Transcript for:
Ringkasan Data Analytics

Selamat datang di Revo U Mini Course Data Analytics di hari kedua nih. Gimana teman-teman kabarnya malam hari ini? Apakah masih semangat ya? Buat teman-teman yang masih semangat, boleh tinggalin emoji fire di live chat ya, supaya aku tahu nih kalau teman-teman udah pada standby dan juga udah semangat nih untuk mengikuti Revo U Mini Course di hari kedua ini. Aku tungguin ya teman-teman di live chat Boleh kasih emoji fire Thank you buat teman-teman yang sudah merespon Buat teman-teman yang belum tinggalin emoji Ayo tinggalin emoji-nya ya Kita ramaikan live chat malam hari ini Supaya semuanya juga makin semangat Nah sambil nungguin teman-teman yang lain untuk meninggalkan emoji-nya di live chat Aku mau infoin dulu tentang agenda malam hari ini jadi malam hari ini di hari kedua kita akan ada sesi lecture tentang data analytics in business, jadi nanti kita akan mengetahui lebih dalam ya terkait data analytics dan juga memahami tentang perbedaan step dari data analisis, jadi malam hari ini materinya bakalan jauh lebih padat ya teman-teman, jadi siapkan catatannya supaya teman-teman tidak lupa gitu ya tentang informasi-informasi dan juga insight-insight penting yang nanti akan dibagikan sama pembicara kita. Lalu nanti juga bakalan ada informasi tentang tugas ya di akhir. Jadi teman-teman jangan sampai ketinggalan info. Harap stay tune juga sampai akhir karena nanti aku akan menginfokan kembali mengenai tugas dan juga gimana caranya mendapatkan e-certificate. Lalu nanti kita juga bakalan ada Q&A session. Jadi buat teman-teman yang punya pertanyaan. Boleh tulis langsung pertanyaannya di live chat YouTube. Nanti tim kita akan memilihkan pertanyaan yang relevan dan juga sifatnya frequently asked question ya. Atau bisa menjawab pertanyaan teman-teman lainnya juga yang mungkin dipertanyakan sama teman-teman lain juga. Karena sesinya terbatas ya teman-teman waktunya. Jadi kita mau mohon maaf dulu kalau nantinya misalkan nggak bisa ngejawab semua pertanyaan yang ada. Tapi kita harap. bisa memilih pertanyaan-pertanyaan yang bisa bermanfaat dan menjadi insight juga ya di sesi malam hari ini. Oke, kalau begitu mungkin without further ado, kita langsung masuk aja ke lecture kita tentang data analytics in business ya. Bersama pembicara kita yang teman-teman udah kenalan kemarin ya, kita bakalan ditemenin sama Kak Vanessa lagi. Teman-teman nanti bakalan... Dapetin ilmu yang lebih banyak lagi nih dari Kak Vanessa dibanding hari kemarin. Dan juga nanti untuk sesi Q&A-nya akan dimoderasikan oleh partnerku Cita juga ya, teman-teman. Dan juga mungkin sekarang kita langsung masuk aja ke sesi lecture kita bersama Kak Vanessa. Buat teman-teman, selamat menyimak. Dan buat Kak Vanessa, aku persilahkan. Oke, selamat malam teman-teman semua. Jadi hari ini kita akan bahas satu topik yang Menarik banget buat aku dan harapannya menarik banget buat teman-teman juga gitu ya. Yaitu kalau misalnya kita bicara soal data kita juga gak cuma ngomongin soal data nih. Tapi gimana sih penerapannya juga di dalam bisnis gitu ya. Dan apa aja yang akan digunakan segala macam kita akan bahas pada malam hari ini. Jadi apa aja yang akan kita bahas ini cukup banyak teman-teman gitu ya. Kita akan bahas mulai dari over... review secara singkat mengenai data analitik itu sendiri. Kita akan bahas sedikit soal database dan menyentuh sedikit gitu ya soal tipe analitik dan AI, kemudian metodologinya seperti apa kalau kita mau mengolah data, gimana kalau misalnya kita berhadapan dengan types of data, visualisasi, sampai ke tools dan juga topik yang sekarang lagi in banget nih teman-teman ya itu from engineering gitu ya. GPT dan lain sebagainya. Nah jadi kita akan Belajar teman-teman gitu ya, gimana sih sebetulnya analytics ini memang berkembang gitu ya, dan gimana caranya kita meng-approach sebuah problem gitu ya, juga dengan menggunakan analytics approach. Nah harapannya, supaya teman-teman yang belum ada gambaran nih tentang data analytics, dan menjadi data analis in general, teman-teman bisa dapat gambaran gitu ya, bahwa apa yang nanti aku akan paparkan gitu ya, Itu kurang lebih adalah apa yang akan teman-teman lakukan sebagai data analis gitu atau business analis in companies gitu ya supaya gimana caranya sih the idea of leveraging data gitu ya untuk kepentingan bisnis gitu karena penting banget nih apalagi di zaman sekarang dimana data yang diolah itu banyak banget gitu. Kurang lebih gitu teman-teman. Jadi kita akan mulai dengan yang sederhana dulu nih gitu ya. Jadi apa sih sebetulnya data itu sendiri gitu. Nah Teman-teman kalau dengar soal data, pasti sudah familiar banget lah ya dengan istilah ini. Tapi sebetulnya data itu sangat luas pengertiannya, teman-teman. Jadi data itu bisa berupa angka, mungkin yang selama ini kita seringkali pahami bahwa data itu biasanya berupa angka. Tapi sebetulnya data itu juga berupa image, contohnya foto itu bisa menjadi data. karakter, recording itu semua bisa jadi data karena data itu akan diambil, diolah untuk mendapatkan decision gitu ya atau keputusan terhadap sesuatu gitu. Jadi data itu sendiri misalnya teman-teman punya angka seribu gitu ya tanpa adanya konteks apapun gitu ya data itu tidak punya meaning apa-apa tidak punya arti gitu. Tapi ketika kita coba interpretasikan, kita kombinasikan dengan konteks misalnya seribu ini adalah Uang gitu ya, nah itu baru menjadi informasi. Nah ini yang memang kita perlu penting untuk kita bedakan ya teman-teman. Jadi data versus informasi gitu. Kalau aku punya angka gitu ya 1099 ini, itu angka itu adalah data gitu. Tapi ketika teman-teman memberikan konteks lebih gitu, contohnya ternyata angka ini dibicarakan gitu ya dalam konteks, Oh ternyata ini jumlah angka anak-anak gitu ya yang memang memiliki disabilitas, contohnya begitu. Itu adalah informasi. Jadi dengan kita memberikan konteks terhadap data ini, maka ini menjadi informasi, teman-teman. Dan gimana nih terus dari informasi ini kita bisa transformasi lagi nih, jadi sesuatu yang lebih penting lagi. Jadi apa yang sebetulnya tadi, misalnya tadi contohnya data gitu ya, kemudian jadi informasi. Ketika kita mengolah suatu data, maka data ini dengan istilah yang kita kenal dengan nama data analytics, adalah satu seni untuk mengekstraksi pola, mengekstraksi tren, sehingga kita bisa mendapatkan informasi tadi. Jadi tadi data yang memang mungkin bentuknya angka semua, tapi kita harus menarik kesimpulan. jadi proses untuk mengubah dari data-data tersebut jadi satu kesimpulan, itu adalah sains untuk ekstrakting itu namanya adalah data analytics. Jadi, approach-nya banyak, dimensinya banyak, tekniknya banyak, tapi ujung-ujungnya adalah gimana caranya kita bisa mendapatkan pola, mendapatkan tren tersebut, sehingga ini bisa digunakan untuk mengambil keputusan di dalam bisnis, supaya pada akhirnya kita mengambil keputusan tidak berdasarkan feeling, tapi berdasarkan data. Nah, itu yang sebetulnya jadi penting banget teman-teman gitu ya di dalam kenapa kita harus tahu dan kenal data analytics itu sendiri. Jadi, penerapannya luas banget teman-teman mau kerja di bidang apapun pasti menyentuh ini gitu ya. Karena mau di bidang apapun sekarang perlu banget untuk kita paham sekali dan juga mengolah mengambil keputusan dengan menggunakan data. Gitu teman-teman, jadi penting banget karena membantu kita dalam decision making dalam bisnis gitu ya. Jadi apalagi ketika di dalam bisnis pasti penting sekali untuk meningkatkan efisiensi gitu ya. Operasional jadi lebih mudah contohnya, kemudian dengan adanya data tersebut bisa kita pada akhirnya lebih menaikkan profit, menaikkan revenue. Ujung-ujungnya itu dan itu bisa kita lakukan dengan pengolahan data, jadi mengambil keputusan dengan menggunakan data. Nah di zaman sekarang teman-teman kita kenal dengan istilah yang namanya big data. Jadi, big data ini mungkin sudah dikenal. Sebetulnya pas ini perkembangannya cepat sekali. Dan sebetulnya kalau misalnya kita ngomongin soal mungkin kenapa sih dulu nggak ada jurusan yang misalnya soal data analytics atau apa. Karena memang ini disiplin ilmu yang bisa dibilang sebetulnya sudah. dari dulu gitu ya, tapi berkembang menjadi big data ini memang belum terlalu lama lah gitu. Jadi sejak tahun 2010 ke atas gitu ya, baru ketika kita mengenal ada Google dan lain sebagainya, baru kemudian makin berkembang, apalagi sekarang ada AI gitu ya. Jadi ini menjadi semakin lama semakin banyak gitu. Jadi datasetnya besar sekali gitu ya, di dalam satu menit ini teman-teman bisa perhatikan betapa banyaknya data yang kita peroleh dan kita lihat setiap halnya dan aku yakin ini datanya bertambah as we speak gitu ya. Dan untuk itu kita perlu melihat bahwa big data ini adalah bagian dari keseharian kita sekarang. Dan ini adalah beberapa pembeda, apa sih sebetulnya yang dimaksud dengan big data? Big data itu berarti dari sisi volume, amount-nya atau jumlahnya itu besar sekali. Dari sisi velocity juga kecepatan untuk pengambilan datanya itu cepat sekali. Jadi teman-teman bayangkan kalau teman-teman lagi buka satu aplikasi, gitu ya, kebetulan aku juga Sebelumnya juga kerja di beberapa application gitu ya, dan juga kalau misalnya teman-teman buka super app gitu ya, itu akan langsung menarik semua data teman-teman. Oh, si A gitu ya buka aplikasi B gitu ya di jam 5 sore, dan dia lagi ada di Jakarta nih gitu. Itu langsung ketangkep, dan kamu bayangkan berapa banyak sih orang yang buka aplikasi tersebut dalam waktu yang sama, dan berapa banyak informasi yang diterima pada saat itu juga. Jadi teman-teman akan langsung