Collaborative Problem Solving Berbasis Data

Big Data Analysis · Pertemuan 9 · Program Bisnis Digital

CPMK 1, 2, 3 150 Menit RPS Minggu 10

Agenda Pertemuan

Teori (60 mnt)

Project-based learning: konsep dan framework
Collaborative decision making berbasis data
Cross-functional team analysis
Peran data dalam kolaborasi tim

Praktik (90 mnt)

Studi kasus: analisis data bisnis Indonesia
Kerja kelompok: breakdown masalah berbasis data
Presentasi temuan antar kelompok
Debriefing dan refleksi bersama

Tujuan Pembelajaran

Menjelaskan prinsip project-based learning dalam konteks analisis Big Data tim

Menerapkan kerangka collaborative decision making berbasis bukti data

Menganalisis kasus bisnis nyata secara lintas fungsi dalam kelompok

Mengkomunikasikan temuan data kepada pemangku kepentingan secara efektif

Topik 1

Project-Based Learning dengan Studi Kasus

Project-Based Learning: Kerangka Dasar

Definisi PBL adalah pendekatan pembelajaran di mana mahasiswa memperoleh pengetahuan dan keterampilan melalui penyelesaian proyek nyata yang kompleks dan multidimensional.

Mengapa PBL untuk Big Data?
Masalah data nyata tidak terstruktur, multifaset, dan membutuhkan kolaborasi lintas keahlian — persis seperti yang akan Anda hadapi di industri.

Siklus PBL dalam Analisis Data

Identifikasi masalah bisnis
Perumusan pertanyaan riset
Perencanaan pengumpulan data
Analisis dan interpretasi
Sintesis temuan
Presentasi rekomendasi

Struktur Tim dalam PBL Berbasis Data

Peran	Tanggung Jawab Utama	Kompetensi Data
Project Lead	Koordinasi, timeline, stakeholder	Business framing, KPI definition
Data Engineer	Akuisisi, pembersihan, pipeline	ETL, SQL, data wrangling
Data Analyst	Eksplorasi, statistik, visualisasi	EDA, Python/R, dashboard
Domain Expert	Interpretasi konteks bisnis	Industry knowledge, insight translation
Communicator	Narasi, presentasi, laporan	Data storytelling, visualization design

Framework CRISP-DM untuk Tim Kolaboratif

Fase CRISP-DM	Aktivitas Tim
Business Understanding	Workshop bersama, brainstorm KPI
Data Understanding	Data profiling, quality check
Data Preparation	Paralel: cleaning & feature engineering
Modeling	Pembagian sub-model, cross-validation
Evaluation	Peer review antar anggota tim
Deployment	Presentasi & rekomendasi bersama

Kunci Sukses Tim Data:

Dokumentasi keputusan bersama (decision log)
Version control untuk kode dan data
Regular sync meeting singkat (15 menit)
Satu sumber kebenaran data (single source of truth)

Topik 2

Collaborative Decision Making Berbasis Data

Kerangka Collaborative Decision Making

Define

Rumuskan pertanyaan keputusan secara eksplisit. Hindari bias framing. Tetapkan kriteria keberhasilan yang terukur sebelum melihat data.

Discover

Eksplorasi data secara kolaboratif. Setiap anggota tim menganalisis dari perspektif keahliannya masing-masing. Dokumentasikan asumsi.

Debate

Konfrontasi temuan yang saling bertentangan. Gunakan data sebagai wasit. Hindari groupthink dengan mendorong perspektif minoritas.

Decide

Buat keputusan berbasis konsensus data. Catat alasan penolakan alternatif. Tentukan tingkat kepercayaan keputusan.

Document

Rekam seluruh proses, asumsi, dan trade-off. Decision log ini krusial untuk auditabilitas dan pembelajaran organisasi.

Deploy

Implementasikan dan monitor. Tentukan metrics untuk evaluasi dampak keputusan secara berkala.

Tools untuk Collaborative Data Analysis

Kategori	Tools	Fungsi
Notebook	Jupyter, Colab	Shared analysis, real-time
Version Control	Git, DVC	Kode & data versioning
Dashboard	Tableau, Metabase	Shared visualization
Komunikasi	Slack + data bots	Alert & insight sharing
Dokumentasi	Confluence, Notion	Decision log, runbook

Best Practice: Data Room Tim

Tetapkan satu lokasi terpusat untuk dataset, notebook, dan hasil analisis. Semua anggota akses versi yang sama. Perubahan harus terdokumentasi dengan jelas siapa mengubah apa dan mengapa.

