Course: Data Analytics di Asia Tenggara - Revision history

Kangtain at 09:17, 4 February 2023

2023-02-04T09:17:55Z

← Older revision		Revision as of 16:17, 4 February 2023
Line 525:		Line 525:
	Penting sekali untuk mempunyai seseorang yang bisa memberitahumu apa yang harus dilakukan, karena terkadang akan sulit untuk kamu ketahui kalau kamu belajar secara otodidak.		Penting sekali untuk mempunyai seseorang yang bisa memberitahumu apa yang harus dilakukan, karena terkadang akan sulit untuk kamu ketahui kalau kamu belajar secara otodidak.

	== Part #6 - Ringkasan Data Analytics ==		== Part 6 - Ringkasan Data Analytics ==
	Truth to be told, data analytics adalah sesuatu yang mencakup semua bidang studi dan pekerjaan.		Truth to be told, data analytics adalah sesuatu yang mencakup semua bidang studi dan pekerjaan.

Kangtain: /* Apa Tipikal Career Path Data Analyst? */

2023-02-04T09:16:47Z

Apa Tipikal Career Path Data Analyst?

@@ Line 281: / Line 281: @@
 The data can be qualitative such as interview results, or it can be quantitative, like the NPS (Net Promoter Score).
-Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the RevoU data analytics program.
+Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the Company data analytics program.
 === Pengumpulan data ===
@@ Line 307: / Line 307: @@
 Datanya bisa kualitatif seperti hasil wawancara, atau bisa juga kuantitatif seperti NPS (Net Promoter Score).
 === Persiapan & transformasi data ===
@@ Line 457: / Line 455: @@
 Untuk memudahkannya, ada beberapa area yang bisa kamu lihat dari tabel di bawah ini.

Kangtain: /* Visualisasi & komunikasi */

2023-02-04T09:10:29Z

Visualisasi & komunikasi

← Older revision		Revision as of 16:10, 4 February 2023
Line 434:		Line 434:

	Inilah betapa pentingnya visualisasi, terutama ketika kamu membutuhkannya untuk ''decision making!''		Inilah betapa pentingnya visualisasi, terutama ketika kamu membutuhkannya untuk ''decision making!''
			[[File:Course RevoU Data Analytics 230647.png\|center\|thumb]]
			Ada banyak ''tool'' gratis yang tersedia saat ini, mulai dari Google Data Studio, Tableau Public, PowerBI, Qlik, Metabase, dan bahkan visualisasi cepat dengan Python dan R.

			Kamu juga bisa membuat 'dashboard' dengan Google Spreadsheet atau Excel sederhana.

			Untuk menunjukkan ''insight'' yang kamu dapat, kamu bisa menggunakan Google Slide, Powerpoint, atau Canva untuk membantu kamu mempresentasikan kepada para ''stakeholder''

			Bagian besar lain dari visualisasi data dalam pekerjaan analis data sehari-harinya adalah membuat ''dashboard''

			Apa itu ''dashboard''? Pada dasarnya, ''dashboard'' adalah representasi visual yang menunjukkan semua metrik penting untuk bisnis hanya dalam satu halaman.

			Biasanya, ''dashboard'' menampilkan ''real-time data'' bagi ''stakeholder'' untuk memantau kinerja dan KPI (Indikator Kinerja Utama) mereka.

			''Dashboard'' biasanya digunakan oleh Tim Business Intelligence untuk membagikan laporan kepada ''stakeholder'' tertentu, seperti ''dashboard'' keuangan ke departemen keuangan, CFO, dan CEO.

			Kadang, mereka juga dibuat untuk eksperimen atau kampanye tertentu untuk memantau performa.

			== Part 5 - Karir di Data Analytics ==

			=== Apa Tipikal Career Path Data Analyst? ===
			Ini adalah pertanyaan umum ketika kamu ingin mempelajari lebih lanjut tentang data analytics.

