Abstract
Ada tiga tingkatan analisis data:
pelaporan, wawasan, dan prediksi. Saat organisasi matang dalam analisis
datanya, mereka bergerak melalui tingkatan. Kerangka analisis data ini tidak
berfokus pada semua hal yang akan dihasilkan oleh tim data Anda, juga tidak
berlaku untuk apa pun di luar analisis data. Hal-hal seperti mesin rekomendasi
dan analitik prediktif bukanlah analisis data; mereka adalah aplikasi data yang
sama sekali berbeda.
Sebelum mengevaluasi di mana posisi analisis
data saat ini, penting untuk mempertimbangkan bagaimana data sampai di sini
yang dulunya data tersebut tidak mungkin didapat.
Bertahun-tahun yang lalu, SQL adalah
prasyarat untuk menjawab pertanyaan data, dan mereka yang cukup beruntung untuk
bekerja di sebuah organisasi yang memelihara gudang data terpusat (warehouse) masih
harus menavigasi database yang rumit dengan mudah terhalang oleh kueri yang
buruk.
Analis data adalah penjaga gerbang
data. Apa pun yang diperlukan, dari bagan menarik untuk disuguhkan saat ada
meeting para pemangku kepentingan atau juga spreadsheet yang dibuat agar analis
bisnis atau keuangan dapat menggali lebih dalam data yang harus dianalisis.
Di dunia di mana pekerja pengetahuan
membuat ribuan keputusan dalam sehari, kita tidak bisa membiarkan data hidup di
balik gerbang. Para pemimpin bisnis telah menyadari hal ini dan berinvestasi
dalam membangun tim data yang tanggung jawabnya adalah mendemokratisasikan data
di organisasi mereka. Tim data adalah investasi di organisasi Anda, tetapi
mereka hanya dapat memberikan keuntungan jika mereka matang; dan langkah
pertama adalah melalui penyuguhan pelaporan untuk pengambilan keputusan yang
strategis bagi organisasi.
There
are three tiers of data analysis: reporting, insights, and prediction. As an
organization matures in their data analyses, they move through the tiers. This
data analysis framework is not focused on all the things your data team will
produce, nor does the framework apply to anything outside of data analysis.
Things like recommendation engines and predictive analytics are not data
analyses; they're a different application of data entirely.
Before
evaluating where data analysis is today, it's important to consider how data
got here. Once upon a time, data was impossible to get.
Years
ago, SQL was the prerequisite for answering data questions, and those lucky
enough to work in an organization that maintained a centralized data warehouse
still had to navigate delicate databases easily waylaid by a bad query.
Data
analysts were the gatekeepers of data. Anything that was needed— from a pretty
chart for a stakeholder meeting or a spreadsheet produced so business or
financial analysts could further dig into the data – had to go through a data
analyst.
In
a world where, knowledge workers are making thousands of decisions a day, we
cannot let data live behind the gates. Business leaders have recognized this
and are investing in building out data teams whose responsibility it is to
democratize data in their organizations. Data teams are investments in your
organization, but they can only provide a return if they mature; and the first
step is through reporting.
A. LITERATURE
REVIEW
Penelitian ini
didasarkan pada studi seminal dan kontribusi selanjutnya mengenai tiga korpus
pengetahuan yaitu: Tahapan Teori Pertumbuhan dalam Sistem Informasi Manajemen (SGT /
MIS) (Nolan, 1973, 1975, 1979), studi Inovasi Organisasi (eksplorasi dan
eksploitasi) dalam teori Pembelajaran Organisasi (Jansen et al., 2006; Jansen,
Vera, & Crossan, 2009; Maret, 1991), dan Teori Difusi Inovasi (Mahler &
Rogers, 1999; Rogers, 2003) dalam organisasi.
Bab ini telah dibagi menjadi
beberapa bagian berikutnya untuk pemahaman yang lebih baik kepada
pembaca/stakeholder, yaitu mencoba mendefinisikan peran analisis data dalam
suatu organisasi.
