Self- Improve

ITT ဆိုတာကတော့ Indicator Tracking Table ရဲ့ အတိုကောက်ဖြစ်ပြီး မြန်မာလို "ညွှန်းကိန်း ခြေရာခံဇယား" လို့ အဓိပ္ပာယ်ရပါတယ်။
=======================

၎င်းဟာ စီမံကိန်း (Project) တစ်ခုရဲ့ တိုးတက်မှု အခြေအနေတွေကို စနစ်တကျ စောင့်ကြည့်စစ်ဆေးဖို့အတွက် အသုံးပြုတဲ့ အရေးကြီးတဲ့ ကိရိယာတစ်ခု ဖြစ်ပါတယ်။ ITT ရဲ့ အဓိက လုပ်ဆောင်ချက်တွေကတော့ အောက်ပါအတိုင်း ဖြစ်ပါတယ်။

1️⃣တိုးတက်မှုကို တိုင်းတာခြင်း
စီမံကိန်းမှာ သတ်မှတ်ထားတဲ့ ရည်မှန်းချက် (Target) တွေနဲ့ လက်တွေ့ မြေပြင်မှာ ဖြစ်ပေါ်နေတဲ့ အောင်မြင်မှု (Actual Achievement) တွေကို နှိုင်းယှဉ်ကြည့်နိုင်ပါတယ်။

2️⃣ အဓိက အချက်အလက်များကို စုစည်းခြင်း
ဇယားတစ်ခုတည်းမှာတင် အောက်ပါအချက်တွေကို မြင်တွေ့နိုင်ပါတယ် -
• Indicator (ညွှန်းကိန်း): ဘာကို တိုင်းတာမှာလဲ။ (ဥပမာ - သင်တန်းတက်သူ ဦးရေ)
• Baseline (အခြေခံစမှတ်): အစပိုင်းမှာ ဘယ်လောက်ရှိခဲ့သလဲ။
• Target (ရည်မှန်းချက်): စီမံကိန်းပြီးရင် ဘယ်လောက်ဖြစ်ရမလဲ။
• Variance (ကွာဟချက်): ရည်မှန်းချက်နဲ့ လက်တွေ့ ဘယ်လောက် ကွာဟနေသလဲ။

3️⃣ အချိန်မီ ပြုပြင်ပြောင်းလဲနိုင်ခြင်း
အစီရင်ခံစာတွေကို သုံးလတစ်ကြိမ် (Q1, Q2 စသဖြင့်) ပုံမှန် ဖြည့်သွင်းခြင်းအားဖြင့် စီမံကိန်းက လမ်းကြောင်းလွဲနေသလား သို့မဟုတ် ရည်မှန်းချက် မပြည့်မီနိုင်တာမျိုး ရှိသလားဆိုတာကို စောစီးစွာ သိရှိနိုင်ပြီး လိုအပ်သလို ပြုပြင်နိုင်ပါတယ်။

4️⃣တာဝန်ယူမှုရှိခြင်း
ဘယ်လုပ်ငန်းစဉ်အတွက် ဘယ်သူက တာဝန်ယူရမယ်၊ အချက်အလက်တွေကို ဘယ်ကရတယ်ဆိုတာကိုပါ ဖော်ပြထားလေ့ရှိတဲ့အတွက် စီမံကိန်းအဖွဲ့အတွင်း တာဝန်ယူမှု၊ တာဝန်ခံမှု (Accountability) ကို မြှင့်တင်ပေးပါတယ်။
အနှစ်ချုပ်ရရင်တော့ ITT ဟာ စီမံကိန်းတစ်ခု အောင်မြင်အောင် လည်ပတ်နေသလားဆိုတာကို အချက်အလက် (Data) နဲ့ သက်သေပြနိုင်တဲ့ "တိုးတက်မှု မှတ်တမ်းဇယား" ပဲ ဖြစ်ပါတယ်။

📊 Data Quality ကို Statistical Analysis နဲ့ ဘယ်လိုစစ်မလဲ?
==============================

Data သမားတွေအတွက် "Garbage In, Garbage Out" ဆိုတဲ့စကားအတိုင်း Data အညစ်အကြေးတွေပါရင် Analysis က ထွက်လာတဲ့ Result ကလည်း အလကားပဲလေ။ ဒါကြောင့် Statistical Methods တွေကိုသုံးပြီး Data Quality ကို ဘယ်လို Check ကြမလဲဆိုတာ လေ့လာကြည့်ရအောင်။ 🧐

