Induk Perusahaan CekAja Akuisisi IDX Optus, Perusahaan di Bidang Analisis Data

Induk perusahaan CekAja, C88 Financial Technologies, mengumumkan telah mengakuisisi IDX Optus — sebuah perusahaan manajemen informasi, analisis keputusan kredit dan pengolahan data di Indonesia. Detail kesepakatan akuisisi tidak disebutkan.

Tim IDX Optus akan tetap menjalankan perusahaan dan bakal bekantor bersama tim C88 per awal tahun 2020 mendatang, sekaligus memulai operasional mereka di Filipina.

J. P. Ellis selaku Co-Founder & CEO C88 mengatakan, akuisisi didorong oleh semakin pentingnya data dan analisis di industri keuangan di kawasan Asia Tenggara. Ia juga menyebutkan, melalui akuisisi ini C88 bisa menjadi mitra perubahan dengan memberi layanan menyeluruh untuk scoring, pengambilan keputusan, akuisisi, dan interaksi pelanggan bagi institusi keuangan.

“C88 selama ini sudah memegang lisensi marketplace finansial terdepan seperti CekAja.com di Indonesia dan eCompareMo.com di Filipina. Kurang lebih setahun yang lalu, kami telah menggandeng Experian sebagai mitra untuk melakukan penilaian dan analisis keputusan kredit. Dengan IDX Optus kami semakin memperkuat posisi sebagai pemimpin di bidang ini,” terang Ellis.

Sejak didirikan pada 2013 silam, C88 Financial Technologies telah mengumpulkan investasi lebih dari $45 juta. Para pemegang sahamnya merupakan investor di sektor keuangan global, seperti Experian Ventures yang berbasis di San Fransisco, responsAbility Investments yang berbasis di Zurich, dan DEG yang berbasis di Cologne.

Ada juga investor modal ventura seperti Monks Hill Ventures, InterVest Kejora, Telstra Ventures, Kickstart Ventures, dan Korea Invesment Partners.

Solusi IDX Optus sendiri saat ini fokus pada analisis kognitif dan prediktif, kecerdasan buatan, machine learning, manajemen dan visualisasi data, integrasi data hingga dukungan pengambilan keputusan dan manajemen risiko kredit. IDX Optus melayani klien perusahaan di berbagai bidang seperti perbankan, fintech, asuransi, telekomunikasi, ritel dan instansi pemerintah.

CEO IDX Optus Anton Hariyanto menyambut baik akuisisi ini sebagai strategi pertumbuhan dan melakukan ekspansi di kawasan Asia Tenggara.

“Kami akan berekspansi dan bertumbuh untuk memberi manfaat dan membantu jutaan pelanggan di wilayah ini dalam mengakses layanan keuangan. Transparansi dan literasi keuangan adalah tulang punggung ekonomi yang adil dan merata, dan kami sangat antusias menjadi bagian dari perjalanan ini,” terang Anton.

Instagram Analysis Platform Analisa.io is Officially Launched

Instagram analysis platform Analisa.io (Analisa) is officially launched. Becoming one of Mumu.id’s portfolios, Analisa strives to offer an accurate and complete information for Instagram’s hashtag and account analysis. Supported by AI (Artificial Intelligence), Analisa is optimistic to provide a complete insight into popular content, users demographics, and geotrend heat map.

Analisa claims to be able to provide data that can be followed up for campaign purposes for influencers, agencies, brand marketers and those who run social media marketing, especially those who specifically need campaigns for Instagram.

They will complete Mumu.id’s portfolios as an Instagram analysis tool providing opportunities for anyone to read Instagram trend analysis for accounts or hashtags.

“As the increasing social media’s effectiveness and its impact in public, we strive to provide tools which accessible [and capable] to bring positive and optimum impact to social media activities for anyone. Also bringing transparency and accountability to the industry. Our objective in Mumu.id is to create a powerful platform which capable to democratize social empowerment to all individuals or businesses,” Winston Muljadi, Mumu.id’s Co-Founder, said.

Analisa is optimistic to target all classes, of brand marketers, agencies, and influencers worldwide. Include in the market are individuals trying to evaluate Instagram’s hashtags or accounts performance.

