Pahami Masa Depan dengan Analisis Prediktif

Sebuah pernyataan menarik dan populer, yaitu “Data is The New Oil” yang bermakna bahwa data merupakan sumber daya berharga, jika diolah dengan tepat. Pengolahan data khususnya terkait apa yang akan terjadi di masa depan (prediksi) cenderung lebih menantang dibandingkan mengolah apa yang telah terjadi (historis) sebab sudah tidak dapat berubah. Tentu saja dengan mengetahui apa yang akan terjadi di masa depan akan sangat menguntungkan perusahaan sebab dapat membuat keputusan yang komprehensif (mempertimbangkan masa lalu, kini dan depan). Oleh sebab itu, seiring perkembangan zaman pendekatan yang digunakan untuk memprediksi data telah berkembang hingga memanfaatkan Machine Learning.

Apa itu Analisis Prediktif?

Analisis Prediktif merupakan cabang dari Data Analitik, yang mana Data Analitik merupakan proses menjawab pertanyaan, mengidentifikasi trend dan mencari insight dalam rangka penyusunan strategi dan keputusan bisnis yang berdampak. Pada Data Analitik terdapat 4 jenis utama, yaitu:

• Data Deskriptif yang berusaha menjawab pertanyaan “Apa yang terjadi?”
• Data Diagnostik berusaha menjawab “Mengapa ini terjadi?”
• Data Prediktif yang berusaha menjawab “Apa yang mungkin terjadi di masa depan?”
• Data Preskriptif yang berusaha menjawab “Apa yang seharusnya dilakukan selanjutnya?”.

Analisis Prediktif adalah sebuah proses membuat prediksi tentang hasil di masa depan menggunakan data historis yang digabungkan dengan pemodelan statistik, Data Mining (Penambangan Data) dan Machine Learning. Perusahaan menggunakan Analisis Prediktif untuk menemukan pola dalam data sehingga dapat mengidentifikasi risiko dan peluang. Selain itu, Analisis Prediktif sering diasosiasikan dengan dua hal, yaitu Big Data dan Data Science karena kebermanfaatannya dalam kedua hal tersebut.

Manfaat Analisis Prediktif

Setelah memahami apa itu Analisis Prediktif, tentu sudah tergambar kebermanfaatan melakukan Analisis Prediktif. Organisasi yang mengetahui apa yang diperkirakan berdasarkan pola masa lalu cenderung memiliki keunggulan bisnis dalam mengelola inventaris, tenaga kerja, kampanye pemasaran, dan sebagian besar aspek lainnya. Oleh sebab itu, pada bagian ini kita akan membahas 4 poin kebermanfaatan Analisis Prediktif.

1. Keamanan

Tentu saja menjaga keamanan data merupakan hal penting dalam setiap organisasi modern. Dengan kombinasi otomatisasi dan Analisis Prediktif dapat meningkatkan efektivitas dan efisiensi keamanan. Misalnya melalui Analisis Prediktif dapat dibuat prosedur keamanan tertentu kemudian diotomatisasikan sehingga dapat menemukan pola khusus terkait perilaku pengguna yang mencurigakan dan memberikan feedback langsung kepada perusahaan.

2. Pengurangan Resiko

Selain menjaga keamanan data, perusahaan juga berusaha meminimalisir profil risiko bisnis. Misalnya melalui Analisis Prediktif dapat memberikan sebuah kredit bagi calon pelanggan (peminjam uang) sehingga ketika tingkat risiko gagal bayar besar maka dapat dipertimbangkan kembali. Selain perusahaan peminjam uang, terdapat perusahaan asuransi yang menggunakan Analisis Prediktif untuk memahami apakah dana cadangan pertanggungan asuransi bagi pemegang polis memadai.