			Untuk memudahkannya, ada beberapa area yang bisa kamu lihat dari tabel di bawah ini.

Kangtain: /* Data Analysis */

2023-02-04T09:07:36Z

Data Analysis

← Older revision		Revision as of 16:07, 4 February 2023
Line 413:		Line 413:

	Alat yang dapat kamu gunakan di sini antara lain Excel atau Google Sheets, R, Python, SQL.		Alat yang dapat kamu gunakan di sini antara lain Excel atau Google Sheets, R, Python, SQL.
			[[File:Course RevoU Data Analytics 220647.png\|center\|thumb]]
			Banyak data analyst yang suka membersihkan data menggunakan Python terlebih dahulu, lalu mengekspornya ke Excel untuk melakukan analisis setelah data yang ada dibersihkan.

			Jadi kamu bisa menggunakan beberapa tools untuk melakukan ini!

			Proses pengajaran akan dilakukan secara end-to-end, sehingga ''student'' bisa melanjutkan ''learning journey'' mereka dari awal hingga akhir dengan melakukan cohort analysis dan lain-lain dengan tools yang berbeda.

			=== Visualisasi & komunikasi ===
			Ini adalah bagian paling menarik dari analisis data, visualisasikan datanya!

			Banyak orang mungkin meremehkan betapa pentingnya bagian ini untuk membuat keputusan berdasarkan data.

			Tapi, banyak yang tidak menyadari bahwa banyak data analyst yang lemah di bidang ini dengan tidak menempatkan diri mereka pada posisi ''stakeholder''.

			Inti dari analisis data adalah bagaimana menghasilkan ''insight'' melalui visualisasi yang dapat dengan mudah dipahami oleh para ''stakeholder''.

			''Tahukah kamu bahwa manusia memproses visual 60000x lebih cepat daripada teks?''

			''Neuroscientist'' dari MIT telah menemukan bahwa otak kita dapat memproses seluruh gambar yang dilihat mata hanya dalam 13 milidetik.

			Inilah betapa pentingnya visualisasi, terutama ketika kamu membutuhkannya untuk ''decision making!''

Kangtain: /* Data Analysis */

2023-02-04T09:04:57Z

Data Analysis

← Older revision		Revision as of 16:04, 4 February 2023
Line 403:		Line 403:

	Lihat tabel di bawah ini:		Lihat tabel di bawah ini:
			[[File:Course RevoU Data Analytics 210647.png\|center\|thumb]]

			* Pada tabel ini, kamu bisa melihat bahwa Customer #105059, yang bergabung pada tanggal 8 Mei 2014, telah melakukan beberapa kali pembelian dan kita dapat menghitung usia berdasarkan hari sejak ia melakukan pembelian pertama.
			* Customer #106249 telah melakukan 2 pembelian, dan sisanya hanya melakukan pembelian satu kali pada tanggal mereka bergabung (Join date)
			* Kita dapat melihat bahwa Customer #105059 dan #106249 adalah pelanggan yang kembali, dan dengan analisis kohort, kita dapat melihat berapa banyak pelanggan yang kembali ke platform
			* Metrik- metrik ini penting bagi bisnis karena biaya retensi (mempertahankan) jauh lebih rendah daripada biaya untuk memperoleh pelanggan baru.

			Setelah memasukkan data, kamu dapat membuat ''pivot table'' sederhana untuk mempermudah cohort analysis.

			Alat yang dapat kamu gunakan di sini antara lain Excel atau Google Sheets, R, Python, SQL.

Kangtain: /* Persiapan & transformasi data */

2023-02-04T09:02:57Z

Persiapan & transformasi data

← Older revision		Revision as of 16:02, 4 February 2023
Line 366:		Line 366:

	Kamu tidak dapat menghasilkan hasil yang baik kalau datanya '''garbage'' (sampah)'.		Kamu tidak dapat menghasilkan hasil yang baik kalau datanya '''garbage'' (sampah)'.
			[[File:Course RevoU Data Analytics 200647.png\|center\|thumb]]

			=== Data Analysis ===
			Setelah kamu mempersiapkan dan mendapatkan data yang bersih, saatnya kamu melakukan beberapa analisis data.

