Data Merupakan Mata Uang Baru, Benarkah?

Data merupakan salah satu bagian penting dalam kehidupan manusia. Tidak hanya sekedar dari segi bisnis dan komersial, tetapi dapat dikatakan bahwa segala hal adalah data. Bahkan, kita sebagai manusia pun merupakan akumulasi data yang tersusun sedemikian rupa dan disebut DNA. Semua hal yang kita lakukan, serta segala bentuk interaksi kita dengan berbagai aspek kehidupan sangat erat kaitannya dengan data. Segala kegiatan yang kita lakukan menghasilkan informasi yang dapat dianalisis, diproses, dan digunakan untuk berbagai keperluan.

Karena cakupannya yang begitu luas, maka data yang tersedia pun sangatlah banyak jumlahnya. Namun, data sebanyak itu hanyalah merupakan barang mentah, layaknya sebongkah batuan emas yang belum memiliki nilai sebelum dijadikan perhiasan. Untuk itulah diperlukan tenaga ahli dalam bidang pengolahan data yang lebih dikenal sebagai ilmuwan data alias data scientist.

Data Science dalam Bisnis Perbankan

Data scientist memiliki peran yang penting dalam proses bisnis, sebab diperlukan keahlian khusus dalam menjalankannya. Proses pengolahan data mengubah sejumlah besar data yang acak dan tidak terstruktur, sehingga menjadi informasi lengkap serta sistematis dan dibutuhkan untuk kebutuhan analisis yang spesifik. Informasi yang telah diolah inilah yang memiliki nilai tinggi dan dapat digunakan. Sehingga seperti layaknya emas murni, data akan mampu menjadi mata uang baru di masa depan.

Salah satu bidang yang memanfaatkan pengolahan data adalah perbankan. Dunia perbankan saat ini mulai beralih dari metode konvensional menjadi digital banking atau perbankan digital. Mulai dari penggunaan aplikasi smartphone, asisten virtual / chatbot, dan berbagai fitur yang mempermudah nasabah dalam melakukan berbagai transaksi dan aktivitas perbankan lainnya.

Bentuk pemanfaatan pengolahan data dalam sektor perbankan juga cukup beragam. Mulai dari pendeteksi fraud, risk modeling, serta analisis pertumbuhan bank, baik secara real-time maupun analisis prediktif. Selain itu, terdapat pula pemanfaatan data yang lebih berorientasi kepada nasabah. Misalnya pengelolaan data nasabah, pembagian segmentasi nasabah, serta layanan dukungan nasabah (customer support).

Finhacks 2018 #DataChallenge

BCA sebagai salah satu bank terbesar di Indonesia juga memahami pentingnya pemanfaatan data dalam bidang perbankan. Sebagai bentuk komitmen untuk memajukan dunia pengolahan data di tanah air, khususnya di sektor perbankan, BCA akan menyelenggarakan Finhacks 2018 #DataChallenge. Dalam ajang ini, kalian akan ditantang untuk mengembangkan solusi perbankan dengan memanfaatkan pengolahan data.

Buat kalian yang mau belajar dan memperluas wawasan kalian tentang data science, ada juga roadshow dan workshop di tiga kota yang menjadi bagian dari rangkaian acara Finhacks 2018 #DataChallenge. Lewat ajang ini, BCA berusaha mengajak generasi muda untuk dapat terlibat dalam kemajuan teknologi pengolahan data dalam perbankan, dan menjadi data scientist yang profesional. Sebab, pengolahan data dan pemanfaatan hasilnya akan menjadi kunci penting dalam kemajuan perbankan digital di masa depan.

Disclosure: Artikel ini adalah advertorial untuk rangkaian acara Finhacks 2018 #DataChallenge yang didukung oleh BCA.

Ajak Masyarakat Dalami Potensi Data, Algoritma Adakan Demo Day & Kickstart

Saat ini, peranan manusia dan data sudah sangat erat dalam berbagai bidang. Tidak hanya dalam kehidupan sehari-hari saja, namun di berbagai industri dengan ruang lingkup yang beragam. Revolusi industri 4.0 yang semakin pesat dengan kemajuan di bidang data science serta ketersediaan big data, turut meningkatkan kebutuhan terhadap sumber daya manusia yang memiliki pengetahuan terkait industri yang ditekuni serta teknologi yang dapat mengoptimalkan bisnis.