✅ သုံးလေ့ရှိတဲ့ Statistical Techniques များ
1. Descriptive Statistics: Mean, Median, Mode တို့ကိုအရင်ကြည့်ပါ။ Data တွေက ပုံမှန်မဟုတ်ဘဲ အရမ်းကြီးနေလား၊ နည်းနေလားဆိုတာ ဒီကနေ စသိနိုင်တယ်။

2. Outlier Detection: Z-score ဒါမှမဟုတ် IQR (Interquartile Range) ကိုသုံးပြီး လူတောမတိုးတဲ့ (ပုံမှန်ထက် ထူးခြားနေတဲ့) Data အမှားတွေကို ရှာထုတ်ပါ။

3. Distribution Analysis: ကိုယ့် Data က Normal Distribution ဟုတ်ရဲ့လား? Histogram လေးတွေဆွဲပြီး မူမမှန်တဲ့ ဖြန့်ကျက်မှုတွေကို စစ်ဆေးကြည့်ပါ။

4. Correlation Analysis: ဥပမာ - လုပ်သက် (Seniority) နဲ့ လစာ (Salary) ဆိုရင် တိုက်ရိုက်အချိုးကျရမယ်။ တကယ်လို့ လွဲနေပြီဆိုရင်တော့ Data အမှားဖြစ်နိုင်ချေ များပါတယ်။

🛡️ Data Quality ရဲ့ အဓိက အတိုင်းအတာ (၄) ခု
• Completeness (ပြည့်စုံမှု): Data တွေထဲမှာ Null တန်ဖိုးတွေ၊ Missing Records တွေ ဘယ်လောက်တောင် ရှိနေသလဲ?
• Consistency (ကိုက်ညီမှု): ဇယားတစ်ခုနဲ့တစ်ခု၊ Source တစ်ခုနဲ့တစ်ခု ချိတ်ဆက်လိုက်တဲ့အခါ Data Format တွေက တူညီနေရဲ့လား?
• Accuracy (တိကျမှု): တကယ်အပြင်လောကက အချက်အလက်တွေနဲ့ ကိုက်ညီရဲ့လား? (Range Check လုပ်ခြင်းဖြင့် စစ်နိုင်ပါတယ်)
• Uniqueness (ထပ်နေခြင်းမရှိမှု): Duplicate Records တွေ အကုန်လုံးကို ဖယ်ရှားနိုင်ဖို့ Statistical Profiling လုပ်ထားဖို့ လိုပါတယ်။

🚀 Implementation Steps (ဘယ်လိုစလုပ်မလဲ?)
1. Profiling အရင်လုပ်ပါ: Data တွေရဲ့ Type တွေ၊ အကွာအဝေးတွေကို ကနဦး အကဲဖြတ်ပါ။
2. Threshold သတ်မှတ်ပါ: ဥပမာ - Missing Data က ၅% ထက်ကျော်ရင် Alert ပေးဖို့ Setup လုပ်ထားပါ။
3. Time-Series နဲ့ စောင့်ကြည့်ပါ: Data တွေက အချိန်နဲ့အမျှ ပုံမှန်မဟုတ်ဘဲ ရုတ်တရက် အပြောင်းအလဲဖြစ်သွားလားဆိုတာ နေ့တိုင်း Tracking လုပ်ပါ။

📊 Data ကောင်းမှ Decision ကောင်းမှာပါ။ ဒါကြောင့် ဒီလို စာရင်းအင်းနည်းလမ်းတွေကိုသုံးပြီး ကိုယ့်ရဲ့ Data Quality ကို အမြဲဂရုစိုက်ကြပါလို့ တိုက်တွန်းချင်ပါတယ်! ✨

"Inclusion ဆိုတာ ဘာလဲ?" 🤔✨
လူမှုပတ်ဝန်းကျင်မှာရော၊ လုပ်ငန်းခွင်မှာပါ ခေတ်စားနေတဲ့ Inclusion (အားလုံးပါဝင်နိုင်မှု) အကြောင်းကို အလွယ်ဆုံး ဥပမာလေးနဲ့ ပြောပြချင်ပါတယ်။

🌈 Diversity vs Inclusion ပွဲတစ်ခုကို လူမျိုးစုံ၊ ဘာသာစုံ၊ အလွှာစုံကလူတွေကို ဖိတ်လိုက်တာက "Diversity" (မတူကွဲပြားမှု) ပါ။ ဒါပေမဲ့ အဲဒီရောက်လာတဲ့သူတိုင်း စိတ်လုံခြုံစွာနဲ့ ပျော်ပျော်ပါးပါး ကခွင့်ရအောင်၊ စကားပြောခွင့်ရအောင် ဖန်တီးပေးတာကတော့ "Inclusion" ဖြစ်ပါတယ်။

