Peran & Fondasi Bisnis Data

Profesional yang mengolah data historis suatu organisasi menjadi wawasan yang dapat digunakan untuk pengambilan keputusan bisnis, umumnya menggunakan Spreadsheet, SQL, dan perangkat visualisasi data.

Menjelaskan apa yang terjadi dan mengapa hal itu terjadi berdasarkan data yang sudah tersedia, bukan memprediksi masa depan.

Diminta menjelaskan penyebab penurunan penjualan pada kuartal tertentu dengan menelusuri data transaksi yang sudah tercatat, lalu menyampaikan temuannya dalam bentuk laporan singkat.

Profesional yang membangun model statistik dan machine learning untuk memprediksi kondisi atau perilaku di masa depan berdasarkan data historis.

Menjawab pertanyaan bersifat prediktif atau klasifikasi, memerlukan pemahaman statistik dan pemrograman yang lebih mendalam dibanding Data Analyst.

Membangun model yang memperkirakan probabilitas seorang pelanggan berhenti berlangganan dalam tiga bulan mendatang, berdasarkan pola transaksi masa lalu.

Profesional yang merancang, membangun, dan memelihara infrastruktur serta alur (pipeline) yang memungkinkan data dikumpulkan, disimpan, dan diakses secara andal oleh pihak lain.

Memastikan data tersedia, bersih dari sisi struktur, dan dapat diakses tepat waktu oleh Data Analyst maupun Data Scientist.

Membangun proses otomatis yang memindahkan data transaksi harian dari sistem operasional ke gudang data setiap malam.

Singkatan dari Cross-Industry Standard Process for Data Mining, kerangka kerja enam tahap yang bersifat siklikal untuk menjalankan proyek analisis data secara sistematis.

Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment; tahapan ini sering kembali ke tahap sebelumnya, bukan berjalan lurus.

Sebuah tim menelusuri penurunan retensi pelanggan, namun setelah sampai di tahap Evaluation menyadari definisi retensi yang dipakai kurang tepat, sehingga kembali ke tahap Business Understanding untuk memperjelasnya.

Tahap awal proyek analisis data yang berfokus memperjelas pertanyaan atau masalah bisnis yang ingin dijawab, sebelum data mulai diolah.

Kesalahan memahami pertanyaan bisnis di tahap ini akan membuat seluruh analisis berikutnya menjawab hal yang salah, meski secara teknis dikerjakan dengan benar.

Alih-alih langsung menerima pernyataan "penjualan turun", tim menggali lebih dalam periode mana, kategori mana, dan dibandingkan dengan apa sebelum mulai menganalisis data.

Tahap membersihkan dan menyusun data mentah agar siap dianalisis, mencakup penanganan nilai kosong, duplikasi, dan penggabungan sumber data.

Tahap ini kerap memakan lebih dari separuh waktu total sebuah proyek analisis data, karena data mentah jarang langsung siap pakai.

Menyatukan data pesanan dari dua sistem berbeda yang menuliskan nama kota dengan format tidak konsisten, sebelum data tersebut bisa dijumlahkan per kota.

Tahap eksplorasi awal untuk mengenali karakteristik data yang tersedia, termasuk struktur kolom, cakupan waktu, dan kualitas data secara umum.

Dilakukan setelah pertanyaan bisnis diperjelas pada tahap Business Understanding, sebelum data mulai dibersihkan atau dianalisis lebih lanjut.

Memeriksa apakah kolom tanggal pesanan memiliki nilai yang hilang atau format yang tidak konsisten sebelum data tersebut dipakai untuk analisis tren bulanan.

Tahap memeriksa kembali validitas dan relevansi hasil analisis terhadap pertanyaan bisnis awal, sebelum hasil tersebut disampaikan kepada pemangku kepentingan.

Mencegah kesimpulan yang tampak meyakinkan namun sebenarnya keliru, misalnya akibat basis data yang terlalu kecil atau kesalahan periode perbandingan.

Sebuah temuan penurunan penjualan pada satu kategori ternyata berasal dari basis pelanggan yang sangat kecil, sehingga perlu ditinjau ulang sebelum disimpulkan sebagai tren nyata.

Angka terukur dari aktivitas bisnis yang digunakan untuk memantau kinerja suatu organisasi dari waktu ke waktu.

Business metrics mencakup seluruh angka yang bisa diukur, sementara KPI adalah sebagian kecil metrik yang secara khusus dipilih sebagai indikator utama.

Jumlah transaksi harian, jumlah pengunjung situs, dan rata-rata waktu checkout adalah beberapa business metrics yang bisa dipantau sebuah platform e-commerce.

Metrik bisnis tertentu yang dipilih secara khusus oleh sebuah organisasi karena dianggap paling relevan untuk mengukur pencapaian tujuan strategis.

