Sunday, November 4, 2018

Big Data Analytics (BDA) - 6

Big Data Analytics (BDA) - 6
Kita sambung lagi cerita analitik. Ada 3 jenis lagi nak kena terangkan.
.
3. Jenis analitik yang ketiga dipanggil “Predictive Analytics” – ahli nujum gitu. Analitik sebegini dapat menjangka apa akan terjadi, dan bila akan terjadi.
.
Contoh, tiap-tiap tahun, bila musim cuti sekolah, pendapatan kita memang akan bertambah, kalau tak banyak pun akan bertambah sikit. Tiap tahun, kita akan main agak-agak keputusan untuk tambah pengeluaran produk pada musim cuti sekolah. Kadang terlebih, maka banyak stok berlebihan. Kadang terkurang, makanya tak dapat menampung permintaan pelanggan, dan peluang nak tambah pendapatan syarikat, luput begitu sahaja.
Sistem BDA ni bila dah belajar corak, ia akan memberi notis pada kita, kena tambah produk tertentu untuk menampung permintaan untuk pelanggan yang tertentu. Menujum sebegini, tak boleh guna data untuk sebulan dua, kena makan tahun. Sistem kena belajar corak, dan buat simulasi. Kita kena pastikan simulasi ini tepat. Bukan main letak data dalam sistem, pastu tekan butang, dan semua “prediction” dan “forecast” berlaku sekelip mata. Inilah salah tanggapan manusia tentang BDA. Dia ingat BDA tu ada Ahli Silap Mata, dengan satu butang petik semua masalah selesai. ðŸ™„
.
Analitik sebegini dah memang tahap canggih. Kena ada “Artificial Intelligence - AI” atau pembelajaran oleh mesin/sistem (Machine Learning -ML) dan juga pakar data yang dipanggil saintis data.
.
4. Analitik tahap tertinggi di panggil “Prescriptive Analytics”, boleh memberitahu kita tindakan apa yang perlu kita ambil.
.
Sebelum capai tahap ni, kena ada orang yang catit dan masukkan segala aktiviti dan tindakan yang diambil supaya sistem ni belajar. Proses ini berulang-ulang kali, bukan sekali aje buatnya. Kalau tak macamana mesin ni nak belajar. Macam manusia juga la, nak pandai kena belajar, kena ada yang bimbing.
Contoh, sistem dah bagi tahu, pelanggan umur 30-35 keatas, akan pulun beli barang tertentu pada waktu tertentu. Sistem yang ada AI/ML akan mula bagi notis, untuk promosi barang tu untuk lingkungan profil pelanggan yang tertentu supaya kita tak terlupa. Biasanya dia akan bagi notis dalam bentuk macam ni "If you promote this item at this xxxxxx targeted customer segment, you will get 95% chance of this xxxxx product will be sold out within xxx days/weeks". Canggih kaaannn.
.
Satu lagi contoh, sistem akan bagi nasihat, jangan promosi kan produk tertentu, pada pelanggan tertentu sebab, dalam “sejarah” tindakan macam tu tak pernah laku. Jadi kalau kita orang baru bekerja dalam syarikat, tak ada la kita buat kesilapan yang besar. Tapi ada jugak kes, satu dalam sejuta dinamakan “miracle happens”. Yang ni sistem canggih macammana pun tak dapat nak tolong. Redha ajela.🤣
5. Analitik yang terakhir, analitk tahap dewa dipanggil “Cognitive Analytics”. Ni dah tahap nak tiru sebiji macamana manusia dapat menganalisa data. Sistem dan Mesin masih tak boleh menandingi kepakaran manusia dalam menganalisa. Sistem tak ada intipati ihsan dan dapat mencantumi segala aspek luaran dan dalaman persekitaran dalam membuat keputusan.
Ada kemungkinan keputusan sistem ini akan memutuskan, kalau nak tambah pendapatan, buang pekerja. Sebabnya data yang ada dalam sistem adalah hanya data kos yang tinggi dalam mengaji pekerja. Tapi sebagai manusia, kita tidak akan terus membuat keputusan macam tu aje. Kita akan menggunakan elemen empati, atau segera menggunakan pemikiran kritikal dan mencantumkan segala strategi dan model perniagaan, dan juga melihat perkhidmatan yang baru, yang boleh dilaksanakan dengan terlebih awal dari perancangan asal. Ini membolehkan kita masih dapat menggunakan kepakaran pekerja kita.
Sehabis ringkas, saya cuba berkongsi ilmu tentang BDA ini, tanpa teknikal terlampau. Moga-moga tuan-puan mendapat manfaat.


