Data Analytics dengan Program R

PENGANTAR DATA ANALYTICS

Di era digital saat ini, kebutuhan sumber daya manusia di bidang data banyak dicari oleh perusahaan, terutama perusahaan digital. Banyak sekali profesi profesi baru yang menjadi komoditas utama dalam hal tersebut, seperti data scientist, data analyst, data engineer, dan artificial intelligence. Bagaimana caranya agar Indonesia memenuhi pemenuhan talenta data? Sedangkan belum ada jurusan khusus di universitas yang menyediakan jurusan tersebut. Salah satu yang menjadi dasar profesi dari bidang data adalah data analyst. Profesi data analyst merupakan profesi dengan permintaan yang cukup banyak pada tahun ini hingga beberapa tahun kedepan. Mengutip dari platform job seeker di Indonesia, dibutuhkan lebih dari 500 profesi sebagai data analyst setiap bulannya. Karena belum adanya sekolah khusus data, maka perlu ada pelatihan bagi calon data analyst untuk meningkatkan keterampilan yang dibutuhkan. Data analytics merupakan proses pemeriksaan kumpulan data untuk menemukan tren dan menarik kesimpulan tentang informasi yang dikandungnya. Semakin banyak, analitik data dilakukan dengan bantuan sistem dan perangkat lunak khusus. Teknologi dan teknik analitik data banyak digunakan dalam industri komersial untuk memungkinkan organisasi membuat keputusan bisnis yang lebih tepat. Ilmuwan dan peneliti juga menggunakan alat analitik untuk memverifikasi atau menyangkal model, teori, dan hipotesis ilmiah.

Pengertian Data Analytics

Data analytics dapat diartikan sebagai serangkaian aplikasi mulai dari Basic Intelligence, Reporting and Online Analytical Processing, dan beberapa fitur analytic lainnya. Data analytics juga bisa diartikan sebagai proses yang bertujuan untuk mendapatkan kesimpulan dari informasi data. Teknologi ini banyak digunakan di industri komersial karena dapat membuat perusahaan lebih mudah dalam mendapatkan hasil akhir yang baik dan akurat. Teknologi ini dapat membantu perusahaan untuk meningkatkan pendapatan, mengoptimalkan program pemasarannya, dan juga meningkatkan layanan bagi para pelanggan. Dengan demikian bisa dikatakan kalau data analytics ini mampu meningkatakan performa bisnis sebuah perusahaan.

Data Analytics adalah proses inspeksi, pembersihan dan pemodelan data dengan tujuan menemukan informasi yang berguna, menginformasikan kesimpulan dan mendukung pengambilan keputusan. Analisis data memiliki banyak sisi dan pendekatan, mencakup beragam teknik dengan berbagai nama, dan digunakan dalam berbagai bidang bisnis, ilmu pengetahuan dan  ilmu sosial. Dalam dunia bisnis saat ini, analisis data berperan dalam membuat keputusan lebih ilmiah dan membantu bisnis beroperasi lebih efektif.  Analitik data didefinisikan sebagai seperangkat alat dan teknologi yang membantu mengelola data kualitatif dan kuantitatif dengan tujuan memungkinkan penemuan, menyederhanakan organisasi, mendukung tata kelola, dan menghasilkan wawasan untuk bisnis.

Penggalian Data adalah teknik analisis data tertentu yang berfokus pada pemodelan statistik dan penemuan pengetahuan untuk tujuan prediksi dan bukan murni deskriptif, sedangkan intelijen bisnis mencakup analisis data yang sangat bergantung pada agregasi, dengan fokus utama pada informasi bisnis.  Dalam aplikasi statistik, analisis data dapat dibagi menjadi statistik deskriptif, analisis data eksplorasi (EDA = Exploration Data Analytics), dan analisis data konfirmatori (CDA = Confirmatory Data Analytics). EDA berfokus pada penemuan fitur baru dalam data sementara CDA berfokus pada konfirmasi atau pemalsuan hipotesis yang ada.  Analitik prediktif berfokus pada penerapan model statistik untuk peramalan atau klasifikasi prediktif, sementara analitik teks menerapkan teknik statistik, linguistik, dan struktural untuk mengekstraksi dan mengklasifikasikan informasi dari sumber tekstual, spesies data yang tidak terstruktur. Semua hal di atas adalah jenis analisis data.

Pada tingkat tinggi, metodologi analitik data mencakup analisis data eksplorasi (EDA) dan analisis data konfirmatori (CDA). EDA bertujuan untuk menemukan pola dan hubungan dalam data, sedangkan CDA menerapkan teknik statistik untuk menentukan apakah hipotesis tentang kumpulan data itu benar atau salah. EDA sering dibandingkan dengan pekerjaan detektif, sementara CDA mirip dengan pekerjaan seorang hakim atau juri selama persidangan — sebuah perbedaan yang pertama kali dibuat oleh ahli statistik John W. Tukey dalam bukunya tahun 1977 Exploratory Data Analysis.

Integrasi data adalah pendahulu untuk analisis data, dan analisis data terkait erat dengan visualisasi data dan penyebaran data. Sebagai sebuah istilah, analitik data sebagian besar mengacu pada bermacam-macam aplikasi, mulai dari dasar intelijen bisnis  (BI= business Intelligence), pelaporan dan pemrosesan analitik online (OLAP= online analytical processing) hingga berbagai bentuk analitik lanjutan. Dalam pengertian itu, sifatnya mirip dengan analitik bisnis, istilah umum lain untuk pendekatan untuk menganalisis data. Perbedaannya adalah yang terakhir berorientasi pada penggunaan bisnis, sedangkan analitik data memiliki fokus yang lebih luas. Namun, pandangan luas dari istilah tersebut tidak universal: Dalam beberapa kasus, orang menggunakan analitik data secara khusus untuk mengartikan analitik tingkat lanjut, memperlakukan BI sebagai kategori terpisah.

Inisiatif analitik data dapat membantu bisnis meningkatkan pendapatan, meningkatkan efisiensi operasional, mengoptimalkan kampanye pemasaran, dan mendukung upaya layanan pelanggan. Analitik juga memungkinkan organisasi merespons dengan cepat tren pasar yang muncul dan mendapatkan keunggulan kompetitif atas pesaing bisnis. Namun, tujuan akhir analitik data adalah meningkatkan kinerja bisnis. Bergantung pada aplikasi tertentu, data yang dianalisis dapat terdiri dari catatan sejarah atau informasi baru yang telah diproses untuk analitik waktu nyata. Selain itu, dapat berasal dari campuran sistem internal dan sumber data eksternal.

Analisis data juga dapat dipisahkan menjadi analisis data kuantitatif dan analisis data kualitatif. Yang pertama melibatkan analisis data numerik dengan variabel terukur. Variabel-variabel ini dapat dibandingkan atau diukur secara statistik. Pendekatan kualitatif lebih bersifat interpretatif — berfokus pada pemahaman konten data non-numerik seperti teks, gambar, audio dan video, serta frasa umum, tema, dan sudut pandang.

Di tingkat aplikasi, BI dan pelaporan memberi eksekutif bisnis dan pekerja perusahaan informasi yang dapat ditindaklanjuti tentang indikator kinerja utama, operasi bisnis, pelanggan, dan lainnya. Di masa lalu, kueri dan laporan data biasanya dibuat untuk pengguna akhir oleh pengembang BI yang bekerja di bidang TI. Sekarang, lebih banyak organisasi menggunakan alat BI swalayan yang memungkinkan eksekutif, analis bisnis, dan pekerja operasional menjalankan kueri ad hoc mereka sendiri dan membuat laporan sendiri.