datanya itu akan langsung masuk gitu ya Dan bayangkan varietanya juga beda-beda gitu Ada yang berupa data lokasi Ada yang berupa data oh teman-teman gak klik apa dulu nih di dalam aplikasi tersebut gitu ya Teman-teman pesan makanan dan lain sebagainya Jadi banyak banget varietas dan juga variability gitu ya Dan akhirnya quality of datanya juga beda Jadi pada akhirnya teman-teman kita berhadapan dengan era big data Dan di sini penting banget untuk kita juga mengenal gitu ya gimana sih sebetulnya apa namanya pada akhirnya ketika kita tahu gitu ya era ini semakin banyak nih big data gitu ya, semakin banyak data yang perlu diolah. Inilah yang menandakan juga kenapa sih memiliki kemampuan atau keahlian atau skill di bidang data itu jadi sangat penting gitu. Jadi kalau teman-teman mau kerja di bidang apapun gitu ya. anggapannya data analis, kemampuan menganalisis data itu jadi seolah-olah mandatori gitu ya. Sesuatu yang mungkin kalau misalnya di zaman dulu gitu ya enggak gitu ya, tapi sekarang itu jadi sesuatu yang penting untuk teman-teman semua ketahui. Jadi mau teman-teman sekarang kerjanya di background apapun, kalau mau karir switch ataupun meningkatkan karir, ini adalah menurutku satu bidang yang sangat versatile gitu ya. akan terus berkembang ke depannya, karena dengan berkembangnya teknologi, data itu gak akan semakin sedikit, teman-teman, justru akan semakin banyak. Jadi kita juga harus mampu, ini yang jadi penting banget, salah satunya adalah value. Gimana sih sebetulnya, gak cuma sekedar big, tapi gimana sih kita bisa turn that into something yang valuable. Jadi gimana caranya teman-teman bisa melakukan itu, kita perlu pahamin juga gimana sih. kita bisa memproses data supaya data ini bisa kita konsumsi dalam insight. Tadi aku sudah mention data on its own, ya angka, data. Tapi apa sih sebetulnya manfaat dari data itu sendiri? Nah, itu hanya bisa diperoleh ketika kita olah, kita analisis, kita olah. Nah, jadi teman-teman lihat di sini ada beberapa, jadi kalau misalnya di sini dari big data, perlu ada pengolahan sampai akhirnya data itu bisa kita dapatkan insight gitu. Perlu ada bantuan dari teman-teman, biasanya ini di data engineering nih, gitu ya. Ngurusin data warehouse, data management, data storage, seperti itu. Jadi, ini adalah ranah, biasanya ada ranah data architect atau data engineering. Kemudian ketika kita ngomongin soal prepare for analytics dan analytics sampai insights, kita ngomongin soal ranah data analis, gitu. Dan data scientist. Jadi pada akhirnya teman-teman Data pun gitu ya banyak role yang terlibat di dalamnya. Biasanya yang semakin teknis kita bilangnya adalah data engineering atau data architect. Yang semakin dekat ke bisnis kita bilangnya adalah data analis seperti itu. Jadi teman-teman perlu ketahuin gitu ya bahwa ini ada pengolahan data yang perlu dilakukan. Dan kalau misalnya contoh gitu ya kita ngambil contoh salah satu aplikasi misalnya Tokopedia gitu ya. Nah, ketika kita ngambil, kita bertransaksi contohnya, kita browsing, kita bertransaksi, pastinya ada data yang diambil, data transaksional yang memang diolah oleh teman-teman di data warehouse atau gudang data yang kita akan bahas juga apa sih maksudnya gitu ya. Dan sampai mereka kalau misalnya mau mengolah, contohnya berarti apa aja nih, Menjawab pertanyaan bisnis seperti Misalnya kita mau menjawab berapa banyak transaksi yang terjadi dalam sehari gitu ya dan transaksinya jenisnya apa aja. Nah itu perlu dilakukan analisis karena itulah role dimana Data analis gitu ya, mengolah itu supaya bisa di present ke business user dan management melalui data analisis dan visualisasi. Jadi teman-teman sumber data itu banyak banget gitu ya. Yang dilakukan oleh company-company ini adalah mengambil data tersebut dari berbagai sumber. Salah satunya dari kalau yang punya aplikasi berarti dari aplikasi mereka sendiri. Dan data tersebut harus diolah sampai kita bisa mendapatkan keputusan bisnis gitu. Nah, teman-teman, sebenarnya kalau secara tradisional, kita bagi analitik ini jadi empat tipe. Berdasarkan kompleksitas dan berdasarkan value yang bisa kita dapatkan. Jadi, kita mau coba lihat dari sisi ini sebetulnya apa sih yang membedakan satu dengan yang lain. Kalau kita mulai dari yang paling sederhana dulu, teman-teman, kita mulai dari ada empat jenis yaitu descriptive, diagnostic, predictive, dan juga ada yang sifatnya prescriptive. Yang di sini paling kompleks dan tapi memberikan value paling besar. Kita coba olah satu-satu gitu ya teman-teman. Nah kalau dari deskriptif sendiri, sebetulnya deskriptif analytics itu apa? Itu sebetulnya didesain untuk kita tahu nih, kita udah punya datanya, kemudian kita mau memberikan report terhadap data tersebut. Contohnya, misalnya kita punya... laporan keuangan gitu ya. Kita tahu udah punya datanya selama beberapa bulan terakhir, kemudian manajemen mau tahu nih apa sih sebetulnya summary-nya gitu ya dari data tersebut. Nah, untuk itu biasanya contohnya company report gitu ya. Kita reporting terhadap apa nih yang terjadi 3 bulan kebelakang contohnya. Nah, itu adalah descriptive analytics. Kita pakai data agregasinya ya misalnya average-nya gitu ya, sum-nya itu kita pakai dan tools-tools yang sederhana seperti Excel biasanya kita gunakan juga untuk descriptive analytics ini. Jadi tentunya kompleksitasnya dan juga tapi value yang didapatkan juga yang paling sederhana gitu. Karena kita mengandalkan data yang memang sebetulnya sih sudah ada, bisa dibilang begitu ya, data yang sudah ada di masa lampau. Seperti itu teman-teman. Nah, kemudian kita move ke... tipe yang kedua yaitu diagnostik. Biasanya setelah teman-teman bikin report, teman-teman mengolah data tersebut, pasti ada masa-masa di mana teman-teman jadi mempertanyakan, kok ketika saya melakukan analisis ini ada sesuatu yang ganjil? Contohnya ternyata setelah bikin grafik, teman-teman misalnya dari data tersebut dibikin grafik, terus ternyata memang ada sesuatu yang aneh. Entah grafiknya tiba-tiba ada yang... Trend yang naik, trend yang turun, gitu ya. Nah, pada akhirnya teman-teman olah lagi nih, gitu ya. Teman-teman cari tahu juga lagi kenapa, teman-teman ambil data lain. Nah, ini yang dilakukan ketika teman-teman melakukan diagnostik analisis. Biasanya bisnis analis di company, gitu ya, itu perlu untuk melakukan ini, gitu. Karena memang tujuannya adalah untuk mendapatkan sebuah informasi, gitu ya, tentang why-nya, gitu. Kenapa sih ini bisa terjadi, gitu. Contohnya Pada penurunan sales di bulan Maret, kenapa sih bisa ini terjadi? Kita ambil dari data marketing contohnya, kita ambil dari data sales, kita coba untuk kombinasikan insight-nya sampai kita dapat sesuatu. Jadi kita bilang ada perlu untuk discovery dan juga drill down, kita mau mencari korelasi antara satu data dengan yang lain. Jadi kita mau cari tahu root cause dari masalah ini apa. Ini sering juga kita lakukan. Dan ini levelnya lebih tinggi, teman-teman, karena lebih kompleks, tapi value yang kita dapat juga bisa lebih banyak. Nah, yang kita kenal juga ketika kita ngobrolin soal predictive analytics, yang ketiga, yaitu kita bisa menganalisis dari data untuk bisa memprediksi kira-kira akan seperti apa. Nah, ini bisa dibilang membuat model. membuat sebuah model dan ini biasanya melibatkan tools-tools seperti Python, R, jadi melibatkan juga machine learning algorithm. Jadi contohnya kalau misalnya ada post di social media, kita analisis sentimennya, kira-kira seperti apa, atau mengidentifikasi forecasting sesuatu. Jadi berdasarkan apa yang memang sudah pernah terjadi juga, kita bisa bikin model untuk memprediksi kira-kira akan apa nih. yang terjadi kayak gitu. Jadi lebih kompleks pastinya dan juga value yang didapat semakin tinggi, gitu. Jadi ini predictive analytics, teman-teman. Dan yang terakhir adalah contohnya prescriptive analytics. Jadi prescriptive ini lebih canggih lagi karena dia bisa kalau tadi memprediksi, ini sampai memberikan solusi. Jadi berdasarkan kalau misalnya jadinya A, maka yang harus dilakukan adalah B, gitu. Jadi ada relasi itu, gitu kan, ya. Jadi ada feedback yang diberikan, dan suggestion. yang diberikan terhadap suatu yang diprediksi. Oh, ternyata forecast-nya gudanya nggak muat di bulan ini. Sehingga dia harus memberikan seolah-olah, memberikan kalau gitu perlu ada penempatan barang yang dipindah dan lain sebagainya. Itu contoh penerapan kalau di bidang operasional. Jadi, dia bisa merekomendasikan sesuatu dan juga misalnya untuk campaign tertentu di marketing contohnya. Jadi Ada feedback yang diberikan dan ini biasanya kalau misalnya kita ngobrolin soal analytics ini level tertingginya dari sisi kompleksitas dan juga value yang diberikan. Nah tentunya teman-teman ketika kita ngomongin soal prescriptive analytics ini salah satu hal yang pastinya kita pikirkan juga dan sekarang lagi berkembang banget adalah soal AI. Teman-teman pasti udah pernah dengar lah ya by now soal AI gitu kan. Gimana caranya sih kita menggunakan computer science applications with math gitu ya. Untuk gimana caranya ini bisa mengimitasi logic of human gitu ya. Makanya dibilang artificial intelligence. Karena dia bisa ibaratnya melakukan decision making seperti orang gitu kan. Itu yang kita kenal dengan istilah AI gitu. Jadi machine gitu ya ibaratnya bisa melakukan. logical reasoning, learning, bahkan memperbaiki dirinya sendiri, yang biasanya itu harus dilakukan oleh manusia. Tapi sekarang mereka bisa memperbaiki dirinya sendiri. Jadi dia adaptif melalui, ibaratnya kita bilang AI ini harus di-training. Di-training seperti manusia saja, ketika