ବଡ଼ ପ୍ରଯୁକ୍ତି କମ୍ପାନୀଗୁଡ଼ିକ ବାହାରେ ମଧ୍ୟ ସୁପାରିଶ ବ୍ୟବସ୍ଥାଗୁଡ଼ିକ କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ?
ଜଣେ ଗ୍ରାହକ ଦେଖିପାରିବାଠାରୁ ଅଧିକ ଉତ୍ପାଦ ଥିବା ଯେକୌଣସି ବ୍ୟବସାୟ ପାଇଁ ସୁପାରିସ ବ୍ୟବସ୍ଥା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, କାରଣ ବ୍ୟବସ୍ଥାଟି ପ୍ରଥମେ କ’ଣ ଦେଖାଏ, ତାହା ହିଁ ମୁଖ୍ୟତଃ କେଉଁ ଉତ୍ପାଦ ଦେଖାଯିବ, କିଣାଯିବ ଓ ପୁଣି ମହଜୁଦ କରାଯିବ ତାହା ନିର୍ଦ୍ଧାରଣ କରେ।
ୱିଲୋମିଅର୍ କ୍ରାଫ୍ଟସ୍ ନାମକ ଏକ କାଳ୍ପନିକ ଅନଲାଇନ୍ ହସ୍ତଶିଳ୍ପ ସାମଗ୍ରୀ ଦୋକାନକୁ ଧରନ୍ତୁ, ଯେଉଁଥିରେ ପ୍ରାୟ 4,000ଟି ଉତ୍ପାଦ ଓ 15 ଜଣିଆ ଦଳ ଅଛି। ଇ-ବାଣିଜ୍ୟ ମୁଖ୍ୟ ହାନାଙ୍କ ପାଖରେ କ୍ରୟ ଦଳର ଏକ ଅଭିଯୋଗ ଏବଂ 'ଆପଣଙ୍କୁ ଏଗୁଡ଼ିକ ମଧ୍ୟ ପସନ୍ଦ ଆସିପାରେ' ପ୍ୟାନେଲ୍ ତିଆରି କରିଥିବା ଏଜେନ୍ସିର ଏକ ରିପୋର୍ଟ ଅଛି। ତାଙ୍କ ଟିପ୍ପଣୀରେ ଅଛି: 'ପ୍ରାୟ ପ୍ରତ୍ୟେକ ପୃଷ୍ଠାରେ ସେହି 40ଟି ଉତ୍ପାଦର ସୁପାରିଶ। ନୂଆ ବସନ୍ତକାଳୀନ ସୂତା ସଂଗ୍ରହର (220ଟି ସାମଗ୍ରୀ) ସୁପାରିଶ 3 ସପ୍ତାହରେ ପ୍ରାୟ କେହି ଦେଖିନାହାନ୍ତି। ପୁରୁଣା ଗ୍ରାହକଙ୍କୁ ଭଲ ପରାମର୍ଶ ମିଳୁଛି, ପ୍ରଥମଥର ଆସୁଥିବା ଲୋକଙ୍କୁ ଏଣେତେଣେ ବଛା ହୋଇଥିବା ଭଳି ଲାଗୁଛି। ସ୍ୱାଧୀନ କାରିଗରଙ୍କ ବ୍ରାଣ୍ଡ କହୁଛନ୍ତି ସେମାନଙ୍କ ଉତ୍ପାଦ କେବେ ଦେଖାଯାଏନି।' ଏଜେନ୍ସିକୁ ପରିବର୍ତ୍ତନ କରିବାକୁ କହିବା ପୂର୍ବରୁ କ’ଣ ଘଟୁଛି ତାହା ତାଙ୍କୁ ପ୍ରତିଷ୍ଠାତାଙ୍କୁ ବୁଝାଇବାକୁ ହେବ।
ସୁପାରିସ ପ୍ରଣାଳୀଗୁଡ଼ିକ କ’ଣ ଦେଖାଇବେ ବୋଲି କିପରି ନିଷ୍ପତ୍ତି ନିଅନ୍ତି?
