Bab 2: Data Analytics Lifecycle & CRISP-DM

Kenapa Dibutuhkan Kerangka Kerja yang Jelas

Bayangkan kamu ditugaskan untuk menganalisis kenapa tingkat retensi pelanggan Belanjain menurun dalam tiga bulan terakhir. Jika langsung membuka data tanpa arah yang jelas, kemungkinan besar kamu akan kebingungan harus mulai dari mana. Apakah langsung membuka seluruh tabel transaksi? Apakah langsung membuat grafik dari kolom yang terlihat menarik? Tanpa kerangka kerja yang jelas, proses analisis data sangat mudah menjadi tidak terarah, menghabiskan waktu pada hal yang sebenarnya tidak relevan dengan pertanyaan bisnis yang sebenarnya ingin dijawab.

Di sinilah pentingnya memiliki kerangka kerja yang sistematis. Kerangka kerja ini bukan aturan kaku yang harus diikuti kata per kata, melainkan lebih seperti peta yang membantu kamu mengetahui posisi kamu saat ini dalam sebuah proyek analisis, langkah apa yang seharusnya sudah selesai, dan langkah apa yang perlu dilakukan selanjutnya. Salah satu kerangka kerja yang paling banyak dipakai di industri data, meskipun awalnya dikembangkan untuk konteks data mining, adalah CRISP-DM.

Mengenal CRISP-DM

CRISP-DM adalah singkatan dari Cross-Industry Standard Process for Data Mining. Nama ini terdengar rumit, tetapi konsepnya sebenarnya cukup intuitif. Kerangka kerja ini dikembangkan pada akhir tahun 1990-an oleh sekelompok perusahaan yang ingin memiliki standar umum dalam menjalankan proyek berbasis data, dan hingga saat ini masih menjadi salah satu kerangka kerja paling populer yang diadaptasi luas, termasuk dalam pekerjaan Data Analyst sehari-hari, meskipun awalnya lebih ditujukan untuk proyek data mining maupun machine learning.

CRISP-DM terdiri dari enam tahapan yang saling berkaitan. Penting dipahami sejak awal bahwa keenam tahapan ini tidak selalu berjalan lurus dari tahap pertama ke tahap terakhir dalam satu alur saja. Pada praktiknya, seorang Data Analyst sering harus kembali ke tahap sebelumnya ketika menemukan sesuatu yang tidak sesuai dugaan, sehingga prosesnya lebih menyerupai siklus yang berputar dibanding garis lurus.

Tahap pertama adalah Business Understanding. Tahap ini adalah tahap paling awal sekaligus paling sering dianggap remeh oleh pemula, padahal justru menjadi fondasi dari seluruh proyek analisis data. Pada tahap ini, seorang Data Analyst perlu memahami betul apa sebenarnya pertanyaan atau masalah bisnis yang ingin dijawab. Sebagai contoh, ketika tim manajemen Belanjain mengatakan "retensi pelanggan menurun", seorang Data Analyst yang baik tidak langsung menerima pernyataan ini secara mentah, melainkan menggali lebih dalam. Retensi yang dimaksud itu retensi pelanggan baru atau pelanggan lama? Menurun dibanding periode kapan? Apakah ini penurunan di semua kategori produk, atau hanya kategori tertentu? Kesalahan memahami pertanyaan bisnis di tahap ini akan berakibat fatal, karena seluruh analisis yang dilakukan setelahnya bisa jadi menjawab pertanyaan yang salah, meskipun secara teknis pengerjaannya sempurna.

Tahap kedua adalah Data Understanding. Setelah pertanyaan bisnis cukup jelas, tahap berikutnya adalah mengenali data apa saja yang tersedia dan relevan untuk menjawab pertanyaan tersebut. Pada tahap ini, seorang Data Analyst biasanya mulai membuka data secara eksploratif, melihat kolom apa saja yang ada, berapa banyak baris data yang tersedia, rentang waktu data tersebut mencakup periode apa saja, dan yang tidak kalah penting, sejauh mana kualitas data tersebut bisa diandalkan. Apakah ada data yang hilang? Apakah ada nilai yang terlihat aneh atau tidak masuk akal, misalnya umur pelanggan tercatat 200 tahun? Tahap ini berfungsi untuk memastikan Data Analyst benar-benar memahami karakteristik data yang akan diolah, sebelum masuk ke tahap pengolahan yang lebih dalam.

