Intro Data Science

Intro Data Science

Kali ini kita akan membahas gambaran beberapa topik dibawah ini yang terkait dengan data science

• ·         Big data
• ·         Data science
• ·         vs Business Intelligence
• ·         Analytic Architecture
• ·         Case Studies (example)
• ·         Lifecycle

Big Data

Gambaran singkat tentang big data atau mengapa diperlukan teknologi big data adalah Sangat banyak sekali data yang dihasilkan setiap harinya.

Karakteristik dari big data ini seperti :

• ·         Volume yang besar (Volume)
• ·         Kompleksitas tipe dan juga struktur data yang bermacam-macam (Varietas)
• ·         Kecepatan dari pembuatan serta pertumbuhan data data baru (Velocity)

Karena bebehal diatas data yang sangat banyak tersebut tidak dapat dianalisis secara efisien hanya dengan menggunakan metode dan basis data tradisional, untuk itulah dibutuhkan suatu Alat atau teknologi yang baru

Perspektif pada Repositori Data

1.       Spreadsheets
memungkinkan pengguna bisnis untuk membuat logika sederhana dan struktur data dalam baris dan kolom

Kelebihan

·         Tidak perlu tahu tentang database

·         Cepat dan independen dari TICons

Cons (Kekurangan) :

·         banyak versi kebenaran

·         File yang rusak

2.       Scalable data warehousing solutions

Kelebihan

·         Data dikelola secara terpusat

·         Sumber data resmi

·         Memungkinkan pembuatan kubus OLAP dan alat analitis BI

Cons:

·         Memiliki batasan dalam melakukan analisis data eksploratori

·         Tergantung pada orang IT untuk mengakses dan mengubah skema

3.       sandbox analitik

Kelebihan

·         Memungkinkan tim menjelajahi banyak kumpulan data secara terkontrol

·         Dapat meng-host berbagai data (termasuk data tidak terstruktur)

·         Tidak mengganggu basis data produksi yang penting

Data Science

Pekerjaan yang sedang trending dalam dunia big data. Data Science sendiri berarti pekerjaan yang melakukan analisis, untuk satu atau beberapa hal. Data Science sendiri membutuhkan sejumlah besar keterampilan dalam rekayasa perangkat lunak. Lebih singkatnya lagi Data Science adalah seni dan ilmu untuk memperoleh pengetahuan dari data, seperti

• ·         Membuat keputusan
• ·         Memprediksi masa depan
• ·         Memahami masa lalu / sekarang
• ·         Membuat industri / produk baru

Mengapa Data Science?

Pertama karena Big Data, dimana dibutuhkan suatu teknologi yang mampu digunakan untuk mengolah data

• ·         Yang berbagai bentuk, dari berbagai sumber, dan tidak terorganisir
• ·         Data yang bisa hilang, tidak lengkap, atau bahkan salah
• ·         Juga sangat besar, serta sulit untuk dibandingkan

Disini lah Data Science berperan agar dapat digunakan untuk membuat praktik dan prosedur eksplisit untuk menemukan dan menerapkan hubungan dalam data.

Area atau ruang lingkup data Science

Persis seperti gambar dibawah ini

Area Data Science 

Area dasar

• ·         Matematika dan statistik
• ·         Pemrograman komputer
• ·         Pengetahuan domain

Pengetahuan Matematika & Statistik
Memungkinkan untuk berteori dan mengevaluasi algoritma
prosedur yang ada untuk menyesuaikan situasi tertentu

Programmer
Mereka yang memiliki keterampilan peretasan dapat membuat konsep dan program algoritma rumit menggunakan bahasa pemrograman

Keahlian substantif (domain)
Memungkinkan untuk menerapkan konsep dan menghasilkan cara yang bermakna dan efektif

Untuk lebih jelasnya penjabaran dari masing-masing area dasar dari data science adalah sebagai berikut

Matematika & Statistik

• ·         Digunakan untuk membuat model
• ·         Model data mengacu pada hubungan yang teratur dan formal antara elemen data, biasanya dimaksudkan untuk mensimulasikan fenomena dunia nyata
• ·         Banyak jenis model data, mis. pembelajaran mesin
• ·         Pada dasarnya, kita akan menggunakan matematika untuk memformalkan hubungan antar variabel.

Pemrograman Komputer

• ·         Bahasa komputer adalah cara kami berkomunikasi dengan mesin dan memberitahukannya untuk melakukan perintah
• ·         Bahasa pemrograman populer untuk ilmu dataPython, R, Java
• ·         Banyak library yang tersedia

Pengetahuan Domain

• ·         Perlu memiliki pengetahuan tentang topik tertentu yang sedang Anda kerjakan
• ·         Dapat berkonsultasi dengan pakar domain
• ·         Diperlukan untuk presentasi hasilnya

Perbedaan Data Science vs Business Intelligence

• BI cenderung memberikan laporan, dasbor, dan pertanyaan tentang pertanyaan bisnis untuk periode saat ini atau di masa lalu
  Misalnya. pendapatan kuartal ini, sebagian besar produk penjualan di tahun ini
  Sedangkan Data Science cenderung menggunakan data terpilah dalam cara yang lebih jelas dan eksploratif, berfokus pada analisis keputusan yang ada saat ini dan memungkinkan keputusan tentang masa depan
  Misalnya. menggunakan analisis deret waktu untuk memperkirakan penjualan dan pendapatan produk di masa mendatang
• Pertanyaan-pertanyaan yang dapat diajukan pada BI cenderung tertutup, menjelaskan perilaku saat ini atau masa lalu, biasanya dengan menggabungkan data historis dan mengelompokkannya dalam beberapa cara
  Umumnya digunakan untuk menjawab pertanyaan yang terkait dengan "kapan" dan "di mana" peristiwa terjadi
  Sedangkan data science Lebih bersifat eksploratif dan mungkin menggunakan optimalisasi scenario
  Umumnya jawaban yang berkaitan dengan peristiwa "bagaimana" dan "mengapa" terjadi
• Selanjutnya masalah pada BI cenderung membutuhkan data yang sangat terstruktur yang disusun dalam baris dan kolom untuk pelaporan yang akurat
  Untuk membuat pelaporan, dasbor, melakukan visualisasi sederhana
  sedangkan Proyeksi padaData Science cenderung menggunakan banyak jenis sumber data, termasuk dataset besar atau tidak konvensional
  Jika perlu analisis yang lebih canggih dengan kumpulan data yang terpisah atau beragam

Baca Juga ya

BAGIKAN