Tentu, mari kita bedah bersama.
Halo, teman-teman, dan selamat datang kembali di seri proyek portofolio saya. Saya senang sekali kalian ada di sini.
Banyak orang yang baru mulai di dunia data analisis sering salah fokus. Mereka terburu-buru membuka SQL, Python, atau Power BI, berpikir bahwa kesuksesan proyek ditentukan oleh seberapa canggih tools yang mereka gunakan.
Ini adalah kesalahan fundamental.
Dalam pengalaman saya, kesuksesan seorang analis tidak ditentukan oleh seberapa jago coding-nya, tapi seberapa dalam ia memahami masalah bisnis yang sedang coba ia selesaikan. Tools adalah palu, tapi jika Anda tidak tahu paku mana yang harus dipukul, Anda hanya akan membuat lubang di dinding.
Video pertama dalam seri ini—yang baru saja kalian tonton transkripnya—adalah bagian terpentING dari keseluruhan proyek. Ini adalah fondasi, kompas, dan peta kita.
Mari kita bedah materi ini secara mendalam, dari sudut pandang seorang praktisi, dan saya akan tunjukkan cara berpikir yang akan membedakan Anda dari analis data kebanyakan.
🏛️ Modul 1: "The Analyst's Compass" — Mengapa Business Case Adalah 90% Kunci Sukses Proyek
Orang awam melihat "business case" sebagai formalitas yang membosankan. Seorang analis expert melihatnya sebagai briefing misi. Ini adalah dokumen yang memberi kita arah (direction).
Tanpa memahami ini, Anda mungkin akan menghabiskan 3 minggu membuat dashboard yang canggih, hanya untuk diberitahu oleh stakeholder bahwa data itu "menarik, tapi tidak bisa dipakai apa-apa." Itu adalah kegagalan terbesar seorang analis.
Sudut Pandang yang Jarang Dilihat:
Kita bukan "operator tools". Kita adalah "business detective" atau detektif bisnis. Tugas kita adalah menginvestigasi sebuah masalah. Transkrip video tadi adalah laporan awal dari klien kita, "ShopEasy".
Masalahnya jelas: "ShopEasy" (bisnis retail online) sedang "berdarah". Mereka menghabiskan banyak uang untuk marketing (High marketing expenses), tapi tidak ada yang beli (Decreased conversion rates), dan pelanggan yang ada pun tidak tertarik (Reduced customer engagement).
Mereka tidak memanggil kita untuk "membuat dashboard". Mereka memanggil kita untuk "menemukan di mana letak pendarahannya dan bagaimana menghentikannya."
👉 Apa yang bisa kamu lakukan sekarang:
Sebelum Anda menulis satu baris kode pun untuk proyek berikutnya, tulis dalam satu paragraf jawaban atas pertanyaan ini: "Masalah bisnis apa yang sedang saya selesaikan?" dan "Seperti apa 'kesuksesan' terlihat bagi klien saya?" Jika Anda tidak bisa menjawabnya, jangan lanjut coding.
🕵️♂️ Modul 2: Menjadi "Business Detective" — Membedah TKP (Tempat Kejadian Perkara)
Di video, saya menantang kalian untuk melakukan latihan kecil: menyorot (highlight) bagian penting dari business problem. Ini bukan sekadar latihan membaca. Ini adalah latihan memilah sinyal dari kebisingan (noise).
Sebagai seorang detektif, ini adalah petunjuk awal Anda. Mari kita lihat apa yang saya tandai:
- Online retail business: Ini adalah konteks kita. Kita berurusan dengan e-commerce, bukan toko fisik. Jadi, kita akan melihat data website, traffic, dan checkout funnel.
- Reduced customer engagement: Petunjuk #1. Pelanggan tidak "terlibat". Apa artinya? Mereka tidak mengklik, tidak like, tidak comment, atau mungkin bounce rate tinggi.