Ancella A. Hermawan, Ketua Departemen Akuntansi Fakultas Ekonomi dan Bisnis Universitas Indonesia, memberikan contoh tentang bagaimana industri finansial kini memanfaatkan kerja sama teknologi data dan manusia.

“Dalam praktiknya, pada banyak industri yang sudah mapan, sebagian peran dari akuntan telah digantikan oleh machine learning atau artificial intelligence yang kemudian mendorong kemampuan akuntansi pada cakupan level strategis, yakni analisis dan pengambilan keputusan.”

Tingginya kebutuhan akan sumber daya manusia di berbagai industri tersebut masih timpang dengan ketersediaan data scientist yang siap guna. Salah satu alasannya adalah kurangnya lembaga pendidikan yang mampu mengakomodasi pendidikan data science yang diperlukan bisnis.

“Di Indonesia, data science masih terus berkembang dan menawarkan potensi yang luar biasa besar. Sayangnya, belum banyak program studi yang menawarkan data science sebagai sebuah tool yang mampu menyokong berbagai bidang keilmuan dan bisnis”, ujar Eddy Junarsin, Kepala Subdirektorat Pengembangan Usaha dan Inkubasi Universitas Gadjah Mada.

Sebagai salah satu upaya memenuhi kebutuhan bisnis terhadap data scientist dan untuk memberikan kesempatan karier dalam bidang yang paling dicari saat ini, Algoritma Data Science Education Center memberikan program Algoritma Data Science Academy. Program tersebut dapat diikuti oleh seluruh kalangan dari berbagai latar belakang maupun industri.

Pada tanggal 24 Juli 2018 nanti, Algoritma akan mengadakan Algoritma Demo Day untuk merayakan kelulusan angkatan pertama Algoritma Data Science Academy. Helatan ini akan diisi rangkaian talkshow dan seminar data science. Beberapa pembicara yang akan hadir di antaranya adalah Mari Elka Pangestu, Toto Sugiri (CEO DCI Indonesia), Irzan Raditya (Co-Founder & CEO Kata.AI), Nayoko Wicaksono (CEO & Co-Founder Algoritma), Rama Mamuaya (CEO DailySocial) dan beberapa nama lain yang ahli di bidangnya.

Agenda utama Demo Day ini adalah project showcase dari enam alumni Algoritma Data Science Academy angkatan pertama. Dalam project showcase ini, para peserta dapat menampilkan proyek data science yang mereka ciptakan dalam kelas Data Science Academy.

Salah satu tujuan dari Algoritma Demo Day adalah untuk mempertunjukkan skill siswa kepada para undangan yang terdiri dari tim human resources, IT, atau manajemen dari berbagai korporat dan startup. Dengan begitu, lulusan Algoritma Data Science Academy dapat terserap di berbagai industri yang memerlukan data scientist.

Pada malam hari di akhir acara, akan ada seminar pemrograman data science dalam Kickstart Series: Getting Started in Data Science yang dipandu langsung oleh Samuel Chan, Co-Founder dan Course Producer Algoritma. Sesi ini terbuka untuk umum, dan di sini para peserta dapat mempelajari dasar-dasar pemrograman data science untuk pemula yang tidak memiliki latar belakang pemrograman atau ilmu komputer.

Untuk informasi lebih lanjut dan pendaftaran, klik tautan berikut ini: https://goo.gl/eyxtTA

–
Disclosure: DailySocial merupakan media partner Algoritma Demo Day & Kickstart Series

Algoritma Adakan Pelatihan “Data Science” untuk Cari Tahu Tren Konsumen di Lebaran

Education Center kembali menggelar rangkaian acara Kickstart Series. Kali ini, Algoritma mengangkat topik “Data Science for Lebaran Insights”. Event ini didukung oleh digibank dan akan diadakan pada hari Sabtu, 2 Juni 2018 di GoWork, Chubb Square Lt. 8 mulai pukul 13.00 hingga 16.00 WIB.