dia di-training, dia bisa memperbaiki algoritmanya sendiri. Nah, tapi memang kalau misalnya kita lihat secara... versus tadi ya soal preskriptif gitu. Bedanya memang kalau misalnya AI ini, prediktif dan preskriptif itu bagus gitu ya ketika kita bikin prediksi gitu kan. Tapi mungkin kalau misalnya terkait apakah dia bisa memperbaiki lagi gitu ya modelnya, nah ini yang dibilang itu next-nya adalah AI gitu ya. Bahwa dia bisa bahkan memperbaiki assumption-nya sendiri untuk pada akhirnya bisa menghandle... problem yang lebih dan lebih lagi dengan banyaknya data yang masuk. Makanya teman-teman sebenarnya ketika kita pakai chat GPT dan yang lain gitu ya, mungkin terus Google Bar dan lain sebagainya, sebenarnya dengan kita menanyakan pertanyaan kepada mereka gitu ya, teman-teman memberikan semakin banyak-semakin banyak data sehingga sebetulnya itu yang jadi fit gitu ya untuk mempercepat juga pembelajarannya sehingga language model ini gitu ya bisa semakin mahal semakin baik gitu. Jadi ujung-ujungnya... kita juga punya peran dan juga gimana caranya kita juga bisa meng-utilize AI ini dan juga mungkin dengan tools-tools yang ada sekarang terutama gimana caranya kita bisa menggunakan ini juga untuk me-leverage kita untuk kerja. Karena pada akhirnya ada hal-hal yang kalau teman-teman sudah pernah coba chat GPT teman-teman bisa tanya apapun ya ke GPT dan dia akan jawab. Dan di situ sebetulnya teman-teman bisa gunakan sekali untuk tools-tools tersebut untuk meningkatkan productivity. Kita akan bahas nanti gitu ya di dalam pembahasan ini juga. Tapi kurang lebih gitu teman-teman. Aku pengen bukain bahwa analytics itu gak sekedar ada yang sederhana. Ada yang memang kalau misalnya kita ngomongin soal advanced analytics itu bisa sampai ke machine learning dan juga AI. Oke, teman-teman kita balik lagi ke... Apa namanya kalau misalnya kita ngomongin soal data analytics ya teman-teman. Kita akan ke sini dulu gitu ya sebelum kita akan masuk lagi ke tools dan lain sebagainya. Sebelum kita masuk lebih dalam lagi teman-teman perlu pahami dulu konsep yang namanya database gitu. Database itu sebetulnya adalah sesederhana kumpulan data gitu yang kita kelola dan ini digunakan gitu ya supaya pengguna bisa mudah gitu ya dalam mencari informasi, menyimpan informasi. Jadi sistem ini mengumpulkan, jadi kumpulan dari table, kumpulan dari... File gitu ya yang memang kita gunakan gitu ya untuk pada akhirnya nanti kalau misalnya kita perlu kita tarik datanya gitu. Tapi ini kita kumpulin dulu nih di dalam satu gitu. Nah, ketika kita ngomongin lebih lanjut lagi data warehousing gitu ya atau bisa dibilang gudang data gitu. Dia melakukan juga dia mengarsipkan berbagai banyak gitu ya data dari banyak source gitu database-database dari banyak source kumpulan gitu ya. Untuk pada akhirnya ketika kita mau menunjang analisis kita, ketika kita mau tarik data financial, ketika kita tarik data marketing, dan lain sebagainya, dengan sumber data yang tertata ini, kita bisa mendapatkan analisis yang terstruktur dan akurat. Jadi penting sekali untuk punya data warehouse ini, supaya akhirnya ketika kita mau tarik data dan mengambil keputusan, Tentunya ini sudah bisa dilakukan. Jadi penting untuk teman-teman juga ketahui konsep ini supaya kita lebih ke arah aware. Jadi mungkin kalau ranah ini lebih ke arah data engineering, data analis secara detailnya tidak melakukan hal ini, tapi ini adalah konsep dasarnya. Jadi akhirnya dari database, database kumpulan itu kita bisa ngambil tabel, ngambil kolom, dan kita bisa analisis. Nah, hubungan antar. database ini, biasanya antar-antar table, biasanya kita lakukan dengan menggunakan adanya PK atau primary key. Secara sederhana definisinya adalah itu sesuatu yang unik mengidentifikasi record di dalam table dan ini sesuatu yang contohnya kalau teman-teman kuliah, ada nomor induk mahasiswa. Nah nomor induk ini udah pasti beda. antara masalah satu dengan yang lain. Contohnya seperti itu. Mungkin nama bisa sama, teman-teman, tapi ID atau nomor induk itu nggak akan sama, itu contohnya. Atau misalnya kalau event, gitu ya, ketika teman-teman buka aplikasi sesuatu, biasanya mereka record yang namanya data event ID, gitu. Jadi itu nggak akan beda, nggak akan sama, sorry, nggak akan sama untuk setiap data yang ditarik. Jadi contohnya seperti itu. Jadi Perlu ada ini supaya bisa membedakan dan juga mengkoneksikan antara satu dengan yang lain. Sehingga kita bisa membentuk relational database, kita bisa membentuk ERD. Oke, nah teman-teman setelah kita pahamin ini, sehingga penting untuk kita juga tahu bahwa ketika kita mau mengolah data, jadi setelah tadi data warehousing, sekarang datanya sudah rapi, sudah ter-structure, kita tahu primary key-nya apa. Sekarang baru kita bisa melakukan analisis, data analis. Memang pada akhirnya data analitik ini ada cycle-nya itu sendiri. Jadi kita memang menggunakan data analitik ini kan ujung-ujungnya untuk memberikan insight kepada bisnis. Jadi kita mulai dulu dari mendiscover datanya sampai akhirnya kita bisa mereport kepada manajemen, kepada teman-teman yang memang membutuhkan di dalam company. Jadi ada proses atau cycle yang memang kita harus lewati gitu ya. Dan ini primarily yang memang dilakukan sama data analis gitu teman-teman. Jadi secara sederhana prosesnya gimana? Kita harus mulai dulu teman-teman dari mengidentifikasi dulu masalah bisnisnya itu seperti apa. Nah, jadi teman-teman kalau misalnya kita ngomongin soal proses gitu ya, pastinya aku mau tekanin ini bukan proses yang linear gitu ya. Jadi dalam arti ketika kita melakukan analisis gitu ya. Pertama kita pasti harus mulai dulu dari business question-nya, kita dapetin datanya, kemudian sampai kita prepare, kita bersihkan datanya, kita analisis, kita dapat findings-nya, ada kalanya ketika kita merasa bahwa kayaknya ada yang kurang deh. Kemudian kita balik lagi ke proses ini, ke misalnya understanding lagi business question-nya apa, atau getting data lagi gitu. Jadi ini bukan proses yang linear. Tapi secara general ini adalah process yang harus dilawati untuk pada akhirnya kita sampai dapat ke insight, mendapatkan business insight atau kesimpulan. Nah, kita akan go through satu-satu, teman-teman, supaya clear dari masing-masing prosesnya. Jadi kalau ditanya, harus mulai dari mana ya ketika kita mau mendapatkan jawaban terhadap sebuah masalah dengan menggunakan data? Nah, pasti tentunya pertama mulai dulu dari business question-nya dulu, teman-teman. Kita harus ngerti dulu, sebetulnya dalam melakukan analisis, apa sih yang mau kita jawab? kita mau menjawab pertanyaan seperti apa. Karena pada akhirnya, teman-teman, ini jadi penting banget nih. Business question itu sebetulnya kita bisa bilang itu semua data question. Itu perihal kita punya nggak datanya, kita bisa jawab dengan cara data, baru kita dapetin business answer-nya. Jadi, mungkin banyak perusahaan yang sebelumnya banyak mengambil keputusan dengan menggunakan feeling atau experience atau pengalaman. Tapi pada akhirnya bahayanya adalah karena kita enggak tahu nih trendnya apakah sudah berubah gitu ya. Kalau misalnya kita mengikuti hanya dari situ gitu. Jadi penting banget untuk kita bisa men-translate business question jadi data question. Ya itulah yang dilakukan oleh seorang data analis. Dia dapatkan data answer dan dia bisa translate itu menjadi business answer. Seperti itu. Jadi ini secara bisa dibilang gitu ya adalah sebuah Apa namanya kalau misalnya dibilang role-nya data analyst itu apa ya? Ini, men-translate business question jadi business answer dengan menggunakan data. Contoh, misalnya manajemen pengen tahu kenapa, tadi ya, kenapa sih sales itu menurun selama 3 bulan terakhir. Itu business question-nya kan ya, teman-teman. Ada waktu, time frame-nya, oke, 3 bulan terakhir, kemudian kita harus tahu juga datanya adalah, konteksnya adalah sales. Dan kemudian ada penurunan, sehingga ada sesuatu yang kita harus identifikasi yaitu data-datanya itu pertama apa-apa aja. Nah, ketika kita masuk ke dalam tahap kedua, baru ketika kita tahu dulu nih question-nya apa, jelas gitu ya. Jadi, kita nggak bisa nih dapetin pertanyaan bisnis yang tidak jelas gitu ya, dalam arti tidak ada time frame-nya, contohnya. Nah itu kan sulit ya teman-teman. Jadi teman-teman juga harus melakukan pembatasan. Kita gak bisa dalam satu analisis kita harus pertama kali scoping dulu gitu untuk mendapatkan data yang sesuai dengan requirement-nya gitu. Jadi kalau misalnya teman-teman tadi punya data tersebut gitu ya abis itu kita dapetin dulu datanya kita dapetin data apa nih oh kita perlu dapet data sales gitu ya. Kita perlu dapet sales-nya secara daily atau weekly atau monthly gitu ya. Kita perlu dapetin data tersebut. Dari sana gimana nih cara dapat datanya. Kita ada yang memang bisnis yang memperbolehkan langsung tarik datanya, ada yang harus request dulu ke tim lain contohnya, tapi kita harus define dulu apa sih sebetulnya yang kita perlukan untuk menganalisis. Nah, dalam mendapatkan data ini kita perlu tahu bahwa ada klasifikasinya nih ya teman-teman terkait data, types of data. Ada yang kuantitatif, ada yang kualitatif. Biasanya memang kalau misalnya di company, kita cari data yang kuantitatif. Sesuatu yang bisa diukur, ya itu secara spesifik dan terstructure, secara numerik biasanya, itu dibilangnya kuantitatif. Ada yang diskret, jadi memang kita nggak bisa pecah-pecah. Contohnya barang, stoknya 1, 2, 3, nggak ada stoknya 3,5. Tapi ada juga yang sifatnya kontinuus, contohnya berat. Itu ada koma-koma nya itu boleh ada. Atau kalau misalnya interval jam 1 sampai