IDEC Akan Selenggarakan Seminar Bertajuk Big Data dan Artificial Intelligence

Setelah pada Januari lalu mengadakan acara bertajuk “Expert Dating” dan seminar bertema “Blockchain”, bulan ini Indonesia Entrepreneur Center (IDEC) akan kembali mengadakan acara untuk meningkatkan pemahaman para pengusaha tentang tren teknologi terkini. Kali ini tema yang ingin diangkat adalah seputar big data dan artificial intelligence.

Acara pertama akan mengundang Christian Angkasa (Head of Advanced Analytic KUDO) dan Heryanto Lee (Lead Data Engineer KUDO). Keduanya akan membagikan materi seputar bagaimana cara menggunakan big data dalam berbisnis di sesi seminar “How to Use Big Data for Your Business”. Materi yang akan disampaikan mulai dari pemaparan apa itu big data dan bagaimana cara menggunakannya dalam berbisnis serta manfaatnya. Seminar ini akan digelar pada Selasa, 13 Februari 2018, 14.00 WIB, Metropolitan Tower, Lt.13, Cilandak, Jakarta Selatan.

Acara kedua bertajuk artificial intelligence akan menghadirkan Reynir Fauzan (Co-Founder dan CMO Kata.ai) dan Yugie Nugraha (Project Lead Rinna-Microsoft AI & Research). Tema seminar yang diangkat adalah “Welcoming the Future: AI in Your Business”. Kedua pakar akan membicarakan tentang bagaimana AI dapat bekerja untuk sebuah perusahaan. Seminar akan dilaksanakan pada Selasa, 20 Februari 2018, 14.00 WIB, di Centennial Tower, Lt.29, Jl. Jend. Gatot Subroto, Jakarta Selatan.

Dengan acara ini, IDEC mengharapkan pengusaha di Indonesia dapat memperdalam pengetahuan dalam bidang teknologi dan peran teknologi dalam dunia bisnis. Pada akhirnya, hal ini bertujuan untuk meningkatkan kualitas kewirausahaan Indonesia dan juga kualitas wirausahawan di Indonesia.

Untuk informasi lebih lanjut dan pendaftaran untuk seminar sesi pertama dapat menggunakan tautan berikut ini: klik di sini. Dan untuk seminar sesi kedua dapat menggunakan tautan berikut ini: klik di sini.

–
Disclosure: DailySocial adalah media partner Indonesia Entrepreneur Center

Empat Hal yang Perlu Dicermati Jika Ingin Menjadi “Data Scientist”

Makin besarnya permintaan tenaga data scientist di Indonesia saat ini, ternyata tidak dibarengi dengan jumlah tenaga data scientist yang berkualitas. Hal tersebut terjadi karena Indonesia masih terbilang baru dalam hal pengolahan big data dan belum adanya edukasi yang menyeluruh soal data scientist.

Menurut Co-Founder Algoritma Nayoko Wicaksono, untuk bisa menjadi seorang data scientist yang baik dibutuhkan pengalaman serta wawasan dan pemikiran yang cukup dewasa untuk bisa mengolah dan menganalisis data yang ada.

“Karena alasan itulah mengapa banyak tenaga data scientist yang fresh graduate belum terlalu mahir melakukan analisis dan pengolahan data. Mereka yang pernah bekerja dan terbilang berpengalaman, ideal untuk menjadi tenaga data scientist yang baik.”

Dalam sesi #SelasaStartup kali ini, Nayoko Wicaksono yang memiliki kelas dan tempat pelatihan untuk menjadi seorang data scientist, Algoritma, memberikan beberapa tips untuk bisa menjadi data scientist yang tepat.

Diperlukan talenta yang multiskill

Pengolahan data memanfaatkan tenaga data scientist, diklaim mampu mengurangi biaya pengeluaran sebuah startup hingga perusahaan jika diterapkan dengan baik. Berbeda dengan proses pengolahan data sebelumnya yang masih menggunakan cara-cara konvensional, pengolahan data saat ini begitu kompleks, sehingga dibutuhkan talenta yang multiskill untuk bisa memecahkan solusi.

Idealnya, seorang data scientist yang baik harus memiliki kemampuan memahami matematika, statistik, hingga basic logic dan tentunya memiliki pengalaman yang luas.

Harus bisa berkolaborasi dengan semua tim

Untuk bisa menghasilkan analisis data yang tepat, seorang data scientist harus bisa melakukan kolaborasi yang baik dengan divisi lain dalam perusahaan. Misalnya, jika bagian pemasaran membutuhkan analisis untuk data soal pemasaran hingga consumer behaviour, seorang data scientist harus bisa memahami kemudian menganalisis permintaan tersebut. Untuk bisa menghasilkan analisis yang tepat, kerja sama tim dan kolaborasi yang baik mempengaruhi keberhasilan tersebut.

Hindari belajar sendiri secara online

Untuk bisa memahami apa itu data scientist, variabel apa yang mempengaruhi dan bagaimana cara tepat menganalisis suatu masalah, belajar langsung di kelas/pelatihan/kursus sangat disarankan. Hindari untuk belajar secara otodidak secara online, karena begitu banyak pemahaman hingga proses yang harus dilalui, menjadikan informasi dan pelajaran harus diketahui secara langsung dari pakar dan guru yang berpengalaman.

Tidak ada acuan atau sistem pengukur skill data scientist

Karena profesi ini masih terbilang baru, saat ini belum diketahui dengan pasti seperti apa data scientist yang paling baik. Idealnya seorang data scientist yang berpengalaman adalah mereka yang mampu mempelajari data set perusahaan tempat mereka bekerja. Semakin baik seorang data scientist mempelajari dan menganalisis data yang ada, semakin cerdas mereka melakukan proses tersebut.