Rangkaian seminar Kickstart Series adalah salah satu program yang rutin diselenggarakan Algoritma. Tujuan dari acara ini adalah untuk memperkenalkan data science terhadap publik yang belum pernah bersinggungan dengan data science sebelumnya.

Para peserta Kickstart Series akan mendapatkan hands-on coding experience yang ditujukan untuk pemula. Sehingga, seminar ini cocok untuk peserta yang ingin mempelajari data science walaupun tanpa memiliki latar belakang programming atau IT.

Selain itu, para peserta juga akan mendapatkan insight dari ahli di industri. Untuk Kickstart Series: Data Science for Lebaran Insights kali ini, para peserta dapat mencari tahu seperti apa perilaku konsumen saat bulan Ramadan hingga Lebaran. Salah satunya adalah mengetahui apa saja barang yang paling sering dibeli konsumen saat libur Lebaran.

Di sini akan dikupas juga bagaimana data scientist memanfaatkan informasi tersebut untuk menjadi insight yang berpengaruh dalam membuat keputusan dalam bisnis. Dalam acara ini, peserta juga dapat berinteraksi langsung dengan para expert dan berdiskusi tentang data science.

Sesi hands-on coding akan diisi oleh Samuel Chan, Course Producer dan Co-Founder Algoritma. Industry insights akan menghadirkan Sebastian Wijaya dari SeroyaMart.com.

Pendaftaran Kickstart Series: Data Science for Lebaran Insights telah dibuka. Informasi lebih lanjut dapat diperoleh melalui tautan berikut: https://goo.gl/Di9FcD.

–
Disclosure: DailySocial adalah media partner acara Data Science for Lebaran Insights

Peran Besar Data Science bagi Industri Penerbangan

Data science atau dikenal pula sebagai data-driven science saat ini merupakan hal yang cukup “seksi” dan sedang ramai diperbincangkan, terutama di kalangan pelaku bisnis teknologi. Penggunaan data science memberikan dampak dan manfaat yang sangat besar bagi sebuah perusahaan, terutama dalam upaya melaksanakan pengambilan keputusan yang lebih baik dan lebih tepat. Jadi bukan hanya menggunakan intuisi semata, tetapi juga berdasarkan data yang ada.

Big data memang merupakan hal yang menjadi booming sejak adanya internet. Dahulu, kita terbiasa bekerja dengan data yang terstruktur rapi dan dengan jumlah yang tidak terlalu besar. Namun sejak era dot com dimulai, masyarakat dapat semakin mudah mengakses dan mengirimkan informasi, sehingga jumlah dan ukuran data yang tersedia pun semakin besar.

Sayangnya, data tersebut belum tersusun dan terstruktur secara rapi. Padahal, di dalam kumpulan data sebesar itu terdapat banyak sekali informasi yang bermanfaat dan dapat digunakan untuk berbagai keperluan. Oleh karena itu, dibutuhkan teknologi yang mampu menggali, menganalisis, menyusun, dan mengolah data tersebut sehingga dapat dimanfaatkan sesuai kebutuhan. Dalam kondisi inilah data science memiliki peran yang besar.

Pemanfaatan data science juga dapat dilakukan oleh banyak perusahaan dengan berbagai bidang. Salah satunya adalah dalam dunia penerbangan atau aviasi. Dengan data analytics, sebuah maskapai dapat meningkatkan kualitas pelayanannya menjadi lebih baik. Selain itu, perusahaan penerbangan saat ini dihadapkan pada tantangan untuk mengoptimalkan upaya mereka dalam menjaga lingkungan hidup. Salah satu maskapai yang telah memanfaatkan data science untuk kedua hal tersebut adalah Qantas dari Australia.

Kualitas pelayanan dengan aplikasi

Dalam peningkatkan kualitas pelayanan, Qantas telah menggunakan aplikasi canggih bernama FlightPulse. Aplikasi ini digunakan oleh pilot untuk mengetahui data pesawat dan data penerbangan secara lengkap dan akurat. Mulai dari mengakses metrik, tren efisiensi, sampai keamanan terkait operasional penerbangan dapat dilakukan dengan cara yang praktis, hanya lewat iPad. Sehingga pilot dapat menyusun perencanaan dan eksekusi penerbangan yang efisien, aman, dan irit bahan bakar.