jam 2, jam 2 sampai jam 3 itu kontinuas. Tapi kalau kualitatif ini sesuatu yang biasanya kita konfirmasi data secara kualitatif yang kita tanyakan ke tim-tim lain misalnya. Atau sesuatu yang sifatnya kategorisasi itu bisa berupa hal yang seperti itu. Jadi ada data yang kualitatif ada data yang kualitatif. Jadi kita perlu tahu ketika kita mau melakukan analisis, kita mau dapat data kualitatifnya apa, apakah kita juga perlu bisa dapetin data yang kualitatif, dan bahkan kualitatif ini sifatnya juga bisa berupa contohnya interview ke tim-tim terkait dan lain sebagainya. Jadi datanya sifatnya tidak terstructure gitu ya, tapi kita bisa mendapatkan informasi tambahan juga biasanya dari sana, seperti itu teman-teman. Setelah data itu kita dapatkan, maka kita harus melakukan eksplorasi. Kita work dengan data yang mungkin sudah terstructure, ada juga yang tidak terstructure. Kita harus melakukan transformasi data dulu. Kita bersihkan datanya. Kalau teman-teman tahu istilah ini, ini sangat-sangat umum di bidang data, yaitu garbage in dan garbage out. Jadi kita percaya Kalau misalnya data yang masuk ini emang udah berantakan, datanya kotor, ujung-ujungnya ketika keluar, pasti datanya juga... Nggak menghasilkan analisis yang baik. Pasti kesimpulannya juga tidak tepat. Jadi penting sekali kenapa tahap preparation atau data cleaning ini karena memang kita pengen hasilnya yang terbaik. Kita pengen dapat kesimpulan yang benar, yang memang akurat untuk bisnis. Bukan kesimpulan yang salah. Karena data yang kotor bisa menghasilkan kesimpulan yang salah dan banyak sekali kerugian di bisnis yang ditimbulkan hanya karena hal ini terjadi, gitu ya, teman-teman. Jadi ini penting sekali untuk kita perhatikan. Nah, salah satu contohnya untuk melakukan itu, gitu ya, kita bisa lihat contohnya di sini ada outlier, gitu ya. Kita bisa melakukan basic statistical parameters juga untuk membuang data yang memang kurang relevan atau misalnya terlalu jauh, gitu ya, dari yang seharusnya. Sehingga kita juga bisa menerapkan ini untuk cleaning-cleaning data. biasanya gitu. Jadi memang yang terlalu standar deviasinya sudah terlalu tinggi, kita remove datanya gitu. Jadi kita menggunakan atau kita menarik hanya data-data yang memang relevan, contohnya ada data-data yang kosong, kita juga biasanya kita fill gitu ya supaya tidak mempengaruhi hasil akhir dari si analisis yang kita lakukan. Jadi Ini mungkin bisa dibilang kayak tahapannya panjang, iya, tapi worth it untuk kita lakukan sebelum kita melakukan tahapan yang selanjutnya yaitu menganalisis data. Jadi kita analisis datanya, kita sambil lihat apa yang memang kita bisa lakukan dengan data tersebut. Contohnya apakah memang analisis itu kita bisa lakukan untuk korelasi, gitu ya. Contohnya kenapa tadi salesnya turun? Kita coba lihat korelasi antara. data sales gitu ya dengan mungkin leads dari marketing yang memang didapatkan dari campaign-campaign tertentu contohnya gitu. Atau mungkin ada variable-variable lain yang menentukan gitu ya. Jadi kita coba untuk melakukan analisis gitu ya, korelasi, apakah memang ada korelasi yang positif dari satu dengan yang lain, itu kita bisa lakukan gitu ya teman-teman. Misalnya pemberian diskon, apakah memang ngaruh terhadap sales, seperti itu. Jadi ada hal-hal yang memang apakah variable itu mempengaruhi kenaikan atau penurunan sehingga kita bisa menyimpulkan sesuatu gitu dari sini. Atau pengelompokan gitu ya, ada sales di daerah tertentu yang ternyata memang turun, ada sales di daerah lain yang ternyata naik gitu ya. Setelah kita kelompokan, kita clustering, memang itu ternyata tidak semua nih gitu ya, datanya tidak umum. Ada memang daerah tertentu yang lebih merah dari yang lain, contohnya seperti itu. Jadi kita grup berdasarkan similarity gitu ya. Misalnya range dari si sales itu sendiri di daerah itu, itu kita bisa pisahkan. Nah, jadi analisis-analisis ini kita tentukan berdasarkan pertanyaan bisnis tadi gitu. Jadi tentunya kalau misalnya tidak relevan dengan ini, kita misalnya kita enggak punya data lokasi gitu ya, atau kita enggak punya kategorisasi tertentu, ya tentunya enggak bisa menggunakan analisis tipe ini gitu. Jadi kita juga perlu tahu mana yang harus kita ambil Kita tahu, tadi kita mengeksplore data, kadang kita tidak tahu juga ketika kita dapat suatu data harus mulai dari mana. Makanya perlu sekali untuk kita biasanya mengeksplore dulu atau kita sebutin EDA untuk tahu gimana sih sebetulnya data itu. Sampai kita tentukan, oh ini analisis yang terbaik untuk men-summarize data tersebut sampai dapetin insight. Nah, hati-hati teman-teman terhadap yang namanya bias. Jadi bias Sebetulnya secara mudahnya gitu adalah bahwa kita kadang tuh sebagai manusia gitu ya punya kecenderungan. Kecenderungan untuk makanya mungkin manusia kalau misalnya ngomongin AI harus AI tidak ada bias tapi nggak juga gitu ya. AI juga punya bias tergantung data yang memang jadi training seperti apa. Contohnya kita udah tahu gitu ya bahwa kalau misalnya dari pengalaman kita sendiri nih Pasti kalau misalnya kita memilih satu keputusan, pasti A yang benar. Tapi ketika data kita-kita analisis, ternyata dia menghasilkan B. Mungkin ada kecenderungan untuk kita juga antara mendelete satu data point atau apa yang memang pada akhirnya supaya kesimpulannya jadi A. Jadi, teman-teman, pasti manusia punya kecenderungan seperti itu. Tapi makanya kita harus tahu persis, makanya harus objektif. untuk menghindari hal-hal seperti ini. Supaya akhirnya hasil-hasilnya dari analisis yang kita lakukan itu yang memang objektif, tidak subjektif karena memang kita ibaratnya udah punya bias tertentu. Contoh lain, kalau misalnya kita mau menghitung average pendapatan orang-orang, saya contohnya di Amerika Serikat, kita average jadinya atau valuasinya Jeff Bezos, pastinya kan ada bias nih, karena memang dia misalnya mungkin ratusan kali lipat dari orang biasanya. Jadi itu yang harusnya kita buang nih sebagai outlier gitu ya. Outlier juga bisa mendapat, akhirnya menghasilkan bias gitu. Atau kita melakukan survei secara tidak sengaja, kita hanya mengambil very small sample yang tidak representatif, akhirnya ketika kita mengambil kesimpulan, sebetulnya tidak representatif terhadap whole population-nya gitu. Karena kita cuma mengambil sampel yang sangat-sangat kecil, itu selection bias contohnya begitu. Jadi itu teman-teman yang kita harus pahamin. Dan kita juga harus aware gitu ya terhadap ketika kita mau menganalisis data. Terakhir ketika kita sudah melakukan tadi analisis, akhirnya kita masuk ke visualisasi. Nah visualisasi ini penting banget teman-teman. Ujung-ujungnya kalau teman-teman lihat chart, apapun itu bar chart, line chart, itu adalah kita bilangnya itu adalah data visualisasi gitu ya. Dan kenapa sih data visualisasi ini sangat penting gitu ya? Sebenarnya sesederhana bahwa kita ini manusia adalah mahluk yang sangat visual. Jadi otak manusia itu memproses image atau gambar visual 60 ribu kali yang lebih cepat daripada teks. Jadi kalau teman-teman baca satu tabel versus teman-teman lihat satu grafik, teman-teman akan jauh lebih cepat menangkap maksudnya ada tren yang naik, ada tren yang turun, itu jauh lebih cepat dari... grafik dibandingkan teman-teman harus baca angkanya dan kemudian teman-teman harus interpretasikan jadi lebih mudah gitu ya untuk kita bisa mentransmit data tersebut di otak kita jadi banyak sebetulnya visualisasi yang tipe-tipenya ada gitu ya tapi memang kita biasanya pilih berdasarkan apa yang kita mau komunikasikan balik lagi, kalau mau mengkomunikasikan tentang apa, tentang tren gitu ya trend itu seperti apa, apakah memang trend itu terhadap waktu, misalnya kita bisa menggunakan line chart, apakah itu trend terhadap kategori, contohnya kita bisa menggunakan bar atau kolom chart. Jadi, beda-beda tergantung teman-teman mau ngomong apa sih lewat data ini. Jadi, salah satu hal yang memang perlu untuk diperhatikan data analis, supaya bisa sukses, teman-teman harus tahu dulu, kita mau ngomong apa, tadi untuk menjawab pertanyaan bisnisnya. Data yang memang harus diceritakan, ujung-ujungnya kita ini storyteller, data analis itu storyteller yang menceritakan satu cerita untuk menjawab pertanyaan bisnis dari data itu. Jadi perlu tahu efisiennya diceritakan dengan hal apa, dengan chart apa, dan juga ke audiens yang seperti apa. Ketika kita bicara ke audiens yang lebih operasional, tentunya pastinya butuh data yang lebih detail. Ketika kita ngobrol dengan manajemen tentunya mereka butuh data yang lebih sintetik, lebih summary. Jadi tergantung kebutuhannya kita biasanya pilih data visualisasi yang memang disesuaikan dengan seperti itu. Jadi banyak sekali tools-tools yang memang kita bisa lakukan dengan teknologi yang ada sekarang. Jadi, teman-teman bisa pakai banyak tools untuk bisa. melakukan analisis gitu. Bahkan dengan tools yang sekarang kita bisa skip beberapa part yang tadi gitu ya, misalnya exploratory kita bisa lakukan juga dengan langsung dengan tools-tools seperti ini yang memudahkan kita seperti itu. Nah, ketika kumpulan dari visualisasi ini kita taruh dalam satu gambaran gitu ya, kombinasi dari grafik, kombinasi dari visualisasi ini, inilah yang kita sebut sebagai dashboard. Jadi, biasanya kita bilangnya, dashboard ini membantu kita juga untuk terutama untuk yang manajemen ada juga tapi dashboard yang operasional gitu ya untuk secara visual ini kita bisa men-track kondisi bisnisnya seperti apa sih gitu secara ada yang secara real time atau mungkin harian ada juga yang mingguan gitu ya jadi kita perlu tahu audiencenya lagi-lagi siapa dan