Banyak perusahaan saat ini sudah mengumpulkan data dalam jumlah besar, tetapi tidak semuanya mampu mengubahnya menjadi keputusan bisnis yang tepat.
Akibatnya, mereka sulit membuat strategi yang efektif, memahami pelanggan, dan mendeteksi risiko kerugian bisnis.
Maka dari itu, bisnis perlu memiliki seseorang atau sekelompok dengan kemampuan data analyst yang baik untuk menemukan pola, memahami masalah, dan menghasilkan keputusan yang lebih strategis.
Mari simak beberapa contoh studi kasus data analyst di bawah ini untuk melihat bagaimana data digunakan secara nyata untuk menyelesaikan masalah bisnis di berbagai industri.
Contoh Studi Kasus Data Analyst dari Berbagai Bidang
Setiap industri memiliki tantangan bisnis yang berbeda sehingga pendekatan analisis datanya pun bisa beragam. Mari simak beberapa contoh penggunaan datanya di bawah ini:
Contoh Studi Kasus 1: Customer Segmentation (RFM)
Problem yang Ditemukan
Bisnis retail online memiliki ribuan pelanggan tetapi tidak mengetahui pelanggan mana yang paling loyal dan paling menguntungkan. Akibatnya, strategi marketing yang dilakukan masih terlalu umum dan kurang efektif.
Data yang Ditemukan
Berikut adalah beberapa data bisnis retail online yang didapatkan dari UCI Machine Learning Repository:
- Lebih dari 500.000 transaksi retail online
- Periode transaksi sekitar tahun 2010–2011
- 5.878 pelanggan unik dari sebuah retail online berbasis UK
- Data transaksi berisi nomor invoice, kode dan deskripsi produk, kuantitas, harga per unit, tanggal transaksi, ID pelanggan, dan negara asal pelanggan
Proses Analisis yang Dilakukan
Tim melakukan data cleaning terhadap lebih dari 541 ribu transaksi retail, seperti menghapus data yang memiliki kuantitas atau harga tidak valid atau baris tanpa ID pelanggan.
Setelah itu, mereka menghitung nilai Recency, Frequency, dan Monetary (RFM) untuk setiap pelanggan berdasarkan perilaku transaksinya.
Data ini kemudian dianalisis menggunakan K-Means Clustering untuk membentuk beberapa segmen pelanggan berdasarkan pola transaksi.
Insight yang Ditemukan
Analisis menunjukkan adanya beberapa segmen pelanggan, yaitu:
- Pelanggan dengan frekuensi dan nilai belanja tinggi
- Pelanggan yang rutin berbelanja namun nilai transaksinya sedang
- Pelanggan dengan frekuensi belanja rendah dan berisiko tidak lagi bertransaksi
Selain itu, ditemukan bahwa pola pembelian tiap segmen sangat berbeda sehingga campaign marketing tidak bisa disamaratakan.
Dampak untuk Bisnis
Bisnis retail online mulai membuat campaign marketing yang lebih personal berdasarkan karakteristik tiap segmen pelanggan.
Selain meningkatkan retensi pelanggan loyal, strategi ini juga membantu mengurangi biaya marketing yang kurang efektif.
Contoh Studi Kasus 2: E-commerce Sales Analysis
Problem yang Ditemukan
Perusahaan e-commerce ingin mengetahui faktor yang memengaruhi performa penjualan dan perilaku pelanggan agar strategi bisnis lebih tepat sasaran.
Dataset yang Digunakan
Berikut adalah beberapa contoh dataset “E-commerce Data” yang didapatkan dari Kaggle:
- 541.909 baris transaksi e-commerce
- Periode transaksi tahun 2010–2011
- Informasi seperti nomor invoice, kode produk, deskripsi, jumlah (quantity), tanggal transaksi, harga per unit, ID pelanggan, dan negara
Proses Analisis yang Dilakukan
Tim data analyst terlebih dahulu melakukan exploratory data analysis dengan cara menghapus baris dengan deskripsi produk kosong dan menghilangkan transaksi yang memiliki nilai Quantity dan UnitPrice negatif.
Setelah itu, mereka membuat visualisasi untuk melihat karakteristik transaksi di berbagai negara dan mengidentifikasi pola harga serta jumlah pembelian.
Selanjutnya, mereka melakukan agregasi revenue berdasarkan negara, serta analisis revenue bulanan dengan mengekstrak Month dari InvoiceDate dan menjumlahkan TotalPrice per bulan.
Insight yang Ditemukan
(Gambar disini yang merupakan kolase dari beberapa insight yang ditemukan)
Dari hasil analisis, ditemukan bahwa United Kingdom menghasilkan revenue terbesar, yaitu mencapai 9 juta.
