Decoding Data Analytics Mudah vs. Tidak Begitu Mudah

Ditulis oleh Profesor S. Sadagopan, Direktur – IIIT Bangalore. Prof. Sadagopan adalah salah satu akademisi paling berpengalaman di panel ahli Program Diploma PG UpGrad & IIIT-B dalam Analisis Data.

Sebagai profesional analitik pemula yang dibingungkan oleh jargon, hype, dan pesan pemasaran luar biasa yang berbicara tentang jutaan pekerjaan mendatang yang dibayar dalam jutaan Rupee, Anda harus mendapatkan kejelasan tentang nilai "nyata" dari pendidikan analitik data. Berikut adalah beberapa informasi menarik – yang diharapkan dapat membantu mengurangi kebingungan Anda.

Beberapa orang pintar dapat menggunakan "pemikiran analitis" untuk menghasilkan "angka yang luar biasa"; mereka sangat berguna tetapi karena "intuitif", mereka tidak dapat "diajarkan."

Sebagai contoh:

Analisis Mudah

Pra-konfigurasi ATM dengan Data Insights

“Kami memiliki ATM tercepat di planet ini”

Mengklaim Bank yang disegani. Apakah mereka mendapatkan ATM baru yang dibuat khusus untuk mereka? Tidak mungkin. Beberapa karyawan cerdas dengan pola pikir analitis menemukan bahwa 90% dari waktu pengguna pergi ke ATM untuk menarik uang tunai, mereka menggunakan jumlah tetap, katakanlah Rs 5.000. Jadi, Bank mengonfigurasi ulang opsi layar standar – Informasi Saldo, Penarikan, Cetak Laporan, dll. – untuk menyertakan opsi lain. Tarik jumlah XYZ, berdasarkan tindakan masing-masing pelanggan di masa lalu.

Ini akhirnya menghemat satu langkah operasi ATM. Alih-alih memilih opsi penarikan dan kemudian memasukkan jumlah yang akan ditarik, Anda sekarang dapat menghemat waktu – membuat prosesnya lebih nyaman dan intuitif. Langkah yang cerdas memang, namun, ini adalah sesuatu yang dikenal sebagai "Analisis Mudah" yang juga dapat disalin oleh orang lain. Bahkan, yang lain DID menyalin, dalam waktu tiga bulan!

Data Tersembunyi di Cuaca

Dalam kumpulan data sampel yang digunakan untuk melengkapi produk spreadsheet di tahun 90-an, dulu ada data tentang luas dan populasi setiap Negara Bagian di Amerika Serikat. Ada juga latihan untuk mengajarkan bagian rumus dari spreadsheet untuk menghitung kepadatan penduduk (populasi per km persegi). New Jersey, dengan populasi 467 per km persegi, adalah Negara Bagian dengan kepadatan tertinggi.

Saat mengajar kelas mahasiswa MBA di New Jersey, saya bertemu dengan seorang mahasiswa India yang menemukan bahwa dalam hal kepadatan penduduk, New Jersey lebih padat daripada India dengan 446 orang per km persegi! Pengamatan yang menarik, meskipun membandingkan suatu Negara dengan Negara agak menyesatkan. Sekali lagi, latihan Analisis Mudah yang mengarah pada pengamatan yang "bagus"!

Beberapa latihan analisis data sederhana dapat dilakukan secara rutin, dan dibuat relatif lebih mudah, berkat alat yang luar biasa:

Perilaku Membeli B-Sekolah Diuraikan

Di B-School di India yang memiliki toko di kampus, (kampus terletak jauh dari pusat kota) beberapa siswa pintar menaruh beberapa tahun data penjualan toko kampus mereka . Mereka sangat senang dengan kekuatan komputer yang fenomenal dan perangkat lunak analitik yang hampir tidak ada bandingannya.

Kejutan sebenarnya, bagaimanapun, adalah bahwa delapan item menyumbang 85% dari penjualan tahunan mereka . Lebih penting lagi, delapan item ini dikonsumsi hanya dalam enam hari dalam setahun! Semua orang tahu bahwa beberapa item adalah satu-satunya item yang bergerak cepat, tetapi mereka tidak tahu sejauh mana (85%) atau intensitas (konsumsi hanya dalam enam hari) ini.

Ternyata di 3 hari pertama semester siswa akan menimbun barang untuk satu semester penuh! B-School merasa masuk akal untuk meminta toko terdekat untuk menopang kios sementara hanya selama dua minggu di awal semester dan menutup Toko Kampus. Ini menghemat ruang dan biaya yang berguna tanpa menyebabkan ketidaknyamanan besar bagi siswa. Contoh yang baik dari Easy Analytics yang dilakukan dengan bantuan alat yang hebat.

Analisis "Tidak Begitu Mudah" membutuhkan pemahaman analitis yang mendalam, alat, 'pola pikir analitis' dan beberapa kerja keras. Berikut adalah dua contoh, satu diambil dari tahun 70-an dan yang lainnya terjadi baru-baru ini:

Analisis yang Tidak Begitu Mudah

Terbang atau Tidak Terbang, Itu Pertanyaannya

Dulu, American Airlines menyempurnakan rencana overbooking kursi maskapai , berkat sistem Reservasi Maskapai SABRE yang mengatur setiap kursi maskapai.
Berbekal data rinci masa lalu 'kursi kosong' dan 'tidak hadir' di setiap segmen setiap penerbangan untuk setiap hari sepanjang tahun, dan pemodelan kursi maskapai sebagai komoditas yang mudah rusak, American Airlines mampu meningkatkan hasil, yaitu, pemanfaatan pesawat kapasitas. Mereka melakukan ini melalui pemesanan berlebih yang direncanakan – menjual lebih banyak tiket daripada jumlah kursi, berdasarkan proyeksi pembatalan .

