Rekomendasi berbasis data untuk strategi bisnis

Big Data Analysis · Pertemuan 12 · CPMK 1, 2, 3

Program Studi Bisnis Digital · Minggu RPS 13

Agenda Hari Ini

Teori & Konsep

Framework data-driven decision making (DDDM)
Rantai nilai dari data ke keputusan
Struktur rekomendasi strategis berbasis data
Mengantisipasi tantangan Big Data di masa depan

Praktik & Aplikasi

Studi kasus: Gojek, Tokopedia, BCA, Telkom, BRImo
Template penyusunan rekomendasi bisnis
Diagram alur analitik ke strategi
Diskusi kelompok: rekomendasi untuk kasus pilihan

Tujuan Pembelajaran

Menjelaskan framework DDDM dan membedakannya dari keputusan berbasis intuisi

Menyusun rekomendasi strategis yang terstruktur dari hasil analisis Big Data

Mengidentifikasi tantangan implementasi Big Data dan strategi mitigasinya dalam konteks bisnis digital Indonesia

Topik 1: Data-Driven Decision Making

Dari data mentah ke keputusan strategis

Apa Itu Data-Driven Decision Making?

Definisi: DDDM adalah proses pengambilan keputusan bisnis yang secara sistematis mengandalkan analisis data dan bukti empiris, bukan semata intuisi atau pengalaman historis.

Pendekatan Konvensional

Berdasarkan pengalaman manajer
Keputusan lambat, rawan bias kognitif
Sulit direplikasi dan diaudit
Bergantung pada satu individu kunci

Pendekatan Data-Driven

Berdasarkan pola dari jutaan titik data
Keputusan lebih cepat dan objektif
Reproducible dan dapat diaudit
Tersebar di seluruh organisasi

Rantai Nilai: Data → Keputusan → Dampak

Titik kritis: banyak organisasi berhenti di tahap insight tanpa mengonversinya menjadi rekomendasi yang dapat ditindaklanjuti oleh pengambil keputusan.

Komponen Rekomendasi Strategis Berbasis Data

Komponen	Pertanyaan Kunci	Contoh
Temuan (Finding)	Apa yang data katakan?	"Tingkat churn segmen 25–34 tahun naik 18% dalam 3 bulan"
Interpretasi	Mengapa ini terjadi?	"Kompetitor meluncurkan promo cashback agresif di segmen ini"
Rekomendasi	Apa yang harus dilakukan?	"Luncurkan program loyalitas tier premium khusus segmen ini"
Dampak Proyeksi	Berapa nilainya?	"Potensi retensi ~12.000 pelanggan, nilai LTV ~Rp 4,8 M"
Prioritas & Timeline	Kapan dan urutan apa?	"Quick win: 30 hari; Full launch: 90 hari"

Topik 2: Menyusun Strategic Recommendations

Framework, struktur, dan komunikasi ke pemangku kepentingan

Framework: Dari Analitik ke Strategi

Tier Analitik (Input)

Deskriptif: apa yang terjadi?
Diagnostik: mengapa terjadi?
Prediktif: apa yang akan terjadi?
Preskriptif: apa yang sebaiknya dilakukan?

Tier Strategis (Output)

Operasional: efisiensi proses harian
Taktis: kampanye, pricing, promosi
Strategis: ekspansi pasar, produk baru
Transformasional: model bisnis baru

Rekomendasi terkuat lahir dari analitik preskriptif yang diterjemahkan ke strategi transformasional — contoh: Gojek mengubah analisis pola perjalanan menjadi ekosistem super-app.

Struktur Laporan Rekomendasi: Pyramid Principle

Prinsip Komunikasi ke Manajemen

Mulai dari kesimpulan, bukan dari proses analisis
Satu rekomendasi utama per slide/halaman
Angka harus punya konteks (naik 18% — dibanding apa?)
Antisipasi pertanyaan: "So what?" dan "How much?"
Sediakan lampiran teknis untuk audiens yang ingin mendalami

Template: Satu Halaman Rekomendasi Bisnis

Bagian	Isi	Panjang
Situasi	Konteks masalah bisnis yang dihadapi	2–3 kalimat
Temuan Data	Insight kunci dari analisis (3 poin max)	Bullet singkat
Rekomendasi	Aksi spesifik yang diusulkan	1–2 kalimat tegas
Dampak Proyeksi	Estimasi nilai bisnis (revenue/cost/efisiensi)	1–2 angka kunci
Risiko	Asumsi kritis dan risiko implementasi	2–3 poin
Langkah Berikutnya	3 aksi konkret + pemilik + deadline	Tabel singkat

Topik 3: Tantangan Big Data & Aplikasi Indonesia

Mengantisipasi hambatan dan belajar dari praktik terbaik lokal

Tantangan Utama Implementasi Big Data

Kualitas Data

Data tidak lengkap atau inkonsisten
Silos antar departemen
Data historis tidak terstruktur
Garbage in, garbage out