No longer in beta version, Analisa offers opportunities for everyone to use their tools. They also provide paid subscription in case you need a more complete data and features.

Mumu.id’s post-pivot act is to build a complete portfolio and focus on social media segments, especially Instagram. Aside from Analisa, they also have IconReel as a platform to connect influencers with agencies.

–
Original article is in Indonesian, translated by Kristin Siagian

Platform Analisis Instagram Analisa.io Diluncurkan

Platform analisis Instagram Analisa.io (Analisa) resmi diluncurkan. Menjadi salah satu portofolio Mumu.id, Analisa berusaha menyuguhkan informasi akurat dan lengkap untuk analisa akun dan hashtag Instagram. Berbekal dukungan AI (Artificial Intelligence), Analisa cukup optimis bisa memberikan wawasan lengkap mengenai konten populer, demografi pengguna hingga geo trend heat map.

Analisa mengklaim mampu memberikan data-data yang mampu ditindaklanjuti untuk keperluan kampanye influencer, agensi, brand marketer dan mereka yang menjalakan social media marketing terutama mereka yang spesifik membutuhkan kampanye untuk Instagram.

Analisa sendiri akan melengkapi protofolio Mumu.id sebagai tools analisa Instagram yang memberikan kesempatan untuk siapa pun agar bisa membaca analisis trend di Instagram untuk akun atau hashtag tertentu.

“Seiring dengan semakin penting dan tumbuhnya efektivitas media sosial dan dampak untuk masyarakat, kami berharap dapat menyediakan tools yang dapat diakses [dan mampu] membawa perubahan yang positif dan optimal untuk aktivitas media sosial bagi siapa pun. Sambil membawa transparansi dan akuntabilitas ke industri. Tujuan kami di Mumu.id adalah selalu membangun platform yang powerful dan mampu mendemokrasi social empowerment kepada setiap individu atau bisnis,” terang co-founder Mumu.id Winston Muljadi.

Analisa optimis menyasar semua kalangan, mulai dari brand marketer, agensi, hngga influencer dari seluruh dunia. Termasuk pasarnya adalah individu yang berusaha mengukur performa akun atau hashtag Instagram.

Setelah melepas versi beta, Analisa memberikan kesempatan bagi siapa pun untuk mencoba tools mereka. Jika membutuhkan data yang lebih lengkap, Analisa menyediakan versi berbayar untuk data dan fitur yang lebih lengkap.

Setelah melakukan pivot Mumu.id berusaha membangun portofolio yang lengkap dan fokus pada segmen media sosial, khususnya Instagram. Selain Analisa, mereka juga memiliki IconReel sebagai platform yang menghubungkan influencer dengan agensi.

Melatih Kemampuan Prediksi Karyawan ala Twitch

Kegiatan analisis dan prediksi dewasa ini banyak terbantu dengan teknologi. Berbagai jenis layanan disuguhkan untuk membantu proses mengumpulkan, mengolah dan menyajikan data agar mudah dibaca dan dijadikan pertimbangan dalam mengambil keputusan. Namun di samping itu semua prediksi adalah sebuah hal yang komplit. Selain data, prediksi juga mengandalkan dan mempertimbangkan hal-hal yang lain. Seperti yang dilakukan oleh Twitch. Dalam sebuah tulisan diangkat bagaimana para karyawan Twitch dilatih untuk meningkatkan kualitas prediksi.

Prediksi yang baik adalah prediksi yang memiliki landasan. Dalam perusahaan landasan untuk memprediksi adalah data dan rekam jejak. Untuk mendapatkan kualitas prediksi data yang didapat pun harus akurat, setidaknya memiliki data yang lengkap. Budaya prediksi juga harus mulai dikembangkan oleh semua yang terlibat di dalam tim.

Seperti yang dilakukan Twitch misalnya, mereka percaya prediksi yang baik adalah berdasarkan angka-angka. Karena dengan angka-angka mereka dapat membantu para manajer memahami dan angka juga dapat memperjelas keputusan dan membantu tim untuk mengkomunikasikan prioritas yang mereka kerjakan.

Disampaikan Data Scientist Twitch Danny Hernandez pihaknya melakukan pelatihan prediksi untuk hampir semua elemen yang ada di tim. Sekarang posisi seperti product manager, engineers, researchers, business development hingga designer mendapat kesempatan untuk bisa memprediksi lebih baik dengan diadakannya pelatihan dan diberikan kesempatan.