Jenis analitik data tingkat lanjut mencakup penambangan data, yang melibatkan pemilahan kumpulan data besar untuk mengidentifikasi tren, pola, dan hubungan. Lainnya adalah analitik prediktif, yang berupaya memprediksi perilaku pelanggan, kegagalan peralatan, dan skenario serta peristiwa bisnis lainnya di masa mendatang. Pembelajaran mesin juga dapat digunakan untuk analitik data, dengan menjalankan algoritme otomatis untuk mengocok kumpulan data lebih cepat daripada yang dapat dilakukan ilmuwan data melalui pemodelan analitik konvensional. Analitik data besar menerapkan penambangan data, analitik prediktif, dan alat pembelajaran mesin ke kumpulan data yang dapat mencakup campuran data terstruktur, tidak terstruktur, dan semi terstruktur. Penambangan teks menyediakan sarana untuk menganalisis dokumen, email, dan konten berbasis teks lainnya.

Inisiatif analitik data mendukung berbagai penggunaan bisnis. Misalnya, bank dan perusahaan kartu kredit menganalisis pola penarikan dan pengeluaran untuk mencegah penipuan dan pencurian identitas. Perusahaan e-niaga dan penyedia layanan pemasaran menggunakan analisis aliran klik untuk mengidentifikasi pengunjung situs web yang cenderung membeli produk atau layanan tertentu — berdasarkan pola navigasi dan tampilan halaman. Organisasi perawatan kesehatan menambang data pasien untuk mengevaluasi keefektifan perawatan untuk kanker dan penyakit lainnya. Operator jaringan seluler memeriksa data pelanggan untuk memperkirakan churn; yang memungkinkan mereka untuk mengambil langkah-langkah untuk mencegah pelanggan membelot ke vendor saingan. Untuk meningkatkan upaya manajemen hubungan pelanggan, perusahaan terlibat dalam analitik CRM untuk mensegmentasi pelanggan untuk kampanye pemasaran dan membekali pekerja call center dengan informasi terkini tentang penelepon.

Apa Itu Data Analytics?

Analitik data didefinisikan sebagai seperangkat alat dan teknologi yang membantu mengelola data kualitatif dan kuantitatif dengan tujuan memungkinkan penemuan, menyederhanakan organisasi, mendukung tata kelola, dan menghasilkan wawasan untuk bisnis.

Analisis data adalah disiplin yang melibatkan analisis kumpulan data untuk mendapatkan informasi yang akan membantu memecahkan masalah di berbagai sektor. Ini mempekerjakan beberapa disiplin ilmu seperti pemrograman komputer, statistik, dan matematika, untuk memberikan analisis data yang akurat. 

Tujuan analisis data dapat berupa untuk mendeskripsikan, memprediksi, atau meningkatkan kinerja organisasi. Mereka mencapai ini dengan menggunakan teknik manajemen data tingkat lanjut seperti pemodelan data, penambangan data, transformasi data, dll., Untuk mendeskripsikan, memprediksi, dan memecahkan masalah saat ini dan masa depan. Sasaran ini membedakan analisis data dari disiplin serupa seperti analitik bisnis dan ilmu data. Analitik bisnis adalah bentuk analitik data yang hanya digunakan oleh bisnis. Ilmu data dan analitik memecahkan masalah melalui pembelajaran yang lebih dalam dan pengawasan strategis.

Bagaimana cara kerja analitik data?

Analisis data melibatkan serangkaian langkah untuk memberikan analisis yang akurat. Saat melakukan langkah-langkah ini, analis data menyertakan ilmuwan data dan insinyur data untuk membuat alur data atau membantu menyiapkan model. Kami membahas langkah-langkah yang terlibat dalam analitik data dalam artikel ini:

a. Pengumpulan data

Ada dua cara untuk mempraktikkan pengumpulan data. Pendekatan pertama adalah mengidentifikasi data yang Anda perlukan untuk analisis dan menggabungkannya untuk digunakan. Jika data berasal dari sistem sumber yang berbeda, analis data harus menggabungkan data yang berbeda menggunakan rutinitas integrasi data.

Namun dalam beberapa kasus, data yang dibutuhkan mungkin hanya merupakan subset dari kumpulan data. Analis data akan menyertakan serangkaian langkah untuk mengekstrak subset yang relevan dan memindahkannya ke kompartemen terpisah dalam sistem. Melakukan hal ini memungkinkan seseorang untuk menganalisis subset tanpa mempengaruhi kumpulan data secara keseluruhan dengan mudah.

b. Menyesuaikan kualitas data

Langkah selanjutnya adalah menemukan dan memperbaiki masalah kualitas data dalam data yang dikumpulkan. Ini juga memerlukan pengaturan data untuk model analitik sesuai dengan standar perusahaan. Masalah kualitas data meliputi ketidakkonsistenan, kesalahan, dan duplikat entri. Mereka diselesaikan dengan menjalankan tugas profiling data dan pembersihan data.

Analis data juga memanipulasi dan mengatur data sesuai dengan persyaratan model analitik yang ingin dia gunakan. Tugas akhir dalam kualitas data adalah mengimplementasikan kebijakan tata kelola data. Kebijakan ini memastikan data digunakan dengan benar dan sesuai dengan standar perusahaan.

c. Membangun model analitis

Ke depan, analis data bekerja dengan ilmuwan data untuk membangun model analitik yang akan menjalankan analisis yang akurat. Model ini dibangun menggunakan perangkat lunak analitik, seperti alat pemodelan prediktif, dan bahasa pemrograman seperti Python, Scala, R, dan Structured Query Language (SQL).

Setelah dibangun, model diuji dengan kumpulan data eksperimen. Hasil dari pengujian ditinjau, dan perubahan dilakukan pada model. Model diuji berulang kali hingga model berfungsi sebagaimana mestinya. Akhirnya, model berjalan melawan kumpulan data yang dimaksud dalam mode produksi.

d. Presentasi

Langkah terakhir dalam analitik data adalah menyajikan hasil model kepada pengguna akhir dan eksekutif bisnis. Praktik terbaik adalah menggunakan alat seperti bagan dan infografis untuk presentasi. Mereka mudah untuk memahami dan mengkomunikasikan hasil.

Tipe  Data Analytics

Ada lima tipe analitik data. Seseorang dapat menggunakan semuanya dalam membuat analisis data yang lengkap tergantung pada masalahnya, tetapi itu seringkali tidak diperlukan. Namun, penting untuk mengetahui setiap jenis analisis data.

1. Analisis data deskriptif

Jenis analitik data ini memeriksa data masa lalu untuk menjelaskan apa yang telah terjadi. Ini adalah teknik analisis data yang paling mudah. Bergantung pada skenarionya, beberapa analis data menggunakan analitik deskriptif sebagai ringkasan untuk mendukung investigasi dan analisis dari jenis analitik lainnya. Ini dapat ditandai sebagai “praktik terbaik” karena menjelaskan hasil dari analitik lain terkait data historis.

Perusahaan menggunakan teknik analisis statistik untuk melakukan analisis data deskriptif. Jenis analitik data ini membantu mereka membandingkan hasil sebelumnya, mengidentifikasi anomali, membedakan kekuatan dan kelemahan, dll. Perusahaan menggunakan analisis deskriptif untuk mengidentifikasi masalah.

2. Analisis data diagnostik

Analitik data diagnostik memeriksa data masa lalu untuk menjelaskan penyebab anomali. Jenis analitik ini bertujuan untuk menjawab “mengapa ini terjadi?” dari hasil analisis deskriptif.

Teknik yang digunakan untuk analitik data diagnostik adalah drill-down, penemuan data, penambangan data, dan korelasi. Analis data menggunakan teknik penemuan data untuk menemukan sumber yang mungkin membantu mereka menyimpulkan alasan dari suatu hasil. Penambangan data melibatkan mendapatkan informasi dari sekumpulan besar data mentah dengan proses otomatis. Hasil dari analitik diagnostik diperoleh dengan menemukan korelasi atau pola antara data yang berbeda.