Tahap ketiga adalah Data Preparation. Tahap ini sering menjadi tahap yang memakan waktu paling banyak dalam sebuah proyek analisis data, bahkan tidak jarang melebihi separuh total waktu keseluruhan proyek. Pada tahap ini, data yang sudah dikenali karakteristiknya di tahap sebelumnya mulai dibersihkan dan dipersiapkan agar siap dianalisis. Proses ini mencakup menangani data yang hilang atau kosong, menghapus data duplikat, memperbaiki format yang tidak konsisten misalnya format tanggal yang berbeda-beda antar baris, hingga menggabungkan data dari beberapa sumber berbeda jika diperlukan. Data yang tidak dipersiapkan dengan baik pada tahap ini akan menghasilkan analisis yang menyesatkan pada tahap selanjutnya, meskipun teknik analisis yang digunakan sudah benar.

Tahap keempat adalah Modeling, meskipun dalam konteks pekerjaan Data Analyst sehari-hari, istilah "modeling" ini sering lebih tepat diartikan sebagai tahap analisis, dibanding modeling dalam artian machine learning yang lebih menjadi ranah Data Scientist. Pada tahap ini, data yang sudah bersih mulai diolah menggunakan teknik analisis yang sesuai dengan pertanyaan bisnis, misalnya menghitung agregasi data, membuat perbandingan antar periode, mencari korelasi antar variabel, atau melakukan segmentasi pelanggan berdasarkan pola pembelian mereka.

Tahap kelima adalah Evaluation. Setelah hasil analisis didapatkan, bukan berarti proses langsung selesai dan siap disampaikan begitu saja. Tahap evaluasi berfungsi untuk memastikan hasil analisis yang didapat benar-benar valid dan relevan menjawab pertanyaan bisnis yang dirumuskan di tahap Business Understanding. Pada tahap ini, Data Analyst perlu mengecek kembali, apakah hasil analisis ini masuk akal? Apakah ada kemungkinan kesalahan yang tidak disadari, misalnya salah menghitung periode waktu, atau tanpa sengaja memasukkan data yang seharusnya dikecualikan? Tahap ini juga menjadi momen untuk mempertanyakan kembali apakah hasil analisis ini benar-benar menjawab pertanyaan awal, atau justru melenceng dari tujuan semula.

Tahap keenam adalah Deployment, yang dalam konteks Data Analyst lebih tepat dipahami sebagai tahap penyampaian dan penerapan hasil analisis. Tahap ini mencakup bagaimana hasil analisis dikomunikasikan kepada pihak yang membutuhkan, baik dalam bentuk laporan tertulis, presentasi, maupun dashboard yang bisa diakses secara berkelanjutan oleh tim terkait. Tahap ini juga mencakup tindak lanjut setelah hasil analisis disampaikan, misalnya apakah rekomendasi yang diberikan benar-benar diterapkan, dan apakah perlu dilakukan monitoring lanjutan untuk melihat apakah tindakan yang diambil berdasarkan analisis tersebut memberikan dampak yang diharapkan.

Kenapa Prosesnya Jarang Berjalan Lurus

Salah satu kesalahpahaman umum bagi pemula adalah menganggap keenam tahap CRISP-DM ini harus dijalankan secara berurutan dari awal hingga akhir tanpa pernah kembali ke tahap sebelumnya. Pada praktiknya, hal ini sangat jarang terjadi. Sebagai ilustrasi, bayangkan seorang Data Analyst di Belanjain sudah sampai di tahap Data Preparation, lalu menyadari bahwa data yang tersedia ternyata tidak mencakup informasi yang dibutuhkan untuk menjawab pertanyaan bisnis secara utuh, misalnya data metode pembayaran ternyata tidak tercatat lengkap untuk transaksi sebelum bulan tertentu. Dalam situasi ini, Data Analyst perlu kembali ke tahap Data Understanding, bahkan mungkin ke tahap Business Understanding untuk mempersempit kembali pertanyaan yang bisa dijawab dengan data yang tersedia.