ଅଧିକାଂଶ ସୁପାରିସ ପ୍ରଣାଳୀ ବିଷୟବସ୍ତୁ-ଆଧାରିତ ଛାଣନ, ସହଯୋଗୀ ଛାଣନ କିମ୍ବା ଉଭୟର ମିଶ୍ରଣ ବ୍ୟବହାର କରେ। ପାର୍ଥକ୍ୟ ହେଉଛି, ସେଗୁଡ଼ିକ ବସ୍ତୁ ସହିତ ବସ୍ତୁ ତୁଳନା କରନ୍ତି ନା ଲୋକଙ୍କ ସହିତ ଲୋକଙ୍କୁ ତୁଳନା କରନ୍ତି।
ବିଷୟବସ୍ତୁ-ଆଧାରିତ ଛାଣନ
ଜିନିଷର ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରି ଜଣେ ବ୍ୟକ୍ତି ପୂର୍ବରୁ ପସନ୍ଦ କରୁଥିବା ଜିନିଷ ଭଳି ଅନ୍ୟ ଜିନିଷ ସୁପାରିସ କରେ। ନୀଳମିଶା ସବୁଜ ରଙ୍ଗର ମୋଟା ମେରିନୋ ଉଲ୍ କିଣିଥିବା ଗ୍ରାହକଙ୍କୁ ଅନ୍ୟ ମୋଟା ଉଲ୍ ଓ ନୀଳମିଶା ସବୁଜ ସୂତା ଦେଖାଯାଏ। ଏଥିପାଇଁ ଅନ୍ୟ ଗ୍ରାହକଙ୍କ ତଥ୍ୟ ଦରକାର ନାହିଁ, କିନ୍ତୁ ଏହାର କାର୍ଯ୍ୟକାରିତା କେହି ନିର୍ଦ୍ଧାରଣ କରିଥିବା ଜିନିଷର ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ନିର୍ଭର କରେ ଏବଂ ଏହା କ୍ୱଚିତ୍ ଲୋକଙ୍କ ସାଧାରଣ ପସନ୍ଦ ବାହାରର କିଛି ଦେଖାଇ ସେମାନଙ୍କୁ ଆଶ୍ଚର୍ଯ୍ୟ କରେ।
ସହଯୋଗୀ ଫିଲ୍ଟରିଂ
ସମାନ ପସନ୍ଦ ଥିବା ଲୋକେ ଯାହା ପସନ୍ଦ କରିଥିଲେ, ତାହା ସୁପାରିସ କରେ। ନୂଆ କରି ଉଲ୍ ବୁଣିବା ଶିଖୁଥିବା ଲୋକଙ୍କ ପାଇଁ ଉପକରଣ ସେଟ୍ କିଣିଥିବା ଗ୍ରାହକମାନେ ଯଦି ପରେ ପ୍ରାୟତଃ ଫନ୍ଦା ଚିହ୍ନଟକାରୀ ଓ ବୁଣା ନମୁନା ବହି କିଣନ୍ତି, ତେବେ ସେହି ସେଟ୍ କିଣୁଥିବା ନୂଆ ଗ୍ରାହକଙ୍କୁ ସେଗୁଡ଼ିକ ଦେଖାଯାଏ। ଏହା ଅପ୍ରତ୍ୟାଶିତ କିନ୍ତୁ ଉପଯୋଗୀ ପରାମର୍ଶ ଖୋଜିପାରେ ଏବଂ ଏଥିପାଇଁ ଜିନିଷର ବର୍ଣ୍ଣନା ଦରକାର ନାହିଁ, କିନ୍ତୁ ଏହା ପୂର୍ବରୁ ହୋଇଥିବା କାର୍ଯ୍ୟକଳାପର ଇତିହାସ ଉପରେ ନିର୍ଭର କରେ।
ମିଶ୍ରିତ ବ୍ୟବସ୍ଥା
ଉଭୟକୁ ମିଶାଇ ବ୍ୟବହାର କରନ୍ତୁ, ଅନେକ ସମୟରେ ମହଜୁଦ ନଥିବା ସାମଗ୍ରୀ ହଟାଇବା ଭଳି ସରଳ ନିୟମ ସହିତ, ଯାହାଫଳରେ ପ୍ରତ୍ୟେକ ପଦ୍ଧତି ଅନ୍ୟଟିର ଦୁର୍ବଳତାକୁ ପୂରଣ କରିବ।
କୋଲ୍ଡ ଷ୍ଟାର୍ଟ ସମସ୍ୟା କ’ଣ?
