Sintesis Insight dan Rekomendasi Final

Big Data Analysis Pertemuan 14 CPMK 1 · 2 · 3 Bisnis Digital

Dari data mentah menuju keputusan strategis yang terukur

Agenda Pertemuan

Teori & Framework

Apa itu sintesis analitik?
Kerangka insight-to-action
Piramida rekomendasi berbasis data
Framework transformasi digital

Praktik & Studi Kasus

Langkah menyusun rekomendasi komprehensif
Studi kasus perusahaan digital Indonesia
Diagram alur sintesis end-to-end
Latihan presentasi insight kepada stakeholder

Tujuan Pembelajaran

Mampu mengintegrasikan hasil dari berbagai teknik analisis (deskriptif, prediktif, preskriptif) menjadi narasi insight yang koheren

Mampu menyusun rekomendasi berbasis data yang actionable, terukur, dan sesuai konteks bisnis Indonesia

Mampu merancang roadmap transformasi digital menggunakan framework standar industri dan data empiris

Sub-CPMK: Mahasiswa mampu menarik insight strategis dan menyusun rekomendasi berbasis data yang aplikatif untuk solusi bisnis

Topik 1

Sintesis Hasil Analisis

Mengintegrasikan temuan dari seluruh pipeline analitik

Apa Itu Sintesis Analitik?

Sintesis analitik adalah proses mengintegrasikan temuan dari berbagai teknik dan sumber data menjadi pemahaman holistik yang dapat mendorong keputusan.

Sintesis = Pola + Konteks + Kausalitas + Implikasi

Berbeda dengan summarization, sintesis menghasilkan pemahaman baru yang tidak tampak dari satu analisis tunggal.

Summarization	Sintesis
Daftar temuan	Narasi kausal
Hasil per teknik	Integrasi lintas teknik
"Apa yang terjadi?"	"Mengapa & apa artinya?"
Pasif-deskriptif	Aktif-preskriptif
Laporan teknis	Rekomendasi strategis

Kerangka Insight-to-Action

Layer 1: Observasi

Apa yang terlihat di data?
Pola, anomali, tren
Output: descriptive stats + visualisasi

Layer 2: Insight

Mengapa pola itu terjadi?
Kausalitas vs korelasi
Output: hipotesis tervalidasi

Layer 3: Aksi

Apa yang harus dilakukan?
Prioritas berdasar impact & feasibility
Output: rekomendasi + KPI

Prinsip kritis: Insight tanpa aksi adalah laporan. Aksi tanpa insight adalah tebakan. Sintesis yang baik menghasilkan keduanya secara terpadu.

Piramida Sintesis: Dari Data ke Strategi

Level	Pertanyaan	Teknik
Strategis	Kemana arah bisnis?	Scenario planning
Taktis	Apa yang perlu diubah?	Prescriptive analytics
Operasional	Apa yang akan terjadi?	Predictive analytics
Deskriptif	Apa yang terjadi?	EDA, visualisasi
Data	Fakta mentah	ETL, cleaning

Sintesis yang efektif bergerak vertikal: mengangkat fakta data ke level strategis tanpa kehilangan akurasi teknis di setiap lapisan.

Value proposition analyst:
Semakin tinggi level sintesis yang bisa Anda capai, semakin besar dampak dan kompensasi Anda

Topik 2

Rekomendasi Komprehensif Berbasis Data

Menyusun rekomendasi yang actionable, terukur, dan kontekstual

Anatomi Rekomendasi Berbasis Data

Struktur STAR-D

Situation — kondisi saat ini (data)
Tension — masalah atau peluang yang teridentifikasi
Action — tindakan yang direkomendasikan
Result — hasil yang diharapkan (terukur)
Data — bukti pendukung spesifik

Kriteria Rekomendasi Berkualitas

Spesifik: siapa, apa, kapan, berapa
Terukur: ada KPI dan baseline
Feasible: mempertimbangkan kapabilitas organisasi
Relevan: terhubung ke tujuan bisnis
Time-bound: ada timeline implementasi

Matriks Prioritas Rekomendasi

Kuadran	Impact	Effort	Strategi
Quick Wins	Tinggi	Rendah	Eksekusi segera
Major Projects	Tinggi	Tinggi	Rencanakan & investasi
Fill-ins	Rendah	Rendah	Kerjakan jika ada waktu
Thankless Tasks	Rendah	Tinggi	Hindari atau otomasi

Tip praktis: Selalu awali presentasi rekomendasi Anda dengan 2-3 Quick Wins untuk membangun kepercayaan stakeholder. Kemudian ajukan Major Projects yang membutuhkan komitmen lebih besar.

Priority Score = (Business Impact × Confidence Level) / Implementation Complexity

Coba Sendiri: Tempatkan Rekomendasi di Kuadran Impact-Effort

Geser sebuah rekomendasi pada sumbu impact dan effort lalu amati ke kuadran mana ia jatuh serta strategi yang disarankan.

