Memprediksi Situasi Genting dalam Bisnis dengan Survival Analysis

By Prahariezka Arfienda   |   March 11, 2019

Dalam bisnis, waktu adalah data point yang penting. Tidak hanya karena bisnis perlu bergerak cepat dan terus berinovasi, tapi bisnis juga perlu lebih teliti dan memperhitungkan soal waktu dalam membuat sebuah perencanaan.

Misalnya, saat menganalisis lifecycle pelanggan, proses, mesin, atau menganalisis kebutuhan pelanggan yang selalu berubah dari waktu ke waktu. Untuk melakukan analisis tersebut, ada sebuat metode bernama Survival Analysis.

Survival Analysis dapat didefinisikan sebagai suatu metode untuk menganalisis data dengan variabel outcome berupa waktu hingga terjadinya suatu kejadian atau event.

Teknik ini diberi nama Survival Analysis, karena pada awalnya digunakan dalam riset medis untuk mengevaluasi pengaruh obat-obatan atau prosedur medis untuk merawat pasien hingga pasien tersebut meninggal dunia.

Dengan memahami Survival Analysis dan mengaplikasikannya secara langsung pada bisnis, kamu bisa lebih mengetahui kapan sebuah kejadian akan terjadi, apa saja faktor penyebabnya, dan bagaimana hal tersebut terjadi. Sehingga, kamu bisa membuat perencanaan yang lebih matang sebelum bisnis kamu menghadapi situasi genting.

Saat ini penggunaan Survival Analysis tidak hanya terbatas pada statistik kematian saja. Survival Analysis sering juga disebut sebagai time-to-event analysis karena area aplikasi teknik ini sudah merambah ke berbagai industri, mulai dari retail, perbankan, hingga kesehatan.

Memahami Survival Analysis dengan ilustrasi Churn Rate

Untuk memahami lebih jelas bagaimana survival analysis bekerja, mari kita simak ilustrasi berikut ini.

Anggaplah, kamu bekerja di sebuah startup. Salah satu metrik yang cukup penting dan paling sering dievaluasi dalam sebuah startup adalah retention rate, yaitu rasio jumlah user yang terus-menerus menggunakan produk atau layanan kamu, dibandingkan jumlah seluruh user terdaftar atau yang baru menggunakan layanan tersebut. Event lainnya yang perlu kamu hitung adalah churn rate, atau rasio jumlah user yang berhenti menggunakan layanan kamu.

Jika tujuan kamu adalah untuk memprediksi siapa saja user yang akan berhenti (churn), maka kamu dapat menggunakan teknik seperti Logistic Regression. Teknik tersebut berguna untuk memprediksi outcome yang memiliki dua hasil, yaitu ‘Retain’ atau ‘Churn’.

Namun dalam kasus analisis retention, yang ingin kita pahami adalah bagaimana cara memodelkan retention rate untuk keseluruhan user, serta bagaimana perbedaan perilaku di setiap kelompok. Misalnya bulan apa mereka mulai bergabung, negara asal, gadget yang digunakan, dan lain sebagainya. Kamu tidak hanya ingin memprediksi atau memahami kapan customer akan ‘Churn’, tapi juga kapan dan seperti apa probabilitas ‘Churn’ dari waktu ke waktu. Dalam kondisi seperti itu, kamu dapat menggunakan Survival Analysis.

Sifat Unik Survival Analysis

Data time-to-event terbilang unik karena outcome-nya tidak hanya apakah sebuah event akan terjadi atau tidak. Tapi juga berapa lama waktu yang dibutuhkan sampai terjadinya event tersebut sejak dimulai observasi. Metode tradisional seperti Logistic atau Linear Regression tidak cocok untuk dapat menyertakan aspek waktu dan kejadian sebagai outcome dalam model tersebut.

Jika kita membandingkan Survival Analysis dengan teknik analisis lain yang bisa memprediksi waktu hingga terjadinya suatu event, Survival Analysis memiliki nilai lebih tersendiri. Metode ini dapat mengakomodir juga observasi yang belum mengalami kejadian tersebut. Untuk observasi seperti itu, Survival Analysis memiliki fitur yang disebut dengan censored case.

Censored cases berperan penting dalam Survival Analysis untuk mengetahui seberapa besar risiko sebuah case akan mengalami event, terlepas dari apakah event tersebut sudah terjadi atau belum. Untuk censored case, keterangan waktu yang digunakan akan menunjukkan waktu awal kapan case tersebut berisiko mengalami sebuah event.

Pada beberapa kasus, tanggal mula sebuah periode risiko sulit ditentukan. Misalnya saja risiko kanker. Namun, dalam sebagian besar analisis bisnis, tanggal ini biasanya mudah ditentukan. Misalnya, waktu ketika seseorang mulai membeli produk, atau kapan suatu barang mulai diproduksi.

Contoh Lain Aplikasi Survival Analysis

  1. Equipment Failure Analysis
    Kamu bisa menciptakan model untuk menunjukkan waktu yang dibutuhkan oleh mesin hingga mengalami kerusakan. Dengan mengumpulkan dan menganalisis data, kamu bisa mengetahui secara tepat kapan mesin akan mengalami kerusakan dan atribut apa yang berpeluang besar menjadi penyebabnya. Dengan mengetahui kapan, kenapa, bagaimana, dan apa penyebab kegagalan tersebut, kamu bisa mengambil langkah tepat untuk menghindari terulangnya kejadian tersebut dan meningkatkan efisiensi proses dalam manufaktur.
  2. Demand Forecasting
    Pada era Industri 4.0 saat ini, bisnis bergerak dengan sangat dinamis. Kebutuhan dan permintaan customer pun terus berubah seiring waktu. Memantau keinginan customer yang terus berubah kini menjadi hal yang sangat penting bagi bisnis. Dengan menggunakan Survival Analysis kamu dapat memperkirakan demand berdasarkan data-data historis. Sehingga, dapat dilakukan perencanaan produk, manajemen inventaris, dan pengadaan barang
  3. Customer Lifetime Value (LTV)
    LTV dapat menjadi indikator berapa lama customer akan bersedia membayar untuk menggunakan produk atau layanan kita. Dengan mengetahui LTV, sebuah bisnis juga bisa memperkirakan saat pemasukan dari salah satu kelompok pelanggan berkurang. Apakah ada langkah yang bisa diambil untuk memperbaiki keadaan tersebut?

Mau belajar lebih banyak tentang Survival Analysis? Ikuti Data Science Series: Survival Analysis – Industrial Review of Time-to-Event Analysis for Beginners pada tanggal 26-27 Maret. Klik link di bawah ini untuk info lebih lanjut dan pendaftaran

DAFTAR DATA SCIENCE SERIES – SURVIVAL ANALYSIS

Prahariezka Arfienda Satrianti
Content Chieftain

A (startup, tech, and digital media) geek. Kalau tidak sedang menulis artikel tentang data science, biasanya menulis review film atau menekuni fotografi.
Bisa disapa di arfie@algorit.ma.

0 replies

Leave a Reply

Want to join the discussion?
Feel free to contribute!

Leave a Reply

Your email address will not be published. Required fields are marked *