First Step in Data Analysis

Saat ini sudah bukan zamannya lagi kita banyak alasan bahwa kita tidak bisa melakukan analisa data karena TIDAK PUNYA DATA, sebaliknya kita malah sekarang masuk ke tahap BINGUNG karena TERLALU BANYAK data yang kita miliki. Konsekuensi yang sering kita temui adalah “apakah kita menggunakan data yang benar untuk mendukung pengambilan keputusan kita?

Empat hal yang perlu anda perhatikan saat memulai analisa data adalah:

  • Tanyakan pertanyaan yang TEPAT
  • Temukan data yang TEPAT untuk menjawab pertanyaan
  • Gunakan tools dan software analisa yang TEPAT untuk mengekstrak informasi dari data
  • Gunakan pengetahuan terkait anda untuk mempertajam kesimpulan

 

 

RFM modelling,  know your customer 

Untuk perusahaan manapun customer,  pelanggan atau nasabah adalah bagian terpenting dari perusahaan. Tidak perlu analisa tingkat tinggi untuk mengetahui bahwa customer yang loyal memberikan keuntungan yang paling tinggi. Lebih-lebih lagi customer yang loyal memberikan value atau nilai bagi perusahaan.

Bagaimana caranya membedakan customer yang loyal dan tidak?  Cara yang paling umum digunakan adalah dengan mengukur seberapa besar profit yang dihasilkan per customer nya. Jika anda punya data ini maka anda sudah memiliki cukup modal untuk analisa segmentasi. Menurut pengalaman saya, bagian yang paling susah adalah mendapatkan data yang sesuai keinginan dan sesuai dengan kebutuhan. Bagian analisa nya sendiri tinggal mengikuti tutorial di artikel. 

So,  back to the business. Jika hanya menggunakan komponen keuangan/ monetary maka value dr informasi yang kita dapatkan hanyalah terbatas pada uang yg dihasilkan. Kita kehilangan informasi mengenai apakah customer tsb melakukan transaksi sekali dalam jumlah besar atau berkali-kali namun dalam jumlah kecil. Nah disinilah kita membutuhkan berapa kali frekuensi transaksi dalam periode tertentu dilakukan. Satu hal lagi yang perlu kita tambahkan adalah mengenai kapan terakhir kali mereka bertransaksi untuk mengetahui apakah customer kita masih terus menggunakan produk atau layanan yang kita miliki. 

Analisa ini cukuplah mudah untuk dikerjakan dan juga cukup mudah untuk diterjemahkan sehingga unit terkait dapat segera mengambil keputusan terkait program marketing atau promosi lainnya. Dengan menambahkan informasi dari model RFM ini perusahaan sudah menggunakan konsep analitik paling dasar dalam pengambilan keputusan customer nya. Langkah pertama ini sangat penting menjadi bagian dari budaya perusahaan, seiring dengan perkembangan bisnis. Kebutuhan analisis yang lebih tinggi otomatis akan semakin dibutuhkan, namun dengan mematangkan konsep dasar ini akan menjadi fondasi yang kuat untuk kedepannya. 

Fun Fact Factory

Sebagai seorang quant (orang yg bekerja denhan angka) kerjaan rutin saya adalah membuat sebuah analisa,  laporan,  dashboard  insight..  Dan teman sepermainannya. Intinya menghasilkan informasi bagi para pengambil keputusan aka decission maker. Well… Intinya mereka bertanya.. Terserah Kamilah bagaimanalah caranya menjawab, yang pasti adalah DEADline nya… Setelah tak terhitung request informasi yg masuk saya melihat beberapa pola yg muncul dr para bos ini. Mereka sangat suka data…  Tapiii tidak semua pertanyaan yg disampaikan berguna utk bisnis. Cuma pengen tahu saja kira2. Jadilah tim report ini menjadi pabrik permen informasi, enak dilidah tapi gak mengenyangkan. 

Dari sekian banyak informasi yang diminta (seringkali berulang)  selalu ada informasi2 yang cukup berharga… Informasi ini jika sampai ditangan yang tepat maka akan menjadi senjata ampuh untuk memajukan bisnis. Rekan2 programmer saya sih udah gak akan sempat mikirin yanag kayak gini, jadilah ex data analis yang jadi project manager ini menjadi pengumpul remah2 ini. Hal yg ditanyakan berulang dibuatkan otomasinya…  Kirim via email..  Schedule kan! Cara yang lain adalah bikinin dashboardnya…  Modal dikit belilah semacam tableau, datazen atau bikin sendiri pake goohle chart klo mau gratisan. Percaya deh…  Anda akan membuat atasan anda senyum2 sendiri dan anda masih ounya waktu buat sekedar baca2 buku yg mungkin udah dari setahun lalu gak tersentuh. 

