Course: Data Analytics di Asia Tenggara: Difference between revisions
Created page with "== 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 favorit..." |
|||
| Line 65: | Line 65: | ||
Kamu bisa melakukan sedikit riset melalui LinkedIn Jobs seputar ''keyword “''data” dan “analyst”, dan inilah angkanya: | Kamu bisa melakukan sedikit riset melalui LinkedIn Jobs seputar ''keyword “''data” dan “analyst”, dan inilah angkanya: | ||
[[File:Course RevoU Data Analytics 120647.png|center|thumb]] | |||
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 | |||