- Decreased conversion rates: Petunjuk #2. Ini adalah "pendarahan" utamanya. Pengunjung datang, tapi tidak membeli. Kenapa?
- High marketing expenses: Petunjuk #3. Mereka sudah buang uang banyak. Ini menambah tekanan. Kita harus menemukan solusi yang efisien.
- Not yielding expected returns: Ini adalah bahasa bisnis untuk "ROI (Return on Investment) kami hancur."
- Need for customer feedback analysis: Petunjuk Emas! Klien secara eksplisit memberitahu kita bahwa mereka punya data (review, komen medsos) yang mereka percaya berisi jawaban, tapi mereka tidak bisa membacanya.
Sudut Pandang yang Jarang Dilihat:
Lihat pola di atas. Seorang analis pemula mungkin akan langsung fokus pada "decreased conversion rates" dan mulai menganalisis funnel penjualan.
Seorang analis expert akan melihat koneksi antara "not yielding expected returns" (masalah finansial), "decreased conversion rates" (masalah behavioral), dan "customer feedback" (masalah sentimen).
Hipotesis utama saya adalah: Sentimen negatif dalam customer feedback adalah penyebab utama rendahnya tingkat konversi, yang mengakibatkan ROI marketing yang buruk.
Tugas kita sekarang adalah membuktikan (atau menyanggah) hipotesis ini dengan data.
👉 Apa yang bisa kamu lakukan sekarang:
Ambil sebuah studi kasus (seperti ini, atau dari kantor Anda). Latih mata Anda untuk tidak hanya melihat angka, tapi mencari "kata kerja negatif" (turun, berkurang, gagal) dan "kata sifat finansial" (tinggi, mahal, rugi). Itulah titik awal investigasi Anda.
🗣️ Modul 3: Menerjemahkan "Rasa Sakit" Stakeholder Menjadi Data
Di video, kita mendapat dua email: satu dari Jane Doe (Marketing Manager) dan satu dari John Smith (Customer Experience Manager). Ini adalah bagian krusial.
Banyak analis memperlakukan semua stakeholder sama. Ini salah besar. Jane dan John memiliki "rasa sakit" (pain point) yang berbeda.
- Jane Doe (Marketing Manager):
- Bahasa dia: "Marketing expenses have gone up," "return on investment isn't meeting our expectations."
- Rasa Sakit dia: Finansial. Dia mungkin sedang ditekan oleh CFO (Chief Financial Officer). Dia butuh justifikasi budget.
- Apa yang dia butuhkan dari kita: Jawaban atas, "Kampanye mana yang boncos dan kampanye mana yang cuan? Di mana saya harus menghentikan pengeluaran uang?"
- John Smith (Customer Experience Manager):
- Bahasa dia: "Drop in customer engagement and satisfaction," "various issues and sentiments."
- Rasa Sakit dia: Pelanggan. Dia mungkin melihat skor CSAT/NPS (Customer Satisfaction/Net Promoter Score) anjlok. Dia peduli pada reputasi brand.
- Apa yang dia butuhkan dari kita: Jawaban atas, "Apa yang sebenarnya dikeluhkan pelanggan? Apa masalah utama mereka? Produknya? Website-nya? Pengirimannya?"
Sudut Pandang yang Jarang Dilihat:
Ini adalah insight yang akan membuat Anda sangat berharga. Jane dan John melihat masalah yang SAMA (bisnis lesu) tapi dari DUA SUDUT PANDANG BERBEDA (Finansial vs. Emosional).
Tugas kita adalah menjembatani keduanya. Kita akan menggunakan data untuk membuktikan kepada Jane bahwa "sentimen negatif" (masalah John) adalah penyebab langsung dari "ROI rendah" (masalah Jane).
Ketika kita bisa menunjukkan, misalnya: "Setiap kali sentimen negatif di media sosial naik 5% (data John), conversion rate dari iklan Facebook turun 0.5% (data Jane)," saat itulah kita memberikan insight yang powerful. Kita menghubungkan dua departemen yang mungkin sebelumnya tidak saling bicara.
