Big Data Analitik

Why Big Data

Pentingnya big data tidak berkisar pada seberapa banyak data yang dimiliki perusahaan, tetapi bagaimana
perusahaan menggunakan data yang dikumpulkan.
Semakin efisien perusahaan menggunakan datanya, semakin besar potensi yang dimilikinya untuk berkembang.
Perusahaan dapat mengambil data dari sumber mana pun dan menganalisisnya
untuk menemukan jawaban yang memungkinkan:

Understand the market conditions

1 Pemahaman yang lebih baik tentang kondisi pasar saat ini dengan menganalisis perilaku pembelian pelanggan,
perusahaan dapat mengetahui produk yang paling banyak terjual dan menghasilkan produk sesuai tren tersebut.

Control online reputation

2 Alat untuk melakukan analisis sentimen, mendapatkan umpan balik tentang perusahaan, Big Data membantu dalam
memantau dan meningkatkan kehadiran online bisnis.

Using Big Data Analytics to Boost Customer Acquisition and Retention

3 Pelanggan adalah aset terpenting pada bisnis apa pun, tidak ada satu bisnis pun yang dapat mengklaim kesuksesan
tanpa terlebih dahulu membangun basis pelanggan yang solid. Penggunaan Big Data memungkinkan bisnis mengamati
berbagai pola dan tren terkait pelanggan. Mengamati perilaku pelanggan penting untuk memicu loyalitas.

Using Big Data Analytics to Solve Advertisers Problem and Offer Marketing Insights
4 Analitik Big Data dapat membantu mengubah semua operasi bisnis. Ini termasuk kemampuan untuk menyesuaikan
dengan harapan pelanggan, mengubah lini produk perusahaan dan tentu saja memastikan bahwa kampanye
pemasaran yang kuat.

Big Data Analytics As a Driver of Innovations and Product Development

5 Keuntungan besar lainnya dari big data adalah kemampuannya untuk membantu perusahaan berinovasi
dan mengembangkan kembali produk mereka.
Big Data
Big Data dapat diartikan dengan istilah 3V Volume, Variety dan Velocity

1 3
Volume Velocity
Volume data yang besar (PB) Melibatkan transaksi data yang
Bersumber dari berbagai macam cepat dan pola akses yang cepat
system, IOT, internet dll pula

• Semakin banyak data akan lebih • Kecepatan akses

baik dan akurat untuk prediksi • Dapat melakukan Analisa seketika
• Lebih banyak insights

2
Variety
Terdiri dari berbagai jenis type data
struktur ( spreads sheet, DBMS dll)
maupun unstruktur (IOT, Video,
Audio, email, sosmed dll)

• Lebih banyak perbedaan data

• Lebih detail dalam hal costumer
insights
Data Sources & Data Type
Internal/ External
Data

Human Machine
Generated Generated

Structured Unstructured Structured Unstructured

Internal Data External Data

Mudah dikumpulkan & digunakan Sepenuhnya dikendalikan pihak Eksternal

Human Generated Machine Generated

Menghasilkan data yang lebih Memiliki akurasi yang sangat baik namun
spesifik namun dipengaruhi aspek tidak memiliki konteks
emosional (bias)

Structured Unstructured
Mudah untuk dimanipulasi, Merupakan gambaran besar dari
diurutkan dan pencarian. Terdapat keseluruhan aktifitas namun sukar dalam
potensi kehilangan nilai informasi hal pengelohan, penyimpanan dan analisa
Data Analytic
Sejarah Data Analitik
Analitik 1 (PD II)
Digunakan untuk
mengetahui posisi kapal
selam Jerman dengan
metoda Matematik dan
Statistik
Analitik 2 (1980-1990)
Pengembangan bisnis
khususnya retail
mengunakan barcode, PC
dan data storage
Analitik 3 ( > 1990)
Digunakan disemua bisnis
menggunakan Big data,
internet, real time, IOT,
sensor, data scientists dll

