Kita hidup di dunia di mana data tumbuh secara eksponensial, dan semakin banyak upaya yang akan dilakukan untuk memanfaatkannya dengan lebih baik. Pemasar saat ini memiliki lebih dari cukup data yang tersedia bagi mereka, tetapi mereka mencari cara yang lebih baik untuk menggunakan dan menghubungkan kumpulan data mereka untuk mendapatkan wawasan yang lebih dalam dan lebih berharga.
Tantangannya terletak pada cara kita melihat penerapan ilmu data dan cara kita sebagai ilmuwan data telah dilatih. Bekerja selama bertahun-tahun dalam proyek ilmu data dan analitik, saya telah dapat melihat cara yang lebih mudah untuk mencapai tujuan yang lebih besar dan lebih berani.
Ini adalah proses empat langkah:
- Mulailah dengan hasil yang ambisius
- Pisahkan hasilnya menjadi set tindakan yang lebih kecil
- Jelajahi data dan jalankan analisis (berulang)
- Ikat temuan dengan hasil yang ditetapkan
Proses ini bekerja lebih baik daripada proses pemecahan masalah ilmu data tradisional karena mengurangi ambiguitas dan mendorong dorongan untuk hasil dengan semua orang yang terlibat. Proses ilmu data tradisional biasanya dimulai dengan mengidentifikasi pernyataan masalah, kemudian bergerak menuju pengumpulan data, pemodelan dan evaluasi data. Inti dari proses ilmu data tradisional adalah kompleksitas. Kompleksitas umumnya memaksa kita untuk berpikir lebih rasional, analitis dan tidak membuat kita menggunakan kreativitas kita. Ambisi di sisi lain mendorong kita untuk memulai dengan pemikiran kreatif dan kemudian bergerak menuju sisi analitis otak kita.
Sekarang mari kita pecahkan proses kita ke dalam langkah-langkah individual.
Mulailah dengan hasil yang ambisius
Katakanlah Anda ingin mencapai 5% saham tambahan di tahun depan. Pertama, tentukan hasil ambisius Anda. Dalam hal ini, 5% lebih banyak bagian. Psikologi perilaku mengatakan penting untuk membingkai ulang tujuan secara positif karena menipu pikiran Anda untuk berpikir lebih kreatif untuk mencapai tujuan.
Dalam contoh ini, katakanlah Anda ingin meningkatkan pangsa dengan memperluas jaringan distribusi Anda di Indonesia. Indonesia adalah negara yang sangat terfragmentasi secara geografis, dengan 17.000 pulau, dan transportasi adalah tantangan. Untuk mencapai hal ini, tujuannya adalah untuk mencapai dari 50% hingga 80% dari pasar dengan biaya serendah mungkin dan semua ini dalam rentang waktu satu tahun.
Pisahkan hasil Anda menjadi kumpulan tindakan yang lebih kecil
Ini sangat penting karena Anda ingin memecah hasil ambisius besar Anda menjadi set yang lebih kecil yang dapat dikelola. Ini juga membantu memasukkan data Anda ke dalam set "saling eksklusif secara kolektif yang lengkap". Ini membantu membaginya menjadi beberapa sub-tujuan dan mempercepat prosesnya. Dalam contoh kami, kami membagi hasilnya menjadi tiga set tindakan:
- Geografi padat yang membutuhkan pengaturan distributor
- Geografi yang tersebar membutuhkan pengaturan sub-distributor
- Klaster populasi yang terus bertambah
Jelajahi kumpulan data dan jalankan analisis
Ini adalah bagian besar dari proses. Mulailah dengan menjelajahi sumber data dan membuat daftar apa yang tersedia dan apa yang tidak (tetapi harus dimiliki). Dalam contoh ini, kita dapat menggunakan sensus ritel Nielsen dan data panel ritel dengan fitur yang berbeda seperti ukuran toko, penjualan toko, koordinat lokasi toko, dll. Kita kemudian dapat mengintegrasikan kedua kumpulan data ini untuk sampai pada sejumlah fitur yang bermakna.
Namun, kami juga mengenali di mana kumpulan data kami gagal. Dalam hal ini, kita mungkin menemukan bahwa ada area yang cukup besar di luar lingkup ritel kita. Akibatnya, kita mungkin tidak memiliki jenis informasi tertentu, seperti populasi, jumlah bank, yang dapat menunjukkan kemakmuran, dan data lainnya. Jadi kita harus mengidentifikasi sumber lain seperti sensus populasi untuk mendapatkan fitur-fitur ini.
Kumpulan data ini kemudian digabungkan dan dijalankan melalui model regresi berganda, yang mengidentifikasi peluang untuk setiap area/lokalitas.
Beberapa iterasi kemungkinan diperlukan untuk memastikan keakuratan prediksi. Akhirnya, data ini dapat digabungkan dengan data distribusi klien atau pihak pertama.
Ikat temuan dengan hasilnya
Langkah terakhir adalah mengikat semua hasil dari set tindakan bersama-sama.
Dalam contoh ini, kami kemudian dapat menggunakan data ini untuk menggambar kluster area/blok yang memberikan peluang paling besar dan dapat didukung secara realistis oleh jaringan distribusi yang ada dengan hanya sedikit peningkatan radius mereka dan pengaturan beberapa sub-distributor dalam cluster yang sedang berkembang.
Dalam contoh ini, kami dapat menggabungkan beberapa set data untuk memberikan solusi sederhana yang menguraikan solusi yang jelas untuk tujuan yang besar dan ambisius. Yang menunjukkan bahwa tidak selalu membayar untuk memulai dengan pernyataan masalah, melainkan tujuan ambisius yang positif.
Jadi lain kali Anda mulai dengan proyek baru, berikan kesempatan pada proses ini dan mulailah dengan tujuan ambisius dan pemikiran kreatif.
