Apa itu analisis data?

Analisis data adalah latihan mengumpulkan informasi dan menafsirkan apa artinya. Saat melakukan analisis data, para ahli mengumpulkan data mentah dan menggunakan berbagai metode untuk menafsirkan informasi yang disajikan. Ada lima jenis utama analisis data yang menjelaskan bagaimana para profesional dapat menggunakan berbagai jenis data untuk mencapai kesimpulan dan membuat keputusan. Berikut adalah sedikit informasi lebih lanjut tentang lima jenis utama analisis data:

• Analisis deskriptif: Analisis deskriptif menentukan apa yang terjadi dalam situasi tertentu. Jenis analisis ini biasanya melibatkan pemesanan dan penyesuaian data dari sumber yang berbeda untuk menafsirkan maknanya.
• Analisis eksplorasi: Jenis analisis ini mengeksplorasi hubungan antara titik atau kumpulan data tertentu. Ketika terlibat dalam analisis eksplorasi, Anda dapat menemukan hubungan antara potongan-potongan informasi dan membuat hipotesis untuk menentukan mengapa mereka mungkin berhubungan satu sama lain.
• Analisis prediktif: Analisis prediktif mengacu pada pengembangan prediksi untuk apa yang mungkin terjadi. Ini dapat melibatkan mempertimbangkan hasil dari analisis sebelumnya dan mengeksplorasi tren dan pola untuk membuat estimasi tentang apa yang mungkin terjadi di masa depan.
• Analisis diagnostik: Analisis diagnostik mempertimbangkan mengapa sesuatu terjadi. Saat menggunakan analisis diagnostik, Anda dapat menjelajahi peristiwa yang terjadi dan konteks yang melingkupinya untuk mencapai solusi mengapa peristiwa itu mungkin muncul.
• Analisis preskriptif: Jenis analisis ini mencoba memprediksi bagaimana sesuatu mungkin terjadi. Analisis preskriptif mempertimbangkan data mentah yang berhubungan dengan tren atau pola dan menentukan bagaimana hal itu dapat menghasilkan hasil tertentu yang diharapkan.

Mengapa analisis data penting?

Analisis data dapat menjadi sangat penting bagi perusahaan yang menghadapi volume data yang tinggi dan menggunakannya untuk menginformasikan keputusan bisnis di masa depan. Satu situasi di mana analisis data menjadi sangat penting adalah dalam riset pasar, karena para ahli dapat menganalisis data pasar untuk mengembangkan strategi kampanye pemasaran masa depan berdasarkan tanggapan publik. Analisis data juga penting karena dapat memberi tahu bisnis tentang demografi spesifik yang dilayaninya dengan menjelajahi data tentang kebiasaan, minat, dan perilaku pelanggan.

Contoh lain di mana analisis data menjadi penting adalah dalam mengembangkan protokol untuk tempat kerja. Ini karena para profesional manajemen dapat menginterpretasikan data tentang kinerja perusahaan mereka untuk menginformasikan keputusan tentang di mana harus menginvestasikan modal, bagaimana mengembangkan perusahaan mereka dan apa yang mungkin terjadi pada bisnis mereka di masa depan.

7 Metode menganalisis data

Berikut adalah tujuh metode yang dapat Anda gunakan untuk analisis data:

Analisis kohort

Sebuah kelompok mengeksplorasi data historis untuk fokus pada perilaku spesifik yang ditunjukkan konsumen dan menemukan contoh di mana mereka terjadi beberapa kali dalam satu kumpulan data. Misalnya, profesional di bisnis mungkin ingin melakukan analisis kelompok untuk menentukan berapa banyak pelanggan mereka yang berbelanja online dari situs web mereka. Untuk melakukannya, mereka dapat meninjau data historis pada sekelompok 100 pelanggan yang membeli dari mereka di masa lalu dan mencatat berapa banyak dari pelanggan tersebut yang menggunakan situs web perusahaan untuk melakukan pembelian.

Analisis faktor

Analisis faktor mempertimbangkan semua variabel potensial yang mungkin muncul atau memengaruhi kumpulan data tertentu. Para ahli juga terkadang menyebut analisis faktor sebagai pengurangan dimensi karena analisis faktor memandang titik-titik data dari segi dimensinya. Misalnya, sebuah bisnis mungkin menggunakan analisis faktor untuk mempelajari tentang bagaimana pelanggan melihat produk tertentu dengan meminta beberapa pelanggan untuk mendeskripsikan produk dan mencatat semua karakteristik yang mereka identifikasi, seperti warna, bahan, dan kegunaan. Bisnis kemudian dapat menggunakan informasi ini saat mengembangkan produk baru untuk memastikan mereka menyertakan detail yang menarik minat pelanggan.