ପ୍ରାରମ୍ଭିକ ତଥ୍ୟ ଅଭାବର ସମସ୍ୟା ହେଉଛି, ଏକ ସୁପାରିଶ ପ୍ରଣାଳୀ ନୂଆ ସାମଗ୍ରୀ ଓ ନୂଆ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ଠିକ୍ ସୁପାରିଶ କରିବାରେ ଅସୁବିଧାର ସମ୍ମୁଖୀନ ହୁଏ, କାରଣ ସେମାନଙ୍କ ସହ ପୂର୍ବ ଆଦାନପ୍ରଦାନର କୌଣସି ତଥ୍ୟ ନଥାଏ। ବିଶେଷକରି, ବ୍ୟବହାରକାରୀମାନଙ୍କ ଆଚରଣର ସାମ୍ୟ ଆଧାରରେ ସୁପାରିଶ କରୁଥିବା ସହଯୋଗୀ ଛାଣନ ପଦ୍ଧତି ଏପରି ଏକ ସାମଗ୍ରୀକୁ ଉପଯୁକ୍ତ ସ୍ଥାନ ଦେଇପାରେ ନାହିଁ, ଯାହାକୁ ଏପର୍ଯ୍ୟନ୍ତ କେହି କିଣିନାହାନ୍ତି କିମ୍ବା କ୍ଲିକ୍ କରିନାହାନ୍ତି। Willowmereର ବସନ୍ତ ଋତୁର ସୂତା ସଂଗ୍ରହ ସହ ଠିକ୍ ଏହା ହିଁ ଘଟିଥିଲା। ପ୍ରଥମ ଥର ଆସୁଥିବା ଜଣେ ପରିଦର୍ଶକଙ୍କ ପାଇଁ ମଧ୍ୟ ଏହି ପଦ୍ଧତି ପାଖରେ ସୁପାରିଶ କରିବାର ଆଧାର ଖୁବ୍ କମ୍ ଥାଏ।
ସାଧାରଣ ସମାଧାନଗୁଡ଼ିକ ହେଲା: ନୂଆ ସାମଗ୍ରୀ ପାଇଁ ବିଷୟବସ୍ତୁଭିତ୍ତିକ ସାଦୃଶ୍ୟ ବ୍ୟବହାର କରିବା, ସମାନ ବର୍ଗର କିମ୍ବା ସମାନ ନିର୍ମାତାଙ୍କ ଅନ୍ୟ ସାମଗ୍ରୀ ଆଧାରରେ ନୂଆ ସାମଗ୍ରୀର ଆକଳନ କରିବା, ନୂଆ ପରିଦର୍ଶକଙ୍କୁ ଜାଣିଶୁଣି ବିଭିନ୍ନ ପ୍ରକାରର ଲୋକପ୍ରିୟ ସାମଗ୍ରୀ ଦେଖାଇବା, ଏବଂ ଦୋକାନ ପାଇଁ ଉପଯୁକ୍ତ ହେଲେ ପସନ୍ଦ ବିଷୟରେ ଗୋଟିଏ କିମ୍ବା ଦୁଇଟି ଛୋଟ ପ୍ରଶ୍ନ ପଚାରିବା।
ପ୍ରତିକ୍ରିୟା ଚକ୍ର ଓ ନିରପେକ୍ଷତା ସମସ୍ୟା କିପରି ସୃଷ୍ଟି ହୁଏ?