Hasil dari jenis analitik ini membantu perusahaan menyusun solusi akurat untuk masalah alih-alih mengandalkan tebakan.

3. Analisis data prediktif

Analitik data prediktif melibatkan penggunaan data saat ini atau historis untuk memprediksi tindakan di masa mendatang. Individu dan perusahaan melakukan analisis prediktif dengan menggabungkan data historis dengan pembelajaran mesin, teknik penambangan data, dan pemodelan statistik. Ini membantu mereka dengan cepat menemukan pola dan memprediksi risiko dan peluang di masa depan.

Jenis analitik ini bekerja dengan algoritme dan metodologi (seperti model regresi linier atau logistik). Ada algoritme yang berbeda untuk skenario yang berbeda, dan ketidakcocokan akan menghasilkan hasil yang salah. Potongan data yang berasal dari pelanggan dan sumber eksternal tidak berguna sampai digunakan untuk memecahkan masalah. Tanpa analisis prediktif, perusahaan akan cenderung membuat kesalahan di masa depan yang mungkin tidak akan pernah mereka pulihkan.

4. Analisis data preskriptif

Analisis data preskriptif melibatkan pemilihan solusi terbaik untuk suatu masalah dari opsi yang tersedia. Jenis analitik data ini memeriksa hasil dari analitik lain dan memberikan panduan tentang cara mencapai jawaban tertentu.

Analitik data preskriptif digunakan dalam mesin rekomendasi, mesin persetujuan pinjaman, model penetapan harga dinamis, penjadwalan perbaikan mesin, dan alat serupa untuk memeriksa setiap opsi keputusan dan mempersonalisasi proses. Pilihan ini bisa berupa ya/tidak atau daftar. Alat-alat ini mengilustrasikan konsekuensi dari setiap pilihan, dan juga memberikan pilihan yang lebih baik. Perusahaan dapat menggunakan analisis preskriptif untuk mengotomatiskan pengambilan keputusan dan mempercepat persetujuan yang rumit.

5. Analisis data waktu nyata

Analisis data waktu nyata melibatkan penggunaan data segera saat dimasukkan ke dalam basis data. Tidak seperti jenis analitik data lain yang menggunakan data dari peristiwa masa lalu (data historis), jenis ini menganalisis data baru dari pelanggan atau sumber eksternal saat dalam perjalanan.

Beberapa teknologi yang digunakan dalam analitik data real-time termasuk edge computing, analitik dalam basis data, analitik dalam memori, peralatan gudang data, pemrograman paralel, dll. Jenis analitik data ini akan sangat membantu jika digunakan dalam ketersediaan tinggi dan rendah. aplikasi waktu -respons. Perusahaan menggunakannya untuk mengidentifikasi tren dan tolok ukur lebih cepat daripada pesaing mereka. Mereka juga dapat melacak dan menganalisis operasi pesaing mereka secara instan.

6. Analisis data yang diperbesar

Analitik tertambah menggunakan bahasa mesin (ML) dan pemrosesan bahasa alami (NLP) untuk menganalisis data. Memasukkan pembelajaran mesin ke dalam analitik membantu mengotomatiskan tugas yang membosankan dari eksplorasi data berbasis kode dan membuatnya tersedia untuk pengguna bisnis. Ini mengurangi kemungkinan kesalahan dan memungkinkan analis data lebih banyak waktu untuk melakukan tugas lain yang dapat ditindaklanjuti. Sebagian besar perangkat lunak analitik mengintegrasikan alat analitik data tambahan untuk memanfaatkan bahasa mesin dan fitur luar biasa lainnya. Perusahaan menyertakan jenis analitik data ini dalam proses analisis mereka untuk berinteraksi dengan data secara organik – yaitu, melalui bahasa Inggris atau bahasa alami lainnya – dan mengidentifikasi tren.

Pentingnya Data Analitic

Saat ini, sebagian besar departemen dalam organisasi menggunakan analitik data untuk memeriksa situasi saat ini dan memprediksi skenario masa depan. Hasil dari tindakan ini dapat membawa banyak manfaat dan keuntungan bagi suatu organisasi. Manfaat ini meliputi:

1. Mengurangi biaya operasi

Meskipun membayar seorang analis data mungkin mahal, dalam jangka panjang lebih murah dibandingkan dengan manfaatnya. Dengan analisis data yang baik, Anda dapat mencegah risiko keuangan, memastikan keamanan data, dan melakukan tindakan lain yang dapat menghemat banyak uang. Selain itu, organisasi menggunakan analitik data untuk memeriksa fungsi yang menggunakan lebih banyak keuangan daripada yang seharusnya dan fungsi lain yang membutuhkan lebih banyak pembiayaan. Ini membantu memangkas biaya – terutama operasi dan produksi – dan pada akhirnya menggantikan aktivitas manual dengan teknologi.

2. Memprediksi tren masa depan

Organisasi dapat memprediksi tren dan inovasi masa depan dengan analitik data. Dengan menggunakan alat analisis prediktif, organisasi dapat mengembangkan produk dan layanan yang berfokus pada masa depan dan tetap berada di puncak pasar mereka. Menggunakan pemasaran yang baik, organisasi ini dapat menciptakan permintaan untuk penawaran ini dan merebut pangsa pasar yang lebih besar. Mereka bahkan dapat memperoleh paten untuk penemuan futuristik untuk mempertahankan keunggulan atas pesaing dan memaksimalkan keuntungan.

3. Pantau kinerja produk

Analitik data digunakan untuk melacak perilaku pelanggan terhadap produk atau layanan. Anda dapat menggunakannya untuk mengidentifikasi mengapa penjualan rendah, produk apa yang dibeli orang, mengapa mereka membelinya, berapa banyak yang mereka keluarkan untuk produk ini, bagaimana Anda dapat menjual produk Anda dengan lebih baik, dan banyak pertanyaan lainnya. Mempelajari perilaku audiens membantu perusahaan membuat keputusan keuangan seperti mengubah harga produk atau menemukan ceruk untuk ditargetkan.

4. Perkuat keamanan

Bisnis menggunakan analitik data untuk memeriksa pelanggaran keamanan di masa lalu dan mendiagnosis kerentanan yang menyebabkan pelanggaran tersebut. Aplikasi analitik membantu pakar TI untuk mengurai, memproses, dan memvisualisasikan log audit untuk membedakan asal dan jalur pelanggaran keamanan. Mereka juga dapat mencegah serangan di masa mendatang dengan menggunakan model analitik yang mendeteksi pola perilaku yang tidak biasa atau tidak normal. Model ini dapat diatur dengan sistem pemantauan dan peringatan untuk mengidentifikasi upaya pelanggaran dan memberi tahu profesional keamanan.

5. Kelola risiko

Risiko dalam bisnis berkisar dari pencurian oleh pelanggan atau karyawan hingga tanggung jawab hukum atau jumlah barang inventaris yang terlalu tinggi. Analitik data membantu organisasi mencegah dan mengelola risiko. Misalnya, rantai ritel dapat menggunakan model kecenderungan untuk menentukan toko mana yang lebih rentan terhadap pencurian. Ini akan membantu memutuskan apakah akan mengubah lokasi toko atau meningkatkan keamanan.

6. Meningkatkan pengambilan keputusan

Organisasi dapat menggunakan analitik data untuk mencegah kerugian finansial. Analisis prediktif dapat mendeteksi tindakan pelanggan di masa depan jika perubahan dilakukan, dan analisis preskriptif akan menyarankan bagaimana bereaksi terhadap perubahan ini untuk memaksimalkan keuntungan. Misalnya, katakanlah sebuah perusahaan ingin menaikkan harga produknya. Mereka dapat membuat model untuk menentukan apakah perubahan ini akan memengaruhi permintaan pelanggan. Hasil dari model ini dapat dikonfirmasi dengan pengujian. Ini akan mencegah keputusan keuangan yang buruk.

