Data Mining untuk Permasalahan Bisnis dan Keuangan

Info Komputer - - Business -

Perencanaan strategis tak lepas dari konsep statistika. Statistika sendiri merupakan ilmu atau metodologi yang memiliki filosofi berpikir berkaitan dengan analisis, interpretasi, dan penyajian data sebagai bahan pengambilan keputusan.

D alam kegiatan bisnis, penerapan statistical

thinking atau berpikir secara statistik menjadi sangat penting bagi pengambil keputusan ( decision

maker). Dengan statistical thinking, dapat dilihat gejala dan variasi yang terjadi pada setiap proses dalam aktivitas operasional bisnis dengan berdasarkan fakta, yakni objek atau pengamatan yang ada di lapangan. Terdapat banyak sekali tool yang bisa digunakan dalam interpretasi dan analisis, salah satunya adalah

machine learning dan data mining. Nah, jika di edisi lalu penulis sudah mengupas mengenai penggunaan machine learning dan

data mining, kini penulis membahas sisi implementasi dan metode. Implementasi dari Metode Data mining dapat dijadikan prioritas utama dalam analisis. Effort utama adalah mengumpulkan data, membersihkannya ( cleaning) dan mengorganisirnya ( organize) dengan banyak teknik dan melakukan interpretasi dan mendapatkan informasi yang terkandung di dalamnya. Banyak sekali teknik yang dapat digunakan, seperti decision tree (sebuah teknik dalam data mining untuk melakukan klasifikasi), regresi (untuk mengukur dan mengetahui hubungan antara variabel atau masalah), klaster (untuk mengelompokkan data yang

memiliki karakteristik yang sama), serta association rule mining atau juga disebut basket analysis (yang digunakan pada industri retail untuk melihat asosiasi dari data dan paling utama adalah melakukan visualisasi dari data untuk melihat kesimpulan dari permasalahan).

Banyak sekali kemungkinan yang mampu digunakan pada data mining dan untuk melakukan analisis prediktif, seperti: 1. Fraud detection: Fraud

detection selalu digunakan dalam aspek industri keuangan. Namun tidak sampai hanya di sana. Ide awal dari deteksi aktivitas fraud adalah terlalu banyak transaksi yang terjadi dengan menggunakan metode dari analisis prediktif tersebut. Selain itu, metode ini mampu melakukan deteksi

error dari model yang memiliki permasalahan yang normal atau

fraud dan menggunakan model tersebut pada transaksi yang baru untuk melihat apakah fraud tersebut terjadi di segmen yang berbeda.

2. Churn prevention: Asumsi pada industri asuransi keuangan memiliki kontrak polis terhadap konsumen baru. Industri asuransi berharap bisa menjalin hubungan yang lama dengan pemegang polis. Namun, beberapa pemegang polis memiliki banyak alasan untuk melakukan pemutusan kontrak tersebut. Oleh karena itu,

data mining mampu digunakan sebagai tool agar pada konsumen selanjutnya hal ini tidak terjadi dan mampu melakukan evaluasi dari produk asuransi. Ide dasar dari churn prevention adalah melakukan model prediktif berdasarkan banyak kemungkinan yang terjadi. Selain bidang industri keuangan, churn prevention juga bisa diterapkan pada industri retail,

e-commerece atau telekomunikasi. 3. Sentiment analisis: Sentiment analisis tidak semuanya selalu berhubungan dengan industri keuangan. Sentiment analisis dapat digunakan dalam telekomunikasi, kesehatan, dan masih banyak lagi. Ide sederhana dari teknik ini adalah menghubungkan jutaan

online sources dari website, mengumpulkan komentar dari sebuah produk, atau brand perusahaan. Teknik ini juga melakukan analisis dengan konsep

text mining dan melakukan evaluasi apakah konsumen menyukai produk tersebut atau tidak.

4. Trading analytics: Seorang trader melakukan investasi pada portofolio atau kebijakan atau kesepakatan bisnis. Untuk menghitung tingkat kesuksesan pada keputusan yang akan diambil dapat digunakan analisis prediktif. Pada umumnya, hal ini diharapkan mampu menganalisis permasalahan yang potensial dengan melihat pasar atau aspek pasar tersebut dengan melihat kejadian pasar.

Banyak analisis melakukan kombinasi metode tradisional time

series dengan algoritma hybrid atau juga sentiment analysis.