Qantas berkolaborasi dengan General Electric (GE) untuk mengembangkan aplikasi FlightPulse sejak akhir tahun 2016 lalu. Aplikasi ini dikembangkan untuk layanan mobile dari platform Predix, yang telah lebih dulu dibuat oleh GE. Aplikasi ini menggunakan data pesawat yang direkam dan dianalisa secara ringkas, sehingga pilot dapat mengakses data digital terkait operasional penerbangan. Kini, aplikasi FlightPulse telah digunakan oleh lebih dari 1.500 pilot Qantas.

Data dan keberlanjutan lingkungan hidup

Kolaborasi antara GE dan Qantas juga dilakukan dalam upaya menjaga lingkungan hidup. GE ikut berperan serta dalam program bernama Qantas Future Planet Partnership sejak tahun 2007. Tujuan program ini adalah mengurangi emisi gas buang dari perjalanan maskapai tersebut, dengan mengembangkan teknologi pesawat hemat bahan bakar dan rendah emisi gas karbon.

Selain lewat proyek lingkungan, kolaborasi antara GE dan Qantas juga menghasilkan GE Required Navigation Performance (RNP) untuk efisiensi bahan bakar dan optimalisasi jalur operasi penerbangan. Seperti halnya FlightPulse, sistem ini juga dikembangkan dari platform Predix milik GE. Predix sendiri merupakan Paas (Platform as a Software) yang diluncurkan GE sebagai Operating System (OS) berbasis cloud untuk implementasi di sektor industri. Predix mampu menghasilkan analisis dan membuat operasional industri menjadi lebih efisien.

Disclosure: Artikel ini adalah advertorial yang didukung oleh General Electric.

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.

Datanest Hadirkan Platform Data-Science-as-a-Services

Mencoba menghadirkan layanan bisnis yang mengedepankan pendekatan berbasis data-drive, startup bernama Datanest dihadirkan. Di debut awalnya, startup ini melakukan proses bisnis melalui dua pendekatan, pengembangan produk dan menjual layanan berbasis data. Datanest ingin menjadikan dirinya sebagai platform Data-Science-as-a-Services yang dapat diterapkan bisnis untuk memberikan dampak pada penggunaan data. Solusi yang ditawarkan mencakup dari hulu ke hilir, mulai dari pengelolaan data hingga penyelarasan data untuk analisis prediktif.

Di awal debutnya, Datanest tengah mematangkan produk berbasis lending fintech agregator MisterPinjaman. Untuk merealisasikan sistem tersebut, pihaknya bersinergi dengan beberapa marketplace dan data partners untuk menjembatani merchant atau pengguna personal mendapatkan komparasi produk finansial berbasis pinjaman. Di MisterPinjaman, sistem mengolah dan menganalisis perilaku transaksi untuk menghasilkan merchant score, default prediction, dan business forecast. Tujuannya termasuk menghasilkan penilaian terhadap kemampuan peminjam untuk melunasi komitmen hutangnya.

Untuk layanan pengembangan Datanest menyediakan tiga opsi, yakni Data Acquisition, Data Visualization dan Audience Targeting. Layanan pertama ditujukan untuk membantu perusahaan dalam membangun jembatan dari sumber data yang dimiliki, termasuk mengupayakan data tersebut menjadi lebih terstruktur sehingga lebih mudah dipahami. Layanan kedua mengupayakan teknik visualisasi, untuk mentransformasikan data sehingga menjadi informasi yang berguna untuk bisnis. Untuk layanan ketiga memfokuskan pada pemanfaatan data secara lebih riil, membantu bisnis menargetkan analisis target konsumen berdasarkan data karakteristik pengguna yang dimiliki.

