Business Prescriptive Analitics

Melansir dari Investopedia, analisis prediktif atau predictive analytics adalah salah satu bentuk analisis lanjutan yang menggunakan data terkini dan data historis untuk memperkirakan aktivitas bisnis, perilaku, dan tren bisnis di masa mendatang.

Jika Anda berkecimpung dalam ranah teknologi, Anda pasti pernah mendengar istilah data analitik dan data analisis. Masih banyak orang yang menganggap kalau kedua istilah tersebut memiliki arti yang sama, padahal mereka berbeda. Secara harfiah, analisis adalah pemeriksaan terperinci dari elemen atau struktur tertentu, sedangkan analitik adalah analisis komputasi sistematis data. Lalu, bagaimana perbedaan dan korelasinya? Yuk, simak artikel ini!

APA ITU DATA ANALITIK?

Data analitik adalah area eksplorasi data mentah yang luas dengan berbagai macam teknik dan alat tertentu untuk menemukan sebuah tren yang berguna dalam menghasilkan prediksi dan keputusan yang tepat di masa depan. Di samping itu, data analisis adalah bagian (subset) dari data analitik yang membantu Anda memahami data dengan pertanyaan spesifik dan informasi tertentu.

Karena areanya yang luas, data analitik bersifat sistematis dan mencakup banyak langkah komputasi serta manajemen.  Alat yang paling umum digunakan dalam data analitik, yaitu R, Python, SAS, SPARK, Google Analytics, Excel, SQL, Tableau, dan lainnya.

TIPE-TIPE DATA ANALITIK

Setiap tipe data analitik digunakan untuk tujuan tertentu bergantung pada pertanyaan yang ingin dijawab. Tipe-tipe data analitik dapat dikombinasikan untuk memberikan pemahaman menyeluruh tentang kebutuhan dan peluang perusahaan. Terdapat empat tipe utama data analitik.

1. ANALISIS DESKRIPTIF – “APA YANG TERJADI”

Analisis ini merangkum kumpulan data besar dengan memberikan hasil berupa visualisasi ke stakeholder. Matriks yang paling banyak digunakan adalah ROI (Return of Investment). Perusahaan juga biasanya memiliki matriks lain yang lebih spesifik untuk melacak kinerja tertentu.

2. ANALISIS DIAGNOSTIK – “MENGAPA SESUATU TERJADI”

Analisis ini melengkapi hasil dari analisis deskriptif dengan menggali lebih dalam untuk menemukan penyebabnya. Analisis ini biasanya dilakukan dalam tiga tahap, yaitu mengidentifikasi anomali data (perubahan tidak terduga dalam pasar tertentu), mengumpulkan data anomali, dan menggunakan teknik statistik untuk menemukan hubungan serta tren yang menjelaskan anomali tersebut.

3. ANALISIS PREDIKTIF – “APA YANG AKAN TERJADI DI MASA DEPAN”

Tipe data analitik yang ketiga adalah analisis deskriptif. Analisis ini menggunakan data historis untuk mengidentifikasi tren dan menentukan apakah tren tersebut cenderung berulang atau tidak. Analisis ini menggunakan teknik statistik dan machine learning untuk analisis lanjutan, seperti regresi, neural networks, dan decision trees.

4. ANALISIS PRESKRIPTIF – “APA YANG HARUS DILAKUKAN”

Terakhir, ada tipe data analitik berikutnya, yakni analisis preskriptif. Analisis ini menggunakan hasil dari analisis prediktif untuk membuat keputusan dan langkah yang tepat. Teknik dalam analisis ini mengandalkan machine learning untuk menemukan pola dalam kumpulan data yang besar.

Manfaat Big Data Analytics

Big data analytics memberi banyak manfaat bagi perusahaan terutama dalam menemukan peluang-peluang baru yang tentu juga akan meningkatkan profit. Selain itu, terdapat juga manfaat lainnya seperti :

Meningkatkan Produktivitas dan Efisiensi

Big data analytics dapat mengumpulkan dan mengolah sejumlah besar data sehingga lebih bayak input yang didapatkan yang dapat meningkatakan produktivtas kerja, baik perbaikan produk maupun pengembangan (upgrade). 

Big data analytics juga dapat bekerja dengan otomatis dengan pemanfaatan AI dan machine learning sehingga yang dapat mengurang resiko terjadi kesalahan pengolahan data.

