Big data analytics sering dianggap urusan perusahaan besar yang memiliki pusat data sendiri dan tim beranggotakan puluhan orang. Meski demikian, keadaan sebenarnya tidak seperti itu. Contohnya, sebuah jaringan ritel menengah dengan lima puluh gerai sudah menghasilkan jutaan baris catatan transaksi setiap bulan, ditambah data kunjungan aplikasi, keluhan pelanggan, dan pergerakan stok. Volume sebesar itu sudah melampaui kesanggupan lembar kerja biasa untuk mengolahnya.
Persoalannya bukan lagi ketersediaan data, melainkan kesanggupan mengubahnya menjadi keputusan. Kesenjangan itu yang membuat istilah big data analytics sering terdengar besar namun jarang terasa manfaatnya. Banyak organisasi menyimpan data bertahun-tahun tanpa pernah memakainya untuk menjawab pertanyaan yang penting bagi bisnisnya, sementara biaya penyimpanannya tetap berjalan setiap bulan.
Bagaimana Data Berukuran Besar Berubah Menjadi Keputusan?
Untuk memahami hal ini, big data perlu dilihat bukan sebagai tumpukan angka, melainkan sebagai catatan perilaku. Setiap transaksi merekam pilihan seseorang, setiap keluhan merekam kekecewaan, dan setiap pembatalan merekam keraguan. Membacanya sebagai catatan perilaku membuat pertanyaan yang diajukan lebih terarah.
Perjalanan dari catatan mentah menuju keputusan melewati beberapa tahap berurutan. Data dikumpulkan dari berbagai sumber, disimpan dalam bentuk yang bisa diakses, dibersihkan agar konsisten, dianalisis untuk menemukan pola, lalu disajikan kepada pihak yang berwenang mengambil langkah. Contohnya, satu kolom kode gerai yang tidak seragam antarsistem membuat penggabungan data gagal sejak awal. Kegagalan di satu tahap akan terbawa sampai ujung, sehingga pemeriksaan berlapis menjadi bagian dari prosesnya.
Yang membedakan skala besar dari skala biasa bukan hanya jumlahnya, tetapi juga kecepatan datangnya data dan keberagaman bentuknya. Keahlian mengolahnya karena itu tidak berhenti pada kemampuan menghitung, melainkan mencakup pemahaman tentang asal usul setiap jenis data. Catatan transaksi yang rapi berdampingan dengan teks ulasan, rekaman lokasi, sampai gambar, dan ketiganya menuntut perlakuan berbeda sebelum bisa dianalisis bersama.
Cara Big Data Analytics Menopang Keputusan Bisnis
Manfaatnya bagi organisasi tidak berasal dari satu bentuk analisis saja, melainkan dari beberapa peran yang saling melengkapi.
1. Menggantikan Asumsi dengan Bukti
Keputusan di banyak perusahaan masih lahir dari pengalaman pribadi seorang pemimpin atau kebiasaan yang diwariskan bertahun-tahun. Analisis deskriptif menempatkan angka sebagai penengah. Contohnya, produk yang selama ini dianggap andalan bisa saja tercatat menyumbang margin terkecil setelah biaya distribusinya dihitung. Temuan seperti ini biasanya baru muncul setelah data penjualan dan data biaya dipertemukan dalam satu tabel. Perdebatan di ruang rapat pun berpindah dari saling meyakinkan menjadi saling menguji angka.
2. Memperkirakan Permintaan dan Risiko
Pola pembelian di masa lalu dapat dipakai untuk memperkirakan kebutuhan stok pada periode tertentu, sementara riwayat pembayaran membantu menilai risiko kredit calon nasabah. Perkiraan tersebut tidak pernah pasti, tetapi lebih baik dibanding menebak. Ketepatannya berpengaruh langsung pada modal kerja yang tertahan di gudang. Semakin panjang riwayat data yang tersedia, semakin stabil pula perkiraan yang dihasilkan. Perkiraan yang meleset tetap berguna selama selisihnya dicatat dan dipakai memperbaiki perhitungan berikutnya.
3. Menyesuaikan Penawaran kepada Tiap Kelompok Pelanggan
Pengelompokan pelanggan berdasarkan perilaku memungkinkan perusahaan memberi perlakuan berbeda kepada pembeli setia, pembeli musiman, dan pembeli yang mulai menjauh. Penawaran yang tepat sasaran menghasilkan tanggapan lebih tinggi dengan biaya promosi lebih rendah dibanding kampanye yang disebar merata. Pengelompokan ini juga membantu menentukan pelanggan mana yang layak diberi upaya mempertahankan lebih besar. Contohnya, pengingat perpanjangan yang dikirim hanya kepada pelanggan dengan masa aktif hampir habis menekan biaya pesan secara nyata. Akibatnya, anggaran promosi bekerja lebih efektif tanpa perlu ditambah.
