Daftar Isi:
- Bagaimana menghasilkan analisis prediktif berbasis data
- Cara menghasilkan analisis prediksi berbasis pengguna
Video: Cara Mudah Uji Validitas Menggunakan SPSS - Full Tutorial 2025
Ada dua cara untuk menghasilkan atau menerapkan analisis prediktif: murni berdasarkan data Anda (tanpa pengetahuan sebelumnya tentang apa yang Anda cari) atau dengan Tujuan bisnis yang diusulkan agar data mungkin atau mungkin tidak mendukung. Anda tidak harus memilih satu atau yang lain; Kedua pendekatan itu bisa saling melengkapi. Masing masing punya kelebihan dan kekurangan.
Kedua pendekatan terhadap analisis prediktif memiliki keterbatasan; Pertahankan manajemen risiko dalam pikiran saat Anda memeriksa silang hasilnya. Pendekatan mana yang menurut Anda bagus menjanjikan hasil bagus dan relatif aman?
Menggabungkan kedua jenis analisis ini memberdayakan bisnis Anda dan memungkinkan Anda memperluas pemahaman, wawasan, dan kesadaran bisnis dan pelanggan Anda. Itu membuat proses keputusan Anda lebih cerdas dan kemudian lebih menguntungkan.
Bagaimana menghasilkan analisis prediktif berbasis data
Jika Anda mendasarkan analisis Anda murni pada data yang ada, Anda dapat menggunakan data internal - diakumulasikan oleh perusahaan Anda selama bertahun-tahun - atau data eksternal (sering dibeli dari sumber di luar perusahaan Anda) yang relevan dengan bidang usaha Anda.
Untuk memahami data itu, Anda dapat menggunakan alat penambangan data untuk mengatasi kompleksitas dan ukurannya; Ungkapkan beberapa pola yang tidak Anda sadari; temukan beberapa asosiasi dan tautan dalam data Anda; dan gunakan temuan Anda untuk menghasilkan kategorisasi baru, wawasan baru dan pemahaman baru.
Analisis berbasis data bahkan bisa mengungkapkan permata atau dua hal yang dapat memperbaiki bisnis Anda secara radikal - yang kesemuanya memberikan pendekatan ini sebagai elemen kejutan yang memberi umpan pada rasa ingin tahu dan membangun antisipasi.
Analisis berbasis data paling sesuai untuk kumpulan data yang besar karena sulit bagi manusia untuk membungkus pikiran mereka seputar sejumlah besar data. Alat penunjuk data dan teknik visualisasi membantu Anda melihat lebih dekat dan memotong banyak data ke ukuran. Ingatlah prinsip-prinsip umum ini:
-
Semakin lengkap data Anda, semakin baik hasil analisis berbasis data. Jika Anda memiliki data ekstensif yang memiliki informasi penting ke variabel yang Anda ukur, dan mencakup jangka waktu yang panjang, Anda dijamin menemukan sesuatu yang baru tentang bisnis Anda.
-
Analisis berbasis data bersifat netral karena tidak ada pengetahuan sebelumnya tentang data yang diperlukan dan Anda tidak mengikuti tujuan tertentu, namun menganalisis data untuk kepentingannya.
-
Sifat analisis ini luas dan tidak menyangkut pencarian atau validasi spesifik dari gagasan yang telah terbentuk sebelumnya.Pendekatan analisis ini dapat dipandang sebagai semacam data mining yang acak dan luas.
-
Jika Anda melakukan analisis data semacam itu, dan jika Anda mempelajari sesuatu tentang bisnis Anda dari analisis, Anda masih harus memutuskan apakah hasil yang Anda dapatkan pantas untuk diimplementasikan atau diterapkan.
-
Mengandalkan analisis data-driven hanya menambah beberapa risiko terhadap keputusan bisnis yang dihasilkan. Namun, Anda dapat membatasi risiko itu dengan menggabungkan beberapa realisme yang menjadi ciri analisis pengguna.
Saat data dunia nyata membuktikan (atau setidaknya mendukung) kebenaran gagasan asli Anda, keputusan yang tepat sudah praktis dibuat. Ketika sebuah firasat diinformasikan oleh data, keseluruhan analisis menunjukkan dirinya didorong oleh gagasan strategis yang layak untuk dilakukan dan diverifikasi.
Cara menghasilkan analisis prediksi berbasis pengguna
Pendekatan user-driven untuk analisis prediktif dimulai dengan Anda (atau manajer Anda) yang mengandung gagasan dan kemudian berlindung pada data Anda untuk melihat apakah itu Gagasan memiliki manfaat, akan bertahan dalam pengujian, dan didukung oleh data.
Data uji bisa menjadi subset yang sangat kecil dari total data bisnis Anda; itu adalah sesuatu yang Anda definisikan dan pilih yang Anda anggap relevan untuk menguji gagasan Anda.
Proses memilih dataset yang benar dan merancang metode pengujian yang akurat - sebenarnya, keseluruhan proses sejak awal adopsi - harus dipandu dengan pertimbangan cermat dan perencanaan yang teliti.
Analisis berbasis pengguna tidak hanya membutuhkan pemikiran strategis namun juga pengetahuan mendalam tentang domain bisnis untuk mendukung strategi. Visi dan intuisi bisa sangat membantu disini; Anda mencari bagaimana data memberi dukungan khusus pada gagasan yang Anda anggap penting dan strategis. Pendekatan analisis prediktif ini didefinisikan oleh lingkup gagasan yang sedang Anda selidiki. Pengambilan keputusan menjadi lebih mudah saat data mendukung gagasan Anda.
Proses menyelidik gagasan Anda mungkin tidak sesederhana menganalisis keseluruhan dataset. Hal ini juga dapat dipengaruhi oleh bias Anda untuk membuktikan kebenaran asumsi awal Anda.
Berikut adalah perbandingan data berbasis data dan data yang digerakkan pengguna.
| Karakteristik | Data-Driven | User-Driven |
|---|---|---|
| Pengetahuan Bisnis yang Dibutuhkan | Tidak ada pengetahuan sebelumnya | Pengetahuan domain yang mendalam |
| Analisis dan Alat yang Digunakan | Penggunaan data secara luas -mining tools | Desain khusus untuk analisis dan pengujian |
| Data Besar | Cocok untuk data berskala besar | Diterapkan pada kumpulan data yang lebih kecil |
| Ruang Lingkup Analisis | Lingkup terbuka | Lingkup terbatas > Analisis Kesimpulan |
| Membutuhkan verifikasi hasil | Penggunaan hasil analisis yang lebih mudah | Pola Data |
| Mengungkap pola dan asosiasi | Mungkin melewatkan pola dan asosiasi tersembunyi |