Pertama mereka memberi pelatihan bukan untuk memprediksi masa depan tapi dengan memperkirakan metrik yang sebelumnya. Karena bagi pihak Twitch memahami angka bukan hanya memahami bisnis tetapi juga membantu karyawan untuk memperkirakan rata-rata penonton yang didapat, pertumbuhan penonton dari tahun ke tahun, atau berapa persen yang menonton melalui mobile.

Dari penuturan Danny pihaknya mempertajam perkiraan dengan memberikan interval, yang artinya mereka dapat mengukur perkiraan tertinggi dan terendah. Seperti memberikan interval tertinggi di angka 80% dan terendah di angka 20%.

Selanjutnya setelah semua karyawan memberikan perkiraan mereka dengan interval masing-masing, Twitch menyajikan jawaban yang benar sehingga karyawan mendapatkan umpan balik untuk menyesuaikan perkiraan mereka. Hal ini juga bisa menjadi salah satu acuan untuk melihat apakah karyawan terlalu percaya diri atau kurang percaya diri. Model seperti ini juga bisa mendapatkan wawasan mengenai prioritas yang dimiliki masing-masing karyawan.

pendekatan Twitch pun banyak menemui kendala. Ada tiga kendala yang disebutkan Danny, pertama skeptisme mengenai perkiraan tidak akan ampuh dan prediksi tidak akan akurat, karyawan takut perkiraan dan prediksi mereka disalah artikan oleh manajer dan keyakinan bahwa tidak ada data atau bukti yang cukup untuk membuat prediksi. Perkiraan dan prediksi memang harus diasah dan dilatih karena dalam perkembangannya startup membutuhkan kemampuan prediksi yang cukup baik ditunjang dengan data-data dan insting yang kuat.

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.

algoritma dan Misi Mencetak Tenaga “Data Scientist” Berkualitas di Indonesia

Makin maraknya kehadiran startup hingga layanan e-commerce yang berbasis teknologi saat ini, memunculkan posisi baru yang memiliki peranan penting dalam bisnis. Mulai dari data analyst, data engineer, dan data scientist, semua posisi tersebut makin di cari namun terbilang masih sedikit jumlahnya.

Melihat potensi tersebut, algoritma, startup yang fokus kepada program dan kegiatan pendidikan untuk data scientist, hadir di Indonesia. Meskipun masih baru berjalan selama 4 bulan, algoritma memiliki visi untuk mencetak tenaga muda profesional yang ahli dalam pengolahan data.

“Saat ini untuk melihat dan mengolah data tidak cukup lagi menggunakan cara-cara lama, data semakin tidak teratur dan bersifat real-time, sehingga sudah harus dilakukan pendekatan yang lebih modern bukan lagi menggunakan cara konvensional,” kata Co-Founder dan Course Producer algoritma Samuel Chan kepada DailySocial.

Nama Samuel Chan sebelumnya dikenal sebagai Founder dan CEO HyperGrowth, yang merupakan perusahaan teknologi yang mengembangkan solusi otomasi pemasaran untuk pengiklan mobile dan perusahaan aplikasi mobile. Hypergrowth juga sempat mengembangkan Growthbot. Setelah menjalankan bisnis selama 3 tahun, Samuel memutuskan melakukan pivoting dari Hypergrowth menjadi algoritma.

Bersama tim dan formula yang diklaim terbaik, Samuel Chan dan Co-founder-nya, Nayoko Wicaksono, mendirikan algoritma sebagai platform untuk belajar dan mengenal lebih jauh data science.

“Kita telah melakukan komunikasi yang intensif dengan investor ketika memutuskan untuk melakukan pivoting. Hal tersebut dilakukan untuk memastikan bahwa model bisnis yang baru lebih menjanjikan dan dengan tim yang ada saat ini memiliki potensi yang cerah untuk dikembangkan,” kata Samuel.

Aktif menggelar workshop dan kelas data science

Masih kurangnya wadah atau platform yang menghadirkan kesempatan untuk belajar soal data science dan pengetahuan terkait lainnya, tenaga data scientist asal Indonesia masih sangat minim sehingga harus mengimpor tenaga data scientist dari negara lain.

