3 Kategori Analisis Data

Anggaplah Anda sedang mengkaji data riwayat belanjaan pelanggan, ada 3 kategori analisis data
berdasarkan hasil keluarannya:

Deskriptif
Hasil analisis deskriptif adalah pemahaman karakteristik bidang yang dikaji: apa yang
wajar/tidak wajar, hal-hal yang kerap terjadi, hal-hal yang menonjol, dan hubungan antar
variabel dalam data . Contoh kegiatan analisis deskriptif adalah membuat ringkasan/agregasi
data, sebagian teknik data mining, statistik deskriptif, dan visualisasi data. Contoh pertanyaan
yang dapat dipecahkan analisis deskriptif:

 siapa 10 pelanggan dengan belanjaan terbanyak?

 di hari apa saja pelanggan ramai membeli?
 berapa rata-rata nilai belanjaan tiap pelanggan?
 apakah ada perbedaan jumlah belanjaan di hari libur dan hari kerja?
 adakah hubungan antara hari libur dan jumlah belanjaan?

Prediktif
Hasil analisis prediktif adalah ramalan terkait suatu variabel berdasarkan variabel lainnya di
dalam data. Contoh kegiatan analisis prediktif adalah sebagian teknik data mining, machine
learning, regresi linier, dan simulasi.Contoh pertanyaan yang dapat dipecahkan analisis prediktif:

 berapa penjualan harian untuk 1 bulan ke depan?

 pelanggan mana saja yang akan membeli lebih banyak jika diberikan diskon?
 pelanggan mana saja yang akan berhenti membeli?

Preskriptif
Hasil analisis preskriptif adalah rekomendasi aksi yang diperkirakan akan memaksimalkan
pencapaian tujuan yang kita inginkan. Contoh kegiatan analisis preskriptif adalah sebagian
teknik simulasi, machine learning, teknik optimalisasi, dan analisi keputusan. Contoh pertanyaan
yang dapat dipecahkan:
  berapa % diskon untuk pelanggan yang rutin belanja tiap minggu supaya nilai
belanjaannya meningkat?
 produk apa yang sebaiknya ditawarkan kepada pelanggan yang merupakan pasangan baru
menikah?
 dimana sebaiknya meletakkan suatu produk supaya dapat terjual lebih banyak?

Dari 3 kategori analisis data tersebut, mana yang sering Anda lakukan?

Dengan banyaknya data yang tersedia untuk bisnis mengenai rantai pasokan
mereka hari ini, perusahaan beralih ke solusi analitik untuk mengekstraksi
makna dari volume data yang sangat besar untuk membantu meningkatkan
pengambilan keputusan

Perusahaan Analitik Prediktif yang berupaya mengoptimalkan upaya S&OP mereka

membutuhkan kemampuan untuk menganalisis data historis, dan memperkirakan apa
yang mungkin terjadi di masa depan. Janji untuk melakukannya dengan benar dan
menjadi organisasi berbasis data sangat bagus. ROI besar dapat dinikmati
sebagaimana dibuktikan oleh perusahaan yang telah mengoptimalkan rantai
pasokan mereka, menurunkan biaya operasi, meningkatkan pendapatan, atau
meningkatkan layanan pelanggan dan bauran produk mereka.

Melihat semua opsi analitik bisa menjadi tugas yang menakutkan. Namun,
untungnya opsi analitik ini dapat dikategorikan pada tingkat tinggi menjadi
tiga jenis berbeda. Tidak ada satu jenis analitik yang lebih baik dari yang
lain, dan pada kenyataannya mereka saling berdampingan, dan saling
melengkapi. Agar bisnis memiliki pandangan holistik terhadap pasar dan
bagaimana perusahaan bersaing secara efisien dalam pasar tersebut, dibutuhkan
lingkungan analitik yang kuat yang meliputi:

Analisis Deskriptif, yang menggunakan agregasi data dan penggalian data

untuk memberikan wawasan tentang masa lalu dan menjawab: "Apa yang terjadi?"
Predictive Analytics, yang menggunakan model statistik dan teknik
perkiraan untuk memahami masa depan dan menjawab: "Apa yang bisa terjadi?"
Analisis Preskriptif, yang menggunakan algoritme optimasi dan simulasi
untuk memberi saran tentang kemungkinan hasil dan menjawab: "Apa yang harus
kita lakukan?"

