Descriptive Analytics: Nature

of Data, Statistical Modeling,

and Visualization
 Anggota
Kelompok 8

Bintang Sukma Pertiwi (190810301129) Nova Amanda Sakinah. R (190810301138)

Fitra Yuli Amelinda (190810301110) Citra Wahyu Ningsih (190810301150)

 2.1
Analisis deskriptif : Sifat data,
pemodelan Statistik, dan
visualisasi
Sirius XM Menarik dan Melibatkan Konsumen Generasi Baru dengan
Pemasaran Berbasis Data

SiriusXM Radio adalah pembangkit tenaga radio satelit, perusahaan radio terbesar di
dunia dengan pendapatan tahunan $
3,8 miliar dan berbagai stasiun musik, olahraga, berita, bincang-bincang, dan hiburan
yang sangat populer. Perusahaan,
yang mulai mengudara pada tahun 2001 dengan
50.000 pelanggan, tumbuh menjadi 18,8 juta pelanggan pada tahun 2009, dan saat ini
memiliki hampir 29 juta pelanggan
 Tantangan Bisnis

Terlepas dari keberhasilan luar biasa ini, selama beberapa tahun terakhir,
perubahan demografi pelanggan, perubahan teknologi, dan lanskap persaingan
yang berubah telah menimbulkan serangkaian tantangan dan peluang bisnis baru
bagi SiriusXM.
Solusi
01.
Tingkatkan kebersihan data
melalui pengelolaan dan
pengelolaan data master yang
lebih baik.
04.
Perluas gudang data
terintegrasi untuk memasukkan
data pemasaran dan penilaian,
02.
Hadirkan analitik pemasaran
internal dan perluas gudang
data
05.
Mengadopsi platform
pemasaran untuk
pengembangan kampanye.
03.
Kembangkan model
segmentasi dan penilaian baru
untuk dijalankan dalam
database
06.
Satukan semua kemampuan
untuk memberikan penawaran
waktu nyata di semua
saluran pemasaran
Hasil dan
Manfaat
Hasil kampanye mendekati waktu nyata dalam 4 hari, menghasilkan •
pengurangan besar-besaran dalam waktu siklus
.untuk kampanye dan analis yang mendukungnya
Visibilitas loop tertutup memungkinkan analis untuk mendukung dialog •
multistage dan melakukan modifikasi
.kampanye untuk meningkatkan efektivitas kampanye
Pemodelan dan penilaian waktu nyata untuk meningkatkan kecerdasan •
pemasaran dan mempertajam penawaran dan tanggapan kampanye dengan
.kecepatan bisnis mereka
Sifat Data

2.2
Data adalah bahan utama untuk setiap BI, ilmu data, dan inisiatif analitik bisnis. Faktanya, ini dapat
dilihat sebagai bahan mentah untuk apa yang dihasilkan oleh teknologi keputusan populer ini —
informasi, wawasan, dan pengetahuan. Tanpa
data, tidak ada satu pun dari teknologi ini yang dapat eksis dan dipopulerkan — meskipun, secara
tradisional kami telah membangun model analitik menggunakan pengetahuan dan pengalaman ahli
ditambah dengan sangat sedikit atau tanpa data sama sekali; Namun, itu adalah masa lalu, dan sekarang
data sangat penting. Dulu dianggap sebagai tantangan besar untuk dikumpulkan, disimpan, dan dikelola,
data saat ini secara luas dianggap sebagai aset paling berharga dari sebuah organisasi, dengan potensi
untuk menciptakan wawasan yang tak ternilai untuk lebih memahami pelanggan, pesaing, dan proses
bisnis
2.3
Taksonomi data
sederhana
 Data Ordinal
Berisi kode yang ditugaskan ke objek atau Data interval
peristiwa sebagai label yang juga Adalah variabel yang
mewakili urutan peringkat diantara dapat diukur pada skala
mereka. interval.