7. Peningkatan kinerja bisnis

Mengumpulkan dan memeriksa data tentang rantai pasokan dapat membantu mendeteksi penundaan produksi, hambatan, dan masalah di masa depan. Dalam kasus tingkat inventaris, analitik data dapat membantu menentukan pasokan optimal untuk semua produk perusahaan. Ini memudahkan bisnis untuk mengidentifikasi dan menyelesaikan masalah dengan cepat.

7 Aplikasi Analisis Data Teratas di Tahun Terkini

Selama bertahun-tahun, aplikasi analitik data telah meningkat karena kemajuan di sektor TI. Munculnya tren teknologi baru seperti big data dan internet of things (IoT) telah menghasilkan aplikasi baru dan inovatif untuk analitik data. Ini termasuk:

1. Transportasi

Seseorang dapat menggunakan analitik data untuk mengatasi kemacetan lalu lintas dan meningkatkan perjalanan dengan meningkatkan sistem dan kecerdasan transportasi. Ini bekerja dengan memperoleh volume data yang sangat besar untuk membangun rute alternatif untuk mengatasi kemacetan lalu lintas. Hal ini akan mengurangi kemacetan lalu lintas dan, pada gilirannya, mengurangi kecelakaan lalu lintas.

Demikian pula, perusahaan perjalanan dapat memperoleh preferensi pembeli dari media sosial dan sumber lain untuk meningkatkan paket mereka. Ini akan meningkatkan pengalaman perjalanan pembeli dan basis pelanggan perusahaan. Misalnya, analitik data digunakan untuk memecahkan masalah transportasi 18 juta orang di kota London selama Olimpiade 2012.

2. Pendidikan

Pembuat kebijakan dapat menggunakan analitik data untuk meningkatkan kurikulum pembelajaran dan keputusan manajemen. Aplikasi ini akan meningkatkan pengalaman belajar dan manajemen administrasi.

Untuk menyempurnakan kurikulum, kami dapat mengumpulkan data preferensi dari setiap siswa untuk membangun kurikulum. Ini akan menciptakan sistem yang lebih baik di mana siswa menggunakan cara yang berbeda untuk mempelajari konten yang sama. Juga, data berkualitas yang diperoleh dari siswa dapat membantu alokasi sumber daya yang lebih baik dan keputusan manajemen yang berkelanjutan. Misalnya, analitik data dapat memberi tahu admin fasilitas apa yang jarang digunakan siswa atau mata pelajaran yang hampir tidak mereka minati.

3. Hasil pencarian web internet

Mesin pencari seperti Google, pencarian e-commerce Amazon, Bing, dll., Menggunakan analitik untuk mengatur data dan memberikan hasil pencarian terbaik. Ini menyiratkan bahwa analitik data digunakan di sebagian besar operasi mesin pencari. Saat menyimpan data web, analitik data mengumpulkan sejumlah besar data yang dikirimkan oleh berbagai halaman dan mengelompokkannya menurut kata kunci. Di setiap grup, analitik juga membantu memberi peringkat halaman web sesuai dengan relevansinya.

Demikian pula, setiap kata yang dimasukkan oleh pencari adalah kata kunci dalam memberikan hasil pencarian. Analitik data sekali lagi digunakan untuk mencari sekelompok halaman web tertentu untuk menyediakan yang paling cocok dengan maksud kata kunci.

4. Pemasaran dan periklanan digital

Pemasar menggunakan analitik data untuk memahami audiens dan mendapatkan tingkat konversi yang tinggi. Terdapat aktivitas yang berbeda pada kedua sub-aplikasi ini, yang dilakukan dengan menggunakan analitik data. Untuk memahami audiens, pakar iklan digital menggunakan analitik untuk mengetahui suka, tidak suka, usia, ras, jenis kelamin, dan fitur audiens yang dituju. Mereka juga menggunakan teknologi ini untuk mengelompokkan audiens mereka menurut perilaku dan preferensi.

Selanjutnya, untuk mendapatkan tingkat konversi yang tinggi, para ahli menggunakan analitik data untuk mengidentifikasi tren dan menghasilkan konten yang relevan untuk keterlibatan jangka panjang. Mereka melakukan ini dengan mempelajari kebiasaan dan frekuensi pembelian melalui tren analitik.

5. Logistik dan pengiriman

Analitik data digunakan untuk alur kerja yang produktif dan proses pengiriman yang lebih baik di industri logistik. Ini telah menghasilkan peningkatan kinerja industri dan, pada gilirannya, basis pelanggan yang lebih luas. Ini meningkatkan produktivitas dengan mengaktifkan pembagian data real-time dari wawasan perusahaan antar mitra. Wawasan ini menunjukkan fluktuasi permintaan pelanggan dan kinerja tenaga kerja perusahaan.

Dalam meningkatkan proses pengiriman, perusahaan logistik menggunakan analitik data untuk optimalisasi rute. Ini memungkinkan perusahaan untuk memilih rute dan waktu terbaik menggunakan data Global Positioning System (GPS), data cuaca, data pemeliharaan jalan, dan jadwal pribadi.

6. Keamanan

Personel keamanan menggunakan analitik data (terutama analitik prediktif) untuk menemukan kasus kejahatan atau pelanggaran keamanan di masa mendatang. Mereka juga dapat menyelidiki serangan yang lalu atau yang sedang berlangsung. Analitik memungkinkan untuk menganalisis bagaimana sistem TI dilanggar selama serangan, kelemahan lain yang masuk akal, dan perilaku pengguna akhir atau perangkat yang terlibat dalam pelanggaran keamanan.

Beberapa kota menggunakan analitik data untuk memantau area dengan tingkat kejahatan tinggi. Mereka memantau pola kejahatan dan memprediksi kemungkinan kejahatan di masa depan dari pola ini. Ini membantu menjaga kota yang aman tanpa mempertaruhkan nyawa petugas polisi.

7. Deteksi penipuan

Banyak organisasi di berbagai industri menggunakan analitik data untuk mendeteksi aktivitas penipuan. Industri-industri ini termasuk farmasi, perbankan, keuangan, pajak, ritel, dll. Saat mengidentifikasi penipuan pajak, analisis prediktif digunakan untuk menilai keandalan pengembalian pajak bagi individu. Internal Revenue Service (IRS) menggunakan jenis analitik ini untuk memprediksi aktivitas penipuan di masa mendatang. Ini juga digunakan untuk mengidentifikasi penipuan bank dengan menganalisis komunikasi. Bank menggunakan analitik data untuk komunikasi konstan dengan pelanggan. Mereka dapat memanfaatkan algoritme analisis data untuk mendeteksi aktivitas penipuan berdasarkan data komunikasi sebelumnya dengan pelanggan tertentu.

Data Analitics dan Data Analysis

Data Analytics merupakan sebuah proses sederhana dari Bisnis Analytics yang istilahnya mendekati pengertian Data Analysis dengan fokus yang lebih luas. Data Analytics dapat membantu perusahaan dalam meningkatkan revenue, efisiensi, performa, merespon tren pasar, dan juga mengoptimalkan pemasaran dan pelayanan kepada pelanggan.

Walaupun Data Analytics sering diartikan sama dengan Data Analysis, namun pada kenyataannya kedua hal ini memiliki pengertian yang berbeda, apa saja hal utama yang membedakan Data Analytics dan Data Analysis?

a. Bentuk dan Struktur yang Berbeda

Data Analytics: Data Analytics adalah bentuk analisis ‘umum’ yang digunakan dalam bisnis untuk membuat suatu keputusan berdasarkan oleh data. Data Analytics terdiri dari pengumpulan dan pemeriksaan data secara umum dan memiliki satu atau lebih pengguna. Data Analytics umumnya  mengeksplorasi potensi di masa depan. Dan dalam melakukan kegiatan analitik ini, akan dicari pola dalam mengeksplorasi apa saja yang dapat dilakukan di masa depan.