Lahan bisnis startup berbasis data cerah

Banyak yang mengatakan bahwa “Data is the New Currency” atau “Today’s Gold is Data”, pun demikian transformasi digital yang banyak dilakukan oleh bisnis, salah satunya mengarahkan pada optimasi data untuk analisis yang lebih baik. Menurut Co-Founder dan CEO Datanes Manggala D. Ratulangie, proses tersebut belum sematang yang dibayangkan.

“Sebagian besar pelaku bisnis saat ini berlomba-lomba untuk mengumpulkan data sebanyak mungkin. Tetapi, tidak banyak yang bisa memanfaatkan ataupun meramu data yang tepat untuk berbagai kebutuhannya. Kalau dianalogikan menambang emas, diperlukan keahlian khusus melalui berbagai proses pemurnian, sampai akhirnya bisa menjadi emas. Begitu pula yang terjadi dengan data,” ujar Manggala.

Manggala melanjutkan, “Dalam suatu bisnis, yang mengetahui data terbaik mana yang dibutuhkan untuk menyelesaikan pekerjaan seseorang pastinya orang yang berpengalaman dalam bisnis tersebut. Sehingga kami percaya bahwa mengolah data bukan hanya ranah para Data Analyst/Scientist, tetapi pekerjaan semua orang yang terlibat di dalamnya.”

Datanes menyediakan custom solution bagi bisnis untuk memulai transformasi berbasis data. Manggala menceritakan dari proses yang pernah dijalani. Umumnya akan dimulai dengan mendefinisikan masalah yang dihadapi dan hasil seperti apa yang diinginkan. Dari uraian tersebut, tim Datanest akan melakukan analisis kebutuhan dan mempersiapkan proses integrasi secara bisnis dan teknis.

Di proses integrasi, sebuah tunnel khusus akan dibuat dan disambungkan ke infrastruktur klien, hal ini dilakukan agar biaya integrasi dapat ditekan dan hampir tidak ada perubahan di sisi klien. Datanest Engine sendiri menggunakan teknologi cloud sehingga lebih fleksibel dan lebih fokus ke kebutuhan bisnis.

Setelah proses di atas berhasil dijalankan, tim Data Scientist Datanest akan mengembangkan pemodelan berbasis Machine Learning sesuai spesifikasi masalah yang dibutuhkan klien. Lalu penyajian data akan disiapkan melalui dasbor internal yang didesain khusus untuk klien dilengkapi dengan fitur berbasis Business Intelligence. Hasil data tersebut dapat dihubungkan ke aplikasi bisnis melalui API yang disediakan oleh Datanest.

Di sisi lain, solusi seperti ini rentan dengan keamanan data dan privasi. Manggala menangkap kekhawatiran tersebut. Ia menjelaskan, “Privasi data merupakan bagian terpenting yang menjadi perhatian kami. Untuk itu data yang masuk ke data pool kami sudah pasti dalam bentuk anonim dan terenkripsi, sehingga privasi dan kerahasiaan data klien akan terjamin. Sistem kami juga dapat diintegrasikan secara hybrid, data pool ini juga dapat diimplementasikan di internal sistem milik klien untuk meyakinkan bahwa akses terhadap data hanya berasal dari engine yang dimiliki Datanest.”

Fokus ke MasterPinjaman, memaksimalkan momentum fintech

Startup ini didirikan oleh dua orang Co-Founder, yakni Manggala dan rekannya Thibaud Plaquet (Chief Business Officer). Manggala sendiri sebelumnya seorang data analis profesional yang memfokuskan keahliannya dalam sistem ERP, Big Data dan analisis bisnis perusahaan. Sedangkan Thibaud merupakan mantan seorang engineer, sebelumnya menjalani karier profesional di beberapa perusahaan termasuk Philips Healthcare dan Sony Professional Solution.

Operasional Datanest saat ini didukung oleh suntikan data angel investor. Tahun ini pihaknya juga tengah mempersiapkan untuk seed funding melalui kegiatan akselerasi Plug and Play Indonesia. Rencananya pendanaan tersebut akan mendukung objektif binsis Datanest di tahun 2018, yakni meningkatkan kemampuan produk MasterPinjam dari sisi teknologi, model machine learning, dan targeting engine. Upaya ini turut memaksimalkan momentum fintech yang masih terus bertumbuh di Indonesia.