Analisis Deskriptif: Wawasan ke masa lalu

Analisis atau statistik deskriptif melakukan persis apa yang disiratkan oleh
namanya, atau meringkas data mentah dan menjadikannya sesuatu yang dapat
ditafsirkan oleh manusia. Itu adalah analitik yang menggambarkan masa lalu.
Masa lalu mengacu pada setiap titik waktu suatu peristiwa telah terjadi,
apakah itu satu menit yang lalu, atau satu tahun yang lalu. Analitik
deskriptif berguna karena memungkinkan kita belajar dari perilaku masa lalu,
dan memahami bagaimana mereka dapat mempengaruhi hasil di masa depan.

Sebagian besar statistik yang kami gunakan termasuk dalam kategori ini.
(Pikirkan aritmatika dasar seperti penjumlahan, rata-rata, perubahan persen.)
Biasanya, data yang mendasarinya adalah hitungan, atau agregat dari kolom
data yang disaring yang matematika dasar diterapkan. Untuk semua tujuan
praktis, ada jumlah tak terbatas dari statistik ini. Statistik deskriptif
berguna untuk menunjukkan hal-hal seperti total stok dalam persediaan, rata-
rata dolar yang dihabiskan per pelanggan dan perubahan penjualan tahun-ke-
tahun. Contoh umum dari analisis deskriptif adalah laporan yang memberikan
wawasan historis mengenai produksi, keuangan, operasi, penjualan, persediaan,
dan pelanggan perusahaan.

Gunakan Analisis Deskriptif ketika Anda perlu memahami pada tingkat agregat
apa yang terjadi di perusahaan Anda, dan kapan Anda ingin merangkum dan
menggambarkan berbagai aspek bisnis Anda.
Predictive Analytics: Memahami masa depan

Analitik prediktif berakar pada kemampuan untuk "memprediksi" apa yang

mungkin terjadi. Analitik ini adalah tentang memahami masa depan. Analitik
prediktif memberi perusahaan wawasan yang dapat ditindaklanjuti berdasarkan
data. Analitik prediktif memberikan perkiraan tentang kemungkinan hasil di
masa mendatang. Penting untuk diingat bahwa tidak ada algoritma statistik
yang dapat "memprediksi" masa depan dengan kepastian 100%. Perusahaan
menggunakan statistik ini untuk memperkirakan apa yang akan terjadi di masa
depan. Ini karena dasar analitik prediktif didasarkan pada probabilitas.

Statistik ini mencoba untuk mengambil data yang Anda miliki, dan mengisi data
yang hilang dengan tebakan terbaik. Mereka menggabungkan data historis yang
ditemukan dalam sistem ERP,CRM, SDM dan POS untuk mengidentifikasi pola dalam
data dan menerapkan model statistik dan algoritma untuk menangkap hubungan
antara berbagai set data. Perusahaan menggunakan statistik prediktif dan
analitik kapan saja mereka ingin melihat masa depan. Analitik prediktif dapat
digunakan di seluruh organisasi, mulai dari memperkirakan perilaku pelanggan
dan pola pembelian hingga mengidentifikasi tren dalam aktivitas penjualan.
Mereka juga membantu memperkirakan permintaan input dari rantai pasokan,
operasi, dan inventaris.

Salah satu aplikasi umum yang kebanyakan orang kenal adalah penggunaan
analytics prediktif untuk menghasilkan skor kredit. Skor ini digunakan oleh
layanan keuangan untuk menentukan probabilitas pelanggan melakukan pembayaran
kredit di masa depan tepat waktu. Penggunaan bisnis yang umum termasuk
memahami bagaimana penjualan akan ditutup pada akhir tahun, memprediksi
barang apa yang akan dibeli oleh pelanggan bersama, atau memperkirakan
tingkat persediaan berdasarkan berbagai variabel.

Gunakan Predictive Analytics setiap saat Anda perlu mengetahui sesuatu

tentang masa depan, atau isi informasi yang tidak Anda miliki.

