Statistik & EDA

Proses menjelajahi dan memahami karakteristik sebuah dataset secara mendalam sebelum melangkah ke analisis yang lebih kompleks.

Berfungsi sebagai pemeriksaan awal terhadap kualitas dan pola data, membantu menemukan nilai ekstrem atau kejanggalan sebelum memengaruhi kesimpulan akhir.

Memeriksa histogram dan statistik ringkasan sebuah kolom nilai transaksi sebelum menghitung rata-rata untuk laporan.

Pola sebaran nilai-nilai dalam sebuah variabel, menggambarkan apakah data tersebar merata, terkonsentrasi pada nilai tertentu, atau memiliki pola tidak biasa.

Umumnya divisualisasikan melalui histogram, dengan sumbu X dibagi menjadi beberapa rentang nilai.

Distribusi nilai transaksi pelanggan menunjukkan mayoritas berada pada rentang kecil, dengan sedikit transaksi bernilai sangat besar.

Kumpulan metrik yang merepresentasikan nilai pusat atau nilai tipikal dari sebuah kumpulan data, terdiri dari mean, median, dan modus.

Digunakan untuk meringkas karakteristik sebuah variabel numerik menjadi satu angka yang mewakili keseluruhan data.

Menghitung mean, median, dan modus nilai transaksi untuk memahami karakteristik tipikal pelanggan.

Nilai rata-rata, dihitung dengan menjumlahkan seluruh nilai dalam suatu kumpulan data lalu membaginya dengan jumlah data tersebut.

Sangat sensitif terhadap nilai ekstrem, sehingga satu nilai yang jauh berbeda dapat menggeser hasil secara signifikan.

Sembilan transaksi bernilai 50.000 hingga 200.000, ditambah satu transaksi senilai 50.000.000, akan menghasilkan mean yang jauh lebih tinggi dari nilai tipikal mayoritas.

Nilai tengah dari sebuah kumpulan data yang telah diurutkan dari terkecil hingga terbesar.

Tahan terhadap nilai ekstrem karena hanya memperhatikan posisi nilai, bukan besarannya secara langsung.

Lebih representatif dibanding mean ketika distribusi data memiliki nilai ekstrem yang signifikan.

Nilai yang paling sering muncul dalam sebuah kumpulan data.

Sangat berguna untuk data kategorikal, seperti mengetahui metode pembayaran apa yang paling sering digunakan.

Metode pembayaran "Transfer Bank" muncul paling sering dari seluruh transaksi, sehingga menjadi modus pada kolom tersebut.

Ukuran seberapa jauh nilai-nilai dalam sebuah kumpulan data tersebar dari nilai pusatnya, meliputi range, variance, dan standard deviation.

Dua kumpulan data bisa memiliki central tendency yang sama namun karakteristik sebaran yang sangat berbeda.

Dua kategori produk memiliki rata-rata nilai transaksi yang sama, namun salah satunya jauh lebih bervariasi sebarannya.

Selisih antara nilai maksimum dan nilai minimum dalam sebuah kumpulan data.

Range = Nilai Maksimum - Nilai Minimum

Hanya memperhatikan dua nilai ekstrem, tanpa mempertimbangkan bagaimana sebaran nilai-nilai lain di antara keduanya.

Akar kuadrat dari variance, menunjukkan rata-rata jarak setiap nilai data terhadap mean-nya dalam satuan yang sama dengan data asli.

Menjadi metrik spread paling umum dipakai karena satuannya mudah diinterpretasikan langsung, berbeda dengan variance yang satuannya berupa kuadrat.

Rata-rata nilai transaksi sebesar 200.000 dengan standard deviation 50.000 menandakan mayoritas transaksi berkisar antara 150.000 hingga 250.000.

Metrik yang mengukur seberapa menceng atau tidak simetris sebuah distribusi data.

Jika mean jauh lebih besar dari median, distribusi cenderung menceng ke kanan (skewness positif); jika mean jauh lebih kecil, menceng ke kiri (skewness negatif).

Data nilai transaksi sering menceng ke kanan karena mayoritas transaksi bernilai kecil hingga menengah, namun terdapat sedikit transaksi bernilai sangat besar.

Nilai data yang secara signifikan berbeda dari mayoritas data lainnya dalam suatu kumpulan data.