Menyusun Laporan Rekomendasi Komprehensif

1. Executive Summary

Satu halaman maksimum
3 temuan utama
3 rekomendasi prioritas
Estimasi nilai bisnis

2. Analisis & Temuan

Metodologi yang digunakan
Temuan per dimensi analisis
Visualisasi data pendukung
Batasan dan asumsi

3. Rekomendasi & Roadmap

Rekomendasi berstruktur STAR-D
Prioritas & rationale
Implementation timeline
KPI & monitoring plan

Topik 3

Strategi Transformasi Digital

Dari rekomendasi analitik ke roadmap transformasi organisasi

Framework Transformasi Digital Berbasis Data

Dimensi	Pertanyaan Kunci	Peran Data
Strategi	Ke mana arah digitalisasi?	Market intelligence, competitive benchmarking
Pelanggan	Pengalaman apa yang ditawarkan?	Customer journey analytics, NPS tracking
Operasi	Proses apa yang diotomasi?	Process mining, efficiency analytics
Teknologi	Platform apa yang dibangun?	Architecture data, infrastruktur ML
Budaya	Kapabilitas apa yang dibangun?	Data literacy metrics, adoption tracking

Kunci keberhasilan transformasi: Data bukan hanya alat analisis — data adalah aset strategis yang membentuk setiap keputusan di kelima dimensi transformasi.

Studi Kasus: Transformasi Data-Driven di Indonesia

Gojek — Hyper-local Demand Prediction

Challenge: matching driver-penumpang real-time di ~170 kota
Sintesis: data GPS + cuaca + event kalender + histori transaksi
Rekomendasi yang diimplementasi: dynamic pricing + driver positioning
Hasil: efisiensi ~30% lebih baik vs sistem tanpa prediksi

BCA — Fraud Detection dengan ML

Challenge: deteksi fraud kartu kredit real-time dari jutaan transaksi harian
Sintesis: pola transaksi + lokasi + device fingerprint + behavioral biometrics
Rekomendasi: ensemble model (gradient boosting + neural network) dengan threshold adaptif
Dampak: false positive menurun signifikan, customer experience meningkat

Studi Kasus Lanjutan: Telkom & Tokopedia

Telkom Indonesia — Network Analytics

Challenge: prediksi churn pelanggan IndiHome (~9 juta pelanggan)
Sintesis: data kecepatan, outage history, penggunaan, demografi wilayah
Rekomendasi: segmentasi risiko churn + program retensi proaktif per segmen
Hasilnya: tim data science TelkomGroup sekarang lebih dari 500 orang

Tokopedia — Seller Growth Analytics

Challenge: identifikasi seller berpotensi tinggi dari ~12 juta merchant
Sintesis: data penjualan + rating + respon komplain + engagement promosi
Rekomendasi: seller scoring model untuk prioritas dukungan dan exposure iklan
Dampak: peningkatan konversi kampanye seller development program

Menyusun Roadmap Transformasi Digital

Fase 1: Fondasi (0-6 bulan)

Audit data existing
Bangun data governance
Deploy infrastruktur dasar
KPI: data quality score >85%

Fase 2: Kapabilitas (6-18 bulan)

Implementasi use case prioritas
Training data literacy tim
Bangun dashboard self-service
KPI: adoption rate >60%

Fase 3: Optimasi (18-36 bulan)

Skalakan ML ke seluruh proses
Real-time analytics pipeline
AI-augmented decision making
KPI: ROI terukur per inisiatif

Diagram: Pipeline Sintesis End-to-End

Rangkuman: Key Takeaways Pertemuan 14

5 Pelajaran Utama yang Wajib Anda Bawa Pulang

Sintesis bukan summarization — sintesis menghasilkan pemahaman baru yang mengintegrasikan temuan lintas teknik dan menghubungkan ke implikasi bisnis.
Struktur STAR-D adalah kerangka rekomendasi profesional yang membuat saran Anda konkret, terukur, dan dapat dieksekusi.
Matriks impact-effort membantu memprioritaskan rekomendasi — mulai dari quick wins untuk membangun kepercayaan stakeholder.
Transformasi digital membutuhkan fondasi data yang kuat sebelum meloncat ke AI/ML — fase fondasi yang sering dilewati adalah penyebab utama kegagalan.
Feedback loop adalah bagian normal dari proses analitik, bukan tanda kegagalan — analis terbaik adalah yang paling responsif terhadap pertanyaan stakeholder.

Tugas & Diskusi

Tugas Akhir Kelompok (Bobot 40%)

Pilih satu perusahaan digital Indonesia (bukan yang sudah dibahas di kelas)
Lakukan analisis data publik yang tersedia (laporan tahunan, press release, app store reviews)
Sintesis minimum 3 insight strategis dengan bukti data
Susun 5 rekomendasi berstruktur STAR-D dengan roadmap 12 bulan
Presentasi 15 menit + 5 menit Q&A di pertemuan 16

Pertanyaan Diskusi Kelas

Apa perbedaan antara insight dan observasi? Berikan contoh dari data yang pernah Anda analisis di kuliah ini.
Mengapa fase fondasi (data governance, data quality) sering menjadi bottleneck transformasi digital di perusahaan Indonesia?
Bagaimana Anda akan meyakinkan manajer yang skeptis terhadap rekomendasi berbasis data?

Q&A

Ada pertanyaan sebelum kita tutup materi inti?

Preview Pertemuan 15 — Review & Penutup

Review komprehensif seluruh materi semester
Tanya jawab persiapan ujian akhir
Refleksi pembelajaran dan peta karir data analyst
Sesi konsultasi tugas akhir kelompok

Selamat — Anda telah menyelesaikan seluruh materi Big Data Analysis!