kenchristn (kenchristn)

2026: Proyek analisis penjualan ritel end-to-end yang dibangun menggunakan BigQuery SQL dan Looker Studio untuk mengubah data transaksi menjadi insight bisnis yang interaktif dan mudah dipahami.

Proyek ini menganalisis dataset Superstore untuk mengevaluasi kinerja penjualan, profitabilitas, kontribusi pelanggan, serta operasional pengiriman di berbagai wilayah, kategori produk, dan segmen pelanggan.

Dashboard akhir dirancang untuk mendukung pengambilan keputusan bisnis melalui pemantauan KPI, analisis profitabilitas, serta evaluasi kinerja operasional dalam format yang interaktif, informatif, dan mudah digunakan oleh para pemangku kepentingan (stakeholder).

2026: Proyek ini mengembangkan model klasifikasi machine learning untuk memprediksi apakah seorang pasien memiliki penyakit jantung berdasarkan data klinis dan indikator gaya hidup pasien. Dataset yang digunakan terdiri dari 1.000 data pasien dengan berbagai fitur yang berkaitan dengan kondisi kesehatan, riwayat medis, dan perilaku pasien.

Tujuan utama proyek ini adalah mengidentifikasi risiko penyakit jantung serta membandingkan beberapa algoritma machine learning untuk menentukan model dengan performa terbaik. Untuk mencapai tujuan tersebut, proyek ini mengikuti alur kerja machine learning secara end-to-end yang mencakup eksplorasi data, exploratory data analysis (EDA), data preprocessing, pelatihan model, evaluasi performa, hyperparameter tuning, hingga interpretasi fitur untuk memahami faktor-faktor yang paling berpengaruh terhadap prediksi.

Berdasarkan hasil evaluasi dan perbandingan model, Random Forest dipilih sebagai model terbaik karena memberikan performa prediksi yang paling kuat dan konsisten dibandingkan algoritma lainnya. Hasil proyek ini menunjukkan bagaimana pendekatan machine learning dapat dimanfaatkan untuk membantu identifikasi risiko penyakit jantung secara lebih efektif dan berbasis data.

2026: Proyek ini dikembangkan untuk memahami perilaku pelanggan pada marketplace Olist serta mengidentifikasi peluang dalam meningkatkan retensi pelanggan jangka panjang.

Menggunakan Google BigQuery, data transaksi pelanggan diolah dan ditransformasikan menjadi metrik pelanggan yang terstruktur untuk mendukung analisis yang lebih mendalam. Selanjutnya, Python digunakan untuk melakukan analisis data dan membuat visualisasi, sementara Looker Studio digunakan untuk membangun dashboard interaktif yang memudahkan eksplorasi insight dan pemantauan metrik utama.

Proyek ini menggabungkan proses SQL querying, analisis data, dan pembuatan dashboard berbasis kebutuhan bisnis dalam satu alur kerja end-to-end. Hasil akhirnya memberikan gambaran yang lebih jelas mengenai perilaku pelanggan, pola pembelian, serta faktor-faktor yang dapat mendukung strategi peningkatan loyalitas dan retensi pelanggan.

2026: Proyek ini menganalisis kinerja bisnis e-commerce Tokopaedi menggunakan SQL berdasarkan dataset transaksi, pelanggan, produk, pembayaran, dan marketing funnel. Analisis dilakukan untuk memahami performa bisnis secara menyeluruh dan menghasilkan insight yang dapat mendukung pengambilan keputusan berbasis data.

Fokus utama proyek ini mencakup identifikasi tren pendapatan dari waktu ke waktu, evaluasi performa kategori produk, perbandingan pertumbuhan berbagai saluran penjualan, pengukuran efektivitas konversi pada setiap tahap marketing funnel, serta analisis proses onboarding dan aktivasi pelanggan. Melalui pendekatan ini, proyek bertujuan memberikan pemahaman yang lebih mendalam mengenai perilaku pelanggan dan faktor-faktor yang memengaruhi pertumbuhan bisnis.

Proyek ini diselesaikan sebagai bagian dari Final Project Data Analyst Bootcamp MySkill Batch 27. Hasil analisis kemudian digunakan untuk menyusun rekomendasi bisnis yang dapat membantu meningkatkan performa penjualan, efektivitas pemasaran, serta pengalaman pelanggan berdasarkan insight yang diperoleh dari SQL dan analisis data.