👉 Apa yang bisa kamu lakukan sekarang:
Dalam setiap permintaan data di masa depan, selalu tanyakan: "Siapa stakeholder utama untuk ini?" dan "Apa metrik kesuksesan di departemen mereka?" Seorang Manajer Marketing peduli ROI. Seorang Manajer CX peduli Skor Kepuasan (CSAT). Sesuaikan analisis dan presentasi Anda untuk "berbicara" dalam bahasa mereka.
🗺️ Modul 4: Dari KPI ke Peta Harta Karun (Data & Rencana Teknis)
Sekarang kita tahu masalahnya dan siapa yang peduli. Saatnya menyusun rencana investigasi.
1. Key Performance Indicators (KPIs)
Ini adalah "tanda-tanda vital" bisnis. Kita tidak perlu melacak 100 metrik. Kita hanya butuh beberapa yang paling penting. Di video, saya sebutkan:
- Conversion Rate: (Jumlah Pembelian / Jumlah Pengunjung). Ini adalah metrik "kesehatan" utama kita.
- Customer Engagement Rate: (Interaksi / Jangkauan). Ini untuk mengukur masalah Jane.
- Customer Feedback Score: Ini akan kita buat nanti di episode 3 (Python & Sentiment Analysis) untuk mengukur masalah John.
2. Data Sources & Tables
Orang awam melihat ini sebagai "daftar tabel". Saya melihatnya sebagai "ruang barang bukti" dan "alat forensik".
Saya membaginya menjadi dua warna di video:
- Kuning (Fact Tables): Ini adalah "kejadian" atau "peristiwa". Ini mencatat apa yang terjadi. Contoh: Customer Journey (seseorang mengklik sesuatu), Engagement Data (seseorang like sesuatu), Customer Reviews (seseorang menulis sesuatu).
- Biru (Dimension/Lookup Tables): Ini adalah "konteks". Ini menjelaskan siapa, apa, kapan, di mana. Contoh: Customers (siapa pelanggannya), Products (produk apa yang dibeli), Geography (di mana mereka tinggal).
Sudut Pandang yang Jarang Dilihat:
Seorang analis pemula akan melihat tabel-tabel ini satu per satu. Seorang analis expert tahu bahwa keajaiban terjadi di persimpangan (JOIN) antara tabel Fact dan Dimension.
- Customer Reviews (Fact) saja hanya memberi kita daftar keluhan.
- Customer Reviews (Fact) + Products (Dimension) memberi kita: Produk mana yang paling banyak mendapat keluhan?
- Customer Reviews (Fact) + Products (Dimension) + Geography (Dimension) memberi kita: Produk mana yang paling banyak dikeluhkan di wilayah tertentu?
Lihat? Kita mulai membangun sebuah cerita. Rencana teknis kita (SQL, Python, Power BI) adalah cara kita untuk menghubungkan titik-titik ini.
👉 Apa yang bisa kamu lakukan sekarang:
Lihat database apa pun yang Anda miliki. Latih mengidentifikasi: mana tabel Fact (penuh angka, ID, dan tanggal, biasanya sangat besar) dan mana tabel Dimension (penuh teks deskriptif, jarang berubah). Lalu, buat 3 pertanyaan bisnis yang hanya bisa dijawab dengan menggabungkan keduanya.
🎯 Modul 5: Visi Akhir — Menetapkan Tujuan yang Actionable
Di akhir business case, saya menguraikan tiga tujuan utama. Ini adalah checklist kita untuk sukses. Perhatikan baik-baik perbedaan antara "Goal" dan "Insight".
- Goal 1: Increase Conversion Rates.
- Insight Actionable: "Menyoroti tahapan penting di mana pengunjung drop off dan menyarankan perbaikan untuk mengoptimalkan conversion funnel."
- Terjemahan: Jangan cuma lapor "konversi turun". Tunjukkan, "Konversi kita turun 40% di halaman checkout," dan hipotesiskan, "Mungkin karena tombol 'Bayar' tidak terlihat jelas di mobile."
