Analisis Deskriptif, Prediktif, dan Preskriptif
Memahami bagaimana data mentah diubah menjadi informasi, prediksi, dan pilihan tindakan yang dapat membantu keputusan bisnis.
Data bukan hanya untuk dilihat — tetapi untuk membantu mengambil keputusan
Materi sumber dimulai dari pertanyaan bisnis sederhana: bagaimana toko online memperkirakan produk yang akan dibeli, bagaimana bank menilai calon peminjam, dan bagaimana perusahaan pengiriman mencari rute yang efisien? Ketiganya dapat dijelaskan melalui tiga tingkat analitik.
🔎 Apa yang sudah terjadi?
Descriptive Analytics
🔮 Apa yang mungkin terjadi?
Predictive Analytics
🎯 Apa yang sebaiknya dilakukan?
Prescriptive Analytics
Tiga cara mengolah data
Melihat historis data
Pertanyaan: Apa yang sudah terjadi?
Contoh: berapa total penjualan bulan lalu, produk mana yang paling laku, dan bagaimana performa tiap wilayah.
Memprediksi masa depan
Pertanyaan: Apa yang mungkin terjadi?
Contoh: berapa penjualan bulan depan atau seberapa besar peluang pelanggan berhenti berlangganan.
Memberi saran tindakan
Pertanyaan: Apa yang sebaiknya kita lakukan?
Contoh: bagaimana mengalokasikan anggaran iklan agar jumlah klik maksimum dengan batas anggaran tertentu.
Analisis Deskriptif
Tujuannya memahami apa yang sudah terjadi di masa lalu dan apa yang sedang terjadi sekarang. Data diringkas menggunakan angka, tabel, grafik, dan dashboard.
🔍 Ciri khas
- Berfokus pada data historis/current condition.
- Menggunakan statistik ringkas dan visualisasi.
- Membantu menemukan pola, tren, puncak, lembah, dan perbedaan antar kelompok.
🛠 Tools
- Power BI / Tableau: dashboard dan visualisasi.
- SQL: mengambil dan mengelola data dari database.
- Excel: analisis dasar dan tabel.
- Google Analytics: memahami perilaku pengunjung website.
Melihat data penjualan 6 bulan
Data berikut berasal dari contoh pada materi sumber. Anggap Anda adalah supervisor toko yang ingin memahami performa penjualan sebelum membuat keputusan stok dan promosi.
| Bulan | Penjualan |
|---|---|
| Jan | 100 unit |
| Feb | 120 unit |
| Mar | 150 unit |
| Apr | 90 unit |
| Mei | 130 unit |
| Jun | 110 unit |
Intinya: analisis deskriptif tidak langsung menjawab “apa yang harus dilakukan”. Ia memberi gambaran yang menjadi dasar analisis berikutnya.
Analisis Prediktif
Predictive Analytics menggunakan data masa lalu untuk memperkirakan apa yang mungkin terjadi di masa depan. Hasilnya dapat berupa angka ramalan, probabilitas, atau kategori.
🔮 Metode
- Regresi: memprediksi nilai numerik.
- Decision Tree: membuat aturan keputusan berdasarkan kondisi.
- Time Series: mempelajari pola dari waktu ke waktu.
- Neural Networks: menangkap pola yang lebih kompleks.
📦 Hasil
- Angka ramalan: misalnya penjualan bulan depan.
- Peluang kejadian: misalnya peluang pelanggan churn.
- Kategori: misalnya pelanggan berisiko tinggi/rendah.
Prediksi penjualan berdasarkan suhu
Materi sumber memberikan contoh hubungan suhu dan penjualan. Contoh ini digunakan untuk memperkenalkan ide regresi linear secara sederhana.
| Suhu | Penjualan |
|---|---|
| 25°C | 200 unit |
| 28°C | 250 unit |
| 30°C | 300 unit |
| 32°C | 340 unit |
| 35°C | 400 unit |
Y = jumlah penjualan | X = suhu
Catatan pembelajaran: dalam praktik, model prediksi perlu diuji dengan data yang memadai dan dapat memasukkan faktor lain seperti hari kerja/weekend, event musiman, aktivitas pesaing, dan kondisi ekonomi.