1 2 3 4 5
Data nominal Data numerik Data rasio
berisi pengukuran kode Data numerik mewakili Termasuk variabel
sederhana yang ditetapkan ke nilai numerik variabel pengukuran yang biasa
objek sebagai label, yang bukan tertentu ditemukan dalam ilmu
merupakan fisika dan teknik.
pengukuran.
2.4
Seni & Ilmu Pengolahan
Data
Langkah Pra - Pengolahan
Data
Pra-pemrosesan data diperlukan untuk mengubah data mentah dunia nyata
menjadi bentuk yang disempurnakan untuk algoritme analitik

Langkah:
 Konsolidasi Data
 Pembersihan Data
 Transformasi Data
 Pengurangan Data
2.5
Pemodelan Statistik
Untuk Analisis Bisnis
Ukuran Tendensi Sentralitas

RATA-RATA
ARITMATIK

DEFINISI
Menjumlahkan seluruh data yang ada kemudian membaginya dengan
banyaknya data (sampel).

RUMUS

= Rata-rata nilai hitung

(Aritmatik)
𝑋𝑖 = Nilai (Data) ke-i
n = Jumlah sampel
Ukuran Tendensi Sentralitas

MEDIAN
Ukuran nilai pusat dalam
kumpulan data tertentu. Ini MODUS
adalah angka di tengah Pengamatan yang paling
kumpulan data tertentu sering terjadi (nilai paling
yang telah disusun / sering dalam kumpulan
diurutkan dalam urutan data).
besarnya (baik naik atau
turun).
 STANDAR DEVIASI
RANGE Ukuran penyebaran nilai
Perbedaan antara nilai dalam sekumpulan data.
terbesar dan terkecil
dalam kumpulan data KUARTIL DAN
tertentu. JANGKAUAN
INTERKUARTIL
Kuartil adalah
seperempat dari jumlah titik
data yang diberikan dalam
suatu kumpulan data.
VARIASI MEAN ABSOLUTE Rentang interkuartil
Ini adalah metode yang DEVIATION adalah selisih antara kuartil
digunakan untuk menghitung Memberikan ukuran ketiga (Q3) dan kuartil
deviasi semua titik data dalam penyebaran tanpa spesifik pertama (Q1).
kumpulan data tertentu dari tentang titik data yang lebih
mean. rendah atau lebih tinggi dari
rata-rata.
Pemodelan Regresi
Untuk Statistik
Inferensial

2.6
 REGRESI
SEDERHANA
VS GANDA
Regresi Sederhana
KORELASI VS
REGRESI Y’ = a + bX
Regresi Ganda

Y’ = a + b1X1 + b2X2 + … +
bnXn
 BAGAIMANA MENGEMBANGKAN
MODEL REGRESI LINEAR?

Gambarlah scatter plot, di mana y-axis

mewakili nilai variabel respon dan x-
sumbu mewakili nilai variabel penjelas.

Regresi Linier Sederhana

Y’ = a + bX
Regresi Linier Berganda

Y’ = a + b1X1 + b2X2 + … +
bnXn
REGRESI LOGISTIK

PERAMALAN SERI
WAKTU
Peramalan deret waktu adalah penggunaan
pemodelan matematika untuk memprediksi
nilai masa depan dari variabel yang diminati
berdasarkan nilai yang diamati sebelumnya.
2.7
Pelaporan Bisnis
Gambaran
Laporan adalah artefak komunikasi apa pun yang disiapkan Tiga kategori laporan bisnis utama:
dengan tujuan khusus untuk menyampaikan informasi dalam 1. Laporan Manajemen Metrik
bentuk yang mudah dicerna kepada siapa pun yang 2. Laporan tipe Dashboard
membutuhkannya, kapan pun dan di mana pun mereka 3. Laporan jenis Balanced Scorecard
membutuhkannya.
Fungsi:
 Untuk memastikan bahwa semua departemen berfungsi
dengan baik
 Untuk memberikan informasi
 Untuk memberikan hasil analisis
 Untuk membujuk orang lain untuk bertindak
 Untuk membuat memori organisasi (sebagai bagian dari
sistem manajemen pengetahuan)
Peran Laporan
Bisnis
2.8
Visualisasi data
Visualisasi data ( atau lebih tepat, visualisasi informasi) telah
didefinisikan sebagai "penggunaan representasi visual untuk
mengeksplorasi, memahami, dan mengkomunikasikan data"
(Few, 2007).
Visualisasi data berkaitan erat dengan bidang grafik informasi,
visualisasi informasi, visualisasi ilmiah, dan grafik statistik.
Jenis Bagan dan Grafik