“Saya melihat lingkungan kita saat ini belum memiliki tenaga yang cukup siap menghadapi perubahan teknologi saat ini. Dengan alasan itulah tim dari algoritma ingin merubah keadaan sesuai dengan visi dan misi kita,” kata Samuel.

Saat ini algoritma telah memiliki sekitar 450 peserta yang telah mengikuti kegiatan workshop. Tidak hanya di Jakarta, tetapi juga di luar kota, seperti Surabaya. Sudah 13 workshop yang digelar oleh algoritma, dan dalam waktu dekat akan meluncurkan workshop terbaru tentang Python-based workshops. Secara keseluruhan algoritma menyediakan pelatihan untuk R and PYTHON juga pilihan untuk kursus dan bootcamps data science.

algoritma juga sudah memiliki sekitar 22 klien korporasi sejak pertama diluncurkan. Meskipun masih sangat belia, algoritma disebutkan sudah memiliki tim solid berjumlah 12 orang.

“Dalam waktu 5 tahun ke depan ketika otomasi mulai menggantikan pekerjaan rutin manusia, algoritma ingin menjadi bagian dalam hal menyiapkan tenaga kerja yang handal dan terlatih,” tutup Samuel.

Memahami Dasar-dasar “Data Science” untuk Bisnis (Bagian 1)

Data is a new currency. Kalimat tersebut akhir-akhir ini santer diperbincangkan dikaitkan dengan gerakan transformasi digital, mengisyaratkan betapa bernilainya data bagi sebuah langkah strategis bisnis. Namun jika dirunut, urgensi pemanfaatan data sebenarnya tak lain muncul dari komoditas data itu sendiri sebagai objek digital. Saat ini data bisa diperoleh dari mana saja, dari perangkat komputasi yang sehari-hari digunakan, dari penggunaan komputer, ponsel, kamera, hingga perangkat berbasis sensor yang terpasang di dinding.

Tren tersebut menghadirkan dua jabatan baru dalam lini teknologi, yakni Data Engineer dan Data Scientist. Data Engineer memiliki tugas utama untuk menemukan cara dalam menangkap, mengumpulkan dan memadatkan sebuah data dari sumbernya. Domain pekerjaannya termasuk membangun dan mengelola sebuah sistem yang menjadi produsen data, hingga data-data tersebut berada di dalam sebuah tempat untuk dikelola lebih lanjut.

Sedangkan Data Scientist memiliki misi mengolah data tersebut menghasilkan pengetahuan yang bernilai dan dapat diaplikasikan. Sehingga dapat disimpulkan, bahwa Data Science merupakan sebuah proses memproduksi pengetahuan data (data insight). Adapun karakteristik dari pengetahuan data tersebut ialah sebuah simpulan yang dapat dilaksanakan (actionable), memberikan simpulan atau prediksi yang dapat dimengerti untuk beragam kebutuhan spesifik.

Dasar ilmu Data Science

Untuk menjadi seorang Data Scientist diperlukan pemahaman tentang beberapa hal, yakni kemampuan analisis menggunakan konsep matematika dan statistik, kemampuan pemrograman untuk pengolahan data, dan pemahaman pada subjek spesifik pada bidang bisnis yang digeluti. Karena menangani kebutuhan di bidang tertentu, Data Scientist sering direpresentasikan pada sebuah istilah yang lebih rinci, misalnya ad-tech data scientist, political analyst, head of banking digital analyst dan sebagainya.

Terkait dengan dasar ilmu, matematika menjadi penting sebagai landasan metode deterministik untuk operasi perhitungan kuantitatif (numerik). Aplikasinya dalam Data Science untuk membangun model keputusan, menyusun prakiraan hingga memperhitungkan sebuah prediksi. Memahami dasar kalkulus dan aljabar linier menjadi porsi wajib saat seseorang ingin memulai terjun ke dalam analisis data. Karena keduanya teori paling fundamental yang akan banyak digunakan.