ဘာကြောင့် Inclusion က အရေးကြီးတာလဲ? 💡

တန်ဖိုးထားခံရခြင်း: ကိုယ့်ရဲ့ ကွာခြားချက်တွေကြောင့် အပယ်ခံမဖြစ်ဘဲ "ငါဟာ ဒီအဖွဲ့အစည်းရဲ့ အစိတ်အပိုင်းတစ်ခုပဲ" လို့ ခံစားရစေတယ်။

အခွင့်အလမ်းတန်းတူရခြင်း: ဘယ်သူပဲဖြစ်ဖြစ် သူနဲ့ကိုက်ညီတဲ့ ပံ့ပိုးမှုမျိုးရပြီး အောင်မြင်ခွင့်ရှိစေတယ်။

အားလုံးအတွက် ပတ်ဝန်းကျင်ကောင်း: လူတိုင်း ပါဝင်ခွင့်ရတဲ့အခါ ပိုကောင်းတဲ့ Idea သစ်တွေ ထွက်လာတတ်ပါတယ်။

တိုတိုပြောရရင်... Inclusion ဆိုတာ "ဘယ်သူ့ကိုမှ ချန်မထားခဲ့ဘဲ၊ အားလုံးကို နွေးနွေးထွေးထွေး ကြိုဆိုတာ" ပါပဲ။ ❤️🙌

Intermediate Outcome ဆိုတာဘာလဲ?
=======================

Intermediate Outcome (အလယ်အလတ် ရလဒ် သို့မဟုတ် ကြားကာလ ရလဒ်) ဆိုတာ စီမံကိန်းတစ်ခု၊ လုပ်ငန်းစဉ်တစ်ခုကို အကောင်အထည်ဖော်ရာမှာ "ရေတိုရလဒ် (Short-term Outcome)" နဲ့ နောက်ဆုံးဖြစ်ပေါ်လာမယ့် "ရေရှည်အကျိုးသက်ရောက်မှု (Long-term Outcome / Impact)" တို့ကြားမှာ ဖြစ်ပေါ်လာတဲ့ ပြောင်းလဲမှုအဆင့်ကို ခေါ်ဆိုတာ ဖြစ်ပါတယ်။
အထူးသဖြင့် စီမံကိန်းစီမံခန့်ခွဲမှု (Project Management)၊ စောင့်ကြည့်လေ့လာခြင်းနှင့် အကဲဖြတ်ခြင်း (Monitoring and Evaluation - M&E) နဲ့ Theory of Change လို လုပ်ငန်းစဉ်တွေမှာ အဓိက အသုံးပြုလေ့ရှိပါတယ်။
Intermediate Outcome ကို ပိုမိုရှင်းလင်းသွားအောင် ရလဒ်များဖြစ်ပေါ်လာပုံ အဆင့်ဆင့် (Results Chain) နဲ့ တွဲပြီး အောက်ပါအတိုင်း လေ့လာကြည့်နိုင်ပါတယ်။

📊 The Results Chain (ရလဒ်များဖြစ်ပေါ်လာပုံ အဆင့်ဆင့် )
စီမံကိန်းတစ်ခုလုပ်တဲ့အခါ အောက်ပါအဆင့်တွေအတိုင်း ဖြတ်သန်းရလေ့ရှိပါတယ်။

1️⃣ Inputs (လုပ်ငန်းများ): စီမံကိန်းအတွက် သုံးစွဲလိုက်တဲ့ ငွေကြေး၊ အချိန်၊ ဝန်ထမ်းအင်အား။

2️⃣ Activities (လုပ်ဆောင်ချက်): သင်တန်းပေးခြင်း၊ အသိပညာပေး ဟောပြောပွဲလုပ်ခြင်း။

3️⃣ Outputs (ရလဒ်): သင်တန်းတက်ရောက်သူ အရေအတွက်၊ ဝေငှလိုက်တဲ့ စာအုပ်စောင်ရေ (အရေအတွက်ကို အဓိကပြတဲ့ အရာများ)။

4️⃣ Short-term Outcomes (ရေတိုရလဒ်): ပစ်မှတ်ထားသူတွေဆီမှာ အသိပညာ (Knowledge)၊ ကျွမ်းကျင်မှု (Skills) တွေ တိုးတက်လာခြင်း။ (ဥပမာ - ဘယ်လိုလုပ်ရမယ်ဆိုတာကို သိရှိနားလည်သွားခြင်း)။

5️⃣ Intermediate Outcomes (အလယ်အလတ် ရလဒ်): သိရှိသွားတဲ့ အသိပညာ၊ ကျွမ်းကျင်မှုတွေကို လက်တွေ့ အသုံးချခြင်း၊ အမူအကျင့် (Behavior) နှင့် အလေ့အကျင့် (Practice) များ ပြောင်းလဲလာခြင်း။