Weekday vs weekend
Lebaran, Natal, liburan
Kompetitor & kondisi ekonomi
Analitik yang memberi saran tindakan
Prescriptive Analytics melangkah lebih jauh: setelah memahami kondisi dan memperkirakan kemungkinan masa depan, analisis digunakan untuk mencari tindakan atau keputusan yang memenuhi tujuan dan kendala tertentu.
⚙️ Optimasi
Mencari kombinasi keputusan yang paling efisien berdasarkan tujuan dan kendala.
🧪 Simulasi
Mencoba berbagai skenario sebelum keputusan diterapkan.
🤖 Recommendation
Memberikan alternatif tindakan berdasarkan aturan, model, atau AI.
Contoh penerapan bisnis
Mencari rute pengiriman yang efisien dengan mempertimbangkan jarak, waktu, dan kapasitas.
Menentukan harga berdasarkan permintaan, stok, dan faktor pasar.
Mengalokasikan anggaran antar kanal untuk mencapai tujuan pemasaran.
Kasus: mengatur dana iklan Rp100 juta
Contoh pada materi sumber mengilustrasikan bagaimana model preskriptif mencari alokasi dana yang memaksimalkan jumlah klik.
Input
- Dana tersedia: Rp100 juta.
- Instagram: 500 klik per Rp1 juta.
- Batas Instagram: maksimal Rp60 juta.
- YouTube: 800 klik per Rp1 juta.
Variabel keputusan
X₂ = dana YouTube
Max Z = 500X₁ + 800X₂
Kendala
X₁ ≤ 60
X₁, X₂ ≥ 0
Power BI sebagai jembatan dari data ke keputusan
Materi sumber menggambarkan Power BI sebagai alat yang dapat membantu dari pengumpulan data, pembersihan, visualisasi, sampai analitik dan rekomendasi. Bagian ini memperjelas bagaimana alur tersebut dapat diterapkan secara praktis.
Apa yang terjadi?
Card KPI, tabel, bar chart, line chart, slicer, dan dashboard interaktif.
Apa yang mungkin terjadi?
Forecast pada line chart dan analitik berbasis model eksternal bila diperlukan.
Apa yang sebaiknya dilakukan?
Skenario dengan parameter, perhitungan, atau integrasi Python/R untuk analisis tertentu.
Kasus: Dashboard Penjualan Toko “Sinar Jaya”
Gunakan data penjualan 6 bulan dari materi sumber. Anda berperan sebagai Data Analyst yang diminta membuat dashboard untuk manager toko.
🎯 Pertanyaan bisnis
- Berapa total dan rata-rata penjualan?
- Bulan mana yang memiliki penjualan tertinggi dan terendah?
- Apakah ada pola/tren yang perlu diperhatikan?
- Bagaimana memperkirakan penjualan periode berikutnya?
- Jika tersedia parameter promosi/discount, bagaimana menguji beberapa skenario?
1. Data yang dimasukkan ke Power BI
| Month | Units |
|---|---|
| Jan | 100 |
| Feb | 120 |
| Mar | 150 |
| Apr | 90 |
| Mei | 130 |
| Jun | 110 |
2. Power Query — persiapan data
Power Query memang dirancang untuk mengambil dan mentransformasi data sebelum digunakan dalam model Power BI. Microsoft Learn — Power Query dan jalur pembelajaran persiapan data Power BI.
3. Buat measure DAX sederhana
DAX adalah bahasa ekspresi yang digunakan Power BI untuk membuat perhitungan; measure dapat berubah mengikuti interaksi/filter pada laporan. Microsoft Learn — DAX dan Measures di Power BI.
4. Descriptive Analytics di Power BI
Total Sales, Average Sales, Maximum Sales.
Menampilkan perubahan penjualan Jan–Jun.
Jika data diperluas, gunakan slicer untuk periode, produk, wilayah, atau channel.
Membantu pengguna berpindah dari ringkasan ke detail.