Pemahaman tentang metode statistik digunakan sebagian besar untuk memahami tentang makna data, termasuk untuk melakukan validasi hipotesis dari pengetahuan yang dihasilkan data, menyimulasikan skenario, hingga membantu penyusunan sebuah prakiraan. Wajib hukumnya untuk memahami ilmu statistik dasar. Dalam penerapannya, konsep matematika dan statistika berjalan beriringan, mengharuskan pengelolanya jeli menyisipkan formula sesuai dengan pemrosesan data yang dibutuhkan.

Kemampuan pemrograman atau coding –setidaknya tingkat dasar—juga harus dimiliki. Kode yang dituliskan nantinya akan digunakan untuk menginstruksikan komputer dalam memanipulasi, menganalisis dan memvisualisasikan data yang telah dirapikan.

Kegiatan mengelola data

Sumber data sangat beragam, implikasinya data yang dihimpun juga bervariasi. Dalam standar data digital, setidaknya tipikal data tersebut terbagi ke dalam tiga jenis:

Data terstruktur (structured data); yakni data yang sudah dikelola, diproses dan dimanipulasi dalam RDBMS (Relational Database Management System). Misalnya data tabel hasil masukan formulir pendaftaran di sebuah layanan web.
Data tidak terstruktur (unscructured data); yakni berupa data mentah yang baru didapat dari beragam jenis aktivitas dan belum disesuaikan ke dalam format basis data. Misalnya berkas video yang didapat dari kamera.
Data semi terstruktur (semistructured data); yakni berupa data yang memiliki struktur, misalnya berupa tag, akan tetapi belum sepenuhnya terstruktur dalam sistem basis data. Misalnya data yang memiliki keseragaman tag, namun memiliki isian yang berbeda didasarkan pada karakteristik pengisi.

Data Engineer bertugas untuk menyelaraskan ketiga tipe data tersebut, termasuk di dalamnya mengatur skema data. Mengapa merapikan data tersebut menjadi tugas penting? Ketika berbicara data dengan ukuran yang sangat besar, efisiensi perlu dilakukan dalam arsitektur data, tujuannya untuk memberikan kemudahan sekaligus kecepatan dalam pengelolaan serta akses data. Bagi Data Scientist, salah satu validitas data juga ditentukan dari seberapa relevan sumber data yang dimiliki, baik sebagai pelengkap ataupun pembanding.

Sementara itu, kegiatan analisis data dilakukan dengan bahasa Python atau R untuk memanipulasi data dan menggunakan SQL untuk melakukan query (termasuk membuat relasi) pada sumber data. Coding dilakukan kala sumber data telah menjadi ekstensi berkas yang siap diolah. Secara universal terdapat empat format umum yang dapat diterima hampir semua sistem analisis data, yaitu Comma-separated Values (CSV), Scripts (*.py, *.ipynb, *.r dll), berkas aplikasi tabel (*.xlsx, *.qgs dll), dan berkas pemrograman web (*.html, *.svg dll).

Keluaran Data Science untuk siapa saja

Salah satu keterampilan yang wajib dimiliki seorang Data Scientist adalah komunikasi, baik secara lisan atau tertulis. Seluruh pengetahuan dari data harus disampaikan dengan baik, tanpa kemampuan komunikasi yang benar, maka kebutuhan tersebut tidak akan tersalurkan. Kemampuan komunikasi termasuk di dalamnya menjelaskan berbagai unsur yang kompleks sehingga mudah untuk dipahami oleh pengguna data, termasuk ketika membuat visualisasi grafik dan narasi.

Perkembangan operasi bisnis digital yang sangat masif saat ini pada akhirnya membuat Data Science tidak hanya dilaksanakan oleh perusahaan besar saja, akan tetapi startup digital pun memandangnya sebagai sebuah bagian penting untuk mendampingi keputusan strategi bisnis. Sebagai ilustrasi, beberapa contoh penerapan Data Science dalam bisnis di antaranya untuk membantu sistem bisnis secara keseluruhan, tujuannya untuk meningkatkan ROI (Return of Investment) dengan memberikan gambaran tentang aktivitas terukur.