ପ୍ରଣାଳୀ ନିଜେ ଦେଖାଇବାକୁ ବାଛିଥିବା ବସ୍ତୁଗୁଡ଼ିକରେ ହେଉଥିବା କ୍ଲିକ୍ରୁ ଶିଖିଲେ ଏକ ପ୍ରତିକ୍ରିୟା ଚକ୍ର ସୃଷ୍ଟି ହୁଏ। ତେଣୁ ବାରମ୍ବାର ଦେଖାଯାଉଥିବା ବସ୍ତୁରେ ଅଧିକ କ୍ଲିକ୍ ହୁଏ, ଯାହା ଫଳରେ ସେଗୁଡ଼ିକୁ ଆହୁରି ଅଧିକ ଦେଖାଯାଏ। ସମୟକ୍ରମେ ଅଳ୍ପ କେତେକ ଲୋକପ୍ରିୟ ଉତ୍ପାଦ ଅନ୍ୟ ସବୁକୁ ପଛକୁ ଠେଲିଦିଅନ୍ତି, ଯେପରି ୱିଲୋମିୟର୍ର 40 ଉତ୍ପାଦ କ୍ଷେତ୍ରରେ ଘଟିଥିଲା। ଅନ୍ୟପଟେ, କେବେ ଦେଖାଯାଉନଥିବା ବସ୍ତୁଗୁଡ଼ିକ ନିଜ ଯୋଗ୍ୟତା ପ୍ରମାଣ କରିବାର ସୁଯୋଗ ପାଆନ୍ତି ନାହିଁ।
ଏଥିରୁ ସିଧାସଳଖ ନିଷ୍ପକ୍ଷତା ସମ୍ବନ୍ଧୀୟ ପ୍ରଶ୍ନ ଉଠେ। ସ୍ୱାଧୀନ ନିର୍ମାତାଙ୍କ ଉତ୍ପାଦ ପାଇଁ ଆରମ୍ଭରୁ କମ୍ ପୂର୍ବ ତଥ୍ୟ ଥିଲେ, ଏହି ଚକ୍ର ଗୁଣବତ୍ତା ନିର୍ବିଶେଷରେ ସେଗୁଡ଼ିକୁ ଗ୍ରାହକଙ୍କ ନଜରକୁ ଆସିବାରୁ ବଞ୍ଚିତ ରଖିପାରେ, ଏବଂ ଗ୍ରାହକଙ୍କ ବାଛିବାର ସୁଯୋଗ କମିଯାଏ। ଏହାର ପ୍ରତିକାର ପାଇଁ ନୂଆ କିମ୍ବା କମ୍ ପ୍ରଦର୍ଶିତ ସାମଗ୍ରୀ ନିମନ୍ତେ କିଛି ସୁପାରିଶ ସ୍ଥାନ ସଂରକ୍ଷିତ ରଖିବା, କେବଳ ମୋଟ କ୍ଲିକ୍ ବଦଳରେ ନିର୍ମାତା ଓ ଶ୍ରେଣୀ ଅନୁଯାୟୀ ପ୍ରଦର୍ଶନ ମାପିବା, ଏବଂ ମଡେଲ୍ର ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟକୁ ଅଦ୍ୟତନ କରିବା ଭଳି ଉପାୟ ରହିଛି, ଯାହାଦ୍ୱାରା ଏହା କେବଳ ନିଜର ପୂର୍ବ ଚୟନରୁ ଶିଖିବ ନାହିଁ।
ଏଜେନ୍ସିକୁ କରାଯାଇଥିବା ଏକ ଦୁର୍ବଳ ଓ ଏକ ଉନ୍ନତ ଅନୁରୋଧ କିପରି ହୋଇଥାଏ?
ଦୁର୍ବଳ ଅନୁରୋଧରେ କୁହାଯାଏ: 'ସୁପାରିଶଗୁଡ଼ିକ କାମ କରୁନାହିଁ, ଦୟାକରି ସେଗୁଡ଼ିକୁ ଭଲ କରନ୍ତୁ।' ସଂସ୍ଥାଟି କେବଳ ସେହି ପ୍ରକାରର ଅଧିକ କ୍ଲିକ୍ ତଥ୍ୟ ଦେଇ ପୁଣି ପ୍ରଶିକ୍ଷଣ ଦେଇପାରେ, ଯାହା ସେହି ଚକ୍ରକୁ ଆହୁରି ଦୃଢ଼ କରେ।