Data Analysis: Data Analysis adalah bentuk khusus dari Data Analytics yang digunakan dalam bisnis untuk menganalisis data dan mengambil beberapa hasil dan informasi. Data Analysis terdiri dari pendefinisian data, pemeriksaan, cleaning data, dan transformasi data untuk memberikan hasil yang bermanfaat. Dan satu hal penting yang membedakannya dengan Data Analytics adalah proses analisis ini dilakukan pada hal-hal yang telah terjadi di masa lalu.

b. Rangkaian Proses

Data Analytics. Data Analytics terdiri dari evaluasi kasus, identifikasi data, penyaringan data, ekstraksi data, validasi dan pembersihan data, agregasi & representasi data, analisis data, visualisasi data, pemanfaatan hasil analisis.

Data Analysis Urutan proses yang terdapat pada Data Analysis adalah pengumpulan data, scrubbing data, analisis data, dan interpretasi data secara tepat sehingga mendapatkan kesimpulan yang diinginkan.

c. Beda Penggunaan dalam Hal Waktu

Data Analytics. Secara umum Data Analytics mengacu pada masa depan, sehingga dapat digunakan untuk menemukan pola terselubung, korelasi, preferensi pelanggan, tren pasar, dan informasi lain yang diperlukan yang dapat membantu membuat lebih banyak keputusan pemberitahuan untuk tujuan bisnis.

Data Analysis. Data Analysis dapat digunakan dengan berbagai cara seperti melakukan analisis seperti analisis deskriptif, analisis eksplorasi, analisis inferensial, analisis prediktif, dan mengambil hasil analisis yang berguna.

Proses Data Analitics

Aplikasi analitik data melibatkan lebih dari sekadar menganalisis data, terutama pada proyek analitik tingkat lanjut. Sebagian besar pekerjaan yang diperlukan dilakukan di muka, dalam mengumpulkan, mengintegrasikan, dan menyiapkan data, lalu mengembangkan, menguji, dan merevisi model analitik untuk memastikan bahwa model tersebut memberikan hasil yang akurat. Selain ilmuwan data dan analis data lainnya, tim analitik sering kali menyertakan data engineer, yang membuat alur data dan membantu menyiapkan kumpulan data untuk analisis.

Proses analitik dimulai dengan pengumpulan data. Ilmuwan data mengidentifikasi informasi yang mereka butuhkan untuk aplikasi analitik tertentu, dan kemudian bekerja sendiri atau dengan insinyur data dan staf TI untuk menyusunnya agar dapat digunakan. Data dari sistem sumber yang berbeda mungkin perlu digabungkan melalui rutinitas integrasi data, diubah menjadi format umum dan dimuat ke dalam sistem analitik, seperti klaster Hadoop, database NoSQL, atau data warehourse.

Dalam kasus lain, proses pengumpulan dapat terdiri dari penarikan subset yang relevan dari aliran data yang mengalir ke, misalnya, Hadoop. Data tersebut kemudian dipindahkan ke partisi terpisah dalam sistem sehingga dapat dianalisis tanpa mempengaruhi kumpulan data secara keseluruhan.

Setelah data yang diperlukan tersedia, langkah selanjutnya adalah menemukan dan memperbaiki masalah kualitas data yang dapat memengaruhi keakuratan aplikasi analitik. Itu termasuk menjalankan tugas pembuatan profil data dan pembersihan data untuk memastikan informasi dalam kumpulan data konsisten dan bahwa kesalahan dan entri duplikat dihilangkan. Pekerjaan persiapan data tambahan dilakukan untuk memanipulasi dan mengatur data untuk penggunaan analitik yang direncanakan. Kebijakan tata kelola data kemudian diterapkan untuk memastikan bahwa data mengikuti standar perusahaan dan digunakan dengan benar.

Dari sini, seorang ilmuwan data membangun model analitik, menggunakan alat pemodelan prediktif atau perangkat lunak analitik lain dan bahasa pemrograman seperti Python, Scala, R, dan SQL. Biasanya, model awalnya dijalankan terhadap kumpulan data parsial untuk menguji keakuratannya; itu kemudian direvisi dan diuji lagi sesuai kebutuhan. Proses ini dikenal sebagai “melatih” model hingga berfungsi sebagaimana mestinya. Terakhir, model dijalankan dalam mode produksi terhadap kumpulan data lengkap, sesuatu yang dapat dilakukan sekali untuk memenuhi kebutuhan informasi tertentu atau secara berkelanjutan saat data diperbarui.

Dalam beberapa kasus, aplikasi analitik dapat diatur untuk memicu tindakan bisnis secara otomatis. Contohnya adalah perdagangan saham oleh perusahaan jasa keuangan. Jika tidak, langkah terakhir dalam proses analitik data adalah mengkomunikasikan hasil yang dihasilkan oleh model analitik kepada eksekutif bisnis dan pengguna akhir lainnya. Bagan dan infografis lainnya dapat dirancang untuk membuat temuan lebih mudah dipahami. Visualisasi data sering digabungkan ke dalam aplikasi dasbor BI yang menampilkan data pada satu layar dan dapat diperbarui secara real time saat informasi baru tersedia. Seiring berkembangnya otomatisasi, ilmuwan data akan lebih fokus pada kebutuhan bisnis, pengawasan strategis, dan pembelajaran mendalam. Analis data yang bekerja di intelijen bisnis akan lebih fokus pada pembuatan model dan tugas rutin lainnya. Secara umum, ilmuwan data memusatkan upaya untuk menghasilkan wawasan yang luas, sementara analis data fokus untuk menjawab pertanyaan spesifik. Dalam hal keterampilan teknis, data scientist di masa mendatang perlu lebih fokus pada proses operasi pembelajaran mesin, yang juga disebut MLOps.

Analisis, mengacu pada membagi keseluruhan menjadi komponen-komponen yang terpisah untuk pemeriksaan individu.   Analisis data, adalah proses untuk memperoleh data mentah, dan selanjutnya mengubahnya menjadi informasi yang berguna untuk pengambilan keputusan oleh pengguna.   Data, dikumpulkan dan dianalisis untuk menjawab pertanyaan, menguji hipotesis, atau menyangkal teori.

Ahli statistik John Tukey, mendefinisikan analisis data pada tahun 1961, sebagai: “Prosedur untuk menganalisis data, teknik untuk menafsirkan hasil dari prosedur tersebut, cara merencanakan pengumpulan data untuk membuat analisisnya lebih mudah, lebih tepat atau lebih akurat, dan semua mesin dan hasil statistik (matematis) yang berlaku untuk menganalisis data.”

Ada beberapa fase yang dapat dibedakan, dijelaskan di bawah ini. Fase-fase tersebut berulang, di mana umpan balik dari fase selanjutnya dapat menghasilkan pekerjaan tambahan di fase sebelumnya.  Kerangka kerja CRISP, yang digunakan dalam penambangan data, memiliki langkah serupa.

Persyaratan data

Data diperlukan sebagai masukan untuk analisis, yang ditentukan berdasarkan kebutuhan mereka yang mengarahkan analisis atau pelanggan (yang akan menggunakan produk akhir analisis).  Jenis umum entitas di mana data akan dikumpulkan disebut sebagai unit eksperimen (misalnya, orang atau populasi orang). Variabel khusus mengenai populasi (misalnya, usia dan pendapatan) dapat ditentukan dan diperoleh. Data mungkin numerik atau kategorikal (yaitu, label teks untuk angka).

Pengumpulan data

Data dikumpulkan dari berbagai sumber. Persyaratan dapat dikomunikasikan oleh analis kepada penjaga data; seperti, personel Teknologi Informasi dalam suatu organisasi.  Data juga dapat dikumpulkan dari sensor di lingkungan, termasuk kamera lalu lintas, satelit, alat perekam, dll. Data juga dapat diperoleh melalui wawancara, unduhan dari sumber online, atau membaca dokumentasi.