2.9
Bagan dan Grafik Dasar Bagan dan Grafik Khusus

1. Histogram
1. Bagan Garis 2. Bagan Gantt
2. Grafik Batang 3. Bagan Pert
3. Pie Chart 4. Peta Geografis
4. Scatter Plot 5. Bullet
5. Bagan Bubble 6. Heat Map
6. Financial Plan 7. Tabel Sorotan
8. Peta Pohon
 SAS Visual Analytics

2.10
 Analisis Visual
Analitik visual merupakan kombinasi antara visualisasi dan analitik prediktif.
SAS Visual Analytics, adalah komputasi berkinerja sangat tinggi, solusi dalam memori
untuk menjelajahi data dalam jumlah besar dalam waktu yang sangat singkat

Manfaat utama yang diusulkan oleh analitik SAS :

Memberdayakan Antarmuka Web yang Menjawab pertanyaan

01. pengguna dengan
02. interaktif dan mudah
03. kompleks lebih cepat
teknik eksplorasi data digunakan
dan analitik
Meningkatkan Memberi pengguna cara Memberi ruang untuk
04. berbagi informasi
05. baru untuk mengakses
06. tumbuh dengan kecepatan
dan kolaborasi informasi yang ditentukan sendiri
 Dasbor Informasi

2.11
Contoh Dasbor
Gambaran
 Dasbor informasi adalah komponen umum dari sebagian besar, jika tidak semua, BI atau
platform analitik bisnis, sistem manajemen kinerja bisnis, dan rangkaian perangkat lunak
pengukuran kinerja.
 Dasbor memberikan tampilan visual dari informasi penting yang dikonsolidasikan dan diatur
pada satu layar sehingga informasi dapat dicerna dengan sekali pandang dan dengan mudah
dibor dan dieksplorasi lebih lanjut.
 Fitur dasbor yang paling khas adalah tiga lapisan informasinya :
1. Pemantauan: Data grafis dan abstrak kepantau metrik kinerja utama.
2. Analisis: Data dimensi diringkas untuk menganalisis akar penyebab masalah.
3. Pengelolaan: Data operasional terperinci yang mengidentifikasi tindakan apa yang harus
diambil untuk menyelesaikan masalah
Hal yang Perlu di
Perhatikan di Dasbor
01.
Mereka menggunakan komponen
visual (misalnya, bagan, batang
kinerja, grafik mini, pengukur,
meteran, lampu lalu lintas) untuk
menyorot, sekilas, data dan
pengecualian yang memerlukan
tindakan.
04.
Mereka memungkinkan penelusuran
atau penelusuran ke sumber data
atau laporan yang mendasari,
memberikan lebih banyak detail
tentang konteks komparatif dan
evaluatif yang mendasari.
02.
Mereka transparan bagi pengguna,
artinya mereka membutuhkan
pelatihan minimal dan sangat mudah
digunakan.
05.
Mereka menyajikan tampilan dunia
nyata yang dinamis dengan
pembaruan data yang tepat waktu,
memungkinkan pengguna akhir
untuk tetap up-to-date dengan setiap
perubahan terbaru dalam bisnis.
03.
Mereka menggabungkan data dari
berbagai sistem menjadi satu
tampilan bisnis yang diringkas dan
terpadu.
06.
Mereka membutuhkan sedikit, jika
ada, pengkodean yang disesuaikan
untuk diterapkan, diterapkan, dan
dipelihara.
Terima Kasih