ଏକ ଉନ୍ନତ ଅନୁରୋଧ ଏପରି କହେ: 'ଆମ ପ୍ୟାନେଲ୍ କେବଳ କ୍ରୟ ଇତିହାସ ଉପରେ ନିର୍ଭର କରୁଥିବା ପରି ଲାଗୁଛି। ଦୟାକରି (1) ନୂଆ ସାମଗ୍ରୀର ଯଥେଷ୍ଟ ଇତିହାସ ତିଆରି ହେବା ପର୍ଯ୍ୟନ୍ତ ସେଗୁଡ଼ିକୁ ସୁପାରିଶ କରିବା ପାଇଁ ତନ୍ତୁ, ଓଜନ, ରଙ୍ଗ ଏବଂ କାରିଗରୀ ଭଳି ଉତ୍ପାଦର ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରନ୍ତୁ; (2) ପ୍ରଥମଥର ଆସୁଥିବା ପରିଦର୍ଶକଙ୍କୁ କେବଳ ସର୍ବାଧିକ ବିକ୍ରି ହେଉଥିବା ସାମଗ୍ରୀର ଏକ ତାଲିକା ବଦଳରେ ବିଭିନ୍ନ ବର୍ଗରୁ ବିବିଧ ସାମଗ୍ରୀ ଦେଖାନ୍ତୁ; (3) ଆଠଟି ସ୍ଥାନରୁ ଦୁଇଟି ଗତ 30 ଦିନରେ କମ୍ ପ୍ରଦର୍ଶିତ ହୋଇଥିବା ସାମଗ୍ରୀ ପାଇଁ ସଂରକ୍ଷିତ ରଖନ୍ତୁ; (4) ପ୍ରସ୍ତୁତକର୍ତ୍ତା ଏବଂ ଉତ୍ପାଦର ବୟସ ଅନୁସାରେ ସୁପାରିଶ ଦେଖାଯିବାର ଅଂଶ ପ୍ରତି ମାସରେ ରିପୋର୍ଟ କରନ୍ତୁ; ଏବଂ (5) ପରିଦର୍ଶକଙ୍କୁ ଦଳରେ ଭାଗ କରି ବର୍ତ୍ତମାନର ପ୍ୟାନେଲ୍ ସହ ପରିବର୍ତ୍ତନଗୁଡ଼ିକୁ ତୁଳନା କରି ପରୀକ୍ଷା କରନ୍ତୁ, କେବଳ କ୍ଲିକ୍ ନୁହେଁ, ବରଂ ଅର୍ଡର ମାପନ୍ତୁ।' ଏବେ ହାନା କାମଟି ହୋଇଛି କି ନାହିଁ ବିଚାର କରିପାରିବେ।
ସୁପାରିସଗୁଡ଼ିକ କାମ କରୁଛି କି ନାହିଁ ଆପଣ କିପରି ଯାଞ୍ଚ କରିବେ?
କେବଳ କ୍ଲିକ୍ ହାର ନୁହେଁ, ଅର୍ଡର୍, ଫେରସ୍ତ ହୋଇଥିବା ସାମଗ୍ରୀ ଏବଂ କେତେ ପ୍ରକାରର ଉତ୍ପାଦ ଓ ଯୋଗାଣକାରୀଙ୍କୁ ଦେଖାଯାଉଛି, ସେସବୁ ଦେଖି ସୁପାରିସଗୁଡ଼ିକ ଯାଞ୍ଚ କରନ୍ତୁ। କିଛି ବେଶି ବିକ୍ରି ହେଉଥିବା ଉତ୍ପାଦରେ କ୍ଲିକ୍ ବଢ଼ାଉଥିବା କିନ୍ତୁ ନୂଆ ଉତ୍ପାଦ ଶ୍ରେଣୀଗୁଡ଼ିକୁ ଲୁଚାଇ ଦେଉଥିବା ପ୍ୟାନେଲ୍ ବ୍ୟବସାୟର କ୍ଷତି କରୁଥାଇପାରେ। ପୁରୁଣା ସଂସ୍କରଣ ଦେଖୁଥିବା ପରିଦର୍ଶକଙ୍କ ଏକ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ ସହ ପରିବର୍ତ୍ତନଗୁଡ଼ିକ ତୁଳନା କରନ୍ତୁ, କାରଣ ରିହାତି ବିକ୍ରି କିମ୍ବା ଛୁଟି ସମୟରେ ଦେଖାଯାଉଥିବା ସୁପାରିସ ମଡେଲ୍ ଯାହା ହେଲେ ମଧ୍ୟ ଭଲ ଫଳ ଦେଉଥିବା ପରି ଦେଖାଯିବ।
ସୁପାରିଶ ପ୍ରଣାଳୀ ବ୍ୟବହାରରେ ସାଧାରଣତଃ କେଉଁ ଭୁଲ୍ ହୁଏ?