Pengolahan data

Fase siklus kecerdasan yang digunakan untuk mengubah informasi mentah menjadi kecerdasan atau pengetahuan yang dapat ditindaklanjuti secara konseptual mirip dengan fase dalam analisis data. Data, ketika awalnya diperoleh, harus diproses atau diatur untuk analisis.  Misalnya, ini mungkin melibatkan penempatan data ke dalam baris dan kolom dalam format tabel (dikenal sebagai data terstruktur) untuk analisis lebih lanjut, seringkali melalui penggunaan spreadsheet atau perangkat lunak statistik.

Pembersihan data

Setelah diproses dan diatur, data mungkin tidak lengkap, berisi duplikat, atau berisi kesalahan. Kebutuhan akan pembersihan data akan muncul dari masalah dalam cara memasukkan dan menyimpan datum. Pembersihan data adalah proses mencegah dan memperbaiki kesalahan ini. Tugas umum meliputi pencocokan catatan, mengidentifikasi ketidakakuratan data, kualitas keseluruhan data yang ada, deduplikasi, dan segmentasi kolom.  Masalah data tersebut juga dapat diidentifikasi melalui berbagai teknik analisis. Sebagai contoh; dengan informasi keuangan, total untuk variabel tertentu dapat dibandingkan dengan angka yang diterbitkan secara terpisah yang diyakini dapat diandalkan.  Jumlah yang tidak biasa, di atas atau di bawah ambang batas yang telah ditentukan, juga dapat ditinjau. Ada beberapa jenis pembersihan data, yang bergantung pada jenis data dalam himpunan; ini bisa berupa nomor telepon, alamat email, perusahaan, atau nilai lainnya. Metode data kuantitatif untuk deteksi outlier, dapat digunakan untuk membuang data yang tampaknya memiliki kemungkinan lebih besar untuk dimasukkan secara tidak benar.  Pemeriksa ejaan data tekstual dapat digunakan untuk mengurangi jumlah kata yang salah ketik. Namun, lebih sulit untuk mengetahui apakah kata-kata itu sendiri benar.

Analisis data Eksplorasi

Setelah dataset dibersihkan, mereka kemudian dapat dianalisis. Analis dapat menerapkan berbagai teknik, disebut sebagai analisis data eksplorasi, untuk mulai memahami pesan yang terkandung dalam data yang diperoleh. Proses eksplorasi data dapat mengakibatkan pembersihan data tambahan atau permintaan data tambahan; dengan demikian, inisialisasi fase iteratif yang disebutkan dalam paragraf utama bagian ini.  Statistik deskriptif, seperti rata-rata atau median, dapat dibuat untuk membantu memahami data.   Visualisasi data juga merupakan teknik yang digunakan, di mana analis dapat memeriksa data dalam format grafik untuk mendapatkan wawasan tambahan, terkait pesan di dalam data.

Pemodelan dan algoritma

Rumus atau model matematika (juga dikenal sebagai algoritma), dapat diterapkan pada data untuk mengidentifikasi hubungan antar variabel; misalnya, menggunakan korelasi atau sebab akibat.  Secara umum, model dapat dikembangkan untuk mengevaluasi variabel tertentu berdasarkan variabel lain yang terkandung dalam kumpulan data, dengan beberapa kesalahan residual tergantung pada akurasi model yang diterapkan (misalnya, Data = Model + Error).

Statistik inferensial, termasuk penggunaan teknik yang mengukur hubungan antara variabel tertentu.  Misalnya, analisis regresi dapat digunakan untuk memodelkan apakah perubahan iklan (variabel independen X), memberikan penjelasan untuk variasi penjualan (variabel dependen Y). Dalam istilah matematika, Y (penjualan) adalah fungsi dari X (periklanan).  Ini dapat dijelaskan sebagai (Y = aX + b + error), di mana model dirancang sedemikian rupa sehingga (a) dan (b) meminimalkan error ketika model memprediksi Y untuk rentang nilai X tertentu.  Analis juga dapat mencoba membangun model yang bersifat deskriptif tentang data, dengan tujuan untuk menyederhanakan analisis dan mengkomunikasikan hasil.

Produk data

Produk data adalah aplikasi komputer yang mengambil input data dan menghasilkan output, mengumpankannya kembali ke lingkungan.  Ini mungkin didasarkan pada model atau algoritma. Misalnya, aplikasi yang menganalisis data tentang riwayat pembelian pelanggan, dan menggunakan hasilnya untuk merekomendasikan pembelian lain yang mungkin disukai pelanggan.

Komunikasi

a. Visualisasi Data dan Informasi Visualisasi data digunakan untuk membantu memahami hasil setelah data dianalisis. Setelah data dianalisis, dapat dilaporkan dalam banyak format kepada pengguna analisis untuk mendukung kebutuhan mereka.  Pengguna mungkin memiliki umpan balik, yang menghasilkan analisis tambahan. Dengan demikian, sebagian besar siklus analitik bersifat iteratif.

Saat menentukan cara mengkomunikasikan hasil, analis dapat mempertimbangkan penerapan berbagai teknik visualisasi data untuk membantu mengkomunikasikan pesan dengan lebih jelas dan efisien kepada audiens. Visualisasi data menggunakan tampilan informasi (grafik seperti tabel dan bagan) untuk membantu mengkomunikasikan pesan utama yang terkandung dalam data.  Tabel adalah alat yang berharga dengan mengaktifkan kemampuan pengguna untuk melakukan kueri dan fokus pada angka tertentu; sementara bagan (misalnya, bagan batang atau bagan garis), dapat membantu menjelaskan pesan kuantitatif yang terkandung dalam data.

b. Pesan kuantitatif

Rangkaian waktu yang diilustrasikan dengan bagan garis yang menunjukkan tren pengeluaran dan pendapatan federal AS dari waktu ke waktu.  Sebuah scatterplot yang menggambarkan korelasi antara dua variabel (inflasi dan pengangguran) yang diukur pada titik waktu tertentu. Beberapa dijelaskan delapan jenis pesan kuantitatif yang pengguna mungkin mencoba untuk memahami atau berkomunikasi dari satu set data dan grafik yang terkait digunakan untuk membantu mengkomunikasikan pesan tersebut. Pelanggan yang menentukan persyaratan dan analis yang melakukan analisis data dapat mempertimbangkan pesan-pesan ini selama proses berlangsung.

Time-series: Satu variabel ditangkap selama periode waktu tertentu, seperti tingkat pengangguran selama periode 10 tahun. Diagram garis dapat digunakan untuk menunjukkan tren.

Pemeringkatan: Subdivisi kategorikal diberi peringkat dalam urutan menaik atau menurun, seperti peringkat kinerja penjualan (ukuran) oleh wiraniaga (kategori, dengan masing-masing wiraniaga merupakan subdivisi kategoris) selama satu periode. Bagan batang dapat digunakan untuk menunjukkan perbandingan seluruh tenaga penjual.

Bagian-ke-keseluruhan: Subdivisi kategoris diukur sebagai rasio terhadap keseluruhan (yaitu, persentase dari 100%). Bagan pai atau bagan batang dapat menunjukkan perbandingan rasio, seperti pangsa pasar yang diwakili oleh pesaing di pasar.

Penyimpangan: Subdivisi kategori dibandingkan dengan referensi, seperti perbandingan biaya aktual vs. anggaran untuk beberapa departemen bisnis untuk jangka waktu tertentu. Bagan batang dapat menunjukkan perbandingan jumlah aktual versus jumlah referensi.

