Course: Data Analytics di Asia Tenggara: Difference between revisions
| 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: | |||