Situasi lain yang juga sering terjadi adalah ketika hasil analisis pada tahap Evaluation ternyata tidak sesuai ekspektasi atau terlihat janggal. Dalam kondisi ini, Data Analyst perlu kembali menelusuri apakah masalahnya ada di tahap Data Preparation yang kurang teliti, atau bahkan mungkin pertanyaan bisnis yang dirumuskan di awal ternyata perlu diperjelas lagi. Sifat berputar seperti inilah yang membuat CRISP-DM lebih tepat dipahami sebagai siklus, bukan garis lurus, dan memahami hal ini sejak awal akan membantu kamu tidak merasa "gagal" ketika harus kembali ke tahap sebelumnya selama proses analisis. Kembali ke tahap sebelumnya bukan tanda proses yang salah, melainkan bagian normal dari cara kerja seorang Data Analyst.

Menerapkan CRISP-DM pada Kasus Belanjain

Untuk memperjelas bagaimana keenam tahap ini bekerja secara nyata, mari kita telusuri kembali skenario yang mirip dengan Bab 1, kali ini dengan pertanyaan bisnis yang berbeda: tim manajemen Belanjain ingin mengetahui kenapa tingkat retensi pelanggan baru menurun dalam tiga bulan terakhir.

Pada tahap Business Understanding, Data Analyst perlu memperjelas dulu definisi "retensi pelanggan baru" yang dimaksud, misalnya disepakati sebagai persentase pelanggan yang melakukan pembelian pertama dalam suatu bulan, lalu kembali melakukan pembelian kedua dalam 30 hari setelahnya. Pertanyaan bisnis ini kemudian dipersempit menjadi: "Apakah penurunan retensi ini terjadi merata di semua kategori produk pembelian pertama, atau terkonsentrasi pada kategori tertentu?"

Pada tahap Data Understanding, Data Analyst mulai membuka data transaksi pelanggan, mengenali kolom-kolom yang tersedia seperti tanggal transaksi pertama, kategori produk yang dibeli, dan tanggal transaksi berikutnya jika ada. Di tahap ini ditemukan bahwa data metode pengiriman ternyata memiliki cukup banyak nilai kosong pada periode tiga bulan terakhir, sesuatu yang perlu dicatat sebagai catatan penting untuk tahap selanjutnya.

Pada tahap Data Preparation, Data Analyst membersihkan data tersebut, menangani nilai kosong pada kolom metode pengiriman, dan menggabungkan data transaksi pertama dan kedua setiap pelanggan menjadi satu tabel yang siap dianalisis. Pada tahap Modeling, data ini kemudian diolah untuk menghitung persentase retensi per kategori produk pembelian pertama, dan dibandingkan antar bulan.

Hasil awal menunjukkan retensi pelanggan yang pembelian pertamanya di kategori Elektronik justru mengalami penurunan paling tajam. Namun pada tahap Evaluation, Data Analyst menyadari bahwa jumlah pelanggan baru di kategori Elektronik pada bulan tersebut ternyata jauh lebih sedikit dibanding kategori lain, sehingga persentase yang terlihat besar sebenarnya berasal dari basis data yang sangat kecil dan berpotensi menyesatkan jika langsung disimpulkan begitu saja. Temuan ini membuat Data Analyst kembali ke tahap Modeling untuk menambahkan konteks jumlah pelanggan di setiap kategori, bukan hanya persentase retensinya saja.

Setelah hasil dirasa valid dan cukup solid, pada tahap Deployment, Data Analyst menyampaikan temuan ini kepada tim terkait dalam bentuk ringkasan tertulis yang menjelaskan bahwa penurunan retensi paling signifikan secara persentase memang terjadi di kategori Elektronik, namun perlu kehati-hatian dalam menginterpretasikannya karena basis pelanggannya kecil, sementara kategori dengan basis pelanggan besar seperti Fashion justru menunjukkan tren retensi yang relatif stabil.

Contoh ini menunjukkan bagaimana proses CRISP-DM tidak selalu berjalan mulus dari satu tahap ke tahap berikutnya, dan bagaimana kembali ke tahap sebelumnya justru menjadi bagian penting untuk menghasilkan analisis yang benar-benar valid, bukan sekadar terlihat meyakinkan di permukaan.