“Sekedar informasi, untuk tenaga data scientist yang masih amatir saja sudah bisa mengantongi gaji sebesar Rp10-20 juta, bisa dibayangkan berapa besar gaji yang diterima untuk seorang data scientist “unicorn” yang merupakan istilah bagi data scientist profesional,” kata Nayoko.

East Ventures Introduces “Warung Pintar”, Integrates Startup Partner’s Retail Technology Product

East Ventures announces a second project after successful with EV Hive co-working space. This time by developing “Warung Pintar”, a warung (shop) designed to enable digitalization targeting basic-level society. Through data management and analysis, its vision seeks to open new opportunities in term of financial inclusion, social security, behavior analysis, interaction with community and social influences monitoring.

This is a further attempt of East Ventures’ commitment to be more active in technology projects for public, a commitment made since the establishment of Unit Creating Shared Value (CSV). The selection of “warung” concept is considered as it becomes a culture of Indonesians. Warung Pintar wants to empower a segment in society that has not been exposed to the digital world. In the early phase, there are 8 Warung Pintar points throughout Jabodetabek.

“Warung, as a form of traditional micro-enterprise, has been present since the 19th century and closely engaged in local culture. Therefore, by the fact that technology should be accessible by everyone, warung becomes a medium for all Indonesians to take part in the digital economy,” said Agung Bezharie, Warung Pintar’s CEO who previously working as East Ventures’ Investment Associate.

Using IoT, big data analytics and blockchain technology

Technology implementation for Warung Pintar is available in 3 pillars, IoT (Internet of Things), big data analytics and blockchain. IoT implementation aims to improve the accuracy of retail data entry. Big data analytics will be used for better understanding of customer behavior, as well as blockchain to create transparency and trust of the shop owners. To smoothen its development, two business technology experts, namely Sofian Hadiwijaya and Pandu Kartika Putra, were hired.

Hadiwijaya is responsible as technical team leader. His experience as a tech community builder and board members in Kudo, Pinjam.co.id and Go-Jek is valued to be impactful for the growth of Warung Pintar. Putra on the other hand is East Ventures’ Associate of Civic Project. He previously was a technology specialist for general affair and involved in several activities such as Code for Bandung and Code4Nation.

“Although the digital platform implementation by consumers and merchants becomes high momentum in Indonesia, we are aware of some groups who against it due to the lack of exposure to the whole digital world. Warung Pintar takes a different approach to serve these segment by providing not only digital platform, but also building physical platform for them. We build an end-to-end solution starts from land discovery, funding, promotion to marketing. Warung Pintar is the answer for a new retailer,” said Willson Cuaca, East Ventures’ Managing Partner.

Cooperation and integration mechanism with East Ventures’ partners

Cuaca explained, Warung Pintar offers partnership in the term of cooperation with shop owners. They only have to give commitment, honesty and time to fix the place once needed. The project is actually in contrary to the current e-commerce economic unit, with an average of purchasing percentage smaller, non-repetitive buyers and relatively smaller profits. Nevertheless, Warung Pintar is a sign for East Ventures’ portfolio integration, given the enormous application of company’s technology solution, a result of East Ventures’ investment in this project.

Warung Pintar uses MokaPOS system for the cashier. Financial record and accounting will be using Journal. Customers can reload credit, purchase tickets and other items through Kudo services. Product procurement and last-mile distribution system provided by Do-cart. Warehouse distribution system managed by Waresix. In addition, all shops will be ready to fullfil EV Hive co-working space customer’s needs.

–
Original article is in Indonesian, translated by Kristin Siagian

East Ventures Luncurkan “Warung Pintar”, Integrasikan Produk Teknologi Ritel Startup Mitra

East Ventures kembali mengumumkan proyek kedua mereka setelah sukses dengan co-working space EV Hive. Kali ini mereka mendirikan “Warung Pintar”, yakni sebuah warung yang didesain untuk memungkinkan digitalisasi menyasar tingkat masyarakat paling mendasar. Melalui pengelolaan data serta analisis, visinya berusaha membuka kesempatan baru dalam hal inklusi finansial, keamanan sosial, analisis perilaku, interaksi dengan komunitas serta pemantauan pengaruh sosial.

Upaya ini sendiri merupakan kelanjutan dari komitmen East Ventures untuk aktif dalam proyek teknologi untuk kepentingan umum, komitmen yang dimulai sejak pembentukan Unit Creating Shared Value (CSV). Dipilihnya konsep warung karena dinilai telah menjadi kultur kehidupan masyarakat di Indonesia. Warung Pintar ingin memberdayakan segmen masyarakat yang belum banyak terpapar dunia digital. Di fase awal ini, sudah ada 8 Warung Pintar yang tersebar di wilayah Jabodetabek.

“Warung, sebagai bentuk usaha mikro tradisional, telah hadir sejak abad ke-19 dan telah erat bersatu dengan budaya lokal. Dan dengan kenyataan bahwa teknologi seharusnya dapat diakses olah siapa saja, maka Warung menjadi wadah yang tepat bagi seluruh masyarakat Indonesia untuk mengambil peran dalam ekonomi digital,” sambut CEO Warung Pintar Agung Bezharie. Sebelumnya Agung menjabat sebagai Investment Associate di East Ventures.