- Goal 2: Enhance Customer Engagement.
- Insight Actionable: "Menganalisis tingkat interaksi dengan berbagai jenis konten marketing untuk menginformasikan strategi konten yang lebih baik."
- Terjemahan: Jangan cuma lapor "engagement rendah". Tunjukkan, "Konten video tentang 'cara pakai produk' mendapatkan engagement 3x lipat dibanding konten gambar promosi."
- Goal 3: Improve Customer Feedback Scores.
- Insight Actionable: "Mengidentifikasi tema umpan balik positif dan negatif yang berulang untuk memandu perbaikan produk dan layanan."
- Terjemahan: Ini adalah inti dari analisis sentimen kita nanti. Kita akan bilang, "Pelanggan benci 'biaya kirim' dan suka 'kualitas bahan'. Hentikan promosi free gift, ganti dengan subsidi ongkir."
Sudut Pandang yang Jarang Dilihat:
Perhatikan bahwa tidak ada satu pun "Goal" atau "Insight" di atas yang berbunyi: "Membuat dashboard Power BI yang cantik."
Dashboard adalah alat penyampaian, bukan tujuan akhir. Tujuan kita adalah memberikan rekomendasi yang bisa ditindaklanjuti (actionable). Jika insight Anda tidak bisa diubah menjadi sebuah meeting, sebuah perubahan strategi, atau sebuah task untuk engineer, maka insight Anda belum selesai.
👉 Apa yang bisa kamu lakukan sekarang:
Ambil satu "Goal" pasif dan ubah menjadi "Insight Actionable".
- Pasif: "Kita perlu meningkatkan penjualan."
- Actionable: "Kita akan mengidentifikasi 3 segmen pelanggan dengan Average Order Value (AOV) tertinggi dan membuat kampanye upsell khusus untuk mereka."
✅ Checklist & Panggilan untuk Bertindak
Anda telah melihat bagaimana seorang analis expert membedah sebuah masalah bisnis. Anda tidak lagi melihat business case sebagai dokumen yang membosankan, tapi sebagai peta investigasi Anda.
Ini adalah fondasi kita. Semua yang akan kita lakukan selanjutnya—SQL, Python, Power BI—hanyalah eksekusi dari rencana yang telah kita susun dengan matang di tahap ini.
Berikut adalah Checklist Anda: Menjadi Analis Detektif (Bukan Sekadar Operator Alat) untuk Anda praktikkan SEKARANG:
- [ ] Identifikasi Masalah Inti: Ambil satu studi kasus (bisa dari proyek ini atau pekerjaan Anda). Tulis dalam satu kalimat: "Apa 'pendarahan' utama bisnis ini?" (Contoh: Kehilangan pelanggan, boros biaya, konversi rendah).
- [ ] Petakan Stakeholder: Siapa dua orang yang paling peduli dengan masalah ini? Apa "bahasa" dan "rasa sakit" mereka yang berbeda? (Contoh: Marketing vs. Customer Service).
- [ ] Rumuskan Hipotesis Utama: Tulis satu hipotesis yang menghubungkan "rasa sakit" kedua stakeholder tersebut. (Contoh: "Saya menduga bug di aplikasi (masalah CX) menyebabkan pelanggan meninggalkan keranjang belanja (masalah Marketing)."
- [ ] Buat Peta Data Sederhana: Tulis 2 tabel Fact (kejadian) dan 2 tabel Dimension (konteks) yang Anda perlukan untuk membuktikan hipotesis Anda.
- [ ] Tulis 1 "Insight Actionable": Jika hipotesis Anda terbukti benar, apa satu rekomendasi spesifik yang akan Anda berikan kepada bisnis? (Contoh: "Prioritaskan perbaikan bug checkout di aplikasi Android pada sprint berikutnya.")
