Insight Strategis dari Analisis Data

Big Data Analysis · Pertemuan 8 · Program Bisnis Digital

CPMK 1 CPMK 2 CPMK 3 RPS Minggu 9

Agenda Pertemuan

Teori (75 menit)

Network analysis & graph analytics — konsep dasar dan metrik kunci
Framework interpretasi hasil analisis data
Business intelligence: dari data ke keputusan strategis
Studi kasus perusahaan digital Indonesia

Praktik (75 menit)

Membaca dan menafsirkan network graph sederhana
Latihan interpretasi dashboard BI
Diskusi kelompok: insight dari data Gojek/Tokopedia
Presentasi temuan dan rekomendasi strategis

Tujuan Pembelajaran

Menjelaskan konsep network analysis dan metrik graph yang relevan untuk bisnis digital

Menginterpretasi hasil analisis data secara akurat dan menghindari bias interpretasi

Menghubungkan data insights dengan keputusan strategis dalam konteks bisnis digital

Sub-CPMK: Mahasiswa mampu menarik insight strategis dari hasil analisis data dan menghubungkannya dengan konteks bisnis digital.

Topik 1

Network Analysis & Graph Analytics

Apa itu Network Analysis?

Network analysis (analisis jaringan) adalah metode untuk mempelajari hubungan antar entitas menggunakan struktur graph.

Graph G = (V, E)
V = himpunan node (entitas)
E = himpunan edge (hubungan)

Contoh: Di platform Tokopedia, node = penjual & pembeli; edge = transaksi yang pernah terjadi di antara keduanya.

Metrik Kunci dalam Graph Analytics

Metrik	Definisi	Contoh Bisnis Digital
Degree Centrality	Jumlah koneksi langsung sebuah node	Penjual Tokopedia dengan jumlah pembeli terbanyak
Betweenness Centrality	Seberapa sering node menjadi "jembatan" antar node lain	Influencer yang menghubungkan komunitas berbeda di media sosial
Clustering Coefficient	Kerapatan koneksi di sekitar sebuah node	Komunitas pengguna BRImo yang saling merekomendasikan fitur
PageRank	Pentingnya node berdasarkan kualitas koneksinya	Algoritma rekomendasi produk berbasis popularitas terbobot
Community Detection	Identifikasi kelompok node yang saling terhubung erat	Segmentasi pelanggan Telkom berdasarkan pola komunikasi

Aplikasi Graph Analytics dalam Bisnis Digital

Rekomendasi Produk

Collaborative filtering menggunakan graph pengguna-produk. Tokopedia memanfaatkan pola pembelian bersama untuk menyarankan produk relevan kepada pengguna baru.

Deteksi Fraud

Identifikasi pola transaksi anomali dalam jaringan pembayaran. BCA Digital dan GoPay menggunakan graph untuk melacak rantai transaksi mencurigakan secara real-time.

Analisis Churn

Pengguna yang terhubung ke banyak pelanggan yang churn memiliki risiko churn lebih tinggi. Telkom menggunakan pola ini untuk intervensi retensi yang lebih tepat sasaran.

Insight kunci: Graph analytics mengungkap hubungan tersembunyi yang tidak terlihat dalam analisis tabular konvensional — ini adalah keunggulan kompetitif utama perusahaan data-driven.

Topik 2

Interpretasi Hasil Analisis Data

Framework Interpretasi: 4-Layer Model

What happened? — Deskripsi faktual: angka, tren, pola yang teramati dalam data tanpa interpretasi.

Why did it happen? — Identifikasi faktor penyebab: korelasi, segmentasi, perbandingan periode/kelompok.

So what? — Relevansi bisnis: apa dampak temuan ini terhadap tujuan strategis perusahaan?

Now what? — Rekomendasi tindakan: langkah konkret berbasis temuan, dengan ukuran keberhasilan yang jelas.

Jebakan Interpretasi yang Umum

Korelasi ≠ Kausalitas
Penjualan es krim dan kasus tenggelam sama-sama meningkat di musim panas — bukan berarti es krim menyebabkan tenggelam. Keduanya disebabkan oleh faktor ketiga: cuaca panas.

Survivorship Bias
Menganalisis hanya pengguna aktif tanpa mempertimbangkan yang sudah churn menghasilkan gambaran yang terlalu optimis tentang kepuasan pengguna.

Simpson's Paradox
Tren yang tampak dalam data agregat bisa berbalik arah saat data dibagi per segmen. Pastikan selalu analisis sub-kelompok sebelum menarik kesimpulan umum.

Data Snooping / P-hacking
Menguji terlalu banyak hipotesis pada dataset yang sama meningkatkan kemungkinan temuan palsu. Tetapkan hipotesis sebelum melihat data.

Komunikasi Insight kepada Pemangku Kepentingan

Audiens	Fokus Pesan	Format yang Efektif
Direksi / C-level	Dampak finansial & risiko strategis; 3 temuan utama saja	Executive summary 1 halaman + 1 grafik kunci
Manajer Menengah	KPI operasional, tren per divisi, rekomendasi tindakan	Dashboard interaktif + narasi singkat per metrik
Tim Teknis	Metodologi, asumsi model, batas kepercayaan, data quality	Notebook teknis / laporan lengkap dengan kode
Tim Pemasaran	Segmen pelanggan, perilaku, peluang cross-sell/upsell	Infografis + heatmap segmen pelanggan

Topik 3

Business Intelligence dari Data Insights

Ekosistem Business Intelligence Modern

Data Sources

Transaksional (OLTP)
Log aplikasi & web
Data eksternal (media sosial, cuaca, demografi)
IoT sensors

Processing Layer

ETL / ELT pipeline
Data warehouse (BigQuery, Redshift)
Data lake (S3, HDFS)
Real-time streaming (Kafka)

Insight & Action

BI dashboard (Tableau, Looker, Power BI)
Ad-hoc analytics (SQL, Python)
ML models untuk prediksi
Automated reporting

Prinsip BI modern: Data bergerak dari kiri ke kanan, namun pertanyaan bisnis harus ditentukan dari kanan ke kiri — mulai dari keputusan yang ingin dibuat, baru tentukan data apa yang dibutuhkan.