6️⃣ Long-term Outcomes / Impact (ရေရှည်အကျိုးသက်ရောက်မှု): လူနေမှုဘဝ၊ စီးပွားရေး၊ ကျန်းမာရေး စတဲ့ အလုံးစုံ တိုးတက်ပြောင်းလဲသွားခြင်း။
💡 မှတ်သားရန်။ ။ Intermediate Outcome ဆိုတာ အဆင့် (၄) ကနေ ရလာတဲ့ အသိပညာတွေကို လက်တွေ့ အသုံးချပြီး အမူအကျင့်ပြောင်းလဲလာတဲ့ (Behavioral Change) အဆင့် ဖြစ်ပါတယ်။

အသေးစိပ် Video MEAL Library YouTube Channel အောက်ပါ link မှာ ကြည့်ရှုနိုင်ပါတယ်။ 👇

https://youtu.be/6qAA4WNPWDA

မှန်ကန်တဲ့ Data ဘယ်လောက် အရေးကြီးသလဲ?
=========================
ဖော်ပြထားတဲ့ပုံမှာ အချက်အလက်တွေကို စီမံခန့်ခွဲပြီး အဓိပ္ပါယ်ရှိတဲ့ ဇာတ်လမ်းတစ်ခုအဖြစ် ပြောင်းလဲပုံကို LEGO တုံးလေးတွေနဲ့ ဥပမာပေးထားတာပါ။

1️⃣ DATA (အချက်အလက်များ)
☑️ ပထမပုံမှာ LEGO တုံးတွေ အစုံလိုက် ရောနှောပြီး ပုံလိုက်ပုံစံက ရှုပ်ပွနေတဲ့ ကိန်းဂဏန်းတွေ၊ အချက်အလက်အစိမ်းတွေကို ဖော်ပြပါတယ်။ ဘာမှ လုပ်လို့မရသေးတဲ့ အခြေအနေပါ။

2️⃣ SORTED (စီရွေးခြင်း)
☑️ ဒုတိယပုံမှာ တုံးတွေကို အရောင်အလိုက် ခွဲခြားလိုက်ပါပြီ။ ဒါဟာ အချက်အလက်တွေကို အမျိုးအစားအလိုက် စနစ်တကျ ပြန်စီလိုက်တာ ဖြစ်ပါတယ်။

3️⃣ ARRANGED (စုစည်းခြင်း)
☑️ တတိယပုံမှာတော့ အရောင်တူတဲ့ တုံးတွေကို အစုလိုက် စုစည်းထားပါတယ်။ ဒါဟာ အချက်အလက်တွေကို ခွဲခြမ်းစိတ်ဖြာဖို့အတွက် အုပ်စုဖွဲ့လိုက်တာပါ။

4️⃣ PRESENTED VISUALLY (မြင်သာအောင် တင်ပြခြင်း)
☑️ စတုတ္ထပုံမှာတော့ တုံးတွေကို အစီအလိုက်၊ စနစ်တကျနဲ့ မြင်သာတဲ့ ပုံစံလေးတွေ ဖြစ်အောင် တည်ဆောက်လိုက်ပါပြီ။ ဒါဟာ Data Visualization လို့ ခေါ်တဲ့ ဇယား (Charts)၊ ဂရပ် (Graphs) တွေနဲ့ ပြသခြင်း ဖြစ်ပါတယ်။

5️⃣ EXPLAINED WITH A STORY (ဇာတ်လမ်းဖြင့် ရှင်းပြခြင်း):
☑️ နောက်ဆုံးပုံမှာတော့ တုံးတွေကို အသုံးပြုပြီး ချစ်စရာကောင်းတဲ့ အိမ်ပုံစံ တည်ဆောက်ပြထားပါတယ်။ ဒါဟာ အချက်အလက်တွေကို အသုံးပြုပြီး သူတို့ရဲ့ အဓိပ္ပါယ်ကို ဇာတ်လမ်းလေးလို ရှင်းပြပေးတာ (Data Storytelling) ဖြစ်ပါတယ်။ လူတွေအနေနဲ့ အချက်အလက်တွေကို ပိုပြီး နားလည်လွယ်သွားစေပါတယ်။

💯 အရေးကြီးဆုံးကတော့ ဒီ Data တွေက Validation လုပ်ပြီးသား Accuracy ဖြစ်ဖို့လိုပါတယ်။