This
research is based on seminal studies and subsequent contributions regarding
three corpus of knowledge: Stages of Growth Theory in Management Information
Systems (SGT/MIS) (Nolan, 1973, 1975, 1979), Organizational Innovation studies
(exploration and exploitation) in Organizational Learning theory (Jansen et
al., 2006; Jansen, Vera, & Crossan, 2009; March, 1991), and Diffusion of
Innovation Theory (Mahler & Rogers, 1999; Rogers, 2003) in organizations.
This
chapter has been divided into subsequent sections for better understanding of
the reader/stakeholders, that is to try define the data analysis’s roles in an organization.
B.
DATA
ANALYST ROLE
Sebagian besar analis
data bekerja dengan organisasi yang memiliki data terstruktur.
Mereka membuat laporan,
dasbor, dan visualisasi lainnya pada data yang terkait dengan pemangku
kepentingan, proses bisnis, ekonomi pasar, dan lainnya untuk memberikan wawasan
kepada manajemen senior dan pemimpin bisnis dalam mendukung upaya pengambilan
keputusan.
Data
analysts mostly work with an organization's structured data.
They create reports,
dashboards, and other visualizations on data associated with stakeholder,
business processes, market economics, and more to provide insights to senior
management and business leaders in support of decision-making efforts.
C. Kualifikasi
(Qualification):
Untuk menjadi
seorang data analis, harus memiliki beberapa kualifikasi yang wajib dimiliki demi diperoolehnya hasil analisis
data yang sesuai untuk kebbutuhan pengambilan keputusan strategis bagi
organisasi. Kemapuan tersebut yaitu:
a.
Microsoft
Excel
Ketika Anda memikirkan Excel, hal
pertama yang terlintas dalam pikiran Anda kemungkinan besar adalah spreadsheet,
tetapi ada lebih banyak kekuatan analisis di balik alat ini. Meskipun bahasa
pemrograman seperti R atau Python lebih cocok untuk menangani kumpulan data
yang besar, metode Excel tingkat lanjut seperti menulis Makro dan menggunakan
pencarian VBA masih banyak digunakan untuk pengangkatan yang lebih kecil dan
analitik cepat yang lebih ringan. Jika Anda bekerja di perusahaan lean atau
startup, versi pertama database Anda bahkan mungkin ada di Excel. Selama
bertahun-tahun, alat ini tetap menjadi andalan bisnis di setiap industri, jadi
mempelajarinya adalah suatu keharusan. Untungnya, ada banyak sekali sumber daya
online gratis yang bagus untuk membantu Anda memulai, serta kelas analitik data
terstruktur bagi mereka yang mencari pemahaman yang lebih dalam tentang alat
tersebut.
(When
you think of Excel, the first thing that comes to mind is likely a spreadsheet,
but there’s a lot more analysis power under the hood of this tool. While a
programming language like R or Python is better suited to handle a large data
set, advanced Excel methods like writing Macros and using VBA lookups are still
widely used for smaller lifts and lighter, quick analytics. If you are working
at a lean company or startup, the first version of your database may even be in
Excel. Over the years, the tool has remained a mainstay for businesses in every
industry, so learning it is a must. Luckily, there is an abundance of great
free resources online to help you get started, as well as structured data
analytics classes for those looking for a deeper understanding of the tool)
b.
SQL
SQL,
atau Structured Query Language, adalah bahasa database standar industri yang
ada di mana-mana dan mungkin merupakan keterampilan paling penting untuk
diketahui oleh analis data. Bahasa ini sering dianggap sebagai versi Excel yang
“lulus”; ia mampu menangani kumpulan data besar yang tidak bisa dilakukan
Excel.
Hampir
setiap organisasi membutuhkan seseorang yang mengetahui SQL — baik untuk
mengelola dan menyimpan data, menghubungkan beberapa database (seperti yang
digunakan Amazon untuk merekomendasikan produk yang mungkin Anda minati,) atau
membangun atau mengubah struktur database tersebut sama sekali. Setiap bulan,
ribuan lowongan pekerjaan yang membutuhkan keterampilan SQL diposting, dan gaji
rata-rata untuk seseorang dengan keterampilan SQL tingkat lanjut berada di atas
$ 75.000. Meskipun non-teknisi bisa mendapatkan keuntungan dari mempelajari
alat ini, jika Anda ingin bekerja dengan Big Data, mempelajari SQL adalah
langkah pertama.