4. Mendeteksi Kejanggalan Sejak Dini
Sistem yang memantau pola secara terus-menerus dapat menandai transaksi mencurigakan, lonjakan retur yang tidak wajar, atau penurunan mendadak pada satu lini produk. Deteksi yang datang beberapa jam lebih awal sering menentukan besar kecilnya kerugian. Ambang batas kewajarannya perlu ditinjau berkala agar sistem tidak terlalu sering memberi peringatan palsu. Tetapkan pula siapa yang menerima peringatan tersebut agar tidak berhenti di sistem tanpa tindak lanjut. Karena itu pemantauan mendekati waktu nyata kini menjadi kebutuhan, bukan pelengkap.
5. Mengukur Dampak Keputusan yang Sudah Diambil
Banyak organisasi rajin meluncurkan program baru tetapi jarang mengukur hasilnya secara jujur. Melalui perbandingan terkendali antara kelompok yang menerima perlakuan dan yang tidak, pengaruh sebuah kebijakan bisa dipisahkan dari pengaruh musim atau tren pasar. Pencatatan hasil setiap program juga membentuk arsip yang berguna bagi tim di tahun-tahun berikutnya. Tentukan ukuran keberhasilannya sebelum program dijalankan supaya penilaiannya tidak disusun belakangan. Pada akhirnya, kemampuan menghentikan program yang tidak berhasil sama bernilainya dengan kemampuan menemukan yang berhasil.
Pergeseran dari Laporan Berkala ke Pemantauan Berkelanjutan
Dahulu, banyak perusahaan menganggap cukup dengan laporan bulanan yang disusun manual dan dibahas di rapat manajemen. Kini pendekatan tersebut mulai ditinggalkan karena keputusan sering harus diambil sebelum bulan berakhir.
Perhatian bergeser ke dashboard yang diperbarui otomatis, definisi metrik yang seragam antardivisi, serta penelusuran asal usul angka agar tidak ada dua versi kebenaran dalam satu rapat. Kesepakatan tentang definisi satu metrik saja kerap menghabiskan beberapa kali pertemuan lintas divisi. Contohnya, definisi pelanggan aktif bisa berbeda antara tim pemasaran dan tim keuangan bila tidak pernah disepakati. Manfaatnya terlihat pada kecepatan bertindak, sebab persoalan yang tertangkap lebih awal biasanya lebih murah diperbaiki.
Kebutuhan Orang yang Menjembatani Data dan Bisnis
Meningkatnya kompleksitas pengelolaan data membuat kebutuhan akan talenta yang paham keduanya terus bertambah. Kemampuan menerjemahkan kebutuhan divisi lain karena itu dinilai setara dengan kemampuan teknis. Perusahaan tidak kekurangan orang yang bisa menjalankan perkakas, melainkan kekurangan orang yang mengerti pertanyaan bisnis apa yang layak diajukan.
Kebutuhan itu terbagi ke dalam dua peran besar. Ada yang berfokus mengolah dan menyajikan data untuk kebutuhan operasional harian, dan ada yang membangun model prediktif untuk kebutuhan jangka panjang. Kesenjangan itu terlihat pada banyaknya dashboard yang dibangun rapi namun jarang dibuka pemiliknya. Keduanya terbuka bagi pendatang dari luar bidang teknologi informasi.
Menyiapkan Kemampuan untuk Mengisi Peran Tersebut
Menguasai bidang ini menuntut latihan pada data yang benar-benar berantakan, bukan pada berkas contoh yang sudah dirapikan. Salah satu cara memulainya adalah melalui kursus Big Data di Course-Net yang menyediakan dua jalur sesuai arah minat.
Jalur data analyst berfokus pada pengolahan, pembacaan, dan penyajian data untuk kebutuhan pengambilan keputusan, sementara jalur data science melangkah ke pemodelan prediktif memakai R dan Python. Keduanya disusun bertahap dari pengenalan sampai proyek akhir, sehingga bisa diikuti tanpa dasar teknologi informasi, dan pemilihan jalurnya dapat dikonsultasikan lebih dulu.
Seluruh kelas dibimbing praktisi aktif yang sehari-hari bekerja di industri, dengan satu coach menangani maksimal dua belas peserta. Course-Net telah meluluskan lebih dari 100.000 alumni, dipercaya praktisi dari 472 perusahaan, dan menyediakan peninjauan proyek portofolio serta pendampingan karier setelah materi selesai. Peserta juga memperoleh dua bentuk sertifikat, yaitu sertifikat kehadiran dan sertifikat pencapaian berdasarkan nilai proyek. Tersedia pula garansi mengulang kelas tanpa biaya tambahan bagi yang merasa materinya belum sepenuhnya terkuasai.