Ability to see pattern in randomness

life_is_random

Dulu sekali, disalah satu stasiun televisi swasta menayangkan sebuah acara dimana beberapa orang ‘sakti’berkumpul untuk menangkap hantu. Kami yang saat itu masih anak-anak sangat menggandrungi acara ini, apalagi saat salah seorang dari pemburu tersebut membuat lukisan dengan mata tertutup, lalu muncullah gambar makhluk-makhluk aneh dengan ajaibnya.

Beda halnya dengan salah satu karakter novel kesukaan saya Sherlock Holmes, berkali-kali membaca dan menonton film dan serialnya selalu membuat saya berdecak kagum. Kemampuannya dalam memecahkan kasus-kasus kriminal membuat pembaca tenggelam dalam alur cerita yang dituliskan oleh Sir Arthur Conan Doyle.

Lalau apa hubungannya antara pemburu hantu dan Sherlock Holmes? Keduanya memiliki sebuah kesamaan yakni kemampuan melihat sesuatu yang tidak bisa dilihat oleh orang kebanyakan. Walau dalam kasus pemburu hantu saya juga masih ragu apa itu rekayasa atau bukan, tapi ya sudahlah anggap saja mereka bisa lihat.period. Kemampuan ini yang membuat mereka special dan berbeda dengan orang lain yang akhirnya membuat mereka terkenal dan dibayar mahal.

Menurut saya apa yang kita lakukan dalam menganalisa data adalah mencoba melihat pola-pola yang tidak terlihat dari sekumpulan data atau kejadian yang seakan-akan acak dan chaos. Dalam era social media ini, perusahaan selalu mencoba untuk lebih baik dari perusahaan lain dengan berbagai cara, salah satu nya adalah membuat produk yang berbeda dan lebih baik dari pesaingnya. Semakin banyak kita tahu tentang informasi lebih dari pesaing kita, maka semakin besar peluang kita menang.

Di zaman dimana semua aktifitas kita terekam lewat sebuah alat yang bernama smartphone ini, maka tidak ada lagi batasan antara kita dengan perusahaan penghasil produk. Tergantung apakah mereka mampu menemukan pola/pattern yang kita hasilkan. Dapatkah mereka memberikan sebuah penawaran/solusi/produk/jasa yang sesuai dengan kebutuhan kita.

Pertanyaan untuk kita adalah apakah anda mampu melihat pola yang teratur dalam sebuah kejadian acak?

Reporting with No Ending

​Saat ini adalah zaman reporting. Betapa tidak hampir semua pekerjaan di semua perusahaan mewajibkan karyawannya utk membuat lawan laporan yang kemudian akan dibaca oleh atasannya.  Atasannya akanmembuat juga laporan berdasarkan laporan bawahan utk atasannya lagi..  Begitu seterusnya sampai diatas mereka hanya bisa melapor kepada Tuhan. 

Dalam membuat laporan,  komponen yang tdk terpisahkan adalah data dan informasi. Baik data yg sdh tersedia di database atau data yg anda kumpulkan di lapangan. 

Utk staff yang memang tugasnya membuat laporan bagian pekerjaan yg paling membuat stress bukanlah banyaknya laporan melainkan laporan yang berubah ubah formatnya. Seakan2 informasi yang baru sejam yg lalu dibuat telah masuk waktu expired. Blm lagi kalau laporan yang dibuat membutuhkan data yg tdk tersedia di sistem. Alamak! Berasa ingin lompat dr jendela kantor. Sayangnya langsung nyebur neraka.. Huff. 

Akhir2 ini saya sudah mulai bisa membuat sebuah sistem pelaporan yang cukup membuat pinggang saya bisa bersandar lega…  Ingat yabg dibuat itu sistem nya..  Bukan hanya laporan aja. Penambahan data atau sekedar update tanggal tidak lagi bikin sakit kepala. Bagi yang masih sakit kepala monggo dikomen 🙂 

Company Journey to analytics

big-data-analytics-framework

Gembar gembor big data dan data science mulai membuat ruang diskusi yg bertema komputer,  data dan statistik menjadi lumayan gaduh. Vendor pun dengan manisnya merayu perusahaan2 yang haus growth dengan janji manis bahwa produk mereka akan membuat perusahaan anda menjadi yang paling maju diantara perusahaan lain. Dengan gelontoran miliaran rupiah akan men-generate profit triliun an.