Jenis Data Analitik

Deskriptif Analitik Prediktif Analitik Prespektif Analitik

• Menjawab apa yang telah
terjadi.
• Melihat data kebelakang
untuk mempelajari dan
menyimpulkan
• Berisikan hal dasar berupa
rata-rata, percen, jenis, Max,
Min dll
Contoh :
Dashboard Keuangan
Dashboard Kepegawaian
• Menjawab apa yang akan
terjadi.
• Melihat dan memproyeksikan
ke depan dengan data
• Lebih kompleks , pemilihan
model, non linier regression,
AI dll
Contoh :
Dynamic Pricing
Predictive maintenance
• Menjawab apa yang
seharusnya dilakukan
• Otomatis dalam hal
pengambilan keputusan
Contoh :
Google Self Driving Car
Catatan
• Jika prediksi kedepan berdasarkan data masa lalu
maka data analitik akan baik digunakan namun jika
banyak perubahan dalam waktu singkat intuisi
manusia lebih baik
• Analitik lebih focus dan tanpa emosional
• Analitik tidak dapat memecah semua masalah
• Hal terbaik adalah Analitik + Pengalaman + Intuisi
 Artificial Intelligence (AI) dan Machine Learning (ML)
Artificial intelligence merupakan machine learning tanpa driven intelligence
Keuntungan menggunakan AI, otomatisasi, generating insight, interaksi dengan konsumen
Pola Algoritma
Berdasarkan formulasi, operasi, matematik dll

Puppy & Muffin

Pola Machine Learning

• Tidak memerlukan algoritma cukup

berikan masukan dan kita akan
mendapat jawaban
• Memberikan pengelompokan data pada
setiap masukan
Hirarcy Data Analytic Need
Action
Execute Manager & AI
Action
Inference
Inference Domain area experts, bispro & science
Learn
Analyze
Analyze Data scientists, Statistik, Matematik
Clean
Clean Data experts
Manage
Colect
Collect & Store Sensor, User Entry, data pihak
ke 3, data system

Store
Infrastruktur, Struktur/
Unstruktur data storage
Data Analitik Maturity system, Data Lake

DA sebagai Tools DA sebagai Software DA sebagai Core

Efisiensi Operasional, Analisis dan data Data sebagai asset
keuangan storage sebagai bisnis Stakeholders sebagai
Lebih mengenal model penghasil data
costumer
 Strong Data Analytic Capability
• Merubah mainset data
analitik sampai menjadi hal
umum
• Perubahan mainset dilakukan
dari top manajerial sampai
hirarki organisasi terbawah
• Kombinasi data analitik dan
intuisi merupakan hal terbaik
• Untuk mendapatkan orang
terbaik anda hanya perlu
melakukan lebih baik dari
pesaing Anda
• Memiliki kemampuan
mengumpulkan data dan data
store yg sesuai
• Otomatisasi dalam
pengumpulan data
• Data storage yang sesuai,
retrival dan Teknik SSOT
• Data lake yang dapat
menampung semua data
• Personil terlibat langsung
dalam data analitik
• Memiliki keahlian tinggi
dibidang bisnis experts (sales,
marketing, financial,
operation, logistic dll) dan
data experts (statistic,
computer science matematik,
Strategy teknologi informasi)
• Dapat melakukan recruitment
dan training
People • Struktur organisasi yang jelas
Tools
• Merupakan software dan
system yang digunakan untuk
Data Analisa data (berbeda data
berbeda tools)
• Termasuk tools untuk
melindungi data, privasi dan
compliance
• Dapat dikembangkan in house
atau membeli dari pihak ke 3
• Tools virtualisasi hal penting
yang harus dimiliki
Big Data Landscape Planning
 Big Data Cluster Node Planning