Prinsip: One version of truth — jangan sampai tiap anggota bekerja dengan dataset berbeda karena keputusan akhir akan inkonsisten.

Bias yang Mengancam Keputusan Kolaboratif

Bias	Deskripsi	Mitigasi
Groupthink	Konvergensi prematur, menghindari konflik	Devil's advocate role
HiPPO Effect	Ikut pendapat orang paling senior	Data-first presentation
Confirmation Bias	Hanya lihat data yang mendukung hipotesis	Pre-registered analysis
Anchoring	Terpaku pada angka pertama yang muncul	Independent estimation

HiPPO Effect di Perusahaan Indonesia

Highest Paid Person's Opinion — di banyak perusahaan Indonesia dengan budaya hierarkis tinggi, pendapat direktur sering mengalahkan data. Tim data yang efektif belajar menyajikan bukti dengan cara yang menghormati hierarki sekaligus memastikan data didengar.

Topik 3

Cross-Functional Team Analysis & Studi Kasus Indonesia

Anatomi Tim Lintas Fungsi Berbasis Data

Mengapa Cross-Functional?

Masalah bisnis nyata tidak terbatas satu departemen. Penurunan penjualan bisa disebabkan oleh masalah logistik (ops), kampanye yang lemah (marketing), harga tidak kompetitif (finance), atau pengalaman aplikasi buruk (tech). Hanya tim lintas fungsi yang bisa melihat gambar penuh.

Tantangan Khas:

Bahasa berbeda antar departemen
Prioritas dan KPI yang berbeda
Tingkat literasi data yang tidak merata
Silo data antar sistem

Model Kolaborasi: Hub & Spoke

Tim data (hub) bekerja sama dengan perwakilan tiap departemen (spoke). Data analyst menjadi translator antara bahasa teknis dan bahasa bisnis.

Fungsi	Kontribusi ke Tim Data
Marketing	Customer segmentation insights
Finance	Revenue & cost attribution
Operations	Process efficiency metrics
Product/IT	System usage & behavior data
Customer Service	Complaint patterns & NPS

Studi Kasus: Gojek — Optimasi Demand-Supply Driver

Konteks Masalah

Pada jam sibuk (07.00–09.00 dan 17.00–19.00), terjadi ketidakseimbangan antara permintaan pengguna dan ketersediaan driver di area tertentu Jakarta. Hal ini menyebabkan surge pricing yang mengurangi konversi pesanan.

Tim Cross-Functional yang Terlibat

Operations: data rute dan waktu perjalanan
Product: data perilaku pengguna di aplikasi
Finance: analisis margin per zona
Data Science: model prediksi demand

Pendekatan Analisis Kolaboratif

Mapping zona dengan mismatch tertinggi (heatmap GPS)
Analisis pola historis 90 hari per zona dan jam
Identifikasi faktor penyebab: cuaca, event, hari kerja
Simulasi repositioning driver proaktif 30 menit sebelum peak
A/B test: zona eksperimen vs kontrol
Pengukuran dampak: order fulfillment rate, driver earnings

Hasil: Pendekatan berbasis data kolaboratif berhasil meningkatkan order fulfillment rate di jam sibuk secara signifikan dibandingkan pendekatan manual sebelumnya (estimasi industri: ~15–25% improvement).

Studi Kasus: BRImo — Analisis Churn Nasabah Digital

Latar Belakang

BRI mengembangkan BRImo sebagai super-app perbankan digital. Tim manajemen menemukan pola churn (nasabah berhenti aktif) yang belum terpahami — apakah disebabkan UX, fitur, atau faktor eksternal kompetitor?

Sumber Data	Departemen
Log transaksi 12 bulan	Core Banking IT
Session analytics app	Digital Product
Tiket CS & complaint	Customer Service
Data demografis nasabah	Risk & Compliance
NPS survey hasil	Marketing

Framework Analisis Churn Kolaboratif

Definisi Churn (Disepakati Bersama):

Nasabah yang tidak melakukan transaksi apapun selama 60 hari berturut-turut setelah minimal 3 kali transaksi sebelumnya. Definisi ini HARUS disepakati semua departemen sebelum analisis dimulai.