Big Data Analytics (BDA) - 5

Big Data Analytics (BDA) - 5

Dah banyak cerita tentang data. Dah kumpul data berbulan-bulan, bertahun-tahun, tak berguna satu sen pun kalau kita tak belajar atau ambil orang yang pakar macamana nak analisa data.
.
Analisa data ni bukan perkara mudah. Secara umumlah yea, kalau nak pandai analisa data - kena ada 4 skil:
.
1. Pandai membuat penyelidikan dan mengumpul data yang bersesuaian,
2. Pandai membaca data, faham corak (pattern) dan kepincangan (anomalies) data,
3. Pandai menyelesaikan masalah and tahu apa tindakan yang perlu diambil (Problem solver and Creative, thinking) dan
4. Pandai berkomunikasi.
Amacam, boleh demam nak kena pandai semua ni ye tak. Sebab tu syarikat besar mengambil "talent", suruh buat kerja tu. Kalau kita nak buat semua, boleh mengundang kebiulan pada otak kita.
.
Analisa data ni sebenarnya nak buat apa? Ada 5 analitik yang membuahkan syarikat dapat membuat keputusan dengan cepat dan tepat:
.
1. Tahu apa yang berlaku tiap bulan dalam syarikat. Ini dipanggil ‘Descriptive Analytics”. Contoh la, kita boleh tengok pendapatan bulan ni naik ke turun, kos operasi bulan ni naik ke turun, jumlah pelanggan bertambah ke berkurang pada bulan ni? Ini asas. Tak payah pakai teknologi canggih atau ambil orang pakar, Sheets atau Excel pun boleh.
.
2. Tahu kenapa dan apa yang terjadi bila corak data dah menyimpang daripada sediakala. Ini dipanggil “Diagnostic Analytics”. Contoh, sepatutnya tiap bulan pendapatan kita secara purata ada 10K, sekali bulan lepas ada penurunan, sebanyak 5K. Kita mula tertanya, kenapa ni? Dah mula kena “selak” dan “gerudi” data yang ada. Nak selak dan gerudi ini lah kita perlukan data yang agak luarbiasa. Data dari Sosial Media, akan mengatakan orang dah viral produk kita tak bermutu, data dari pusat pelanggan, menunjukkan khidmat pelanggan kita yang teruk, data dari operasi menyatakan produk kita laku keras bulan sebelumnya, tetapi operasi kita tak dapat menampung permintaan. Macam-macam la…nak tahu sebab apa memang kena “slice and dice”data-data yang ada. Sebab tu lagi banyak dan pelbagai data, lagi bagus, namakan lagi big data.
Kalau tak ada data sebegini, kita akan main agak2 – dan keputusan yang dibuat untuk memantap syarikat pun main agak-agak. Dalam "Diagnostic Analytics", kita masih boleh pakai Sheets atau Excel, tapi makan hari atau minggu untuk mendapat keputusan, atau boleh mula beli aplikasi “data visualisation”.
.
Panjang betul nota ni, kita bersambunglah. kalau yang tak sabar, boleh berdempek dengan Tuan Amir Jumaat, dia pakar data analytik dan seorang saintis data.



Big Data Analytics (BDA) - 4

Big Data Analytics (BDA) - 4
Kali ni saya nak jual nama seorang sahabat, Tuan Shazlan Anwar pakar dan towkey dalam Internet of Things - IoT - gadget penting dalam BDA.

IoT ini adalah apa2 alat seperti sensor, camera, RFID yang tugasan hakikinya memberi kita data. Contoh la, kalau kita ada kilang dan dalam kilang ni ada mesin buat produk. Nak pantau mesin ni bergerak 24 jam, rosak ke, takan nak letak seorang pekerja kat situ, duk terpacak depan mesin 24 jam. Naya kan.
Maka kita letak la sensor. Tugas sensor ni duk pantau dulu. Kalau dah bergerak 10K kali pastu dia jem, nanti sistem BDA ni belajar trend. Lepas tu bolehla sistem ini agak2 (predict) bila mesin tu kena diberhentikan sekejap untuk diselenggara, bukanla tunggu dia mati mengejut. Boleh terganggu penghasilan produk. Rugi la.

Contoh lagi, kalau kita pasang sensor dikedai untuk kira orang lalu lalang masuk kedai kita, boleh la tahu berapa ramai orang lalu-lalang depan kedai (dipanggil footfall), dan tahu berapa ramai orang yang lalu tu masuk dalam kedai (penetration).

