Role of Data analysis in an Organization

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:

           Hard skill        

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

1. 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).

2. 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).

3. 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)

4. 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://medium.com/analytics-and-data/what-should-be-the-analytics-organization-structure-a8b54d5ff1d1

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.

#indonesia treasury

#tresury DJPB

#indonesiantreasury