Jangan lewatkan video berikutnya. Sekarang kita sudah punya rencana, saatnya kita "masuk ke lab" dan mengotori tangan kita. Di episode selanjutnya, kita akan mulai mengekstrak dan membersihkan data marketing ini menggunakan SQL.
Pastikan Anda subscribe dan nyalakan lonceng notifikasi agar tidak ketinggalan. Jika ada pertanyaan atau pemikiran, tinggalkan di kolom komentar di bawah.
Terima kasih telah menonton, dan sampai jumpa di episode berikutnya!
🧐 Glosarium Analis Data: Dari Awam Menjadi Ahli
Berikut adalah istilah-istilah yang memisahkan seorang analis pemula dengan seorang analis strategis.
1. Business Case (Kasus Bisnis)
- Penjelasan Sederhana: Ini adalah dokumen "Mengapa". Dokumen ini menjelaskan masalah yang ada, kerugian yang ditimbulkan oleh masalah itu, dan apa definisi "sukses" jika masalah itu selesai.
- Analogi (Memanggil Tukang Ledeng): Anda tidak memanggil tukang ledeng dan bilang, "Tolong bawa kunci pipa." Anda bilang, "Pipa wastafel saya bocor (Masalah), air menggenang di lantai dapur (Dampak/Kerugian), dan saya butuh lantai saya kering lagi (Definisi Sukses)." Itulah Business Case Anda.
- Studi Kasus (ShopEasy): Business Case kita adalah: "ShopEasy menghabiskan banyak uang untuk iklan tapi penjualan turun dan pelanggan tidak tertarik (Masalah). Ini menyebabkan kerugian finansial/ROI negatif (Dampak). Kita harus menemukan di mana letak masalahnya dan memberi rekomendasi untuk memperbaikinya (Definisi Sukses)."
2. Stakeholder (Pemangku Kepentingan)
- Penjelasan Sederhana: Siapa pun yang hidupnya (atau pekerjaannya) terpengaruh oleh hasil proyek Anda. Mereka adalah orang yang Anda berikan laporan.
- Analogi (Memasak Makan Malam): Jika Anda memasak, Stakeholder Anda adalah suami/istri/anak yang akan memakan masakan itu (mereka peduli rasanya), dan mungkin orang yang memberi Anda uang belanja (mereka peduli budget-nya).
- Studi Kasus (ShopEasy): Kita punya 2 Stakeholder utama: Jane Doe (Manajer Marketing) yang peduli soal budget iklannya (ROI), dan John Smith (Manajer Customer Experience) yang peduli soal komplain dan kepuasan pelanggan (Sentimen).
3. Conversion Rate (Tingkat Konversi)
- Penjelasan Sederhana: Persentase orang yang melakukan "aksi" yang Anda inginkan, dari total orang yang memiliki kesempatan.
- Analogi (Toko Fisik): Bayangkan 100 orang masuk ke toko Anda hari ini. Dari 100 orang itu, 5 orang akhirnya membeli sesuatu. Maka, Conversion Rate toko Anda adalah 5%.
- Studi Kasus (ShopEasy): Dari 1.000 orang yang mengunjungi website ShopEasy, hanya 10 orang yang membeli. Conversion Rate-nya 1%. Masalah kita adalah angka ini terus menurun.
4. Customer Engagement (Keterlibatan Pelanggan)
- Penjelasan Sederhana: Ini adalah "interaksi", bukan "transaksi". Apakah pelanggan like, comment, share, membuka email, atau sekadar menghabiskan waktu di website Anda?
- Analogi (Kencan): Jika Anda kencan dan Anda terus berbicara sementara pasangan Anda hanya diam dan melihat HP, itu Engagement-nya rendah. Jika dia bertanya, tertawa, dan merespons, itu Engagement-nya tinggi.
- Studi Kasus (ShopEasy): ShopEasy mem-posting konten di Instagram, tapi tidak ada yang like atau comment. Engagement-nya rendah, seolah-olah mereka berbicara di ruangan kosong.
