Data! Data! Data! Aku tak bisa membuat bata tanpa lempung

Analitix Terbitan #2

Kegagalan analitika

Crystal Widjaja menulis “Kenapa Kebanyakan Upaya Analitika Gagal?” di Reforge. Tulisan ini mengulas cara membabat akar masalah yang menyebabkan kesalahan-kesalahan ketika melakukan analisa data. Dalam tulisan itu, dia juga berusaha mengingatkan, barangkali ada yang lupa, bahwa tujuan tim analitika bukanlah soal kesukesan dalam mengukur, tapi keberhasilan dalam menganalisa. Dia juga memberikan templat pelacakan peristiwa yang dipicu oleh pengguna dalam produk digital. Model templat lain bisa juga didapatkan dari platform analitika seperti Amplitude. Bulan lalu, Walmart juga berbagi tentang itu.

Dasbor yang baik?

Sebelum lanjut, baiknya anda buka dulu tautan ini: implikasi bisnisnya amat jelas.

Lalu tautan ini juga mesti anda buka dulu.

Saya nemu tulisan di publikasi tentang visualisasi data Nightingale. “Dasbor adalah monumen tentang apa-apa yang penting dalam organisasi.” yang membahas bagaimana dasbor mestinya tak sekadar untuk memberi informasi, tapi juga membuat kerja menjadi selaras.

Analitika gim

Di Februari 2012, Mark Gazecki dari HoneyTracks menyampaikan presentasi soal analitika gim di acara Casual Connect Europe. Pertanyaan yang sering muncul soal analitika gim adalah seputar metrik terpenting yang mesti diperhatikan. Mark Gazecki berpendapat bahwa itu tergantung pada masing-masing tahap dalam siklus hidup sebuah gim. Dalam presentasi ini dia juga memberikan contoh praktis analisa gim. Salindia presentasi bisa diunduh di sini.

LTV belum mati

Lifetime Value (LTV) adalah metrik yang menunjukkan proyeksi keuntungan yang akan dihasilkan dari pelanggan sepanjang waktu mereka menjadi pelanggan. Contoh yang bagus dengan memakai kasus Starbuck bisa lihat di sini. Dalam salindia Eric Seufert, anda bisa melihat apa saja data yang diperlukan untuk bisa mengukur LTV. Dan ini referensi yang berguna tentang kehati-hatian macam bagaimana yang diperlukan ketika membuat model pengukuran LTV.

Apakah pengguna meninggalkan kita?

Perusahaan tempat saya bekerja sekarang menggunakan Google Analytics for Firebase sebagai salah satu platform untuk mengukur performa produk. Salah satu atasan saya bertanya terkait retention. “Okelah retention hari ke 7 kita x%, lalu ke mana sisanya? Apa mereka betulan gak pakai lagi?” Begitu kira-kira pertanyaannya. Untuk menjawab itu, mau tak mau analisa terhadap pengguna yang menghapus aplikasi dari gawainya mesti dilakukan. Saya menggabungkan data retention dan hapus aplikasi untuk mendapatkan informasi berapa persen pengguna yang masih memasang aplikasi untuk kemudian bisa dilakukan prediksi setinggi apa rasio retention bisa ditingkatkan.

Kerja menumpuk

Jika anda bekerja sebagai analis data, menyusun laporan kemungkinan besar termasuk dalam pekerjaan anda. Barangkali tiap hari, atau bahkan tiap jam, ada saja orang menanyakan laporan atau sekadar data belaka. Ini ada artikel tentang langkah praktis untuk menyelamatkan diri sendiri.

Tapi membikin kanal Slack semacam ini sepertinya lebih seru dan berdampak ketimbang tenggelam dalam kalimat-kalimat motivasi:

https://twitter.com/sarah_edo/status/1329313863813087234

Judul terbitan #2

Saya ambil dari video ini. Sherlock Holmes sedang memperingatkan Dr. Watson tentang bahayanya menarik kesimpulan ketika yang seharusnya dilakukan adalah mengumpulkan data. Analisa dipakai untuk menjelaskan data, bukan membuat-buatnya.

Hi, Saya Ed. Terima kasih sudah berlangganan dan membaca nawala Analitix. Ini terbitan kedua. Saya sangat mengharapkan masukan dari anda terkait nawala ini. Terutama untuk menyesuaikan konten dengan kebutuhan pembaca. Sila ketuk di sini untuk beri masukan atau sekadar berkenalan.