Thread by @pacmannai

Data Analytics 101📈🧠
What Is It and What to Prepare
.
.
.
A thread🧵

Seperti yang kita tau, saat ini semua perusahaan memiliki data, termasuk perusahaan non digital, misalnya perusahaan manufaktur dan consumer goods.

Eiitsss- emang kenapa hal ini jadi penting sih?

Data sebenarnya hanyalah kumpulan fakta. Tapiii, kalau bisa mengolahnya, data bisa memberikan:

- Prediksi apa yang terjadi di masa depan
- Power untuk membuat keputusan 
- Dampak positif ke perusahaan

Jadi walaupun data adalah koleksi fakta, tapi bisa untuk kemajuan perusahaan loh. Makanya, Data Analytics dibutuhkan agar bisa perusahaan bisa memanfaatkan data data mereka.

Data Analytics sendiri adalah proses sistematik mulai dari mengumpulkan, memproses, dan menganalisis data hingga menjadi sebuah pola atau kesimpulan.

Dengan memadukan business problem dan data analytics, nanti perusahaan bisa menghasilkan business insight. Mantap banget kan!

Contohnya nih, misalkan ada perusahaan consumer goods yang bergerak di sektor makanan, kecantikan, dan kesehatan. Ternyata, di bulan lalu, penjualannya turun. Ga bisa dong dicari tau penyebabnya dengan asal menebak.

Dengan Data Analytics, bisa dicari tau penjualan sektor mana yang turun, kemudian bisa dicari tahu mengapa sektor ini turun sedangkan yang lain tidak. Akhirnya, bisa didapatkan deh tindakan yang diambil perusahaan untuk mencegah penurunan lebih lanjut.

Okey, sampai sini kebayang yaa garis besar apa yang dilakukan oleh Data Analytics. Nah, sekarang, mimin akan jabarkan fundamental Data Analytics.

(1) Descriptive

Ini hal yang paling dasar sebab menjelaskan apa yang sedang terjadi. Contohnya, harga saham X meningkat selama 2 minggu terakhir.

(2) Diagnostic 

Bertujuan untuk mencari tahu mengapa suatu hal terjadi. Contohnya, harga saham X naik karena ada peraturan pemerintah yang baru dan mendukung ekosistem perusahaan X makanya harganya naik.

(3) Predictive 

Mencari tahu apa yang akan terjadi di masa depan. Contohnya, harga saham X akan tetap naik hingga 1 minggu kedepan, namun setelahnya akan kembali normal.

(4) Prescriptive 

Disini, Data Analytics mencari tahu apa yang harus dilakukan selanjutnya dan bagaimana cara melakukannya. Contoh, kita akan menjual saham X sebanyak Y lot, kemudian setelah harganya normal, kita akan beli sejumlah Z lot.

Nah, itu dia beberapa analisis fundamental yang dilakukan oleh Data Analytics. Sekarang, yang menjadi pertanyaan, bagaimana alur kerjanya, dan skill apa yang dibutuhkan?

(1) Problem statement

Biasanya, tim bisnis akan mengkonsultasikan masalah mereka yang ingin Data Analytics selesaikan terlebih dahulu. Ini merupakan tahapan paling krusial karena menentukan langkah kerja Data Analytics selanjutnya.

Maka dari itu, seorang Data Analytics dituntut untuk punya rasa ingin tahu yang kuat dan memiliki pemahaman bisnis / bagaimana bisnis perusahaan bekerja.

Karena kalau ga punya pemahaman yang sama dengan tim bisnis, bisa bisa yang dikerjakan ga sesuai arahan / yang dimau tim bisnis. Ga heran kalau tahapan awal ini bisa jadi tahapan yang paling panjang, karena kedua belah pihak harus bener bener clear ttg goalnya.

(2) Mengajukan hipotesis

Setelah tau masalah yang ingin diselesaikan, Data Analytics mencoba untuk membuat hipotesis mengapa masalah itu terjadi. Tahapan ini juga penting karena menentukan data dan metodologi apa yang akan digunakan.