Jika memang lebih banyak penumpang yang datang daripada jumlah kursi yang sebenarnya, American Airlines akan meminta siapa pun yang secara sukarela membatalkan perjalanan dalam penerbangan tertentu, dengan tawaran untuk menerbangkan mereka dengan penerbangan berikutnya (seringkali gratis) dan mengurus akomodasi hotel jika diperlukan. Kadang-kadang, mereka bahkan menawarkan insentif tunai kepada sukarelawan untuk tidak ikut serta.

Dengan menggunakan pemodelan Riset Statistik dan Operasional yang canggih , American Airlines akan memastikan bahwa penerbangan berlangsung penuh dan insiden sebenarnya dari lebih banyak penumpang daripada kapasitas penuh, mendekati nol. Faktanya, banyak siswa akan menantikan kejadian seperti itu sehingga mereka bisa mendapatkan insentif, (sebenarnya, saya harus memasukkan diri saya dalam daftar ini) tetapi jarang mereka diberi hadiah!)

Apa yang dimulai American Airlines sebagai eksperimen telah menjadi praktik industri standar selama bertahun-tahun. Sampai baru-baru ini, tim analis terlatih (seringkali pemegang gelar PhD) yang dipersenjatai dengan akses ke daya komputasi yang sangat besar, diperlukan agar latihan analitik semacam itu dapat dipertahankan.

Sekarang, perangkat lunak generasi baru seperti bahasa Pemrograman R dan komputer desktop yang kuat dengan kekuatan visualisasi/grafis yang signifikan mengubah dunia analitik data dengan sangat cepat. Siapa pun yang terlatih dengan baik (tidak selalu membutuhkan gelar Ph.D. lagi) dapat menjadi profesional analitik tingkat pertama.

Taksi Keluar dari Tas

Uber adalah contoh lain yang menunjukkan bagaimana kekuatan analitik data dapat mengganggu industri yang sudah mapan. Taksi-pasti di Bangalore dan Ola Cabs mirip dengan Uber. Bersama-sama, perusahaan Aplikasi Taksi ini (menggunakan Aplikasi Seluler untuk memanggil taksi, memantau status taksi, menggunakan dan membayar taksi) mencoba meyakinkan dunia untuk beralih dari kepemilikan mobil ke penggunaan mobil berdasarkan permintaan.
Latihan analitik yang sederhana namun mendalam di tahun 2008 memberikan kepercayaan diri yang begitu besar kepada Uber sehingga Uber mulai berbicara tentang pengurangan penjualan mobil sebesar 25% pada tahun 2025!
Setelah membangun Aplikasi Uber untuk iPhone, pendiri Uber mendaftarkan beberapa ratus pelanggan taksi di San Francisco dan beberapa ratus pengemudi taksi di daerah itu juga. Yang harus dilakukan oleh pengemudi yang terdaftar hanyalah menyentuh Aplikasi Uber kapan pun mereka siap menerima pelanggan. Demikian pula, pelanggan taksi yang terdaftar diminta untuk menyentuh Aplikasi Uber setiap kali mereka mencari taksi.
Berkat telepon yang terhubung ke internet (konektivitas), Aplikasi Seluler (antarmuka pengguna), GPS (taksi dan lokasi pengguna akhir) dan GIS (detail lokasi), Uber dapat mencoba menghubungkan pengemudi taksi dan pengguna taksi.

Wawasan sebenarnya adalah bahwa hampir 90% dari waktu, pengemudi taksi menemukan pelanggan, kurang dari 100 meter! Dengan cara yang sama, hampir 90% dari waktu, pengguna taksi terhubung dengan calon pengemudi mereka dalam waktu singkat, tidak terlalu jauh.
Sayangnya, hingga Aplikasi Uber muncul, pengendara dan pengemudi taksi tidak dapat mengetahui informasi ini. Lebih penting lagi, mereka berdua tidak memiliki cara untuk mencapai satu sama lain! Begitu mereka memiliki informasi dan akses ini, cara baru memanggil taksi dapat dibuat.

Dengan perangkat lunak back-end untuk menjadwalkan taksi, gateway pembayaran, dan mekanisme pembayaran seluler , layanan taksi yang jauh lebih unggul dapat dibuat. Tentu saja, di dekat rumah, kami memiliki opsi yang lebih baik seperti Taksi-pasti mencoba memperluas pengalaman ini bahkan ke becak otomatis. Sisanya, seperti yang mereka katakan, adalah "sejarah dalam pembuatan!"

Kursus mendalam dalam analisis data akan membantu mempersiapkan Anda untuk aplikasi berdampak tinggi tersebut. Ini tidak mudah, tetapi ingat kata-kata mantan Presiden AS Kennedy

“Kami memilih untuk pergi ke Bulan bukan karena itu mudah, tetapi karena itu sulit!”

Dapatkan sertifikasi ilmu data dari Universitas top dunia. Pelajari Program PG Eksekutif, Program Sertifikat Tingkat Lanjut, atau Program Magister untuk mempercepat karier Anda.