Manfaatkan teknologi IoT, big data analytics dan blockchain

Implementasi teknologi untuk Warung Pintar hadir dalam 3 pilar, yakni IoT (Internet of Things), big data analytics dan blockchain . Penerapan IoT bertujuan untuk meningkatkan akurasi pemasukan data ritel. Big data analytics akan digunakan untuk memahami perilaku para pelanggan dengan lebih baik, serta blockchain untuk menciptakan transparansi dan kepercayaan kepada pemilik warung. Untuk memuluskan perkembangannya, dua orang ahli teknologi bisnis yakni Sofian Hadiwijaya dan Pandu Kartika Putra direkrut.

Sofian bertanggung jawab sebagai pemimpin untuk tim teknis. Pengalamannya sebagai pembina komunitas teknologi dan petinggi di Kudo, Pinjam.co.id dan Go-Jek dinilai akan memberikan dampak pertumbuhan bagi Warung Pintar. Sedangkan Pandu adalah Associate of Civic Project untuk East Ventures. Sebelumnya, ia menjadi spesialis teknologi untuk kepentingan umum dan pernah terlibat dalam beberapa kegiatan seperti Code for Bandung dan Code4Nation.

“Meskipun penerapan platform digital oleh konsumen dan pedagang memiliki momentum yang tinggi di Indonesia, kami menyadari adanya kelompok masyarakat yang tidak dapat menikmatinya dikarenakan kurangnya paparan mereka terhadap dunia digital secara keseluruhan. Warung Pintar mengambil pendekatan yang berbeda untuk melayani segmen tersebut dengan tidak hanya menyediakan platform digital, tetapi juga membangun platform fisik untuk mereka. Kami membangun solusi end-to-end mulai dari pencarian lahan, pendanaan, promosi, hingga pemasaran. Warung Pintar merupakan jawaban dari new retailer,” ujar Managing Partner East Ventures Willson Cuaca.

Mekanisme kerja sama dan integrasi dengan mitra East Ventures

Dijelaskan Willson, Warung Pintar menawarkan bentuk kerja sama berupa kemitraan dengan pemilik warung. Pemilik warung hanya perlu memberikan komitmen, kejujuran serta waktu mereka untuk memperbaiki warung sewaktu-waktu dibutuhkan. Proyek ini sendiri bertolak belakangan dengan unit ekonomi e-commerce yang ada saat ini dengan rata-rata jumlah pembelian yang lebih kecil, pembeli non-repetitif dan keuntungan yang relatif lebih kecil. Kendati demikian, Warung Pintar merupakan lambang dari integrasi portofolio East Ventures, mengingat besarnya aplikasi solusi teknologi perusahaan hasil investasi East Ventures di proyek ini.

Kasir Warung Pintar menggunakan sistem MokaPOS. Pencatatan keuangan dan akuntansi menggunakan sistem Jurnal. Pelanggan juga dapat mengisi ulang pulsa serta membeli tiket dan barang-barang lainnya melalui layanan dari Kudo di sini. Pengadaan produk dan sistem distribusi last-mile disediakan oleh Do-cart. Sistem distribusi gudang yang dikelola oleh Waresix. Selain itu, seluruh warung juga selalu siap untuk memenuhi kebutuhan para pelanggan EV Hive co-working space.

Machine Learning Berpotensi Jadi Teknologi Paling Berperan

Machine learning adalah salah satu teknologi yang digadang-gadang sebagai masa depan. Kemampuan “belajar” yang diberikan ke mesin atau sistem membawa kesempatan yang cukup luas bagi teknologi untuk bisa membantu manusia, dan terus berkembang dari hari ke hari. Bahkan menurut Oracle teknologi machine learning akan menjadi teknologi yang terpenting setelah internet.

Machine learning, kecerdasan buatan dan robot banyak digambarkan sebagai teknologi yang bisa menggantikan posisi manusia di lapangan pekerjaan. Namun Menurut Oracle kehadiran teknologi seperti machine learning justru menandakan sebuah kemajuan yang juga akan membawa pekerjaan baru, model bisnis baru, dan industri baru. Bukannya membuat manusia tersingkirkan machine learning justru akan memudahkan manusia dan menjadikan manusia lebih efektif.

Saat ini kehadiran machine learning mulai marak dan merambah ke teknologi di sekitar manusia, seperti perangkat lunak di smartphone, di mobil atau di beberapa perangkat canggih lainnya. Perangkat lunak (yang sudah mengadopsi machine learning) bisa membantu manusia untuk mengakses informasi dan menghasilkan keputusan yang lebih baik bahkan lebih cepat. Oracle percaya perusahaan yang memanfaatkan keunggulan machine learning akan maju dengan pesat karena mereka mampu mengambil keputusan yang lebih cepat dan efisien.

“Pengadopsian machine learning tumbuh bersama dengan komputasi awan, untuk alasan yang bagus. Integrasi aplikasi, platform dan infrastruktur komputasi awan yang mulus itu penting untuk pertumbuhan dan keefektifan machine learning. Integrasi yang mulus ini akan membuka akses machine learning ke kolam data yang lebih luas, menyingkirkan silos dan menggambar data dari seluruh perusahaan serta jaringannya,” Group Vice President and Chief Architect, Core Technology and Cloud, Oracle Asia Pacific Chris Chelliah.

Big data dan cloud akan menjadi kolaborasi sempurna bagi machine learning. Karena semakin banyak data yang diolah maka semakin cerdas machine learning sehingga keputusan yang diambil pun bisa lebih baik dan terus berkembang. Big data menjanjikan banyak hal di dalam transformasi digital dan cloud menyediakan fondasi untuk transformasi digital maka machine learning merupakan alat pertama untuk membuat semua hal tersebut berkembang. Machine learning memiliki banyak kegunaan tanpa batas selama ada proses analisis dan pemahaman data yang cepat di situlah machine learning diperlukan.