Analisis Preskriptif: Anjurkan kemungkinan hasil

Bidang analitik preskriptif yang relatif baru memungkinkan pengguna untuk

"meresepkan" sejumlah tindakan yang mungkin berbeda dan membimbing mereka
menuju solusi. Singkatnya, analitik ini adalah tentang memberikan saran.
Analitik preskriptif berupaya untuk mengukur efek keputusan masa depan untuk
memberi nasihat tentang kemungkinan hasil sebelum keputusan tersebut benar-
benar dibuat. Yang terbaik, analitik preskriptif memprediksi tidak hanya apa
yang akan terjadi, tetapi juga mengapa itu akan terjadi, memberikan
rekomendasi mengenai tindakan yang akan mengambil keuntungan dari prediksi.

Analitik ini melampaui analitik deskriptif dan prediktif dengan

merekomendasikan satu atau lebih tindakan yang mungkin dilakukan. Pada
dasarnya mereka memprediksi banyak masa depan dan memungkinkan perusahaan
untuk menilai sejumlah hasil yang mungkin berdasarkan tindakan mereka.
Analitik preskriptif menggunakan kombinasi teknik dan alat seperti aturan
bisnis, algoritma, pembelajaran mesin, dan prosedur pemodelan komputasi.
Teknik-teknik ini diterapkan terhadap input dari berbagai set data yang
berbeda termasuk data historis dan transaksional, umpan data waktu-nyata, dan
data besar.

Analitik preskriptif relatif kompleks untuk dikelola, dan sebagian besar

perusahaan belum menggunakannya dalam kegiatan bisnis sehari-hari mereka.
Ketika diterapkan dengan benar, mereka dapat memiliki dampak besar pada
bagaimana bisnis membuat keputusan, dan pada garis bawah perusahaan.
Perusahaan yang lebih besar berhasil menggunakan analitik preskriptif untuk
mengoptimalkan produksi, penjadwalan, dan inventaris dalam rantai pasokan
untuk memastikan bahwa memberikan produk yang tepat pada waktu yang tepat dan
mengoptimalkan pengalaman pelanggan.

Gunakan Analisis Preskriptif kapan saja Anda perlu memberikan saran kepada
pengguna tentang tindakan apa yang harus diambil.

Apa itu ERP software? Secara singkat, ERP (Enterprise Resource Planning) adalah seperangkat
software yang berfungsi untuk mengelola dan mengintegrasikan berbagai aktivitas operasional
dalam sebuah bisnis. ERP dulu lebih banyak digunakan oleh perusahaan-perusahaan berskala
besar (enterprise), namun sekarang juga telah populer di kalangan UKM. Dalam artikel kali ini,
kami akan membahas pengertian ERP software dengan lebih detail, lengkap dengan sejarah
singkat, jenis, dan kegunaannya bagi bisnis Anda.

ERP adalah paket sistem dan software yang digunakan oleh perusahaan untuk mengelola
kegiatan bisnis harian mereka, seperti pengelolaan keuangan, pengadaan, produksi, proyek,
SDM, dan-lain-lain. Sistem ini dapat memfasilitasi bisnis dengan informasi real-time dan akurat,
sehingga Anda dapat membuat keputusan bisnis dengan baik berdasarkan data yang dihasilkan.
Dengan mengumpulkan data transaksi bersama dari berbagai sumber, sistem ERP mencegah
duplikasi data dengan memberikan integritas data.

CRM atau Customer Relationship Management. CRM adalah sebuah pendekatan

baru dalam mengelola hubungan korporasi dengan pelanggan pada level bisnis
sehingga dapat memaksimumkan komunikasi dan pemasaran melalui pengelolaan
berbagai kontak yang berbeda. Pendekatan ini memungkinkan untuk
mempertahankan pelanggan dan memberikan nilai tambah secara terus-menerus
kepada pelanggan.
Sistem POS adalah aplikasi untuk membantu bagian penjualan khususnya pada perusahaan retail.
Biasanya digunakan di bagian kasir. Sistem ini dibuat untuk memudahkan kasir dalam mengelola proses
penjualan. Karena adanya kebutuhan untuk membuat proses penjualan menjadi praktis dan cepat
sehingga menghindari pelanggan untuk antri dalam waktu yang lama.