Course: Data Analytics di Asia Tenggara

Part 1 -  Kondisi Pekerjaan Data Analytics di SEA

Big Data, dan permasalahan di baliknya

Sekarang, mari kita lakukan roleplay.

Bayangkan kamu lapar dan ingin makan.

Pertama, kamu akan search di Google dan mengetik 'restoran di dekat saya'. Lalu kamu scroll ke bawah halaman Google tersebut dan melihat menu restoran yang kamu minati.

Setelah 5 menit, kamu akhirnya memutuskan untuk memesan delivery.

Kemudian, kamu membuka SuperApp favoritmu dan meng-klik spanduk promosi, yang menunjukkan banyak opsi-opsi lainnya.

Setelah browsing beberapa saat, akhirnya kamu klik menu dan bayar makanan pilihanmu.

Percaya nggak kalau dalam waktu 5 menit dalam hidupmu hanya untuk memilih makanan, ada ribuan baris data yang dihasilkan oleh berbagai perusahaan (Google, SuperApp, restoran), dan itu berawal dari klik di Google Search?

Setiap klik, scroll, swipe diambil sebagai data baru.

Ini akan melihat lokasi, preferensi, data profil mu dan mencocokkan semuanya sepersonal mungkin untuk pembelian mu yang berikutnya.

Dan di seluruh dunia ini ada jutaan orang yang sedang melakukan hal yang sama seperti kamu.

Fun fact! Menurut data LocaliQ, setiap menit sepanjang hari di tahun 2020, ada:

• 350.000 tweet dikirim di Twitter
• 694.000 video dilihat di TikTok
• 4,2 juta pencarian Google
• 3,47 juta video YouTube dilihat

Besar banget kan?

Ada 218 miliar unduhan aplikasi seluler di semua platform pada tahun 2020 (Statista, 2021).

Selain itu, adanya explosion dalam belanja online dan user-generated content melalui TikTok, YouTube, dan Instagram selama beberapa tahun terakhir.

Dapatkah Anda bayangkan jumlah data yang perlu ditangani? Inilah sebabnya mengapa orang menyebutnya 'big data.'

Kenapa Data Sangat Penting untuk bisnis?

Data sangat bisa membantu bisnis untuk melakukan hal yang luar biasa:

Memahami customer, meningkatkan kampanye bisnis, mempersonalisasikan promosi, dan meningkatkan pendapatan, serta membangun bisnis yang sustainable.

Beberapa keuntungan ini tidak akan bisa didapatkan tanpa menggunakan tools dan proses yang tepat untuk menganalisis data.

Data mentah ibaratnya seperti 'tambang emas', tapi orang tidak bisa melihat value dari kalung emas atau perhiasan yang kita tahu tanpa proses ekstraksi dan pencetakan yang tepat.

Kamu memerlukan big data analytics untuk dapat melihat value dari data yang ada, dan ini dapat digunakan untuk mengembangkan bisnis.

Big data mempunyai skala, keragaman, dan kompleksitas yang memerlukan arsitektur, algoritma, dan analitik tertentu untuk mengekstrak nilai darinya.

Karakteristik dari Big Data

Terdapat 3 karakteristik dari Big Data, yaitu 3V:

1. velocity (kecepatan),
2. volume,
3. dan variety.

Beberapa sumber mendefinisikannya sebagai 5V, termasuk veracity (kebenaran) dan value.

Statista (2021) menunjukkan bahwa market dari big data dan business analytics secara global bernilai sebesar 168,8 miliar dolar AS pada 2018 dan diperkirakan akan tumbuh menjadi 274,3 miliar dolar AS pada 2022.

Dengan jumlah data dan pangsa pasar yang terus bertambah, ada tantangan besar di balik pertumbuhan masyarakat.

Data Analytics in Southeast Asia

Apa yang terjadi di Asia Tenggara?

Kementerian Komunikasi Indonesia telah menunjukkan bahwa dalam setahun ada lebih dari 600.000 kekurangan talent dalam keterampilan digital dan teknis.

Kamu bisa melakukan sedikit riset melalui LinkedIn Jobs seputar keyword “data” dan “analyst”, dan inilah angkanya:

Menurut wawancara dengan seorang data leader di salah satu unicorn di SEA, talent gap terlihat jelas karena unicorn di SEA saling membajak talenta karena keterbatasan sumber talent.

Apalagi, startup dengan modal lebih seperti Gojek mendapat dukungan IT dari India, seperti Bangalore.

Dengan kekurangan talenta ini, ada permintaan dan peluang kerja yang sangat besar untuk para talenta digital.

Salah satu demand yang tinggi adalah untuk ahli data.

Semoga guide ini memberikan lebih banyak wawasan dan konteks seputar data analytics untuk kamu yang baru di bidang ini.

Part 2 - Perbedaan Terminologi di Data Analytics

Siapakah Seorang Data Analyst?

Ahli data adalah istilah yang cukup luas, dan mungkin ada perbedaan pandangan dalam hal definisi dan cakupan. Mari kita mulai dengan definisi.

Data analytics, singkatnya, dapat didefinisikan sebagai cara untuk mengekstrak value dari big data.

Data analyst bekerja dengan big data melalui eksplorasi, analisis, dan visualisasi untuk mengekstrak insight- insight penting memungkinkan para pemilik bisnis untuk membuat keputusan berdasarkan data.

Data Analytics VS Lainnya

Hal berikutnya yang selalu ditanyakan orang adalah, 'Apa perbedaan antara Data Analytics vs Business Intelligence vs Data Engineer vs Data Scientists vs Machine Learning?’.

• Data Analyst adalah bagian dari data science, yang bertugas untuk mencari jawaban atas pertanyaan tentang apa yang telah terjadi, serta melihat nilai atau pembelajaran apa yang dapat kita ambil.
• Data Engineer akan mempersiapkan landasan bagi data analyst untuk melakukan pekerjaan; mereka mengumpulkan data dan membangun gudang data.
• Business Intelligence agak mirip dengan data analyst tetapi lebih berat pada keahlian bisnis atau pengetahuan domain.
• Data Scientist membuat algoritma untuk membuat model dan membantu menginformasikan strategi organisasi secara keseluruhan.
• Machine Learning Engineer mempunyai keahlian khusus di beberapa bidang, seperti pembelajaran mesin non-neural, pemrosesan natural language, dan computer vision.

Ini membawa kita kepada beberapa istilah penting mengenai data: analitik deskriptif, diagnostik, prediktif, dan preskriptif.

Gambar di bawah menjelaskan bagaimana kami mendefinisikan berbagai jenis analitik. Ada empat jenis analitik, seperti yang kamu lihat di bawah.

• Analitik Deskriptif –– menggunakan data dari sumber yang ada untuk menganalisis pola, tren, atau signifikansi yang dapat mempengaruhi kinerja untuk mendefinisikan masalah
• Analitik Diagnostik –– lebih dalam dari analitik deskriptif, dengan menggunakan insights untuk meningkatkan kinerja bisnis dan mengetahui mengapa hal itu terjadi
• Analitik Prediktif –– penggunaan teknik statistik dan pemodelan untuk menentukan apa yang mungkin terjadi di masa depan
• Analitik Preskriptif –– menggunakan statistik dan model untuk memprediksi kinerja masa depan dan membuat keputusan terbaik