Saat ini machine learning didorong untuk merevolusi di bagian pelayanan pelanggan atau disebut customer service. Salah satu bentuk nyata hadir dalam teknologi chatbot yang bisa menggantikan peran manusia dalam melayani pelanggan. Selain memberikan respons cepat teknologi chatbot juga bisa terus berkembang seiring banyaknya data yang dikumpulkan.

Memahami Dasar-dasar “Data Science” untuk Bisnis (Bagian 4)

Machine Learning (ML) menjadi salah satu teknologi yang akhir-akhir ini banyak diperbincangkan. Perannya bisa bermacam-macam, salah satu yang sudah mulai banyak realisasinya ialah untuk membangun sebuah sistem dengan kecerdasan buatan, misalnya layanan chatbot. Dalam praktik Data Science, konsep ML turut diberlakukan. Pengertian ML di sini adalah penerapan model algoritmik terhadap data, dengan cara yang iteratif, sehingga komputer dapat menemukan pola tersembunyi atau tren yang dapat digunakan untuk membuat prediksi.

Beberapa contoh pemanfaatan ML dalam kebutuhan proyeksi data yang saat ini ada misalnya untuk kebutuhan real-time internet advertising, spam filtering, search egine, recommendation engine, dan sebagainya. Pada dasarnya gambaran untuk proses sederhana ML dalam data ada tiga tahapan, yakni penyiapan data, pembelajaran data, dan aplikasi data. Sistem bergerak secara berkelanjutan mempelajari setiap masukan data, dengan memvalidasi dan menguji hingga menghasilkan akurasi data untuk proyeksi.

Konsep ilmu dasar dalam implementasi ML adalah statistik dan ilmu komputer. Lalu kedua konsep tersebut disusun dengan berbagai model, ada tiga tepatnya yang populer saat ini, yaitu Supervised Algorithms, Unsupervised Algorithms, dan Semi-Supervised/Reinforcement Algorithms. Perbedaan antara ketiganya ialah pada pelabelan masukan data, karena ini menjadi salah satu kunci pada pemrosesan berikutnya. Komputer harus mampu memahami dan memilah tipikal data tersebut dan mengelompokkan sesuai kategori yang ditunjuk.

Model Roinforcement menjadi yang paling relasional, sistem mempelajari tingkah laku secara komprehensif. Model ini mencoba mengadopsi cara berpikirnya manusia untuk belajar yang saat ini masih terus dieksplorasi untuk penerapan dan studi kasusnya.

Apa yang bisa dilakukan dengan data dan Machine Learning?

Peruntukan konsep ML sangat bergantung dengan pendekatan algortima yang digunakan. Saat ini ada banyak sekali temuan algoritma untuk pembelajaran mesin tersebut. Masing-masing dapat diterapkan pada fungsionalitas khusus. Sehingga sebelum menerapkan suatu konsep ML, pastika untuk terlebih dulu memahami tentang masing-masing pendekatan algoritma yang tersedia, agar mendapati proses yang lebih optimal.

Sebagai contoh untuk pengguna aplikasi Gmail di ponsel, ada yang namanya fitur Smart Reply. Sebuah opsi tombol yang berisi balasan muncul ketika ada email masuk di aplikasi. Misalnya emailnya seputar ajakan untuk melakukan sesuatu, sistem akan melihat kalender yang terintegrasi lalu mengusulkan waktu yang tepat. Apa yang dilakukan oleh sistem ialah mempelajari secara mendalam susunan kata dan maknanya yang ada di dalam badan email tersebut, sehingga dapat disimpulkan tipikal email tersebut apakah sebuah informasi, undangan, atau lain sebagainya.

Fitur Smart Reply di Gmail Apps / Google

Contoh lain penerapan fitur ini adalah pada layanan Facebook. Ketika mengunggah sebuah foto bersama teman-teman, biasanya secara otomatis Facebook sudah memberikan rekomendasi orang-orang yang di-tag di foto tersebut. Fitur ini bernama DeepFace. Sama, menggunakan metode Deep Learning untuk menemukan sebuah keluaran prediktif. Deep Learning ini merupakan model ML yang menggunakan hierarchical neural network untuk mempelajari data pada cara yang iteratif dan adaptif. Cara ini efektif untuk mempelajari pola data yang tidak memiliki label atau tidak terstruktur.

Masih banyak algoritma lain yang dapat diterapkan untuk pemecahan kasus berbeda. Namun pada dasarnya semua akan bergantung pada satu masukan yang disebut dengan data. Semakin detail dan banyak data yang diberikan, sistem akan mempelajari lebih banyak hal.

Pada penerapannya Machine Learning tidak akan berjalan secara standalone. Berbagai konsep lain dalam Data Science seperti Big Data masih akan terlibat, misalnya untuk membuat analisis real-time dalam pembelajaran data –salah satunya menggunakan Apache Spark. Sehingga dapat disimpulkan bahwa pembelajaran tentang Data Science sangatlah luas. Data sendiri masih banyak potensi untuk dieksplorasi. Ke depan diyakini masih akan banyak konsep baru yang lahir terkait dengan pengelolaan data, khususnya guna menunjang kebutuhan bisnis.

