Memahami Dasar-dasar “Data Science” untuk Bisnis (Part 3)

Pada tulisan seri pertama sudah dijelaskan mengenak dasar teori dan komponen pendukung Data Science. Kemudian dalam seri kedua telah dijelaskan pula konsep Big Data sebagai salah satu keluaran dari ilmu Data Science. Tulisan ketiga ini akan membahas seputar penerapan konsep data driven dalam bisnis, yakni memahami tentang keuntungan bisnis membangun awarenessseputar pengelolaan data serta kiat memanfaatkan data yang ada sehingga menghasilkan insightberharga.

Tujuan utama bisnis adalah pertumbuhan profit, dan untuk mencapai goal tersebut diperlukan berbagai pendekatan baik yang dilakukan dalam lini internal bisnis maupun eksternal. Lalu apa peran Data Science yang dapat dioptimalkan bisnis untuk mencapai tujuan tadi. Misalnya untuk meminimalkan risiko finansial. Sebagai contoh dalam bisnis e-commerce, memanfaatkan representasi data dengan metode Time Series Anomaly Detection dapat dimanfaatkan untuk mendeteksi fraud secara real-time.

Manfaat lain untuk memberikan efisiensi dalam sistem dan proses produksi. Menggunakan beberapa tipe analisis (akan dibahas kemudian), pemangku keputusan bisnis dapat melihat tren data yang ada, kemudian menciptakan sebuah proses yang lebih efisien dan terstruktur. Kemudian manfaat lain dari penerapan Data Science dalam bisnis adalah untuk meningkatkan penjualan, dengan menemukan cara terbaik untuk strategi up-sell dan cross-sell, meningkatkan loyalitas konsumen, hingga mengoptimalkan konversi dari setiap kanal promosi. Dan masih banyak manfaat lainnya.

Tipe analisis data dalam bisnis

Setelah bisnis memiliki awareness akan data –sebut saja sudah mengakomodasi pengelolaan data secara optimal—lalu apa langkah selanjutnya? Yakni memilih pendekatan analisis sesuai dengan kebutuhan yang ingin dicapai. Dalam konsep Data Science ada beberapa tipe analisis data yang paling sering digunakan untuk kebutuhan bisnis, di antaranya:

1. Descriptive Analytics; analisis ini mengacu pada histori data sekaligus data yang ada saat ini. Umumnya digunakan untuk menjawab pertanyaan semacam “Apa yang terjadi dengan ABC?”, “Apa yang terjadi jika XYZ?”, dan sebagainya.
2. Diagnostic Analytics; analisis ini digunakan untuk menyimpulkan kejadian berdasarkan lansiran data terkait. Digunakan untuk menjawab pertanyaan semacam “Mengapa ABC terjadi saat XYZ?”, “Apa yang salah dengan strategi DEF?”, dan sebagaiya.
3. Predictive Analytics; analisis ini mencoba menyimpulkan sebuah tren dan kejadian di masa depan mengacu pada data-data historis yang ada. Model ini cenderung lebih kompleks dari dua tipe sebelumnya, karena memerlukan pemodelan dan analisis yang lebih mendalam.
4. Prescriptive Analytics; analisis ini digunakan untuk mengoptimalkan proses, struktur dan sistem melalui informasi yang dihasilkan dari Predictive Analytics. Pada dasarnya memberi tahu kepada bisnis tentang hal apa yang perlu dilakukan untuk mengantisipasi kejadian yang ada datang.

Untuk merealisasikan implementasi analisis bisnis, umumnya bisnis dihadapkan pada dua kendala. Pertama ialah menemukan sumber daya/talenta yang berkompeten. Dan yang kedua tentang bagaimana cara mengomunikasikan hasil analisis. Strategi pepnyelesaiannya bisnis dapat membangun budaya kerja yang menerima produk analisis. Edukasi kepada setiap pegawai juga harus diprioritaskan, untuk memutuskan atau melakukan sesuatu yang terukur, berdasarkan data dan analisis.

Tentang Business Intelligence

Berkaitan dengan optimasi data, mungkin istilah Business Intelligence (BI) dewasa ini menjadi perbincangan hangat, pasalnya banyak perusahaan ataupun startup mulai membangun divisi khusus berkaitan dengan BI. Kendati sama-sama memiliki cara dengan mengoptimalkan data, BI secara definisi sedikit berbeda dengan Data Science. Perbedaannya dengan Data Science ialah pada pendekatan, teknologi dan fungsinya. Tujuan utama BI adalah mengonversi data menjadi insight bisnis yang dapat digunakan pemimpin bisnis atau manajer dalam membuat keputusan yang terukur.

BI umumnya terdiri dari data yang bersifat transaksional, yang secara natural data tersebut dilahirkan dari sebuah proses bisnis. Pengelolaan data tersebut dapat menjawab beberapa pertanyaan, misalnya dari data penjualan dan pemasaran dapat dijawab pertanyaan “Taktik pemasaran seperti apa yang lebih efektif? Mengapa?”, dari data personalia dapat dijawab pertanyaan “Siapa karyawan yang paling produktif? Dan mana yang paling tidak produktif?”, dan lain sebagainya.

Perbedaan lainnya antara BI dan Data Science, termasuk pada sumber data. Konsep BI hanya mengelola data terstruktur saja, untuk keluarannya pun BI menuntut adanya laporan (biasanya berupa dashboard) yang memvisualisasikan data untuk dibaca orang yang bahkan tidak memahami konsep pengelolaan data.

Merekrut talenta data untuk bisnis

Ada beberapa kualifikasi penting yang harus dipenuhi oleh seorang Data Scientist atau Business Analyst yang akan direkrut untuk memenuhi kebutuhan bisnis, kemampuan utama yang dibutuhkan –dalam hal ini hardskill atau kemampuan teknis—meliputi:

1. Analisis Kuantitatif; termasuk di dalamnya pengetahuan tentang permodelan matematika, statistika, simulasi, dan peramalan. Kemampuan matematika menjadi dasar kemampuan analisis dan manipulasi data.
2. Kemampuan Pemrograman; pada dasarnya untuk mengelola data semua dilakukan dengan sintaks pemrograman tertentu –misalnya R, SQL, Python dll—maka kemampuan pemrograman menjadi salah satu komponen kunci yang harus dipahami.
3. Pengetahuan Bisnis; ini sangat kustom, pemahamannya bergantung bidang bisnis apa yang ditangani, karena untuk menjadikan hasil analisisnya lebih mudah dipahami dan relevan.

Dalam praktiknya, beberapa perusahaan menempatkan tim Business Analyst dalam sebuah divisi khusus untuk mengakomodasi seluruh kebutuhan berkaitan dengan data. Beberapa di antaranya menempatkan pada setiap divisi bisnis, karena disadari kebutuhan data untuk masing-masing area berbeda, dan kadang butuh keahlian khusus untuk mengoperasikan, atau bahkan membaca data yang ada. [ds