(SQL,
or Structured Query Language, is the ubiquitous industry-standard database
language and is possibly the most important skill for data analysts to know.
The language is often thought of as the “graduated” version of Excel; it is
able to handle large datasets that Excel simply can’t.
Almost
every organization needs someone who knows SQL—whether to manage and store
data, relate multiple databases (like the ones Amazon uses to recommend
products you may be interested in,) or build or change those database
structures altogether. Each month, thousands of job postings requiring SQL
skills are posted, and the median salary for someone with advanced SQL skills
sits well over $75,000. While even non-techies can benefit from learning this
tool, if you’re looking to work with Big Data, learning SQL is the first step)
c.
Statistik
Analis data menggunakan statistik
untuk memberikan arti pada kumpulan data yang besar. Statistik membantu analis
data memahami kumpulan data yang besar dan menemukan informasi yang berguna dan
relevan untuk diterapkan pada masalah yang dihadapi perusahaan.
(Data
analysts use statistics to assign meaning to large data sets. Statistics help
data analysts understand large data sets and find the useful, relevant
information to apply to the issue facing the company).
d.
Visualisasi
Data (software: Tableau or Qlik)
Mampu
menceritakan kisah yang menarik dengan data sangat penting untuk menyampaikan
maksud dan mempertahankan keterlibatan audiens. Jika temuan Anda tidak dapat
diidentifikasi dengan mudah dan cepat, Anda akan kesulitan menyampaikan kepada
orang lain. Karena alasan ini, visualisasi data dapat memiliki pengaruh baik
atau buruk jika dikaitkan dengan pengaruh data Anda. Analis menggunakan bagan
dan grafik yang menarik dan berkualitas tinggi untuk mempresentasikan temuan
mereka dengan cara yang jelas dan ringkas. Perangkat lunak visualisasi Tableau
dianggap sebagai alat analisis standar industri, karena ramah pengguna yang
menyegarkan
(Being able to tell a compelling story with data is crucial to
getting your point across and keeping your audience engaged. If your findings
can’t be easily and quickly identified, then you’re going to have a difficult
time getting through to others. For this reason, data visualization can have a
make-or-break effect when it comes to the impact of your data. Analysts use
eye-catching, high-quality charts and graphs to present their findings in a
clear and concise way. Tableau’s visualization software
is considered an industry-standard analytics tool, as it is refreshingly
user-friendly).
e.
Python
dan R programming
Baik R
dan Python adalah open source dan gratis, dan pemberi kerja biasanya tidak
peduli karyawan mana yang memilih untuk digunakan selama analisis mereka
akurat. Karena itu dibangun khusus untuk analitik, bagaimanapun, beberapa
analis lebih memilih R daripada Python untuk menjelajahi kumpulan data dan
melakukan analisis ad-hoc.
(Both R and Python are open source and free,
and employers typically don’t care which their employees choose to use as long
as their analyses are accurate. Since it was built specifically for analytics,
however, some analysts prefer R over Python for exploring data sets
and doing ad-hoc analysis).
2. Kompetensi (competency)
Kompetensi
merupakan suatu ukuran layak tidaknya suatu kemampuan terhadap kondisi kerja
yang mempengaruhi suatu hasil. Ada beberapa hal yang bisa kita kategorikan
sebagai kompetensi dalam analisis data, yaitu:
a.
Critical
Thinking
Menggunakan data untuk menemukan
jawaban atas pertanyaan Anda berarti mencari tahu apa yang harus ditanyakan,
yang seringkali bisa sangat rumit. Untuk sukses sebagai seorang analis, Anda
harus berpikir seperti seorang analis. Peran seorang analis data untuk
mengungkap dan mensintesis koneksi yang tidak selalu jelas. Meskipun kemampuan
ini sudah bawaan sampai batas tertentu, ada sejumlah tip yang dapat Anda coba
untuk membantu meningkatkan keterampilan berpikir kritis Anda. Misalnya,
bertanya pada diri sendiri pertanyaan dasar tentang masalah yang dihadapi dapat
membantu Anda tetap membumi saat mencari solusi, daripada terbawa oleh
penjelasan yang lebih kompleks daripada yang seharusnya. Selain itu, penting
bagi Anda untuk mengingat untuk memikirkan diri sendiri alih-alih mengandalkan
apa yang sudah ada.