Produk yang harga per satuannya relatif rendah juga cenderung paling sering terjual dan revenue yang mereka terima bersifat musiman, yaitu pada bulan November dan Desember yang merupakan holiday season.
Dampak untuk Bisnis
Perusahaan mulai memfokuskan upaya marketingnya di pasar United Kingdom, meningkatkan aktivitas kampanye pemasaran menjelang dan selama musim liburan, dan mengevaluasi strategi penetapan harga untuk produk dengan harga tinggi.
Contoh Studi Kasus 3: Credit Card Fraud Detection
Problem yang Ditemukan
Bank ingin mendeteksi transaksi fraud lebih cepat karena kerugian akibat transaksi ilegal terus meningkat.
Dataset yang Digunakan
Studi kasus ini menggunakan Credit Card Fraud Detection Dataset dari Kaggle yang sering dipakai dalam proyek machine learning. Dataset ini berisi:
- Data transaksi kartu kredit anonim
- Nilai transaksi (Amount)
- Waktu transaksi (Time)
- Label transaksi fraud vs non-fraud
- Puluhan variabel hasil transformasi PCA untuk menjaga kerahasiaan informasi asli kartu kredit
Proses Analisis yang Dilakukan
Tim data analyst melakukan EDA untuk memahami distribusi data dan tingkat ketidakseimbangan antara transaksi normal dan fraud.
Mereka fokus untuk menganalisis pola numerik, nilai, dan hubungan antar variabel kemudian membangun model klasifikasi fraud detection dengan bantuan AutoML atau tools hyperparameter tuning otomatis.
Insight yang Ditemukan
Analisis menunjukkan bahwa transaksi fraud memiliki pola transaksi yang jelas berbeda dibanding transaksi normal jika dilihat dari kombinasi fitur numerik dan nilai transaksi.
Model machine learning yang dibangun mampu mempelajari pola tersebut dan memberikan skor risiko untuk setiap transaksi. Tim risiko juga bisa langsung memeriksa transaksi yang otomatis terdeteksi sebagai paling mencurigakan.
Dampak untuk Bisnis
Perusahaan mulai memperkuat sistem deteksi fraud otomatis untuk mempercepat identifikasi transaksi mencurigakan secara real-time.
Selain mengurangi risiko kerugian finansial, peningkatan keamanan transaksi juga membantu meningkatkan kepercayaan pelanggan terhadap layanan kartu kredit bank.
Insight Penting yang Didapatkan dari Case Study Data Analyst di Atas
Dari berbagai studi kasus di atas, Anda bisa melihat bahwa data analytics membantu bisnis memahami masalah, menemukan peluang, hingga mengambil keputusan yang lebih tepat.
1. Data Membantu Memahami Masalah Bisnis
Melalui data, perusahaan dapat mengetahui akar masalah secara lebih objektif untuk fokus pada penyebab utama, bukan sekadar gejala yang terlihat.
2. Insight Berasal dari Pola Data
Semakin baik proses analisis dilakukan, semakin mudah perusahaan menemukan peluang maupun risiko bisnis dari pola yang ditemukan dalam data pelanggan.
3. Keputusan Berbasis Data Lebih Akurat
Dengan analisis yang tepat, perusahaan dapat menghadapi perubahan pasar dan kebutuhan pelanggan melalui keputusan berbasis data.
4. Data Analytics Digunakan di Semua Industri
Setiap industri memiliki use case data analytics yang berbeda, tetapi sama-sama bertujuan untuk menghasilkan keputusan yang lebih efektif dan meningkatkan performa bisnis.
Saatnya Belajar Analisis Data dari Studi Kasus Nyata
Berbagai contoh studi kasus data analyst di atas menunjukkan bahwa data analytics memiliki peran besar dalam membantu bisnis memahami pelanggan, meningkatkan strategi, hingga mengurangi risiko kerugian.
Jika Anda ingin mendapatkan lebih banyak lagi use-case nyata yang digunakan dalam bisnis, mari ikuti kursus Data Analyst dari Coding Studio.
Di sini, Anda akan mempelajari workflow data analyst lengkap–mulai exploratory data analysis, visualisasi data, hingga insight generation menggunakan tools yang banyak digunakan industri saat ini.
Mulai langkah awal Anda untuk menjadi data analyst handal bersama Coding Studio!
Sumber Referensi:
- Online Retail Customer Segmentation RFM Analysis
- E-commerce Sales Analysis Case Study
- Credit Card Fraud Detection Reference