Belajar Machine Learning, Mesin ‘Peramal’ Bisnis

Tahukah Anda, teknologi data mining dan machine learning mampu untuk mengolah data demografik pelanggan dan secara otomatis merekomendasikan segmentasi pelanggan yang sangat jelas untuk membantu para marketer melakukan berbagai targeted campaign?

Tetapi sebenarnya pemanfaatannya untuk bisnis tidak berhenti di scenario di atas dan faktanya terus berkembang. Dengan teknologi data mining dan machine learning, pola dari berbagai data bisnis lainnya bisa didapatkan, diolah oleh machine learning dan dimanfaatkan untuk mencari tren bisnis atau perilaku pasar ke depan berdasarkan demografik, periode, musim, suhu dan cuaca atau faktor tertentu lainnya. Dari situ, kita dapat “memprediksikan” atau “meramalkan” hasil yang akan didapatkan oleh bisnis sehingga pengambil keputusan dapat mengambil tindakan yang dapat menekan resiko yang tidak perlu dan di sisi lain menindaklanjuti temuan peluang yang tidak terlihat sebelumnya. Kemampuan ini disebut predictive analytic.

Salah satu pemanfaatan riil di industri grosir, ritel dan logistik adalah memprediksi kebutuhan pasar terhadap makanan segar (fresh food). Stok makanan segar menimbulkan problem besar karena banyaknya buangan (waste) yang terjadi, bahkan ada data yang menunjukkan bahwa industri secara keseluruhan kehilangan multi miliaran dollar akibat waste ini dan juga opportunity loss – karena pelanggan tidak mendapatkan stok makanan segar yang laku ‘tiba-tiba’ dan tidak dapat diantisipasi.

Dengan pemanfaatan predictive analytic, sebuah rantai grosir internasional akhirnya dapat memprediksikan permintaan pelanggan terhadap makanan segar ini dan akhirnya dapat mengurangi waste kurang lebih sebesar 50%.

Pemanfaatan di bidang lainnya adalah mendeteksi dan memprediksi fraud atau kecurangan di bidang finance, resiko kredit dari seorang pengaju aplikasi, memprediksi tingkat churn rate atau pelanggan yang meninggalkan bisnis, meningkatkan loyalitas pelanggan, tipe dan jumlah produksi barang yang harus dihasilkan oleh manufaktur dalam periode 6 bulan, dan lain-lain.

Cara Kerja Machine Learning

Dengan tren pemanfaatan yang semakin intens, banyak pelaku bisnis yang masih bingung akan cara kerja machine learning dan menjadi penghalang yang sangat signifikan untuk dapat memanfaatkan teknologi ini dengan baik.

Gampangnya, cara kerja machine learning dapat dianalogikan seperti penyajian makanan di restoran. Pertama, kita perlu menerima order dari menu makanan yang diinginkan. Pesanan ini adalah business objektif yang dinginkan – misalkan ingin melakukan efisiensi biaya supply chain. Kedua, adalah mempersiapkan bahan-bahan sesuai resep menu yang dipesan. Bahan-bahan ini adalah data-data yang dibutuhkan, apakah dari sumber internal maupun eksternal. Tahap ini biasanya memakan waktu paling lama. Ketiga, adalah tahap memasak makanan. Tahap ini di machine learning adalah menemukan pola dan membentuk model prediksi komputer. Keempat, adalah melakukan uji rasa makanan. Pengujian model terhadap data lain perlu dilakukan untuk memastikan model benar-benar telah siap digunakan. Tahap kelima adalah menyajikan dan mengantarkan makanan kepada pelanggan. Tahap ini adalah menggunakan model dalam berbagai bentuk, apakah itu dalam bentuk aplikasi web based, Excel atau aplikasi mobile untuk memasukkan data dan langsung mengeluarkan hasil prediksi.

Semua software atau layanan cloud machine learning yang dapat digunakan memiliki tahapan-tahapan seperti ini. Beberapa contoh diantaranya adalah Azure Machine Learning, Google Machine Learning, Amazon Web Services Machine Learning, WEKA, dan lain-lain.

Implementasi teknologi Machine Learning

Seperti telah disinggung di atas, tahapan persiapan data adalah tahapan yang memakan waktu paling lama dan paling sulit dilakukan. Hal ini dikarenakan kita perlu melalui banyak tahapan data management seperti melakukan integrasi data, melakukan data cleansing untuk menjaga kualitas data, melakukan data reduction atau menghilangkan data yang tidak perlu – misalkan kita memilih data umur dan menghilangkan tanggal lahir, melakukan data enrichment atau mengambil data dari luar – misalkan data cuaca, melakukan transformasi data dan menyiapkan sebuah data warehouse jika diperlukan.

Jika kualitas data rendah, tidak terintegrasi, dan data yang dimasukkan terlalu banyak/sedikit tentunya akan mendapatkan model prediksi yang tidak tepat, atau istilahnya garbage in garbage out. Mulailah untuk melakukan hal-hal yang telah disebutkan di atas dan menangkan kompetisi di pasar dengan teknologi yang semakin mudah didapatkan ini. Kuncinya adalah data Anda yang siap “dimasak”!

Belajar Machine Learning dengan DQLab.id – kursus data science online membantu peserta menerapkan teknologi data mining & machine learning secara praktis & aplikatif.

Keseluruhan tahapan data management untuk melakukan implementasi teknologi Machine Learning akan Anda dapatkan dengan bergabung di program DQlab. Peserta akan belajar mengelola kompleksitas data menggunakan project, dan dataset yang mencerminkan kebutuhan industri.

Belajar data science efektif, aplikatif, dan praktis, ya di DQLab.id!