Kalau lah ada 100 orang sehari lalulang dan yang masuk 5 orang aja (maknanya 5% kadar kemasukan), dengan data sebegini kita boleh buat tindakan. Nak kena cantikkan kedai ke supaya menarik dan tertarik, buat promosi ke, apa2 ajela nak suruh orang dapat masuk kedai. Dah masuk tu..orang2 sales mulakan tugas untuk melayan sebaik2nya pelanggan untuk "close" sale.
Yang penting kita nak selesaikan masalah apa dalam syarikat untuk capai matlamat perniagaan.
Pada siapa yang nak tahu lebih lanjut, bolehlah berdempek dengan Tuan Shazlan.
Bersambung



Big Data Analytics (BDA) - 3

Big Data Analytics (BDA) - 3
.
Bila data dah banyak kumpul paling kurang 6 bulan ke atas, dan dah buat "data visualisation", paling tidak buat carta bar, baru kita mula nak tanya soalan. Soalan yang akan membuahkan "insights" - pemahaman yang mendalam tentang sesuatu perkara. (Panjang bebenor nak terjemah insights)
.
Ni aku malas nak tanya TINTO, makin pening bila dah macam-macam dia keluar terma-terma yang aku tak faham.
.
Ok la, camni la. Pernah tak tengok cerita The Interns. Ala cerita pasal lelaki berusia 70 tahun menjadi pelatih disyarikat jual baju atas talian. Ada satu babak tu depa duk pakat ramai2 seronok tengok pembeli tengah buat apa dalam laman website mereka.
.
Boleh nampak atas peta, ada orang tengah melayari website mereka, ada dah tekan butang checkout. Bila ada yang membeli mereka bersorak riang. Apa-apa aktiviti yang berlaku dalam website mereka dari daerah/negeri mana, mereka boleh tahu. Teknik ini dipanggil "Data Visualization using Interactive Map".
.
Tetiba ada seorang pelanggan tak jadi beli, Dah tekan butang check out, lepas tu dia batalkan. Soalan pertama terpacul kenapa ya?
.
Ini adalah permulaan insights. Kena tanya soalan dan disusuli pulak pelbagai soalan. Nak kena tanya soalan apa ? Blur la.
.
Sebelum ada data kita akan tanya soalan, macamana pemasaran melalui email kita setakat ini? Kita jawap ok bos. Naik 1%.
.
Tapi jika kita dah ada data atau dah dilakarkan trend, kita boleh tanya soalan macam ni:
.
Bagaimanakah pemasaran melalui e-mel kita pada suku tahun ini mengikut KPI yang telah ditetapkan untuk pendaftaran baru e-mel dan "Click through rate", dan apakah pendapatan yang dijana melalui pemasaran melalui e-mel sekarang berbanding dengan suku tahun lepas?.
.
Kan soalan yang diajukan tu lebih bermakna dan teperinci. Asbab dengan soalan macam ni, kita sekarang boleh tahu, yang KPI kita tak mencapai sasaran atau dah capai sasaran. Kita boleh buat keputusan dan bertindak untuk lakukan langkah seterusnya, Insight leads to Action.
.
Secara umum la, 3 elemen penting dalam bertanya soalan dari data:
1. Ada masa yang spesifik dan tertentu
2. Ada KPI/Matlamat yang dipantau
3. Ada rangka masa perbandingan untuk melihat samada kita berjaya (relative success)
Banyak lagi soalan-soalan yang boleh ditanya. Yang penting tanya soalan yang akan membantu anda memahami "kenapa".
Bersambung




Big Data Analytics (BDA) - 2

Big Data Analytics (BDA) - 2

Lepas kita dah ada data, nak buat apa ya? Simpan dalam gua ke? Idakla weeii. Kita kena terjemahkan data dalam bentuk gambar. Errr...data kena lukis jadi pokok ke? Hikhik. Terjemahan data ini dipanggil Data Visualization. Macam2 rupa graf, peta, carta, 3D boleh diterjemahkan dan terbentuk.
.
Menterjemah data ini bukan boleh hentam kromo. Kena tahu graf apa, untuk beritau mesej apa, nak cerita macamana dan untuk siapa. Kalau minat nak belajar, boleh baca buku Advanced Presentations by Design oleh Andrew Abela.
.
Bila dah mula buat satu carta, kita mula nampak, apasal tak betul carta ini? Rupa2 nya data tak cukup, atau data salah atau data "kotor". Makanya kenalah yang tak cukup tu diadakan, yang salah tu kena betul kan, yang kotor tu kena bersihkan. Proses ini berulang2 kena buat dan nama teknikal diberi adalah "data mining", "data validation" dan "data cleansing".
.
Kalau nak cerita dan faham satu persatu, memang dah masuk alam lain. Kita ringkas2 sahaja.
Bersambung