Distribusi frekuensi: Menunjukkan jumlah pengamatan variabel tertentu untuk interval tertentu, seperti jumlah tahun di mana pengembalian pasar saham berada di antara interval seperti 0–10%, 11–20%, dll.  Histogram, a jenis diagram batang, dapat digunakan untuk analisis ini.

Korelasi: Perbandingan antara pengamatan yang diwakili oleh dua variabel (X,Y) untuk menentukan apakah mereka cenderung bergerak ke arah yang sama atau berlawanan. Misalnya, memplot pengangguran (X) dan inflasi (Y) untuk sampel bulan. Plot pencar biasanya digunakan untuk pesan ini.

Perbandingan nominal: Membandingkan subdivisi kategori tanpa urutan tertentu, seperti volume penjualan berdasarkan kode produk. Bagan batang dapat digunakan untuk perbandingan ini.Geografis atau geospasial: Perbandingan variabel di seluruh peta atau tata letak, seperti tingkat pengangguran menurut negara bagian atau jumlah orang di berbagai lantai gedung. Kartogram adalah grafik umum yang digunakan.

Kegunaan Data Analytics

Kegunaan data analytics di era saat ini dirasa sangat penting. Tak heran kalau kini banyak perusahaan baik yang beskala kecil maupun yang berskala besar memilih untuk menggunakan software analytic Indonesia untuk menganalisa data yang dimilikinya. Data analytics memungkinkan pelanggan untuk mengurangi kemungkinan-kemungkinan kecurangan yang dilakukan oleh pihak yang tidak bertanggung jawab. Selain itu, perusahaan pun bisa lebih mudah dalam mengambil keputusan di dalam bisnis yang dijalankannya berkat adanya perangkat lunak yang tepat dalam mengalisa data-data di perusahaan tersebut. 

Berikut ini berbagai kegunaan data analytics bagi sebuah perusahan:

·       Mempermudah Perhitungan Statistik 

      Data statistika merupakan salah satu data yang sangat penting bagi sebuah perusahaan. Setiap hari, para karyawan harus mengolah data-data tersebut untuk digunakan dalam menunjang bisnis yang dijalankannya. Pekerjaan para karyawan dalam menghitung ataupun menganalisa data-data tersebut akan semakin mudah berkat adanya data analytics. 

·       Menjadikan Waktu Perhitungan Semakin Efisien 

      Jika sebelumnya para karyawan harus berlama-lama dalam mengerjakan perhitungan dan analisa data karena masih menggunakan cara manual, maka kini hal tersebut tidak akan terjadi lagi.  Sebab, kini telah hadir data analytics yang mampu menjadikan waktu untuk menganalisa data-data, terutama yang berkaitan dengan data statistika lebih efisien. 

      Waktu perhitungan yang semakin efisien juga dirasa mampu meningkatkan kinerja dari para karyawan karena mereka tak akan berkutat pada satu pekerjaan saja sehingga dapat melakukan lebih banyak pekerjaan. Saat kinerja para karyawan semakin meningkat, maka kinerja perusahan pun akan ikut meningkat.

·       Memberikan Solusi untuk Kepentingan Bisnis 

      Data analytics juga berperan penting dalam membantu perusahaan dalam mencari solusi bagi kepentingan bisnisnya. Solusi-solusi yang didapatkan berasal dari hasil perhitungan data statistik yang telah dianalisa sebelumnya. Dengan begitu, perusahaan akan lebih mudah dalam mengambil keputusan-keputusan yang dapat digunakan untuk menunjang kepentingan perusahaan tersebut. 

·       Hasil Perhitungan yang Akurat dan Reliabel

      Penggunaan data analytics menjadikan hasil perhitungan data stastika menjadi lebih akurat dan reliabel atau dapat dipercaya. Adanya data statistics dirasa sangat menguntungkan bagi perusahaan karena dapat mengurangi risiko kesalahan dalam proses analisa data statistika. 

·       Dapat Membantu Riset Pasar dari Sebuah Bisnis

      Perusahaan harus melakukan riset pasar untuk kelancaran bisnis yang dijalankan. Dengan adanya riset pasar, perusahaan akan mengetahui keingingan dan kemampuan pasar dalam merespon produk dari perusahan tersebut. Untuk memudahkan proses riset pasar, perusahaan harus mulai menerapkan teknologi yang tepat. Karena itulah, kini banyak perusahaan menerapkan data analytics untuk memudahkan proses riset pasarnya. 

Aktivitas analitis pengguna data

Pengguna mungkin memiliki tempat menarik data tertentu dalam kumpulan data, berbeda dengan perpesanan umum yang diuraikan di atas. Aktivitas analitik pengguna tingkat rendah tersebut disajikan dalam tabel berikut. Taksonomi juga dapat diatur oleh tiga kutub kegiatan: mengambil nilai, menemukan titik data, dan mengatur titik data (Robert et al. (2005), William (1994) dan Mary (2002)).

#	Tugas	Gambaran Umum	Pro Forma Abstract	Contoh
1	Retrieve Value	Diberikan serangkaian kasus tertentu, temukan atribut dari kasus tersebut.	Berapa nilai atribut {X, Y, Z, …} dalam kasus data {A, B, C, …}?	– Berapa jarak tempuh per galon Ford Mondeo? – Berapa lama film Gone with the Wind?
2	Filter	Diberikan beberapa kondisi konkret pada nilai atribut, temukan kasus data yang memenuhi kondisi tersebut.	Kasus data mana yang memenuhi syarat {A, B, C…}?	– Apa sereal Kellogg’s yang memiliki serat tinggi? – Komedi apa yang memenangkan penghargaan? – Dana mana yang kinerjanya di bawah SP-500?
3	Compute Derived Value	Diberikan satu kumulan kasus data, hitung representasi numerik agregat dari kasus data tersebut.	Berapa nilai fungsi agregasi F atas himpunan S kasus data yang diberikan?	– Berapa kandungan kalori rata-rata sereal Post? – Berapa pendapatan kotor dari gabungan semua toko? – Ada berapa produsen mobil?
4	Find Extremum	Temukan kasus data yang memiliki nilai ekstrim dari atribut di atas rentangnya dalam kumpulan data.	Apa kasus data N atas/bawah sehubungan dengan atribut A?	– Apa mobil dengan MPG tertinggi? – Sutradara/film apa yang paling banyak memenangkan penghargaan? – Film Marvel Studios apa yang memiliki tanggal rilis terbaru?
5	Sort	Diberikan satu himpunan kasus data, beri peringkat menurut beberapa metrik ordinal.	Apa urutan terurut dari himpunan S kasus data menurut nilai atribut A?	– Pesan mobil menurut beratnya. – Beri peringkat sereal berdasarkan kalori.
6	Determine Range	Diberikan satu set kasus data dan atribut yang menarik, temukan rentang nilai dalam set tersebut.	Berapa kisaran nilai atribut A dalam himpunan S kasus data?	– Berapa kisaran panjang film? – Berapa kisaran tenaga kuda mobil? – Aktris apa yang ada di kumpulan data?
7	Characterize Distribution	Diberikan sekumpulan kasus data dan atribut kuantitatif yang diminati, cirikan distribusi nilai atribut tersebut di atas himpunan tersebut.	Bagaimana distribusi nilai atribut A dalam himpunan S kasus data?	– Bagaimana distribusi karbohidrat dalam sereal? – Bagaimana distribusi usia pembeli?
8	Find Anomalies	Identifikasi setiap anomali dalam kumpulan kasus data tertentu sehubungan dengan hubungan atau ekspektasi tertentu, mis. outlier statistik.	Kasus data mana dalam satu himpunan kasus data S yang memiliki nilai tak terduga/luar biasa?	– Apakah ada pengecualian untuk hubungan antara tenaga kuda dan akselerasi? – Apakah ada outlier dalam protein?
9	Cluster	Diberikan satu himpunan kasus data, temukan cluster dengan nilai atribut yang serupa.	Kasus data mana dalam satu himpunan kasus data S yang serupa nilainya untuk atribut {X, Y, Z, …}?	– Apakah ada kelompok sereal dengan lemak/kalori/gula serupa? – Apakah ada sekelompok panjang film yang khas?
10	Correlate	Diberikan satu himpunan kasus data dan dua atribut, tentukan hubungan yang bermanfaat antara nilai atribut tersebut.	Apa korelasi antara atribut X dan Y atas himpunan kasus data S yang diberikan?	– Apakah ada korelasi antara karbohidrat dan lemak? – Apakah ada korelasi antara negara asal dan MPG? – Apakah jenis kelamin yang berbeda memiliki metode pembayaran pilihan? – Apakah ada kecenderungan peningkatan durasi film dari tahun ke tahun?
11	Contextualization (Yavari et al. 2017)	Diberikan sekumpulan kasus data, temukan relevansi kontekstual dari data tersebut kepada pengguna.	Kasus data mana dalam kumpulan kasus data S yang relevan dengan konteks pengguna saat ini?	– Apakah ada kelompok restoran yang memiliki makanan berdasarkan asupan kalori saya saat ini?

