Di era yang didominasi oleh data, data menjadi aset berharga bagi organisasi dalam berbagai sektor. Namun, nilai sejati dari data hanya dapat direalisasikan melalui analisis yang tepat dan cermat.
Itulah sebab pentingnya memahami data analytics life cycle yang merupakan proses mulai dari pemahaman masalah hingga penerapan model, siklus ini mencakup serangkaian langkah yang penting dalam proses pengumpulan, analisis, dan penerapan informasi untuk tujuan bisnis dan pengambilan keputusan. Mari kita pahami tahapan-tahapan dalam data analytics life cycle.
1. Memahami Masalah dan Mengumpulkan Data
Siklus dimulai dengan mempelajari masalah yang ingin diselesaikan. Setiap usaha dimulai dengan memahami masalah yang ingin dihadapi dengan jelas. Dalam tahap ini, perlu dilakukan identifikasi masalah yang spesifik dan tujuan yang ingin dicapai dari analisis data. Selain itu, perlu juga merancang apa saja yang diperlukan untuk proyek yang ingin dijalankan, seperti kebutuhan sumber daya manusia, teknologi, waktu, dan data yang akan digunakan.
Mengumpulkan data bisa melalui berbagai sumber, seperti database center, data eksternal, web, survey, bahkan data sensor dari perangkat IoT. Hasil yang didapatkan dari proses pengumpulan data berupa data mentah (raw data) yang belum siap diolah.
2. Mempersiapkan Data
Setelah masalah terdefinisi dengan jelas, tim data scientist mulai mempelajari dan memahami data yang digunakan serta mengolah data mentah untuk menjadi data yang siap diolah.
Data mentah jarang siap untuk dianalisis secara langsung. Sering kali, data memerlukan pra-pemrosesan, pembersihan, dan transformasi untuk memastikan akurasi dan konsistensi.
Tahap ini melibatkan tugas seperti mengatasi missing value dengan menghapus field yang mengandung missing value dan imputasi (pengisian missing value berdasarkan data yang ada), mendeteksi outlier yang bisa dilakukan dengan dot plot, box plot, interquartile range, dan scatter plot, serta melakukan transformasi data hanya jika data butuh ditransformasi dengan cara normalisasi data dan mengatasi outlier.
Data tersebut menjadi formatted data, yaitu merupakan data yang telah siap diolah lalu menyimpan data yang telah siap ke data warehouse.
3. Merencanakan Model
Tahap ini merupakan tahap untuk menentukan metode, teknik, dan kerangka kerja yang akan digunakan. Data yang telah dipersiapkan dieksplorasi lebih lanjut agar hubungan antar-variabel diketahui, sehingga bisa untuk mengidentifikasi teknik atau algoritma yang paling sesuai untuk memecahkan masalah yang dihadapi. Tujuan utamanya untuk merancang pendekatan analisis yang tepat.
4. Membangun Model
Tahap selanjutnya yaitu membangun dataset untuk kebutuhan training, testing, dan modeling. Model yang digunakan pada tahap ini adalah model yang telah dirancang pada tahap sebelumnya sehingga sesuai dengan data yang ada. Langkah tersebut juga saat untuk menentukan apakah tools yang digunakan telah mencukupi untuk menjalankan model dan sesuai dengan data yang ada.
5. Mengomunikasikan Hasil
Setelah model dikembangkan, tim perlu melakukan kolaborasi dengan para pengambil keputusan untuk menentukan apakah hasil dari proyek sesuai atau tidak sesuai untuk memecahkan masalah yang sudah dipelajari.
Tim harus dapat mengidentifikasi temuan utama, hubungan dengan nilai bisnis, serta membangun narasi untuk menyampaikan temuan kepada stakeholders agar dapat dipahami dan digunakan.
6. Operasionalisasi
Tahap terakhir adalah operasionalisasi. Hal yang harus dilakukan yaitu menyampaikan laporan akhir, skrip kode, dan dokumen teknis. Selain itu, tim juga menjalankan pilot project agar solusi yang dikembangkan diintegrasikan ke dalam proses bisnis atau sistem yang ada serta mengimplementasikan model dalam proses produksi.
Daftar pustaka:
EMC Education Services. 2015. Data Science and Big Data Analytics. John Wiley & Sons, Inc., Indianapolis, Indiana.
Cek berita, artikel, dan konten yang lain di Google News
