحانات سے متعلق نتائج نہ سمجھا جائے۔

اس ورک فلو کے چار اہم مراحل ہیں:

1. DHIS2 analytics API کے ذریعے مجموعی ماہانہ ڈیٹا حاصل کرنا یا محفوظ شدہ CSV اسنیپ شاٹ لوڈ کرنا۔
2. رپورٹنگ کی تکمیل، سال بہ سال تکرار، بڑی تبدیلیوں اور ممکنہ مسلسل مہینوں کی ادلا بدلی کا جائزہ لینا۔
3. ماڈل کی تربیت کے لیے گم شدہ اقدار کا تخمینہ لگانا، جبکہ تخمینوں کی شناخت کرنے والے فلیگز برقرار رکھنا۔
4. یہ جانچنا کہ آیا پیش گوئی کرنے والے ماڈلز موسمی بنیادی ماڈل سے بہتر کارکردگی دکھاتے ہیں، جو پچھلے سال کی قدر کو دہراتا ہے۔

اہم خصوصیات

• DHIS2 API سے ڈیٹا نکالنا: pull_dhis2_data.py میں موجود فنکشنز مطلوبہ اشاریوں کو تلاش اور حاصل کرتے ہیں۔
• آف لائن قابلِ تکرار عمل: نوٹ بک بطورِ ڈیفالٹ dhis2_raw_data.csv پڑھتی ہے، اس لیے یہ انٹرنیٹ کنکشن یا لاگ اِن کے بغیر چل سکتی ہے۔
• تکمیل کا جائزہ: تجزیہ جانچتا ہے کہ آیا ہر اشاریے کے لیے ہر ضلع اور مہینے کی ایک قدر موجود ہے۔
• تکرار کی شناخت: یہ پیمائش کرتا ہے کہ کسی ضلع کی قدر ایک سال پہلے کے اسی مہینے کی قدر سے کتنی بار عین مطابق ہوتی ہے۔
• ادلا بدلی کی شناخت: یہ ان مسلسل مہینوں کی نشاندہی کرتا ہے جن کی اقدار پچھلے سال کے مقابلے میں الٹی ترتیب میں دکھائی دیتی ہیں۔
• منظم خلا پُر کرنا: گم شدہ اقدار کا تخمینہ دوسرے برسوں کے اسی کیلنڈر مہینے یا ضلع کی سطح اور اضلاع کے درمیان موسمی رجحان سے لگایا جاتا ہے۔
• ڈیٹا لیکیج سے محفوظ پیش گوئی: تربیت اور جانچ کو زمانی ترتیب سے الگ رکھا جاتا ہے، اور تربیتی خلا صرف تربیتی ڈیٹا استعمال کرتے ہوئے پُر کیے جاتے ہیں۔
• ماڈلز کا موازنہ: موسمی نائیو، SARIMA اور gradient boosting کا جائزہ MAE اور WAPE کے ذریعے لیا جاتا ہے۔

منصوبے کی فائلوں کو سمجھیں

• DHIS2_Immunisation_Audit_and_Forecast.ipynb: مکمل تجزیہ، جس میں چارٹس، آڈٹ لاجک، خلا پُر کرنا اور پیش گوئیاں شامل ہیں۔
• pull_dhis2_data.py: اشاریوں کا مقام معلوم کرنے اور DHIS2 سے ڈیٹا حاصل کرنے کے فنکشنز۔
• dhis2_raw_data.csv: محفوظ شدہ اسنیپ شاٹ، جو ڈیفالٹ آف لائن رن کے لیے استعمال ہوتا ہے۔
• requirements.txt: Python پیکیجز کے انحصارات۔
• README.md: منصوبے کی دستاویزات اور خلاصہ شدہ نتائج۔

