Melakukan analisa prediktif untuk memprediksi data gaji dan karyawan Anda di Asisten Analitik GPT (AAGPT)

CATAPA membawa inovasi terbaru untuk Asisten Analitik GPT (AAGPT), yaitu menghasilkan prediksi dari data gaji atau karyawan Anda.

Siapa yang membutuhkan fitur ini beserta contohnya?

1. Tim finance atau HRD yang hendak melakukan budgeting atau melakukan kontrol pengeluaran gaji
2. Eksekutif perusahaan yang ingin memiliki pemahaman yang lebih baik tentang data gaji dan karyawan mereka melalui data HRIS.

Bagaimana cara menggunakan fitur ini?

1. Masuk ke platform CATAPA, pada dashboard pergi ke menu asisten analitik GPT
2. Pada dashboard, pergi ke bagian "Asisten Analitik GPT".
3. Tuliskan pesan Anda untuk menanyakan data yang hendak diobservasi, contohnya: "Bagaimana data rincian total Take Home Pay (THP) setiap bulan di tahun ini?". Tahap ini penting karena akan menjadi informasi yang diingat oleh AAGPT saat hendak melakukan prediksi.
4. Klik tombol "Kirim" untuk mengirim pesan Anda.
5. Setelah AAGPT memberikan jawaban, follow-up dengan pertanyaan selanjutnya yang membutuhkan prediksi, contohnya: "Prediksi pengeluaran gaji THP di bulan depan berdasarkan data tersebut."
6. Anda akan menerima respons dari Asisten Analitik GPT yang berisi hasil analisis dalam bentuk teks atau visual.
7. Jika perlu, Anda dapat meminta Asisten Analitik GPT untuk melakukan analisis tambahan atau menjawab pertanyaan lain dengan mengikuti langkah 3-6. Saat ini, AAGPT akan mengingat konteks percakapan sebelumnya.

Berikut contoh percakapan dalam bentuk video:

Hal yang perlu diperhatikan agar dapat melakukan prediksi di AAGPT:

1. Data yang akan diprediksi telah tersedia di CATAPA.
2. Use case prediksi yang paling sering digunakan adalah forecaste (prediksi) terhadap waktu. Contoh: Prediksi gaji pada tahun depan, prediksi jumlah terminasi, prediksi jumlah headcount.

Cara AAGPT memroses informasi agar dapat melakukan prediksi:

1. Konteks: Awali chat agar GPT mengambil data yang dibutuhkan untuk melakukan prediksi. Contoh: Jika hendak melakukan prediksi gaji, maka kita dapat menggunakan contoh pertanyaan: Bagaimana data rincian total Take Home Pay (THP) setiap bulan di tahun ini?
2. Semakin banyak data yang digunakan (dalam hal ini, semakin panjang durasinya), akan menghasilkan prediksi yang semakin akurat. Misalnya: Bagaimana data rincian total Take Home Pay (THP) setiap bulan di tahun lalu dan tahun ini?
3. Instruksi: Setelah GPT mendapatkan konteks dari pertanyaan sebelumnya, maka kita dapat melakukan prediksi dengan menggunakan kalimat yang mengandung komponen:
4. Awalan: Prediksi
5. Subjek: Data yang akan diprediksi sesuai konteks
6. Timeframe: Target waktu
7. Akhiran: "Berdasarkan data tersebut"
8. Contoh: Prediksi pengeluaran gaji THP pada bulan depan berdasarkan data tersebut.

Selamat, Anda telah berhasil melakukan prediksi menggunakan AAGPT.

Jika AAGPT tidak dapat melakukan prediksi, maka berikut beberapa pesan yang mungkin Anda terima:

1. Data tidak tersedia:
2. Penyebab: Tidak memiliki konteks
3. Cara menangani: Beri konteks terlebih dahulu agar GPT dapat mengambil data yang dibutuhkan untuk melakukan prediksi. 
4. Data tidak cukup
5. Penyebab: GPT menilai data tersebut tidak mencukupi untuk melakukan prediksi
6. Cara menangani: Gunakan akhiran "Berdasarkan data tersebut"
7. Gunakan algoritma ARIMA atau linear regression
8. Cara menangani: Gunakan kata yang direkomendasikan tersebut pada prompt berikutnya. Secara umum, disarankan menggunakan ARIMA. Berikut penjelasan teknisnya
9. ARIMA:
10. Sifat Data: ARIMA dirancang khusus untuk data deret waktu. Jika data penggajian Anda memiliki tren atau musiman yang jelas, ARIMA mungkin lebih cocok.
11. Komponen: ARIMA dapat menangkap dan memodelkan berbagai komponen data deret waktu seperti tren, musiman, dan kebisingan.
12. Kekuatan Prediktif: Model ARIMA dapat menangkap struktur temporal yang kompleks dalam data, terutama ketika terdapat autokorelasi dalam residu.
13. Batasan: ARIMA berasumsi bahwa data deret waktu yang mendasarinya adalah stasioner atau dapat dibuat stasioner melalui pembedaan. Jika hal ini tidak terjadi, keakuratan model dapat terganggu.
14. Regresi linier:
15. Sifat Data: Regresi linier adalah metode yang bertujuan umum dan dapat digunakan untuk deret waktu jika hubungan antar variabel linier. Untuk peramalan penggajian, hal ini mungkin lebih dapat diterapkan jika Anda memiliki variabel independen lainnya (misalnya, jumlah karyawan, pendapatan perusahaan) yang Anda yakini memengaruhi penggajian, dan Anda ingin membuat model hubungannya.
16. Komponen: Regresi linier tidak secara inheren menangkap struktur temporal seperti tren atau musiman. Namun, Anda dapat merekayasa fitur (seperti variabel lag atau variabel dummy selama berbulan-bulan/kuartal) untuk menggabungkan pola tersebut.
17. Kekuatan Prediktif: Jika hubungan antara prediktor dan penggajian Anda pada dasarnya linier dan tidak memiliki struktur temporal yang rumit, regresi linier dapat menawarkan model yang sederhana dan dapat ditafsirkan.
18. Batasan: Regresi linier mengasumsikan independensi residu. Dalam data deret waktu, residu dapat dikorelasikan secara otomatis, sehingga dapat melanggar asumsi ini. Hal ini juga mengasumsikan homoskedastisitas, linearitas, dan normalitas, yang mungkin tidak selalu berlaku dalam data deret waktu.

Jika Anda memiliki pertanyaan lebih lanjut, Anda dapat menghubungi support CATAPA di 150150