Big data analytics (BDA) - 1

Big data analytics (BDA) - 1
Topik ni kalau nak cerita, menguap besar dan tidur semua orang. Tak menarik langsung. Tak de drama.
.
Kalau ada juga nak tahu, kita faham dulu kitaran BDA. Ianya amat senang. Ia kena bermula dari matlamat syarikat dan organisasi. Baru tahu apa data yang nak gapai dulu. kalau tak ada, adakan. Kalau dah ada, kumpulkan dulu. Tak kira la dalam bentuk apa.
.
Data tu apa ya? Kalau kita usahawan, data yang perlu ada adalah tentang pelanggan kita. Nama, no telepon, emel, dan alamat. Tu asas la.
.
Kalau nak kira dalam big data analytics ni, lagi banyak data lagi bagus. Contoh data yang sesuai: dia beli apa, suka apa, berapa purata perbelanjaan, bila dia beli, kat mana, dengan siapa, dekat dengan kedai mana, pakai tunai ke credit, waktu apa, berapa kali..macam2 lagi la. Nak senarai kat sini, silap haribulan kena blok dengan FB. Kumpul dulu.
.
Dengan kecanggihan teknologi, data tak kisah dalam bentuk apa. Dari borang kertas pun boleh di "digitize" masuk dalam sistem. Ada jugak dari sensor yang pantau berapa ramai orang masuk kedai.
Untuk berapa tahun ya nak kumpul data ini ? Sampai bila2. Ya...lagi banyak lagi bagus. Sebab tu namanya big data.
Bersambung


Travelog TINTO #32

Travelog TINTO #32
Malam pembukaan Web Summit bermula pada 6.30pm , dimulakan dengan CEO Web Summit dengan santai memperkenalkan Perdana Menteri Portugal untuk memberi ucapan alu-aluan. Ucapan hanya untuk 5 minit.

Selepas tu Forum bersama panel ekonomi dan sesi temubual dengan aktor Hollywood Joseph Gordon Levitt, bercerita bagaimana dia memulakan sebuah syarikat IT.

Sesi akhir, 150 CEO syarikat startup dari Portugal bersama Mayor of Lisbon dan PM of Portugal mengalu-alukan kami semua.

Pembukaan yang dirasmikan oleh Mayor of Lisbon, sangat ringkas dan penuh bermakna, tamat pada 7.40pm.

p/s 15,000 orang membanjiri dan memenuhi arena Meo.






Travelog TINTO #30

Travelog TINTO #30

Di Lisbon, terasa bagai kita didalam dunia seni. Seni yang mereka niagakan.

Kereta diubah suai untuk menjual lagu-lagu.

Orang mengecat diri sendiri dan tidak bergerak kecuali apabila duit telah diberi.

Unik sungguh!


Travelog TINTO #29

Travelog TINTO #29

Walau dimana saya berada, dalam beg tangan mesti ada buku nota atau kertas dan pen untuk saya catit apa-apa.

Kawasan di sekitar Terrairo Do Paco memberi banyak ilham.

Minta suami tunggu sebentar sementara saya catit. Tak sangka di ambil gambar saya. hehe.



Travelog TINTO #28

Travelog TINTO #28

Pagi tadi kami naik Elevador. Lift besi yang masih diselenggarakan dengan baik.

Kawasan Lisbon adalah berbukit bukau. Memang perjalanan kami turun naik bukit.

Seperti biasa, pemandangan sekitar Lisbon tidak pernah mengecewakan.

Suami kata, cepat tangkap gambar ala-ala Siti Nurhaliza. Haha..amacam? ada gaya?





Travelog TINTO #27

Travelog TINTO #27

Terjumpa satu tempat menarik untuk kami abadikan satu kenangan indah.

Bahagi terasa, didalam taman, bertemankan tampalan seramik lama, pandangan yang kami pasakkan untuk bekerja keras membangunkan Xsesit.

Jalan terus!



Travelog TINTO #26

Travelog TINTO #26

Promosi besar-besaran memang telah diadakan oleh penganjur Web summit.

Merata-rata papan iklan dan "signage" besi Web Summit di letakkan.

Kami dapat beli satu tiket yang sah sehingga 11 November untuk pengangkutan, naik bas, tram, Metro. Harga Euro25. Tiket ini pihak penganjur yang uruskan dengan pihak Metro.

Jadinya inilah modal untuk kami bersiar-siar serata Lisbon.