3. Efisiensi Operasional

Umumnya bisnis berusaha mengoptimalkan margin keuntungannya, salah satunya dengan melakukan efisiensi operasional dalam alur kerja. Misalnya, dengan Analisis Prediktif kita dapat memprediksi kapan mesin produksi atau kendaraan armada memerlukan perawatan atau rusak sehingga dapat mencegah keterlambatan produksi, pengiriman barang, tambahan biaya untuk menderek kendaraan, membayar denda dan sebagainya.

4. Pengambilan Keputusan yang Lebih Baik

Bisnis apa pun pasti melibatkan proses pengambilan keputusan yang perlu diperhitungkan. Melalui pemahaman apa yang akan terjadi di masa depan cenderung dapat mempertimbangkan keputusan yang lebih baik dibandingkan tidak memiliki pemahaman apa pun di masa depan. Misalnya melalui Analisis Prediktif dapat memutuskan sebaiknya ekspansi atau ditahan dulu, jika kondisi ke depan sales tidak begitu meningkat maka sebaiknya ditahan dulu untuk cadangan usaha sehingga ketika terdapat potensi menjanjikan dapat diambil. Analitik prediktif dapat memberikan wawasan untuk menginformasikan proses pengambilan keputusan dan menawarkan keunggulan kompetitif.

Teknik Analisis Prediktif

Teknik Analisis Prediktif berusaha menggabungkan berbagai pendekatan analisis data, termasuk Statistik , Data Mining, Machine Learning dan lainnya. Berikut terdapat 5 teknik sebagai contohnya.

1. Decision Tree (Pohon Keputusan)

Pohon keputusan adalah metodologi analitik berdasarkan Machine Learning untuk memperkirakan potensi risiko dan manfaat dari menjalankan opsi tertentu. Secara sederhana, teknik ini bekerja dengan membuat alur yang berisi syarat-syarat dalam rangka memutuskan sebuah data merupakan kategori yang mana. Semakin kompleks data maka semakin rumit syarat-syarat yang akan dihasilkan Machine Learning dalam rangka mengklasifikasi suatu hal. Saat digunakan untuk analitik, ini dapat menyelesaikan semua bentuk masalah klasifikasi dan menjawab masalah yang sulit.

2. Neural Networks (Jaringan Saraf)

Jaringan Saraf atau dikenal luas sebagai Jaringan Syaraf Tiruan merupakan sebuah sistem pemrosesan data yang terinspirasi secara biologis dengan otak manusia. Secara sederhana, teknik ini bekerja dengan cara memperbarui persamaan matematis seiring proses pembelajaran data sehingga dapat menghasilkan persamaan optimal (generalisasi data dengan baik). Selain itu, pendekatan ini memiliki arsitektur yang terdiri dari 3 jenis, yaitu lapisan masukan (input layer) yang menerima data, lapisan tersembunyi (hidden layer) yang melakukan proses pembelajaran data dan lapisan keluaran (output layer) yang memberikan hasil prediksi.

Teknik ini banyak digunakan untuk menyelesaikan berbagai masalah yang berkaitan dengan unstructured data (data bukan tabular seperti teks, gambar, video, suara dan sebagainya), contohnya klasifikasi rontgen pasien, sentiment analisis dan sebagainya.

3. Regression Model (Model Regresi)

Metode regresi sangat penting bagi organisasi ketika memperkirakan angka numerik, seperti berapa lama waktu yang dibutuhkan audiens target untuk kembali ke reservasi maskapai penerbangan sebelum membeli, atau berapa banyak uang yang akan dibelanjakan seseorang untuk pembayaran kendaraan selama jangka waktu tertentu. Secara sederhana model ini bekerja dengan menghubungkan variabel independen (bebas) dengan variabel dependen (terpengaruh).