In fact thats too much! Pada kenyataannya apa yg kita butuhkan sebenarnya ada disekitar kita. Data,  tools,  dan talented people hamoir semuanya tersedia di organisasi anda. Apakah anda cukup pintar utk menemukan mereka? Pada dasarnya yang paling diperlukan adalah orang yang mau bersusah payah mencoba dalam keterbatasan yg dimiliki. Jika anda memiliki tim seperti itu maka anda akan dimanjakan dengan output super cepat saat mereka diberikan mainan yg lebih canggih. Tambahkan kedalam ramuan itu seorang leader yg mengerti sedikit teknis dan cakap dalam komunikasi maka saya jamin perusahaan anda berada di jalur kesuksesan.

Analisa data serahkan (belajar) pada ahlinya

find-mentor-moltz-open-forum-432

Bagi kalian yang menyusun tugas akhir dengan menggunakan pendekatan kuantitatif, maka tahap yang paling melelahkan adalah pemilihan metode penelitian dan tahap pengolahan data. Mengapa kedua tahap ini adalah tahap paling melelahkan dan paling memakan waktu? Jawaban yang paling sering saya temui adalah karena sang peneliti tidak familiar dengan istilah-istilah dan pendekatan kuantitatif/statistika.

Mereka yang merupakan lulusan statistika saja masih banyak yang kesusahaan dengan istilah-istilah statistika dan masih harus merujuk pada literatur-literatur yang ada. Namun demikian, bagaikan sebuah peta, untuk anda yang bukan dari jurusan statistika anda seakan masuk ke daerah yang sangat asing dan peta yang anda pegang adalah peta buta. Anda juga tidak pernah tahu bagaimana membaca peta. Lengkap sudah!

Oleh karena itu anda membutuhkan bantuan dari orang-orang yang sudah ahli dalam hal pengolahan data, sehingga anda mendapatkan bantuan untuk memilih peta yang sesuai dan mengajarkan anda bagaimana anda membaca peta. Saya rasa akan sangat masuk akal anda menghemat berbulan-bulan hanya untuk mempelajari satu analisis yang hanya dalam waktu 2-3 hari dapat anda kuasai dengan bimbingan mentor yang tepat.

Find your mentor here!

Skripsi Success Story 1: Survey Pelayanan Rumah Sakit 27 June 2016

istock_help

Ini adalah pengalaman awal saya mendampingi klien dalam pengolahan data untuk tugas akhir aka skripsi. Judul yang dia berikan ke saya adalah tentang survey kepuasan sebuah RS di Bogor. Untunglah saat itu survey belum dilaksanakan sehingga saya tidak bisa menyulap design survey saya menjadi cocok-cocokan dengan apa yang telah dia lakukan 😛 (untuk design survey ini bisa lihat tulisan saya di link Alat Penelitian (Research)-Non Probability Sampling Cont’d)

Metode yang saya gunakan adalah mendengar karena sejatinya statistician bukanlah orang yang tahu segalanya. Seperti halnya dokter yang melakukan diagnosa pasien.. Yeah more or less. Setelah melalui sesi konsultasi selama hampir setengah jam, saya mengajukan design survey yang mencakup metode survey, sample frame, perkiraan jumlah responden dan perkiraan analisisnya. Singkat cerita saya menjadi konsultan untuk project ini kira-kira satu buan sampai draft final siap maju untuk sidang skripsi :). We still  a good friends till now :).

Salah satu peran konsultan adalah memberikan gambaran lengkap dari sebuah riset/penelitian dari rencana riset, data yang akan dikumpulkan dan gambaran hasil yang akan didapatkan dari riset. Ingin tahu lebih banyak tentang pengolahan data untuk tugas akhir (skripsi, thesis dan disertasi)? Leave comment below 🙂

Data Monetization: A Road Paved On Top Of Data Sets

Data Scientist Insights

Paving Road Construction Sign Royalty Free Clipart Picture 090626 203307 625048The road to efficient data monetization is paved on top of effective data sets. No single source of data is comprehensive enough to be an all being source of transformational insights. It is only through the fusion of orthogonal data sets (independent subject area) that true insights into those thing we don’t know we don’t know (level three knowledge) can be revealed. While we have access to data of interest (ERPs, IT, etc.), where can we find others sources to aid in the third level knowledge spelunking? 

NewImageWhile data is everywhere, useful data sets are not. A google search on terms like “open data sets” or “data sets in R” reveal thousands of sources. Over the years as a CTO and Data Scientist, I have collected a few hundred myself. In 2011, however, I came across the work of RevoJoe, Revolution Analytics, that more or less got…

View original post 387 more words