10 Kemampuan Data Analyst Yang Perlu Dikuasai

Kemampuan data analyst menjadi bahan pembicaraan beberapa orang setiap harinya. Beberapa orang bertanya kepada saya, ” Saya cuma tahu cara menggunakan Excel dan cara membuat grafik analisis sejak saya mulai. Menurut saya, data analyst nampaknya cuma menganalisis data bisnis dan saya tidak tahu bagaimana cara meningkatkan kemampuan saya.”

Ini karena dia tidak sepenuhnya menggali nilai dari analisis big data. Analisis data dipakai untuk mengoptimalkan produk, strategi pemasaran, dan strategi pengoperasian melalui data yang didapatkan. Pengetahuan bisnis saja tidaklah cukup, yang lebih penting adalah untuk menguasai berbagai kemampuan untuk menganalisis data. Berdasarkan pengalaman saya sebagai seorang data analyst selama bertahun-tahun, saya merangkum sepuluh kemampuan yang perlu dikuasai seorang data analyst senior dan memiliki kualifikasi.

• Statistik: hukum large number, tes jumlah ranking, regresi, perkiraan
• Software Pemvisualisasi Data: excel, python, software profesional lainnya
• Framework Big Data Processing: Hadoop, storm, spark
• Database: SQL, MySQL, DB
• Data Warehous: SSIS, SSAS
• Artificial Intelligence (Kecerdasan Buatan)
• Machine learning
• Kemampuan Data Mining: Matlab, R, Python
• Bahasa Pemrograman: Java, Python
• Tulis Laporan

1. Statistik

Seperti yang Anda ketahui, statistik adalah dasar analisis data. Statistik juga adalah sebuah kemampuan utama seorang data analyst. Setelah Anda mempelajari statistik, Anda akan menemukan bahwa analisis seringkali tidak begitu akurat dalam banyak kasus. Contohnya, banyak orang suka menggunakan rata-rata untuk menganalisis hasil, tapi ini seringkali tidak akurat. Statistik dapat membantu kita untuk melihat data secara lebih ilmiah dan mendapatkan “kebenaran” dibalik data secara bertahap.

Pembelajaran sistematis adalah kunci dalam mempelajari statistik. Machine learning murni menekankan kepada kemampuan prediktif dan pengimplimentasian algoritma tetapi statistik menekankan kepada tingkat penginterpretasiannya. Anda perlu memahami prinsip dibalik data. Berikut ini adalah metode statistik yang Anda dapat pelajari.

• Metode statistik yang berkaitan dengan data mining: analisis regresi logistik multi variasi, analisis regresi non linear, analisis diskriminan, dll.
• Metode kuantitatif: analisis axis waktu, model probabilitas, optimalisasi
• Analisis keputusan: analisis keputusan untuk berbagai tujuan, decision tree, influence diagram, analisis sensitivitas
• Prinsip database: model data, desain database
• Analisis prediktif: analisis axis waktu, principal component analysis, nonparametric regression, statistical process control
• Manajemen data: ETL (Extract, Transform, Load), pengelolaan data, management responsibility, metadata
• Optimalisasi dan heuristic: programing integer, programing nonlinear, local exploration, super-inspiration (simulated annealing, algoritma genetik)
• Analisis big data: pembelajaran konsep data tidak terstruktur. Teknologi MapReduce, metode analisis big data
• Data mining: clustering (metode k-means, metode segmentasi), peraturan asosiasi, analisis faktor, analisis survival time)
• Simulasi komputer analisis resiko dan analisis operasional
• Analitik tingkat-software: topik analitik di tingkat organisasi, TI dan pengusaha, penggantian manajemen, topik data, presentasi, dan komunikasi

2. Software Pemvisualisasi Data

Visualisasi data pada umumnya dihasilkan melalui dua jenis software: programing dan non-programing. Untuk data analyst di industri pada umumnya, penguasaan kemampuan programing software visual tidaklah diperlukan. Saya merekomendasikan software-software berikut ini:

2.1 Excel

Excel adalah software yang biasanya dipakai untuk menampilkan data. Untuk seorang data analyst, kemampuan yang perlu dikuasai di Excel termasuk kemahiran dalam mempresentasikan data di grafik Excel dan mengetahui cara mengatur format untuk grafik yang ingin dihasilkan.

Pembelajaran Excel adalah proses bertahap. Contohnya, mempercantik format, meningkatkan format 3D, mengatur axis dan grid.

Grafik dapat digunakan bersama dengan fungsi atau makro untuk menghasilkan grafik analog atau grafik lanjutan dengan efek interaktif seperti distribusi populasi kota dan negara di satu peta untuk tampilan dan analisis data yang lebih baik.