Komitmen Algoritma Tumbuhkan Ekosistem Data Scientist di Indonesia

Pada bulan Desember lalu, Algoritma sebagai penyedia layanan belajar data sains menggelar acara “Academy Launch” di Block71 Jakarta. Kegiatan ini merupakan perkenalan resmi Algoritma yang akan dimulai pada bulan Januari 2018. Acara peluncuran akademi ini dihadiri oleh beberapa pihak termasuk perwakilan Kominfo, Bekraf, dan beberapa pelaku startup teknologi. Hadir sebagai pembuka acara Hanifah Makarim, Kasubid Dana Masyarakat Direktorat Akses Non Perbankan BEKRAF. Ia menyampaikan bahwa data sains merupakan salah satu komponen terpenting untuk bisnis masa kini, termasuk bagi startup untuk memperhitungkan berbagai keputusan guna meningkatkan kepercayaan para investor.

Selain itu, Semuel Abrijani Pangerapan, Direktur Jenderal Aplikasi Informatika Kominfo juga hadir menyatakan dukungan dan harapannya bagi pembinaan talenta data sains di Indonesia. Menurutnya di Indonesia yang bisa diolah sangat banyak untuk berbagai kebutuhan dan seharusnya kita bisa menggunakan data tersebut dengan tepat guna. Semuel juga menambahkan bahwa pengolahan data Indonesia belum maksimal karena kurangnya sumber daya manusia yang mampu menjalankan tugas ini dengan baik.

Dalam acara ini, Algoritma juga menghadirkan beberapa pembicara dalam diskusi panel dari perusahaan rekanan yang membahas mengenai karier dalam data. Diskusi panel yang dimoderatori oleh Nayoko Wicaksono (Managing Director Algoritma) ini mengupas bagaimana aplikasi pekerjaan data scientist di beberapa perusahaan di Indonesia. Pembicara yang hadir dan memberikan insight adalah Norman Sasono (Co-founder & CTO Bizzy Indonesia), Irzan Raditya (CEO Kata.ai), Galvin Marne (Head of Marketing, Iflix Indonesia), Suwandi Soh (CEO Sleekr), dan Natali Ardianto (ex Co-founder & CTO Tiket.com).

Data sains banyak disebut sebagai “the new oil”. Jika beberapa tahun lalu minyak merupakan sumber daya yang paling mahal dan paling banyak dicari orang, saat ini minyak telah digantikan oleh data. Data menjadi sumber daya yang sangat mahal dan penting bagi semua jenis industri karena data dapat membantu para pengambil keputusan untuk menentukan arah bisnis. Data sifatnya sangat cepat, bervariasi, dan sangat banyak jumlahnya.

Data dapat berupa informasi mengenai data diri seorang pelanggan dan sejarah pembelian selama beberapa bulan, data pengunjung museum dalam satu minggu, data penjualan sepeda motor di Jakarta, data curah hujan, dan lain-lain. Semua jenis data ini menjadi bernilai guna apabila diolah dan dianalisis dengan benar. Untuk dapat memanfaatkan data dengan tepat guna, dibutuhkan ilmu yang dinamakan data sains. Data sains adalah pengetahuan yang dibutuhkan untuk memperoleh data, menganalisisnya, sampai melaporkan hasil data yang dapat ditampilkan dalam bentuk metrik bisnis sampai perilaku pengguna dalam perusahaan.

Algoritma adalah penyedia akademi data sains, yang bisa diikuti oleh siapa saja tanpa latar belakang pemrograman atau statistika. Dibangun dengan tujuan mengisi kekosongan antara permintaan dan persediaan data scientist di Indonesia, Algoritma melihat bahwa kesempatan ini sangat tepat untuk memperkuat ekonomi Indonesia dengan mendukung iklim bekerja berdasarkan data.

“Algoritma menyediakan pelatihan intensif data science bagi siapa saja yang tertarik menjadi data scientist dalam waktu singkat. Sebagai penyedia pendidikan data sains satu-untuk-semua, Algoritma membantu setiap siswanya bukan hanya dalam kebutuhan akademis namun juga pekerjaan,” sambut Nayoko Wicaksono, Co-Founder Algoritma.

