Kapan Pakai Teknik Apa?
Setiap teknik analitik punya pertanyaan bisnis yang spesifik. Kenali pertanyaan Anda dulu, baru pilih teknik β bukan sebaliknya.
Funnel Analysis
"Di tahap mana customer drop-off paling besar?"
02Segmentation
"Siapa customer terbaik & paling berisiko?"
03Cohort Analysis
"Apakah customer baru lebih loyal dari yang lama?"
04A/B Testing
"Versi mana yang lebih efektif, secara statistik?"
05Pareto (80/20)
"Item mana yang berkontribusi paling besar?"
06Trend Analysis
"Bagaimana arah pergerakan dari waktu ke waktu?"
Cara Pakai Panduan Ini
Setiap section punya demo interaktif yang bisa diklik. Klik tombol di atas chart, hover di data points, atau switch view untuk merasakan sendiri bagaimana analyst membaca data. Belajar paling cepat dengan praktik!
Funnel Analysis
Mengidentifikasi pada tahap mana customer "lepas" dari proses. Wajib untuk e-commerce, SaaS, dan bisnis yang punya alur konversi multi-step.
Demo: E-commerce Conversion Funnel
InteraktifBandingkan funnel di skenario berbeda. Klik tombol untuk melihat efek perbaikan.
Cara Membaca Funnel
Lihat Drop-off Terbesar
Tahap dengan persentase drop tertinggi = prioritas perbaikan #1. Fokus di sini dulu, bukan di tahap kecil.
Bandingkan dengan Benchmark
E-commerce normal: visitor β checkout ~2-4%. Bandingkan funnel Anda dengan industri untuk tahu apakah underperform.
Segmentasi Funnel
Pisah funnel per device (mobile vs desktop), per source (organik vs paid), atau per produk. Pola drop sering beda jauh!
Hipotesis & Test
Drop besar = hipotesis tentang penyebab. Lanjut ke A/B test untuk validasi solusi sebelum rollout penuh.
Customer Segmentation (RFM)
Mengelompokkan customer berdasarkan perilaku β bukan demografi. Yang paling populer: RFM (Recency, Frequency, Monetary). Output-nya: tahu siapa yang harus di-retain, di-re-engage, atau di-let go.
Demo: Customer Segmentation Scatter
InteraktifSetiap titik = 1 customer. Sumbu X = Recency (hari sejak transaksi terakhir, makin kecil makin baru). Sumbu Y = Monetary (total spending). Warna = Cluster. Hover untuk detail.
Champions
Recent + sering beli + spending tinggi. Aset paling berharga.
Aksi: VIP program, referralBig Spenders
Spending besar tapi tidak rutin. Beli mahal sesekali.
Aksi: cross-sell premium, bundlingNew Customers
Baru transaksi 1β2 kali. Belum tahu loyal atau bukan.
Aksi: onboarding, edukasi valueAt Risk
Dulu rutin, sekarang sudah lama tidak transaksi.
Aksi: win-back email, diskon comebackLost Customers
Sudah sangat lama tidak interaksi. Kemungkinan besar churn.
Aksi: kurangi spend untuk retentionTips Praktis
Untuk start cepat tanpa coding: gunakan Excel pivot β buat 5 quintile per kolom R, F, M. Concat jadi kode 3-digit (mis. "555" = Champions). Lebih advanced: pakai k-means clustering di Python/R untuk cluster otomatis.
Cohort Analysis
Mengelompokkan customer berdasarkan kapan mereka pertama transaksi (cohort), lalu lacak perilaku mereka dari waktu ke waktu. Jawab pertanyaan: "Apakah customer baru kita lebih loyal dari yang lama?"
Demo: Monthly Retention Cohort
InteraktifSetiap baris = cohort (bulan akuisisi). Setiap kolom = bulan ke-N setelah akuisisi. Angka = % yang masih aktif. Warna makin biru pekat = retention makin bagus.
| Cohort (Bulan Akuisisi) | Jumlah | M0 | M1 | M2 | M3 | M4 | M5 | M6 |
|---|
- Vertikal (kolom) β bandingkan retention M1 antar cohort. Apakah cohort baru retain lebih baik?
- Horizontal (baris) β lihat decay tiap cohort. Drop tajam di M1-M2 = masalah onboarding.
- Diagonal β efek event eksternal (musim, promo, krisis) yang affect semua cohort di waktu yang sama.
Aplikasi Cohort di Berbagai Industri
E-commerce
% customer yang re-purchase dalam 30/60/90 hari setelah pembelian pertama.
SaaS / App
% user yang masih login/aktif di W1, W2, W4 setelah signup. Critical untuk product-market fit.
EdTech
% student yang lanjut ke level berikutnya, atau renewal subscription.
Fintech
% nasabah yang masih aktif transaksi, atau migrasi ke produk premium.
A/B Testing
Membandingkan dua versi (A vs B) secara terkontrol untuk tahu mana yang performa lebih baik β dengan kepercayaan statistik, bukan tebakan.
π Demo: Test Tombol CTA
Studi KasusSkenario: e-commerce ingin tahu CTA mana yang lebih efektif. 50% traffic dapat versi A, 50% versi B. Total 20,000 visitor selama 14 hari.
Aturan Penting A/B Testing
Sample Size Cukup
Minimal 1,000-10,000 per variant untuk hasil credible. Test terlalu kecil = noise, bukan signal.
Cek Statistical Significance
Pakai p-value < 0.05 atau confidence β₯ 95%. Tools: Optimizely, Google Optimize, atau hitung manual.
Durasi Minimal 1-2 Minggu
Cover full business cycle (weekday + weekend). Jangan stop test terlalu awal hanya karena terlihat menang.
Test 1 Variabel Saja
Kalau ubah copy + warna + posisi sekaligus, tidak tahu mana yang efektif. Isolasi variabel.
Pareto Analysis (Prinsip 80/20)
Prinsip universal: 20% input menghasilkan 80% output. Aplikasinya: 20% produk = 80% revenue, 20% customer = 80% complaint, 20% bug = 80% downtime. Fokus pada the vital few.
Demo: Revenue Contribution per Produk
Pareto ChartBar = revenue per kategori produk (descending). Garis = cumulative %. Lihat di mana garis menyentuh 80%.
Use Case Pareto di Bisnis
Sales
20% sales rep = 80% revenue. Identifikasi top performer, replikasi metode mereka ke yang lain.
Quality Control
20% jenis defect = 80% return. Fokus QC di sini untuk biggest impact.
Customer Service
20% jenis komplain = 80% volume tiket. Self-help / FAQ untuk yang volume tinggi.
Inventory
20% SKU = 80% sales. Optimalisasi stock di SKU ini, hindari stockout.
Trend Analysis & Moving Average
Memahami arah pergerakan data dari waktu ke waktu, memisahkan tren dari noise harian. Moving Average adalah cara paling sederhana dan powerful untuk smoothing.
Demo: Daily Sales + Moving Average
SmoothingGaris abu-abu = penjualan harian (ada noise). Klik tombol untuk overlay moving average β lihat bagaimana tren asli muncul saat noise di-smooth.
- 7-day MA β smooth efek hari (weekend vs weekday). Cocok untuk lihat tren minggu-an.
- 30-day MA β smooth efek minggu. Cocok untuk lihat tren bulan-an / kuartal.
- Rule of thumb: window panjang = smoothing kuat tapi lag besar. Pilih window sesuai pola yang ingin dilihat.
Lanjutan: Decomposition
Untuk analisis lebih dalam, decompose time series jadi 3 komponen: Trend (arah jangka panjang), Seasonality (pola berulang seperti weekend/lebaran), dan Residual (noise random). Tools: STL decomposition di Python (statsmodels) atau Excel + add-in.
Workflow Analyst yang Efektif
Teknik tanpa proses = chaos. Ikuti workflow ini agar analisis Anda selalu actionable, bukan sekedar laporan angka.
Mulai dari Pertanyaan Bisnis
"Mengapa retention turun?" bukan "Saya mau pakai cohort". Pertanyaan dulu, teknik mengikuti.
Pilih Teknik yang Tepat
Funnel untuk konversi, segmentasi untuk targeting, cohort untuk retention. Bukan asal pakai.
Visualisasi yang Tepat
Bar untuk perbandingan, line untuk tren, scatter untuk korelasi, heatmap untuk matriks. Jangan asal pie chart.
Cari Pattern, Bukan Angka
"Revenue Q3 = 5M" itu data. "Revenue naik 3 kuartal berturut karena segmen X" itu insight.
Komunikasikan Aksi
Report yang baik selalu diakhiri "So what?" β apa yang harus dilakukan management berdasar data ini?
Iterasi & Validasi
Insight pertama biasanya salah. Validasi dengan data lain, atau small experiment sebelum keputusan besar.
"Without data, you're just another person with an opinion. But data without context is just noise."
Langkah Selanjutnya
Pilih satu teknik dari panduan ini yang paling relevan dengan masalah bisnis Anda saat ini. Coba aplikasikan di data nyata minggu ini β bahkan dengan Excel saja sudah cukup. Yang penting: praktik, bukan teori.