Ditetapkan ketika organisasi perlu memfokuskan perhatian pada sejumlah kecil metrik yang benar-benar mencerminkan kesehatan bisnis secara keseluruhan.

Sebuah tim pemasaran menetapkan tingkat konversi dan biaya akuisisi pelanggan sebagai dua KPI utama untuk kuartal berjalan, dari puluhan metrik lain yang tersedia.

Total nilai uang yang diterima dari penjualan produk atau jasa dalam suatu periode, belum dikurangi biaya operasional maupun produksi.

Revenue = Jumlah Unit Terjual × Harga per Unit

Penjualan 500 unit produk seharga 100.000 dalam sebulan menghasilkan revenue sebesar 50.000.000 pada bulan tersebut.

Persentase pelanggan yang berhenti menggunakan produk atau layanan dalam periode tertentu, dibandingkan dengan total pelanggan pada awal periode tersebut.

Churn Rate = (Pelanggan Hilang / Pelanggan Awal) × 100%

Dari 10.000 pelanggan aktif di awal bulan, 500 di antaranya tidak lagi bertransaksi hingga akhir bulan, sehingga churn rate bulan tersebut sebesar 5%.

Rata-rata biaya yang dikeluarkan untuk mendapatkan satu pelanggan baru dalam periode tertentu.

CAC = Total Biaya Pemasaran / Jumlah Pelanggan Baru

Biaya pemasaran sebesar 100.000.000 menghasilkan 2.000 pelanggan baru dalam sebulan, sehingga CAC sebesar 50.000 per pelanggan.

Estimasi total nilai yang dihasilkan seorang pelanggan sepanjang masa mereka aktif menggunakan suatu produk atau layanan.

LTV = Rata Nilai Transaksi × Frekuensi per Tahun × Lama Aktif (tahun)

Pelanggan yang rata-rata berbelanja 150.000 sebanyak 4 kali per tahun selama 2 tahun memiliki estimasi LTV sebesar 1.200.000.

Persentase individu yang melakukan tindakan yang diinginkan (biasanya transaksi) dari total individu yang berinteraksi dengan suatu penawaran atau kampanye.

Conversion Rate = (Jumlah Transaksi / Jumlah Pengunjung) × 100%

Dari 50.000 pengunjung sebuah situs dalam sehari, 1.500 di antaranya menyelesaikan transaksi, sehingga conversion rate hari itu sebesar 3%.

Persentase pelanggan dari suatu kelompok awal yang tetap aktif pada periode berikutnya, merupakan kebalikan konseptual dari churn rate.

Retention Rate = (Pelanggan Bertahan / Pelanggan Awal) × 100%

Dari 1.000 pelanggan baru yang bergabung pada Januari, 300 di antaranya kembali bertransaksi pada Februari, sehingga retention rate sebesar 30%.

Metode analisis yang memecah sebuah proses bertahap (misalnya proses pembelian) menjadi beberapa langkah berurutan, untuk mengidentifikasi titik paling banyak pengguna berhenti melanjutkan.

Setiap tahap dihitung jumlah penggunanya, lalu dibandingkan persentase penurunannya dari satu tahap ke tahap berikutnya.

Dari seribu pengguna yang menambahkan produk ke keranjang, hanya enam ratus melanjutkan ke halaman pembayaran, menandakan ada hambatan signifikan pada tahap tersebut.

Metode analisis yang mengelompokkan individu berdasarkan waktu mereka pertama kali bergabung atau bertindak, kemudian melacak perilaku kelompok tersebut dari waktu ke waktu.

Digunakan untuk membandingkan pola retensi atau perilaku antar kelompok pengguna yang bergabung pada periode berbeda.

Membandingkan tingkat retensi bulan kedua antara pengguna yang mendaftar pada Januari dengan pengguna yang mendaftar pada Februari.

Temuan hasil analisis data yang cukup jelas dan spesifik untuk langsung dijadikan dasar suatu keputusan atau tindakan.

Menjelaskan bukan hanya apa yang terjadi, tetapi juga mengapa dan apa yang sebaiknya dilakukan selanjutnya.

"Penurunan penjualan terkonsentrasi pada satu metode pembayaran yang mengalami gangguan teknis selama lima hari" adalah insight yang jelas mengarah pada tindakan perbaikan sistem pembayaran.

Pendekatan pengambilan keputusan yang mendasarkan pilihannya pada bukti dan analisis data, bukan semata intuisi atau pengalaman subjektif.

Menjadi acuan budaya kerja ketika organisasi ingin keputusan strategisnya dapat diverifikasi dan dipertanggungjawabkan secara objektif.

Sebuah tim menunda peluncuran fitur baru hingga hasil pengujian data menunjukkan peningkatan metrik yang signifikan, alih-alih meluncurkannya hanya berdasarkan keyakinan pribadi.