			Tergantung pada jenis data yang kamu peroleh dan masalah yang ingin kamu pecahkan, ada berbagai metode analisis yang dapat kamu lakukan.

			Kalau kamu melakukan analisis deskriptif, beberapa ''output''nya dapat berupa:

			* Dashboard KPI
			* Laporan pendapatan bulanan
			* Overview prospek penjualan

			Atau mungkin kamu melakukan analisis diagnostik untuk mengetahui 'mengapa'.

			Misalnya, startup SaaS perlu mengetahui aktivitas pemasaran mana yang meningkatkan jumlah ''free trials''.

			Pada dasarnya, ini adalah bagian di mana kamu melakukan pekerjaanmu untuk menganalisis data.

			Ada beberapa cara untuk menganalisis data, termasuk:

			* Causal Impact Analysis
			* Correlation Analysis
			* Regression Analysis
			* Cohort Analysis
			* Segmentation (Clustering, Decision Tree)
			* Time series & Forecasting

			Mari kita ambil contoh:

			Salah satu analisis terpenting saat bekerja dengan data pelanggan adalah cohort analysis.

			Cohort analysts sangat penting, terutama untuk Software as a Service (SaaS) atau perusahaan e-Commerce, karena menunjukkan bagaimana pelanggan berinteraksi dengan platform.

			Untuk membuat analisis kohort sederhana, kamu harus mempunyai input data per ''customer'', yang mencakup Join date pelanggan (tanggal saat pelanggan pertama kali masuk ke platform), Usia berdasarkan hari/bulan (yang merupakan pengurangan dari Calendar date dan Join date).

			Lihat tabel di bawah ini:

Kangtain: /* Persiapan & transformasi data */

2023-02-04T09:00:07Z

Persiapan & transformasi data

← Older revision		Revision as of 16:00, 4 February 2023
Line 322:		Line 322:

	Untuk melakukan ini, kamu perlu mempunyai indikator statistik, seperti mean (rata-rata) dan standar deviasi.		Untuk melakukan ini, kamu perlu mempunyai indikator statistik, seperti mean (rata-rata) dan standar deviasi.
			[[File:Course RevoU Data Analytics 190647.png\|center\|thumb]]
			Alasan di balik pembersihan data sangatlah simple, kamu perlu memberikan ''insight'' yang baik, sehingga kamu memerlukan data yang dapat membantu membawamu ke sana.

			Mari kita lihat di bawah apa yang bisa dilakukan ''outlier'' terhadap kesimpulanmu.

			Bayangkan kamu mempunyai kumpulan data: 50,15,12,13,15,15.

			Seperti yang mungkin kamu bisa lihat dengan mudah, 50 benar-benar berbeda dari angka lainnya, jadi ini adalah ''outlier''.

			Lihat tabel di bawah ini:
			{\| class="wikitable"
			\|+
			!Statistical Indicator
			!Without the outlier
			!With the outlier
			!Effect of Outlier
			\|-
			\|Mean
			\|14
			\|20
			\|Caused to increase
			\|-
			\|Median
			\|15
			\|15
			\|No effect
			\|-
			\|Mode
			\|15
			\|15
			\|No effect
			\|-
			\|Range
			\|3
			\|38
			\|Caused it to increase
			\|}
			Seperti yang kamu lihat, rata-rata dan ''range'' (rentang) meningkat secara signifikan saat kamu memasukkan dan menghitung 50 (''outlier'').

			Namun, dalam kasus lain, ''outlier'' dapat menunjukkan kepada kita indikasi sesuatu yang lain atau tren yang menarik.

			Paradigma ''garbage in'', ''garbage out'' adalah hal besar dalam analisis data.