4. Time Series Model (Model Deret Waktu)

Model Deret Waktu menggunakan berbagai input data pada frekuensi waktu tertentu, seperti harian, mingguan, bulanan, dan lain-lain. Umumnya dilakukan plot variabel dependen dari waktu ke waktu untuk menilai data musiman, trend, dan perilaku siklus, yang mungkin menunjukkan perlunya transformasi spesifik dan tipe model tertentu. Autoregressive (AR), Moving Average (MA), ARMA,ARIMA, dan SARIMA adalah model Time Series yang sering digunakan. Sebagai contoh, pusat panggilan dapat menggunakan model deret waktu untuk memperkirakan berapa banyak panggilan yang akan diterimanya per jam pada waktu yang berbeda dalam sehari.

5. Clustering (Pengelompokan)

Clustering merupakan sebuah teknik yang berusaha mengelompokkan kumpulan data menjadi beberapa kelompok berdasarkan atribut yang serupa. Misalnya, situs e-niaga dapat menggunakan model untuk memisahkan pelanggan ke dalam grup serupa berdasarkan fitur umum dan mengembangkan strategi pemasaran untuk setiap grup. Algoritma pengelompokan yang umum seperti K-Means Clustering, Mean-Shift Clustering, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), Expectation-Maximization (EM), Gaussian Mixture Models (GMM), dan Hierarchical Clustering.

Contoh Pengaplikasian Analisis Prediktif

1. Keuangan: Peramalan Arus Kas Masa Depan

Setiap bisnis perlu menyimpan catatan keuangan berkala, dan analitik prediktif dapat memainkan peran besar dalam meramalkan kesehatan masa depan organisasi. Dengan menggunakan data historis dari laporan keuangan sebelumnya, serta data dari industri yang lebih luas, kita dapat memproyeksikan penjualan, pendapatan, dan pengeluaran untuk menyusun gambaran masa depan dan membuat keputusan. Hal ini dipertegas oleh pernyataan Profesor Harvard Business School V.G. Narayanan, “Manajer perlu melihat ke depan untuk merencanakan kesehatan masa depan bisnis mereka,” kata Narayanan. “Apa pun bidang tempat Anda bekerja, selalu ada banyak ketidakpastian yang terlibat dalam proses ini.”

2. Hiburan & Perhotelan: Menentukan Kebutuhan Staf

Salah satu contoh yang dieksplorasi dalam Analisis Bisnis adalah penggunaan Analisis Prediktif oleh operator kasino dan hotel Caesars Entertainment untuk menentukan kebutuhan staf tempat pada waktu tertentu.

Masuk dan keluarnya pelanggan bergantung pada berbagai faktor seperti tanggal, jam, event dan lain-lain, yang semuanya berperan dalam berapa banyak anggota staf yang dibutuhkan suatu tempat atau hotel pada waktu tertentu. Kelebihan staf akan membebani operasional dan kekurangan staf dapat mengakibatkan pengalaman pelanggan yang buruk sebab karyawan terlalu banyak bekerja sehingga meningkatkan potensi kesalahan yang merugikan.

Untuk memprediksi jumlah check-in hotel pada hari tertentu, sebuah tim dapat mengembangkan model regresi berganda yang mempertimbangkan beberapa faktor. Model ini memungkinkan Caesars untuk mengelola hotel dan kasinonya sehingga meminimalisir kelebihan dan kekurangan staf.

3. Pemasaran: Penargetan Perilaku

Dalam pemasaran, data konsumen berlimpah dan dimanfaatkan untuk membuat konten, iklan, dan strategi untuk menjangkau calon pelanggan dengan lebih baik dimanapun mereka berada. Dengan memeriksa data perilaku historis dan menggunakannya untuk memprediksi apa yang akan terjadi di masa mendatang, sudah termasuk dalam Analisis Prediktif. Analitik prediktif dapat diterapkan dalam pemasaran untuk memperkirakan tren penjualan pada berbagai waktu dalam setahun dan merencanakan kampanye yang sesuai.