Mempercepat Pengambilan Keputusan

Dengan peamnfaatan teknologi, data dalam jumlah besar dapat diolah dengan cepat, termasuk ketika ada sumber data baru. Hal ini memungkinkan akar atau inti masalah ditemukan dengan cepat, sehingga pengambilan keputusan untuk langkah selanjutnya akan lebih efisien.

Mengetahui Kondisi Pasar

Big data analytics mencakup analisis data pasar atau market beserta tren-tren yang sedang berjalan. Dengan input tersebut, perusahaan dapat menghasilkan produk yang dapat bersaing dan berkompetisi bahkan lebih unggul dari kompetitor-nya di pasar, karena telah dilakukan personalisasi pelanggan.

Meningkatkan Pengalaman Pelanggan

Big data analytics mampu meningkatkan pengalaman pengguna dengan menganalisis jejak digital yang ditinggalkan pelanggan untuk mengungkap banyak hal tentang perilaku, kebutuhan dan apa yang disukai atau tidak disukai pelanggan. Dengan demikian, perusahaan dapat memperbaharui produknya untuk memenuhi kebutuhan tersebut.

Mengurangi Biaya

Big data analytics menggunakan kecanggihan teknologi seperti cloud yang memiliki penyimpanan tidak terbatas, untuk menyimpan data-nya, sehingga mengurangi biaya penggunaan banyak perangkat penyimpanan.

Selain itu, dengan menggunakan tools seperti Hadoop dan Spark dapat mengidentifikasikan cara berbisnis yang lebih efisien dan juga hemat biaya. AI dan machine learning juga dapat memprediksi biaya yang diperlukan.

Penerapan Big Data Analytics

Langkah Penerapan Big Data Analytics

• Data extraction : pengumpulan data dari halaman website ke dalam database
• Data mining : identifikasi infromasi dari database
• Data collection : penyimpanan data dalam database yang terus bertambah
• Data storing : penyimpanan data dalam storage (ruang penyimpanan) dengan kapasitas besar dan infrastuktur dengan mesin analisis terbaru
• Data cleaning : penyaringan dan penghapusan data yang tidak diperlukan
• Data analysis : pengolahan berbagai jenis data dari berbagai sumber untuk menghasilkan insight
• Data consumption : penggunaan data yang telah diolah sesuai keperluan perusahan atau instansi tertentu

Contoh Penerapan dalam Berbagai Bidang

• E-commerce : memprediksi tren pasar dan pelanggan serta penetuan harga
• Marketing : menganalisis media pemasaran paling efisien untuk produk yang disajikan dan dapat menjangkau lebih banyak pelanggan
• Pendidikan : meningkatkan kualitas pembelajaran mencakup materi dan metode belajar yang efektif untuk berbagai tingkat pendidikan
• Medis : mengetahui kondisi pasien dengan analisis historis pada catatan medis pasien
• Media dan hiburan : memberikan rekomendasi film, video, musik, dsb sesuai preferensi pengguna berdasarkan riwayat pencarian atau yang paling sering dilihat
• Perbankan : menawarkan berbagai layanan berdasarkan pendapatan dan pengeluaran pelanggan
• Pemerintahan : membantu penetapan hukum atau peraturan sesuai situasi dan kebutuhan masyarakat

Perkembangan Preskriptif Analytics

Perkembangan teknologi membuat semua bidang dalam kehidupan masyarakat kini semakin mudah dengan adanya integrasi data. Sebagaimana yang kita tahu, saat ini big data telah menjadi bagian tak terpisahkan dari berbagai macam industri. Data dalam jumlah besar tersebut perlu kita analisis dengan metode data analytics guna mendapatkan informasi yang berguna. Salah satu jenis analisis data yang bisa Anda gunakan adalah prescriptive analytics. Pada dasarnya, kita memang perlu mengolah data dan memproses data guna memperoleh informasi yang bermanfaat bagi kelangsungan bisnis. Analisis preskriptif sendiri menjadi salah satu jenis analisis data yang berguna dalam proses sales analysis atau analisis penjualan. Metode ini akan menggunakan pola dari data yang terkumpul dari berbagai sumber (data warehouse), kemudian melakukan data mining dan memvisualisasikannya (data visualization) untuk memelajari sales lead tertarget. Sehingga, Anda bisa mengetahui lead atau calon pelanggan mana saja yang sekiranya bisa Anda maksimalkan.