–
Baca juga seri tulisan sebelumnya:

Pemanfaatan Data Masif Alibaba Saat Pesta Belanja 11.11 Seharusnya Jadi Acuan Bagaimana Pesta Belanja Dilakukan

Ya, Alibaba memang mencatat rekor penjualan $25,3 miliar (lebih dari 340 triliun Rupiah) yang dibukukan saat Pesta Belanja 11.11 tahun ini. Meskipun demikian, tidak cuma angka penjualan yang dilaporkan raksasa e-commerce Tiongkok ini saat pesta belanja global tahun ini. Data-data pembeli menjadi “tambang emas” yang seharusnya diikuti sebagai basis pelaksanaan pesta belanja, khususnya yang berlangsung secara online, di tanah air.

DailySocial dan sejumlah rekan media mendapat kesempatan secara langsung memantau jalannya pesta belanja 11.11 Alibaba yang tahun ini dipusatkan di Shanghai, Tiongkok. Ketika countdown dilakukan, yang menjadi awal berlangsungnya kegiatan 11.11, Alibaba langsung menunjukkan data penjualan secara real time. Setelah angka penjualan 10 miliar Yuan ($1,5 miliar atau 20 triliun Rupiah) tercapai dalam waktu 3 menit, dengan 93% transaksi terjadi melalui perangkat mobile, layar lalu beralih ke data yang lebih dalam.

Alibaba kemudian menampilkan dua jenis data besar. Yang pertama adalah data penjualan secara global, yang kedua adalah data penjualan secara nasional. Keduanya diperbarui secara real time.

Di layar pertama, data penjualan global menampilkan negara-negara mana yang termasuk Top 5 berkontribusi di ajang ini dan barang-barang apa saja yang menjadi Top Seller.

Di layar kedua, datanya lebih intensif. Alibaba bisa men-track per kota dan per provinsi, hingga ke desa-desa, tentang pola konsumsi nasional. Alibaba menamai daerah-daerah ekonomi baru ini sebagai New Rural Economy. Peningkatan pendapatan per kapita Tiongkok yang bertambah 10 kali lipat dalam 17 tahun mendorong pola konsumsi yang makin menyebar dan tidak hanya terpusat di kota-kota besar. Shanghai, Beijing, Hangzhou, Guangzhou, dan Shenzhen memang masih mendominasi, tapi provinsi-provinsi lain telah menggeliat dan pola konsumsinya sangat terlihat di pesta belanja seperti ini.

Kepada DailySocial, pihak Alibaba menyebutkan, “Alibaba telah menyiapkan sistem OneData yang menjadi basis data utuk pengembangan teknologi data kami, termasuk data mining, yang telah membantu mendapatkan data secara real time. Dengan peluncuran OneID, yang dapat diakses konsumen melalui platform-platform ekosistem Alibaba, seperti Taobao, Alipay, dan Youku yang menggunakan single login, analisis data yang komprehensif dapat dilakukan secara cepat, yang mendorong ketersediaan insight konsumen yang sangat berharga.”

Pemanfaatan data serupa di Indonesia

Pesta belanja di Indonesia juga berlangsung di periode 11.11 dan 12.12. Sebelumnya pesta belanja seperti ini ditujukan untuk menggairahkan pola konsumsi online yang memang masih sangat kecil persentasenya di Indonesia. Meskipun demikian, data penjualan di pesta belanja tersebut bisa mulai menjadi indikator pola konsumsi masyarakat dan kehadiran kantong-kantong ekonomi baru.

Tentu saja, yang paling harga di sini adalah data-data konsumen. Zaman dulu, ketika semua transaksi dilakukan secara offline, tidak mudah untuk mengetahui pola konsumsi, barang-barang apa yang sering dibeli oleh masyarakat di area tertentu, dan bagaimana seharusnya inventori dioptimalkan. Kini data tersebut bisa diperoleh dengan lebih mudah dan membantu layanan digital menciptakan pengalaman belanja yang lebih baik.

Pihak Alibaba menyebutkan, “Dengan menganalisis data [yang diperoleh di kegiatan 11.11], kami dapat memperoleh insight konsumen dan pada akhirnya bisa melayani konsumen dengan lebih baik. Contohnya, melalui analisis data, kami bisa mengidentifikasi barang yang sering dibeli oleh masyarakat di area tertentu. Sebagai hasilnya, kami bisa menyiapkan barang tersebut terlebih dahulu melalui sistem logistik dan pergudangan pintar kami, sehingga konsumen yang membeli barang tersebut melalui platform e-commerce kami bisa mendapatkan barang secara lebih cepat karena berasal dari gudang yang terdekat.”

Lebih lanjut, data tersebut juga bisa digunakan untuk merekomendasikan barang-barang secara lebih akurat.

“Alibaba telah mengembangkan sistem, disebut Tmall Smart Choice, untuk membantu penjual mengidentifikasi produk yang memiliki potensi menjadi barang-barang yang laku dijual (best-selling). Sistem ini menggunakan permodelan yang memanfaatkan faktor seperti kebutuhan dan daya beli konsumen, kredibilitas dan reputasi layanan penjual, review dan rating produk, jangkauan harga, dan musim [tren], sehingga bisa memprediksikan barang mana yang bakal populer di antara konsumen yang ditargetkan,” tutup pihak Alibaba.

Pemanfaatan Analisis Data untuk Pengembangan SDM

Data semakin berharga dalam bisnis di tengah perkembangan teknologi seperti sekarang ini. Dengan pendekatan data-driven, kumpulan data dalam bisnis memiliki peran penting sebagai bahan bakar untuk berbagai improvisasi. Salah satu transformasi yang dilakukan dengan data adalah memanfaatkan analisis untuk mengevolusi peran HR (Human Resource) atau Sumber Daya Manusia (SDM) dalam perusahaan. Hal tersebut juga bisa berimbas pada laju perkembangan bisnis.