juga parameter atau matrix gitu ya sebuah bisnis yang harus dicapai itu apa Dan disitulah kita taruh visualisasi-visualisasi yang mempermudah kita untuk melihat apakah kita masih Bagus gak nih gitu ya ada di dalam track yang ini. Jadi itu yang kita untuk perlu perhatikan gitu. Itu namanya dashboard. Kalau teman-teman belum pernah dengar bisa juga untuk dicari gitu ya teman-teman. Karena ini penting banget juga untuk sebuah bisnis. Nah, habis ini aku juga akan share ke teman-teman beberapa tools yang memang sering dan juga skills mungkin ya bisa dibilang yang memang paling banyak gitu ya diperlukan untuk diketahui seorang data analis. Plus, ini juga sesuatu yang memang melihat dari sini, ini sesuatu yang diajarkan juga di Revoyu Data Analytics Program. Jadi, pertama yang sangat-sangat penting itu pastinya SQL. Jadi, kita menggunakan SQL untuk data analisis, ini standarnya. Kalau teman-teman jadi data analis harus bisa SQL. Ini language utama untuk relational database management, RDBMS. Kita pakai ini untuk exploring data, preparing data, dan juga sampai ke analisis data. Jadi, untuk menarik data, iya. Kalau misalnya teman-teman mau prepare, mau bersihin dulu datanya sebelum kita olah, itu juga iya. Jadi, penting untuk kita tahu banget dan pahamin tentang SQL, dan teman-teman bisa belajarin ini juga di kelas Data Analytics pasti. Kemudian, kalau misalnya untuk Sheets atau Excel, ini juga tentunya penting banget. Dan ini mungkin yang... Teman-teman sudah pernah sentuh gitu ya, tapi untuk bisa menganalisis sampai ke visualisasi data, memang ada keterbatasan-keterbatasan tentunya misalnya dari jumlah data yang bisa diolah gitu ya. Makanya kenapa SQL contohnya memang kita ngomongin soal data kita bisa mengolah jutaan gitu ya. Tapi mungkin kalau misalnya di Excel ada limitasi-limitasi terhadap Roro yang memang tidak bisa sebanyak itu, dan ujung-ujungnya gitu ya. untuk processingnya akan lambat sekali. Jadi, kita juga perlu memilih tools ini berdasarkan datanya sebesar apa sih yang mau kita olah, gitu ya. Sehingga kita ini biasanya meng-combine beberapa tools data ini untuk kita gunakan, gitu. Contohnya, kita cleaning dulu nih di SQL sampai kita dapetin data yang sintetik, baru kita pindahin, contohnya, ke sheet. Nah, itu juga. Jadi, kita kombinasi mainly berdasarkan apa. use case yang memang kita perlukan gitu. Kalau terlalu berat, kita perlu untuk mikirin cara-cara lain misalnya seperti itu. Terus kemudian Python gitu ya. General purpose programming language yang sebenarnya kalau temen-temen belajar di backend engineering juga akan belajar Python juga. As data analyst juga kita bisa bikin automation-automation data dengan menggunakan Python. Jadi visualisasi juga bisa dengan Python. Jadi banyak banget yang bisa di... Jadi, teman-teman kalau belajar Python sebenarnya benar-benar tidak ada ruginya. Karena banyak banget penerapannya bisa ke data science, bisa ke machine learning, ke AI, ke back-end development. Itu semua masuk. Jadi, language ini sangat versatile. Dan kalau di Revoyu kita akan belajar Python untuk data. Dan di sini bisa teman-teman gunakan untuk berbagai purpose di dalam pembelajarannya. Nah, yang terakhir juga ada common tools for data yang kalau misalnya teman-teman cari top visualization, itu salah satunya muncul pasti tablo. Jadi, data visualization tool yang kita juga bisa digunakan untuk EDA atau Exploratory Data Analysis itu. Jadi, teman-teman bisa menggunakan ini untuk quick prototyping juga untuk dashboard teman-teman contohnya. Karena dia untuk pengolahan datanya juga cukup cepat. Di luar ini masih banyak banget teman-teman ada Power BI. Ada juga Looker Studio dari Google. Jadi tools-tools ini banyak banget tapi konsepnya sama, teman-teman. Tinggal gimana teman-teman menyesuaikan diri aja dengan tools-tools yang ada based on biasanya kalau masuk ke dalam company, oh ada nih company yang memang pakai Power BI, ada company yang pakai Tableau, ada company yang pakai Looker dan lain sebagainya. Jadi, Qlik Sense dan lain-lain. Jadi, teman-teman biasanya menyesuaikan diri tapi the concept untuk pemilihan harusnya seperti apa, segala macam itu sama dan kita akan pelajari semuanya juga di dalam course data analytics dari Revoyu. Jadi, teman-teman jangan khawatir ini letak data analytics tools yang harus dipelajari dan ini semua sudah tercakup di Revoyu Data Analytics Program. Nah, sekarang aku mau nge-highlight teman-teman mungkin dengan adanya kondisi sekarang gitu ya, dengan kemajuan AI, dengan juga industri gitu ya yang mungkin banyak nih tag gitu ya yang memang perlu untuk apa ya, membatasi diri juga misalnya untuk dari si hiring dan lain sebagainya. Mungkin ada muncul kekhawatiran-kekhawatiran juga gitu ya dari teman-teman yang mungkin pengen career switch-nya atau pengen meningkatkan karir di bidang ini. Tapi aku pengen bilang gitu ya teman-teman dan juga melihat dari data yang updated juga gitu ya bahwa memang sebetulnya job openings in Indeta terutama terkait BI sampai AI itu Oh! masih berkembang 11% monthly dan 13% yearly. Jadi ini berdasarkan penelitian juga. Jadi teman-teman kalau misalnya melihat dari fakta ini juga, bahwa memang tadi yang aku bilang, ketika kita ngomongin soal data, tentunya dengan perkembangan teknologi ini tidak akan semakin dikit, adanya semakin banyak. Bedanya adalah mungkin dari sisi skill. Ada sesuatu yang evolving dengan adanya yang kita dengar sekarang-sekarang dengan menggunakan chat GPT dan lain-lain. Jadi, job landscape ini terus berkembang, tapi terus berkembang juga dengan skill yang harus kita miliki, from engineering contohnya. Jadi, kalau teman-teman belum pernah dengar, ini sebetulnya adalah gimana caranya sih kita bisa mengekstrak insight dari informasi yang begitu banyak untuk melakukan atau menggunakan itu untuk melakukan produktivitas kita supaya semakin tinggi. Jadi data analis secara tradisional memang kita bisa coding SQL, kita bisa menganalisis data, tapi ada approach from engineering yang lagi merevolutionize gimana kita, how we do our work. Tapi pertanyaannya adalah apakah ini competing? Sebetulnya enggak juga, teman-teman. Tapi justru ketika kita meleverage, kita jadi data analis yang bisa meleverage kapabilitas dari penggunaan. large language model seperti chat GPT, sekarang data analis itu bisa melakukan kompleks data analisis task gitu ya dengan jauh lebih cepat sehingga bisa mendapatkan lebih banyak insight dalam waktu yang lebih singkat. Jadi analisis ini tetap perlu gitu ya, peran data analisis itu perlu. Tapi gimana kita juga terus memperlengkapi diri gitu ya untuk bisa punya kemampuan menggunakan tools-tools ini, NLP ini, supaya kita juga bisa jadi data analis yang ngerti gitu ya, gimana caranya menggunakan ini supaya kita makin produktif dengan pekerjaan-pekerjaan kita. Jadi, sebetulnya kalau kita ngomongin definisi, ya sebetulnya bagaimana program engineering itu gimana menggunakan natural language processing atau instruction gitu ya, untuk gimana menggunakan AI model seperti CACCPT supaya kita dapetin output. yang kita harapkan. Kita tanya dengan prompt yang benar, akhirnya kita bisa dapatkan outputnya. Tapi gimana untuk menentukan itu tentunya kita tetap perlu untuk pelajarin gitu ya. Ini memberikan kita accessibility dan efficiency gitu ya di dalam pekerjaan kita. Membantu kita untuk rapid prototyping dan juga eksplorasi data lebih cepat. Sehingga kolaborasi juga bisa berjalan semakin baik. Jadi kalau misalnya ditanya apakah competing, apakah menurun gitu ya karena keberadaan ini, Enggak, gitu ya, teman-teman. Tapi ini kalau kita enggak meng-upgrade diri kita, kita pasti akan ketinggalan, gitu, pada waktunya, gitu ya. Enggak cuma di dalam bidang data analytics, tapi juga dalam bidang lain, karena ini ngaruh ke semua bidang nih, teman-teman, gitu ya. Jadi, enggak cuma di bidang data analytics saja, tapi gimana kita bisa menggunakan tools-tools ini untuk meleverage produktivitas kita. Nah, makanya di RevoYou pun, gitu ya, kurikulum kita juga dikembangkan untuk mengarah ke sana gitu ya teman-teman. Jadi, gak cuma hanya teman-teman akan belajar traditional data analytics cycle yang tadi aku udah mention gitu ya, tapi juga gimana sih sebetulnya menggunakan AI tools gitu ya, prompts untuk pada akhirnya juga teman-teman bisa mendapatkan output dengan jauh lebih cepat gitu ya. Supaya teman-teman juga gak ketinggalan dengan teknologi-teknologi yang ada pada saat ini. Jadi, Ini yang penting juga untuk teman-teman ketahui dan teman-teman juga akan pelajari di Revoy Data Analytics Program. Karena pada akhirnya teman-teman, ini salah satu quote yang aku ambil gitu ya. Jadi data analis itu arkitek dari insight gitu ya kalau dibilang gitu ya. Tapi Prom Engineering ini adalah satu batu penjuru gitu ya dari kesuksesannya. Jadi kayak ibaratnya kita ini bisa membuka banyak peluang, power dari data gitu ya. yang bisa menghasilkan decision making yang jauh lebih cepat pada waktu yang lebih singkat. Kita bisa memberikan lebih banyak value. Jadi ujung-ujungnya kalau misalnya teman-teman, aku yakin harapannya melalui maaf paranku di sini. Teman-teman bisa dapat gambaran terkait impact gitu ya teman-teman bisa hasilkan sebagai seorang data analis gitu ya dan sekarang dengan adanya teknologi-teknologi yang ada justru teman-teman dimudahkan gitu ya dan dalam pekerjaan teman-teman sehingga teman-teman bisa memberikan lebih banyak value lagi gitu ya di dalam pekerjaan teman-teman. Yang penting kita mau belajar gitu ya, mau terus mengembangkan diri gitu ya gak stuck di dalam satu skill aja gitu ya, tapi kita