Studi Kasus: Gojek & Tokopedia — Data-Driven Decisions

Gojek: Dynamic Pricing Intelligence

Data: lokasi real-time ~2 juta+ driver, permintaan per zona, kondisi cuaca, event lokal
Insight: identifikasi zona undersupply secara prediktif (bukan reaktif)
Aksi: surge pricing otomatis + insentif driver terarah ke zona kekurangan
Hasil: peningkatan fulfillment rate dan efisiensi pencocokan permintaan-penawaran

Tokopedia: Personalization at Scale

Data: ~100 juta+ pengguna, riwayat pencarian, klik, pembelian, ulasan
Insight: pola pembelian berbeda signifikan antar kota tier-1 vs tier-2/3
Aksi: homepage dan rekomendasi dipersonalisasi per segmen geografis & perilaku
Hasil: peningkatan click-through rate dan nilai rata-rata transaksi per sesi

Studi Kasus: BCA & BRImo — BI di Sektor Perbankan Digital

BCA: Customer Journey Analytics

Memetakan perjalanan nasabah dari onboarding hingga penggunaan rutin produk digital
Identifikasi titik drop-off dalam proses registrasi mobile banking
Optimasi UX berbasis data perilaku nyata, bukan asumsi desainer
Segmentasi nasabah berdasarkan lifetime value untuk program prioritas

BRImo (BRI): Financial Inclusion Analytics

Analisis pola transaksi nasabah segmen UMKM dan rural banking
Deteksi dini potensi kredit macet menggunakan behavioral data
Graph analytics untuk identifikasi jaringan agen BRILink yang optimal
~30 juta+ pengguna aktif sebagai sumber data perilaku keuangan

Membangun Insight-to-Action Pipeline

Define

Rumuskan pertanyaan bisnis yang spesifik dan terukur

→

Collect

Kumpulkan data relevan dengan kualitas yang terverifikasi

→

Analyze

Terapkan metode analisis yang tepat: statistik, ML, graph

→

Act

Implementasi keputusan + ukur dampak vs baseline

Kunci keberhasilan: Siklus ini harus berulang — setiap tindakan menghasilkan data baru yang memperbarui insight dan memicu analisis berikutnya. Inilah yang disebut data flywheel.

Diagram: Arsitektur Insight-to-Strategy

Rangkuman

5 Key Takeaways Pertemuan 8

Network analysis mengungkap hubungan tersembunyi antar entitas bisnis yang tidak terlihat dalam analisis tabular — metrik seperti centrality dan community detection adalah alat kunci.
Interpretasi data harus melewati 4 layer: What → Why → So What → Now What. Berhenti di layer pertama bukan interpretasi, itu hanya pelaporan.
Jebakan interpretasi (korelasi ≠ kausalitas, survivorship bias, Simpson's paradox) adalah risiko nyata yang harus diantisipasi sebelum menarik kesimpulan.

Business intelligence yang efektif dimulai dari pertanyaan bisnis, bukan dari data yang tersedia — tentukan keputusan yang ingin dibuat, baru tentukan data yang dibutuhkan.
Data flywheel adalah keunggulan kompetitif jangka panjang: setiap keputusan berbasis data menghasilkan data baru yang memperkuat kemampuan analitis organisasi secara berkelanjutan.

Tugas & Diskusi

Diskusi Kelas (30 menit)

Pilih salah satu perusahaan: BCA, BRImo, Gojek, Tokopedia, atau Telkom.

Identifikasi:

Satu pertanyaan bisnis strategis yang relevan
Jenis data yang dibutuhkan untuk menjawabnya
Metode analisis yang tepat (termasuk apakah network analysis relevan)
Bentuk insight dan rekomendasi tindakan yang dihasilkan

Tugas Individu (dikumpulkan minggu depan)

Cari satu artikel berita atau laporan publik tentang penerapan big data analytics di perusahaan Indonesia (sumber: CNBC Indonesia, Kompas Tekno, laporan tahunan perusahaan, dll.)
Terapkan framework 4-Layer Model untuk menganalisis temuan dalam artikel tersebut
Identifikasi apakah ada potensi jebakan interpretasi dalam artikel tersebut
Format: 1-2 halaman A4, dikumpulkan via LMS sebelum Pertemuan 9

Pertanyaan & Diskusi

Apakah ada konsep yang ingin Anda klarifikasi?

Preview Pertemuan 9 — Collaborative Problem Solving Berbasis Data
Anda akan bekerja dalam tim untuk menyelesaikan studi kasus nyata menggunakan dataset publik. Siapkan diri dengan memahami konsep interpretasi dari hari ini — itu akan menjadi fondasi diskusi tim Anda. Bawa laptop dan pastikan Python/Jupyter sudah terpasang.

Terima Kasih atas partisipasi Anda hari ini. Sampai jumpa di Pertemuan 9.