Masa Depan Sekolah Bisnis dengan Data Analytics

Pada saat saya “memaksa” memasukkan materi data analytics ke kurikulum sekolah bisnis seperti di tempat saya (FEB Telkom University) sebetulnya saya sedikit ragu, walaupun secara intuisi saya merasa hal itu benar. Lihat entri entri blog saya yang lalu mengenai pembelajaran data analytcs / skill programming untuk sekolah bisnis / manajemen di sini , sini, sini, sini, sini, sini dan sini .

Kebetulan kemarin FEB kedatangan tamu, seorang profesor marketing dari universitas Southampton (UK) Prof Teck Y. Eng, beliau adalah Director of the Department of Digital and Data-Driven Marketing di Universitas Southampton. Kita berdiskusi (tepatnya bertanya kepada) Profesor tentang bagaimana pendapat beliau mengenai kurikulum sekolah bisnis kami. Prof mempunyai kompetensi tepat untuk berpendapat tentang hal tersebut. Beliau berpendapat tentang arah yang ingin kami tuju dimana industri sendiri sudah meminta lulusan sekolah bisnis yang dilengkapi dengan kemampuan berpikir dan menggunakan alat untuk menunjang pekerjaan data analytics, Contoh course yang ditawarkan untuk undergraduate business analytics menunjukkan bahwa penggunaan kentalnya penggunaan data analytics hampir di semua course yang ada. Bahkan mahasiswa bisnis di sana sudah paham menggunakan bahasa R atau python untuk mendukung pekerjaan mereka

Kami menanyakan bagaimana membuat mahasiswa bisnis bisa paham tools (bahkan mengerti programming), menurut profesor memang hal tersebut memang tidak mudah, akan tetapi bisa diatas dengan  memberikan latar belakang teori yang kuat pada ilmu dasar seperti management strategy, operations, marketing dan lain lain, sehingga nantinya mahasiswa bisa implementasikan teori teori tersebut dalam bentuk simulasi atau pengolahan data menggunakan tools data mining, statistic, econometric, dll. 

Profesor memberikan perhatian khusus terhadap bahasa R dan python, beliau menyarankan kita untuk total adopsi kedua tools ini. Saya setuju karena selama ini kami terlalu banyak berkutat  dengan mana tools terbaik tanpa sempat eksplorasi lebih mendalam terhadap tools tersebut. Alangkah baiknya mulai sekarang fokus kepada dua tools tersebut dan eksplorasi semua model yang ada untuk mendukung proses analytics.

Kedatangan prof adalah saat yang tepat, karena di FEB mata kuliah “Big Data dan Data Analytics” mulai digulirkan semester ini, sejak mulai direncakan dan disusun dua tahun yang lalu. Hal ini membuat kami (saya dan team) semakin mantap untuk mengiring mahasiswa ke arah data-driven decision untuk bisnis. 

 

Screen Shot 2016 08 19 at 7 44 19 AM

 

 

Advertisements

Panen Sidang dan Problematikanya

Menjelang akhir semester dan menjelang wisuda periode berikutnya, biasanya sudah maklum akan adanya periode masa sidang. Demikian juga yang terjadi di tempat kami. Dalam periode 8 hari kedepan kami memasuki periode sidang masal. Ada sekitar 200an mahasiswa yang harus disidang. Muncul beberapa hal yang merepotkan, yang terutama adalah problem plotting dosen penguji dan ketersediaan ruangan.

Karena beragamnya keilmuan yang diujikan maka seringkali ketersediaan dosen yang kompeten untuk menguji menjadi terbatas atau tidak merata. Ada dosen dengan keahlian tertentu tidak banyak menguji dan ada dosen yang terpaksa menguji bidang yang bukan keahlian yang bersangkutan. Ini terjadi disebabkan juga tidak meratanya peminatan skripsi yang dilakukan mahasiswa, ya tapi ini resiko suatu prodi dengan banyak akar keilmuan dalam satu payung, tapi distribusi kompetensi dosen yang tidak merata.

Problem ketersediaan ruangan terjadi karena terbatasnya jumlah ruang sidang. Lebih susahnya lagi pada saat yang bersamaan masih berlangsungkan masa UAS, sehingga sulit memperoleh ruang kosong cadangan untuk penjadwalan kembali suatu jadwal yang tidak bisa dipenuhi dosen, karena dosen tersebut masih harus mengerjakan penugasan penugasan penting lainnya, sedangkan sidang harus tetap berlangsung. Sulitnya melakukan penjadwalan ulang berakibat jadwal menguji yang tidak efektif, bahkan beberapa dosen sampai harus menguji secara paralel dalam waktu yang sama.

Memang akhirnya serba repot, masa sidang jadi dipenuhi dengan kegiatan negosiasi jadwal, mencari dosen penguji pengganti jika jadwal tidak bisa dipenuhi, tukar menukar jadwal antar dosen, yang pada akhirnya hal ini menjadi aktivitas kolaboratif antar dosen untuk menentukan siapa pengganti layak bagi dirinya dan apakah dirinya layak menggantikan dosen lain. Dan ini lumayan menyerap energi dan waktu ya ..

Problematika penjadwalan ini membuat saya berpikir apa tidak sebaiknya kita adaptasi model baru yaitu waktu sidang berdasarkan kesepakatan langsung antara mahasiswa dan para penguji (tidak perlu difasilitasi bagian administrasi) dan tidak perlu dilakukan di ruang fisik. Nah kalo gini problem penjadwalan tidak akan ada lagi, yang ada adalah negosiasi jadwal sidang. Kekuatiran yang muncul  adalah semakin bertambahnya mahasiswa, maka kedepannya masa sidang akan jadi masa yang memusingkan bagi semua pihak (mahasiswa, dosen dan pendukung administrasi) ..