open gitu ya, dan harapannya teman-teman bisa menjadi data analis yang lebih dan lebih impactful kayak gitu. Mungkin itu sekian teman-teman pemaparan dari aku pada malam hari ini, thank you banget buat perhatian teman-teman semua, kembalikan ke Cita. Oke, thank you so much Kak Vanessa untuk pemaparannya, mudah-mudahan teman-teman jadi makin kebayang ya, tadi implementasi di bidang data analitik. Nah, Sekarang kita akan masuk ke sesi tanya-jawab nih Kak Vanessa dan sepertinya udah banyak banget yang penasaran dan juga tadi ya apalagi terkait perkembangan zaman tadi menyebutkan juga AI dan lain-lain. Wah ini banyak banget yang kepo. Nah tapi mungkin disclaimer dulu ya teman-teman untuk pertanyaannya kita bacain dari yang most common question yang sering ditanyain gitu. Jadi nanti kalau misalnya belum dijawab semua mohon maaf karena keterbatasan waktu kita coba jawab dari yang paling banyak ditanyain. Oke, first question nih Kak Vanessa. Dari Dede Rilwan, bagaimana cara mengubah unstructured data menjadi structured data? Silahkan Kak Vanessa. Oke, thank you Dede pertanyaannya. Jadi pertanyaan yang menarik ya teman-teman, karena tadi aku udah mention ada data yang structured, ada data unstructured. Dan dulu aku juga punya pengalaman gitu ya pas jaman masih kuliah gitu ya, menginterview orang-orang gitu ya untuk mendapatkan data, kemudian kalau misalnya secara tradisional gitu ya, sebenarnya sesederhana kalau misalnya teman-teman interview gitu ya, sekarang tuh udah ada AI juga yang bisa langsung dengan, kita dimudahkan sekali lah ya, kalau dulu kita harus dengan transkripnya, kita kategorisasi gitu ya, intinya kan menemukan pola ya teman-teman, jadi dari misalnya satu data yang tidak terstructured. teman-teman rapihin, teman-teman temukan polanya, teman-teman kategorisasi, gitu ya. Sehingga sampai ke kategori itu bisa kita numbering, gitu. Oh, yang masuk ke dalam kategori A, B, C, D ini berapa banyak sih obrolannya atau omongannya, gitu ya. Jadi, itu kita bisa lakukan. Tapi sekarang dengan teknologi seperti chat GPT, gitu ya, itu mudah sekali untuk sebenarnya menggunakan teknologi ini untuk terutama untuk data yang Sekarang enggak cuma teks, bahkan juga dari image atau dari file gitu ya. Tapi secara kalau misalnya kita ngomongin soal data yang berupa teks, algoritma seperti GPT itu juga bisa membantu menginstall informasi gitu. Jadi kalau teman-teman lihat ada banyak di luar sana gitu ya yang udah bisa ikut kita pas meeting gitu ya, terus habis itu bisa generate langsung minutes of meetingnya gitu. Itu kan sebetulnya mengolah unstructured data menjadi data kan teman-teman. Secara tradisional, iya kita dengerin, kita catat, kita olah gitu ya. Tapi sekarang udah banyak banget tools yang sebenarnya bisa membantu kita mengkategorikan, mengorganisir si kontennya itu sendiri gitu. Jadi, kita udah dimudahkan teman-teman menurutku dan kita harus open aja untuk akhirnya menggunakan teknologi-teknologi tersebut, coba di-explore gitu ya untuk bisa kita ubah unstructured data jadi structured data gitu. Jadi, nggak terlalu banyak makan waktu kita. Kalau dulu mungkin aku akan jawabnya, Iya kita kelompokan, kita kategorisasi, tapi kalau misalnya di zaman sekarang kayak kita udah bisa dengan open menggunakan GPT, menggunakan AI tools di luar sana untuk bisa mengolah informasi itu gitu kira-kira. Oke, semoga terjawab ya pertanyaannya. Dan buat teman-teman yang lain juga nih yang punya kegalauan dan pertanyaan yang sama tadi udah dijelasin ya sama Kak Vanessa. Next Kak, kedua ada pertanyaan dari Putri Nov. Bagaimana kita mengetahui bahwa pada saat cleaning data, itu data-data yang sudah bersih gitu ya, kayak yang di-cleaning itu sudah bersih gitu. Nah, untuk tahunya itu seperti apa? Silahkan, Kak. Oke, thank you, Putri. Jadi, gimana caranya kita ketahui kalau cleaning data, datanya sudah bersih gitu ya. Jadi, pertama yang bisa kita lakukan adalah kita bisa cek dulu dengan statistik yang tadi aku mention gitu ya, secara deskriptif. Jadi, kita tahu. tadi yang misalnya dari sisi mean, median, modus, standard, deviasi gitu ya. Apakah memang ada nilai yang nggak masuk akal gitu atau di luar batas yang memang diharapkan sama teman-teman. Dan kalau misalnya ada ya berarti itu belum bersih gitu ya. Jadi kita harus buang gitu ya. Kedua. Pastinya memang dengan kita periksa outlier tadi. Jadi outlier itu kan nilai ekstrim yang memang ada antara di kiri atau terlalu di kanan gitu ya. Dan itu bisa mengacaukan lah dari sisi model maupun dari sisi analisis kita gitu. Jadi kita bisa melakukan sebenarnya quickly bisa gunain juga tools data visualisasi untuk apa namanya kita bisa model data out secara cepat gitu ya. Atau memang ya intinya kita hitung gitu ya kalau misalnya memang nilainya lebih tinggi dari angka tertentu atau lebih rendah. Kita remove kayak gitu. Ketiga, mungkin yang bisa kita lakukan juga kalau misalnya teman-teman atau misalnya anggota tim gitu ya, makanya kita selalu bilang four eyes method gitu. Four eyes berarti dua orang at least untuk memverifikasi apakah memang ini sudah sesuai atau belum. Jadi kita lebih ke arah memvalidasi dengan domain language kita gitu. Jadi kita juga bisa menggunakan itu sih gitu ya sebagai double checking gitu ya supaya data yang memang ada. lebih akurat kayak gitu. Mungkin itu sih yang bisa kita lakukan untuk menjawab pertanyaannya. Oke, semoga terjawab ya buat pertanyaannya Putri. Tadi cara taunya seperti apa ya, datanya sudah bersih. Nah, next lagi nih Kak pertanyaan ketiga dari Farid Baskoro. Kak Vanessa, kira-kira apa sih pertimbangan dalam pemilihan tools ataupun software yang dipakai untuk data analytics dan database yang dipergunakan? Mohon tips nih ya Kak. Oke, ini bagus ya pertanyaannya Farid gitu ya. Mungkin aku akan balik lagi Farid ke kalau misalnya kita mau milih sebuah tools, balik lagi ke tujuan atau kebutuhannya Farid, tujuan bisnisnya seperti apa gitu. Apakah memang kita lagi ngomongin soal mengerjakan sesuatu dengan data yang besar nih, data yang real time gitu ya, atau data yang ter-structured atau nggak structured nih. Atau data yang mungkin sangat sensitif nih, data-data keuangan, dan lain sebagainya. Jadi, teman-teman perlu lihat itu dulu sebelum menentukan. Jadi, kalau misalnya pun mau melakukan analisis, akan lebih banyak melakukan analisis seperti apa? Apakah sebenarnya lebih banyak deskriptif tadi, contohnya, itu cukup? Atau memang harus sampai prediktif nih? Itu pasti ada tuntus-tuntus yang memang disesuaikan untuk kebutuhan itu. Jadi memang perlu yang tools yang sudah meng-incorporate machine learning, contohnya kalau misalnya memang teman-teman perlu yang predictive. Kalau cuma sekedar yang reporting, oh yaudah, dashboard biasa seperti looker ya bisa. Nah, jadi itu pertama sih. Jadi balik lagi ke kebutuhan dan tujuan spesifik. Teman-teman juga perlu lihat dari sisi scalability. Jadi misalnya memang kalau volume datanya yang akan datang sekarang memang sedikit. apakah memang dalam waktu 6 bulan ke depan atau 1 tahun ke depan akan jauh lebih banyak gitu kan sehingga ketika kita mikirin ini wah udah gak mungkin nih toolsnya gak bisa nih gitu ya dan mengganti sesuatu di tengah-tengah itu lumayan capek gitu ya jadi itu juga yang perlu untuk dilihat apakah misalnya volume datanya akan 10 kali lipat lebih banyak nih dalam 6 bulan wah berarti kita perlu pikirin juga apakah cukup nih yang kita pakai sekarang gitu Dan apakah selain volume ya kecepatan berarti kan apakah memang dengan volume yang banyak ini kemampuannya komputasinya lebih jauh lebih lambat gak gitu ya jadi di luar situ pasti kalau dari skinerja ya ngomongin juga soal keamanan flexibility juga apakah memang bisa di tadi ya meng-cater kebutuhan kita gitu ya untuk bisnis pasti terakhir ya biaya gitu ya karena memang pastikan ketika kita pakai Pakai sesuatu, kita ada biaya yang kita akan kenakan, apakah memang lebih baik ada sesuatu yang kita build sendiri, kita berarti harus ada investasi orang di sana, atau memang kalau dari sisi biaya untuk yang kita pakai di company, apakah per query nanti kita akan dapat pengenaannya per apa. Jadi perlu tahu gimana caranya data itu diambil, mempertimbangkan. Biaya awal, biaya maintenance Gitu sih, jadi mungkin itu beberapa hal Yang bisa dipertimbangkan Jadi mungkin yang pertama tadi Karena untuk menganalisis data itu Ada tujuannya dulu ya Kak, yang kita perlu tahu Untuk apa, setelah itu bisa Kalau misalnya untuk bisnis tadi berarti juga Biaya menjadi salah satu pertimbangan Nah Semoga terjawab nih, mungkin teman-teman Juga yang punya pertanyaan serupa ya Dengan Farid Selanjutnya dari Fitran bertanya, terkadang saat dihadapkan dengan data-data yang ada, ini tuh sering bingung ya, apa yang harus dianalisis dan mulai dari mana analisanya dan gimana sih cara mengatasi hal tersebut, Kak? Mungkin tipsnya boleh nih. Oke, Fitran. Tadi aku sempat mention juga ya untuk data analytics cycle tadi. Jadi pasti Fitran harus mulai dulu dari memahami dulu nih tujuan bisnisnya itu apa dulu gitu ya. Apa sih masalah bisnis yang memang mau diselesaikan gitu. dalam hal ini, baru setelah itu kita kumpulin datanya, jenis memang data-data yang kita butuhkan untuk jawab, teman-teman tadi bisa lihat dari data yang memang sudah ada secara kuantitatif maupun kalau misalnya belum ada berarti kita harus dapetin data kualitatif, contohnya survei, interview, data yang unstructured tapi teman-teman bisa structuring supaya bisa kita analisis. Jadi, back to the beginning. ke tujuan bisnisnya tadi baru kita kumpulin datanya. Nah, setelah itu baru kita gabungin nih