5. Return on Investment (ROI)
- Penjelasan Sederhana: Apakah Anda dapat uang lebih banyak daripada yang Anda keluarkan? Ini adalah rapor finansial utama.
- Analogi (Jual Gorengan): Anda menghabiskan Rp 100.000 untuk beli bahan (Investasi). Anda menjual gorengan dan dapat total Rp 130.000 (Pengembalian). Keuntungan Anda Rp 30.000. Maka ROI Anda adalah (Keuntungan / Investasi) = (30.000 / 100.000) = 30%.
- Studi Kasus (ShopEasy): Jane (Marketing) menghabiskan Rp 1 Miliar untuk iklan (Investasi) tapi penjualan dari iklan itu hanya Rp 800 Juta (Pengembalian). ROI-nya negatif. Mereka boncos.
6. Sentiment Analysis (Analisis Sentimen)
- Penjelasan Sederhana: Menggunakan komputer (Python) untuk membaca ribuan review atau komentar pelanggan, lalu secara otomatis mengelompokkannya: mana yang "Marah", "Senang", atau "Netral".
- Analogi (Asisten Super): Bayangkan Anda punya 10.000 kotak saran. Alih-alih membacanya satu per satu, Anda menyewa asisten super yang bisa membacanya dalam 1 menit dan memberi laporan: "Bos, 80% orang komplain soal 'parkir mahal', 20% senang soal 'AC dingin'."
- Studi Kasus (ShopEasy): Kita akan pakai ini di Episode 3 untuk "mendengarkan" 10.000 review pelanggan ShopEasy dan menemukan apa tepatnya yang mereka keluhkan (mungkin soal "biaya kirim", "kualitas produk", atau "website lemot").
7. Fact Table vs. Dimension Table (Tabel Fakta vs. Tabel Dimensi)
- Penjelasan Sederhana: Ini adalah cara kita mengatur data di database.
- Tabel Fakta: Mencatat "peristiwa" atau "kejadian". (Contoh: Penjualan, Klik, Komentar). Isinya angka dan ID.
- Tabel Dimensi: Mencatat "konteks" dari peristiwa itu. (Siapa, Apa, Di mana, Kapan). Isinya teks deskriptif.
- Analogi (Koran):
- Tabel Fakta adalah headline berita: "TERJADI TRANSAKSI Rp 500.000" (Peristiwanya).
- Tabel Dimensi adalah isi beritanya: "Oleh: Pandu (Dimensi Pelanggan), Tanggal: 30 Maret (Dimensi Waktu), Membeli: Sepatu Lari (Dimensi Produk), Lokasi: Jakarta (Dimensi Geografi)."
- Studi Kasus (ShopEasy): Kita akan menggabungkan (JOIN) tabel Customer Reviews (Fakta) dengan tabel Products (Dimensi) untuk mencari tahu: "Produk apa yang paling banyak dapat komplain negatif?"
8. Conversion Funnel (Corong Konversi)
- Penjelasan Sederhana: Langkah-langkah visual yang pelanggan lalui dari "tahu produk" sampai "beli". Disebut "corong" karena jumlah orangnya pasti menyusut di tiap langkah.
- Analogi (Corong Minyak):
Getty Images
Jelajahi
* 1000 orang lihat *homepage* (mulut corong). * 500 orang klik halaman produk. * 100 orang memasukkan ke keranjang. * 20 orang berhasil bayar (ujung corong).
- Studi Kasus (ShopEasy): Tugas kita adalah menemukan di mana "kebocoran" terbesar di corong itu. (Misalnya: Ternyata dari 100 orang yang masuk keranjang, 80 orang "kabur". Kenapa? Mungkin karena mereka kaget melihat ongkos kirim di halaman checkout).
9. Actionable Insight (Wawasan yang Dapat Ditindaklanjuti)
- Penjelasan Sederhana: Ini adalah tujuan akhir kita. Ini adalah kesimpulan yang begitu jelas dan spesifik, sehingga stakeholder bisa langsung mengambil keputusan bisnis.