(Using
data to find answers to your questions means figuring out what to ask in the
first place, which can often be quite tricky. To succeed as an analyst, you
have to think like an analyst. It is the role of a data analyst to uncover and
synthesize connections that are not always so clear. While this ability is
innate to a certain extent, there are a number of tips you can try to help
improve your critical thinking skills. For example, asking yourself basic
questions about the issue at hand can help you stay grounded when searching for
a solution, rather than getting carried away with an explanation that is more
complex than it needs to be. Additionally, it is important that you remember to
think for yourself instead of relying on what already exists).
b.
Data
Interpreting
Menerjemahkan
data ke dalam suatu infomasi yang dapat dipakai untuk menujnjukkan suatu
analaisa dari data mentah merupakan hal yang mutlak harus dimiliki seorang
analis, tanpa kemampuan ini data mentah tidak akan berguna bagi stakeholder.
(interpreting data into information that can
be used to show an analysis of raw data is an absolute must have for an
analyst, without this ability the raw data will not be useful for stakeholders).
c.
Presentation
Skills
Keterampilan
visualisasi dan presentasi data berjalan seiring. Tetapi presentasi tidak
selalu datang secara alami kepada semua orang, dan itu tidak masalah! Bahkan
presenter berpengalaman pun akan merasa gugup saat melakukan yang terbaik.
Seperti hal lainnya, mulailah dengan latihan dan kemudian berlatih lagi sampai
Anda terbiasa.
(Data visualization and presentation skills
go hand-in-hand. But presenting doesn’t always come naturally to everyone, and
that’s okay! Even seasoned presenters will feel their nerves get the best of
them at times. As with anything else, start with practice and then practice
some more until you get into your groove.).
D. Types
of Data Analytics
- Descriptive analytics
Analisis deskriptif menjawab
pertanyaan tentang apa yang terjadi. Mari kita ambil contoh dari praktik
ScienceSoft: setelah menganalisis pendapatan dan pendapatan bulanan per grup
produk, dan jumlah total komponen logam yang diproduksi per bulan, pabrikan
dapat menjawab serangkaian pertanyaan 'apa yang terjadi' dan memutuskan untuk
fokus pada suatu kategori produk.
(Descriptive
analytics answers the question of what happened. Let us bring an example from
ScienceSoft’s practice: having analyzed monthly revenue and income per product
group, and the total quantity of metal parts produced per month, a manufacturer
was able to answer a series of ‘what happened’ questions and decide on focus
product categories).
- Diagnostic analytics
Pada tahap ini, data historis dapat
diukur terhadap data lain untuk menjawab pertanyaan mengapa sesuatu terjadi.
Misalnya, Anda dapat memeriksa demo BI ScienceSoft untuk melihat bagaimana
pengecer dapat menelusuri penjualan dan laba kotor ke kategori untuk mencari
tahu mengapa mereka meleset dari target laba bersih. Kilas balik lain untuk
proyek analitik data kami: dalam industri perawatan kesehatan, segmentasi
pelanggan ditambah dengan beberapa filter yang diterapkan (seperti diagnosis
dan obat yang diresepkan) memungkinkan untuk mengidentifikasi pengaruh obat.
(At
this stage, historical data can be measured against other data to answer the
question of why something happened. For example, you can check ScienceSoft’s BI
demo to see how a retailer can drill the sales and gross profit down to
categories to find out why they missed their net profit target. Another
flashback to our data analytics projects: in the healthcare industry, customer
segmentation coupled with several filters applied (like diagnoses and
prescribed medications) allowed identifying the influence of medications).
- Predictive analytics
Analisis prediktif memberi tahu apa
yang mungkin terjadi. Ini menggunakan temuan analitik deskriptif dan diagnostik
untuk mendeteksi cluster dan pengecualian, dan untuk memprediksi tren masa
depan, yang menjadikannya alat yang berharga untuk meramalkan. Periksa studi
kasus ScienceSoft untuk mendapatkan detail tentang bagaimana analisis data
lanjutan memungkinkan perusahaan FMCG terkemuka untuk memprediksi apa yang
dapat mereka harapkan setelah mengubah posisi mereka.