Analisis regresi

Analisis regresi menggunakan data historis untuk mengamati bagaimana mengubah satu atau lebih variabel independen dapat mempengaruhi variabel dependen yang telah ditetapkan. Para ahli sering menggunakan analisis regresi untuk menemukan hubungan antara variabel tertentu dan membuat prediksi tentang hasil potensial. Ini dapat bermanfaat bagi bisnis yang menjual produk, karena mereka dapat menggunakan analisis regresi untuk mengidentifikasi elemen mana dari produk dan strategi penjualan mereka yang paling efektif, seperti kualitas produk, inisiatif pemasaran, dan keterlibatan pelanggan.

Misalnya, sebuah bisnis mungkin menemukan melalui analisis regresi bahwa penjualan produk utama mereka, variabel dependen, terutama bergantung pada variabel independen aksesibilitas dan publisitas pelanggan. Para pengambil keputusan kemudian dapat menggunakan informasi ini untuk mendistribusikan kembali dana dari area produksi lain untuk meningkatkan publisitas dan aksesibilitas pelanggan mereka, yang mungkin membantu meningkatkan penjualan.

Analisis klaster

Analisis cluster melibatkan pengelompokan item dalam kumpulan data dengan item lain yang memiliki properti serupa. Proses ini menghasilkan sejumlah grup yang masing-masing berisi item yang mirip satu sama lain, yang dapat membantu mengidentifikasi hubungan antara nilai dalam kumpulan data yang awalnya tidak disajikan sebagai terkait. Metode ini dapat sangat efektif dalam industri pemasaran, karena profesional pemasaran dapat menggunakan analisis klaster untuk menemukan kesamaan di antara basis pelanggan perusahaan yang dapat menginformasikan aspek perusahaan mana yang mungkin mereka pasarkan untuk menarik minat bersama yang teridentifikasi.

Analisis teks

Analisis teks mengeksplorasi kumpulan besar data dalam bentuk teks dan menyusunnya kembali untuk membuat informasi lebih mudah diakses dan mudah diatur. Metode analisis ini bisa sangat berharga dalam mempertimbangkan sumber data seperti artikel, tanggapan survei, dan ulasan produk, karena dapat mengelompokkan teks serupa berdasarkan konten, nada, atau niatnya. Misalnya, sebuah bisnis mungkin belajar tentang penerimaan pelanggan mereka terhadap produk tertentu dengan menggunakan analisis teks untuk mengelompokkan komentar atau ulasan yang berpikiran sama tentang produk tersebut bersama-sama, yang menunjukkan tanggapan mana yang paling umum.

Jaringan saraf

Jaringan syaraf tiruan bertindak sebagai dasar untuk algoritma yang dapat melakukan tugas-tugas khusus untuk analisis data secara otomatis. Karena jaringan saraf dirancang untuk mencerminkan bagaimana orang dapat memproses bentuk data tertentu, mereka biasanya belajar dari setiap transaksi data yang berinteraksi dengan mereka dengan mengidentifikasi pola baru, memprediksi nilai baru, dan memproses berbagai bentuk data. Salah satu penggunaan umum jaringan saraf adalah dalam analisis data prediktif, karena jaringan saraf dapat secara otomatis menghasilkan dan menampilkan prediksi volume tinggi di seluruh kumpulan data.

Penambangan data

Penambangan data adalah proses menggunakan metrik untuk menemukan hubungan, pola, dan tren dalam kumpulan data besar yang dapat digunakan para ahli untuk menginformasikan keputusan bisnis. Ketika sebuah perusahaan menggunakan penambangan data, ia dapat mengumpulkan informasi dalam jumlah besar dan secara otomatis menentukan di mana bagian-bagian informasi yang berbeda terhubung. Ini bisa sangat membantu untuk bisnis yang mengalami banyak interaksi online, karena penambangan data dapat memberi tahu mereka tentang minat dan kebiasaan pembelian pelanggan mereka.