Shared Storage :
Untuk menyimpan temporary data (landing) yang diperlukan untuk preprocessing sebelum dimasukkan kedalam HDFS (Hadoop
Distributed File System) HDFS merupakan sistem penyimpanan terdistribusi, yang melakukan proses pemecahan file besar menjadi
bagian-bagian lebih kecil kemudian didistribusikan ke cluster-cluster dari computer

Worker node :
Menyimpan sebagian besar data dan melakukan sebagian besar perhitungan Edge nodes, memfasilitasi komunikasi dari pengguna akhir
ke master dan worker node

Master node :
Mengontrol node mana yang melakukan tugas dan proses apa yang berjalan dan pada node apa
Edge node :
Komputer yang bertindak sebagai portal pengguna akhir untuk komunikasi dengan node lain dalam komputasi cluster
(Gateway/Utility)
 APPLICATION LANDSCAPE

Belum Sedang Sedang

Sudah
 DATA INFORMATION
Atribut Aset,
Koordinat Aset,
Kontrak sewa aset,
Pemeliharaan aset, invoice, Payment Perjalanan KA (SF,
Pengadaan material, Data Aset KM-KA, GTKM),
Vendor, Data Aset, Dinasan dan premi
Kontrak pengadaan, awak KA, Posisi
storage dan functional Perjalanan, Konsumsi
location, Cost(Labour/JO, penggunaan BBM
Overhead,Component, sarana
Services)

Data
Vendor dan
Pelelangan
Detail Transaksi per
channel(loket, ibook,kai
access,B2B,P3M), Detail
Pelanggan, Detail
Payment, Jadwal
Perjalanan KA, Komoditi Laba rugi, Beban, Data Pegawai (Histori
angbar, kontrak angbar, Pendapatan, Cash jabatan, Biodata,
SA, Transaksi angbar in/out, Budget dan pendidikan, dll), Data
(B2B, B2C) investasi Training, Payroll,
Komplain KPI/PI, Data
pelanggan, Organisasi, Biaya
sosmed comment Pegawai, Kompetensi
and response,
Lost and found
SECURE TRAIN PASSANGER DATA
(POLICY ENFORCEMENT)
Untuk melindungi data privasi konsumen perlu dibuatkan kebijakan tentang
data (Data policy) dalam meningkatkan pengamanan terhadap data pelanggan
KAI yang entitas nya seperti Nomor Identitas, Nama, Alamat, Nomor
Telepon, Nomor Rekening, Tanggal Lahir, email dan data sensitive lainnya

Contoh kategori
sensitivitas data

Identification of a company’s suitability for the adoption of cloud computing and modelling its
corresponding Return on Investment, Subhas Chandra Misra ∗ , Arka Mondal 1

Komersial
• Sales Passenger performance and
forecasting
• Passenger Profiling
• Passenger Prediction
• Station and Train
Analysis/Passenger Movement
• Customer Satisfaction
• Dynamic Pricing
• Customer Loyalty / Campaign
Program
Contoh Usecase
Keuangan & HCM Pemeliharan & Logistik
• Financial Ratio Dashboard • Kekuatan Sarana (Fleet Strength)
• Profit and Loss • Perkiraan Biaya (Cost Estimation)
• Forecast Pendapatan • Rencana Pengadaan (Procurement Plan)
• Forecast Biaya • Maintenance Analysis
• Forecast Revenue Sharing
• Employee Profiling
• Employee Demografi
• KPI Overview
• Workforce Analysis
• Headcount Insight
• Hiring Insight
• Leavers Insight
• Employee Cost Analysis
Dashboard Management
(Deskriptif Analisis)
PT Kereta Api Indonesia (Persero)
 ENTERPRISE RESOURCE PLANNING
Financial (FI, FM, CM, AM, COPA)
Logistic and Maintenance (MM, PM, LAM)
Human Resources and Payroll (HCM)
RAIL TICKETING SYSTEM (RTS)
Transaction
Station and Train
Membership PRANOPKA, SIPOKA
Loyalty Program
HRIS (Master Data Pegawai)
Perjalanan KA (SF, KM-KA, GT-KM)
DATA Dinasan dan Premi Awak KA
Waktu Berangkat, Waktu Tiba KA
MART