Tidak selalu berarti harus dihapus; perlu ditelusuri terlebih dahulu apakah outlier tersebut kesalahan input data atau justru mencerminkan fenomena bisnis nyata yang layak dipertahankan.

Satu pelanggan dengan nilai transaksi bulanan jauh melebihi pelanggan lain ternyata seorang reseller yang membeli dalam jumlah grosir.

Metode deteksi outlier berdasarkan selisih antara kuartil ketiga (Q3) dan kuartil pertama (Q1), yaitu rentang di mana 50% data tengah berada.

Batas Atas = Q3 + (1.5 × IQR)

Jika Q1 sebesar 100.000 dan Q3 sebesar 400.000, maka IQR sebesar 300.000, sehingga batas atas outlier berada di 850.000.

Metrik statistik yang mengukur seberapa kuat dan searah mana hubungan linear antara dua variabel numerik, bernilai antara -1 hingga 1.

Nilai mendekati 1 menandakan hubungan positif kuat, mendekati -1 menandakan hubungan negatif kuat, dan mendekati 0 menandakan tidak ada hubungan linear yang jelas.

Korelasi 0.8 antara jumlah kunjungan dan nilai transaksi harian menunjukkan hubungan positif yang cukup kuat.

Variabel ketiga yang menjadi penyebab sesungguhnya di balik korelasi yang teramati antara dua variabel lain.

Menjadi alasan utama kenapa korelasi tinggi tidak boleh langsung disimpulkan sebagai hubungan sebab-akibat tanpa penelusuran lebih lanjut.

Korelasi antara penjualan es krim dan kasus kram otot bukan hubungan sebab-akibat langsung, melainkan sama-sama dipengaruhi cuaca panas sebagai variabel ketiga.

Keseluruhan kumpulan individu, objek, atau kejadian yang ingin dipelajari atau disimpulkan karakteristiknya.

Menjadi acuan target kesimpulan, meski dalam praktiknya jarang bisa diamati secara langsung secara keseluruhan.

Seluruh pelanggan yang pernah menggunakan layanan pengiriman merupakan populasi dalam studi kepuasan layanan.

Sebagian kecil dari populasi yang benar-benar diambil dan diamati datanya, digunakan untuk menyimpulkan karakteristik populasi secara keseluruhan.

Digunakan ketika mengamati seluruh populasi secara langsung tidak memungkinkan atau tidak praktis dilakukan.

Menyebarkan survei kepada seribu pelanggan yang dipilih acak untuk mewakili jutaan pelanggan secara keseluruhan.

Dua pernyataan yang saling berlawanan dalam pengujian statistik; hipotesis nol mengasumsikan tidak ada perbedaan atau efek, sementara hipotesis alternatif menyatakan sebaliknya.

Menjadi titik awal setiap pengujian statistik formal, termasuk A/B testing.

Hipotesis nol menyatakan "tidak ada perbedaan konversi antara tombol biru dan hijau", sementara hipotesis alternatif menyatakan sebaliknya.

Probabilitas mendapatkan hasil yang setidaknya seekstrem hasil yang diamati, jika seandainya hipotesis nol memang benar.

Nilai p-value di bawah ambang batas signifikansi (umumnya 0.05) dianggap signifikan secara statistik dan mengarah pada penolakan hipotesis nol.

P-value sebesar 0.03 pada pengujian dua desain tombol menunjukkan perbedaan konversi keduanya kemungkinan besar bukan sekadar kebetulan.

Rentang nilai yang diperkirakan mengandung nilai populasi yang sebenarnya, dengan tingkat kepercayaan tertentu, umumnya 95%.

Interval yang sempit menandakan estimasi yang lebih presisi, sementara interval yang lebar menandakan estimasi yang lebih tidak pasti.

Rata-rata nilai transaksi sebesar 250.000 dengan confidence interval 95% antara 230.000 hingga 270.000.

Metode eksperimen yang membandingkan dua versi berbeda dari sesuatu untuk menentukan versi mana yang menghasilkan performa lebih baik, menggunakan prinsip pengujian hipotesis statistik.

Randomisasi pembagian kelompok, ukuran sampel yang memadai, dan durasi pengujian yang cukup, agar hasil yang didapat benar-benar valid.

Membagi pengguna secara acak menjadi kelompok yang melihat tombol checkout biru dan kelompok yang melihat tombol hijau, lalu membandingkan tingkat konversi keduanya.