Empat Cara Tim Anda Dapat Mulai Memanfaatkan Data Science

Didorong oleh keinginan untuk mencapai tujuan sulit menjadi berbasis data, organisasi giat mengumpulkan data, membangun infrastruktur, dan menarik talenta berkemampuan tinggi. Mengingat data sering digadang-gadang sebagai solusi pamungkas untuk berbagai masalah, organisasi-organisasi ini bergerak ke arah yang benar.

Namun, memiliki alat dan talenta yang tepat tidak serta-merta membuat perusahaan menjadi berbasis data. Rintangan terbesar menuju status berbasis data terletak pada membangun budaya data, di mana data science dipandang semua orang sebagai metodologi untuk memecahkan masalah bisnis. Memang, organisasi mana pun yang bercita-cita menjadi berbasis data perlu terlebih dahulu memupuk budaya data dengan menumbuhkan kefasihan data di seluruh organisasi, membekali setiap orang dengan keterampilan untuk menjalankan tugas data yang mereka perlukan agar unggul dalam perannya. Perubahan mendasar dalam pola pikir ini menjadi tantangan besar dalam upaya perusahaan menjadi berbasis data. Faktanya, menurut Survei Chief Data Officer Gartner 2018, 35% CDO meyakini rendahnya kefasihan data adalah tantangan terbesar untuk mengekstrak nilai dari data dalam skala besar.

Manfaat menjadi berbasis data dan memanfaatkan data science dalam skala besar sangat banyak dan telah banyak didokumentasikan. Berikut ringkasan empat area data science yang dapat dengan cepat diadopsi organisasi untuk mulai mengekstrak nilai dari data mereka, disertai contoh kasus spesifik.

1. Mengkomunikasikan wawasan kompleks melalui visualisasi data secara cepat dan ringkas.

Dasbor data interaktif kini semakin jamak karena memungkinkan para pemangku kepentingan mengakses informasi terkini dengan mudah.

Dasbor sangat serbaguna. Dasbor bisa menjadi teleskop untuk metrik sasaran jangka panjang perusahaan atau mikroskop yang berfokus intens pada detail operasional jangka pendek. Bagaimanapun, dasbor memungkinkan organisasi menskalakan pengambilan keputusan berbasis data. Saat ini, banyak alat business intelligence tanpa kode seperti Tableau dan Power BI menawarkan antarmuka seret-dan-lepas yang intuitif untuk membangun dasbor yang andal. Di sisi lain, paket open-source yang dibangun di atas bahasa pemrograman populer, seperti plotly di Python dan Shiny di R, memberikan hambatan masuk yang rendah bagi organisasi saat membangun visualisasi interaktif yang sangat dapat disesuaikan.

2. Membuat keputusan yang lebih baik dengan menganalisis data historis

Perusahaan berbasis data mendeskripsikan, merangkum, dan memahami kinerja historisnya serta memanfaatkannya untuk memandu keputusan agar dapat menggandakan hal yang berhasil dan mengoreksi hal yang tidak berhasil. Survei oleh Deloitte menemukan sekitar setengah perusahaan menyatakan manfaat paling signifikan dari analitik adalah memungkinkan pengambilan keputusan berbasis data yang lebih baik. Selain itu, 62% perusahaan mengatakan data penting untuk mendorong strategi bisnis. Jelas, data menjadi instrumen yang kian tak tergantikan dalam perangkat bisnis.

Pengambilan keputusan berbasis data dapat mempertahankan dan meningkatkan keunggulan kompetitif organisasi dibanding para pesaingnya. Misalnya, analisis keranjang pasar dapat membantu peritel fisik mengoptimalkan ruang toko dan menciptakan pengalaman belanja yang lebih baik bagi pelanggan. Pemasar dapat menganalisis tingkat klik email historis untuk mengevaluasi keberhasilan kampanye email. Analis keuangan dapat menerapkan analisis deret waktu pada data historis mereka untuk mengoptimalkan perencanaan anggaran.

Analisis data historis semacam ini dapat dilakukan secara efisien pada alat spreadsheet seperti Microsoft Excel dan Google Sheets ketika ukuran data kecil. Seiring pertumbuhan data, analitik akan paling efektif dilakukan menggunakan bahasa pemrograman open-source seperti R dan Python.

