Home   Gatra.com   Log out  
 
User Name Password  
[ Anggota baru | Lupa password ]
Arsip Majalah | Tentang Gobang | Ketentuan | Menu Anggota

MULTIMEDIA

Menggapai Peluang Optimalisasi Lewat Big Data

Selain belum merata, banyak dari pengguna yang belum teredukasi mengenai potensi optimal pemanfaatan big data. Manajemen yang proaktif banyak memanfaatkan analisis prediktif dan preskriptif.

Pelanggan adalah raja. Maka barang siapa yang dapat memenuhi keinginan sang raja bakal sukses. Tetapi bagaimana dan siapa yang dapat menebak hasrat tersebut dengan jitu? Pertanyaan itulah yang hingga kini masih dicari jawabannya.

Toh, kini ada cara yang dinilai paling praktis, fleksibel, dengan tingkat akurasi yang tinggi. Itulah yang ditawarkan teknologi big data. Pemanfaatan big data oleh kalangan industri semakin populer. Beberapa sektor usaha yang sudah memanfaatkannya. Mulai dari pelayanan kesehatan, marketing, telekomunikasi, pertanian, perbankan, finansial, hingga asuransi. Big data memungkinkan perusahaan untuk mengoptimalkan bisnis karena membantu dalam pengambilan keputusan-keputusan strategis.

CEO Bizcom Indonesia, Sendra Wong, mengatakan sudah cukup banyak perusahaan di Indonesia yang terbantu oleh pemanfaatan big data. Misalnya bisa mendeteksi kebutuhan konsumen, sehingga perusahaan dapat mengambil langkah strategi bisnis agar produknya dapat lebih sesuai dengan kebutuhan konsumen.

Dengan memanfaatkan big data, pelaku bisnis selain memperkuat bisnis intinya juga dapat menemukan peluang dan kesempatan bisnis baru yang potensial. Sayang, di Indonesia pemanfaatan big data belum merata. “Selain itu, sebagian di antaranya masih belum terjamah dengan edukasi yang cukup,” kata Sendra.

Saat ini, volume dan keragaman data yang tersedia terus bertambah seiring dengan naiknya jumlah pengguna perangkat komunikasi, aplikasi media sosial, dan kecepatan internet. Dalam kondisi kecepatan penambahan data yang tinggi dan semakin kompleks tersebut, ujar Sendra, pelaku bisnis tertantang oleh kemampuan untuk mengelola data dalam jumlah banyak secara tepat dan efisien.

Pelaku bisnis perlu waspada dengan “data kotor” yang dapat memengaruhi kualitas analisis yang dihasilkan. OVO mempunyai pengalaman terkait hal itu. Head of Business Insights & Analytics Product OVO, Riki Pribadi, mengatakan bahwa OVO pada awalnya tumbuh dan berkembang di dalam ekosistem Lippo Group. Kemudian OVO memfokuskan bisnisnya dengan reposisioning sebagai open platform untuk pembayaran digital (digital payment). “Sejak memutuskan sebagai digital payment, OVO mendapatkan imbas berupa tingginya volume data yang harus diproses,” katanya.

Data yang masuk, menurut Riki, akan melalui proses ke beberapa tahapan transformasi. Berawal dari lapisan data mentah (raw data layer) sampai akhirnya menjadi lapisan data bisnis (business data layer). Data bisnis inilah yang dapat dipakai untuk menjawab sejumlah persoalan dan pertanyaan bisnis yang dihadapi.

Di OVO, data bisnis tersebut menjadi acuan untuk melihat peluang pengembangan perusahaan. Karena itu, Riki melihat peran analisis data menjadi penting. Fungsi penganalisis data adalah memakai teknik-teknik data science yang diaplikasikan ke data yang sudah masuk. Dari data tersebut, OVO membangun customer 360º profile attribute yang dapat dipakai untuk melakukan segmentasi seluruh pemakai OVO.

Dari hasil segmentasi itu, OVO bisa memahami apa yang menjadi kebutuhan dan minat pelanggannya untuk meningkatkan layanan menjadi lebih baik dan pas. “Dan tentunya hal tersebut harus dilakukan di bawah pengawasan data governance yang sangat berhati-hati terhadap faktor kerahasiaan data personal,” kata Riki.

