Panduan Pemula untuk Predictive Analytics

Predictive analytics adalah mesin yang dibutuhkan organisasi untuk meningkatkan pengambilan keputusan, terlepas dari fungsi atau industri tempat organisasi tersebut berada. Selain itu, penerapan predictive analytics menghasilkan keunggulan kompetitif yang sulit ditemukan di tempat lain.

Dalam artikel ini, kami membahas apa itu predictive analytics, mengeksplorasi beberapa contoh penggunaannya, dan melihat cara kerjanya.

Apa itu Predictive Analytics?

Predictive analytics adalah istilah payung yang menggambarkan berbagai teknik statistik dan analitik data—termasuk penambangan data, pemodelan prediktif, dan pembelajaran mesin. Tujuan utama predictive analytics adalah membuat prediksi tentang hasil, tren, atau peristiwa berdasarkan pola dan wawasan dari data historis.

Predictive analytics adalah tahap kedua dari empat tahap kapabilitas analitik dalam sebuah organisasi. Empat tahap analitik, secara berurutan, adalah:

1. Analitik deskriptif - mengidentifikasi apa yang terjadi di masa lalu
2. Analitik diagnostik - memahami mengapa hal itu terjadi
3. Analitik prediktif - memprediksi apa yang akan terjadi selanjutnya
4. Analitik preskriptif - mengoptimalkan dan bereksperimen tentang cara terbaik mewujudkannya

Organisasi harus mencapai tahapan analitik ini secara berurutan karena Anda hanya dapat memprediksi masa depan secara efektif dengan memahami masa lalu. Dengan demikian, organisasi bergerak dari memahami apa yang terjadi dan mengapa itu terjadi ke memprediksi apa yang akan terjadi selanjutnya. Tahap akhir tambahan dari analitik melibatkan sistem analitik otonom yang sepenuhnya teroptimalkan, yang terus belajar seiring waktu dan, pada dasarnya, bersifat "cerdas."

Pemodelan prediktif melibatkan dua jenis algoritma pembelajaran mesin: terawasi (supervised) dan tak terawasi (unsupervised). Algoritma pembelajaran mesin terawasi digunakan untuk memprediksi keluaran target dan merupakan alat utama untuk predictive analytics. 

Untuk panduan langkah demi langkah menggunakan pembelajaran mesin dalam predictive analytics, lihat tutorial Analisis Lirik kami.

Ada dua jenis utama algoritma pembelajaran mesin terawasi:

• Model klasifikasi - digunakan untuk memprediksi apakah suatu observasi akan masuk ke kategori atau kelas tertentu. Misalnya, memprediksi apakah seorang pelanggan akan churn atau tidak. Teknik klasifikasi umum mencakup decision tree dan model regresi logistik.
• Model regresi - digunakan untuk memprediksi sebuah nilai. Misalnya, memprediksi click-through rate dari sebuah iklan. Metode umum untuk memprediksi nilai seperti ini adalah regresi linear dan model regresi polinomial.

Di sisi lain, algoritma pembelajaran mesin tak terawasi tidak membuat prediksi melainkan berupaya mengidentifikasi pola dalam data yang kemudian dapat digunakan untuk memberi label atau mengelompokkan titik data yang serupa. Misalnya, salah satu algoritma tak terawasi yang paling populer adalah k-means clustering, di mana titik data yang serupa, seperti pelanggan, dikelompokkan ke dalam klaster.

Predictive analytics juga dapat melibatkan teknik statistik dan penambangan data lainnya untuk mengidentifikasi tren saat ini, memproyeksikan masa depan, dan memprediksi hasil. Kami akan membahas beberapa contoh spesifik tentang bagaimana organisasi dapat menggunakan predictive analytics di bagian akhir artikel ini.

Analitik Preskriptif vs Prediktif

Analitik preskriptif adalah tahap ketiga kapabilitas analitik organisasi yang dibangun di atas model prediktif yang dibuat pada tahap sebelumnya.

Sementara predictive analytics memberi tahu kita mengapa sesuatu terjadi dan apa yang mungkin terjadi selanjutnya, fokus dalam analitik preskriptif adalah mengoptimalkan dan bereksperimen dengan model yang sudah kita bangun. Ini menjawab pertanyaan "bagaimana jika" Anda dan memungkinkan Anda melanjutkan dengan skenario terbaik berdasarkan informasi yang Anda peroleh dari menjalankan eksperimen dan simulasi.

Jeff Bezos, CEO Amazon, pernah berkata, "Keberhasilan kami di Amazon merupakan fungsi dari berapa banyak eksperimen yang kami lakukan per tahun, per bulan, per minggu, per hari."

Melakukan eksperimen pada semua aspek proses dan proyek analitik adalah persyaratan kunci untuk keberhasilan analitik preskriptif.