ସବୁଠାରୁ ସାଧାରଣ ଭୁଲ ହେଉଛି କେବଳ କ୍ଲିକ୍ ବଢ଼ାଇବା ଉପରେ ଧ୍ୟାନ ଦେବା, ଯାହା ଦୃଷ୍ଟି ଆକର୍ଷଣ କରୁଥିବା ବିଷୟକୁ ଅଧିକ ପ୍ରାଧାନ୍ୟ ଦିଏ ଏବଂ ସେହି ପ୍ରତିକ୍ରିୟା ଚକ୍ରକୁ ଆହୁରି ଦୃଢ଼ କରେ। ଅନ୍ୟ ଭୁଲଗୁଡ଼ିକ: ନୂଆ ଉତ୍ପାଦ ଶ୍ରେଣୀର ବିଷୟବସ୍ତୁଭିତ୍ତିକ ବୈଶିଷ୍ଟ୍ୟ ନ ଦେଇ ତାହାକୁ ଆରମ୍ଭ କରିବା, ଯାହା ଫଳରେ ପ୍ରାରମ୍ଭିକ ତଥ୍ୟ ଅଭାବରୁ ସୁପାରିଶରେ ଅସୁବିଧା ହୁଏ; ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ ବିନା ପୂର୍ବ ଓ ପରର ଫଳାଫଳ ତୁଳନା କରି ସଫଳତା ବିଚାର କରିବା; କେଉଁ ଯୋଗାଣକାରୀ ବା ଶ୍ରେଣୀ କେବେ ଦେଖାଯାଉନାହାନ୍ତି ତାହା ଅଣଦେଖା କରିବା; ଏବଂ ଗୋପନୀୟତା ବିଜ୍ଞପ୍ତିରେ ଗ୍ରାହକଙ୍କୁ ନ ଜଣାଇ ସୁପାରିଶ ପାଇଁ ବ୍ୟକ୍ତିଗତ ତଥ୍ୟ ବ୍ୟବହାର କରିବା।
Tosheo.ai ରେ ଏହି ପାଠ କେଉଁଠି ରହିଛି?
ଏହି ପାଠଟି ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପାଠ୍ୟକ୍ରମର ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ବିଭାଗର ଅଂଶ। ମଡେଲ୍ କିପରି ଶିଖେ ଓ ସେଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନ କିପରି କରାଯାଏ, ସେହି ପାଠଗୁଡ଼ିକ ପରେ ଏହା ଆସେ। Tosheo.ai ରେ ବ୍ୟବହାରିକ କାର୍ଯ୍ୟରେ ଆପଣଙ୍କୁ ଏକ କାଳ୍ପନିକ ଦୋକାନର ଉତ୍ପାଦ ସୁପାରିସକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଏକ ସଂକ୍ଷିପ୍ତ କାର୍ଯ୍ୟବିବରଣୀ ଲେଖିବାକୁ କୁହାଯାଏ। ପ୍ରାରମ୍ଭରେ ତଥ୍ୟ ଅଭାବର ସମସ୍ୟା, ପୂର୍ବ ପ୍ରତିକ୍ରିୟା ପରବର୍ତ୍ତୀ ସୁପାରିସକୁ ପୁଣି ପ୍ରଭାବିତ କରିବାର ଚକ୍ର, ନ୍ୟାୟସଙ୍ଗତତା ଓ ଏକ ନିରପେକ୍ଷ ପରୀକ୍ଷାକୁ ଆପଣ ବିଚାର କରିଛନ୍ତି କି ନାହିଁ, ତାହା ମୂଲ୍ୟାଙ୍କନ ମାନଦଣ୍ଡ ଆଧାରିତ ମତାମତରେ ଯାଞ୍ଚ କରାଯାଏ। ଏହି କାମ ପାଇଁ ଆବଶ୍ୟକତା ସ୍ପଷ୍ଟ କରିବା ଓ ତାହାର ମୂଲ୍ୟାଙ୍କନ କରିବାରେ ଏହା ଏକ ବୃତ୍ତିଗତ ମୂଳଦୁଆ; କୋଡ୍ ଲେଖି ସୁପାରିସ ପ୍ରଣାଳୀ ତିଆରି କରିବା ଇଚ୍ଛାଧୀନ କୋଡିଂ ଶିକ୍ଷାଧାରାର ଅଂଶ।