analisisnya gitu kan. Kita bersihin datanya dulu, setelah itu baru kita explore gitu. Datanya apakah memang perlu dengan analisis yang sifatnya tadi, korelasi, apakah memang kita cukup dengan kita bikin visualisasi gitu ya. Kita pengen tahu grafiknya gitu ya. Jadi kita visualisasi baru abis itu kita bisa interpretasikan. Jadi, balik lagi mau kita... ngapain aja gitu ya, ujung-ujungnya kita harus pahamin dulu balik lagi ke tadi gitu ya, tujuannya apa. Karena kalau kita punya data banyak gitu ya, kita juga nggak tahu tujuannya apa, kadang kita tuh bisa mudah banget untuk jadinya paralysis analysis lah. Jadi kita terlalu banyak dapat data, tapi kita bingung gitu ya, tujuan kita tuh sebenarnya apa. Jadi balik lagi kita harus sentuhin itu dulu di awal, sehingga kita jelas gitu ya, data yang kita dapat juga bisa menjawab itu. Oke, semoga terjawab nih pertanyaannya Fitran. Dan selanjutnya, wah ini ada pertanyaan juga dari M. Adi Syaputra. Gimana, Kak, teknik cleaning yang tepat dan tools yang mudah digunakan apa, Kak? Mungkin buat pemula-pemula nih, boleh, Kak, silakan. Oke, sebenarnya ini tergantung banget sama jenis datanya gitu ya. Tapi mungkin kalau misalnya secara umum, Yang bisa dipakai pertama kalau untuk bersihin data itu penting untuk kita lihat duplicate data, biasanya kita lihat, kita identify kalau misalnya ada entry data yang memang berulang, bisa juga karena pengumpulan datanya yang salah, atau human error, mungkin banyak juga data yang kosong atau data yang hilang, itu yang perlu kita isi yang hilang itu dengan data yang ada, atau memang kalau misalnya kita ragu ya kita bisa hapus. kolom atau misalnya yang memang banyak data yang hilang supaya kita yaudah gak usah diperhitungkan data tersebut gitu, karena takutnya ngaruh terhadap average-nya, mean, segala macam, jadi akan ngaruh ke dalam analis kita, gitu. Jadi kemudian kalau misalnya kita lihat ada kesalahan-kesalahan nih, misalnya typo-typo ataupun ketidaksesuaian yang, karena kan kadang kalau misalnya ada typo bisa jadi dua kategori yang berbeda, gitu ya jadi hal-hal seperti itu, atau angka yang yang ini satuannya jutaan, tiba-tiba ada yang angkanya cuma 5. Nah, itu mungkin ada hal-hal yang salah, itu perlu kita koreksi lagi. Jadi, sebenarnya sesederhana hal-hal itu, tapi via eyeballing. Kalau datanya 100 bisa, tapi kalau datanya 1 juta ya nggak bisa. Tentunya kita harus pakai query-query yang bisa membantu kita untuk melakukan ini dalam secara scalable. gitu ya, jadi Kita bisa kok gitu ya dengan SQL, dengan Python, dengan tools-tools yang kalau secara sederhana ya Excel, Google Sheet bisa gitu. Tapi kalau untuk data yang banyak gitu pakai Python atau SQL itu bisa kita pakai untuk membersihkan data. Jadi kita saring lah ya jatuhnya kita transform ya memang data-datanya duplicate, kita remove gitu. Jadi kalau kita ngomongin soal jutaan data ya pastinya gak bisa kita pakai Excel atau Google Sheet untuk satu-satu gitu ya. Jadi kita juga perlu untuk... menggunakan tools lain seperti Python dan SQL. Jadi kuncinya memang pahamin dulu, jadi kita eyeball, boleh untuk screening kira-kira datanya seperti apa dan apa yang perlu dibersihin, tapi seringnya sih kombinasi antara beberapa tools dan juga teknik ini kita perlukan untuk kita bisa meng-cleaning data dengan efektif. Jadi jangan sampai ini juga akan take time. tapi kita juga harus tepat memilih toolsnya. Jadi jangan sampai juga kita harus eyeball, lalu harus take beberapa hari untuk membersihkan ini, padahal sebenarnya dengan tools lain kita bisa lebih cepat. Jadi biasanya sambil itu juga, kita sambil browsing juga, jadi makanya pembelajaran akan terus ada sih. Tapi perlu untuk kita eksplor tools-tools yang tepat untuk ketika memang dari sisi volume itu juga semakin banyak yang kita harus bersihkan. Oke, semoga terjawab ya teman-teman. Dan mungkin kalau teman-teman penasaran juga, pengen mempelajari lebih lengkap gitu ya, dari mulai teknikal tadi, terus juga dari pemahaman bisnis dan lain-lain, itu juga bisa kalian dapatkan secara lengkap ya Kak, kalau misalnya kalian gabung nih ke Full Stack Data Analytics. Nah, next lagi ini dari Alicia. Pertanyaannya adalah, bagaimana cara menentukan variable-variable yang akan kita gunakan nih Kak, saat pengambilan data? Kitu selahkan Oke, jadi sebetulnya untuk menjawab pertanyaan Alicia, kalau kita ngomongin soal variable, balik lagi tadi ya ke pertanyaan bisnisnya dulu. Jadi kalau misalnya Alicia mau nyari untuk menentukan tadi variable untuk kita mau ngambil data, Alicia lihat dulu apakah memang pada saat kita mau menjawab pertanyaannya tadi, pertanyaan bisnis tadi, kira-kira apa nih? Kita breakdown biasanya. Oke, tadi ya contoh. Misalnya kita mau tahu bagaimana misalnya satu campaign marketing yang ngaruh terhadap sales. Dari situ kan sebenarnya kita bisa breakdown, teman-teman, matrix-matrix yang memang penting banget untuk bisnis bisa ukur dan kita perlu libatkan. Contohnya, kita perlu tahu berarti kuantitatifnya apa. Berarti kuantitatifnya hasil dari si campaign itu. Contohnya impression-nya berapa, reach-nya berapa. Kemudian sales yang dihasilkan dari situ berapa atau leads yang memang masuk ke dalam marketing kita berapa, contohnya gitu. Tapi mungkin kategorinya apa nih? Oh, kategorinya kita melakukan campaign marketing A nih, ada yang tipe B, tipe C, tipe D gitu ya. Jadi, kita perlu tahu dulu apa yang memang kita mau ukur baru kita tentuin variable-nya dari kita breakdown satu-satu. Jadi kita tanyakan Pertanyaan-pertanyaan breakdown ya oke, kalau misalnya kita mau analisisnya misalnya campaign marketing apa aja, oh berarti kita perlu kategorinya nih, oh berarti kita perlu data-data di dalam situ nih. Jadi selalu ada pairing antara kualitatif dan kuantitatif itu pasti, karena kalau kita cuma punya data yang kuantitatif aja, kita gak mungkin bisa analisis dengan tepat gitu ya. Jadi perlu kita lakukan dulu tadi berdasarkan tipe data, kuantitatif, kualitatif, lalu itu masing-masing kita breakdown berdasarkan kebutuhannya. Nah, memang ini gak selalu akan sekali jalan yang tadi aku bilang. Jadi gak akan, oh ya linear aja gitu ya. Tapi mungkin pas lagi jalan, oh ya lupa yang ini kayaknya perlu diambil juga deh. Kamu akan balik lagi gitu ya jadi iterasi lagi. Jadi memang penentuan variable ini tidak selalu harus linear gitu. Jadi ketika nanti kamu di dalam perjalanan yang menganalisis ternyata ada yang kurang, kamu bisa dapetin data lagi. Tapi balik lagi, untuk penentuan variable pasti nanyanya ke business questions dulu. Semoga menjawab. Oke, semoga terjawab ya pertanyaannya. Dan ini mungkin ada lagi nih pertanyaannya wah banyak ya, Vanessa. Selanjutnya ada dari Uji. Nah, kalau Uji ini bertanya mengenai menjadi data analis sekarang skill-nya apa aja yang harus dikuasai gitu ya? Apalagi sekarang teknologinya udah semakin maju nih seperti yang tadi di-share sama Vanessa juga. Nah, kalau dari pertanyaan Uji, silakan ada pertanyaan dari jawabannya, Kak. Thank you, Uji. Ini pertanyaannya relevan banget ya. Jadi, dunia sudah semakin maju dengan perkembangan ada AI, machine learning, dan teknologi data. Jadi, peran data analytics itu menurutku tidak cuma sekedar menganalisis data untuk keputusan bisnis lagi, tapi juga bagaimana kita bisa mengintegrate. apa yang memang kita sebelumnya sudah punya, basis data analysis dengan menggunakan juga AI untuk mempercepat, untuk bisa semakin produktif. Jadi, itu yang juga pengen ditonjolkan di program Revoio. Jadi, keterampilan teknis itu jelas, SQL, Python, Excel, visualisasi data, itu pasti. Which is sebenarnya itu semua sekarang sudah berkembang ke arah AI. Jadi, meskipun dulunya sering dikaitkan dengan data science, tapi sekarang data analis juga. perlu untuk memahami itu gitu ya tentang apa namanya tentang AI gitu ya dan terutama untuk menggunakan tools NLP yang memang bisa mempercepat gitu selain itu ya pastinya skills yang masih sangat relevan ya pasti statistics gitu kan business acumen itu pasti pemahaman tentang bisnisnya itu sendiri komunikasi karena kita sebagai data analis juga gak cuma tadi ya kita juga menghubungkan antara bisnis dan data gitu ya jadi kita nih perlu jadi komunikator yang baik, makanya salah satu Modul yang sangat kita juga pentingkan adalah data communication gitu. Gimana caranya sih di Revoyu juga diajarin how to communicate dengan data gitu ya. Problem solving pasti untuk mendapatkan insight gitu kan. Dan itu yang bisa kita komunikasikan dan juga kolaborasi gitu ya. Di dalam grup project dan lain-lain. Jadi semuanya sebenarnya kita kemas dengan sesuai dengan perkembangan zaman juga gitu ya. Di Revoyu Data Analytics gitu. Tapi yang jelas... Secara singkat, intinya kita harus punya skill-skill dasar tadi, tapi juga dilengkapi dengan kita harus terus terbuka dengan perkembangan dan teknologi yang ada pada saat ini. Terutama juga dengan AI. Mungkin itu, Cip. Oke, terima kasih banyak, Kak Vanessa. Dan terima kasih untuk teman-teman yang bertanya. Itu tadi sepertinya adalah last question, Kak, di malam hari ini. Mudah-mudahan jawaban-jawabannya bisa nambahin insight juga ya buat teman-teman yang hadir. Nah, sekarang nih sebelum kita masuk ke agenda selanjutnya, Kak Vanessa mungkin ada pesan-pesan, kalau tadi sebenarnya kurang lebih udah banyak ya pesan-pesan yang disampaikan, tapi mungkin tips-tips buat teman-teman yang sekarang baru pertama kali dapetin materi ini gitu ya, dan baru mau mulai belajar, kira-kira ada tips apa, silahkan ya Kak. Oke, jadi teman-teman mungkin data analis ini nih, Aku pribadi juga merasa ini adalah role yang sangat versatile gitu