• Kualitas data yang buruk. Penyebab kualitas data yang buruk termasuk masalah sistem, kesalahan manusia, dan data yang ketinggalan zaman. Menurut Gartner, organisasi kehilangan sekitar $15 juta per tahun karena masalah kualitas data yang buruk, menjadikan kasus bisnis untuk peningkatan kualitas data sebagai prioritas tinggi.
• Tidak adanya strategi data yang efektif. PwC memperkirakan bahwa organisasi dapat membuat keputusan lima kali lebih cepat dengan strategi data efektif yang memastikan data terlindungi, berkualitas dan bernilai tinggi, serta dapat digunakan untuk tujuan bisnis.
• Kesulitan dalam mencari karyawan yang terampil. Menurut laporan dari SHRM, 75% responden survei mengatakan bahwa kekurangan keterampilan global telah membuat perekrutan kandidat yang memenuhi syarat menjadi lebih sulit. Keterampilan analisis data adalah salah satu dari tiga keterampilan teknis teratas yang hilang, menurut laporan itu.
• Kurangnya sponsor eksekutif. Perusahaan gagal menjadi data-driven karena berbagai alasan. Namun, membangun budaya yang berpusat pada data hanya dapat berhasil jika eksekutif di tingkat tertinggi organisasi berkomitmen untuk membuka nilai data.
• Silo data. Kurangnya satu sumber kebenaran dapat mengakibatkan silo data, kumpulan informasi yang berbeda tidak dibagikan secara efektif. Tata kelola data yang efektif dapat memecah silo data ini dan memungkinkan organisasi untuk mengekstrak nilai bisnis dari data mereka.

Perusahaan berbasis data dapat mengekstrak nilai bisnis dari data melalui kecerdikan manusia dan analisis data, suatu proses pengambilan informasi dari data untuk membuat keputusan yang tepat.

Apa itu analisis data?

Analisis data adalah teknik yang biasanya melibatkan beberapa kegiatan seperti pengumpulan, pembersihan, dan pengorganisasian data. Proses ini, yang biasanya mencakup perangkat lunak analisis data, diperlukan untuk menyiapkan data untuk tujuan bisnis. Analisis data juga dikenal sebagai analitik data, yang digambarkan sebagai ilmu menganalisis data mentah untuk menarik kesimpulan berdasarkan data.

Data datang dalam berbagai struktur, format, dan jenis, termasuk yang berikut:

• Big data. Big data didefinisikan sebagai kumpulan data besar yang terus tumbuh pada tingkat eksponensial dari waktu ke waktu. Empat karakteristik mendasar dari data besar adalah volume, variasi, kecepatan, dan variabilitas. Volume menggambarkan kuantitas, kecepatan mengacu pada kecepatan pertumbuhan data, dan variasi menunjukkan sumber data yang berbeda. Veracity berbicara tentang kualitas data, menentukan apakah itu memberikan nilai bisnis atau tidak.
• Data terstruktur / tidak terstruktur. Data terstruktur adalah model data yang telah ditentukan sebelumnya seperti database baris-kolom tradisional. Data tidak terstruktur hadir dalam format yang tidak sesuai dengan baris dan kolom dan dapat menyertakan video, foto, audio, teks, dan lainnya. Perbandingan data terstruktur versus data tidak terstruktur mengungkapkan bahwa data terstruktur lebih mudah dikelola dan dianalisis.
• Metadata adalah suatu bentuk data yang menggambarkan dan memberikan informasi tentang data lain. Misalnya, metadata untuk suatu gambar dapat menyertakan penulis, jenis gambar, dan tanggal pembuatan. Metadata memungkinkan pengguna untuk mengatur data tidak terstruktur ke dalam kategori, membuatnya lebih mudah untuk digunakan.
• Data waktu nyata. Data yang disajikan segera setelah diperoleh dikenal sebagai data waktu nyata. Jenis data ini berguna ketika keputusan membutuhkan informasi terkini. Misalnya, pialang saham dapat menggunakan ticker pasar saham untuk melacak saham paling aktif secara real time.
• Data mesin. Berkat Internet of Things (IoT), sensor, dan teknologi lainnya, data dapat dihasilkan secara otomatis oleh sistem pabrik dan mesin lainnya, teknologi informasi dan infrastruktur telekomunikasi, mobil pintar, perangkat genggam, dan banyak lagi. Jenis data ini dikenal sebagai data mesin karena diproduksi seluruhnya oleh mesin tanpa instruksi manusia.

Metode dan teknik analisis data berguna untuk menemukan wawasan dalam data, seperti metrik, fakta, dan angka. Dua metode utama untuk analisis data adalah teknik analisis data kualitatif dan teknik analisis data kuantitatif. Teknik analisis data ini dapat digunakan secara independen atau dalam kombinasi dengan yang lain untuk membantu para pemimpin bisnis dan pengambil keputusan memperoleh wawasan bisnis dari tipe data yang berbeda.

Analisis data kuantitatif

Analisis data kuantitatif melibatkan bekerja dengan variabel numerik — termasuk statistik, persentase, perhitungan, pengukuran, dan data lainnya — karena sifat data kuantitatif adalah numerik. Teknik analisis data kuantitatif biasanya mencakup bekerja dengan algoritme, alat analisis matematis, dan perangkat lunak untuk memanipulasi data dan mengungkap wawasan yang mengungkapkan nilai bisnis.

Misalnya, seorang analis data keuangan dapat mengubah satu atau lebih variabel pada neraca Excel perusahaan untuk memproyeksikan kinerja keuangan perusahaan mereka di masa depan. Analisis data kuantitatif juga dapat digunakan untuk menilai data pasar untuk membantu perusahaan menetapkan harga yang kompetitif untuk produk barunya.

Analisis data kualitatif

Data kualitatif menggambarkan informasi yang biasanya non numerik. Pendekatan analisis data kualitatif melibatkan bekerja dengan pengidentifikasi unik, seperti label dan properti, dan variabel kategori, seperti statistik, persentase, dan pengukuran. Seorang analis data dapat menggunakan pendekatan observasi langsung atau partisipan, melakukan wawancara, menjalankan kelompok fokus, atau meninjau dokumen dan artefak dalam analisis data kualitatif.

Analisis data kualitatif dapat digunakan dalam berbagai proses bisnis. Misalnya, teknik analisis data kualitatif sering menjadi bagian dari proses pengembangan perangkat lunak. Penguji perangkat lunak atau merekam bug — mulai dari kesalahan fungsional hingga kesalahan ejaan — untuk menentukan tingkat keparahan bug pada skala yang telah ditentukan: dari kritis hingga rendah. Saat dikumpulkan, data ini memberikan informasi yang dapat membantu meningkatkan produk akhir.

Teknik analisis data kuantitatif

Masing-masing dari berbagai teknik analisis data kuantitatif memiliki pendekatan yang berbeda untuk mengekstraksi nilai dari data. Misalnya, Simulasi Monte Carlo adalah teknik analisis data kuantitatif yang mensimulasikan dan memperkirakan kemungkinan hasil dalam kondisi yang tidak pasti di bidang-bidang seperti keuangan, teknik, dan sains. Penyedia layanan telekomunikasi seluler dapat menggunakannya untuk menganalisis kinerja jaringan menggunakan skenario yang berbeda untuk menemukan peluang untuk mengoptimalkan layanannya. Jenis dan contoh data kuantitatif lainnya termasuk tabulasi silang dan analisis tren.

Di bawah ini adalah deskripsi dan langkah-langkah khas yang terlibat dalam dua teknik analisis data kuantitatif yang populer: analisis regresi dan analisis hipotesis.

Analisis regresi

Analisis regresi adalah jenis metode analisis statistik yang menentukan hubungan antara variabel independen dan dependen. Di bidang keuangan, regresi didefinisikan sebagai metode untuk membantu manajer investasi dan keuangan menilai aset dan menentukan hubungan variabel dalam harga komoditas dan saham.

Melalui eksperimen yang melibatkan manipulasi nilai variabel independen, analis data kuantitatif dapat menilai dampak perubahan pada variabel dependen. Prosesnya dapat dipikirkan dari segi sebab dan akibat. Misalnya, variabel independen dapat berupa jumlah yang diinvestasikan individu di pasar saham dengan variabel dependen jumlah total uang yang akan dimiliki individu saat mereka pensiun.

Dua jenis utama analisis regresi adalah linier sederhana dan linier berganda.

Analisis regresi linier sederhana

Rumus analisis regresi linier sederhana meliputi variabel terikat dan variabel bebas. Representasi matematis dari variabel dependen biasanya Y, sedangkan X mewakili variabel independen.