			Kamu tidak dapat menghasilkan hasil yang baik kalau datanya '''garbage'' (sampah)'.

Kangtain: /* Par 4 - Langkah Penting dalam Data Analytics */

2023-02-04T08:54:59Z

Par 4 - Langkah Penting dalam Data Analytics

← Older revision		Revision as of 15:54, 4 February 2023
Line 247:		Line 247:

	Setidaknya ada 5 langkah utama yang terlibat dalam analisis data.		Setidaknya ada 5 langkah utama yang terlibat dalam analisis data.
			[[File:Course RevoU Data Analytics 180647.png\|center\|thumb]]

			=== Definisi masalah dan \hipotesis ===
			Data analytics tidaklah melulu tentang coding.

			Untuk melakukan analisis, pertama-tama tentu kamu perlu mendefinisikan masalah yang ada.

			Ini bisa menjadi jebakan atau perangkap bagi banyak data analyst.

			Hal ini membutuhkan ''analytical thinking'' dan ''problem solving'', menafsirkan ''requirement'' bisnis untuk memandu menganalisis data, dan mulai merancang proyek data mu.

			Kamu memerlukan dokumentasi yang tepat; banyak yang menyebutnya PRD (Project Requirement Document). Amazon mempunyai gaya "narasi" untuk memandu proyek dan menentukan goal.

			Amazon menggunakan narasi yang terdiri dari:

			* Tujuan
			* Latar belakang
			* Hipotesa
			* Detail Inisiatif

			Termasuk semua stakeholder dan proses yang terlibat.

			Dengan cara ini, kamu bisa menghubungkan obyektif bisnis dengan analisis data.

			For example, if you are building a new product, you do not have the data yet.

			Which is why you need to conduct experiments to test the beta version of a product to different customers.

			You need to do random sampling, but you need to make sure the sample is representative to the customers that you are targeting.

			You can design the experiment to test different things, A/B Testing by changing colors or UX of the product.

			The data can be qualitative such as interview results, or it can be quantitative, like the NPS (Net Promoter Score).

			Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the RevoU data analytics program.

			=== Pengumpulan data ===
			Kedua, setelah tujuan dan latar belakang yang jelas telah teridentifikasi dari ''problem statement'', kamu perlu menentukan data apa yang akan dikumpulkan untuk memecahkan masalah.

			Data tersebut mungkin sudah ada atau mungkin perlu kamu cari dari data sekunder atau wawancara. Data tidak selalu kuantitatif; bisa juga kualitatif.

			Aturan praktisnya adalah mempunyai setidaknya dua atau lebih sumber (dan pastikan datanya valid).

			Kamu tidak ingin hanya mengandalkan satu dasar karena kamu perlu memvalidasi.

			Dalam beberapa kasus, kalau datanya belum ada, kamu perlu ''membuat eksperimen'' untuk mendapatkan data tersebut.

			Untuk melakukan eksperimen, kamu perlu menentukan pertanyaan bisnis, membuat hipotesis, dan menentukan bagaimana kamu akan menguji dan mendapatkan data.

			Biasanya, bagian ini dilakukan oleh tim ''growth project'' di sebuah perusahaan.

			Misalnya, kalau kamu sedang membuat produk baru, kamu belum mempunyai data.

			Itulah sebabnya kamu perlu melakukan eksperimen untuk menguji versi beta suatu produk ke pelanggan yang berbeda.

			Kamu perlu melakukan pengambilan sampel secara acak, tetapi juga perlu memastikan sampel tersebut mewakili pelanggan yang kamu targetkan atau tidak.

			Kamu dapat merancang eksperimen untuk menguji berbagai hal, A/B testing dengan mengubah warna atau UX (User Experience) produk.

			Datanya bisa kualitatif seperti hasil wawancara, atau bisa juga kuantitatif seperti NPS (Net Promoter Score).