5. Risk management: Contoh lainnya pada industri keuangan dan dapat dilakukan di banyak industri, khususnya pada supply chain

management. Sebagai contoh, analisis manufaktur atau logistik transportasi. Data mining dan analisis prediktif dapat digunakan untuk menyelesaikan banyak masalah yang berhubungan kepada

risk management, termasuk deteksi error dan kuantitas untuk review atau audit internal. Selain itu, hal ini dapat diterapkan untuk melakukan deteksi fraud, mengidentifikasi

supplier dengan banyak kemungkinan gagal, perhitungan pembayaran, dan credit scoring. 6. Quality assurance: Aplikasi lainnya pada prediksi kualitas dari sebuah proses sebelum proses tersebut selesai. Model yang prediktif digunakan untuk mendeskripsikan model yang digunakan pada proses dan melakukan kombinasi terhadap sensor data. Tujuannya, mendeskripsikan status terbaru sebuah produk yang diproduksi, berhubungan dengan deteksi anomali dan penyebab mengapa sebuah produk yang diproduksi secara sama memiliki kualitas yang berbeda.

Dalam konteks utilitas bisnis, hasil sebuah analisis dapat diaplikasikan dengan baik. Oleh karena itu yang membedakan

data mining dari analisis statistik bukan berdasarkan banyak tidaknya jumlah data yang kita gunakan, tetapi berdasarkan proses mengintegrasikan apa yang kita ketahui tentang

database, sarana analisis, dan pengetahuan bisnis.

Menerapkan metodologi data mining berarti menyusul terpadu proses metodologis yang melibatkan proses menerjemahkan kebutuhan bisnis ke dalam masalah yang harus dianalisis, mengambil database yang diperlukan untuk

melaksanakan analisis, dan menerapkan teknik statistik yang diimplementasikan ke dalam algoritma komputer. Tujuan akhirnya adalah pencapaian hasil penting dan berguna untuk mengambil keputusan strategis.

Keputusan strategis tersebut akan dibuat sendiri guna memenuhi kebutuhan pengukuran baru dan akibatnya pada kebutuhan bisnis. Data mining tidak hanya tentang penggunaan algoritma komputer atau statistik. Teknik tersebut juga merupakan sebuah proses intelijen bisnis yang dapat digunakan bersama-sama dengan apa yang disediakan oleh teknologi informasi untuk mendukung keputusan perusahaan.

Data mining juga bukan hanya merupakan analisis dari sebuah data. Namun juga merupakan sebuah integrasi dari hasil untuk mendukung keputusan bisnis dalam perusahaan. Dalam pengetahuan bisnis, melakukan ekstraksi dari permasalahan kepada keputusan bisnis kita dituntut untuk dapat membuat sebuah analisis yang tajam dan dapat menghasilkan keputusan yang baik. Model yang telah didapat dari sebuah analisis berdasarkan dataset tersebut juga diharapkan mampu meningkatkan profit perusahaan.

Melihat dari manfaat yang bisa didapat dari data mining. Sangat krusial untuk melakukan implementasi proses dengan benar. Inklusi dari proses data mining terhadap permasalahan perusahaan harus dilakukan dengan baik, juga memperhatikan realitas dari sebuah metode untuk menyelesaikan permasalahan tersebut. Proses integrasi dapat dibedakan menjadi:

a. Strategic phase: Pada tahap ini, kita mempelajari prosedur bisnis yang digunakan untuk melakukan identifikasi di mana data mining dapat memberikan manfat yang besar. Hasil dari tahap ini adalah sebuah definisi bisnis yang objektif terhadap analisator dan kriteria koreksi ( error) untuk melakukan evaluasi tersebut. b. Training phase: Pada tahap ini, dianggap bahwa data mining mampu mengevaluasi secara hatihati. Analisator diharapkan mampu melakukan kajian perusahaan dan menerapkan sisi objektif dan kriteria berdasarkan tahap sebelumnya. Pilihan yang dipilih oleh analisator merupakan aspek yang sangat fundamental. Penting diingat bahwa diperlukan metode yang efisien dan mudah dalam implementasi dan mampu dilakukan visualisasi masalah dengan baik. Pada tahap ini akan didapatkan dua kemungkinan, antara lain adalah: evaluasi preliminary dari metode

data mining yang berbeda dan definisi dari system prototype data mining. c. Creation phase: Berdasarkan hasil evaluasi yang telah dilakukan pada tahap sebelumnya, dapat dilakukan re-organize terhadap prosedur bisnis dengan memasukkan aktivitas data mining. Lebih jelasnya adalah dengan melakukan tahap ini dimungkinkan untuk mengubah database bisnis dengan beberapa kemungkinan dari data warehouse. Untuk membangun prototype data mining, kita harus mampu melakukan operasi terhadap permasalahan tersebut. d. Migration phase: Pada tahap ini kita membutuhkan semua perencanaan organisasi yang mendukung, lalu proses data mining dapat dilakukan secara integrasi. Ini berarti mengajar user yang potensial pada sebuah sistem dan meningkatkan kepercayaan kepada mereka dan benefit akan didapat. Secara konstan, dilakukan evaluasi dan komunikasi pada hasil efisien yang didapat dari proses

data mining. (Tamat)

Newspapers in Indonesian

Newspapers from Indonesia

© PressReader. All rights reserved.