CSO (Civil Society Organization) တစ်ခုမှာ M&E Plan ဆွဲတဲ့အခါ အရင်ကလို အစီရင်ခံစာတင်ဖို့သက်သက် (Reporting requirement) မဟုတ်တော့ဘဲ၊ သင်ယူမှုနဲ့ ပူးပေါင်းဆောင်ရွက်မှု (Learning & Collaboration) ကို ဦးတည်တဲ့ ခေတ်သစ် M&E ပုံစံနဲ့ ရေးဆွဲဖို့ လိုအပ်ပါတယ် ။
အရည်အသွေးရှိတဲ့ M&E Plan တစ်ခုဖြစ်စေဖို့ Processing ကို အောက်ပါ အဆင့် (၆) ဆင့်အတိုင်း ဆောင်ရွက်နိုင်ပါတယ်။
-------------------------------------------

1️⃣ Goals & Results (ရည်မှန်းချက်နှင့် ရလဒ်များ သတ်မှတ်ခြင်း)
ဦးစွာ မိမိတို့ Project ရဲ့ Logic ကို ရှင်းလင်းအောင် ချမှတ်ပါ။
• Impact/Outcome: ဘယ်လို အပြောင်းအလဲမျိုးကို ဖော်ဆောင်ချင်တာလဲ။
• Indicators: အဲဒီအပြောင်းအလဲ ဖြစ်မဖြစ်ကို ဘယ်လို တိုင်းတာမလဲ (ဥပမာ - အရေအတွက် သို့မဟုတ် အရည်အသွေး)။

2️⃣ Real-Time Monitoring (အချိန်နှင့်တပြေးညီ စောင့်ကြည့်စစ်ဆေးမည့် စနစ်ကို ထည့်သွင်းခြင်း)
ခေတ်သစ် M&E အရ ၃ လတစ်ကြိမ် အစီရင်ခံစာ (Quarterly reports) တွေဟာ နေ့စဉ် ဆုံးဖြတ်ချက်ချဖို့အတွက် နောက်ကျလွန်းနေတတ်ပါတယ် ။
• Daily/Weekly Tracking: လုပ်ငန်းတွေရဲ့ အခြေအနေကို အချိန်နဲ့တပြေးညီ သိနိုင်ဖို့ စနစ်တစ်ခု (ဥပမာ - Digital forms များ) ထည့်သွင်းဆွဲသားပါ ။
• No Obsolete Data: အချက်အလက်တွေ နောက်ကျမနေအောင် ဂရုစိုက်ပါ၊ နောက်ကျတဲ့ဒေတာဟာ အသုံးမဝင်ပါဘူး ။

3️⃣ Participatory Approach (အများပါဝင်သော နည်းလမ်းကို အသုံးပြုခြင်း)
CSO တွေအတွက် အရေးကြီးဆုံးက Community ပါ။
• Shared Power: အချက်အလက် ကောက်ယူတဲ့အခါ ဒေသခံတွေကို Respondents - ဖြေဆိုသူ အဖြစ်တင် မဟုတ်ဘဲ ပူးပေါင်းပါဝင်သူတွေအဖြစ် သတ်မှတ်ပါ ။
• Inclusive Data: Gender, Disability ပါဝင်နိုင်အောင် identify လုပ်ထားပါ။

4️⃣ Technology & AI (နည်းပညာနှင့် AI ကို အသုံးချခြင်း)
အလုပ်တွေကို မြန်ဆန်ထိရောက်စေဖို့ နည်းပညာကို Plan ထဲမှာ ထည့်သွင်းစဉ်းစားပါ။
• Automation: ထပ်ခါတလဲလဲ လုပ်ရတဲ့ ဒေတာသွင်းတာမျိုးတွေကို စက်တွေနဲ့ လုပ်ဆောင်ပါ ။
• Human Insight: AI က အချက်အလက် ရှာပေးနိုင်ပေမဲ့၊ လူသားတွေကသာ ပိုမိုကောင်းမွန်တဲ့ မေးခွန်းတွေမေးပြီး အဓိပ္ပာယ်ဖော်ဆောင်ရပါမယ် ။

5️⃣ Capacity & Identity (လူသားအရင်းအမြစ်နှင့် ကျွမ်းကျင်မှု)
M&E Plan ထဲမှာ တာဝန်ယူမယ့်သူတွေရဲ့ ကျွမ်းကျင်မှုကိုလည်း ထည့်သွင်းရပါမယ်။
• Analytical & Listening Skills: M&E ဝန်ထမ်းဟာ ဒေတာခွဲခြမ်းစိတ်ဖြာရုံတင် မဟုတ်ဘဲ နားထောင်တတ်သူလည်း ဖြစ်ရပါမယ် ။
• Adaptability: အခြေအနေအရ ပြောင်းလဲနိုင်တဲ့ စွမ်းရည် (Adaptability) ကို အဓိက ကျွမ်းကျင်မှုတစ်ခုအဖြစ် သတ်မှတ်ထားပါ ။

