Data-Driven Decision-Making Why Not?

Yes, I’ve been years knowing this thing and how making impact in every decision.

Data merupakan “tubuh” penting di era digital, seperti belahan bongkah emas kiloan yang bikin serangkaian proses analisis bisnis sangat terbantukan. Apapun, digunakan dalam hal apa saja data ini bisa menjadi senjata pamungkas pada akhirnya. Semakin majunya teknologi, tidak luput dengan “pengembangbiakan data” yang setiap hari jumlahnya semakin banyak, baik itu data personal, informasi diri, transaksi dan sebagainya.

Berangkat dari terjadinya “pengembangbiakan data” awalnya dulu ada istilahnya data warehouse, kemudian lanjut istilahnya menjadi big data yang saat ini sangat populer di kalangan milenials. Literally itu hanya istilah untuk kerangka kerja arsitektur penyimpanan data saja sebenernya.

Bagaimana data bisa menentukan sebuah keputusan?

Tentu data yang tersebut harus mengikuti serangkaian proses, sangat penting dalam hal ini adalah data tersebut harus melewati proses warehousing sebelum benar-benar di proses, data harus di filter berdasarkan kebutuhan report akhir yang akan di sajikan,

Selanjutnya menentukan skema analisis yang akan diterapkan. Dalam pengembangannya analisis data itu terbagi menjadi tiga jenis diantaranya data analytics descriptive, data analytics predictive, dan data Analytics Prescriptive.

Analisis deskriptif (Descriptive Analytics) adalah proses data analytics untuk mendapatkan gambaran umum dari data yang sudah dikumpulkan. Contoh dari analytcs desckriptif adalah Google Analytics. Pada Google Analytics kita hanya bisa melihat informasi sederhana seperti ada berapa jumlah visitor per satuan waktu, halaman mana saja yang paling sering dikunjungi, dan data seperti itu. Pada analytics sederhana seperti penjumlahan dan rata-rata tanpa machine learning sudah lebih dari cukup.

Analytics deskriptif tidak menampilkan prediksi halaman apa yang akan dikunjungi pengunjung berikutnya atau kenapa seorang pengunjung mengunjungi suatu halaman. Data analytics jenis ini adalah yang paling umum ditemui. Meskipun hanya data sederhana tanpa pengolahan machine learning, data seperti ini sangat diperlukan terutama untuk melakukan benchmarking untuk mengetahui efek dari perubahan yang kita lakukan.

Berikutnya adalah analytics prediktif (Predictive analytics). Analytics predictive adalah data analytics yang memberikan hasil prediksi tentang sesuatu yang akan datang. Contoh dari analytics predictive adalah sistem rekomendasi yang dipakai di situs e-commerce Amazon. Dari data pengunjung dan pembelian, maka bisa diperkirakan barang apa saja yang pengunjung sekiranya tertarik untuk membeli. Pada analytics jenis ini mulai diperlukan timachine learning untuk menafsirkan data yang telah dikumpulkan sehingga tidak bisa langsung melakukan operasi penjumlahan atau rata-rata seperti pada analytics deskriptif.

Analytics prediktif bisa dibilang setingkat lebih tinggi dari analytics deskriptif karena prosesnya lebih kompleks dan rumit. Meskipun demikian analytics deskriptif tetap diperlukan antara lain sebagai benchmark. Dalam kasus sistem rekomendasi adalah untuk menunjukkan bahwa algoritma rekomendasi sudah memberikan hasil maksimal.

Selanjutnya adalah analytics preskriptif (Prescriptive Analytics). Analytics preskriptif adalah proses analytics yang menghasilkan jawaban atas pertanyaan kenapa sesuatu akan terjadi serta memberikan saran terhadap kondisi yang kemungkinan akan terjadi dimasa yang akan datang. Karena kemampuannya inilah analytics preskriptif sangat diperlukan oleh top-level manajemen dalam mengambil keputusan.

Dalam prosesnya cukup sulit untuk membuat sistem yang menggunakan analytics preskriptif mengingat algoritmanya harus benar-benar dapat melihat yang tak terlihat dari hasil dua analytics sebelumnya. Selain itu juga mempertimbangkan semua opsi untuk pengambilan keputusan. Untuk mencapai hal ini machine learning sudah pasti menjadi hal yang mutlak digunakan.

Dari “pengembangbiakan” data tersebut lahirlah profesi-profesi keren, ada yang namanya BI, kepanjangan dari Business Inteligence, Data Analyst, IT Business Analyst, Marketing Analyst, Digital Strategist.

Terdengar keren memang, bagaimana teknologi membawa serangkaian pembaharuan di berbagai lini, sekalipun itu profesi. Sebenarnya profesi tersebut masing-masing sudah ada dari dulu, hanya dimensi dan latar kerjanya yang sekarang mulai harus adaptif menggunakan data sumber buah dari hasil teknologi.

Show CommentsClose Comments

Leave a comment