Contoh Predictive Analytics

Predictive analytics mengubah titik data menjadi wawasan berharga yang dapat mendorong dan menginformasikan berbagai aspek organisasi. 

Berikut hanya beberapa contoh bagaimana organisasi dapat memanfaatkan predictive analytics:

Memproyeksikan KPI keuangan 

Memproyeksikan metrik keuangan utama seperti pendapatan, biaya, dan persediaan menghasilkan pengambilan keputusan yang lebih efektif dan terinformasi berdasarkan fakta dan data, bukan sekadar intuisi.

Mendeteksi dan mengurangi penipuan di perbankan

Salah satu situasi paling mahal dan merusak bagi bank adalah aktivitas penipuan. Predictive analytics dapat membantu mengidentifikasi kejanggalan dan kerentanan yang dapat mengindikasikan penipuan sehingga institusi ini dapat segera mengambil tindakan.

Memprediksi apakah pelanggan akan gagal bayar pinjaman 

Memberikan pinjaman secara inheren berisiko bagi institusi asuransi dan keuangan. Menggunakan model prediktif untuk memprediksi apakah seorang pelanggan kemungkinan akan gagal bayar adalah cara terbaik bagi institusi ini untuk secara signifikan mengurangi risiko tersebut.

Memprediksi tingkat keluar karyawan

Predictive analytics dapat membantu meningkatkan manajemen sumber daya manusia organisasi Anda dengan memprediksi tingkat keluar karyawan. Ini mencakup mengantisipasi kebutuhan rekrutmen di masa depan dan menemukan waktu yang tepat untuk memberi insentif kepada karyawan.

Memahami perilaku belanja pelanggan

Organisasi dapat meningkatkan penjualan dan tingkat konversi dengan menemukan pola di balik pembelian pelanggan dan mengeksplorasi alasan di balik perilaku belanja mereka. Anda dapat menggunakan customer analytics dan A/B testing di Python untuk memahami perilaku ini. 

Menargetkan kampanye pemasaran ke pelanggan yang tepat

Bisnis dapat meningkatkan click-through rate iklan dan konversi kampanye pemasaran secara umum dengan menargetkan pelanggan yang tepat pada waktu yang tepat. Untuk melihat lebih dalam penerapan predictive analytics pada pemasaran, lihat kursus DataCamp tentang memprediksi churn pelanggan di Python.

Mengurangi limbah manufaktur

Predictive analytics dapat membantu organisasi Anda memahami faktor-faktor yang terlibat dalam limbah manufaktur sehingga mereka dapat mengambil tindakan di area yang tepat. Menggunakan model prediktif untuk memahami faktor-faktor ini dapat menghasilkan penghematan biaya yang besar di organisasi.

Bagaimana Cara Kerja Predictive Analytics?

Ada banyak alat predictive analytics yang tersedia. Alat yang Anda pilih bergantung pada tujuan analisis Anda—mulai dari alat business intelligence dan visualisasi seperti Tableau dan Power BI hingga bahasa pemrograman yang kompleks seperti R Programming dan Python.

Untuk pengantar predictive analytics di Python, lihat kursus kami Introduction to Predictive Analytics in Python. Jika Anda sudah familiar dengan Python atau predictive analytics, Anda dapat melihat kursus Intermediate Predictive Analytics in Python.

Kebanyakan proyek predictive analytics mengikuti alur kerja dan proses yang serupa. Di bagian ini, kami membahas beberapa langkah utama yang paling umum ditemui dalam sebuah proyek.

Tujuan

Setiap proyek predictive analytics harus dimulai dengan memahami tujuan, mengidentifikasi masalah, dan memilih solusi terbaik.

Proyek predictive analytics bertujuan membantu organisasi mencapai sasaran strategisnya. Ketika tujuan proyek terkait kembali ke tujuan kritis bagi organisasi, kemungkinan besar proyek tersebut akan mendapatkan dukungan dari setiap level organisasi yang relevan. Ini memastikan proyek tidak hanya bernilai tetapi juga berhasil.

Setelah tujuan proyek ditentukan, hal ini secara alami mengarah pada masalah yang jelas yang perlu dipecahkan oleh proyek dan dengan demikian menentukan solusi yang diperlukan untuk mencapainya.

Data

Data dapat berasal dari berbagai sumber, seperti file CSV, database, gudang data, dan aplikasi pihak ketiga. Jika belum dilakukan, sumber data ini harus dikonsolidasikan dan dikelola di lokasi terpusat sebelum Anda dapat menggunakannya dalam predictive analytics dan pemodelan. Ini memastikan bahwa data aman dan bahwa kualitas serta tata kelola menjadi prioritas utama.