Apa Kata Mahasiswa Saya Tentang Dosennya ? ..

Kadang kadang (dalam kasus saya sih sering) kita tidak perlu mendengar opini orang lain tentang kita. Alasan saya sih sederhana, saya tidak mau terganggu konsentrasi saya dan hanya fokus untuk hal hal yang lebih penting saja.. Hanya sedikit opini yang memang benar benar saya ikuti yaitu opini keluarga inti (istri / anak / orang tua), opini pembimbing dan opini beberapa kolega yang memang sudah saya percayai / yang mempengaruhi saya / yang saya kagumi. 

Nah yang jadi masalah saya jarang mendengar opini mahasiswa, entah kenapa, kalo analisa saya sih mungkin karena kesibukan saya jadi belum pernah diskusi secara berkualitas dengan mereka, Jadinya hubungan yang terjadi lebih sering saya yang memberikan opini saya dan mereka (biasanya) setuju setuju aja. Mungkin juga ada beberapa yang tidak setuju tapi belum tahu cara berargumentasi yang baik dengan dosennya, sehingga memilih diam saja. Untungnya sekarang lewat media internet kita bisa menuliskan opini kita lewat blog. Jadinya saya tahu apa opini salah seorang mahasiswa saya lewat blognya. thanks Aul for writing your opinion.

link blognya  : http://anindiaulia.wordpress.com/2015/11/30/100dps-day-71-dosen-terbaik/

Screen Shot 2015 12 04 at 3 39 34 PM

Big Data : State of The Art (versi saya)

Kita sering membaca artikel mengenai Big Data (terutama di Indonesia) baik teknis maupun non teknis. Untuk non teknis bisa kita ambil kesimpulan peluang Big Data untuk membantu manajemen perusahaan dalam mengambil keputusan, ini seperti peran business intelligence atau data warehouse di masa lalu. Sedangkan di bidang teknis, pembicaraan akan berkutat di sekitaran komputasi parallel (Hadoop) dan sistem penyimpanan Big Data seperti NoSQL, Graph Database dan lain lain.   

Kalau kita lihat alur diatas, ini seperti yang satu membicarakan bagian hulu dan yang satu membicarakan bagian hilir, sedangkan bagian tengahnya yaitu Big Data Analytics sangat jarang dibahas. Ini Big Data Analytics lho yah, yang artinya pencarian pattern / insight, bukan Big Data Analysis seperti banyak salah tulis di artikel artikel pada umumnya.

Contoh alat yang populer untuk melakukan Big Data Analytics adalah Mahout (untuk clustering / classification) berdasarkan Hadoop / Java dan MLPacks (untuk beberapa metoda machine learning) berdasarkan library C++. Alasan kenapa Big Data Analytics jarang diperbincangkan sebenarnya cukup dimengerti, karena kedua alat diatas algoritma algoritma yang tersedia ternyata masih belum lengkap, masih banyak algoritma yang tidak ada untuk mendukung aktvitas analytics pada umumnya (contoh paling umum adalah analytics data jejaring sosial (graph)). Untuk itu riset riset dari rekan rekan informatika dan teknik komputer banyak membantu menyelesaikan permasalahan Big Data dari sisi komputasi dan algoritma.

Karena Big Data adalah yang masih fresh dan sedang mencari bentuk maka wajar tiap orang keluar dengan versi Big Datanya masing masing , termasuk peta taxonomi (state of the art) berdasarkan kebutuhannya sendiri sendiri. Untuk itu saya juga ikutan menentukan taxonomi Big Data versi saya. Jikalau kemudian hari ternyata salah yah gak apa apa, kesalahan merupakan proses pembelajaran :D. Kalau ada perubahan akan saya update di entry blog yang baru.

Dari gambar dibawah, saya klasifikasikan taxonomi riset Big Data menjadi dua kelompok besar, yang pertama berhubungan dengan komputasi dan algoritma (biasanya rekan rekan dari informatika dan ilmu komputer) dan yang kedua yang berhubungan dengan pengembangan metodologi (biasanya rekan rekan dari bisnis/manajemen, statistik, matematika, dan lain lainnya)

 

Screen Shot 2015 08 20 at 10 35 28 PM

 

 

 

 

 

 

Media untuk Para Peneliti (Academia, ResearchGate, ResearcherID)

PS : entry ini dari blog saya yang sudah ditutup beberapa saat yang lalu, kemudian saya pindahkan ke blog ini

Akhir akhir ini muncul fenomena baru lagi di dunia akademik, selain fenomena Open Course yang saya share beberapa saat yang lalu di blog ini juga. Fenomena tersebut adalah munculnya media online baru untuk “hangout” para peneliti, seperti Academia.edu, ReseacherID.com dan ResearchGate.com. Menurut saya komunitas vertikal dan spesifik seperti ini berguna untuk membuka akses yang luas dengan peneliti manapun yang obyek/metodenya sama dengan yang kita, selain itu peluang untuk saling berkolaborasi akan banyak membawa keuntungan, dan yang paling utama adalah eksposure bagi suatu institusi (misal ranking webometric)

Pada jaman sebelum internet, peneliti mempublish hasil kerja mereka melalui jurnal scientific. Untuk memperbesar eksposure terhadap karya mereka, maka dipilihlah journal yang bergengsi (index scopus) dengan pelanggan yang banyak (impact factor). Di era sekarang kebutuhan akan team work / kolaborasi semakin tinggi, bahkan media media seperti facebook dan twitter akan dianggap terlalu ramai karena isinya yang terlalu beragam. Inspirasi kesuksesan media vertikal seperti linkedin, flickr, dll mendorong terbentuknya ide media yang spesifik untuk para peneliti. Silahkan cek ketiga alamat diatas, selamat berkarya dan mensubmit karya.

academia