Dalam pendekatan data-driven, analisis data memang peran sentral sebagai rujukan utama keputusan-keputusan yang diambil oleh departemen HR. Pemanfaatannya meliputi mencari tahu alasan dari turn over karyawan, pemilihan siapa yang pantas memegang tampuk kepemimpinan selanjutnya, dan beberapa efektivitas lainnya dalam hal memanajemen talenta. Berikut beberapa fakta bahwa analisis data membawa pengaruh penting dalam hal tata kelola talenta atau kepegawaian.

Manajemen kinerja karyawan

Idealnya perusahaan atau bisnis mengidentifikasi karyawan yang membutuhkan pelatihan untuk mengoptimalkan performa mereka dan menyukseskan bisnis. Analisis data memungkinkan menawarkan wawasan kepada HR mengenai program inisiatif yang bisa membantu meningkatkan SDM, misalnya seperti program penghargaan dan pelatihan. Salah satu contoh, jika tim penjualan mengalami tantangan mengenai kinerja, data bisa digunakan untuk menentukan sesuatu yang salah kemudian memperbaikinya untuk mengembalikan kinerja.

Mempelajari perilaku karyawan

Analisis perilaku karyawan dalam lebih banyak mengidentifikasi mengenai pola turn over karyawan. Dengan analisis perilaku karyawan tersebut memungkinkan bisnis mencari tahu mengenai perilaku seorang karyawan. Turn over pun bisa diprediksi sejak dini dan bisa diantisipasi, misalnya dengan menangani secara personal atau menyiapkan pengganti yang sesuai.

Merekrut orang yang tepat

Analisis data memiliki peluang untuk berkembang di banyak hal. Untuk bidang HR, analisis data sangat dimungkinkan untuk dikembangkan. Analisis data juga bisa berperan sebagai perangkat untuk membantu karyawan menemukan talenta yang tepat di waktu yang tepat. Dengan analisis data bisnis bisa mengetahui kapan harus membuka lowongan, posisi apa yang paling dibutuhkan, dan juga kompetensi apa yang harus dimiliki calon karyawan. Hal ini mengantisipasi karyawan terlalu banyak menumpuk karyawan di satu posisi atau membuka lowongan yang tidak begitu diperlukan.

–

Disclosure: DailySocial bekerja sama dengan Bigdata-madesimple.com untuk seri penulisan artikel tentang big data.

Memahami Dasar-dasar “Data Science” untuk Bisnis (Bagian 3)

Pada tulisan seri pertama sudah dijelaskan mengenak dasar teori dan komponen pendukung Data Science. Kemudian dalam seri kedua telah dijelaskan pula konsep Big Data sebagai salah satu keluaran dari ilmu Data Science. Tulisan ketiga ini akan membahas seputar penerapan konsep data driven dalam bisnis, yakni memahami tentang keuntungan bisnis membangun awareness seputar pengelolaan data serta kiat memanfaatkan data yang ada sehingga menghasilkan insight berharga.

Tujuan utama bisnis adalah pertumbuhan profit, dan untuk mencapai goal tersebut diperlukan berbagai pendekatan baik yang dilakukan dalam lini internal bisnis maupun eksternal. Lalu apa peran Data Science yang dapat dioptimalkan bisnis untuk mencapai tujuan tadi. Misalnya untuk meminimalkan risiko finansial. Sebagai contoh dalam bisnis e-commerce, memanfaatkan representasi data dengan metode Time Series Anomaly Detection dapat dimanfaatkan untuk mendeteksi fraud secara real-time.

Manfaat lain untuk memberikan efisiensi dalam sistem dan proses produksi. Menggunakan beberapa tipe analisis (akan dibahas kemudian), pemangku keputusan bisnis dapat melihat tren data yang ada, kemudian menciptakan sebuah proses yang lebih efisien dan terstruktur. Kemudian manfaat lain dari penerapan Data Science dalam bisnis adalah untuk meningkatkan penjualan, dengan menemukan cara terbaik untuk strategi up-sell dan cross-sell, meningkatkan loyalitas konsumen, hingga mengoptimalkan konversi dari setiap kanal promosi. Dan masih banyak manfaat lainnya.

Tipe analisis data dalam bisnis

Setelah bisnis memiliki awareness akan data –sebut saja sudah mengakomodasi pengelolaan data secara optimal—lalu apa langkah selanjutnya? Yakni memilih pendekatan analisis sesuai dengan kebutuhan yang ingin dicapai. Dalam konsep Data Science ada beberapa tipe analisis data yang paling sering digunakan untuk kebutuhan bisnis, di antaranya:

Descriptive Analytics; analisis ini mengacu pada histori data sekaligus data yang ada saat ini. Umumnya digunakan untuk menjawab pertanyaan semacam “Apa yang terjadi dengan ABC?”, “Apa yang terjadi jika XYZ?”, dan sebagainya.
Diagnostic Analytics; analisis ini digunakan untuk menyimpulkan kejadian berdasarkan lansiran data terkait. Digunakan untuk menjawab pertanyaan semacam “Mengapa ABC terjadi saat XYZ?”, “Apa yang salah dengan strategi DEF?”, dan sebagaiya.
Predictive Analytics; analisis ini mencoba menyimpulkan sebuah tren dan kejadian di masa depan mengacu pada data-data historis yang ada. Model ini cenderung lebih kompleks dari dua tipe sebelumnya, karena memerlukan pemodelan dan analisis yang lebih mendalam.
Prescriptive Analytics; analisis ini digunakan untuk mengoptimalkan proses, struktur dan sistem melalui informasi yang dihasilkan dari Predictive Analytics. Pada dasarnya memberi tahu kepada bisnis tentang hal apa yang perlu dilakukan untuk mengantisipasi kejadian yang ada datang.