6️⃣ သင်ယူမှုနှင့် ယဉ်ကျေးမှု ဖော်ဆောင်ခြင်း (Learning Culture)
M&E ကို စစ်ဆေးရေးကိရိယာတစ်ခုလို မဟုတ်ဘဲ သင်ယူမှုကိရိယာ (Learning tool) တစ်ခုအဖြစ် ကျင့်သုံးပါ။
• Evidence-based Learning: ရလာတဲ့ အချက်အလက်တွေအပေါ် အခြေခံပြီး ဘာတွေသင်ယူရသလဲ၊ ရှေ့ဆက် ဘာတွေပြင်မလဲဆိုတာကို ဆွေးနွေးတဲ့ အစီအစဉ် (Reflection meetings) တွေ ထည့်သွင်းပါ ။
________________________________________

အကြံပြုချက်: M&E Plan ဆွဲတဲ့အခါ Dashboard တွေက ဆုံးဖြတ်ချက်ချပေးမှာ မဟုတ်ဘဲ လူတွေကသာ ချမှာဖြစ်တဲ့အတွက် ၊ အချက်အလက်တွေကို ဘယ်သူက ဘယ်လို ဆုံးဖြတ်ချက်ချဖို့ သုံးမှာလဲဆိုတာကို Plan ထဲမှာ ရှင်းရှင်းလင်းလင်း ဖော်ပြဖို့ လိုအပ်ပါတယ်။

FYI

FYI

Post Distribution Monitoring (PDM) ဆိုသည်မှာ
==============================

လူသားချင်းစာနာထောက်ထားမှုဆိုင်ရာ အကူအညီများ (ဥပမာ - ငွေသား၊ စားနပ်ရိက္ခာ သို့မဟုတ် လူသုံးကုန်ပစ္စည်းများ) ကို ဖြန့်ဝေပြီးနောက်၊ ထိုအကူအညီများသည် သတ်မှတ်ထားသော အကျိုးခံစားခွင့်ရှိသူများထံသို့ တကယ်ရောက်ရှိခြင်း ရှိ/မရှိနှင့် ၎င်းတို့၏ လိုအပ်ချက်များကို ဖြည့်ဆည်းပေးနိုင်ခြင်း ရှိ/မရှိကို ပြန်လည်စစ်ဆေးသည့် လုပ်ငန်းစဉ်ဖြစ်ပါတယ်။
PDM ကို အသေးစိတ် လုပ်ဆောင်ရန် အောက်ပါအဆင့်များအတိုင်း ဆောင်ရွက်နိုင်ပါသည်။

1️⃣ Planning (ပြင်ဆင်ခြင်းနှင့် စီမံကိန်းရေးဆွဲခြင်း)
• အချိန်သတ်မှတ်ခြင်း: အကူအညီများ ဖြန့်ဝေပြီးနောက် ၂ ပတ်မှ ၄ ပတ်အတွင်း လုပ်ဆောင်သင့်ပါသည်။ အချိန်စောလွန်းပါက အကူအညီ၏ အကျိုးသက်ရောက်မှုကို မသိနိုင်ဘဲ၊ အချိန်နောက်ကျလွန်းပါက အကျိုးခံစားခွင့်ရှိသူများက အချက်အလက်များကို မေ့သွားနိုင်ပါသည်။
• နည်းလမ်းရွေးချယ်ခြင်း: အရေအတွက်ဆိုင်ရာ အချက်အလက် (Quantitative) အတွက် တစ်အိမ်တက်ဆင်း မေးမြန်းခြင်း (Household Survey) နှင့် အရည်အသွေးဆိုင်ရာ အချက်အလက် (Qualitative) အတွက် အစုအဖွဲ့လိုက် ဆွေးနွေးခြင်း (Focus Group Discussion - FGD) တို့ကို တွဲဖက်သုံးသင့်ပါသည်။