(Predictive
analytics tells what is likely to happen. It uses the findings of descriptive
and diagnostic analytics to detect clusters and exceptions, and to predict
future trends, which makes it a valuable tool for forecasting. Check ScienceSoft’s
case study to get details on how advanced data analytics allowed a leading FMCG
company to predict what they could expect after changing brand positioning)
- Prescriptive analytics
Tujuan analitik preskriptif adalah
untuk secara harfiah menentukan tindakan apa yang harus diambil untuk
menghilangkan masalah di masa depan atau memanfaatkan sepenuhnya tren yang
menjanjikan. Contoh analisis preskriptif dari portofolio proyek kami: perusahaan
multinasional dapat mengidentifikasi peluang untuk pembelian berulang
berdasarkan analisis pelanggan dan riwayat penjualan.
Analisis preskriptif menggunakan alat
dan teknologi canggih, seperti pembelajaran mesin, aturan bisnis, dan
algoritme, yang membuatnya canggih untuk diterapkan dan dikelola.
(The
purpose of prescriptive analytics is to literally prescribe what action to take
to eliminate a future problem or take full advantage of a promising trend. An
example of prescriptive analytics from our project portfolio: a multinational
company was able to identify opportunities for repeat purchases based on
customer analytics and sales history.
Prescriptive
analytics uses advanced tools and technologies, like machine learning, business
rules and algorithms, which makes it sophisticated to implement and manage).
E.
Data analyst certifications
Sertifikasi yang umumnya dipakai pada perekrutan seorang data analyst
adalah:
•
Certification
of Professional Achievement in Data Sciences
•
Certified
Analytics Professional
•
Cloudera
Certified Associate (CCA) Data Analyst
•
EMC
Proven Professional Data Scientist Associate (EMCDSA)
•
MCSE:
Data Management and Analytics
•
Microsoft
Certified Solutions Expert (MCSE): Data Management and Analytics
F.
Data
analyst education and training
Edukasi dan pelatihan yang diberikan kepada seorang data analyst meliputi
berbagai bidang sebagai berikut:
•
Economics
•
Computer
science
•
Information
management
•
Statistics
G.
Tanggung
Jawab Data Analyst (Data analyst
responsibilities):
•
Analyzing
data using statistical techniques and providing reports
•
Developing
and implementing databases and data collection systems
•
Acquiring
data from primary and secondary sources and maintain data systems
•
Identifying,
analyzing, and interpreting trends or patterns in complex data sets
•
Filtering
and cleaning data
•
Working
with management to prioritize business and information needs
•
Locating
and defining new process improvement opportunities
H.
Tanggung
Jawab Kunci (Key Responsibilities of a
Data Analyst):
•
Designing
and maintaining data systems and databases
•
Mining
data from primary and secondary sources
•
Using
statistical tools to interpret data sets
•
Demonstrating
the significance of their work in the context of local, national, and global
trends
•
Preparing
reports for executive leadership
•
Collaborating
with programmers, engineers, and organizational leaders
•
Creating
appropriate documentation that allows stakeholders to understand
I. Level
Hierarchy
Terdapat 6
level dalam pemrosesan data mentah menjadi informasi yang berguna bagi pimpinan
atau stakeholder:
Dari 6 level
tersebut dapat dijelaskan alur data menjadi suatu informasi dalam grafik
berikut:
Sumber: favaretto 2019:
J. Tahapan Analisis Data (step of data analysis)
- Mengumpulkan (collecting),
- Membersihkan (cleaning),
- Menganalisa (analyzing),
- Menyajikan (presenting/visualizing)
- Menginterpretasikan (interpreting) data
REFERENCE
https://www.scnsoft.com/blog/4-types-of-data-analytics
https://www.indeed.com/career-advice/resumes-cover-letters/skills-for-data-analyst
https://www.northeastern.edu/graduate/blog/data-analyst-skills/
Favaretto, Jose. (2019). Stage Level
Measurement Of Information Systems And Analytics Diffusion In Organizations.
10.13140/Rg.2.2.15082.16328.