Selain itu, data perilaku historis dapat membantu Anda memprediksi kemungkinan prospek untuk berpindah ke corong dari kesadaran ke pembelian. Misalnya, Anda dapat menggunakan model regresi linier tunggal untuk menentukan jumlah penawaran konten yang sebaiknya dilakukan agar berpotensi terkonversi menjadi pelanggan di kemudian hari dengan tetap mempertimbangkan biaya yang dikeluarkan. Dengan pengetahuan ini, Anda dapat merencanakan iklan bertarget di berbagai titik dalam siklus hidup pelanggan.

4. Manufaktur: Mencegah Kerusakan

Meskipun contoh di atas menggunakan Analisis Prediktif untuk mengambil tindakan berdasarkan kemungkinan skenario, Anda juga dapat menggunakan analitik prediktif untuk mencegah terjadinya situasi yang tidak diinginkan atau berbahaya. Misalnya, di bidang manufaktur, algoritma dapat dilatih menggunakan data historis untuk memprediksi secara akurat kapan sebuah mesin akan mengalami penurunan performa atau kegagalan.

Ketika kriteria untuk kerusakan yang akan datang terpenuhi, algoritma dipicu untuk memperingatkan karyawan yang dapat menghentikan mesin dan berpotensi menghemat uang dalam mengurangi produk yang rusak dan biaya perbaikan. Bahkan Analisis Prediktif dapat merekomendasikan perbaikan dan pengoptimalan untuk menghindari kegagalan fungsi di masa mendatang dan meningkatkan efisiensi, menghemat waktu, uang, dan tenaga.

5. Perawatan Kesehatan: Deteksi Dini Reaksi Alergi

Contoh lain penggunaan Analisis Prediktif untuk pencegahan berasal dari industri perawatan kesehatan . Institut Wyss di Universitas Harvard bermitra dengan KeepSmilin4Abbie Foundation untuk mengembangkan teknologi yang dapat dipakai yang memprediksi reaksi alergi anafilaksis dan secara otomatis mengelola epinefrin untuk menyelamatkan jiwa.

Sensor, yang disebut AbbieSense, mendeteksi tanda-tanda fisiologis awal anafilaksis sebagai prediktor dari reaksi selanjutnya dan ini jauh lebih cepat daripada yang bisa dilakukan manusia. Ketika reaksi diprediksi terjadi, respon algoritmik dipicu. Algoritma dapat memprediksi tingkat keparahan reaksi, mengingatkan individu dan pengasuh, dan secara otomatis menyuntikkan epinefrin bila diperlukan. Kemampuan teknologi untuk memprediksi reaksi dengan kecepatan lebih cepat daripada deteksi manual dapat menyelamatkan nyawa.

Kesimpulan

Kita telah mengulas banyak hal seputar Analisis Prediktif yang dapat memberikan insight dalam rangka membuat keputusan yang lebih baik. Memang kita tidak dapat mengetahui dengan pasti apa yang akan terjadi di masa depan tetapi setidaknya kita memiliki dasar yang jelas dan terukur karena menggunakan data historis dan pendekatan Analisis Prediktif. Harapannya dengan mengetahui apa yang mungkin akan terjadi di masa depan, maka perusahaan dapat mempersiapkan strategi yang tepat sehingga dapat meminimalisir risiko dan mengoptimalkan peluang. Jadi melalui Analisis Prediktif dapat membuat perusahaan berada selangkah lebih maju daripada yang tidak menggunakannya.

Tentu saja Anda sudah menyadari begitu banyak kebermanfaatan data dan Analisis Prediktif. Anda juga dapat memiliki dan mengasah kemampuan berbagai pengolahan data terkini termasuk Analisis Prediktif dengan bergabung bersama kelas yang disediakan oleh Algoritma Data Science School. Anda akan mendapatkan pengalaman belajar pengolahan data terbaik dengan instruktur yang telah teruji di bidang ini. Segera daftarkan diri Anda dan ikuti kelasnya!

TONI ANDREAS SUSANTO

Jika Anda tertarik dengan artikel seputar Insight Data Science dan beragam topik menarik lainnya, jadilah orang pertama yang membacanya dengan melakukan subscribe blog dibawah ini!