تنصیب اور سیٹ اپ

1. ریپوزٹری حاصل کریں

ریپوزٹری کو کلون یا ڈاؤن لوڈ کریں، پھر اس کی بنیادی ڈائریکٹری میں ٹرمینل کھولیں۔ ورچوئل ماحول استعمال کرنے کی سفارش کی جاتی ہے تاکہ منصوبے کے پیکیجز دیگر Python منصوبوں سے الگ رہیں۔

python -m venv .venv

اپنے آپریٹنگ سسٹم کے مطابق کمانڈ سے ماحول فعال کریں، پھر مطلوبہ پیکیجز انسٹال کریں:

pip install -r requirements.txt

2. Jupyter Notebook شروع کریں

jupyter notebook DHIS2_Immunisation_Audit_and_Forecast.ipynb

نوٹ بک کے سیلز کو اوپر سے نیچے تک چلائیں۔ بطورِ ڈیفالٹ، تجزیہ dhis2_raw_data.csv لوڈ کرتا ہے۔ ورک فلو کو دریافت کرنے کا یہ سب سے آسان اور قابلِ تکرار طریقہ ہے، کیونکہ اس کے لیے نہ نیٹ ورک کنکشن درکار ہے اور نہ DHIS2 اسناد۔

3. اختیاری طور پر لائیو DHIS2 رسائی ترتیب دیں

تازہ ڈیٹا حاصل کرنے کے لیے نوٹ بک کے پہلے کوڈ سیل میں REFRESH = True مقرر کریں۔ سرور کا پتا اور لاگ اِن DHIS2_URL، DHIS2_USER اور DHIS2_PASSWORD ماحولاتی متغیرات کے ذریعے فراہم کیے جا سکتے ہیں۔

DHIS2_URL=https://your-dhis2-server.example
DHIS2_USER=your_username
DHIS2_PASSWORD=your_password

ماحولاتی متغیرات مقرر کرنے کا درست طریقہ آپ کے شیل اور آپریٹنگ سسٹم پر منحصر ہے۔ اسناد کو ماحولاتی متغیرات میں رکھنے سے وہ نوٹ بک میں شامل ہونے یا سورس کنٹرول میں commit ہونے سے محفوظ رہتی ہیں۔

لائیو DHIS2 انسٹنس سے صرف ڈیٹا کے مالک کی منظوری کے ساتھ منسلک ہوں۔ شناخت سے پاک مجموعی ڈیٹا استعمال کریں اور ادارے کی سکیورٹی اور گورننس کی ضروریات پر عمل کریں۔

بنیادی ورک فلو چلائیں

مرحلہ 1: ماہانہ ڈیٹا لوڈ یا حاصل کریں

ہر قطار ایک اشاریے، ایک ضلع اور ایک مہینے کی نمائندگی کرتی ہے۔ مکمل تجزیہ ہر حفاظتی ٹیکہ کاری اشاریے کے لیے 13 اضلاع اور 60 ماہ استعمال کرتا ہے۔ خسرہ آڈٹ اور پیش گوئی دونوں مراحل میں شامل ہے، جبکہ BCG اور OPV1 کا آڈٹ کیا جاتا ہے۔ ANC اشاریوں کو خارج کیا گیا ہے کیونکہ صرف 20 ماہ دستیاب ہیں، جو اس ورک فلو میں سالانہ رجحانات کے مطالعے کے لیے بہت کم ہیں۔

REFRESH = False ہونے پر نوٹ بک محفوظ شدہ اسنیپ شاٹ پڑھتی ہے۔ REFRESH = True ہونے پر یہ ترتیب دیے گئے سرور سے موجودہ نتائج حاصل کرنے کے لیے API مددگار فنکشنز استعمال کرتی ہے۔

مرحلہ 2: رپورٹنگ کی تکمیل جانچیں

ہر اشاریے کے لیے متوقع مشاہدات کی تعداد درج ذیل طریقے سے نکالی جاتی ہے:

13 districts × 60 months = 780 district-months

نمونے میں ہر حفاظتی ٹیکہ کاری اشاریے کے لیے 725 رپورٹ شدہ اقدار موجود ہیں، جس سے 55 گم شدہ اقدار، یعنی 7.1%، رہ جاتی ہیں۔ گم شدگی بے ترتیب ہونے کے بجائے انتہائی منظم ہے:

• تمام خلا اکتوبر، نومبر یا دسمبر میں واقع ہوتے ہیں۔
• 2021 سے 2025 تک ہر سال گیارہ اقدار گم ہیں۔
• متاثرہ اضلاع Pujehun، Bonthe، Koinadugu، Kono، Bombali اور Port Loko ہیں۔
• Pujehun میں دستیاب کسی بھی سال اکتوبر تا دسمبر کی رپورٹس موجود نہیں ہیں۔
• 2026 میں کوئی قدر گم نہیں ہے۔