Contoh lagi untuk membantu pemasaran bisnis. Dari data yang histori yang telah terhimpun, sebuah pengetahuan dapat dibuat untuk menghasilkan analisis prediktif mengidentifikasi strategi apa saja yang efektif dijalankan, sehingga pemasar dapat mengeliminasi berbagai jenis tindakan yang tidak memberikan banyak dampak bagi performa penjualan. Di lain sisi, berbagai strategi baru sangat mungkin ditemukan dengan melihat tren data yang ada. Dan masih banyak contoh model implementasi lainnya termasuk untuk production-costs optimization, pricing model optimization, recommendation engine, fraud detection, dll.

–

Baca juga:

Cerita Airbnb tentang Analisis Penyelesaian Masalah Pelanggan dengan Teknologi

Permasalahan yang terlihat mudah namun sebenarnya akan memberikan kompleksitas, jika tidak mampu diselesaikan dengan gesit dan cepat, berkaitan dengan pelanggan. Kendati rata-rata pergerakannya fluktuatif, startup yang sudah memiliki layanan terpercaya umumnya tetap akan membukukan jumlah pengguna dengan angka yang fantastis. Cerita tentang bagaimana tim engineer dan data Airbnb mengelola pelanggan mereka dengan teknologi menjadi hal menarik untuk dicermati, sebagai sebuah strategi pintar untuk mengakomodasi pelayanan konsumen yang masuk ke dalam sistem.

Ketika ada pertanyaan terkait penanganan data, jawabannya biasanya: “Tentu saja kami memiliki basis data khusus yang digunakan untuk menyimpan isu yang disampaikan konsumen, namun kami belum memiliki cara untuk menjawab isu tersebut (secara sistematis).”

Pada umumnya data seperti keluhan pelanggan memang hanya akan sekedar disimpan, atau mungkin menjadi sebuah to-do list yang harus satu-persatu dikelola oleh divisi customer services. Namun sayangnya tidak banyak yang mampu memetakan permasalahan tersebut berdasarkan tren, terlebih untuk melihat dominasi permasalahan secara real time. Sementara itu untuk penanganan masalah kadang diperlukan urutan prioritas. Kondisi tersebut juga sempat dialami tim Airbnb dalam urusan penanganan pelanggan.

Airbnb saat ini telah menangani 80 juta pelanggan dan terus bertumbuh dengan cepat mengikuti ekspansi yang terus digalakkan. Dengan pelanggan seperti itu, mereka memahami bahwa salah satu cara untuk mengefektifkan pelayanan terhadap pelanggan yakni harus mampu memahami/memproses data (tiket) pelanggan dengan jumlah besar sembari mendeteksi tren masalah secara real time, bahkan memprediksikannya. Lalu apa yang tim Airbnb kembangkan?

Sistem pengelompokan, analisis, dan visualisasi konten

Untuk memberikan efektivitas terhadap pekerjaan tersebut, sebuah layanan berbasis web yang mampu menghitung tren di semua tiket layanan pelanggan dikembangkan. Visualisasi dihadirkan untuk memudahkan pembacaan data, termasuk memetakan jenis masalah, peramban yang digunakan, negara pengguna, subyek permasalahan, dan beberapa atribut lainnya. Sistem tersebut oleh Airbnb difasilitasi dengan aplikasi berbasis Note.js dengan antar muka dibangun dengan React.

Realisasi sistem tersebut memerlukan peranan beragam komponen, termasuk di dalamnya infrastruktur fisik untuk menjadi sebuah data store penyimpanan tiket yang akan dianalisis. Sebuah teknologi oper source “Elasticsearch” digunakan dalam pengembangan ini. Semua tiket didata pada cluster Elasticsearch secara real-time.

Data yang masuk dihitung dalam interval tertentu untuk mengetahui tren yang ada. Menurut tim pengembang, Elasticsearch memudahkan untuk kebutuhan skalabilitas dan melakukan query aggregate di set data yang masuk.

Ilustrasinya sebagai berikut:

Tren ditemukan dengan menjalankan multi-search query ke Elasticsearch untuk mendapatkan setiap atribut tiket yang telah didefinisikan. Sebuah model scoring diterapkan untuk setiap seri waktu, urutan hasil, dan mengembalikan tren atribut pada batas minimum. Setelah itu diperlukan beberapa aktivitas termasuk menyesuaikan periodisitas, menghilangkan noise data, menyesuaikan visualisasi, dan menghitung jika ada lonjakan data.