Kurikulum Algoritma dibagi menjadi dua spesifikasi, yakni visualisasi data dan machine learning. Dalam dua spesifikasi ini, setiap siswa akan belajar menggunakan bahasa pemrograman R dan/atau Python. Setiap siswa tidak diwajibkan untuk mengambil dua spesifikasi sekaligus karena masing-masing spesifikasi mempunyai proyek yang berbeda di akhir akademi.

Sejak Juli sampai November 2017, Algoritma sudah meluluskan sebanyak 175 siswa yang merupakan gabungan spesifikasi visualisasi data dan pembelajaran mesin. Para lulusan ini berasal dari berbagai latar belakang, mulai dari fresh graduates, programmer, IT manager, sales and marketing officer, risk management officer, CTO, dan CEO. Semua lulusan tersebut merupakan para siswa yang menghadiri pelatihan Algoritma yang diadakan selama 3 hari dan berhasil membangun projek untuk masing-masing spesifikasi.

Pada bulan Januari 2018, Algoritma mulai membuka kelas akademi, yakni belajar data sains secara intensif selama 6 bulan. Setiap peserta dapat mendaftarkan diri untuk mengikuti spesifikasi visualisasi data atau pembelajaran mesin atau keduanya. Masing-masing kelas akan berlangsung dengan maksimal peserta sebanyak 20 orang dan setiap peserta akan dibantu oleh asisten pengajar. Iklim belajar di Algoritma didesain senyaman dan seefektif mungkin agar setiap peserta berhasil menyelesaikan proyek yang ditugaskan di akhir akademi.

Sebagai agenda awal, Algoritma juga akan mengadakan acara “Kickstart series: Building a Metrics-Driven Startup”. Acara ini akan diadakan pada 10 Januari 2018 mendatang, mulai pukul 18.00 bertempat di Kantorkuu, Agro Plaza Ground Fl., Jl. H. R. Rasuna Said. Dalam workshop ini akan dipelajari tentang bagaimana membuat sebuah dasbor visual menarik untuk menggambarkan metrik capaian sebuah bisnis. Salah satu fokusnya untuk menghadirkan data yang relevan bagi startup saat melakukan pitching ke investor. Jka tertarik untuk mengikuti acara ini, pendaftaran masih dibuka secara online: https://goo.gl/jpBPZf

–

Disclosure: DailySocial merupakan media partner Algoritma.

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.

Cara Merintis Karier Sebagai “Data Scientist”

Data Scientist termasuk salah satu profesi yang kini sangat dicari oleh perusahaan teknologi. Kebutuhan yang besar ini rupanya tidak sejalan dengan ketersediaan talenta di Indonesia. Ketersediaan talenta di profesi ini masih langka, lagipula tidak semua orang tertarik menggeluti bidang ini.

#SelasaStartup edisi (12/12) mengundang Advisor Data ScienceKoinWorks Rifan Kurnia untuk berbagi seputar tips merintis karier sebagai Data Scientist, mulai dari sejarah profesi ini bermula, bagaimana deskripsi kerjanya, apa saja yang harus dikuasai, dan sebagainya.

Berikut rangkumannya:

1. Komponen dasar

Dalam bekerja, setidaknya data scientist membutuhkan tiga komponen dasar yang saling terkait satu sama lain. Komponen tersebut adalah ketersediaan data yang berlimpah, ketersediaan data scientist, dan terakhir ada riset, insight, dan rekomendasi.

Menurut Rifan, riset, insight, dan masukan adalah produk akhir yang dihasilkan sebagai value dari dua komponen sebelumnya.

Selanjutnya, data yang sudah dikumpulkan oleh data scientist digunakan untuk membangun machine learning. Ibaratnya, machine learning itu seperti bayi yang membutuhkan penyangga, ditopang oleh data sebagai dudukan agar bayi bisa duduk tegak.

