Bab ini adalah peta jalan. Ia tidak mengajarkan satu teknik pun secara mendalam, tetapi memberi kita kerangka berpikir yang akan dipakai di seluruh buku: apa itu decision analytics, bagaimana keempat tingkat analytics saling terhubung, dan mengapa urutan tersebut penting. Di akhir bab, kita akan melihat satu contoh utuh—dari data mentah hingga rekomendasi keputusan—dalam bentuk yang sangat disederhanakan.
Decision Analytics adalah disiplin yang menggunakan data, model, dan penalaran untuk meningkatkan kualitas keputusan. Kata kuncinya adalah keputusan, bukan analisis. Banyak organisasi menghasilkan laporan dan dashboard yang rapi tetapi tetap mengambil keputusan dengan perut—bukan karena analisisnya salah, melainkan karena analisisnya tidak pernah dirancang untuk berujung pada tindakan.
Tiga gagasan membedakan decision analytics dari sekadar “analisis data”:
Definisi kerja. Decision Analytics adalah proses mengubah data menjadi rekomendasi tindakan yang dapat dieksekusi, dengan memperhitungkan ketidakpastian dan keterbatasan dunia nyata.
Literatur analytics biasanya membedakan empat tingkat kematangan, yang secara kolektif dikenal sebagai tangga analytics:
| Tingkat | Pertanyaan | Contoh Keluaran | Disiplin Utama |
|---|---|---|---|
| Descriptive | Apa yang telah terjadi? | Ringkasan penjualan bulanan, dashboard KPI | Statistika, business intelligence |
| Diagnostic | Mengapa hal itu terjadi? | Analisis akar masalah, segmentasi penyebab | Statistika, visual analytics |
| Predictive | Apa yang kemungkinan besar akan terjadi? | Forecast permintaan, skor risiko churn | Machine learning, ekonometrika |
| Prescriptive | Apa yang sebaiknya kita lakukan? | Jadwal optimal, alokasi anggaran, kebijakan harga | Riset operasi, simulasi, teori keputusan |
Diagnostic sering diperlakukan sebagai “sub-tingkat” dari descriptive, karena keduanya bekerja pada data historis. Namun secara praktik, lompatan dari apa ke mengapa membutuhkan teknik dan kebiasaan berpikir yang cukup berbeda—sehingga dalam buku ini ia mendapat porsi tersendiri di Bagian I.
Tangga ini bukan hierarki nilai—setiap tingkat bernilai jika menjawab pertanyaan yang tepat. Perusahaan yang belum memiliki dashboard yang andal tidak akan banyak memperoleh manfaat dari model optimasi canggih. Sebagian besar kegagalan analytics bukan karena tekniknya terlalu sederhana, melainkan karena fondasinya belum kokoh.
Analytics bukan kegiatan sekali jalan. Ia adalah bagian dari siklus yang berulang:
Banyak kegagalan analytics terjadi karena satu atau lebih tahap ini dilewati. Model prediksi yang bagus tetapi tidak pernah sampai ke Action hanya menghasilkan laporan. Keputusan yang diambil tanpa Framing yang jelas akan menghasilkan analisis yang tidak relevan.
Sebelum masuk ke bab-bab teknis, mari lihat bagaimana keempat tingkat analytics bekerja pada satu kasus yang sama. Contoh ini sangat disederhanakan—detailnya akan dibahas di bagian-bagian berikutnya—tetapi tujuannya adalah memperlihatkan bahwa keempat tingkat itu bukan empat topik terpisah, melainkan empat lapisan dari satu percakapan yang sama.
Skenario. Sebuah kedai kopi ingin memahami penjualannya dan memutuskan berapa banyak barista yang perlu dijadwalkan setiap jam.
import numpy as np
import pandas as pd
# Membangkitkan data sintetis: penjualan per jam selama 30 hari
np.random.seed(42)
jam = pd.date_range("2025-01-01", periods=30 * 24, freq="h")
pola_harian = 20 + 10 * np.sin(np.arange(len(jam)) * 2 * np.pi / 24)
penjualan = np.maximum(0, pola_harian + np.random.normal(0, 3, len(jam)))
df = pd.DataFrame({"waktu": jam, "penjualan": penjualan})
df["jam"] = df["waktu"].dt.hour
df["hari"] = df["waktu"].dt.day_name()ringkasan = df.groupby("jam")["penjualan"].mean().round(1)
print(ringkasan)jam
0 20.3
1 22.0
2 25.0
3 26.8
4 28.5
5 29.7
6 30.2
7 29.3
8 28.7
9 27.8
10 25.0
11 23.1
12 19.9
13 16.8
14 14.5
15 13.1
16 10.5
17 11.7
18 11.0
19 10.4
20 10.9
21 12.4
22 14.2
23 17.4
Name: penjualan, dtype: float64Keluaran ini memberi kita gambaran: pada jam berapa penjualan tinggi, pada jam berapa rendah. Ini adalah pekerjaan descriptive analytics—meringkas masa lalu agar dapat dipahami.
per_hari = df.groupby("hari")["penjualan"].mean().round(1)
print(per_hari)hari
Friday 20.0
Monday 19.9
Saturday 20.0
Sunday 20.2
Thursday 20.0
Tuesday 20.3
Wednesday 19.6
Name: penjualan, dtype: float64Jika kita melihat bahwa Senin pagi secara konsisten lebih rendah dari hari lain, kita bisa mulai bertanya mengapa—apakah karena lokasi, cuaca, kompetitor, atau karena memang pola pelanggan. Ini adalah pekerjaan diagnostic analytics: tidak berhenti pada “apa”, tetapi mengejar “mengapa”.
# Forecast sederhana: rata-rata historis per jam sebagai prediksi
prediksi_per_jam = df.groupby("jam")["penjualan"].mean().round(1)
print(prediksi_per_jam)jam
0 20.3
1 22.0
2 25.0
3 26.8
4 28.5
5 29.7
6 30.2
7 29.3
8 28.7
9 27.8
10 25.0
11 23.1
12 19.9
13 16.8
14 14.5
15 13.1
16 10.5
17 11.7
18 11.0
19 10.4
20 10.9
21 12.4
22 14.2
23 17.4
Name: penjualan, dtype: float64Model prediksi yang sesungguhnya (dibahas di Bagian II) akan jauh lebih canggih—mempertimbangkan hari dalam seminggu, musim, promosi, dan sebagainya. Tetapi idenya sama: mengubah data historis menjadi estimasi tentang masa depan.
from pulp import LpVariable, LpMinimize, LpProblem, lpSum, LpInteger, value
# Setiap barista melayani ~5 pelanggan/jam; tambahkan margin keamanan 10%
kapasitas_per_barista = 5
margin = 1.1
barista = LpVariable.dicts("barista", range(24), lowBound=1, cat=LpInteger)
model = LpProblem("penjadwalan_barista", LpMinimize)
model += lpSum([barista[h] for h in range(24)]) # minimalkan total barista
for h in range(24):
model += barista[h] * kapasitas_per_barista >= prediksi_per_jam.iloc[h] * margin
model.solve()
jadwal = {h: int(value(barista[h])) for h in range(24)}
print(jadwal)Welcome to the CBC MILP Solver
Version: 2.10.3
Build Date: Dec 15 2019
command line - /Users/chakraroy/miniconda3/envs/decanal/lib/python3.11/site-packages/pulp/apis/../solverdir/cbc/osx/i64/cbc /var/folders/67/ntcn5rhj6r98wjkx_hg095lm0000gn/T/d5cf69e3c0dc4aa4bb07ed7f6eb88d70-pulp.mps -timeMode elapsed -solve -printingOptions all -solution /var/folders/67/ntcn5rhj6r98wjkx_hg095lm0000gn/T/d5cf69e3c0dc4aa4bb07ed7f6eb88d70-pulp.sol (default strategy 1)
At line 2 NAME MODEL
At line 3 ROWS
At line 29 COLUMNS
At line 126 RHS
At line 151 BOUNDS
At line 176 ENDATA
Problem MODEL has 24 rows, 24 columns and 24 elements
Coin0008I MODEL read with 0 errors
Option for timeMode changed from cpu to elapsed
Continuous objective value is 105.424 - 0.00 seconds
Cgl0004I processed model has 0 rows, 0 columns (0 integer (0 of which binary)) and 0 elements
Cbc3007W No integer variables - nothing to do
Cuts at root node changed objective from 118 to -1.79769e+308
Probing was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
Gomory was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
Knapsack was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
Clique was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
MixedIntegerRounding2 was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
FlowCover was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
TwoMirCuts was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
ZeroHalf was tried 0 times and created 0 cuts of which 0 were active after adding rounds of cuts (0.000 seconds)
Result - Optimal solution found
Objective value: 118.00000000
Enumerated nodes: 0
Total iterations: 24
Time (CPU seconds): 0.00
Time (Wallclock seconds): 0.00
Option for printingOptions changed from normal to all
Total time (CPU seconds): 0.00 (Wallclock seconds): 0.00
{0: 5, 1: 5, 2: 6, 3: 6, 4: 7, 5: 7, 6: 7, 7: 7, 8: 7, 9: 7, 10: 6, 11: 6, 12: 5, 13: 4, 14: 4, 15: 3, 16: 3, 17: 3, 18: 3, 19: 3, 20: 3, 21: 3, 22: 4, 23: 4}Sekarang kita tidak lagi sekadar memprediksi—kita merekomendasikan tindakan: berapa barista yang harus dijadwalkan pada setiap jam agar kapasitas cukup, dengan jumlah barista seminimal mungkin. Ini adalah prescriptive analytics.
Satu dataset, empat pertanyaan berbeda, empat jenis keluaran:
| Tingkat | Pertanyaan | Output pada contoh ini |
|---|---|---|
| Descriptive | Apa yang terjadi? | Rata-rata penjualan per jam |
| Diagnostic | Mengapa? | Perbedaan penjualan antahari |
| Predictive | Apa yang akan terjadi? | Estimasi penjualan per jam esok hari |
| Prescriptive | Apa yang sebaiknya dilakukan? | Jadwal barista yang optimal |
Dalam praktik nyata, setiap tingkat membutuhkan teknik, data, dan pertimbangan yang jauh lebih kaya. Tetapi struktur berpikirnya sama—dan itulah yang akan kita kuasai melalui buku ini.
Demo di atas menggunakan data sintetis agar dapat dijalankan tanpa dataset eksternal. Dataset pendamping buku ini (lihat Dataset Pendamping) akan menjadi bahan untuk versi yang jauh lebih realistis di setiap bagian.
Decision analytics bukan disiplin tunggal; ia adalah simpul dari beberapa tradisi intelektual yang lebih tua:
Buku ini tidak berusaha menggantikan pelatihan mendalam di masing-masing disiplin. Ia berusaha menyusun mereka dalam satu alur kerja yang koheren.
Salah satu temuan paling konsisten dalam literatur analytics adalah bahwa sebagian besar nilai hilang di “last mile”—bukan karena modelnya salah, melainkan karena rekomendasinya tidak pernah sampai ke pengambil keputusan, atau sampai tetapi tidak dipercaya.
Tiga penghalang yang paling umum:
Karena itu, di setiap bab Bagian II dan III kita akan menemukan kotak “Jembatan”—kotak yang secara eksplisit menanyakan: jika hasil ini benar, keputusan apa yang akan berubah, dan siapa yang harus meyakinkannya?
Seluruh buku menggunakan satu atau lebih dataset pendamping—yang relevan dengan subyek yang sedang dibahas. Dataset ini dipilih karena ia dapat dianalisis pada keempat tingkat analytics tanpa kehilangan koherensi.
| Tingkat | Pertanyaan yang akan kita ajukan pada dataset pendamping |
|---|---|
| Descriptive | Bagaimana pola pelanggan, produk, atau transaksi saat ini? |
| Diagnostic | Mengapa pola ini muncul? Segmen mana yang paling berbeda? |
| Predictive | Pelanggan mana yang berisiko tinggi, produk mana yang akan laris? |
| Prescriptive | Retensi, alokasi stok, atau intervensi apa yang optimal? |
Dengan menggunakan satu atau lebih dataset yg konsisten dari awal sampai akhir, kita akan melihat bagaimana pertanyaan yang berbeda menghasilkan analisis yang berbeda, bahkan ketika datanya sama.
Bagian I — Descriptive & Diagnostic Analytics. Fondasi: cara membaca, membersihkan, dan memahami data. kita akan berkenalan dengan Python, pandas, visualisasi, dan alat diagnostik. Bagian ini menjawab apa dan mengapa.
Bagian II — Predictive Analytics. Cara memodelkan hubungan antarvariabel dan memprediksi masa depan. kita akan mempelajari regresi, klasifikasi, time series, unsupervised learning, dan simulasi Monte Carlo sebagai jembatan ke Bagian III. Bagian ini menjawab apa yang akan terjadi.
Bagian III — Prescriptive Analytics. Puncak perjalanan: mengambil keputusan optimal di bawah ketidakpastian dan keterbatasan. kita akan mempelajari linear programming, integer programming, optimasi jaringan, simulasi keputusan, dan integrasi prediksi ke dalam model optimasi. Bagian ini menjawab apa yang sebaiknya dilakukan.
Bagaimana ketiganya terhubung. Bagian I menyiapkan data; Bagian II mengubahnya menjadi prediksi; Bagian III mengubah prediksi menjadi rekomendasi tindakan. kita tidak dapat melompat ke Bagian III tanpa fondasi Bagian I dan II—bukan karena aturan akademis, tetapi karena keputusan yang baik membutuhkan prediksi yang baik, dan prediksi yang baik membutuhkan data yang dipahami dengan baik.
Sepanjang buku, beberapa istilah akan muncul berulang kali. Berikut versi ringkas yang akan diperluas di bab-bab selanjutnya.
Analytics — Proses mengubah data menjadi insight dan insight menjadi tindakan. Mencakup keempat tingkat pada Figure 1.
Model — Representasi matematis atau komputasional dari sebagian dunia nyata, dirancang untuk tujuan tertentu.
Fitur (feature) — Variabel masukan dalam sebuah model prediktif. Disebut juga prediktor atau variabel independen.
Overfitting — Kondisi ketika model terlalu menyesuaikan diri pada data latih sehingga buruk dalam memprediksi data baru.
Fungsi tujuan (objective function) — Kuantitas yang ingin dimaksimalkan atau diminimalkan dalam model optimasi.
Kendala (constraint) — Batasan yang harus dipenuhi solusi dalam model optimasi.
Ketidakpastian (uncertainty) — Keadaan ketika hasil dari suatu tindakan tidak dapat diketahui dengan pasti; ditangani melalui probabilitas dan simulasi.
Glosarium lengkap tersedia di bagian akhir buku.
Buku ini dirancang agar dapat dipakai dengan beberapa cara berbeda:
Jika kita mengajar dengan buku ini, gunakan demo sneak peek di atas sebagai kelas pembuka. Ia memberi mahasiswa gambaran utuh sebelum masuk ke detail teknis—dan menjadi jangkar yang bisa dirujuk balik setiap kali mereka merasa tersesat di tengah detail bab.
Dalam bab ini kita telah menetapkan:
Bab berikutnya, Fondasi Decision Analytics, akan mulai membangun fondasi teknis: menyiapkan lingkungan Python, memahami struktur data, dan memperkenalkan dataset pendamping yang akan menemani kita sampai akhir buku. Jika kita baru mengenal Python, bab itu juga menyediakan jalur percepatan singkat agar kita dapat mengikuti bab-bab selanjutnya tanpa hambatan.