یہ اس لیے اہم ہے کہ صرف رپورٹ کرنے والے اضلاع کو جمع کرنے سے قومی مجموعہ مصنوعی طور پر کم دکھائی دیتا ہے۔ متاثرہ 15 مہینوں میں غیر درست شدہ مجموعہ اوسطاً 14.3% کم ہے اور یہ کمی زیادہ سے زیادہ 17.1% تک پہنچتی ہے۔

مرحلہ 3: سال بہ سال عین مماثلتیں تلاش کریں

نوٹ بک ہر ضلع-ماہ کا موازنہ اس سے 12 ماہ پہلے کے متعلقہ مہینے سے کرتی ہے۔ عین مماثلتیں فطری طور پر ہو سکتی ہیں، لیکن حقیقی ماہانہ صحت کے اعداد و شمار میں وسیع پیمانے پر تکرار غیر معمولی ہوتی ہے۔

ڈیمو ڈیٹا میں 2024 کے دوران خسرہ کے 65.5% ضلع-ماہ، 2025 میں 92.4%، اور جنوری سے اگست 2026 تک 71.2% ضلع-ماہ پچھلے سال کی متعلقہ مدت سے عین مماثل ہیں۔ BCG اور OPV1 میں بھی تقریباً یہی نمونہ نظر آتا ہے۔

تشریح کے لیے یہ نمونہ اہم ہے۔ یہ ایسے نمونے سے مشابہ ہے جو کسی ٹیمپلیٹ سے تیار یا نقل کیا گیا ہو، اور یہ پچھلے سال کی اقدار پر مبنی پیش گوئی کے بنیادی طریقے کو غیر معمولی طور پر مضبوط فائدہ دیتا ہے۔

مرحلہ 4: بڑی تبدیلیوں اور ممکنہ مہینوں کی ادلا بدلی کا جائزہ لیں

سال بہ سال بڑی تبدیلیاں مفید انتباہی اشارے ہیں، لیکن یہ خود بخود غلطیاں نہیں ہوتیں۔ نوٹ بک یہ بھی جانچتی ہے کہ آیا پچھلے سال کے مقابلے میں دو متصل اقدار نے اپنی جگہیں تبدیل کی ہیں۔

ممکنہ ادلا بدلی مارچ اور اپریل 2024، اکتوبر اور نومبر 2024، اور مارچ اور اپریل 2026 میں نظر آتی ہے۔ مثال کے طور پر، پورٹ لوکو میں مارچ اور اپریل کی اقدار 535 اور 313 ہیں، جبکہ سال بہ سال ان کی ترتیب بدل جاتی ہے۔ ایسی ادلا بدلی سے ماہانہ دو بڑی غلطیاں پیدا ہوتی ہیں، حالانکہ اس جوڑے کا مشترکہ مجموعہ تبدیل نہیں ہوتا۔

یہ ورک فلو ممکنہ ادلا بدلی کی نشان دہی کرتا ہے، لیکن اسے درست نہیں کرتا۔ صرف ڈیٹا کی بنیاد پر یہ طے نہیں کیا جا سکتا کہ کون سی ترتیب درست ہے، اس لیے تبدیلی کرنے سے پہلے اصل رپورٹس کی جانچ کی جانی چاہیے۔

مرحلہ 5: تربیتی اقدار میں موجود خلا پُر کریں

پروجیکٹ ہر خلا کو دو مرحلوں کے طریقے سے پُر کرتا ہے:

1. اگر ضلع نے دوسرے سالوں میں اسی تقویمی مہینے کی رپورٹ دی ہو تو دستیاب اقدار کا اوسط استعمال کریں۔
2. اگر ضلع نے کبھی اس تقویمی مہینے کی رپورٹ نہ دی ہو تو ضلع کی اوسط سطح کو تمام اضلاع میں اس مہینے کے معمول کے موسمی نمونے سے ضرب دے کر اندازہ لگائیں۔

دوسرا طریقہ پوجیہون جیسے معاملات کے لیے ضروری ہے، جہاں دستیاب ہر سال میں اکتوبر سے دسمبر تک کا ڈیٹا موجود نہیں ہے۔