Lesson Learned:

80% waktu proyek dihabiskan untuk menyatukan definisi, membersihkan data, dan membangun pemahaman bersama — bukan untuk modeling. Ini adalah realita kolaborasi data lintas departemen.

Workshop: Kasus Analisis Tokopedia Seller Performance

Problem Statement: Tokopedia menemukan bahwa ~30% seller aktif mengalami penurunan penjualan lebih dari 20% dalam 3 bulan terakhir. Manajemen ingin memahami penyebab dan merancang intervensi berbasis data.

Tugas Kelompok (60 menit)

Identifikasi: data apa saja yang dibutuhkan?
Tentukan peran: siapa menganalisis apa?
Rumuskan 3 hipotesis penyebab utama
Rancang metode pengujian setiap hipotesis
Tentukan metrik keberhasilan intervensi
Susun rencana presentasi 5 menit

Data yang Tersedia (Simulasi)

Sales history 6 bulan per seller ID
Kategori produk dan harga rata-rata
Rating seller dan jumlah ulasan
Data pengiriman: waktu & ketepatan
Biaya iklan (TopAds) yang dikeluarkan
Data return & komplain per seller

Output: Presentasi 5 menit + decision memo 1 halaman per kelompok

Alur Kerja Collaborative Data Analysis

Rangkuman Pertemuan 9

Key Takeaways

PBL adalah cara belajar sekaligus cara kerja — proyek nyata membangun kompetensi yang tidak bisa diperoleh dari teori saja.
Collaborative decision making berbasis data mengharuskan tim menyepakati definisi, metrik, dan proses sebelum menganalisis.
Cross-functional team melihat masalah lebih lengkap karena setiap fungsi membawa data dan perspektif berbeda.

Bias seperti HiPPO Effect dan groupthink adalah ancaman nyata — tim perlu mekanisme aktif untuk melawannya.
80% pekerjaan kolaborasi data ada pada penyiapan: definisi, data cleaning, dan membangun pemahaman bersama.
Studi kasus Indonesia (Gojek, BRImo, Tokopedia) menunjukkan bahwa prinsip yang sama berlaku di skala lokal maupun global.

Tugas & Diskusi Lanjutan

Tugas Individu (dikumpulkan 1 minggu)

Reflection Paper (500 kata):

Deskripsikan peran Anda dalam kelompok hari ini
Tantangan kolaborasi apa yang Anda hadapi dan bagaimana mengatasinya?
Jika Anda menjadi Data Lead di perusahaan Indonesia, kebijakan kolaborasi apa yang akan Anda terapkan?

Tugas Kelompok (dikumpulkan 1 minggu)

Finalisasi analisis studi kasus Tokopedia dari workshop hari ini
Buat dashboard sederhana (Google Looker Studio atau Tableau Public) dari dataset yang diberikan
Decision memo 2 halaman: temuan, rekomendasi, dan dampak bisnis yang diestimasi
Unggah ke LMS beserta link dashboard

Diskusi Forum LMS: Bagikan satu contoh kolaborasi berbasis data dari perusahaan Indonesia (selain yang dibahas hari ini) dan analisis bagaimana mereka mengelola cross-functional teamwork. Komentari minimal 2 postingan teman.

Tanya Jawab & Preview Pertemuan 10

Sesi Q&A (15 menit)

Ajukan pertanyaan tentang materi hari ini, tantangan dalam studi kasus, atau aplikasi konsep kolaborasi di industri yang Anda minati. Tidak ada pertanyaan yang terlalu dasar.

Reminder: Deadline tugas = 7 hari dari sekarang. Dataset simulasi Tokopedia tersedia di folder LMS "Pertemuan 9 — Workshop Materials".

Preview Pertemuan 10

Operasi Tools Advanced dan Team Work

Advanced analytics tools: Apache Spark, Databricks
Workflow orchestration: Airflow, Prefect
MLOps: deployment model dalam tim
Agile data team: sprint, backlog, dan retrospektif
Studi kasus: pipeline data skala besar di perusahaan Indonesia

Persiapan: Install Apache Spark di lokal atau akses Databricks Community Edition (gratis) sebelum pertemuan berikutnya.