Seperti pepatah lama dalam analitik data: "garbage in, garbage out." Usahakan untuk tidak menyimpan semua data Anda dalam spreadsheet. Meskipun fleksibel, spreadsheet mudah diedit dan dibagikan tanpa kontrol terhadap kualitas dan keamanan data di dalamnya.

Selain itu, pertimbangkan volume data yang Anda miliki atau yang ingin Anda hasilkan di masa depan. Membangun model prediktif dapat menjadi sangat memakan waktu dan tidak efektif untuk masalah yang perlu dipecahkan tanpa sistem penyimpanan dan proses yang tepat untuk menangani volume data yang lebih besar.

Transformasi

Langkah transformasi dalam proyek predictive analytics melibatkan pembersihan, penjelajahan, dan penyiapan data untuk analisis atau model yang akan dilakukan.

Saat membersihkan data, Anda harus mencari data yang hilang serta outlier atau nilai mencurigakan yang tidak masuk akal dalam konteks masalah. Ini sejalan dengan eksplorasi data karena melalui eksplorasi data Anda dapat memahaminya, dan keanehan menjadi lebih mudah terlihat.

Terakhir, data harus disiapkan untuk langkah berikutnya dalam proyek. Proses tepatnya bergantung pada algoritma dan jenis analisis yang perlu dilakukan. 

Misalnya, misalkan Anda memasangkan model regresi linear untuk memprediksi click-through rate dalam kampanye iklan. Dalam hal ini, Anda harus mempertimbangkan asumsi regresi linear dan apakah data memenuhi asumsi tersebut. Juga perlu mengonversi variabel kategorikal apa pun dalam data Anda menjadi variabel dummy, yang dikenal sebagai one-hot encoding.

Sebelum melanjutkan membangun model prediktif, pastikan untuk membagi data Anda menjadi set pelatihan, pengujian, dan validasi. Anda memasangkan model ke set pelatihan, yang menjadi cara model mempelajari pola dalam data untuk membuat prediksi. Namun, Anda juga harus memiliki set validasi untuk melakukan iterasi dan meningkatkan model, lalu memperoleh estimasi akhir yang tidak bias tentang akurasi model menggunakan set pengujian.

Menganalisis

Jika Anda membangun model prediktif menggunakan algoritma pembelajaran mesin terawasi yang relatif sederhana seperti regresi logistik, maka langkah ini mengharuskan Anda memasangkan model dan mengevaluasi hasilnya. Namun, beberapa algoritma yang kompleks, seperti neural network, memerlukan penyesuaian dan penyetelan cermat untuk menghasilkan prediksi yang akurat.

Catatan penting untuk diingat adalah banyak model prediktif memerlukan volume data yang besar agar dapat melakukan generalisasi secara akurat ke dunia nyata. Jika Anda belum memiliki volume data yang diperlukan untuk model-model ini, Anda dapat mempertimbangkan teknik lain yang memungkinkan Anda memproyeksikan atau memprediksi hasil dalam skala yang lebih kecil. Ini juga bergantung pada tujuan dan masalah bisnis yang ingin Anda selesaikan dan melibatkan teknik seperti penambangan data serta penerapan berbagai metode statistik.

Deploy

Langkah terakhir dalam proyek predictive analytics adalah deployment. Ini adalah keluaran atau hasil akhir proyek dan akan menjadi media bagi model untuk menambah nilai bagi organisasi Anda. Bergantung pada proyek dan solusi yang Anda pilih untuk menyelesaikan masalah tertentu, langkah ini dapat mencakup apa saja mulai dari laporan atau dasbor sederhana hingga deployment yang kompleks ke dalam platform yang sudah ada.

Pertimbangkan apakah organisasi Anda memiliki talenta yang memadai untuk deployment yang lebih kompleks guna memastikan proses yang lancar dan efisien. Misalnya, berinvestasi pada minimal 1 data engineer dapat sangat membantu menuju deployment model yang berhasil.

Kesimpulan

Analitik—khususnya predictive analytics—bukan hanya milik segelintir raksasa teknologi dan korporasi besar atau bahkan hanya untuk segelintir orang terpilih di dalam organisasi. Saat ini, organisasi dari berbagai ukuran menggunakan analitik, dan analitik dapat diterapkan di hampir setiap industri. Selain itu, predictive analytics kini menjadi fungsi yang terdistribusi dan dimiliki oleh tim-tim di seluruh organisasi.

Predictive analytics dapat menawarkan keunggulan kompetitif yang luar biasa bagi hampir setiap organisasi. Namun, penting untuk mempertimbangkan dan memahami elemen-elemen yang membentuk keberhasilan sebuah proyek predictive analytics. Artikel ini memberikan panduan tentang predictive analytics, bagaimana penerapannya pada masalah bisnis, dan proses di balik cara kerjanya.