Teman-teman bisa jadi apa aja sebetulnya gitu ya Dengan memahami tentang data analytics ini gitu Jadi gak menurutku mungkin ada teman-teman yang mau upskill aja Ada teman-teman yang mungkin memang pengen career switch Ada teman-teman yang memang lagi mencari nih Sebenarnya aku mau ke arah mana gitu ya Tapi apapun itu menurutku ini bidang yang sangat-sangat relevan Dengan semua tujuan itu gitu Karena Pada akhirnya semua gitu, mau bisnis apapun, mau kita berkecimpung di apapun pasti kita ada hubungannya sama kita harus bisa menganalisa data, mengambil kesimpulan, dan mengambil keputusan gitu. Jadi itu adalah dasar gitu ya dari bisnis gitu ya. Jadi pertama untuk teman-teman yang mau ambil bidang ini gitu ya, pertama pasti ya teman-teman harus bangun dulu dasar yang kuat tadi gitu ya. Jadi teman-teman ambil course gitu ya, dan salah satunya review data analytics yang bisa membantu teman-teman gitu ya, teman-teman bangun dulu keterampilan juga secara teknis itu pasti perlu, SQL Python gitu ya, jadi statistics tadi, jadi teman-teman tetap perlu membangun itu, tapi teman-teman juga perlu perkuat dengan practice gitu ya, jadi projects yang memang teman-teman lakukan gitu, nah memang kelebihannya di review data analytics course ada project-project yang memang Kita juga work with companies untuk menghadirkan real case study yang memang bisa memberikan kesempatan itu buat teman-teman. Jadi bisa dapat pengalaman yang lebih praktikal. Dan juga ngobrol sama banyak teman-teman yang lain, mentor, instruksi yang memang coming dari praktisinya langsung jadi teman-teman bisa langsung dapat pengalamannya juga. Di situ juga bisa ngembangin keterampilan komunikasi tadi yang aku mention. Karena teman-teman akan punya community. Itu kan jadi Aku juga sarannya gabung juga dengan grup, forum, komunitas yang memang tertarik dengan data analytics gitu ya. Supaya teman-teman juga bisa tahu kalau teman-teman minggu harus tanya kemana gitu kan. Jadi itu tentunya juga bangun portfolio itu one thing gitu ya. Supaya teman-teman juga ketika memang mau karir switch ataupun fresh grade yang mau apply gitu ya. Teman-teman udah punya study case atau analis yang pernah udah teman-teman lakuin gitu ya. Pastinya yang terakhir perlu ada dunia yang di tengah dunia data yang perlu, yang berubah ini gitu ya. Teman-teman penting banget untuk terus belajar gitu ya. Makanya kurikulum Revo juga terus menyesuaikan salah satunya dengan meng-embed lebih banyak AI gitu ya di dalamnya gitu ya. Jadi harapannya juga teman-teman punya mindset untuk terus punya kemampuan untuk curiosity gitu ya. Untuk terus belajar untuk bisa mengembangkan diri lebih lagi. Mungkin itu, Cip, beberapa dari aku. Oke, semoga bisa bermanfaat buat teman-teman. Thank you so much buat Kak Vanessa. Teman-teman jangan lupa semuanya say thank you ya ke Kak Vanessa. Dan semoga Kak Vanessa sehat-sehat terus. Supaya kita bisa ketemu lagi mungkin di next session. Oke, Kak Vanessa. Thank you, thank you, teman-teman. Thank you, Cita. Selamat malam. Oke, thank you so much Kak Vanessa dan juga Kak Cita untuk lecture malam hari ini yang... sangat daging, gimana nih teman-teman setuju gak? daging banget gak nih materi hari ini? ketik 1 kalau menurut teman-teman iya sampai ngebul gitu ya ketik 2 kalau masih mencerna nih, nah mana nih teman-teman Menurut teman-teman nih, daging banget gak ini materi hari ini ya? Luar biasa ya, tadi materinya lebih padat ya daripada sesi kemarin. Dan buat teman-teman, gimana jadi makin tertarik gak ini untuk berkarya dan juga mempelajari ilmu data analitik secara lebih komprehensif. Nah, buat teman-teman yang jadi makin penasaran, makin semangat nih pengen mempelajari ilmu data analitik dan juga berkarir sebagai seorang data analis. Aku mau ingetin lagi ke teman-teman kalau sesi malam hari ini atau yang teman-teman dapetin di mini course ini tuh hanya tip of the iceberg ya Atau hanya sepucuknya aja nih teman-teman Padahal sebenarnya kalau teman-teman mau berkarir jadi data analis itu masih banyak banget hal-hal yang perlu teman-teman kuasai nih untuk bisa sukses berkarir di bidang ini Nah kalau teman-teman mau menguasai ilmunya untuk jadi data analis Nah, teman-teman masih perlu mempelajari. banyak hal ya yang tentunya nanti juga bakalan dipelajarin di Revoyu Fullstack Program di Revoyu Fullstack Program teman-teman akan mempelajari dari sisi fundamentals data analitik sampai nanti mempelajari tools-toolsnya kayak SQL, Python data visualization terus juga tablo ya teman-teman lalu untuk insight communication dan juga yang teman-teman gak bisa dapetin gitu ya dimana-mana adalah kurikulum yang sudah terintegrasi dengan AI, teman-teman. Jadi, nanti teman-teman bakalan dapetin tambahan kurikulum terkait AI, yaitu dari mulai prompt engineering dan juga custom GPT. Jadi, nanti bakalan diajarin tentang fundamentals of AI and prompting, dan juga creating your own GPT, based data analytics assistant, dan juga pastinya use cases in data analytics. Jadi, ada performing data analytics application with AI, terus juga enhancing security, reducing bias, minimizing hallucination in GPT assistant, dan juga automation techniques for data reporting and visualization. Dan juga ada AI lainnya juga, teman-teman. Ada AI for spreadsheet, AI for SQL, AI for Python, dan juga AI for data communication. Jadi, selain salah satu kurikulumnya, atau modulnya di full stack itu kita udah bekerja sama dengan Microsoft ya untuk memberikan learning experience yang lebih up to date buat teman-teman kita juga sekarang sudah ada AI integrated kurikulumnya jadi jangan sampai disiasiain karena nanti ketika teman-teman pengen berkarir di bidang data analytics dengan teman-teman nambahin ilmu AI ini bisa melengkapi skillsetnya teman-teman supaya nanti kalian itu lebih stand out di mata rekruter ya Karena teman-teman selain sudah paham, sudah menguasai tentang ilmu data analyticsnya, teman-teman juga menguasai tentang bagaimana menggunakan AI di kurikulumnya. Dan juga ini nanti teman-teman bisa mensummarize data sampai 10 kali lebih cepat menggunakan AI, memvisualisasikan data 10 kali lebih cepat juga dengan adanya AI modul ini. Gitu, teman-teman. Jadi Saranku buat teman-teman yang udah gak sabar ya untuk mempelajari ilmu dari data analitik plus AI ini dan juga pengen berkarya di bidang data analis, teman-teman langsung aja daftar ke Reboi Fullstack Data Analytics Program di link yang ada di bawah. pin message live chat youtube ya nah selanjutnya teman-teman aku mau ngejelasin tentang tugas yang ada di mini course jadi ada 2 tugas selama serangkaian 2 minggu mini course ini berlangsung yang pertama ada certification test ini adalah soal pilihan ganda yang terdiri dari 20 soal sertifikasi yang berkaitan dengan materi mini course dan juga 20 soal ini sifatnya wajib dikerjakan dan wajib lulus untuk bisa mendapatkan sertifikat digital Nah, di dalam soal certification test ini juga ada 16 soal logical and numerical test, tapi yang 16 soal ini sifatnya tidak wajib, jadi yang wajib dikerjakan hanya yang 20 soal, dan teman-teman wajib hadir dan jangan lupa isi form kehadiran yang dibagikan di sebelum dan sesudah sesi berlangsung. Untuk certification test ini deadline-nya hari Jumat jam 12 malam dan jawabannya tidak akan kita bagikan. Nah, tugas yang satu lagi adalah case study, ini sifatnya optional, Jadi ini tugas praktis praktik untuk menambah skill di data analitik dan jawabannya akan kita bagikan untuk yang mengumpulkan tugasnya gitu ya. Tapi ini tidak mempengaruhi sertifikasi, jadi dikerjakan ataupun tidak, tidak akan ada pengaruhnya ke certification test. Nah, ini untuk case tadi deadline-nya hanya Sabtu jam 12 siang ya, teman-teman. Nah, tadi yang aku bilang untuk yang 16 soal logical and numerical test di certification test ini tidak wajib, tapi buat teman-teman yang mau ngedapetin jalur fast track untuk join ke full stack program, ini teman-teman bisa kerjain dan dikerjakan dengan maksimal ya. Karena kalau teman-teman dapetin nilai yang maksimal, nanti teman-teman bisa dapetin jalur fast track, yaitu teman-teman bisa melengkapi beberapa tahapan tes untuk bergabung ke full stack data analytics program, dan nanti teman-teman bisa tinggal video call aja, jadi lebih mempercepat proses admisi kalian untuk bergabung ke fullstack data analytics program jadi nanti teman-teman bisa dikerjakan dengan maksimal tapi buat kalian yang memang udah gak sabar untuk bergabung ke fullstack bisa langsung daftar juga gitu ya ke link yang ada disini karena daftar belum dipungut biaya apa-apa jadi daftar aja ke link yang ada di pin message live chat youtube atau di discord di channel announcement teman-teman jadi Teman-teman bisa sambil ngerjain tesnya sambil daftar juga gitu ya. Oke teman-teman kalau gitu sekian untuk sesi malam hari ini. Aku mau ucapin thank you so much buat kalian yang udah join sesi malam hari ini. Semoga sesinya insightful dan juga bermanfaat. Jangan lupa hadir juga di sesi besok karena kehadiran akan mempengaruhi sertifikasi. Dan jangan lupa buat teman-teman yang mau mempelajari lebih dalam, mau dapetin career support. Jangan lupa join ke Revo U Fullstack Data Analytics Program Dengan daftar di link ini Atau yang ada di pin message live chat Youtube Oke kalau gitu teman-teman Once again aku ucapin thank you so much And see you tomorrow Bye-bye Oke ini dia untuk link presensinya Jangan lupa di scan QR code yang ada di sini Atau kalian bisa langsung klik aja rebrand.ly-hadirstripdamc di live chat atau di description box juga. Jangan sampai lupa absen ya. See you tomorrow.