Type of Data Analytics

Pengertian Data Analytics

Data Analytics adalah proses menganalisis data mentah untuk menemukan pola, tren, dan wawasan yang berguna bagi pengambilan keputusan. Berdasarkan tujuan dan kompleksitasnya, Data Analytics dapat dibagi menjadi beberapa jenis.

Jenis-Jenis Data Analytics

a. Descriptive Analytics (Analisis Deskriptif)

• Definisi: Analisis yang bertujuan untuk memahami apa yang telah terjadi di masa lalu dengan merangkum data historis.
• Contoh: Laporan penjualan bulanan, dashboard kinerja perusahaan.
• Tools: Excel, Tableau, Power BI.

Contoh Program Descriptive Analytics dengan Python:

import pandas as pd

# Contoh data penjualan
data = {
    'Bulan': ['Jan', 'Feb', 'Mar', 'Apr', 'Mei'],
    'Penjualan': [150, 200, 180, 220, 250]
}

# Membuat DataFrame
df = pd.DataFrame(data)

# Menghitung total penjualan
total_penjualan = df['Penjualan'].sum()
rata_rata_penjualan = df['Penjualan'].mean()

print("Data Penjualan:")
print(df)
print("\nTotal Penjualan:", total_penjualan)
print("Rata-rata Penjualan:", rata_rata_penjualan)

Output:

Data Penjualan:
  Bulan  Penjualan
0   Jan        150
1   Feb        200
2   Mar        180
3   Apr        220
4   Mei        250

Total Penjualan: 1000
Rata-rata Penjualan: 200.0

b. Diagnostic Analytics (Analisis Diagnostik)

• Definisi: Analisis yang bertujuan untuk memahami mengapa sesuatu terjadi di masa lalu dengan mencari penyebab atau hubungan antar variabel.
• Contoh: Menganalisis penyebab penurunan penjualan, mencari korelasi antara iklan dan peningkatan traffic.
• Tools: Python, R, SQL.

Contoh Program Diagnostic Analytics dengan Python:

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# Contoh data iklan dan penjualan
data = {
    'Iklan (juta)': [10, 20, 30, 40, 50],
    'Penjualan (juta)': [15, 25, 35, 45, 55]
}

# Membuat DataFrame
df = pd.DataFrame(data)

# Menghitung korelasi
korelasi = df.corr()

print("Korelasi antara Iklan dan Penjualan:")
print(korelasi)

# Visualisasi scatter plot
sns.scatterplot(x='Iklan (juta)', y='Penjualan (juta)', data=df)
plt.title('Hubungan antara Iklan dan Penjualan')
plt.show()

Output:

Korelasi antara Iklan dan Penjualan:
              Iklan (juta)  Penjualan (juta)
Iklan (juta)        1.000000          1.000000
Penjualan (juta)    1.000000          1.000000

Sebuah scatter plot akan muncul, menunjukkan hubungan positif antara iklan dan penjualan.

c. Predictive Analytics (Analisis Prediktif)

• Definisi: Analisis yang bertujuan untuk memprediksi apa yang mungkin terjadi di masa depan berdasarkan data historis.
• Contoh: Prediksi penjualan bulan depan, prediksi churn pelanggan.
• Tools: Python (scikit-learn), R, TensorFlow.

Contoh Program Predictive Analytics dengan Python:

from sklearn.linear_model import LinearRegression
import numpy as np

# Contoh data: Tahun vs Penjualan
tahun = np.array([2018, 2019, 2020, 2021, 2022]).reshape(-1, 1)
penjualan = np.array([100, 120, 140, 160, 180])

# Membuat model regresi linear
model = LinearRegression()
model.fit(tahun, penjualan)

# Prediksi penjualan untuk tahun 2023
prediksi_2023 = model.predict([[2023]])
print("Prediksi Penjualan Tahun 2023:", prediksi_2023)

Output:

Prediksi Penjualan Tahun 2023: [200.]

d. Prescriptive Analytics (Analisis Preskriptif)

• Definisi: Analisis yang bertujuan untuk memberikan rekomendasi tindakan berdasarkan prediksi dan simulasi.
• Contoh: Rekomendasi strategi pemasaran, optimasi rantai pasok.
• Tools: Python (PuLP, SciPy), IBM Decision Optimization.

Contoh Program Prescriptive Analytics dengan Python:

from scipy.optimize import minimize

# Contoh masalah: Meminimalkan biaya produksi
def biaya_produksi(x):
    return (x[0] - 10)**2 + (x[1] - 20)**2  # Fungsi biaya

# Nilai awal
x0 = [0, 0]

# Optimasi
hasil = minimize(biaya_produksi, x0)
print("Solusi Optimal:", hasil.x)

Output:

Solusi Optimal: [10. 20.]

Perbandingan Jenis-Jenis Data Analytics

Studi Kasus: Aplikasi Data Analytics dalam Bisnis

• Descriptive: Membuat laporan penjualan bulanan.
• Diagnostic: Menganalisis penyebab penurunan penjualan.
• Predictive: Memprediksi penjualan bulan depan.
• Prescriptive: Memberikan rekomendasi strategi pemasaran.

Latihan

1. Cari dataset publik (misalnya dari Kaggle) dan lakukan analisis deskriptif menggunakan Python.
2. Buat model prediktif sederhana menggunakan regresi linear.
3. Visualisasikan hasil analisis Anda menggunakan matplotlib atau seaborn.

Kesimpulan

Data Analytics memiliki berbagai jenis yang dapat digunakan sesuai dengan kebutuhan, mulai dari memahami apa yang terjadi hingga memberikan rekomendasi tindakan. Dengan menguasai tools dan teknik yang tepat, Anda dapat membantu organisasi membuat keputusan yang lebih baik berdasarkan data.