5. Predictive Analytics di Power BI
6. Prescriptive Analytics / Scenario Analysis
Misalkan manager ingin melihat dampak diskon terhadap penjualan. Anda dapat membuat parameter yang nilainya dapat diubah melalui slicer, lalu menghubungkannya dengan measure DAX.
Dengan parameter, pengguna laporan dapat mengubah nilai skenario dan melihat perubahan hasil pada visual. Microsoft mendokumentasikan penggunaan parameter untuk memvisualisasikan variabel dan skenario seperti diskon. Microsoft Learn — What-if parameters.
7. Dashboard akhir — rancangan mahasiswa
Total Sales · Average Sales · Maximum Sales · Forecast
Trend penjualan · Perbandingan bulan · Slicer
Insight · Skenario promo · Rekomendasi tindakan
Istilah penting
Business Intelligence (BI)
Sistem/metode untuk mengubah data menjadi informasi yang mendukung keputusan bisnis.
Dashboard
Tampilan visual yang merangkum metrik dan informasi penting dalam satu halaman.
KPI
Key Performance Indicator — indikator utama untuk mengukur pencapaian tujuan bisnis.
DAX
Data Analysis Expressions — bahasa rumus yang digunakan untuk perhitungan dalam model Power BI.
Power Query
Mesin untuk mengambil, membersihkan, dan mentransformasi data sebelum dianalisis.
Forecast
Perkiraan nilai masa depan berdasarkan pola data historis.
Time Series
Data yang diamati berdasarkan urutan waktu, misalnya penjualan bulanan.
Regression
Metode statistik untuk memodelkan hubungan antara variabel dan memprediksi nilai.
R²
Koefisien determinasi yang menggambarkan seberapa besar variasi pada data target dapat dijelaskan oleh model dalam konteks model tersebut.
Linear Programming
Metode optimasi untuk mencari nilai keputusan terbaik dengan fungsi tujuan dan kendala tertentu.
Optimization
Proses mencari pilihan yang paling sesuai dengan tujuan tertentu di bawah kendala yang ditetapkan.
Scenario Analysis
Analisis beberapa kemungkinan kondisi untuk melihat bagaimana hasil bisnis berubah ketika asumsi diubah.
10 Soal — Uji Pemahaman
Pilih satu jawaban yang paling tepat. Soal mencakup Descriptive, Predictive, Prescriptive Analytics serta penerapannya dalam Power BI.
1.
Pertanyaan “Apa yang sudah terjadi pada penjualan selama 6 bulan terakhir?” termasuk jenis analisis...
2.
Jika perusahaan menggunakan data masa lalu untuk memperkirakan jumlah penjualan bulan depan, analisis yang digunakan adalah...
3.
Manager sudah mengetahui kondisi penjualan dan memiliki prediksi penjualan. Ia kemudian ingin mengetahui tindakan atau alokasi sumber daya yang sebaiknya dilakukan. Ini merupakan tujuan...
4.
Manakah contoh yang paling sesuai dengan Descriptive Analytics?
5.
Data penjualan selama 6 bulan adalah 100, 120, 150, 90, 130, dan 110 unit. Berapa rata-rata penjualan per bulan?
6.
Dalam contoh predictive analytics digunakan rumus Y = -100 + 14,3X, dengan X = suhu. Berapa prediksi penjualan ketika suhu 33°C?
7.
Pada contoh regresi, nilai R² sekitar 0,95. Berdasarkan materi, apa makna yang paling tepat?
8.
Perusahaan memiliki dana iklan Rp100 juta. Instagram menghasilkan 500 klik per Rp1 juta, sedangkan YouTube menghasilkan 800 klik per Rp1 juta. Berdasarkan contoh materi dan tujuan memaksimalkan klik, berapa total klik jika seluruh dana dialokasikan ke YouTube?
9.
Dalam alur kerja Power BI, data mentah perlu dibersihkan dan dirapikan sebelum digunakan untuk analisis. Fitur yang digunakan untuk mengambil, membersihkan, dan mentransformasi data adalah...
10.
Manager ingin mengubah nilai diskon melalui slicer dan melihat bagaimana perubahan tersebut memengaruhi hasil penjualan. Konsep yang paling sesuai adalah...
.png)
0 Komentar