Fungsi analisis data di Excel secara umumnya dapat melengkapi analisis data software statistik profesional (R, SPSS, SAS, Matlab), termasuk statistik deskriptif, koefisien korelasi, distribusi probabilitas, estimasi rata-rata, regresi nonlinear, berbagai analisis regresi, time series dan konten lainnya.

Penguasaan berbagai fitur di Excel sangatlah penting untuk menjadi seorang data analyst.

2.2 Software Profesional

Software pemvisualisasi data seperti D3.js, HighCharts, Tableau, dan PowerBI memiliki keunggulan tersendiri. Anda perlu menguasai paling tidak satu software ini. Jika Anda ingin tahu software apa yang dapat Anda pelajari, Anda dapat membaca artikel ini: 9 Software Pemvisualisasi Data yang Tidak Boleh Anda Lewatkan di 2019.

Dalam pengalaman pribadi, saya sering menggunakan FineReport dalam bekerja. Sebagai software pembuat laporan dan pemvisualisasi data, FineReport memiliki dua fungsi utama: data entry dan data display. Tetapi, saya rasa software ini cukup menakjubkan karena ia memilki banyak grafik bawaan dan efek visualisasi dinamis. Software ini dapat membuat berbagai dashboard dalam berbagai format dan bahkan layar besar seperti dashboard TV. 

2.3 Python

Orang yang telah mempelajari analisis data Python tahu bahwa terdapat banyak third-party library yang hebat dalam software visualisasi seperti matplotlib, seaborn, pltly, boken, pyecharts, dll. Semua library visual ini memiliki keunggulan tersendiri dan banyak dipakai dalam penggunaan sehari-hari. Penguasaan Python adalah satu pilihan tepat untuk seorang data analyst.

Sumber pembelajaran:

Python Weekly：Di-update setiap minggunya, termasuk blog, tutorial, kelas, buku, karir, dan sebagainya

Python challenge:  Sebuah game dimana setiap level dapat dipecahkan dengan programing Python

Python official website: Kaya akan dokumentasi

10 python blogs worth following: 10 blog untuk mempelajari Pthon

3. Big Data Processing Framework

Jika Anda ingin keluar dari bisnis dan menjadi seorang big data analyst, pemahaman dasar big data framework adalah salah satu kemampuan yang diperlukan seorang data analyst.

Sebuah big data processing framework bertanggung jawab dalam mengkalkulasi data dari sistem big data. Data mencakupi pembacaan data dari persistent storage atau akses ke sistem melalui message queue, sementara komputasi adalah proses pengekstraksian informasi dari data.

Sistem dapat diklasifikasikan menjadi sistem batch processing, sistem stream processing, dan sistem hybrid berdasarkan bentuk data dan waktu pendapatan hasil. Sebuah sistem batch processing yang biasanya dipakai adalah Apache Hadoop; Sistem stream processing mencakupi Apache Storm, Apache Samza; Sistem hybrid processing adalah Apache Spark dan Apache Flink.

4. Database

Beberapa data analyst bertanggung jawab untuk data cleaning, yang sebenarnya cukup mudah. Yang lainnya bertanggung jawab dalam molding, tapi tidaklah cukup jika Anda hanya menguasai algoritma machine learning yang pada umumnya dipakai untuk menjadi luar biasa. Untuk menjadi yang pertama, kita perlu mempelajari inti tiap algoritma yaitu untuk menguasai fondasi database.

SQL adalah teknologi inti dalam database. Anda perlu memperhatikannya ketika Anda mempelajari analisis data.

Saat ini, MySQL, SQL Server, dan Oracle adalah database yang paling sering dipakai. Berikut adalah pernyataan dan fungsi yang perlu diketahui seorang data analyst.

5. Data Warehouse

Ketika menganalisis data, kita pasti akan menemukan kata ini: data warehouse. Data warehouse sangatlah penting dalam menganalisis data. Data warehouse berorientasikan tema, terintegrasi dan data set yang relatif stabil yang menampilkan perubahan historis.

Yang paling penting dalam kerjaan analisis data adalah data processing. Berdasarkan pengalaman saya sebagai seorang data analyst, waktu pemrosesan data seringkali memakan lebih dari 70% waktu total proses analisis data. Dan data warehouse memiliki keunggulan dalam integrasi, stabilitas, dan berkualitas tinggi. Menganalisis data berdasarkan data warehouse dapat memastikan kualitas dan integritas data. Inilah mengapa seorang data analyst perlu memahami data warehouse.

6. Artificial Intelligence (untuk data analyst lanjutan)

Secara jelasnya, artificial intelligence dan analisis data memiliki perbatasan yang jelas. Keduanya tidaklah termasuk di bidang yang sama. Karena alasan ini, kemampuan ini diperlukan oleh big data analysis scientist. Anda dapat melewati bagian ini jika Anda adalah seorang pemula.