طریقے کی جانچ کے لیے تجزیہ اکتوبر سے دسمبر کی معلوم اقدار میں سے 15% کو چھپاتا ہے، انہیں پُر کرتا ہے، اور اندازوں کا حقیقی مشاہدات سے موازنہ کرتا ہے۔ 21 چھپی ہوئی اقدار میں اوسط غلطی 8.2% اور درمیانی غلطی 7.9% ہے۔ یہ توثیق کا صرف ایک چھوٹا نمونہ ہے، اس لیے ان اعداد کو حتمی درستگی کے تخمینوں کے بجائے ایک عمومی رہنما سمجھا جانا چاہیے۔

تخمینی اقدار کو مشاہدہ شدہ اقدار نہیں سمجھا جاتا۔ انہیں صرف ماڈل کے تربیتی ڈیٹا اور وقفہ دار خصوصیات تیار کرنے کے لیے استعمال کیا جاتا ہے۔ اسکورنگ کے دوران ٹیسٹ کے گم شدہ مشاہدات کو پُر کرنے کے بجائے نظرانداز کیا جاتا ہے۔

خسرہ کی خوراکوں کی پیش گوئی

زمانی ترتیب کے مطابق تربیتی اور ٹیسٹ تقسیم استعمال کریں

پیش گوئی کا سوال یہ ہے کہ آیا کوئی ماڈل ہر ضلع کے لیے خسرہ کی اگلے 12 ماہ کی خوراکوں کی پیش گوئی، پچھلے سال کی اقدار دہرانے کے مقابلے میں زیادہ درست طور پر کر سکتا ہے۔

• تربیتی مدت: ستمبر 2021 سے اگست 2025 تک، یعنی 48 ماہ۔
• ٹیسٹ مدت: ستمبر 2025 سے اگست 2026 تک، یعنی 12 ماہ۔
• اسکور کیے گئے مشاہدات: رپورٹ شدہ ٹیسٹ کی 145 اقدار۔

بے ترتیب تقسیم مستقبل کے مشاہدات کو پہلے کے مہینوں کی پیش گوئیوں پر اثر انداز ہونے دے گی۔ وقت پر مبنی تقسیم اس معلوماتی رساؤ کو روکتی ہے۔ تربیتی خلا صرف تربیتی مدت کی معلومات سے پُر کیے جاتے ہیں، جبکہ اکتوبر سے دسمبر 2025 تک ٹیسٹ میں غیر رپورٹ شدہ اقدار کو جائزے سے خارج کیا جاتا ہے۔

تین ماڈلز کا موازنہ کریں

• موسمی سادہ ماڈل: ایک سال پہلے اسی مہینے میں دیکھی گئی قدر کی پیش گوئی کرتا ہے۔
• SARIMA: ہر ضلع کے لیے الگ سے SARIMA(0,1,1)(0,1,1,12) فٹ کرتا ہے۔ یہ ترتیب ٹیسٹ کے نتائج دیکھنے سے پہلے منتخب کی گئی تھی اور اسے بہتر نہیں بنایا گیا۔
• گریڈینٹ بوسٹنگ: تمام اضلاع کے لیے ایک مشترکہ ماڈل تربیت دیتا ہے، جس میں 12 اور 24 ماہ پہلے کی اقدار، تقویمی مہینہ، اور ضلع استعمال ہوتے ہیں۔ اقدار کو ہر ضلع کے اوسط سے اسکیل کیا جاتا ہے تاکہ مختلف حجم والے اضلاع ایک ہی ماڈل میں شامل ہو سکیں۔

گریڈینٹ بوسٹنگ کی خصوصیات میں صرف وہ مشاہدات استعمال ہوتے ہیں جو کم از کم 12 ماہ پرانے ہوں۔ یہ اس معلومات کی عکاسی کرتا ہے جو مکمل 12 ماہ آگے کی پیش گوئی تیار کرتے وقت دستیاب ہوگی۔

MAE اور WAPE کی تشریح کریں

نوٹ بک جائزے کے دو پیمانے رپورٹ کرتی ہے:

• MAE: فی ضلع-ماہ خوراکوں میں اوسط مطلق غلطی۔
• WAPE: کل مطلق غلطی کو کل حقیقی خوراکوں پر تقسیم کرنے کا نتیجہ۔ مثال کے طور پر، 0.036 کا مطلب 3.6% غلطی ہے۔

موسمی سادہ ماڈل کا MAE 16.1 اور WAPE 3.6% ہے۔ SARIMA کا MAE 30.0 اور WAPE 6.6% ہے، جبکہ گریڈینٹ بوسٹنگ کا MAE 32.9 اور WAPE 7.3% ہے۔