2️⃣ Sampling (နမူနာကောက်ယူမည့်သူ ရွေးချယ်ခြင်း)
အကျိုးခံစားခွင့်ရှိသူ အားလုံးကို မေးမြန်းရန် မဖြစ်နိုင်သဖြင့် Random Sampling (ကျပန်းစနစ်) ဖြင့် နမူနာအရေအတွက်ကို တွဲချက်ရပါမည်။ (ဥပမာ - အိမ်ထောင်စု ၅၀၀ ထဲမှ ၈၀ ကို ရွေးချယ်ခြင်း)။ ဒါကတော့ ကိုယ့် organization မှာရှိတဲ့ Project ရဲ့ reached beneficiaries ပေါ်မူတည်ပါတယ်။ တွက်နည်းကတော့ အမျိုးမျိုးရှိကြပါတယ်။ လူတိုင်းကို လိုက်မေးဖို့ အချိန်နဲ့ လူအင်အား မလောက်နိုင်တဲ့အတွက် စာရင်းအင်းနည်းလမ်းအရ တွက်ချက်ရပါတယ်။ အများအားဖြင့် Confidence Level 95% နဲ့ Margin of Error 5% ကို စံနှုန်းအဖြစ် သတ်မှတ်လေ့ရှိပါတယ်။
• အိမ်ထောင်စု နည်းရင် (ဥပမာ ၃၀၀ အောက်): အနည်းဆုံး ၁၀ ရာခိုင်နှုန်းမှ ၂၀ ရာခိုင်နှုန်းခန့်ကို မေးသင့်ပါတယ်။
• အိမ်ထောင်စု များရင် (ဥပမာ ၁၀၀၀ ကျော်): Online မှာရှိတဲ့ Sample Size Calculator တွေကို သုံးပြီး တွက်နိုင်ပါတယ်။ (ဥပမာ - အိမ်ထောင်စု ၁၀၀၀ ရှိရင် အိမ်ထောင်စု ၂၈၀ ခန့် မေးရပါမယ်)။

3️⃣ Tool Development (မေးခွန်းလွှာ ပြင်ဆင်ခြင်း)
အဓိကအားဖြင့် အောက်ပါအချက် ၄ ချက်ကို မေးမြန်းရပါမည် -
• Process (လုပ်ငန်းစဉ်): အကူအညီ လက်ခံရရှိပုံမှာ ဘေးကင်းလုံခြုံမှု ရှိသလား? တန်းစီရတာ ကြာသလား? ဝန်ထမ်းတွေရဲ့ ဆက်ဆံရေးကော ဘယ်လိုလဲ?
• Quality & Quantity (အရည်အသွေးနှင့် အရေအတွက်): ရရှိတဲ့ ပစ္စည်း သို့မဟုတ် ငွေကြေးပမာဏဟာ သတ်မှတ်ထားတဲ့အတိုင်း မှန်ကန်ရဲ့လား? ပစ္စည်းတွေကကော ကောင်းမွန်ရဲ့လား?
• Utilization (အသုံးပြုမှု): ရရှိတဲ့ငွေ သို့မဟုတ် ပစ္စည်းကို ဘာအတွက် သုံးစွဲသလဲ? (ဥပမာ - စားနပ်ရိက္ခာဝယ်ယူခြင်း၊ အကြွေးဆပ်ခြင်း)
• Accountability (တုံ့ပြန်မှုနှင့် တိုင်ကြားမှု): အကူအညီရွေးချယ်တဲ့ စံနှုန်းကို သိသလား? တိုင်ကြားလိုပါက တိုင်ကြားရမည့် ဖုန်းနံပါတ် သို့မဟုတ် နည်းလမ်းကို သိသလား?

4️⃣ Data Collection (အချက်အလက် ကောက်ယူခြင်း)
• ကွင်းဆင်းအဖွဲ့: လေ့ကျင့်ထားသော ကွင်းဆင်းဝန်ထမ်းများ (Enumerators) သည် သတ်မှတ်ထားသော အိမ်ထောင်စုများသို့ သွားရောက်ကာ ဖုန်း သို့မဟုတ် တက်ဘလက် (KoboToolbox/ODK) များဖြင့် မေးမြန်းရပါမည်။
• ဘက်လိုက်မှုမရှိစေရန်: အကူအညီ ဖြန့်ဝေပေးခဲ့သော ဝန်ထမ်းများကိုယ်တိုင် PDM မေးမြန်းခြင်း မပြုလုပ်သင့်ပါ။ MEAL (Monitoring & Evaluation) ဝန်ထမ်းများ သို့မဟုတ် ပြင်ပအဖွဲ့ကို အသုံးပြုသင့်ပါသည်။

5️⃣ Analysis & Reporting (ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အစီရင်ခံစာ ရေးသားခြင်း)
• ကောက်ယူရရှိသော အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာပြီး တွေ့ရှိချက်များကို အစီရင်ခံစာ ရေးသားရပါမည်။
• အစီရင်ခံစာတွင် အားသာချက်များသာမက အားနည်းချက်များနှင့် အကြံပြုချက်များ ကို ထည့်သွင်းရပါမည်။ ၎င်းအကြံပြုချက်များကို နောက်အကြိမ် အကူအညီပေးရာတွင် ပြန်လည်ပြင်ဆင်အသုံးပြုရပါမည် (Feedback Loop)။