3. Melengkapi keahlian domain yang ada dengan pemikiran statistik

Statistik dapat digunakan untuk meringkas sejumlah besar data secara ringkas. Dasar dari statistik adalah statistik ringkasan yang mewakili nilai rata-rata (seperti mean, modus, dan median) serta penyimpangan dari rata-rata (seperti simpangan baku dan varians). Statistik ringkasan ini menjadi fondasi alat seperti box plot dan metrik seperti koefisien korelasi (ukuran kekuatan hubungan antara dua variabel). Misalnya, peritel dapat menghitung korelasi antara pembelian produk untuk mengoptimalkan kampanye penjualan silang. Peneliti pasar dapat memanfaatkan analisis conjoint untuk menentukan campuran preferensi pelanggan yang ideal sebelum meluncurkan fitur produk baru atau mengubah harga produk.

Eksperimen terkontrol dapat membantu perusahaan mengisolasi dampak suatu perubahan, menetapkan hubungan sebab-akibat yang jelas antara dua metrik, dan membuat keputusan yang lebih baik. Dengan fondasi yang berakar pada statistik, eksperimen terkontrol memberikan metode yang relatif sederhana namun ketat untuk memverifikasi atau menolak intuisi para ahli domain. Ilustrasi sederhana eksperimen terkontrol mencakup pengujian A/B baris subjek email dan memilih yang memiliki tingkat klik tertinggi. Di AirBnB, perubahan hanya diterapkan ke semua pengguna ketika eksperimen secara meyakinkan menunjukkan bahwa perubahan pada filter harga maksimum menyebabkan tingkat konversi meningkat. Di Shutterstock, ide untuk menghapus watermark pada gambar halaman pencarian ditolak ketika eksperimen memberikan bukti kuat bahwa perubahan tersebut menurunkan tingkat konversi.

4. Membuat prediksi dan menemukan pengetahuan baru dengan machine learning

Perusahaan dapat menggunakan data masa lalu untuk membuat prediksi tentang masa depan dengan machine learning. Misalnya, dengan memanfaatkan supervised learning, teknik yang melatih algoritma untuk mengklasifikasikan data atau memprediksi hasil dengan data berlabel, organisasi mana pun dapat memprediksi pelanggan mana yang paling mungkin berhenti berdasarkan aktivitas historis mereka. Perusahaan perdagangan dapat menggunakan harga historis sebuah saham untuk memprediksi harga di masa depan dalam pemodelan keuangan.

Bertolak belakang dengan supervised learning, unsupervised learning adalah teknik yang dapat digunakan perusahaan dengan pengetahuan minim tentang kumpulan data mentah untuk mengeksplorasi datanya—bahkan jika belum tahu apa yang dicari. Clustering adalah contoh algoritma unsupervised learning yang mengelompokkan data ke dalam kategori yang tidak ditentukan sebelumnya. Misalnya, perusahaan telekomunikasi yang memiliki data berharga tentang pelanggannya dan belum menemukan cara untuk memsegmentasi pelanggan dapat menggunakan unsupervised learning untuk mengidentifikasi klaster pelanggan dengan karakteristik khas.

Unsupervised learning juga sangat andal dalam menemukan asosiasi. Dalam e-commerce, rekomendasi produk berupa ‘orang yang menyukai produk X juga menyukai produk Y’ sering kali merupakan hasil teknik unsupervised learning yang mengungkap keterkaitan tersembunyi tersebut. Rekomendasi produk seperti ini dapat menjadi tulang punggung strategi penjualan silang yang efektif.

Membangun Organisasi Berbasis Data

Jelas, langkah menuju menjadi berbasis data membuka banyak potensi manfaat bagi organisasi. Ada banyak kasus penggunaan data yang mudah diterapkan yang dapat mulai dijalankan oleh tim fungsional, asalkan mereka memiliki keterampilan yang diperlukan untuk memulai. Itulah mengapa DataCamp for Business menyediakan platform pembelajaran interaktif bagi perusahaan yang perlu meningkatkan dan memutakhirkan keterampilan data karyawannya. Dengan topik mulai dari literasi data, data science hingga data engineering, dan machine learning, lebih dari 1.600 perusahaan mempercayai DataCamp for Business untuk meningkatkan keterampilan talenta mereka.