- Analogi (Resep Dokter):
- Informasi (Bukan Insight): "Suhu tubuh Anda 39°C." (Lalu? Saya harus apa?)
- Actionable Insight: "Suhu tubuh Anda 39°C karena infeksi bakteri di tenggorokan (Diagnosa). Ini resep antibiotik, minum 3x sehari selama 5 hari (Rekomendasi Aksi)."
- Studi Kasus (ShopEasy):
- Laporan Buruk: "Penjualan turun 20%."
- Actionable Insight: "Penjualan turun 20% karena 75% pelanggan di luar Jawa meninggalkan keranjang belanja saat melihat ongkir (Diagnosa, dari Funnel + Sentiment Analysis). Rekomendasi: Lakukan A/B testing promo 'Subsidi Ongkir Rp 10.000' khusus untuk luar Jawa."
🗣️ Cara Mengajarkan Ini ke Orang Lain (Agar Anda Makin Paham)
Cara terbaik untuk menguasai sebuah ilmu adalah dengan mengajarkannya. Gunakan skrip ini untuk menjelaskan kepada teman, pasangan, atau bahkan rekam diri Anda sendiri berbicara di depan cermin.
Judul: "Belajar Jadi Detektif Bisnis (Itulah Tugas Analis Data!)"
"Halo! Aku lagi belajar sesuatu yang keren banget soal analisis data. Ternyata, ini bukan cuma soal coding atau bikin grafik cantik. Ini soal jadi detektif bisnis.
Aku mau coba jelaskan pakai studi kasus pura-pura, ya. Bayangin ada toko online namanya ShopEasy.
Masalahnya (Business Case):
ShopEasy lagi 'berdarah'. Mereka buang uang banyak buat iklan, tapi penjualan malah turun. Udah gitu, pelanggan mereka kayak nggak peduli, postingan di medsos dicuekin (engagement rendah).
Kliennya (Stakeholders):
Ada dua bos yang pusing. Pertama, Jane (Manajer Marketing). Dia pusing karena budget iklan habis tapi nggak ada yang beli (ROI-nya jeblok). Kedua, John (Manajer Pelanggan). Dia pusing karena isi review dan medsos itu isinya komplain melulu (Sentimennya negatif).
Investigasi Detektifnya (Proses Analisis):
Tugas kita bukan cuma laporin 'penjualan turun'. Tugas kita adalah cari tahu KENAPA.
- Pertama, kita lihat 'corong belanja' atau Conversion Funnel. Kita telusuri jejak pelanggan: 1.000 orang lihat homepage, 100 orang masukin keranjang, eh, tinggal 10 orang yang bayar. Ke mana yang 90 orang? Kita curiga ada 'kebocoran' di situ.
- Kedua, kita pakai Sentiment Analysis. Kita 'baca' semua komplain pelanggan. Oh, ternyata dari 90 orang yang kabur tadi, 80% nya komplain soal 'ongkos kirim mahal banget!'.
"Aha!" Momennya (Actionable Insight):
Di sinilah bedanya analis data keren dan yang biasa.
- Analis biasa lapor: "Data menunjukkan 90% pelanggan kabur dari keranjang." (Ini cuma informasi).
- Analis keren (kita!) lapor: "Penjualan kita turun karena 90% pelanggan di luar Jawa kabur saat melihat ongkos kirim. Ini datanya (untuk Jane), dan ini data komplainnya (untuk John). Rekomendasi saya: Coba kita tes kasih 'Subsidi Ongkir 50%' selama seminggu khusus untuk luar Jawa."
Lihat? Kita nggak cuma kasih data. Kita kasih diagnosa (kenapa) dan resep (solusi). Kita menghubungkan masalahnya Jane (ROI jelek) dengan masalahnya John (pelanggan komplain).
Itulah Actionable Insight. Keren, kan? Ternyata intinya di situ."