“Machine learning itu pada awalnya seperti bayi yang belum bisa apa-apa. Bayi butuh penyangga untuk menopang berat badannya dengan data-data yang dikumpulkan. Lalu diajari perlahan-lahan agar bisa pintar.”

2. Keahlian yang dibutuhkan

Untuk merintis karier sebagai data scientist setidaknya membutuhkan tiga keahlian. Menguasai ilmu matematika, setidaknya memiliki keahlian di bidang studi statistik. Selanjutnya menguasai keahlian programming, mulai dari computer science, software engineering, dan systems development. Terakhir, menguasai ilmu bisnis ekonomi/finansial/marketing/operasional/manajemen.

Seluruh keahlian ini harus dikuasai calon data scientist. Menurut Rifan, semua orang kini bisa menjadi data scientist, meski berasal dari bidang studi lainnya. Kini semua bahan-bahan bisa dipelajari lewat internet. Ada banyak situs yang menyediakan bahan materi tentang profesi data scientist.

“Teman-teman saya dari industri perbankan, dulunya bukanlah dari orang statistik. Tapi mereka bisa jadi data scientist karena belajar dari nol. Ada banyak situs yang bisa dikunjungi menyediakan materi berlimpah tentang data science. Jadi profesi ini tidak terbatas untuk orang statistik atau dari matematika saja,” kata Rifan.

Saat ini ada banyak modul yang tersebar secara online dan bisa diakses siapapun. Berbagai situs seperti Coursera, Udacity, Kaggler menjadi rekomendasi utama sebagai referensi untuk mulai belajar dari nol.

3. Pahami perbedaan deskripsi kerja

Data scientist, business analyst, data analyst, developer, data engineer, atau developer operations adalah profesi yang berbeda, namun mereka saling berkaitan satu sama lainnya karena bekerja berdasarkan data.

Data scientist dan data analyst seringkali disamakan, padahal kalau dilihat dari deskripsi kerjanya, data scientist sedikit bersinggungan dengan business analyst. Menurut Rifan, data scientist tidak hanya menganalisis data tapi juga melakukan eksperimen untuk membuktikannya. Sementara data analyst tugasnya hanya menganalisis data.

Sementara deskripsi kerja developer adalah melakukan kolaborasi dengan business analyst dan data analyst, menganalisis apa yang mereka inginkan dalam bentuk coding. Selanjutnya analisis tersebut dikonversi menjadi desain piranti lunak.

4. Komponen software untuk bekerja

Setidaknya ada lima komponen software yang diperlukan untuk bekerja sebagai data scientist. Mulai dari data warehouse, data treatment, status model, art, dan teknologi. Untuk data warehouse (DWH), misalnya sebagai tempat seluruh data disimpan, ada beberapa software yang bisa dimanfaakan, seperti mongoDB dan MySQL.

Kedua, mentransformasikan data dengan memanfaatkan software Spark dan SQL. Selanjutnya Anda bisa menggunakan software untuk memvisualisasikan data dengan sentuhan seni, memanfaatkan ggplot2 dan sejenisnya.

5. Pahami bisnis perusahaan

Data scientist tidak hanya harus mengerti cara menganalisis data tapi juga harus paham dengan dunia bisnis perusahaan yang dianalisis. Dengan memahami bisnis, Anda bisa berkomunikasi ke manajemen perusahaan dan konsumen bagaimana strategi yang harus dilakukan perusahaan berdasarkan analisis data yang Anda telusuri.

Kebutuhan data scientist sebenarnya tidak hanya untuk dunia teknologi. Tenaga ini dibutuhkan perusahaan dari berbagai sektor industri, seperti perbankan, dunia olahraga dan edukasi, kesehatan, transportasi & logistik, travel, media, IT, dan sebagainya.

6. Mulai bekerja

Setelah semua poin di atas sudah dilakukan, langkah berikutnya adalah memecahkan masalah. Caranya dengan mengumpulkan data sebanyak-banyaknya, kemudian membuat solusi. Contoh yang dilakukan data scientist di industri p2p lending adalah membuat prediksi churn rate, memetakan segmentasi konsumen, underwriting-nya seperti apa, dan bagaimana cross-sell dan up-sell-nya.

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: