Peran Data Science di Industri

Chapter sebelumnya mendefinisikan data science sebagai perpaduan statistika, pemrograman, dan pemahaman domain. Pertanyaan berikutnya yang wajar muncul: siapa sebenarnya yang memakainya, dan untuk keputusan apa? Pada chapter ini kita memotret pemanfaatan data science di lima industri, menghitung dampaknya lewat satu contoh angka kecil, lalu membedah pembagian kerja di dalam tim data. Setelah membaca chapter ini, kita akan tahu posisi materi Course ini di dunia kerja yang sesungguhnya.

Pemanfaatan di Berbagai Industri #

Setiap industri mengumpulkan jenis data yang berbeda, sehingga pertanyaan yang dijawab data science pun berbeda-beda. Tabel berikut merangkum lima contoh pemanfaatan yang paling sering dibicarakan:

Di ritel, bayangkan sebuah jaringan toko yang menjual kopi dan teh. Riwayat belanja pelanggan dipakai untuk menyusun rekomendasi produk di halaman aplikasi, sedangkan data penjualan per toko menentukan jumlah stok yang dikirim dari gudang. Di keuangan, bank memakai data historis pinjaman untuk menilai risiko calon peminjam sekaligus menandai transaksi yang polanya tidak wajar. Di transportasi, aplikasi ojek daring menyesuaikan tarif dan penempatan pengemudi berdasarkan prakiraan permintaan per jam di tiap wilayah.

Pertanian pun kini memanfaatkan data: prakiraan cuaca dan data harga pasar membantu petani menentukan waktu tanam, kebutuhan pupuk, serta waktu jual yang paling menguntungkan. Di kesehatan, analisis rekam medis membantu rumah sakit memprioritaskan pemeriksaan pasien, sementara model pembaca citra membantu dokter menandai area rontgen yang perlu diperiksa lebih lanjut. Jika kita perhatikan keenam contoh tersebut, polanya sama: ada data yang terkumpul, ada pertanyaan yang ingin dijawab, dan ada keputusan yang menjadi lebih baik karena jawaban tersebut.

Menghitung Dampak dengan Contoh Kecil #

Pemanfaatan industri baru meyakinkan bila dampaknya bisa dihitung, bukan sekadar diceritakan. Mari kita ambil kasus paling sederhana dari ritel: fitur rekomendasi produk pada aplikasi belanja. Kita akan membandingkan nilai belanja rata-rata dua kelompok pelanggan — kelompok yang memakai fitur rekomendasi dan kelompok yang tidak memakainya.

# Nilai belanja dua kelompok pelanggan (ribuan rupiah)
tanpa_rekomendasi = [38, 25, 41, 30, 36]
dengan_rekomendasi = [45, 52, 39, 61, 48]

rata_a = sum(tanpa_rekomendasi) / len(tanpa_rekomendasi)
rata_b = sum(dengan_rekomendasi) / len(dengan_rekomendasi)
kenaikan = (rata_b - rata_a) / rata_a * 100

print("Rata-rata belanja tanpa rekomendasi :", rata_a)
print("Rata-rata belanja dengan rekomendasi:", rata_b)
print("Kenaikan rata-rata belanja          :", round(kenaikan, 1), "persen")

Output yang Dihasilkan:

Rata-rata belanja tanpa rekomendasi : 34.0
Rata-rata belanja dengan rekomendasi: 49.0
Kenaikan rata-rata belanja          : 44.1 persen

Mari kita telaah baris-baris kode di atas:

1. Baris 2-3 (tanpa_rekomendasi, dengan_rekomendasi): dua list menyimpan nilai belanja lima pelanggan pada tiap kelompok. Nilai pada posisi yang sama tidak perlu dipasangkan — yang dibandingkan adalah rata-rata antarkelompok.
2. Baris 5-6 (rata_a, rata_b): rata-rata tiap kelompok dihitung dengan sum() dibagi len(). Hitungan seperti ini juga tersedia siap pakai pada modul statistics bawaan Python melalui fungsi statistics.mean() .
3. Baris 7 (kenaikan = ...): selisih kedua rata-rata dibagi rata-rata kelompok pertama, lalu dikali 100 supaya berbentuk persentase.
4. Baris 9-11 (print(...)): hasil dicetak; round(..., 1) membulatkan angka ke satu digit di belakang koma agar mudah dibaca.

Rata-rata belanja naik dari 34.0 menjadi 49.0 ribu rupiah — kenaikan 44.1 persen. Kita perlu jujur tentang keterbatasan contoh ini: lima pelanggan per kelompok terlalu sedikit untuk disimpulkan secara ilmiah, karena bisa saja selisihnya kebetulan. Di proyek sesungguhnya, kita akan menguji signifikansi selisih dengan statistika inferensial — materi yang kita bahas tuntas pada Section Statistika untuk Data Science. Detail bahasa Python pada contoh di atas juga akan kita kuasai bertahap pada Section Python untuk Data Science.

Empat Peran di Dalam Tim Data #

Pemanfaatan di atas tidak dikerjakan oleh satu orang saja. Di organisasi yang pembagian kerjanya sudah matang, pekerjaan data dijalankan beberapa peran yang saling melengkapi. Empat peran berikut yang paling sering kita temui:

Keempat peran tersebut bekerja pada satu aliran data yang sama. Data engineer membangun pipeline yang mengalirkan data dari kasir, aplikasi, dan sistem lain ke gudang data. Data analyst mengolah data rapi tersebut menjadi laporan dan dashboard yang dibaca manajemen — umumnya dengan SQL dan pustaka pandas, yang tutorial pengantarnya tersedia resmi. Data scientist memakai data yang sama untuk membangun model, misalnya model yang memperkirakan pelanggan mana yang akan berhenti berlangganan. Selanjutnya, ML engineer menyiapkan model tersebut agar dapat dipanggil oleh aplikasi produksi dan tetap terpantau.

Rangkuman #

• Data science dipakai lintas industri: ritel, keuangan, kesehatan, transportasi, hingga pertanian. Bentuk pertanyaannya berbeda-beda, tetapi polanya sama — data, pertanyaan, keputusan.
• Dampak pemanfaatan selalu perlu diukur, bahkan lewat hitungan sederhana seperti membandingkan rata-rata dua kelompok pelanggan.
• Tim data umumnya terdiri atas data analyst, data scientist, data engineer, dan ML engineer yang bekerja pada satu aliran data dengan fokus yang saling melengkapi.

Kini kita punya gambaran industri dan pembagian peran. Perhatikan bahwa dua peran pertama pada tabel — data analyst dan data scientist — terlihat mirip dan sering membingungkan pemula, bahkan pada lowongan pekerjaan sekalipun. Chapter berikutnya menajamkan batas keduanya pada pembahasan Data Science vs Data Analysis .