Analisis preskriptif ini juga berguna dalam proses pengambilan keputusan. Sebab dengan data yang telah Anda petakan (data mapping) sebelumnya, Anda akan mendapatkan pola-pola tertentu yang berguna untuk proses identifikasi. Dari proses identifikasi inilah Anda akan mendapatkan gambaran tentang data dan informasi, sehingga bermanfaat dalam proses pengambilan keputusan bisnis kedepannya.

Lantas, apa saja manfaat lain dari analisis preskriptif dan apa perbedaannya dengan jenis data analytics lainnya?

Melalui artikel berikut ini, kami akan membahas secara rinci tentang apa itu analisis preskriptif , manfaatnya untuk bisnis, perbedaannya dengan metode analisis data lainnya, serta contoh penerapannya.

Daftar Isi :

• Apa Itu Prescriptive Analytics?
• Manfaat Menggunakan Prescriptive Analytics
• Perbedaan Prescriptive Analytics dengan Descriptive dan Predictive Analytics
• Descriptive analytics, Predictive analytics, Prescriptive analytics
• Contoh Prescriptive Analytics
  1. Industri Transportasi
  2. Industri Penjualan
  3. Industri Kesehatan

Apa Itu Prescriptive Analytics?

Mengutip dari Investopedia, prescriptive analytics adalah jenis analisis yang berguna dalam proses pembuatan keputusan berdasarkan analisis informasi dari data mentah. Artinya, analisis preskriptif ini akan menganalisis data dan memberikan saran tentang tindakan terbaik yang harus perusahaan ambil dalam skenario tertentu. Tujuannya adalah untuk menemukan solusi atau langkah terbaik yang akan menguntungkan perusahaan berdasarkan analisis dan CBA.

Perlu Anda ketahui bahwa jenis analisis ini menggunakan data dari deskriptif dan prediktif analisis untuk merekomendasikan solusi terbaik. Sehingga Anda perlu memahami data yang Anda butuhkan (descriptive analytics) dan memprediksi apa yang mungkin terjadi berdasarkan data tersebut (predictive analytics). Gunanya adalah untuk mensimulasikan berbagai pendekatan untuk semua hasil, sehingga Anda dapat menemukan solusi terbaik untuk perencanaan dan strategi bisnis kedepannya.

Dalam prosesnya, analisis preskriptif menggunakan kombinasi dari algoritma, machine learning, aturan bisnis, hingga artificial intelligence atau kecerdasan buatan untuk membantu pelaku bisnis memahami data yang mereka kumpulkan. Analisis ini akan sangat berguna untuk menciptakan customer experience yang lebih efektif lagi bagi konsumen sesuai dengan preferensi mereka. Sehingga, pada dasarnya analisis ini akan memberikan saran terbaik yang harus perusahaan ambil untuk mencapai tujuan bisnis.

Misalnya meningkatkan profit dan revenue bisnis, meningkatkan kepuasan pelanggan, menghemat biaya produksi (cost of goods sold), memanajemen total biaya (total fixed cost), hingga mengurangi risiko total (pure risk). Bukan hanya itu saja. Prescriptive analytics juga akan sangat berguna dalam proses forecast bisnis atau memprediksi sesuatu yang akan datang. Sebab dengan menafsirkan informasi berdasarkan data yang Anda kumpulkan dengan analisis preskriptif, Anda pun akan lebih mudah dalam memperkirakan perilaku konsumen hingga pola bisnis di masa depan.

Manfaat Menggunakan Prescriptive Analytics

Berdasarkan pemaparan di atas, dapat kita ketahui bahwa analisis preskriptif memberikan manfaat yang sangat banyak dan menguntungkan bagi bisnis. Namun bukan cuma itu saja. Berikut ini adalah beberapa manfaat lain dari analisis preskriptif yang bisa Anda dapatkan:

• Menciptakan customer experience yang lebih efektif dan personal.
  Contohnya dapat membantu Anda untuk memberikan diskon dan merekomendasikan produk secara real time
• Membantu mengoptimalkan proses bisnis
• Meningkatkan produktivitas dengan proses pengambilan keputusan yang lebih baik dan cepat
• Membantu membuat keputusan berdasarkan informasi yang terkumpul secara real time.
  Sehingga secara tak langsung Anda bisa lebih maju selangkah ketimbang kompetitor
• Mengidentifikasi risiko bisnis atau masalah yang mencegah proses perkembangan dan angka pertumbuhan bisnis (growth rate)
• Memudahkan dalam perhitungan statistik yang perusahaan lakukan dengan hasil yang lebih akurat Membantu dalam proses market research atau riset market bisnis. Meliputi analisis kompetitor, analisis market share, market positioning, hingga market orientation dan product positioning