Untuk merealisasikan implementasi analisis bisnis, umumnya bisnis dihadapkan pada dua kendala. Pertama ialah menemukan sumber daya/talenta yang berkompeten. Dan yang kedua tentang bagaimana cara mengomunikasikan hasil analisis. Strategi pepnyelesaiannya bisnis dapat membangun budaya kerja yang menerima produk analisis. Edukasi kepada setiap pegawai juga harus diprioritaskan, untuk memutuskan atau melakukan sesuatu yang terukur, berdasarkan data dan analisis.

Tentang Business Intelligence

Berkaitan dengan optimasi data, mungkin istilah Business Intelligence (BI) dewasa ini menjadi perbincangan hangat, pasalnya banyak perusahaan ataupun startup mulai membangun divisi khusus berkaitan dengan BI. Kendati sama-sama memiliki cara dengan mengoptimalkan data, BI secara definisi sedikit berbeda dengan Data Science. Perbedaannya dengan Data Science ialah pada pendekatan, teknologi dan fungsinya. Tujuan utama BI adalah mengonversi data menjadi insight bisnis yang dapat digunakan pemimpin bisnis atau manajer dalam membuat keputusan yang terukur.

BI umumnya terdiri dari data yang bersifat transaksional, yang secara natural data tersebut dilahirkan dari sebuah proses bisnis. Pengelolaan data tersebut dapat menjawab beberapa pertanyaan, misalnya dari data penjualan dan pemasaran dapat dijawab pertanyaan “Taktik pemasaran seperti apa yang lebih efektif? Mengapa?”, dari data personalia dapat dijawab pertanyaan “Siapa karyawan yang paling produktif? Dan mana yang paling tidak produktif?”, dan lain sebagainya.

Perbedaan lainnya antara BI dan Data Science, termasuk pada sumber data. Konsep BI hanya mengelola data terstruktur saja, untuk keluarannya pun BI menuntut adanya laporan (biasanya berupa dashboard) yang memvisualisasikan data untuk dibaca orang yang bahkan tidak memahami konsep pengelolaan data.

Merekrut talenta data untuk bisnis

Ada beberapa kualifikasi penting yang harus dipenuhi oleh seorang Data Scientist atau Business Analyst yang akan direkrut untuk memenuhi kebutuhan bisnis, kemampuan utama yang dibutuhkan –dalam hal ini hardskill atau kemampuan teknis—meliputi:

Analisis Kuantitatif; termasuk di dalamnya pengetahuan tentang permodelan matematika, statistika, simulasi, dan peramalan. Kemampuan matematika menjadi dasar kemampuan analisis dan manipulasi data.
Kemampuan Pemrograman; pada dasarnya untuk mengelola data semua dilakukan dengan sintaks pemrograman tertentu –misalnya R, SQL, Python dll—maka kemampuan pemrograman menjadi salah satu komponen kunci yang harus dipahami.
Pengetahuan Bisnis; ini sangat kustom, pemahamannya bergantung bidang bisnis apa yang ditangani, karena untuk menjadikan hasil analisisnya lebih mudah dipahami dan relevan.

Dalam praktiknya, beberapa perusahaan menempatkan tim Business Analyst dalam sebuah divisi khusus untuk mengakomodasi seluruh kebutuhan berkaitan dengan data. Beberapa di antaranya menempatkan pada setiap divisi bisnis, karena disadari kebutuhan data untuk masing-masing area berbeda, dan kadang butuh keahlian khusus untuk mengoperasikan, atau bahkan membaca data yang ada.

–
Di seri keempat nanti, akan dibahas bagaimana teknik ekstraksi data sehingga menghasilkan sebuah inisght yang bermanfaat. Simak terus DailySocial untuk seri artikel selanjutnya tentang Memahami Dasar-dasar “Data Science” untuk Bisnis.

Baca juga:

Mengintip Strategi Grab Optimalkan Big Data dalam Operasional

Seperti kebanyakan perusahaan teknologi lainnya, Grab juga memanfaatkan big data yang telah dihimpun untuk meningkatkan pelayanannya agar tetap relevan di setiap negara di mana dia beroperasi, termasuk Indonesia.

Perkembangan teknologi yang cepat turut memperkaya big data Grab seiring waktunya. Tiga tahun lalu, Grab mengaku baru diunduh oleh satu juta perangkat, satu booking per dua detik, 100 perangkat CPU, satu database, dengan beberapa gigabyte data dan logs.

Hingga kini Grab telah diunduh hingga 63 juta perangkat, ribuan booking per detik, puluhan ribu CPU, ratusan database, dengan ratusan terabyte data dan logs. Data-data tersebut di antaranya berisi kebiasaaan pengguna dan pengemudi dengan identitas anonim.

Data yang dikumpulkan dimanfaatkan Grab untuk mencari solusi dan inovasi baik secara jangka pendek maupun jangka panjang. Untuk jangka pendek, Grab berupaya mengoptimalkan jumlah permintaan dengan persediaan pengemudi.

Misalnya memberi notifikasi kepada pengemudi tentang prediksi lokasi yang akan ramai dengan pesanan dalam beberapa menit mendatang.

