ফিলিপ আই গুড এবং জেমস ডব্লিউ হার্ডিনের স্ট্যাটিস্টিকালাল বিধি সম্পর্কে জি ভ্যান বেলের বই এবং কিছুটা হলেও পরিসংখ্যানের সাধারণ ত্রুটিগুলি (এবং কীভাবে তাদের এড়ানো উচিত) পছন্দ করি। পরীক্ষামূলক এবং পর্যবেক্ষণমূলক গবেষণার ফলাফলগুলির ব্যাখ্যা করার সময় এবং পরিসংখ্যানগত অনুমান, বা অনুসন্ধানের ডেটা বিশ্লেষণের জন্য ব্যবহারিক প্রস্তাবনা সরবরাহ করার সময় এগুলি সাধারণ সমস্যাগুলি সমাধান করে। তবে আমি অনুভব করি যে "আধুনিক" নির্দেশিকা কিছুটা কম রয়েছে, বিশেষত বিভিন্ন ক্ষেত্রে গণনামূলক এবং শক্তিশালী পরিসংখ্যানের ক্রমবর্ধমান ব্যবহারের সাথে, বা মেশিন লার্নিং সম্প্রদায়ের কৌশলগুলি প্রবর্তন যেমন, ক্লিনিকাল বায়োস্টাটিক্স বা জেনেটিক এপিডেমিওলজি।
গণ্য কৌশল বা ডেটা ভিজ্যুয়ালাইজেশনের সাধারণ সমস্যাগুলি ছাড়াও যা অন্য কোথাও সম্বোধন করা যেতে পারে, আমি জিজ্ঞাসা করতে চাই: দক্ষ ডেটা বিশ্লেষণের জন্য আপনি থাম্বের শীর্ষ নিয়মগুলি কী সুপারিশ করবেন? ( দয়া করে উত্তর প্রতি একটি নিয়ম )।
আমি সেই নির্দেশিকাগুলি নিয়ে ভাবছি যা আপনি কোনও সহকর্মীকে, পরিসংখ্যানের মডেলিংয়ের দৃ background় ব্যাকগ্রাউন্ড ব্যতীত একজন গবেষককে বা মধ্যবর্তী থেকে উন্নত কোর্সের কোনও শিক্ষার্থীকে সরবরাহ করতে পারেন। এটি ডেটা বিশ্লেষণের বিভিন্ন পর্যায়ে সম্পর্কিত হতে পারে, যেমন স্যাম্পলিং কৌশল, বৈশিষ্ট্য নির্বাচন বা মডেল বিল্ডিং, মডেল তুলনা, প্রাক-প্রাক্কলন ইত্যাদি etc.