Menggambarkan tren periodik dipilih penggunaan domain frekuensi menggunakan transformasi Fourier, ketimbang menggunakan grafis. Alasannya untuk memudahkan sistem menemukan frekuensi puncak dan memberikan laporan periodik yang berurutan dari jumlah tiket pelayanan pelanggan yang masuk. Hasil akhir dapat merepresentasikan perubahan nilai maksimum serta volume tiket tertentu dari waktu ke waktu. Perhitungan data dilakukan di Redis, untuk memberikan kecepatan ekstra ketika data divisualisasikan dalam UI web.

Mendefinisikan dan memprioritaskan masalah dengan cepat

Selanjutnya sebuah dashboard disiapkan untuk penggunaannya. Dari sana tren lonjakan terdefinisikan dengan baik, petugas dapat melihat apa saja yang menjadi permasalahan umum yang terjadi. Misal ada lonjakan pengguna baru yang memiliki masalah pencarian pada penggunaan aplikasi di platform tertentu. Sebelum lonjakan ini menjadi masalah yang besar, jika trennya eksponensial meningkat maka tim dapat memutuskan untuk gerak cepat melakukan follow-up perbaikan.

Penggunaan sistem tersebut sudah berjalan sekurangnya enam bulan dalam tubuh Airbnb saat ini. Salah satu yang diuntungkan dengan adanya sistem ini, tim teknis khususnya dapat menangkap lebih banyak hal, mulai dari bugs yang berpotensi menjadi besar, hingga memudahkan tim dalam mendapatkan prioritas penyelesaian masalah, terlebih yang membutuhkan pembaruan salinan kode dalam aplikasi.

Application Information Will Show Up Here

Mengoptimalkan Analisis untuk Bisnis

Banyak bisnis sudah mulai memproduksi data digital. Banyak juga yang mulai memanfaatkan data dengan mengolahnya dengan perangkat analisis untuk mendapatkan gambaran mengenai apa yang sebenarnya terjadi. Termasuk progres naik turunnya proses bisnis.

Meski banyak bisnis yang mulai mengenal penggunaan analisis sayangnya masih belum banyak yang bisa mengoptimalkan analisis bisnis. Terutama memahami peran analisis dalam bisnis.

Pahami bagaimana mengoptimalkan data

Produksi data hadir setiap hari, namun apa yang bisa dihasilkan dari data-data tersebut belum sepenuhnya dipahami oleh pebisnis. Contoh sederhana adalah data media sosial. Data-data tersebut tidak hanya bisa digunakan untuk mendapatkan personalisasi para pengguna tetapi juga sentimen pasar. Komentar-komentar yang ada di media sosial bisa dijadikan juga sebagai acuan untuk menggambarkan sentimen pasar terhadap produk dan lain sebagainya.

Selain memahami kekuatan yang dimiliki data, bisnis juga harus paham penggunaan analisis. Dibutuhkan banyak jenis analisis untuk memenuhi kebutuhan target pengguna yang berbeda. Butuh solusi analisis yang berbeda untuk masing-masing kasus.

“Analisis adalah kategori, jadi kita merekomendasikan pembagian individu. Banyak orang-orang business intelligence yang menginginkan laporan dan jawaban untuk pertanyaan, data science untuk membuat model, dan beberapa engineer yang membangun produk berdasarkan analisis,” ungkap VP and principal analyst untuk Forrester Research Mike Gualtieri.

Memperhatikan layanan yang dibeli

Banyak bisnis yang menggantungkan analisis dengan menggunakan layanan pihak ketiga. Lazimnya, para perusahaan yang menawarkan layanan analisis menawarkan tagline “all in one”. Sayangnya ini yang harus menjadi sorotan. Tidak semua solusi analisis mampu menyelesaikan semua permasalahan analisis. Harus jeli dalam memilih layanan. Pilih dengan hati-hati agar anggaran untuk solusi analisis tidak membengkak.

Memahami yang ingin dicapai

Pada dasarnya analisis sekarang sudah menjadi keharusan di sebuah bisnis. Data digital yang semakin mudah didapat harus dioptimalkan sebaik mungkin. Mengetahui apa yang sebenarnya ingin dicapai dengan analisis harus menjadi perhatian utama ketika bisnis ingin mengoptimalkan analisis.