Rekomendasi produk
Cara kerja "mungkin Anda suka", data di baliknya, dan cara membuktikan dampaknya.
Yang dibahas di kursus ini
Untuk data analyst dan data scientist yang membangun atau mengevaluasi rekomendasi produk, dan untuk tim e-commerce yang memilikinya. Tiga pendekatan dasar — populer, berbasis konten, dan collaborative filtering — dengan hitungan "sering dibeli bersama" dan lift dari data pesanan, data perilaku dan katalog yang dibutuhkan, serta masalah cold start. Lalu cara mengukur dampak nyata dengan A/B test, bukan jumlah klik, aturan bisnis dan privasi, dan membangun recommender sederhana dengan SQL dan Python. Contohnya dari toko online dan marketplace di Indonesia.
Baru mengenal AI? Mulai dari Dasar-dasar AI & data.
Bagian dari jalur karier:Data scientist
Yang akan bisa Anda lakukan
- Menjelaskan rekomendasi populer, berbasis konten, dan collaborative filtering, serta kapan memakai masing-masing
- Menghitung "sering dibeli bersama" dan lift dari data pesanan
- Mengukur dampak rekomendasi dengan A/B test, bukan jumlah klik
- Membangun recommender sederhana dengan SQL dan Python
Unit dan bite
- Unit 14 biteSekitar 12 menit
Cara kerja rekomendasi produk
Populer, mirip, dan "orang seperti Anda": tiga cara dasar merekomendasikan produk.
- 3 menit
Tiga cara merekomendasikan produk
Hampir setiap rak "mungkin Anda suka" dibangun dari salah satu dari tiga ide ini.
- 3 menit
Kenapa rekomendasi penting
Katalog besar, layar kecil: rekomendasi membantu pembeli menemukan produk yang tidak mereka cari.
- 3 menit
Menggabungkan pendekatan
Dari mana daftar "sering dibeli bersama" berasal, dan cara toko besar mencampur populer, mirip, dan personal dalam satu rak.
- 3 menit
Bangun, beli, atau pakai fitur marketplace
Pilihan antara fitur bawaan Shopee dan Tokopedia, tool rekomendasi siap pakai, atau tim data sendiri — dan apa yang menentukannya.
- Unit 24 biteSekitar 12 menit
Data di balik rekomendasi
Klik, keranjang, pembelian, dan atribut katalog — bahan bakar setiap sistem rekomendasi.
- 3 menit
Event perilaku
Melihat, menambah ke keranjang, dan membeli: sinyal yang berbeda kekuatannya.
- 3 menit
Umpan balik implisit dan eksplisit
Rating bintang jarang diberikan; perilaku selalu ada. Cara membaca keduanya.
- 3 menit
Kualitas data katalog
Kategori, warna, ukuran, dan merek yang rapi membuat rekomendasi produk mirip jauh lebih baik.
- 3 menit
Masalah cold start
Produk baru dan pengunjung baru tanpa riwayat, dan cara mengatasinya.
- Unit 34 biteSekitar 12 menit
Mengukur dampak rekomendasi
Klik di rak bukan tujuannya. A/B test, pendapatan per pengunjung, dan kanibalisasi.
- 3 menit
Klik bukan tujuannya
Rak yang banyak diklik belum tentu menambah penjualan.
- 3 menit
A/B test untuk rekomendasi
Membandingkan pengunjung yang melihat rekomendasi dengan yang tidak.
- 3 menit
Pendapatan per pengunjung dan AOV
Metrik yang menunjukkan apakah rekomendasi menambah nilai belanja.
- 3 menit
Kanibalisasi
Saat rekomendasi hanya memindahkan pembelian yang toh akan terjadi.
- Unit 44 biteSekitar 12 menit
Rekomendasi yang bertanggung jawab
Aturan bisnis, stok dan margin, privasi pelanggan, dan rekomendasi bersponsor.
- 3 menit
Aturan bisnis
Jangan merekomendasikan produk yang habis, ditarik, atau tidak pantas.
- 3 menit
Margin vs relevansi
Mendorong produk bermargin tinggi tanpa kehilangan kepercayaan pembeli.
- 3 menit
Privasi dan data pelanggan
Persetujuan, UU PDP, dan data apa yang pantas dipakai untuk personalisasi.
- 3 menit
Rekomendasi bersponsor
Iklan di rak rekomendasi, dan kewajiban memberi label yang jelas.
- Unit 54 biteSekitar 12 menit
Membangun recommender sederhana
Dari tabel pesanan ke rak rekomendasi: SQL, Python, dan uji sebelum rilis.
- 3 menit
Menghitung "dibeli bersama" dengan SQL
Self-join tabel item pesanan untuk menghitung pasangan produk, lalu menormalkannya dengan lift.
- 3 menit
Kemiripan produk dengan Python
Matriks pengguna × produk dan cosine similarity dengan pandas dan scikit-learn.
- 3 menit
Menguji recommender sebelum rilis
Sembunyikan pembelian terakhir, lalu ukur seberapa sering ia muncul di daftar teratas (hit rate).
