DA sebenarnya bukanlah konsep baru, namun merupakan pengembangan atas konsep yang dimulai pada tahun 1980 akhir. Dikenalkan pertama kali melalui penggunaan aplikasi untuk pemeriksaan akuntansi, yang dikenal dengan Generalized Audit Software (GAS).
Pada tahun 1990-an, dalam hal penggunaan aplikasi ini oleh Auditor dijadikan sebuah teknik audit baru yang disebut dengan CAATs (Computer Assisted Audit Techniques) atau di Indonesia dikenal dengan TABK (Teknik Audit Berbantuan Komputer).
Di era tahun 1990-an, saat keberadaan komputer menjadi bagian dari hampir semua pekerjaan istilah CAATs menjadi seperti sebuah akronim yang aneh, karena pada saat itu semua Auditor telah terbiasa menggunakan komputer dalam bekerja.
Dalam dunia bisnis perusahaan saat ini, DA dapat menjadi disiplin baru bagi auditor. Hal ini membutuhkan investasi besar dalam perangkat keras, perangkat lunak, keterampilan dan kontrol kualitas. Ini adalah bagian penting dari respon perusahaan yang lebih besar dan menengah untuk memenuhi permintaan pasar di pasar audit perusahaan besar.
DA dapat diterapkan untuk berbagai Quality Assurance, bukan hanya audit. DA juga memungkinkan auditor untuk memanipulasi kumpulan data lengkap suatu populasi bukan hanya sample (Institute of Chartered Accountants in England and Wales: 2016)
Mengingat bahwa banyaknya permintaan kebutuhan perusahaan akan seorang analis data saat ini, mengalami peningkatan yang cukup tinggi. Bagi banyak perusahaan rintisan atau startup yang bergerak dengan basis teknologi, tentunya peran analis data ini sangat dibutuhkan untuk mengolah seluruh data dari suatu perusahaan.
Seorang analis data memiliki tugas utama yakni, mengumpulkan mengolah, dan menganalisis semua data, baik itu data yang sudah jadi maupun data mentah yang diperoleh dari berbagai sumber data perusahaan terkait.
Selain itu, proses yang perlu dilakukan oleh seorang analis data adalah dengan memvisualisasikan data yang sudah berhasil dianalisa dengan menggunakan alat atau tools yang dapat membantu proses menganalisis data tersebut. Sehingga nantinya, data tersebut dapat disebarluaskan dengan pihak-pihak yang terkait guna memperoleh keputusan yang insight yang bisa bermanfaat bagi kemajuan bisnis perusahaan tersebut.
Misalnya seperti contoh data saluran warna biru dari foto lantai kayu, yang dibuka menggunakan MS Paint. Gambar tersebut menunjukkan bahwa Anda bisa memvisualisasikan data dengan musik menggelegar dan menemukan kekuatan analis data pada diri Anda.
Meskipun demikian itu tidak berarti bahwa Anda siap bekerja sebagai seorang analis data yang profesional.
Perbedaan Data Profesional vs Amatir
-
Keterampilan perangkat lunak
Tidak seperti kebanyakan seorang amatir, seorang profesional tahu bagaimana cara menggunakan perangkat lunak. Misalnya Python, dan R kedua alat tersebut memungkinkan mereka untuk berinteraksi dengan lebih banyak format data di satu tempat.
Sementara MS Paint hanya bisa berfungsi untuk gambar, perangkat lunak analitik guna menangani gambar, seperti, tabel, suara, teks, dan wastafel dapur.
Inilah yang terlihat ketika Anda membuka gambar yang sama dengan Python :
Dan inilah gambar yang sama dilihat dengan R :
-
Menangani banyak data dengan mudah
Seorang profesional dapat bekerja dengan jumlah data yang tidak senonoh, selain itu seorang pro dapat melakukan fleksibilitas untuk dapat membuka banyak jenis data yang berbeda.
Apa nilai jual untuk mempelajari alat bantu analitik? Bagaimana jika Anda ingin memahami sejuta foto?
Dengan menggunakan MS Paint Anda dapat memahami semuanya, tetapi dengan kecepatan 1 detik per gambar, tetapi jika Anda membutuhkan lebih dari satu bulan kerja penuh waktu. Seorang profesional dapat melakukannya dalam hitungan menit dengan alat yang tepat dengan menggunakan kode untuk memproses dan meringkas sejumlah besar data.
Bagaimana Anda mulai mempelajari alat-alat ini?
Anda mencari cara menginstalnya (R dan Python gratis) dan mulai bermain dengannya. Sama seperti MS Paint, tapi lebih baik.
Cukup lakukan pencarian Google untuk tugas apa pun yang Anda coba capai dengan mereka dan baca hasilnya:
Inilah hasil pertama yang muncul sebagai tanggapan atas permintaan pencarian di atas:
Jika Anda belum pernah menggunakan R sebelumnya, gunakan pencarian cukup dengan menyalin kemudian tempel kode di jawaban selanjutnya, ganti "gambar saya" dengan nama file, dan jalur file untuk foto Anda.
Lakukan banyak hal ini dan suatu hari Anda akan terbangun dengan kesadaran bahwa Anda secara tidak sengaja mengembangkan keterampilan perangkat lunak pro.
-
Kekebalan terhadap bias ilmu data
Mempelajari alat adalah bagian yang mudah, tetapi bagian tersulitnya adalah mengadopsi pola pikir analitik, yang tidak lain merupakan perbedaan selanjutnya. Dimulai dengan yang satu ini, yaitu pakar telah mengembangkan sikap tidak menghargai data secara menyeluruh.
Hanya seorang pemula yang mengucapkan “data” dengan huruf kapital “D” dan memperlakukannya sebagai sesuatu yang ajaib. Namun, seorang profesional memiliki cukup lama pengalaman untuk belajar dengan cara sulit bahwa data hanyalah beberapa hal yang manusia putuskan untuk ditulis dalam bentuk elektronik.
Perbedaan Data Profesional vs Amatir adalah:
-
Memahami karir
-
Menolak menjadi penipu
-
Menolak bias konfirmasi Perbedaan data pro vs amatir
-
Ekspektasi data yang realistis
-
Mengetahui cara menambahkan nilai.
-
Memikirkan waktu secara berbeda Perbedaan
-
Tampilan bernuansa keunggulan
Para ahli memahami bahwa keuntungan dari data adalah memori, bukan kualitas , jadi mereka skeptis terhadap kumpulan data formal seperti halnya pemandangan dan suara yang mereka ambil dengan berjalan-jalan.
Dengan data Anda masih orang lain yang berpendapat
Salah satu pionir statistik oleh, W. Edwards Deming mengatakan bahwa “tanpa data, Anda hanyalah orang lain yang memiliki opini.” Itu benar, tetapi sayangnya demikian: “Dengan data, Anda masih hanya orang lain yang berpendapat.'' Analis ahli memahami hal ini dengan sangat hati-hati.
Untuk mulai membangun kekebalan yang sama, berhentilah memperlakukan data sebagai hal yang istimewa. Anda sudah (semoga) belajar bagaimana bersikap masuk akal dan skeptis dengan foto. Misalnya, Anda tahu lebih baik daripada menganggap apa pun yang Anda lihat di Instagram sebagai representasi realitas yang benar-benar tidak berubah dan tidak biasa.
Jika Anda tidak mengambil fotonya, Anda tidak akan mempercayai foto itu benar-benar. Semua aturan akal sehat yang telah Anda pelajari untuk menavigasi pemandangan dan suara yang Anda hadapi di alam liar juga berlaku untuk data terstruktur (angka dalam tabel/matriks/spreadsheet).
Menyamakan data dengan kebenaran sama saja dengan mempercayai segala sesuatu yang tertulis dalam sebuah buku tanpa mengetahui apapun tentang penulisnya. Jika Anda menjaga akal Anda tentang Anda dan mempertahankan skeptisisme yang sehat, Anda berada di jalan yang baik untuk analitik yang baik.
Ada beberapa orang tersayang yang tampaknya telah mencapai usia dewasa tanpa mengetahui bahwa tidak semua yang Anda temukan online itu benar. Jika itu Anda, bolehkah saya dengan lembut menyarankan bahwa analitik mungkin bukan pilihan karier terbaik untuk Anda?
Membungkus
Terima kasih sudah menyisihkan sedikit waktu untuk membaca artikel diatas. Jika Anda tertarik untuk bekerja sama dengan Lumoshive Anda dapat menghubungi kami melalui :
Email : [email protected]
Instagram : @lumoshive.official
Sampai jumpa dilain hari dengan artikel selanjutnya!!