“Banyak data yang dikumpulkan berarti ada banyak insight buat kami. Dalam seharinya kami menerima 10 terabyte data. Bila ditotal sama dengan multi-petabyte data. Ini yang menjadikan kami sebagai layanan transportasi online yang paling banyak diminta di Asia Tenggara,” terang Head of Engineering Grab Ditesh Gathani, kemarin (25/10).

Sementara untuk rencana jangka panjang, Grab ingin mengubah sistem transportasi ke arah yang lebih baik. Semisal, cara mengurangi jumlah kendaraan di jalan, menyediakan transportasi lebih aman, dan mengurangi polusi.

Salah satu contoh inovasi yang dilakukan lewat memanfaatkan big data adalah kehadiran GrabShare dan GrabNow. GrabShare adalah layanan berbagi tumpangan bersama orang lain, dengan titik tujuan searah.

Sementara GrabNow adalah cara mendapatkan pengemudi tercepat dengan langsung menghampiri pengemudi terdekat yang tidak dalam status pemesanan.

“Karena ingin mengubah sistem transportasi yang lebih baik, kami juga membuka data dengan pemerintah setempat. Salah satu yang sudah kami lakukan adalah dengan pemerintah Singapura. Kami berbagi data untuk menyelesaikan kemacetan jalan atau pembangunan infrastruktur.”

Ditesh mengungkapkan, untuk menyelesaikan masalah pihaknya menerapkan pendekatan secara hyperlocal. Misalnya, pihaknya mengirimkan 15 orang tim Grab untuk menghabiskan waktu selama enam bulan di Jakarta. Mereka akhirnya menemukan bahwa warga Jakarta ternyata akan lebih mudah memesan Grab yang ada di depan matanya.

Rutin upgrade platform

Ditesh juga menuturkan, banyaknya data yang melimpah di satu sisi memaksa Grab untuk me-rewrite sistem setiap dua tahun sekali. Maka dari itu, tim engineer Grab bekerja hanya untuk menyediakan solusi yang berlaku dalam jangka waktu dua tahun.

Tentunya, memprediksi apa yang terjadi dalam dua tahun itu bukan perkara mudah. Namun dengan bekal pengalaman yang terdahulu, ditambah kemampuan tim engineer yang mumpuni, Grab dapat mereka-reka. Setidaknya apa kemungkinan yang terjadi dalam dua tahun mendatang.

“Ini jadi tantangan tersendiri karena kita sendiri tidak tahu apa yang akan terjadi dua tahun ke depan. Tapi kita dapat pengalaman terdahulu, sehingga bisa mereka-reka. Kami juga cukup terkejut dengan kemampuan tim engineer yang mampu meng-upgrade platform Grab jadi lebih scalable dalam dua tahun ke depan.”

Ditesh mengaku sejak lima tahun lalu, Grab telah melakukan rewrite sistem hingga tiga kali. Tahun ini telah mamasuki masa keempat.

Kolaborasi antar engineer di setiap negara

Berlimpahnya data, membuat perusahaan rela berinvestasi besar-besaran membangun research and development center (R&D center) di berbagai lokasi. Total R&D Grab ada enam titik, Seattle (AS), Ho Chi Minh (Vietnam), Singapura, Beijing (Tiongkok), Bangalore (India), dan Jakarta (Indonesia).

Pemilihan lokasi ini, tutur Ditesh, juga tidak sembarang. Pihaknya mempertimbangkan ketersediaan engineer lokal yang mumpuni untuk membantu bisnis Grab. Untuk lokasi yang tidak ada dalam wilayah bisnis Grab, seperti Seattle, Beijing dan Bangalore, dipilih lantaran di negara tersebut memiliki engineer bertalenta baik karena hadirnya berbagai perusahaan teknologi kelas triple A.

Bentuk kolaborasi antar engineer di setiap negara pun juga cukup intens, mereka dapat belajar dari satu sama lain. Tim engineer di luar ASEAN bertugas untuk membantu seluruh tim engineer Grab yang ada dalam menyelesaikan masalah.

Sementara tim engineer lokal karena paham dengan pasar di negara sendiri akan fokus memberi solusi yang bisa mereka lakukan.

Ambil contoh, tim Bangalore bekerja untuk fitur GrabPay. Mereka akan bekerja sama dengan tim Kudo untuk mengintegrasikan GrabPay dalam aplikasi Kudo. Sedangkan tim engineer di Indonesia fokus mempermudah proses penerimaan pengemudi baru dalam aplikasi Kudo.

“Pada intinya, tim engineer akan fokus pada nilai apa yang bisa mereka tawarkan untuk menguntungkan masing-masing negara. tim Vietnam akan bekerja untuk market mereka. Sedangkan tim Singapura mereka mampu membantu seluruh tim di Asia Tenggara.”

Dampak penunjukkan CTO baru

Selain membahas big data, Ditesh juga mengungkapkan bahwa pihak cukup senang dengan kehadiran Theo Vassilakis sebagai CTO Grab. Vassilakis akan membawahi seluruh tim R&D, termasuk Ditesh sendiri.

Pengalaman yang sudah dihimpun Vassilakis tentang big data dari perusahaan sebelumnya diharapkan dapat membantu Grab untuk scale up lebih kencang. Pasalnya, Grab kini tidak hanya sebagai perusahaan transportasi on demand, tapi kini sudah masuk ke sistem pembayaran.

“Kami harap Vassilakis dapat membantu Grab untuk scale up dalam dua hal tersebut,” pungkas Ditesh.

Application Information Will Show Up Here