جب مارچ اور اپریل 2026 کو خارج کیا جاتا ہے تو موسمی سادہ ماڈل کا WAPE کم ہو کر 0.8% رہ جاتا ہے۔ SARIMA 5.4% اور گریڈینٹ بوسٹنگ 5.7% تک پہنچتے ہیں۔ اس لیے بنیادی ماڈل کی زیادہ تر غلطی بظاہر مارچ اور اپریل کی ادلا بدلی سے پیدا ہوتی ہے۔

سادہ بنیادی ماڈل کیوں کامیاب ہوتا ہے

موسمی سادہ طریقہ بہترین کارکردگی دکھاتا ہے کیونکہ ٹیسٹ مدت کی زیادہ تر اقدار پچھلے سال کی عین نقول ہیں۔ ایسے حالات میں پچھلے سال کا مشاہدہ دہرانے والا ماڈل تقریباً بے خطا ہوتا ہے۔

اس کے برعکس SARIMA اور گریڈینٹ بوسٹنگ صرف چار سالانہ چکروں سے وسیع تر نمونوں کا اندازہ لگاتے ہیں۔ وہ سلسلے کو ہموار کرتے ہیں اور عین نقل کی گئی اقدار کو اتنی قابلِ اعتماد طریقے سے دوبارہ پیدا نہیں کر سکتے۔ وہ پہلے کے مشاہدات کی بنیاد پر متصل مہینوں کی ادلا بدلی کی پیش گوئی بھی نہیں کر سکتے۔

یہ نتیجہ اس بات کو ثابت نہیں کرتا کہ موسمی سادہ پیش گوئی عمومی طور پر بہتر ہے۔ یہ اس ڈیمو ڈیٹا سیٹ کی غیر معمولی ساخت کی عکاسی کرتا ہے۔ حقیقی سال بہ سال تغیر والے اصل ڈیٹا میں زیادہ پیچیدہ ماڈلز کو بنیادی ماڈل سے بہتر کارکردگی دکھانے کا زیادہ بامعنی موقع حاصل ہوگا۔

ورک فلو کو ڈھالنے کے لیے جدید تجاویز

مشاہدہ شدہ اور تخمینہ شدہ اقدار کو الگ رکھیں

ہر درج کیے گئے مشاہدے کے لیے ایک واضح پرچم شامل کریں یا برقرار رکھیں۔ جہاں مکمل تربیتی سلسلے کے لیے تکنیکی طور پر ضروری ہو، وہاں تخمینے استعمال کریں، لیکن انہیں خاموشی سے رپورٹ کردہ اقدار کے طور پر پیش نہ کریں۔ اسکورنگ صرف ان مشاہدات پر مبنی رہنی چاہیے جو حقیقتاً رپورٹ کیے گئے ہوں۔

بے قاعدگیوں کی خودکار اصلاح کے بجائے ان کی تحقیق کریں

غائب رپورٹس، دہرائی گئی اقدار، بڑی تبدیلیاں اور ممکنہ تبدیلیِ ماہ مختلف نوعیت کے اقدامات کا تقاضا کرتے ہیں۔ ماڈلنگ کے لیے کسی غائب قدر کا تخمینہ لگایا جا سکتا ہے، لیکن بظاہر تبدیل شدہ ماہ کی تصدیق اصل دستاویزات سے کی جانی چاہیے۔ خودکار اصلاح ایک نمایاں انتباہ کو پوشیدہ غلطی میں بدل سکتی ہے۔

رولنگ اوریجن کی جانچ استعمال کریں

ریپوزٹری میں 12 ماہ کی ایک آزمائشی مدت استعمال کی گئی ہے۔ زیادہ مضبوط جائزے کے لیے کئی تاریخی مدتوں میں جانچ دہرائیں۔ ہر بار ماڈل کو صرف اس ڈیٹا پر تربیت دی جانی چاہیے جو پیش گوئی کی مدت سے پہلے دستیاب تھا۔ اس سے ظاہر ہوتا ہے کہ ماڈل کی کارکردگی وقت کے ساتھ مستحکم ہے یا کسی ایک غیر معمولی سال پر منحصر ہے۔

