Prescriptive Analysis: Cara Cerdas Menghasilkan Rekomendasi Keputusan Terbaik dari Data

Mengapa Data Saja Tidak Cukup? Saatnya Beralih ke Aksi yang Tepat

Di era digital seperti sekarang, data adalah aset. Tapi sayangnya, banyak orang dan perusahaan berhenti di tahap “melihat data”. Padahal, informasi dari data hanya akan berguna jika bisa ditindaklanjuti dengan keputusan yang tepat.

Kita bisa tahu apa yang terjadi lewat descriptive analysis, bisa menjelaskan kenapa itu terjadi lewat diagnostic analysis, bahkan bisa memprediksi tren lewat predictive analysis. Tapi… bagaimana jika kita ingin tahu apa yang sebaiknya dilakukan selanjutnya?

Itulah tujuan dari prescriptive analysis. Teknik ini adalah puncak dari pemanfaatan data yang benar: membuat rekomendasi konkret berdasarkan data agar kita bisa mengambil keputusan yang paling optimal.

Untuk kamu yang sedang belajar data analytics, digital marketing, atau manajemen produk, memahami prescriptive analysis bisa memberi nilai tambah luar biasa—baik di kampus, tempat kerja, maupun dalam bisnis pribadi.

---

Apa Itu Prescriptive Analysis?

Prescriptive analysis adalah proses analitik lanjutan yang memberikan saran atau rekomendasi tindakan berdasarkan analisis data sebelumnya (baik deskriptif maupun prediktif).

Dengan kata lain, prescriptive analysis membantu menjawab pertanyaan seperti:

• “Apa yang sebaiknya saya lakukan sekarang?”
• “Jika saya memilih opsi A, apa dampaknya dibandingkan opsi B?”
• “Bagaimana saya bisa mencapai hasil terbaik dengan sumber daya yang tersedia?”

---

Bedanya Prescriptive Analysis dengan Analisis Lain

Jenis Analisis	Fokus Pertanyaan	Contoh Output
Descriptive	Apa yang terjadi?	Penjualan turun 20 persen di Q2
Diagnostic	Kenapa itu terjadi?	Karena banyak pengguna tidak menyelesaikan checkout
Predictive	Apa yang mungkin terjadi?	Jika tren ini berlanjut, Q3 akan turun lagi
Prescriptive	Apa yang harus dilakukan?	Tawarkan diskon untuk mendorong pembelian kembali

Prescriptive analysis tidak hanya menunjukkan arah masa depan, tapi mengarahkan kita ke tindakan terbaik berdasarkan berbagai kemungkinan skenario.

---

Kapan Kita Membutuhkan Prescriptive Analysis?

Prescriptive analysis sangat berguna dalam situasi-situasi berikut:

• Kamu memiliki beberapa pilihan strategi, tapi belum tahu mana yang paling optimal
• Ada sumber daya terbatas, dan kamu perlu mengalokasikan dengan efisien
• Situasi berubah cepat dan keputusan harus diambil berdasarkan data nyata, bukan intuisi
• Kamu ingin meminimalkan risiko sambil tetap mengejar hasil maksimal

Contoh penerapannya sangat luas, dari optimasi iklan digital, manajemen stok gudang, sampai penjadwalan produksi pabrik.

---

Komponen Dasar dalam Prescriptive Analysis

1. Data Historis

Merupakan bahan baku utama dari prescriptive analysis. Tanpa data masa lalu yang relevan, analisis lanjutan tidak akan menghasilkan rekomendasi yang valid.

2. Model Prediktif

Prescriptive analysis sering kali dibangun di atas model prediktif. Artinya, kamu perlu tahu dulu apa yang mungkin terjadi sebelum menentukan tindakan terbaik.

3. Model Optimasi

Merupakan inti dari prescriptive analysis. Model ini menggunakan teknik matematika seperti:

• Linear programming
• Simulasi Monte Carlo
• Decision tree dan rule-based system
• Reinforcement learning (dalam konteks AI)

---

Teknik dan Tools yang Umum Digunakan

Beberapa Teknik Prescriptive Analysis:

• What-if analysis: Mengevaluasi skenario “jika A maka B”
• Scenario planning: Merancang respons berbeda untuk berbagai kondisi masa depan
• Constraint-based modeling: Menghitung solusi terbaik berdasarkan batasan (anggaran, waktu, tenaga kerja)
• AI-based recommendation: Menggunakan algoritma AI untuk memberi saran otomatis

Tools Populer:

• Excel + Solver
  Untuk pemodelan optimasi dasar
• Python (PuLP, pyomo, scikit-optimize)
  Untuk pemrograman linear dan non-linear yang kompleks
• IBM Decision Optimization
  Digunakan oleh perusahaan besar untuk pengambilan keputusan skala luas
• Google OR-Tools
  Sumber terbuka, kuat untuk routing dan penjadwalan
• Tableau + Extensions
  Menambahkan fungsionalitas saran keputusan ke dashboard interaktif

---

Studi Kasus: Penerapan Prescriptive Analysis di Dunia Nyata

1. Marketplace Menyusun Strategi Flash Sale

Masalah:

• Hanya bisa menjalankan 3 dari 10 produk unggulan karena batasan logistik

Solusi:

• Menggunakan prescriptive analysis untuk menganalisis:
  • Produk mana yang paling berpotensi mendatangkan trafik
  • Biaya pengiriman rata-rata
  • Kemampuan gudang
• Rekomendasi keluar: Produk A, D, dan F sebaiknya dipilih
  Hasil: Penjualan naik 17 persen dibanding flash sale sebelumnya

2. Aplikasi Transportasi Menentukan Bonus untuk Driver

Masalah:

• Perusahaan ingin meningkatkan ketersediaan driver saat jam sibuk

Solusi:

• Model preskriptif memperhitungkan:
  • Data historis permintaan penumpang
  • Jumlah driver aktif
  • Budget perusahaan untuk insentif
• Rekomendasi: Driver di zona A diberi bonus 20 ribu saat jam 5–8 sore
  Hasil: Peningkatan jumlah driver aktif 25 persen di zona tersebut

---

Langkah-Langkah Membangun Prescriptive Analysis

1. Tentukan Tujuan
   Apa yang ingin dioptimalkan? Biaya? Waktu? Keuntungan?
2. Kumpulkan dan Bersihkan Data
   Gunakan data historis dan prediktif yang akurat
3. Bangun Model Prediktif
   Prediksi permintaan, trafik, atau konversi yang akan terjadi
4. Identifikasi Batasan dan Variabel
   Contohnya: anggaran, waktu operasional, kapasitas gudang
5. Gunakan Algoritma Optimasi
   Temukan solusi terbaik dari berbagai opsi tindakan
6. Visualisasikan Hasil dan Eksekusi Rekomendasi

---

Kelebihan dan Kekurangan Prescriptive Analysis

Kelebihan:

• Memberikan arah tindakan nyata
• Menurunkan risiko keputusan salah
• Meningkatkan efisiensi sumber daya
• Bisa dipersonalisasi sesuai skenario

Kekurangan:

• Butuh kombinasi data, algoritma, dan bisnis logic yang kompleks
• Hasil sangat tergantung pada kualitas data dan asumsi model
• Tidak selalu cocok untuk keputusan yang memerlukan pertimbangan emosional/sosial

---

Untuk Siapa Prescriptive Analysis Bermanfaat?

Mahasiswa

• Digunakan untuk riset skripsi berbasis solusi
• Berguna di kompetisi analitik data

Profesional Muda

• Membantu meningkatkan strategi marketing, alokasi anggaran, manajemen inventori

Pengembang Produk

• Mengarahkan roadmap produk berdasarkan hasil prediksi dan optimasi fitur

Pemilik Usaha Kecil

• Membantu menentukan harga promosi terbaik atau channel penjualan yang paling efisien

---

Tips Belajar Prescriptive Analysis bagi Pemula

1. Pahami dulu alur dari descriptive hingga predictive
   Karena prescriptive adalah puncak dari rangkaian analisis data
2. Mulai dari Excel + Solver
   Cocok untuk belajar optimasi anggaran, waktu kerja, atau distribusi barang
3. Latih logika pengambilan keputusan
   Jangan hanya andalkan hasil model, tapi juga perhatikan konteks bisnis
4. Coba kasus nyata
   Prediksi promosi terbaik dari data penjualanmu sendiri, lalu simulasikan apa yang terjadi jika strategi diubah
5. Belajar dari tools visual
   Seperti Google Sheets Scenario Manager atau Tableau + add-on

---

CTA: Ubah Data Menjadi Aksi yang Tepat

Kamu tidak perlu menjadi ilmuwan data untuk memanfaatkan prescriptive analysis. Mulai dari pemahaman konsep hingga eksperimen kecil bisa membuka jalan untuk jadi problem solver sejati.

✅ Coba bangun pemodelan preskriptif sederhana dari data harianmu
✅ Pelajari teknik optimasi lewat tools gratis
✅ Bagikan artikel ini agar lebih banyak orang bisa belajar mengubah data menjadi keputusan yang cerdas

Jangan berhenti di angka. Tindak lanjuti dengan strategi yang tepat. Prescriptive analysis adalah kuncinya.

---

FAQ: Prescriptive Analysis untuk Pemula

1. Apakah prescriptive analysis hanya untuk perusahaan besar?

Tidak. Bahkan mahasiswa dan pemilik usaha kecil pun bisa menggunakannya, asal memiliki data dan tujuan yang jelas.

2. Apa perbedaan antara predictive dan prescriptive analysis?

Predictive analysis memprediksi apa yang akan terjadi, sementara prescriptive analysis menyarankan apa yang sebaiknya dilakukan berdasarkan prediksi itu.

3. Apakah butuh coding untuk melakukan prescriptive analysis?

Untuk model sederhana, tidak perlu. Excel dengan plugin Solver sudah cukup. Untuk proyek lebih kompleks, Python sangat direkomendasikan.

4. Apa jenis data yang dibutuhkan untuk prescriptive analysis?

Gabungan dari data historis, prediksi masa depan, dan informasi batasan (constraint) seperti biaya, waktu, atau kapasitas.

5. Di mana saya bisa belajar prescriptive analysis secara gratis?

Coba kursus di Coursera, edX, atau YouTube. Mulailah dengan studi kasus sederhana di Excel atau ikut tantangan di Kaggle.