Hambatan untuk Analisis yang Efektif

Hambatan untuk analisis yang efektif mungkin ada di antara analis yang melakukan analisis data atau di antara audiens. Membedakan fakta dari opini, bias kognitif, dan perhitungan merupakan tantangan untuk analisis data yang baik.

Fakta dan opini yang membingungkan

Anda berhak atas pendapat Anda sendiri, tetapi Anda tidak berhak atas fakta Anda sendiri (Daniel Patrick Moynihan). Analisis yang efektif memerlukan fakta yang relevan untuk menjawab pertanyaan, mendukung kesimpulan atau opini formal, atau menguji hipotesis. Fakta menurut definisi tidak dapat disangkal, artinya bahwa setiap orang yang terlibat dalam analisis harus dapat menyepakatinya. Misalnya, pada bulan Agustus 2010, Kantor Anggaran Kongres (CBO) memperkirakan bahwa perpanjangan pemotongan pajak Bush tahun 2001 dan 2003 untuk periode waktu 2011-2020 akan menambah sekitar $3,3 triliun utang nasional.  Setiap orang harus bisa setuju bahwa memang inilah yang dilaporkan CBO; mereka semua dapat memeriksa laporan tersebut. Ini membuatnya menjadi fakta. Apakah orang setuju atau tidak setuju dengan CBO adalah pendapat mereka sendiri.

Sebagai contoh lain, auditor perusahaan publik harus sampai pada opini formal tentang apakah laporan keuangan perusahaan publik “dinyatakan secara wajar, dalam semua hal yang material”.  Ini membutuhkan analisis ekstensif atas data faktual dan bukti untuk mendukung pendapat mereka. Saat melakukan lompatan dari fakta ke opini, selalu ada kemungkinan bahwa opini tersebut salah.

Bias kognitif

Ada berbagai bias kognitif yang dapat mempengaruhi analisis. Misalnya, bias konfirmasi adalah kecenderungan untuk mencari atau menginterpretasikan informasi dengan cara yang menegaskan prasangka seseorang. Selain itu, individu dapat mendiskreditkan informasi yang tidak mendukung pandangan mereka.

Analis mungkin dilatih secara khusus untuk menyadari bias ini dan cara mengatasinya. Dalam bukunya Psychology of Intelligence Analysis, pensiunan analis CIA Richards Heuer menulis bahwa analis harus dengan jelas menggambarkan asumsi dan rantai kesimpulan mereka dan menentukan tingkat dan sumber ketidakpastian yang terlibat dalam kesimpulan.  Dia menekankan prosedur untuk membantu memunculkan dan memperdebatkan sudut pandang alternatif.

tak terhitung

Analis yang efektif umumnya mahir dengan berbagai teknik numerik. Namun, audiens mungkin tidak memiliki literasi seperti itu dengan angka atau berhitung; mereka dikatakan tak terhitung. Orang yang mengomunikasikan data mungkin juga berusaha untuk menyesatkan atau memberikan informasi yang salah, dengan sengaja menggunakan teknik numerik yang buruk.  Misalnya, apakah suatu angka naik atau turun mungkin bukan faktor kuncinya. Yang lebih penting mungkin adalah angka relatif terhadap angka lain, seperti ukuran pendapatan pemerintah atau pengeluaran relatif terhadap ukuran ekonomi (PDB) atau jumlah biaya relatif terhadap pendapatan dalam laporan keuangan perusahaan. Teknik numerik ini disebut sebagai normalisasi  atau common-sizing. Ada banyak teknik yang digunakan oleh analis, apakah menyesuaikan inflasi (yaitu, membandingkan data riil vs. nominal) atau mempertimbangkan peningkatan populasi, demografi, dll.  Analis menerapkan berbagai teknik untuk mengatasi berbagai pesan kuantitatif yang dijelaskan pada bagian di atas.

Analis juga dapat menganalisis data berdasarkan asumsi atau skenario yang berbeda. Misalnya, ketika analis melakukan analisis laporan keuangan, mereka akan sering menyusun kembali laporan keuangan di bawah asumsi yang berbeda untuk membantu sampai pada perkiraan arus kas masa depan, yang kemudian mereka diskonto ke nilai sekarang berdasarkan beberapa suku bunga, untuk menentukan penilaian aset. perusahaan atau sahamnya.  Demikian pula, CBO menganalisis pengaruh berbagai opsi kebijakan terhadap pendapatan, pengeluaran, dan defisit pemerintah, menciptakan skenario masa depan alternatif untuk langkah-langkah utama.

Referensi

Adèr, H.J. & Mellenbergh, G.J. (with contributions by D.J. Hand) (2008). Advising on Research Methods: A Consultant’s Companion. Huizen, the Netherlands: Johannes van Kessel Publishing.

Chambers, John M.; Cleveland, William S.; Kleiner, Beat; Tukey, Paul A. (1983). Graphical Methods for Data Analysis, Wadsworth/Duxbury Press. ISBN 0-534-98052-X

Fandango, Armando (2008). Python Data Analysis, 2nd Edition. Packt Publishers.

Field, John (2009), Dividing listening into its components”, Listening in the Language Classroom, Cambridge: Cambridge University Press, hlm. 96–109, doi:10.1017/cbo9780511575945.008, ISBN 978-0-511-57594-5, diakses tanggal 2021-05-29

Grandjean, Martin (2014). “La connaissance est un réseau” (PDF). Les Cahiers du Numérique. 10 (3): 37–54. doi:10.3166/lcn.10.3.37-54.

Juran, Joseph M.; Godfrey, A. Blanton (1999). Juran’s Quality Handbook, 5th Edition. New York: McGraw Hill. ISBN 0-07-034003-X

Lewis-Beck, Michael S. (1995). Data Analysis: an Introduction, Sage Publications Inc, ISBN 0-8039-5772-6

Mary Shaw (2002) “What Makes Good Research in Software Engineering?”

Robert Amar, James Eagan, and John Stasko (2005) “Low-Level Components of Analytic Activity in Information Visualization” 

William Newman (1994) “A Preliminary Analysis of the Products of HCI Research, Using Pro Forma Abstracts”

Xia, B. S., & Gong, P. (2015). Review of business intelligence through data analysis. Benchmarking, 21(2), 300-311. doi:10.1108/BIJ-08-2012-0050

Yavari, Ali; Jayaraman, Prem Prakash; Georgakopoulos, Dimitrios; Nepal, Surya (2017). ConTaaS: An Approach to Internet-Scale Contextualisation for Developing Efficient Internet of Things Applications. ScholarSpace. Proceedings of the 50th Hawaii International Conference on System Sciences (2017).                 HICSS50. doi:10.24251/HICSS.2017.715.