Perbedaan Prescriptive Analytics dengan Descriptive dan Predictive Analytics

Dalam uraian sebelumnya, kita telah menyinggung perbedaan mendasar antara analisis preskriptif dengan jenis data analytics lainnya. Di mana jenis analisis data ini menggabungkan descriptive analytics dan predictive analytics untuk mendapatkan pola baru yang lebih akurat. Untuk lebih jelasnya, berikut ini adalah perbedaan dari ketiga jenis analisis data tersebut:

• Descriptive analytics Analisis deskriptif adalah proses data analytics untuk mendapatkan gambaran umum dari data yang sudah ada dan terkumpul. Tujuannya adalah untuk mengenal dan memahami data secara keseluruhan. Contoh dari descriptive analytics adalah Google Analytics. Pada Google Analytics, Anda hanya bisa melihat informasi sederhana seperti traffic website, jumlah visitor per satuan waktu, halaman mana saja yang mendapatkan jumlah klik (CTR) tertinggi, hingga jumlah impression.
• Analisis deskriptif tidak menampilkan prediksi halaman apa yang akan pengunjung kunjungi di waktu berikutnya, serta alasan kenapa pengunjung mengunjungi halaman tersebut.
• Predictive analytics Analisis prediktif adalah data analytics yang memberikan hasil prediksi tentang sesuatu di waktu yang akan datang.
• Predictive analytics menggunakan data masa lalu dan algoritma prediksi untuk membantu dalam menentukan peluang atau kemungkinan dari apa yang akan terjadi berikutnya. Contohnya adalah sistem rekomendasi yang e-commerce gunakan dari data pengunjung dan pembelian. Dengan sistem tersebut, Anda bisa memperkirakan produk apa saja yang sekiranya membuat pengunjung tertarik untuk membeli. Jenis analisis ini memerlukan machine learning untuk menafsirkan data yang telah terkumpul.

Tahapan Data Cleansing dalam Pemrosesan Data Prescriptive analytics

Analisis preskriptif adalah proses analytics yang mengombinasikan dua jenis analisis data sebelumnya. Kunci untuk prescriptive analytics adalah mampu menggunakan big data dan komputasi untuk menghasilkan jawaban secara real time. Sehingga fungsi utama dari analisis preskriptif memberikan saran atau solusi terbaik berdasarkan deskripsi dan prediksi sebelumnya. Analisis ini bukan hanya memahami data mentah dan memprediksi apa yang akan terjadi, tetapi juga menjelaskan alasan di balik saran tersebut. Contoh Prescriptive Analytics Untuk memperdalam pemahaman Anda terkait analisis preskriptif, berikut ini adalah beberapa contoh penggunaannya dalam berbagai bidang yang bisa Anda pelajari:

1. Industri Transportasi Pada industri transportasi, perusahaan bisa menggunakan analisis preskriptif untuk memaksimalkan keuntungan. Misalnya dengan menyesuaikan ketersediaan dan harga tiket secara otomatis berdasarkan cuaca, permintaan (demand) pelanggan, tren, dan lain sebagainya.
2. Industri Penjualan Dalam industri penjualan, marketer bisa menggunakan jenis analisis ini untuk merumuskan marketing strategy dan marketing plan terbaik. Misalnya menentukan pricing atau harga produk yang ideal, menyasar target pasar yang tepat, serta melakukan strategi marketing campaign yang lebih efektif.
3. Industri Kesehatan Di bidang kesehatan, analisis preskriptif akan sangat berguna untuk meningkatkan kualitas layanan kepada pasien. Dengan data dari prescriptive analytics, industri kesehatan seperti rumah sakit atau klinik dapat menemukan waktu terbaik untuk janji temu dan menjadwalkan perawatan pada pasien dengan lebih terstruktur.

Itulah ulasan mengenai analisis preskriptif yang bisa Anda pahami. Intinya, jenis analisis data ini sangat berguna bagi bisnis untuk membantu menemukan strategi business development terbaik, meningkatkan penjualan (sales growth), mengoptimalkan proses penjualan dan operasi, serta membantu dalam mengelola risiko.

Selain menerapkan analisis ini, Anda juga bisa memanfaatkan layanan digital marketing agency yang dapat membantu Anda dalam mengembangkan bisnis. Beberapa strategi marketing yang bisa diimplementasikan adalah growth hack marketing, inbound marketing, 360 Digital Marketing, serta Data-driven marketing agar perusahaan semakin berkembang pesat.