پیچیدہ ماڈلز کا ہمیشہ موازنہ کریں

ٹیون کیے گئے SARIMA ماڈلز، نئی خصوصیات یا دیگر مشین لرننگ الگورتھمز شامل کرنے کے باوجود موسمی نائیو پیش گوئی برقرار رکھیں۔ پیچیدہ طریقہ صرف اسی صورت مفید ہے جب وہ غیر دیکھی مدتوں میں ایک سادہ اور عملی طور پر قابلِ اعتبار بنیادی ماڈل سے مستقل طور پر بہتر کارکردگی دکھائے۔

حقیقی ڈیٹا کے ساتھ کام کرتے وقت غیر یقینی شامل کریں

تجویز کردہ اگلے اقدامات میں پیش گوئی کے وقفے شامل کرنا بھی شامل ہے۔ صرف نقطۂ پیش گوئیاں معمول کے اتار چڑھاؤ، محدود تاریخی ڈیٹا یا تخمینہ شدہ تربیتی خلا سے پیدا ہونے والی غیر یقینی کو ظاہر نہیں کرتیں۔

بار بار ہونے والے آڈٹس خودکار بنائیں

یہی جانچیں ہر رپورٹنگ سائیکل کے بعد مقررہ وقت پر چلنے کے لیے شیڈول کی جا سکتی ہیں۔ ایک مستقل عمل نئے غائب ضلع-ماہ، سال بہ سال غیر متوقع تکرار، بڑی تبدیلیاں اور مشتبہ طور پر تبدیل شدہ ماہ رپورٹ کر سکتا ہے تاکہ ان کا جائزہ لیا جا سکے۔

دیگر اشاریوں تک توسیع کرتے وقت محتاط رہیں

کسی دوسرے پیمانے کی پیش گوئی سے پہلے تصدیق کریں کہ اس کے موسمی چکر کے لیے کافی تاریخی ڈیٹا موجود ہے۔ دستیاب ANC اشاریوں میں جنوری 2025 سے شروع ہونے والے صرف 20 ماہ شامل ہیں، اس لیے یہ منصوبہ سالانہ نمونوں کے مطالعے کے لیے انہیں استعمال نہیں کرتا۔

اہم حدود

• ماخذ ایک ڈیمو سرور ہے، اس لیے یہ تجزیہ حقیقی حفاظتی ٹیکہ کاری کے رجحانات کے بارے میں کچھ نہیں بتاتا۔
• پیش گوئی کے موازنے میں 12 ماہ کی ایک ہی آزمائشی مدت استعمال کی گئی ہے۔
• صرف Measles کی پیش گوئی کی گئی ہے۔
• SARIMA کی تشکیل کو ٹیون کرنے کے بجائے مقرر رکھا گیا ہے۔
• خلا پُر کرنے کی توثیق میں صرف 21 پوشیدہ مشاہدات شامل ہیں۔
• Pujehun کے اکتوبر سے دسمبر تک کے تخمینے دوسرے اضلاع کے موسمی نمونوں پر منحصر ہیں۔
• مشتبہ طور پر تبدیل شدہ ماہ کو نشان زد کیا جاتا ہے، لیکن درست نہیں کیا جاتا۔

نتیجہ

یہ منصوبہ ظاہر کرتا ہے کہ پیش گوئی سے پہلے ڈیٹا کے معیار کا آڈٹ ہونا چاہیے۔ اس کی جانچیں منظم انداز میں موجود خلا، سال بہ سال وسیع تکرار اور ممکنہ طور پر ایک دوسرے سے متصل ماہ کی تبدیلیوں کو ظاہر کرتی ہیں، جو مجموعوں اور ماڈل کی جانچ پر نمایاں اثر ڈالتی ہیں۔

محفوظ کیے گئے اسنیپ شاٹ کے خلاف نوٹ بک چلا کر آغاز کریں، آڈٹ کے ہر مرحلے کا جائزہ لیں، اور API ریفریش صرف اس وقت فعال کریں جب آپ منظور شدہ DHIS2 ماخذ استعمال کرنے کے لیے تیار ہوں۔ ورک فلو کو ڈھالتے وقت تاریخی ترتیب کے مطابق جانچ برقرار رکھیں، تخمینہ شدہ اقدار کو لیبل کریں، بے قاعدگیوں کی تصدیق اصل رپورٹس سے کریں، اور ہر ماڈل کا موازنہ ایک سادہ موسمی بنیادی ماڈل سے کریں۔