Kuliah Tamu dengan Pak Gunawan Lumbanggao

Jul 23, 2024

Kuliah Tamu: Peran Data Scientist di Industri Keuangan

Pembukaan oleh Dosen

  • Sambutan kepada para mahasiswa yang rajin hadir.
  • Perkenalan singkat pengisi materi, Pak Gunawan Lumbanggao dari Home Credit Indonesia.
  • Pengenalan tentang pentingnya keahlian dalam data science dan data analytics di dunia kerja.

Pengantar oleh Pak Gunawan

  • Sesi informal untuk membuat suasana lebih santai.
  • Latar belakang: 5 tahun pengalaman di Home Credit Indonesia, menjadi Lead Data Scientist.
  • Sebelumnya pernah menjadi mobile developer.
  • Meraih gelar dari ITB, jurusan Elektro, tesis tentang Robotics.
  • Mengajak mahasiswa untuk connect di LinkedIn.
  • Demonstrasi proyek Wordle dengan statistik.

Apa itu Data Science?

  • Definisi: Alat untuk membantu dalam pengambilan keputusan.
  • Proses Keputusan: Menggunakan alur pikir dari SkcdCD.
    • Jika tidak ada data, gunakan data analytics.
    • Keputusan sedikit tapi penting, gunakan statistik.
    • Keputusan berulang kali, gunakan machine learning.

Machine Learning vs Statistik vs Data Analytics

  • Statistik: Digunakan untuk sedikit keputusan atau ketika ketidakpastian tidak penting.
  • Machine Learning: Digunakan untuk mengotomatisasi keputusan berulang kali, contohnya credit scoring.
  • Data Analytics: Untuk memahami data yang diperlukan, contohnya memahami flow dari aplikasi form.

Pitfall dalam Analytics

  • Contoh Visualisasi Salah: Tanpa label sumbu, bisa menyebabkan misinterpretasi data.
  • Correlation != Causation: Observational study hanya menunjukkan indikasi, tidak bisa menunjukkan sebab-akibat langsung.
  • Garbage in, Garbage Out: Data yang masuk harus bersih dan relevan untuk output yang baik.

Tipe-tipe Data Analytics

  • Descriptive: Apa yang terjadi di masa lalu; measure of frequency, central limit, dispersion, position.
  • Diagnostic: Mengidentifikasi penyebab masalah, contoh issue tree.
  • Predictive: Memprediksi kejadian di masa depan berdasarkan tren data masa lalu.
  • Prescriptive: Membuat keputusan berdasarkan prediksi, contohnya cut-off analysis dalam credit scoring.

Workflow Dalam Data Analytics

  • Business Understanding: Mengerti tujuan bisnis dan membuat criteria sukses yang jelas.
  • Data Understanding: Mengetahui proses bisnis yang diterjemahkan ke dalam database.
  • Data Preparation: Melakukan sanity checking, simple aggregasi, cross-checking dengan previous reports.
  • Modeling: Membentuk model baik untuk analisis atau prediksi.
  • Evaluation: Menginterpretasikan hasil ke stakeholder, tanya feedback dan lakukan iterasi.

Tools in Data Analytics

  • Infrastructure: RDBMS (Oracle), Big Data (Spark/PySpark), Cloud (AWS, GCP).
  • Visualization Tools: Tableau, Excel, Power BI.
  • Analytical Software: Python, SPSS, R.
  • Cloud Services: Azure, Google Cloud Platform, AWS.

Contoh Kasus: Credit Scoring

  • Objective: Transisi dari credit expert base ke automated scorecard system untuk meningkatkan efisiensi dan akurasi.
  • Solution: Predictive analytics dengan model statistik dan algoritma machine learning.
  • Implementation: Simple modeling dengan dua parameter (age and years employed).

Kesimpulan

  • Key Takeaways: Optimalkan speed and mastery of business knowledge; fail quickly, iterate fast.
  • Quote: “The analytics game is all about optimizing inspiration per minute” – Casey Kozirkov.

Q&A dan Informasi Magang

  • Kesempatan Magang: Di Home Credit melalui program Kampus Merdeka dengan berbagai posisi yang bisa dimanfaatkan oleh mahasiswa.
  • Proses Rekrutmen: Melalui HR dan user interview, program berlangsung selama 4,5 bulan.

Evaluasi Mahasiswa Diminta: Untuk memberikan feedback pada sesi evaluasi.

Akhir Sesi