Bunch of Ideas, a little bit of Maths.

I am mathematician doing market research and data science

9 minute read

Beberapa hari ini, saya masih penasaran ngoprek AI agents menggunakan ellmer. Jika pada tulisan sebelumnya, saya sempat menjelaskan bagaimana AI agents bisa dilengkapi dengan custom function untuk melakukan web scraping. Nah, kali ini saya mencoba untuk melengkapi AI agents dengan data.

Prinsip kerjanya masih sama dengan tulisan sebelumnya, jadi saya akan inject data ke dalam AI agents.

Sebagai contoh, saya akan membuat AI agent berbasis DeepSeek yang di-inject data survey yang dulu pernah saya pakai saat menjelaskan Simpson Paradox.

Kemudian, saya akan tanyakan tiga business questions sebagai berikut:

  • PERTANYAAN I: Buat analisa profil responden meliputi gender, usia, dan ses (sosial ekonomi status).
  • PERTANYAAN II: Buat analisa tentang kolom awareness! Buat juga crosstabulasinya dengan profil responden!
  • PERTANYAAN III: Jika saya hendak meningkatkan awareness, responden tipe apa yang harus saya jadikan target marketing campaign?

Berikut adalah jawaban dari AI agent tanpa saya edit sama sekali:

JAWABAN PERTANYAAN I

Berdasarkan data survey yang telah dimasukkan, berikut analisis profil responden:

ANALISIS PROFIL RESPONDEN

1. DISTRIBUSI GENDER

  • Pria: 51.2% (187 responden)
  • Wanita: 48.8% (178 responden)
  • Total: 365 responden

2. DISTRIBUSI USIA

  • < 15 th: 12.9% (47 responden)
  • 16 - 20 th: 9.6% (35 responden)
  • 21 - 25 th: 42.2% (154 responden)
  • 26 - 30 th: 25.8% (94 responden)
  • > 30 th: 9.6% (35 responden)

3. DISTRIBUSI SOSIAL EKONOMI STATUS (SES)

  • Low: 27.4% (100 responden)
  • Mid: 53.4% (195 responden)
  • Up: 19.2% (70 responden)

KESIMPULAN:

  • Responden didominasi oleh kelompok usia muda (21-25 tahun)
  • Distribusi gender hampir seimbang dengan sedikit dominasi pria
  • Mayoritas responden berasal dari status sosial ekonomi menengah (Mid)
  • Kelompok usia produktif (21-30 tahun) merupakan mayoritas responden (68%)

JAWABAN PERTANYAAN II

ANALISIS AWARENESS

DISTRIBUSI AWARENESS

  • Ya: 49.3% (180 responden)
  • Tidak: 50.7% (185 responden)

CROSSTABULASI AWARENESS DENGAN PROFIL RESPONDEN

1. Awareness vs Gender:

          Ya   Tidak
Pria      94    93
Wanita    86    92

2. Awareness vs Usia:

          Ya   Tidak
< 15 th   22    25
16 - 20 th 19    16
21 - 25 th 77    77
26 - 30 th 46    48
> 30 th    16    19

3. Awareness vs SES:

      Ya   Tidak
Low   45    55
Mid   95    100
Up    40    30

TEMUAN UTAMA:

  • Awareness hampir seimbang (49.3% vs 50.7%)
  • Tidak ada perbedaan signifikan awareness berdasarkan gender
  • Kelompok usia 21-25 tahun memiliki awareness tertinggi secara absolut
  • Status sosial ekonomi “Up” menunjukkan tingkat awareness tertinggi (57.1%) dibandingkan “Low” (45%) dan “Mid” (48.7%)

JAWABAN PERTANYAAN III

Berdasarkan analisis data, untuk meningkatkan awareness, target marketing campaign sebaiknya difokuskan pada:

TARGET UTAMA:

Responden dengan SES “Low” - karena memiliki tingkat awareness terendah (45%) dibanding kelompok SES lainnya

TARGET SEKUNDER:

Responden wanita - meskipun perbedaannya kecil, wanita memiliki awareness sedikit lebih rendah (48.3%) dibanding pria (50.3%)

Responden usia > 30 tahun - memiliki awareness terendah (45.7%) dibanding kelompok usia lainnya

ALASAN:

  • Gap awareness terbesar ada pada SES “Low” vs “Up” (12.1% difference)
  • Investasi marketing pada kelompok SES “Low” akan memberikan ROI tertinggi dalam hal peningkatan awareness
  • Kelompok ini mungkin memiliki akses informasi yang lebih terbatas sehingga membutuhkan pendekatan khusus

Conclusion

Secara mudah, saya bisa simpulkan bahwa hasil analisa AI agent cukup menjawab pertanyaan bisnis pertama dan kedua. Sedangkan untuk pertanyaan bisnis ketiga, saya merasa jawaban yang dihasilkan masih kureng. Namun jika diberikan perintah yang lebih detail step by step-nya, kita bisa mendapatkan jawaban yang lebih baik lagi.

Seperti ini hasilnya:

ANALISIS KORELASI DAN CLUSTERING UNTUK TARGET MARKETING

1. ANALISIS KORELASI

Korelasi Awareness dengan Variabel: - SES: Korelasi positif kuat - SES “Up” memiliki awareness 57.1% vs SES “Low” 45.0% - Usia: Korelasi negatif lemah - usia >30 tahun memiliki awareness terendah (45.7%) - Gender: Korelasi sangat lemah - perbedaan hanya 2% antara pria dan wanita

2. ANALISIS CLUSTERING

Cluster 1: High Awareness Group (57.1%) - SES: Up - Usia: 21-25 tahun dominan - Gender: Pria sedikit lebih tinggi

Cluster 2: Medium Awareness Group (48.7%) - SES: Mid

  • Usia: Beragam, dominan 21-30 tahun - Gender: Seimbang

Cluster 3: Low Awareness Group (45.0%) - SES: Low - Usia: >30 tahun dan <15 tahun - Gender: Wanita sedikit lebih tinggi

3. REKOMENDASI TARGET MARKETING

PRIORITAS 1: Cluster Low Awareness (SES Low) - Target: Responden SES “Low” terutama usia >30 tahun - Alasan: Gap awareness terbesar (12.1% dibanding SES Up) - Strategi: Pendekatan edukasi intensif, channel komunikasi sederhana

PRIORITAS 2: Sub-group Tertentu dalam Cluster Medium - Target: Wanita usia >30 tahun dari SES Mid/Low - Alasan: Kombinasi faktor risiko rendah awareness - Strategi: Program khusus perempuan, konten relatable

PRIORITAS 3: Preventive Targeting - Target: Remaja (<15 tahun) dari semua SES - Alasan: Membangun awareness sejak dini - Strategi: Konten edukasi menarik untuk generasi muda

KESIMPULAN: Fokus utama pada SES “Low” karena memberikan ROI tertinggi untuk peningkatan awareness, dengan pendekatan yang disesuaikan untuk sub-group usia tertentu dalam cluster ini.

if you find this article helpful, support this blog by clicking the ads.

You May Also Enjoy