- 3 menit
Dari notebook ke rak toko
Job harian yang menghitung ulang rekomendasi dan menyimpannya di tabel yang dibaca aplikasi.
Pertanyaan tentang kursus ini
Belajar
Berapa lama menyelesaikan Rekomendasi produk?
Sekitar 60 menit total: 5 unit yang terdiri dari 20 bite, masing-masing sekitar tiga menit, dan setiap bite diakhiri pertanyaan singkat. Anda bisa mengerjakan satu bite sehari atau beberapa sekaligus.
Apakah saya perlu bisa coding?
Tidak untuk memulai. Kursus fondasi menjelaskan setiap ide dengan bahasa sehari-hari lebih dulu; kalau sebuah kursus memakai SQL atau Python, kursus itu mengajarkannya dari awal, dengan playground di dalam pelajaran.
Saya harus mulai dari mana?
Kalau Anda baru mengenal AI, mulai dari Dasar-dasar AI & data. Kalau Anda sudah tahu pekerjaan yang dituju, ikuti jalur kariernya; Rekomendasi produk punya tempat di dalamnya.
Kapan saya bisa mulai belajar?
Datamew segera hadir di iOS dan Android. Belum ada tanggal rilis maupun harga yang diumumkan: gabung waitlist dan kami akan memberi tahu saat aplikasinya tersedia.
Apakah tersedia dalam Bahasa Indonesia?
Ya. Datamew ditulis dalam Bahasa Indonesia dan Bahasa Inggris.
Kursus lainnya
- Dasar-dasar AI & dataCara kerja AI, cara memberinya instruksi, dan cara membaca angka dengan jujur.
- Data analystCara analis berpikir dan bekerja: dari pertanyaan bisnis ke jawaban yang dipakai orang.
- Data engineerMembangun pipeline yang membawa data tepat waktu dan benar: SQL, Python, orkestrasi, dan warehouse.
- Data scientistApa yang dikerjakan data scientist, dan cara memakai LLM dalam pekerjaannya.
- Persiapan dataDari export mentah ke tabel yang bisa dipercaya: bentuk yang rapi, nilai kosong, duplikat, dan format.
- Visualisasi dataGrafik yang menjawab pertanyaan dengan jujur, dari memilih jenisnya sampai dashboard dan cerita.
- SQL untuk analisisBertanya langsung ke database: menyaring, meringkas, menggabungkan tabel, dan window function.
- StatistikDasar statistik yang dipakai setiap peran data: meringkas, membaca sebaran, dan mengukur ketidakpastian.
- Supervised dan unsupervised learningDua cara mesin belajar dari data: dengan jawaban, dan tanpa jawaban.
- A/B testingMengukur apakah sebuah perubahan benar-benar berhasil, dengan dua grup acak dan hasil yang dibaca jujur.
- ForecastingPerkirakan permintaan sebagai rentang, siap untuk Ramadan, 11.11, dan 12.12.
- Segmentasi pelangganMembagi pelanggan ke kelompok yang berbeda, lalu memperlakukan setiap kelompok dengan berbeda.
- Analitik media sosialMembaca angka Instagram, TikTok, dan YouTube dengan jujur, dan memakai AI tanpa tertipu.
- AI untuk rekonsiliasi keuanganMencocokkan mutasi rekening dengan invoice: aturan dulu, AI untuk sisanya, manusia yang memutuskan.
- AI untuk SEOCara kerja pencarian di era jawaban AI, riset kata kunci, Search Console, dan menulis dengan AI secara bertanggung jawab.
Bacaan sambil menunggu
Panduan dari tim Datamew, gratis di web hari ini.
Cara Menjadi Data Analyst di Indonesia: Skill, Roadmap, dan Gaji (2026)
Untuk menjadi data analyst, pelajari spreadsheet, SQL, satu tool BI seperti Looker Studio atau Power BI, statistik dasar, dan cara menjelaskan temuan dengan bahasa sederhana. Dasarnya bisa dikuasai dalam sekitar enam bulan belajar paruh waktu, lalu Anda butuh dua atau tiga proyek portofolio untuk dipanggil wawancara. Rata-rata gaji data analyst di Indonesia menurut Indeed sekitar Rp6,3 juta per bulan.
8 menit bacaCara Menjadi Data Scientist di Indonesia: Skill, Roadmap, dan Gaji (2026)
Data scientist memakai Python, statistik, dan machine learning untuk memprediksi apa yang akan terjadi dan menguji apa yang berhasil. Kebanyakan orang sampai ke sana lewat data analysis dulu: kuasai SQL dan statistik, lalu Python, eksperimen, dan machine learning, yang butuh sekitar satu tahun belajar paruh waktu. Di Indonesia, rata-rata gaji data scientist di Indeed sekitar Rp14,5 juta per bulan.
8 menit bacaJadi yang pertama memakai aplikasinya
Tinggalkan email Anda dan kami akan memberi tahu saat Datamew tersedia di ponsel Anda. Satu email saat rilis, tanpa spam.
- Segera hadir diApp Store
- Segera hadir diGoogle Play
- Pakai sekarang diweb