Pengetahuan yang tercakup dalam machine learning dan artificial intelligence sangatlah luas dan dalam jadi ada baiknya untuk mengadopsi metode pembelajaran berdasarkan masalah terlebih dahulu. Pertama-tama, pilihlah masalah. Lalu, cari sumber untuk memecahkan masalah tersebut dan memahami kata dan wawasan yang ditemukan dalam proses pemecahan masalah tersebut.

7. Machine Learning

Machine learning adalah satu cabang artificial intelligence. Algoritma machine learning adalah satu kelas algoritma yang dapat menganalisis secara otomatis dan mendapatkan peraturan dari data dan kemudian menggunakan peraturan tersebut untuk memperkirakan data yang tidak diketahui. Machine learning banyak dipakai di data mining, computer vision, natural language processing, search engine, diagnosis medis, security market analysis dan bidang lainnya.

8. Kemampuan Data Mining

Mengoperasikan software data mining adalah salah satu kemampuan yang diperlukan oleh data analyst karena kemampuan ini adalah aplikasi utama dalam inisiatif business intelligence, dan software data mining dapat membantu Anda menemukan wawasan dari sejumlah data yang banyak.

Penguasaan kemampuan development dan algoritma lanjutan menuntun Anda untuk mengembangkan kemampuan data mining dalam menganalisis data. Untuk banyak orang, kemampuan ini cukup sulit dikuasai. Tapi, algoritmanya sebenarnya tidaklah begitu rumit. Pengkombinasian algoritma dan bisnis aktual akan mempermudah Anda dalam mempelajarinya. Anda juga perlu berorientasi kepada hal pembuatan keputusan.

3 buku yang tidak boleh Anda lewatkan:

• Pattern Recognition and Machine Learning
• The Elements of Statistical Learning
• Machine Learning

9. Bahasa Programing

Keahlian dalam beberapa bahasa programing akan membuat kerjaan analisis data lebih fleksibel. Bahasa programing cocok untuk semua jenis data. Kebanyakan dashboard yang baru dan keren dapat diimplimentasikan dengan kode atau software pembuat gambar.

Bahasa mana yang perlu Anda pilih? Tergantung situasi.

Jika Anda menganalisis sejumlah data banyak di statistik yang kabur, R adalah rekan terbaik Anda. Jika Anda melakukan NLP atau neural network processing intensif di GPU, lebih baik menggunakan Python. Jika Anda ingin solusi data kasar yang berorientasi kepada produksi dengan semua software operasional penting lainnya, Java atau Scala adalah pilihan yang tepat.

Mari ambil R sebagai contoh. Bahasa R adalah software analisis terfavorit untuk ahli statistik. Penggunaanya gratis, open-source dan fungsi grafiknya sangatlah menakjubkan.

R didesain untuk menganalisis data dan awalnya dibuat untuk ahli statistik dan data scientist. Tetapi karena meningkatnya popularitas analisis data, penggunaan bahasa R menjadi tidak dibatasi.

Use flow R cukup jelas. Banyak toolkit yang mendukung R. Cukup masukkan data kedalam R dan tulis satu atau dua baris kode untuk menghasilkan grafik data. Contohnya, pakai toolkit Portfolio untuk menghasilkan diagram hirarki dengan cepat.

10. Tulis Laporan

Kemampuan dalam menulis laporan juga merupakan salah satu kemampuan terpenting data analyst.

Laporan ini mencakup rangkuman dan mempresentasikan keselurahan proses analisis data. Melalui laporan tersebut, sebab, proses, hasil dan saran analisis data dipresentasikan secara menyeluruh kepada si pembuat keputusan.

Jadi, apakah laporan analisis data yang baik?

Laporan analisis yang baik harus memiliki framework analitik yang baik, kesimpulan yang pasti, saran, dan solusi.

Kesimpulan

Untuk menambahkan ke semua kemampuan diatas, kemampuan seperti sensivitas data, kemampuan berpikir logis, kemampuan induktif, kemampuan berpikir kritis, kemampuan komunikasi dan tanggung jawab juga merupakan kemampuan penting yang perlu dimiliki seorang data analyst yang baik. Disamping itu, jika data analyst dapat berpikir dari sudut yang berbeda dari manajer, mereka akan lebih menonjol dibandingkan data analyst lainnya.

Beberapa kemampuan ini diperlukan sebelum Anda dapat mulai bekerja, sementara yang lainnya perlu dikembangkan setelah Anda memasuki industri ini. Untuk menjadi data analyst yang baik, Anda memerlukan kualitas profesional yang tangguh dan kemampuan teknis yang tidak dapat dicapai dalam waktu singkat. Semua ini memerlukan waktu dan latihan terus menerus.

Follow FineReport Reporting Software untuk tahu lebih lanjut mengenai data analyst!