Lagi lagi, butuh pemahaman bisnis. Kalau ga paham cara kerja bisnis perusahaan, gimana caranya bisa membuat hipotesis mengapa bisnis perusahaan bermasalah.

Makanya, di kelas Non Degree Program Business Intelligence Pacmann ada kurikulum tentang bisnis sendiri, biar lulusan program ga cuma paham otak atik data aja, tapi juga punya business sense.

Mumpung masih ada POTONGAN UP TO 1.000.000 dalam rangka PAYDAY👀🙌

Langsung book seat aja nih di bit.ly/WAsalesTw

(3) Menentukan metodologi

Ada banyak metodologi statistik, namun Data Analytics harus paham metodologi mana yang cocok untuk menyelesaikan masalahnya. Bisa dengan metode dasar seperti probabilitas, distribusi, uji hipotesis, mencari korelasi, dll.

Atau bisa juga dengan metode yang lebih advanced, misalnya time series analysis dan survival analysis.

Bahkan, terkadang Data Analytics juga bisa menggunakan Machine Learning loh! Entah itu logistic regression, decision tree, clustering, atau untuk optimization seperti linear programming, genetic algorithm, dll.

Mau bisa Machine Learning juga? Tenang, Non Degree Program Pacmann nawarin Program Continuation, jadi setelah selesai belajar Business Intelligence, bisa lanjut belajar Machine Learning di program Data Scientist. 

Detail program bisa ditanya di bit.ly/WAsalesTw ya!😉

(4) Data Gathering, Data Cleaning

Setelah tahu metodologi yang ingin digunakan, saatnya mengumpulkan data dan membersihkannya. Nah, kan perusahaan menyimpan data di database, maka Data Analytics harus bisa mengambil data tersebut.

Makanya, harus paham SQL, yakni bahasa pemrograman untuk mengambil data dari database. Penting untuk dikuasai karena gimana caranya mau olah data kalau ngambilnya aja ga bisa?

Setelah datanya diambil, harus dicek terlebih dahulu nih, kira kira apakah datanya memiliki outlier, anomaly, missing data, dll. Cek juga apakah datanya itu masuk akal. Contoh, kalau ada data usia consumer dan ditulis 102 tahun, apakah masuk akal?

(5) Perform analisis

Nah, baru deh data yang sudah bersih dianalisis menggunakan metode yang tadi sudah dipilih. Tools yang digunakan biasanya programming language seperti Python atau R. Tenang, kalau ikut Non Degree Program udah diajarin kok!

Anyway, biasanya, ketika menganalisis, bisa muncul hipotesis baru yang kalian bisa gali lebih dalam. Balik lagi deh ke tahapan awal!

(6) Membuat kesimpulan

Kalau sudah pede dengan analisis yang dilakukan, maka boleh membuat kesimpulan dari proses yang sudah dilakukan sebelumnya.

(7) Mengkomunikasikan penemuan

Terakhir, kesimpulan dan temuanmu dikomunikasikan ke tim bisnis / stakeholder. Bisa dalam bentuk laporan, dashboard, visualisasi, presentasi, hingga diskusi.

Ingat, harus dikomunikasikan sejelas mungkin dan dapat dimengerti oleh orang yang tidak memiliki pemahaman pengolahan data. Makanya, kadang insight ini digambarkan dalam bentuk visualisasi.

Jadi Data Analytics juga harus memiliki kemampuan di Tableau / Google Data Studio untuk menggambarkan temuannya. Kadang, stakeholder juga meminta dibuatkan dashboard saja bisa langsung dipantau.

Okeey, jadi itu dia beberapa hal yang dikerjakan Data Analytics dan skill yang harus dikuasai. Semoga bisa menjadi pencerahan bagi kalian yang bercita cita menjadi DA yaps!

Referensi: