Bunch of Ideas, a little bit of Maths.

I am mathematician doing market research and data science

12 minute read

Bulan lalu, saya bergabung dengan komunitas BelajaR. Suatu komunitas yang berisi orang-orang yang punya satu tujuan yang sama, yakni belajar R programming. Ternyata di grup tersebut ada beberapa rekan-rekan statisticians di BPS, salah satunya adalah Mas Joko Ade Nursiyono sang founder komunitas ini.

Singkat cerita, setelah googling sana-sini, saya mendapati bahwa beliau aktif membuat beberapa libraries di R, seperti:

  1. library(jatimuseR); library R untuk mengakses dataset publik Provinsi Jawa Timur yang bersumber dari Badan Pusat Statistik Provinsi Jawa Timur.
  2. library(sarimasnap); library R yang membantu Anda membuat model SARIMA secara otomatis. SARIMA adalah metode statistik untuk meramalkan data deret waktu yang memiliki pola musiman (seperti data penjualan bulanan atau data cuaca tahunan).
  3. library(numspellR); library R ini membantu menganalisis data angka yang berubah seiring waktu dengan mencari pola-pola di mana angka tersebut “bertahan” atau “menempel” pada nilai tertentu dalam waktu lama, seperti harga yang tidak berubah selama beberapa bulan atau tingkat pengangguran yang stabil dalam periode tertentu, yang penting untuk memahami stabilitas ekonomi dan efektivitas kebijakan.
  4. library(segmonR); library R ini adalah alat untuk membuat diagram lingkaran yang tidak statis, tetapi memiliki segmen-segmen yang bisa bergerak atau beranimasi sesuai dengan pengaturan yang Anda buat. Anda bisa mengatur bagaimana setiap bagian diagram (yang mewakili kategori atau variabel dalam data) tampil dan bergerak, sehingga menghasilkan visualisasi data yang lebih hidup dan interaktif dibanding diagram lingkaran biasa.

dan masih banyak lagi.

Nah, pada tulisan ini saya akan membahas salah satu library buatan beliau bernama library(senseR) yang menurut saya bisa berguna pada business case di bidang sales.

Penjelasan Tentang library(senseR)

senseR adalah sebuah library R sebagai alat diagnostik statistik untuk mengevaluasi apakah indikator proksi dapat secara andal mewakili konstruk dasar yang tidak dapat diamati atau diukur secara langsung. Metode yang digunakan adalah dengan memeriksa tujuh karakteristik penting:

  1. Apakah indikator bergerak searah dengan fenomena (monotonicity)?
    • Monotonicity dihitung menggunakan korelasi rank Spearman antara proxy dan target.
    • Tidak seperti korelasi Pearson, korelasi Spearman tidak mengasumsikan linearitas.
  2. Seberapa banyak informasi yang dibawa (konten informasi)?
    • Information content bisa dihitung dengan proporsi varians yang dijelaskan (R-squared).
  3. Seberapa tersebar nilainya (dispersi)?
  4. Apakah cenderung stagnan (stagnasi)?
  5. Apakah ada batasan atas yang menghambat (efek plafon)?
  6. Seberapa konsisten performanya dari waktu ke waktu (stabilitas)?
    • Mengukur konsistensi hubungan antara proksi dan target di berbagai subset data atau periode waktu.
  7. Seberapa cepat merespon perubahan (responsivitas)?

Konsep Proxy Indicators

Proxy indicators adalah variabel yang digunakan sebagai pengganti (proxy) untuk variabel target yang sulit atau tidak mungkin diukur secara langsung.

Kemudahan library(senseR)

Keunggulan library ini adalah output-nya yang mudah dimengerti. Output senseR menyediakan:

  1. Tabel metrik untuk setiap komponen.
  2. Skor akhir dan klasifikasi.
  3. Interpretasi naratif dalam bahasa pilihan.
  4. Rekomendasi untuk penggunaan proxy.

Namun bukan berarti library ini tidak memiliki limitasi. Berikut beberapa limitasi yang perlu diperhatikan agar kita tidak salah dalam mengambil kesimpulan dari hasil yang diberikan:

  1. Asumsi Linearitas: Meskipun menggunakan Spearman untuk monotonicity, beberapa komponen masih mengasumsikan hubungan linear.
    • Menurut saya, asumsi linearitas adalah asumsi yang paling dasar dan tetap bisa digunakan dalam konteks bisnis. Benar jika dunia ini bekerja secara non linear tapi banyak masalah bisa dijelaskan dengan mudah menggunakan asumsi linear.
  2. Independensi Komponen: Rata-rata sederhana dari karakteristik indikator mengasumsikan mereka sama pentingnya.
  3. Threshold Arbitrer: Batas 0.4 dan 0.7 untuk klasifikasi bersifat arbitrer dan mungkin tidak optimal untuk semua konteks.

Study Case: Selling in vs Selling out

Beberapa tahun lalu, salah seorang rekan saya di salah satu perusahaan FMCG berdiskusi tentang masalah yang dia hadapi. Ada satu business case yang membuat keriuhan di kantornya.

Di perusahaan rekan saya, mereka tidak memiliki data selling out secara real time dan hanya memiliki data real time selling in. Biasanya, data selling out baru bisa diketahui 4 sampai 6 bulan setelah semua transaksi closed. Board of directors ingin mengetahui apakah data selling in bisa digunakan sebagai proxy pengambilan keputusan strategic dalam rangka meningkatkan selling out.

Data selling out adalah data jualan perusahaan tersebut secara real ke end customers. Sedangkan data selling in merupakan data jualan perusahaan tersebut ke distributor atau outlet retail.

Sekilas keduanya terlihat sama tapi pada kenyataannya, selling in tidak sepenuhnya terkonversi menjadi selling out. Misalkan:

  1. Ada kasus di mana beberapa distributor melakukan stock produk sehingga membeli dalam jumlah banyak di suatu waktu terlepas dari permintaan pasar.
  2. Ada kasus di mana produk-produk dari distributor di-retur karena tidak laku.
  3. Ada kasus di mana distributor membeli produk dalam jumlah banyak sebelum kenaikan harga barang di periode berikutnya.

dan lain sebagainya.

Berikut adalah data bulanan selama lima tahun dari selling in dan selling out:

Sekarang saya akan menguji apakah data selling in bisa dijadikan proxy selling out menggunakan library(senseR).

Skripnya sangat mudah, yakni:

library(senseR)
senser(df, proxy = "selling_in", target = "selling_out",lang = "indonesia") 

====================================================
 senseR STRICT - Proxy Indicator Diagnostic
====================================================
Konstruk target  : selling_out 

----------------------------------------------------
Proxy : selling_in 
----------------------------------------------------
1. Monotonisitas (Spearman)       : 0.8118 
2. Kandungan Informasi (R2)       : 0.5205 
3. Elastisitas (Responsivitas)    : 0.7215 | Skor: 1 | Penalti jika < 0.1 
4. Koefisien Variasi (KV)         : 0.326 | Skor: 1 | Penalti jika < 0.02 
5. Rata-rata Perubahan Absolut    : 460.1525 | Skor: 1 | Penalti jika < 0.01 
6. Rasio Efek Ceiling             : 0.4893 | Skor: 1 | Penalti jika > 0.95 
7. Stabilitas (Konsistensi Beta)  : 0.7829 
Kegagalan Struktural Terdeteksi   : FALSE 
----------------------------------------------------
Skor Akhir Proxy (Aturan Median)  : 1 
----------------------------------------------------
Proxy : selling_in 
Score : 1 
Status: Proxy layak 
Interpretation:
 Proxy memiliki variabilitas, sensitivitas, dan stabilitas yang memadai. 

====================================================
Referensi Ilmiah:

[1] Spearman, C. (1904). The proof and measurement of association between two things.
    American Journal of Psychology, 15(1), 72-101.

[2] Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences.

[3] Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach.

[4] OECD (2008). Handbook on Constructing Composite Indicators:
    Methodology and User Guide.

[5] Hamilton, J. D. (1994). Time Series Analysis.

[6] Chow, G. C. (1960). Tests of equality between sets of coefficients
    in two linear regressions. Econometrica.

Dari hasil di atas, bisa disimpulkan bahwa selling in layak dijadikan proxy untuk selling out. Alasan dan nilai dari setiap perhitungan juga disertakan di output yang diberikan senseR.

Dari temuan ini, saya mungkin akan menginformasikan rekan saya tersebut untuk menggunakan library ini.

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

You May Also Enjoy