အချုပ်အားဖြင့်ဆိုရသော် PDM သည် အကူအညီများ ထိရောက်မှု ရှိ/မရှိကို တိုင်းတာသည့်အပြင်၊ အကူအညီပေးသည့် အဖွဲ့အစည်းအနေဖြင့် လူထုအပေါ် တာဝန်ခံမှုကို ပြသသည့် အလွန်အရေးကြီးသော လုပ်ငန်းစဉ်ဖြစ်ပါသည်။

‼️သတိပြုရန်: အကူအညီပေးစဉ်က ကိုယ်တိုင်ပါဝင်ခဲ့တဲ့ Program ဝန်ထမ်းတွေကို PDM ကောက်ခိုင်းတာမျိုး မလုပ်သင့်ပါဘူး။ (အကျိုးခံစားခွင့်ရှိသူတွေက သူတို့ကို အားနာတာကြောင့် သို့မဟုတ် ကြောက်တာကြောင့် အမှန်အတိုင်းမဖြေမှာ စိုးရိမ်ရလို့ဖြစ်ပါတယ်)။

PDM (Post Distribution Monitoring) မှာ အချက်အလက်ကောက်ယူဖို့ Sampling (နမူနာ) ရွေးချယ်တဲ့အခါ "ဘက်လိုက်မှုကင်းပြီး (Unbiased)" တစ်ခုလုံးကို ကိုယ်စားပြုနိုင်ဖို့က အရေးကြီးဆုံးဖြစ်ပါတယ်။

Data Verification Vs Data Validation ဆိုတာ
==================================
Data Verification နှင့် Data Validation တို့၏ အဓိကကွာခြားချက်များမှာ အောက်ပါအတိုင်းပါ။

၁။ Data Verification (ဒေတာ စစ်ဆေးခြင်း)
ဒေတာများကို ကူးယူခြင်း သို့မဟုတ် သိမ်းဆည်းခြင်းပြုလုပ်ရာတွင် မူရင်းအတိုင်း တထပ်တည်း မှန်ကန်မှု ရှိ၊ မရှိကို အဓိက စစ်ဆေးခြင်းဖြစ်သည် ။

ဒေတာများ ပျောက်ဆုံးခြင်း၊ ပြောင်းလဲခြင်းနှင့် ပျက်စီးခြင်း (Data Corruption) မရှိစေရန် ရည်ရွယ်သည် ။

ဒေတာရိုက်ပြီးချိန် သို့မဟုတ် Database ပြောင်းရွှေ့ပြီးချိန်များတွင် ပြုလုပ်လေ့ရှိသည် ။

နည်းလမ်းများမှာ ဒေတာကို နှစ်ခါရိုက်၍ တိုက်စစ်ခြင်း (Double Entry)၊ မျက်စိဖြင့် တိုက်စစ်ခြင်း (Proofreading) နှင့် နည်းပညာအရ ဒေတာပမာဏကို တွက်ချက်စစ်ဆေးခြင်း (Checksums) တို့ ဖြစ်သည် ။

၂။ Data Validation (ဒေတာ အတည်ပြုခြင်း)
ရိုက်ထည့်လိုက်သော ဒေတာများသည် သတ်မှတ်ထားသော စည်းမျဉ်းများ (Rules) နှင့် ကိုက်ညီမှု ရှိ၊ မရှိကို စစ်ဆေးခြင်းဖြစ်သည် ။

ဒေတာ၏ အရည်အသွေးနှင့် အသုံးဝင်မှုကို အဓိကထား စစ်ဆေးသည် ။

အချက်အလက်များကို input ပေးနေသည့်အချိန် (ဥပမာ- Form ဖြည့်နေစဉ်) တွင် ချက်ချင်း စစ်ဆေးသည် ။

နည်းလမ်းများမှာ သတ်မှတ်ကိန်းဂဏန်းအတွင်း ရှိမရှိ စစ်ဆေးခြင်း (Range Check)၊ ပုံစံမှန်မမှန် စစ်ဆေးခြင်း (Format Check) နှင့် အမျိုးအစား မှန်မမှန် စစ်ဆေးခြင်း (Data Type Check) တို့ ဖြစ်သည် ။

အသေးစိပ်ကို MEAL Library YouTube Channel တွင် ဝင်ရောက်ကြည့်ရှုနိုင်ပါသည်။

YouTube Link : https://youtu.be/BmteC10JVmA