Contoh penggunaan regresi linier adalah peneliti pasar menganalisis hubungan antara produk perusahaan mereka dan kepuasan pelanggan. Dengan memberi peringkat tingkat kepuasan pelanggan pada skala 1 hingga 10, peneliti pasar dapat menempatkan nilai numerik pada data yang dikumpulkan. Dengan menggunakan data kuantitatif ini, mereka dapat melakukan analisis regresi untuk menentukan hubungan linier antara suatu produk (variabel bebas) dan kepuasan pelanggan (variabel terikat).

Analisis regresi linier berganda

Analisis regresi linier berganda juga termasuk variabel terikat. Perbedaan utama adalah bahwa ia berisi berbagai variabel independen, menghasilkan formula yang berpotensi kompleks untuk melakukan analisis regresi. Namun, alat seperti Microsoft Excel dan perangkat lunak statistik seperti SPSS dapat menyederhanakan tugas analisis regresi linier berganda.

Analisis hipotesis

Analisis hipotesis adalah teknik analisis data yang menggunakan data sampel untuk menguji suatu hipotesis. Analisis hipotesis adalah metode uji statistik untuk memvalidasi asumsi dan menentukan apakah itu masuk akal atau faktual. Dalam pendekatan ini, seorang analis mengembangkan dua hipotesis — hanya satu yang benar. Dua komponen dasar analisis hipotesis adalah hipotesis nol dan hipotesis alternatif.

Hipotesis null

Hipotesis pertama adalah hipotesis null. Null berarti tidak ada perbedaan antara dua kelompok yang diwakili dalam data. Misalnya, hipotesis null akan menyatakan bahwa tidak ada perbedaan dalam prestasi sekolah antara siswa dari masyarakat berpenghasilan tinggi (kelompok 1) dan siswa dari daerah berpenghasilan rendah (kelompok 2). Dalam melakukan analisis hipotesis, tujuan peneliti atau analis adalah untuk menunjukkan bahwa memang ada perbedaan antara kelompok-kelompok dalam penelitian, oleh karena itu menolak validitas hipotesis nol.

Hipotesis alternatif

Hipotesis alternatif biasanya kebalikan dari hipotesis nol. Katakanlah pertumbuhan penjualan tahunan produk tertentu yang ada selama 15 tahun adalah 25%. Hipotesis nol dalam contoh ini adalah bahwa tingkat pertumbuhan rata-rata adalah 25% untuk produk tersebut. Tujuan dari analisis hipotesis adalah untuk menentukan apakah hipotesis nol itu tidak benar. Dalam contoh ini, seorang analis menggunakan hipotesis alternatif untuk menguji apakah asumsi tingkat pertumbuhan 25% akurat. Oleh karena itu, hipotesis alternatifnya adalah bahwa tingkat pertumbuhan bukan 25% untuk produk. Dalam contoh ini, sampel acak dapat berupa tingkat pertumbuhan produk selama lima tahun, bukan 15 tahun. Di akhir pengujian, seorang analis data dapat menarik kesimpulan berdasarkan hasil.

Teknik analisis data kualitatif

Teknik analisis data kualitatif dibangun di atas dua pendekatan data kualitatif utama: deduktif dan induktif.

• Pendekatan deduktif. Metode analisis ini digunakan oleh peneliti dan analis yang telah memiliki teori atau gagasan yang telah ditentukan sebelumnya tentang kemungkinan masukan dari populasi sampel. Pendekatan deduktif bertujuan untuk mengumpulkan data yang secara metodis dan akurat dapat mendukung suatu teori atau hipotesis.
• Pendekatan induktif. Dalam pendekatan ini, seorang peneliti atau analis dengan sedikit wawasan tentang hasil populasi sampel mengumpulkan jumlah data yang sesuai dan tepat tentang topik yang diminati. Kemudian, mereka menyelidiki data untuk mencari pola. Tujuannya adalah untuk mengembangkan teori untuk menjelaskan pola-pola yang ditemukan dalam data.

Dua teknik analisis data kualitatif utama yang digunakan oleh analis data adalah analisis isi dan analisis wacana. Metode populer lainnya adalah analisis naratif, yang berfokus pada cerita dan pengalaman yang dibagikan oleh peserta penelitian. Di bawah ini adalah deskripsi dan langkah-langkah khas yang terlibat dalam analisis isi dan analisis wacana.

Analisis konten

Peneliti dan analis data dapat menggunakan analisis isi untuk mengidentifikasi pola dalam berbagai bentuk komunikasi. Analisis isi dapat mengungkapkan pola-pola dalam komunikasi yang direkam yang menunjukkan tujuan, pesan, dan efek dari isi.

Analisis konten juga dapat membantu menentukan maksud dari produsen konten dan dampaknya terhadap audiens target. Misalnya, analisis isi pesan politik dapat memberikan wawasan kualitatif tentang kebijakan ketenagakerjaan di tengah pandemi COVID-19. Seorang analis dapat mengidentifikasi contoh di mana kata “pekerjaan” muncul di media sosial, berita, dan media lain dan berkorelasi dengan istilah lain yang relevan, seperti “ekonomi”, “bisnis”, dan “jalan utama”. Seorang analis kemudian dapat mempelajari hubungan antara kata kunci ini untuk lebih memahami maksud kampanye politik dengan pesannya.

Proses analisis konten mengandung beberapa komponen, antara lain sebagai berikut:

Identifikasi sumber data

Langkah pertama dalam proses analisis konten adalah memilih jenis konten yang akan dianalisis. Sumber dapat berkisar dari teks yang ditemukan dalam bentuk tertulis dari buku, surat kabar, dan posting media sosial hingga bentuk visual yang ditemukan dalam foto dan video.

Tentukan kriteria data

Langkah ini melibatkan penentuan apa yang akan membuat teks tertentu relevan dengan penelitian. Pertanyaan untuk menilai kriteria data dapat mencakup: Apakah teks menyebutkan topik tertentu atau berkonotasi dengan peristiwa yang terkait dengan masalah tersebut? Apakah itu termasuk dalam rentang tanggal atau lokasi geografis tertentu?

Kembangkan pengkodean untuk data

Karena data kualitatif tidak numerik, perlu dikodifikasikan dalam persiapan untuk pengukuran. Ini membutuhkan pengembangan satu set atau sistem kode untuk mengkategorikan data. Setelah sistem pengkodean dikembangkan, kode yang relevan dapat diterapkan pada teks tertentu.

Analisis hasilnya

Semua pekerjaan pada langkah sebelumnya mengarah pada proses pemeriksaan data. Analis data mencari pola dan korelasi dalam data untuk menginterpretasikan hasil dan membuat kesimpulan. Mereka dapat menggabungkan teknik statistik untuk analisis data untuk menarik wawasan dari data lebih lanjut.

Analisis wacana

Sebuah pesan tidak selalu seperti yang terlihat, jadi “membaca yang tersirat”, atau kemampuan untuk menentukan pesan yang mendasari dalam komunikasi, sangat penting. Ketika komunikasi, baik verbal atau tertulis, memiliki pesan tidak langsung atau pesan yang mendasari, itu dapat ditafsirkan satu cara oleh satu kelompok dan dengan cara yang sama sekali berbeda oleh yang lain, berpotensi menyebabkan kerusakan dalam wacana sipil.

Analisis wacana membantu memberikan pemahaman tentang konteks sosial dan budaya komunikasi verbal dan tertulis di seluruh percakapan. Analisis wacana bertujuan untuk menyelidiki konteks sosial komunikasi dan bagaimana orang menggunakan bahasa untuk mencapai tujuan mereka, seperti membangkitkan emosi, menabur keraguan, atau membangun kepercayaan. Analisis wacana menganalisis isyarat verbal dan nonverbal. Misalnya, cara pembicara berhenti sejenak pada kata atau frasa tertentu dapat mengungkapkan wawasan tentang maksud atau sikap pembicara terhadap frasa itu.

Analisis wacana membantu menafsirkan makna dan maksud komunikasi yang sebenarnya dan memperjelas kesalahpahaman. Misalnya, analisis transkrip percakapan antara dokter dan pasien dapat mengungkapkan apakah pasien benar-benar memahami diagnosis.

Seorang analis dapat membedakan subteks halus dalam komunikasi melalui analisis wacana untuk membedakan apakah isinya adalah fakta, fiksi, atau propaganda.

Langkah-langkah dalam analisis wacana meliputi:

Tentukan pertanyaan penelitian

Mendefinisikan pertanyaan penelitian menentukan tujuan penyelidikan dan memberikan tujuan yang jelas. Pertanyaan penelitian akan memandu analisis.

Pilih jenis konten

Bahan yang digunakan untuk investigasi dapat mencakup teks media sosial, pidato, pesan dalam brosur pemasaran, siaran pers, dan banyak lagi.

Kumpulkan datanya

Konten yang dikumpulkan untuk analisis biasanya berfokus pada subjek yang menyampaikan pesan (seperti pemimpin politik atau perusahaan) dan audiens yang ditargetkan (warga negara dan pelanggan, misalnya).

Analisis kontennya

Kata-kata, frasa, kalimat, dan struktur isi dapat mengungkapkan pola dalam sikap dan maksud subjek dengan pesan mereka dan tanggapan atau reaksi audiens.

Melihat lebih dekat teknik statistik untuk analisis data

Teknik statistik menggunakan pendekatan matematis untuk memberikan wawasan, pengamatan, dan kesimpulan. Proses meliputi pengujian hipotesis dan membuat perkiraan dan prediksi data atau kuantitas yang tidak diketahui. Teknik statistik untuk analisis data dapat membantu pengambil keputusan dalam berbagai cara, seperti menentukan risiko skenario bisnis yang berbeda atau memperkirakan penjualan dalam kondisi pasar yang berubah.

Data kuantitatif bersifat numerik sehingga dapat dianalisis menggunakan teknik analisis statistik untuk menemukan pola atau maknanya. Data kualitatif juga dapat dianalisis dengan menggunakan teknik analisis statistik. Tetapi karena data kualitatif biasanya nonnumerik, data tersebut harus terlebih dahulu diklasifikasikan dan dikelompokkan ke dalam kategori yang bermakna.

Teknik statistik yang digunakan dalam analisis data kualitatif dan kuantitatif meliputi grounded theory dan tabulasi silang.

Grounded theory

Pendekatan induktif sistematis ini mengumpulkan, mensintesis, menganalisis, dan mengkonseptualisasikan data kualitatif dan kuantitatif. Analis menggunakan pendekatan grounded theory mengamati data dan mengidentifikasi pola sebelum mengembangkan teori. Jenis pendekatan ini khas dalam penelitian kualitatif.

Metode kuantitatif biasanya terstruktur dengan cara yang berlawanan, pertama, teori dikembangkan dan kemudian data diamati untuk pola. Metode penelitian grounded theory berguna ketika data tentang topik tertentu langka. Fleksibilitas pendekatan grounded theory memungkinkan peneliti menemukan pola, tren, dan hubungan baik dalam data kualitatif maupun kuantitatif. Berdasarkan temuan, penyidik ​​membangun sebuah teori didirikan atau “didasarkan” dalam data.

Tabulasi silang

Teknik analisis data ini memberikan informasi tentang hubungan antar variabel yang berbeda dalam format tabel. Hal ini memungkinkan peneliti untuk mengamati dua atau lebih variabel secara bersamaan. Data diklasifikasikan menurut setidaknya dua variabel kategori, direpresentasikan sebagai baris dan kolom. Oleh karena itu, setiap variabel harus diklasifikasikan dalam setidaknya dua kategori.

Misalnya, tabulasi silang dapat berguna dalam pemasaran dan untuk meninjau umpan balik pelanggan. Kolom dapat memberikan nilai yang menunjukkan apakah pelanggan puas atau tidak puas dengan pengalaman mereka. Baris dapat menampilkan variabel yang mengidentifikasi jenis pelanggan (online atau di toko, misalnya). Analisis statistik data dapat mengungkapkan wawasan dari tabel yang diisi dengan banyak data. Misalnya, Chi-kuadrat adalah teknik hipotesis statistik yang memungkinkan analis untuk mengamati nilai dan menarik kesimpulan di lebih dari satu kategori, memberikan wawasan bisnis yang berharga.

Membuka kunci nilai bisnis dari teknik analisis data

Bisnis memiliki harta karun berupa data yang dapat dijangkau berkat musik digital, film, televisi, dan game, serta digitalisasi proses bisnis. Data dihasilkan setiap hari oleh pengguna ponsel dan PC, mesin bertenaga IoT, dan perangkat lainnya.

Sifat big data yang cepat dan berkembang membuat pengelolaan dan analisis menjadi sulit dengan perangkat lunak manajemen data tradisional. Teknik analisis data memainkan peran kunci dalam mengubah data penelitian menjadi wawasan yang berarti untuk membantu dalam pengambilan keputusan bisnis. Wawasan yang diperoleh dari data dapat menghasilkan pertumbuhan pendapatan, peningkatan kinerja pemasaran dan operasional, dan hubungan pelanggan yang lebih kuat, menjadikan analisis data sebagai keterampilan utama untuk menciptakan nilai bisnis.