Loncat ke konten
02_Elemen/Ikon/PanahKiri Kembali ke Wawasan
Wawasan > Kinerja pemasaran

Mencapai Hasil yang Ambisius dengan Ilmu Data

4 menit baca | Avi Jain, Pemimpin Klien Sains Data Regional, Nielsen | Maret 2019

Kita hidup di dunia di mana data tumbuh secara eksponensial, dan semakin banyak upaya yang dilakukan untuk memanfaatkannya dengan lebih baik. Pemasar saat ini memiliki lebih dari cukup data yang tersedia bagi mereka, namun 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 dilatih. Setelah bekerja selama bertahun-tahun dalam proyek-proyek ilmu data dan analitik, saya dapat melihat cara yang lebih mudah untuk mencapai tujuan yang lebih besar dan lebih berani.

Ini adalah proses empat langkah:

  1. Mulailah dengan hasil yang ambisius
  2. Pisahkan hasil menjadi beberapa set tindakan yang lebih kecil
  3. Jelajahi data dan jalankan analisis (berulang)
  4. Kaitkan temuan-temuan tersebut dengan hasil yang telah ditetapkan

Proses ini bekerja lebih baik daripada proses pemecahan masalah sains data tradisional karena mengurangi ambiguitas dan mendorong dorongan untuk mencapai hasil dengan semua orang yang terlibat. Proses data science tradisional biasanya dimulai dengan mengidentifikasi pernyataan masalah, kemudian bergerak menuju pengumpulan data, pemodelan data, dan evaluasi. Inti dari proses data science tradisional adalah kompleksitas. Kompleksitas umumnya memaksa kita untuk berpikir lebih rasional, analitis, dan tidak membuat kita menggunakan kreativitas. Di sisi lain, ambisi mendorong kita untuk memulai dengan pemikiran kreatif dan kemudian bergerak ke arah sisi analitis otak kita.

Sekarang mari kita uraikan prosesnya 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 saham. Psikologi perilaku mengatakan bahwa penting untuk membingkai ulang tujuan secara positif karena hal ini akan menipu pikiran Anda untuk berpikir lebih kreatif untuk mencapai tujuan.

Dalam contoh ini, katakanlah Anda ingin meningkatkan pangsa pasar dengan memperluas jaringan distribusi di Indonesia. Indonesia adalah negara yang sangat terpecah-pecah secara geografis, dengan 17.000 pulau, dan transportasi merupakan sebuah tantangan. Untuk mencapai hal ini, tujuannya adalah untuk menjangkau 50% hingga 80% pasar dengan biaya serendah mungkin dan semua ini dalam kurun waktu satu tahun.

Pisahkan hasil Anda ke dalam rangkaian tindakan yang lebih kecil

Hal ini sangat penting karena Anda ingin memecah hasil ambisius yang besar menjadi kumpulan yang lebih kecil dan mudah dikelola. Hal ini juga membantu untuk memasukkan data Anda ke dalam kumpulan yang "saling eksklusif dan lengkap". Hal ini membantu membaginya menjadi beberapa sub-tujuan dan mempercepat prosesnya. Dalam contoh kami, kami membagi hasil menjadi tiga set tindakan:

  1. Wilayah geografis yang padat yang membutuhkan penyiapan distributor
  2. Geografis yang tersebar yang membutuhkan pengaturan sub-distributor
  3. Kelompok populasi yang berkembang

Jelajahi kumpulan data dan jalankan analisis

Ini adalah bagian penting dari proses ini. Mulailah dengan mengeksplorasi sumber data dan membuat daftar apa yang tersedia dan apa yang tidak tersedia (namun 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 set data ini untuk mendapatkan sejumlah fitur yang berarti.

Namun, kami juga menyadari di mana kumpulan data kami kurang memadai. Dalam hal ini, kami mungkin menemukan bahwa ada area yang cukup luas di luar cakupan ritel kami. Akibatnya, kita mungkin tidak memiliki jenis informasi tertentu, seperti populasi, jumlah bank, yang dapat mengindikasikan kemakmuran, dan data lainnya. Jadi, kita harus mengidentifikasi sumber lain seperti sensus penduduk untuk mendapatkan fitur-fitur ini.

Kumpulan data ini kemudian digabungkan dan dijalankan melalui model regresi berganda, yang mengidentifikasi peluang untuk setiap area/lokasi.

Beberapa iterasi mungkin diperlukan untuk memastikan keakuratan prediksi. Terakhir, data ini dapat digabungkan dengan data distribusi klien atau pihak pertama.

Kaitkan temuan-temuan tersebut dengan hasilnya

Langkah terakhir adalah menyatukan semua hasil dari rangkaian tindakan.

Dalam contoh ini, kami kemudian dapat menggunakan data ini untuk menggambar klaster area/blok yang memberikan peluang paling besar dan secara realistis dapat didukung oleh jaringan distribusi yang ada dengan hanya sedikit peningkatan pada radiusnya dan mendirikan beberapa sub-distributor di klaster yang sedang berkembang.

Dalam contoh ini, kami dapat menggabungkan beberapa kumpulan data untuk memberikan solusi sederhana yang menguraikan solusi yang jelas untuk tujuan yang besar dan ambisius. Hal ini menunjukkan bahwa tidak selalu bermanfaat untuk memulai dengan pernyataan masalah, tetapi lebih baik dengan tujuan ambisius yang positif.

Jadi, lain kali jika Anda memulai dengan proyek baru, berikan kesempatan pada proses ini dan mulailah dengan tujuan yang ambisius dan pemikiran yang kreatif.

Lanjutkan menelusuri wawasan serupa