			Melakukan analisis untuk eksperimen atau pengujian hipotesis ini juga merupakan sesuatu yang akan dipelajari selama berminggu-minggu dalam program Data Analytics RevoU.

			=== Persiapan & transformasi data ===
			Kemudian, setelah kumpulan data tersebut siap, kamu perlu mempersiapkannya sebelum melakukan analisis.

			Apa artinya "menyiapkan data"?

			Yah, tidak semua kumpulan data itu sudah ideal untuk kamu.

			Beberapa titik data akan lebih jauh dari rata-rata; ada 'outliers'.

			Ini berbeda dari data yang ada.

			Untuk melakukan ini, kamu perlu mempunyai indikator statistik, seperti mean (rata-rata) dan standar deviasi.

Kangtain: /* Keterampilan Berkomunikasi */

2023-02-04T08:26:38Z

Keterampilan Berkomunikasi

← Older revision		Revision as of 15:26, 4 February 2023
Line 232:		Line 232:

	''Mereka telah ter-influence. Mereka telah belajar.''		''Mereka telah ter-influence. Mereka telah belajar.''
			[[File:Course RevoU Data Analytics 170647.png\|center\|thumb]]
			Menjadi seorang data analyst bukan hanya tentang menjadi orang cerdas yang bisa coding dan bekerja dengan datasets.

			Tetapi sebenarnya berkomunikasi dan bercerita adalah bagian besar pada pekerjaan seorang analyst.

			Kamu harus bisa meyakinkan CEO mu yang waktunya sangat terbatas, agar dia bisa tahu ''insight'' penting lewat presentasi pendek mu.

			Kamu harus bisa menggunakan visual yang efektif, dan cara kamu berkomunikasi juga penting.

			== Par 4 - Langkah Penting dalam Data Analytics ==
			Kita sudah belajar tentang definisi data analytics dan skill apa yang diperlukan untuk menjadi seorang data analyst.

			Tapi seperti apakah proses menganalisis data?

			Setidaknya ada 5 langkah utama yang terlibat dalam analisis data.

Kangtain: /* Keahlian Database & Pemrograman */

2023-02-04T08:24:35Z

Keahlian Database & Pemrograman

← Older revision		Revision as of 15:24, 4 February 2023
Line 212:		Line 212:

	Persamaan Job Description di Gojek, Shopee, Grab, dan Tokopedia bisa kamu lihat di atas! Kamu juga bisa melihat perbandingan pada grafik di bawah ini.		Persamaan Job Description di Gojek, Shopee, Grab, dan Tokopedia bisa kamu lihat di atas! Kamu juga bisa melihat perbandingan pada grafik di bawah ini.
			[[File:Course RevoU Data Analytics 160647.png\|center\|thumb]]

			==== Keterampilan Berkomunikasi ====
			Ini adalah salah satu skill yang sering diremehkan banyak orang dalam menjadi data analyst.

			Bercerita dengan data bukanlah tugas yang mudah untuk dilakukan.

			Cerita yang baik dapat memberikan lebih dari sekedar cerita.

			Mereka menciptakan ''sense of connection''; salah satu contoh yang ditulis dalam Harvard Business Corporate Learning adalah:

			''Di Perusahaan A, seorang pemimpin mempresentasikan hasil keuangan untuk kuartal tersebut.''

			''Di Perusahaan B, seorang pemimpin menceritakan kisah “kemenangan” tentang apa yang membuat kuartal tersebut berhasil.''

			''Seusai rapat, karyawan Perusahaan A sekedar paham bahwa mereka sudah mencapai target.''

			''Sedangkan karyawan Perusahaan B belajar tentang strategi efektif di mana sales, marketing, dan product development bekerja sama untuk mencapai target. Karyawan tersebut sekarang mempunyai pengetahuan baru, pemikiran baru untuk mereka aplikasikan.''

			''Mereka telah ter-influence. Mereka telah belajar.''