Kapabilitas SDM

Kesenjangan antara analis teknis dan bisnis
Data literacy manajemen rendah
Turnover data scientist tinggi
Resistensi budaya terhadap data

Regulasi & Etika

UU PDP No. 27/2022 (berlaku 2024)
Privasi data pelanggan
Bias algoritmik dalam keputusan
Transparansi model AI ke regulator

Studi Kasus: Gojek & Tokopedia — Ekosistem Data Super App

Gojek: Personalisasi Berbasis Perilaku

Analisis ~150 juta perjalanan per bulan (estimasi) untuk optimasi harga dinamis
Rekomendasi restoran di GoFood berbasis riwayat + lokasi real-time
Driver scoring untuk alokasi demand-supply kawasan
Hasilnya: waktu tunggu rata-rata turun, kepuasan naik

Tokopedia: Rekomendasi Produk & Fraud Detection

Sistem rekomendasi collaborative filtering: "Produk serupa yang sering dibeli bersama"
Analisis pola transaksi untuk deteksi fraud real-time
Segmentasi penjual untuk program bantuan UMKM berbasis data
Flash sale timing berbasis prediksi traffic puncak

Studi Kasus: BCA, Telkom, & BRImo — Sektor Tradisional yang Bertransformasi

Perusahaan	Aplikasi Big Data	Dampak Bisnis
BCA	Analisis pola transaksi 38 juta nasabah untuk deteksi fraud & credit scoring digital	Pengajuan KTA digital diproses <5 menit; penurunan fraud loss
Telkom	Network analytics dari ~180 juta pelanggan untuk prediksi churn & optimasi jaringan	Churn prevention proaktif; efisiensi capex jaringan
BRImo	Data perilaku 35 juta pengguna aplikasi untuk rekomendasi produk tabungan & investasi	Cross-selling rate meningkat; akuisisi nasabah digital lebih efisien

Ketiga perusahaan ini menunjukkan bahwa sektor konvensional (perbankan, telekomunikasi) dapat menghasilkan rekomendasi strategis yang sangat kuat ketika data besar dikombinasikan dengan domain knowledge industri yang dalam.

Mengantisipasi Tantangan Big Data ke Depan

Tantangan Teknis 2025–2030

Real-time analytics untuk keputusan milidetik
Edge computing: analitik di perangkat IoT
Generative AI mengubah cara laporan disusun
Federated learning: analisis tanpa transfer data mentah

Strategi Mitigasi Organisasi

Bangun data governance framework sejak awal
Investasi dalam data literacy seluruh organisasi
Bentuk Data Ethics Committee untuk review model AI
Desain sistem dengan privacy-by-design
Kemitraan dengan universitas untuk talent pipeline

Diagram: Ekosistem Rekomendasi Berbasis Data

Rangkuman: Key Takeaways Pertemuan 12

DDDM bukan sekadar teknologi — ini adalah perubahan budaya organisasi untuk menghargai bukti di atas intuisi dalam setiap keputusan bisnis.
Rantai nilai data→keputusan→dampak sering terputus di tahap konversi insight menjadi rekomendasi yang dapat ditindaklanjuti — ini adalah gap yang perlu Anda isi.
Rekomendasi strategis yang efektif memiliki lima komponen: temuan, interpretasi, rekomendasi, dampak proyeksi, dan prioritas/timeline.
Kasus Indonesia (Gojek, Tokopedia, BCA, Telkom, BRImo) menunjukkan bahwa DDDM berhasil lintas sektor — dari startup hingga BUMN konvensional.
Tantangan ke depan (kualitas data, SDM, regulasi UU PDP) harus diantisipasi sejak desain sistem, bukan reaktif setelah masalah muncul.

Tugas & Diskusi

Tugas Kelompok (dikumpulkan sebelum P13)

Pilih satu perusahaan digital Indonesia (bukan yang sudah dibahas di kelas)
Identifikasi satu masalah bisnis yang bisa diselesaikan dengan analisis Big Data
Susun rekomendasi strategis menggunakan template 5-komponen
Sertakan proyeksi dampak bisnis (estimasi, bukan harus akurat)
Format: satu halaman + slide presentasi 5–7 slide

Pertanyaan Diskusi (10 menit)

"Apakah DDDM cocok untuk semua jenis keputusan bisnis? Kapan intuisi tetap lebih baik?"
"Bagaimana UU PDP No. 27/2022 mengubah cara perusahaan Indonesia menggunakan data pelanggan?"
"Apa risiko terbesar kalau rekomendasi berbasis data ternyata salah?"

Tanya Jawab

Preview Pertemuan 13: Presentasi Hasil Analisis Data
Setiap kelompok mempresentasikan rekomendasi strategis berbasis Big Data — pastikan template 5-komponen sudah diisi dan slide mengikuti Pyramid Principle. Durasi: 10 menit per kelompok + 5 menit Q&A.

Big Data Analysis · Pertemuan 12 · Program Studi Bisnis Digital