Dokumen tersebut membahas pengertian dan jenis-jenis data analytics serta lifecycle dari data analytics, yang terdiri dari 6 tahapan yaitu penemuan data, persiapan data, perencanaan model, pembangunan model, komunikasi hasil, dan operasionalisasi.

1. DATA
ANALYTICS
INSTITUT BISNIS DAN TEKNOLOGI INDONESIA
2021/2022

2. PENGERTIAN DATA ANALYTICS
01
TIPE DATA ANALYTICS
02
DATA ANALYTIC LIFCYCLE
03
BAB PENTINGNYA DATA ANALYTICS
DATAANALYTICS

3. PENGERTIAN DATA ANALYTICS
01
PENGERTIAN DATAANALYTICS
 Data analytics adalah proses memeriksa data yang telah dikumpulkan
untuk mendapatkan informasi dan meningkatkan performa bisnis,
sistem, atau software. Semua jenis informasi dapat dikenai teknik data
analytics untuk mendapatkan wawasan yang dapat digunakan untuk
meningkatkan berbagai hal.
 Teknik data analytics dapat mengungkapkan tren dan metrik yang jika tidak akan hilang dalam kumpulan
informasi. Informasi ini kemudian dapat digunakan untuk mengoptimalkan proses dalam meningkatkan
efisiensi keseluruhan bisnis atau sistem.
 Misalnya, perusahaan manufaktur sering mencatat runtime, downtime, dan antrian kerja untuk berbagai
mesin dan kemudian menganalisis data untuk merencanakan beban kerja dengan lebih baik sehingga mesin
tersebut dapat beroperasi mendekati kapasitas puncaknya.

4. TIPE DATAANALYTICS
02 TIPE DATA ANALYTICS
a. Analytics Deskriptif (Descriptive Analytics)
Data analytics jenis ini dapat memberikan gambaran umum mengenai
data yang telah dikumpulkan. Dalam analytics deskriptif ini hanya
akan melihat informasi sederhana, seperti misalnya jumlah visitor per
satuan waktu, halaman yang paling sering dikunjungi, dan lain
sebagainya. Analytics deskriptif ini merupakan data analytics yang
paling banyak dijumpai. Meski data ini terbilang sederhana, namun
data ini sangat diperlukan guna mengetahui efek dari perubahan yang
dilakukan.

5. TIPE DATAANALYTICS
02 TIPE DATA ANALYTICS
b. Analytics Predicative (Predicative Analytics)
Kegunaan data analytics yang satu ini adalah untuk
memprediksi sesuatu yang akan datang. Data mengenai
pengunjung dan juga pembelian dapat dijadikan sebagai
bahan perkiraan barang apa saja yang mungkin disukai oleh
para pengunjung sehingga mereka tertarik untuk membeli
barang tersebut.

6. TIPE DATAANALYTICS
02 TIPE DATA ANALYTICS
c. Analytics Preskriptif (Prescriptive Analytics)
Analytics prescriptive merupakan proses analytics yang
dapat menjawab mengapa sesuatu akan terjadi dan
bagaimana cara menghadapi kondisi yang akan terjadi di
masa yang akan datang. Data analytics ini sangat
diperlukan oleh top-level manajemen untuk mengambil
keputusan.

7. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
a. Penemuan Data (Discovery)
Ini adalah fase awal untuk menetapkan tujuan proyek
Anda dan menemukan cara untuk mencapai siklus hidup
analisis data yang lengkap. Mulailah dengan menentukan
domain bisnis Anda dan pastikan Anda memiliki sumber
daya yang cukup (waktu, teknologi, data, dan orang) untuk
mencapai tujuan kita

8. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
b. Persiapan data (Data Preparation)
Pada fase kedua setelah fase penemuan data, data disiapkan dengan
mengubahnya dari sistem lama menjadi bentuk analisis data dengan
menggunakan platform sandbox. Kotak pasir adalah platform skalabel
yang biasa digunakan oleh ilmuwan data untuk pra-pemrosesan data.
Ini mencakup CPU yang sangat besar, penyimpanan berkapasitas tinggi,
dan kapasitas I/O yang tinggi. IBM Netezza 1000 adalah salah satu
platform kotak pasir data yang digunakan oleh Perusahaan IBM untuk
menangani data mart. Para pemangku kepentingan yang terlibat selama
fase ini sebagian besar terlibat dalam pra-pemrosesan data untuk hasil
awal dengan menggunakan platform sandbox standar.

9. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
c. Perencanaan model (Model Planning)
Fase ketiga dari siklus hidup adalah perencanaan model,
di mana tim analisis data membuat perencanaan yang tepat tentang
metode yang akan diadaptasi dan berbagai alur kerja yang harus
diikuti selama fase pembuatan model berikutnya. Pada tahap ini,
berbagai pembagian kerja di antara tim diputuskan untuk secara
jelas mendefinisikan beban kerja di antara anggota tim. Data yang
telah disiapkan pada fase sebelumnya dieksplorasi lebih lanjut
untuk memahami berbagai fitur dan hubungannya serta melakukan
seleksi fitur untuk diterapkan pada model.

10. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
d. Bangunan model (Model Building)
Fase siklus hidup berikutnya adalah pembuatan model
di mana tim bekerja mengembangkan kumpulan data untuk
pelatihan dan pengujian serta untuk tujuan produksi. Selain itu,
pelaksanaan model, berdasarkan perencanaan yang dibuat pada
fase sebelumnya, dilakukan. Jenis lingkungan yang diperlukan
untuk pelaksanaan model diputuskan dan disiapkan se

11. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
e. Komunikasikan hasil (Communicate Results)
Fase lima dari siklus hidup memeriksa hasil proyek untuk
menemukan apakah itu sukses atau gagal. Hasilnya diteliti oleh
seluruh tim bersama dengan para pemangku kepentingannya untuk
menarik kesimpulan atas temuan-temuan utama dan merangkum
seluruh pekerjaan yang telah dilakukan. Juga, nilai-nilai bisnis
dikuantifikasi dan narasi yang rumit tentang temuan-temuan utama
disiapkan yang dibahas di antara berbagai pemangku kepentingan.

12. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
f. Operasionalisasi (Operationalzation)
Pada fase enam, laporan akhir disiapkan oleh tim
bersama dengan pengarahan, kode sumber, dan dokumen
terkait. Fase terakhir juga melibatkan menjalankan proyek
percontohan untuk mengimplementasikan model dan
mengujinya dalam lingkungan waktu nyata. Karena analitik
data membantu membangun model yang mengarah pada
pengambilan keputusan yang lebih baik, hal itu, pada
gilirannya, menambah nilai bagi individu, pelanggan, sektor
bisnis, dan organisasi lainnya.

13. DATAANALYTIC LIFCYCLE
03 DATA ANALYTIC LIFCYCLE
Saat melanjutkan melalui enam fase ini, berbagai pemangku kepentingan yang dapat
terlibat dalam perencanaan, implementasi, dan pengambilan keputusan adalah analis data,
analis intelijen bisnis, administrator basis data, insinyur data, sponsor proyek eksekutif,
manajer proyek, dan ilmuwan data. Semua pemangku kepentingan ini secara ketat terlibat
dalam perencanaan dan penyelesaian proyek yang tepat, dengan memperhatikan berbagai
faktor penting yang harus dipertimbangkan untuk keberhasilan proyek.