RAIL CARGO SYSTEM (RCS)

Kontrak
Surat Angkutan E-OFFICE
B2B, B2C Time Management
Lepas sambung, bongkar muat SPPD (Perjalanan Dinas)

ASSET
Portal Aset
Penagihan Sewa
VAI Report

16
 Landscape Dashboard Management

- RCS (ang barang)

- Middleware (ang penumpang)
- Portal Aset
- Penagihan
- VAI Report

(Talend Open
- RTS (ang penumpang)

Structured Data
Studio)

- FICO
- COPA
- HR
- MMPM

.XLS
- RKA
- Arus Kas

Dashboard
Management
 DASHBOARD MANAGEMENT
Dashboard Management merupakan pengembangan dashboard yang diharapkan dapat memberikan insight untuk manajemen pada
aspek keuangan, komersial, dan human resource (analisis deskriptif).
Aspek Keuangan seperti dashboard Laba/Rugi, neraca, dan arus kas
Aspek Komersial seperti customer profiling, customer demography, top rute dan sebaran penumpang
Aspek HR seperti employee profiling, employee demography, dan derajat kesehatan kerja

Laba/Rugi dan
Neraca

• Mengetahui posisi laba/rugi KAI

• Total pendapatan yang telah dicapai
• Total biaya yang telah dikeluarkan
• Growth yang dicapai (dari tahun lalu)
• Achievement yang dicapai (dari RKA)
• Rasio
 DASHBOARD MANAGEMENT
Segmen Penumpang
Demografi penumpang dengan filter
periode tahun, tanggal berangkat,
kelompok KA, sts Asal, sts Tujuan,
berdasarkan
- Purchase Channel (Berdasarkan Jumlah
Booking) terhadap Umur Pnp, Jenis
Kelamin Pnp, Nama KA dan Rute KA
(Berdasarkan Jml Pnp)
• Kabupaten/Kota dan Propinsi ID
Penumpang
• Trend Penumpang
• Top Rute
• Top Customer

Demografi reduksi penumpang dengan

filter periode tahun, tanggal berangkat,
kelompok KA, sts Asal, sts Tujuan,
berdasarkan
- Frekuensi perjalanan
- Top Custmer Reduksi
- Berdasakan nama KA
- Perbandingan pnp reduksi dan non
reduksi
 DASHBOARD MANAGEMENT
Laba/Rugi
Menampilkan Dashboard laba rugi segmen penumpang dan laba rugi all segmen
Segmen Penumpang
 DASHBOARD MANAGEMENT
Dashboard Summary

Menampilkan summary
aspek kepegawaian
(SDM), posisi laba/rugi,
rasio keuangan, volume
angkutan
penumpang/barang dan
pendapatan KAI Group,
kekuatan dan
kehandalan sarana serta
prasarana, ketepatan
waktu perjalanan KA
 DASHBOARD MANAGEMENT
Human Capital
Management
General Workforce Metrics

Recruitment Metrics
 DASHBOARD MANAGEMENT
Sinyal Telekomunikasi

• Jumlah Maintenance
Order
• Jumlah Asset
Perawatan actual
realease dan actual
teco

B. Jalan dan Jembatan

 DASHBOARD MANAGEMENT
Aset Prasarana

Menampilkan Jumlah
Asset Prasarana
berdasarkan jenis asset,
kepemilikan dan detail
aset
Contoh Dashboard Prediktif Analisis
(Hasil POC dengan IBM)
Sample Train Performance Segmentation
Sample Passenger Movement Forecast Insight
Sample Sales Passenger Performance and Forecast
Sample Prediction Of Passenger Number (PSE-HGL)
THANK YOU