Nilai tambah kepada bisnis menjadi inti dari pemanfaatan big data yang terkumpul dalam kategori data science. Menurut Managing Director Algoritma, Nayoko, sampai saat ini ada sejumlah jenis analisis data yang bisa digunakan untuk meningkatkan pengambilan keputusan. Jenis-jenis analisis data tersebut adalah analisis deskriptif, analisis diagnostik, analisis prediktif, dan analisis preskiptif.

Setiap jenis analisis tersebut berbeda levelnya, dari sederhana menuju tingkat yang lebih canggih atau semakin kompleks analisis serta nilai-nilai yang dibawa. Hasil analisis deskriptif adalah jawaban atas pertanyaan tentang apa yang terjadi. Analisis deskriptif mentransformasikan data mentah dari berbagai sumber data untuk memberikan gambaran dan wawasan berharga, namun tidak menunjukkan benar atau salah dan tidak menjelaskan alasannya.

Biasanya, perusahaan akan melengkapi analisis deskriptif ini dengan analisis diagnostik. Pada level ini, data historis yang masuk dapat diukur terhadap data lain untuk menjawab pertanyaan mengapa hal tersebut terjadi. Dari sini akan dapat diketahui dependensi dan identifikasi polanya akan seperti apa. Analisis diagnostik akan memberikan wawasan mendalam ke dalam masalah tertentu yang sedang dihadapi perusahaan.

Untuk pengambilan strategis atau keputusan penting mengenai suatu produk baru atau kebijakan pemasaran, setelah mendapatkan analisis deskriptif dan diagnostik, manajemen perusahaan biasanya akan masih akan membutuhkan analisis prediktif. Analisis prediktif memberitahukan apa yang mungkin terjadi dengan memanfaatkan analisis deskriptif dan diagnostik. Contohnya, untuk mendeteksi kecenderungan konsumen, pengecualian, dan memprediksi tren masa depan.

Analisis deskriptif ini alat yang berguna untuk meramalkan atau proyeksi ke depan akan seperti apa. Namun perlu diperhatikan bahwa perkiraan bisa saja meleset, karena dua faktor, yakni akurasi identifikasi pada kualitas data dan stabilitas situasi. Karena itu, kualitas data yang masuk harus dijaga. Selain itu, perubahan yang terjadi pada target harus dipantau terus agar bisa melakukan penyesuaian atau antisipasi.

Untuk menang dalam persaingan, banyak perusahaan menciptakan produk yang diharapkan akan menjadi pemimpin pasar. Dalam hal ini, analisis preskriptif atau secara harafiah meresepkan tindakan apa yang harus diambil untuk masa depan sangat penting. Untuk mengantisipasi masa depan, perusahaan akan menyingkirkan masalah yang mungkin terjadi dan memanfaatkan kecenderungan yang memberikan potensi positif.

Contoh paling sederhana adalah dengan melihat perubahan demografi, kecenderungan konsumen, dan kebutuhan yang paling banyak diburu. Dengan melihat itu, perusahaan bisa menciptakan produk yang bakal menjadi tren dan sangat dibutuhkan konsumen milenial.

Level dari analisis preskriptif ini begitu kompleks, karena –selain membutuhkan data historis, algoritma statistik, dan informasi eksternal—juga memanfaatkan alat dan teknologi seperti pembelajaran mesin, tata kelola data, dan algoritma bisnis. Karena begitu kompleksnya, maka manajemen perlu memperhatikan usaha yang dibutuhkan dan nilai tambah yang diharapkan.

Dari survei PwC terhadap pemanfaatan big data oleh 2.000 eksekutif dalam pengambilan keputusan berkualitas, terlihat jenis analisis yang paling sering mereka butuhkan. Ternyata analisis deskriptif sangat jarang mereka manfaatkan. Analisis yang paling banyak digunakan para CEO yang proaktif adalah analisis prediktif (36%), diagnostik (34%), dan kemudian preskriptif (28%).

Survei PwC juga menunjukkan pemanfaatan level analisis juga tergantung perkembangan perusahaan. Pada tahap lebih lanjut, banyak perusahaan tidak hanya memanfaatkan analisis deskriptif saja, melainkan juga membutuhkan analisis diagnostik dan prediktif. Survei lain dari BARC pada 2017 mengenai tren intelijen bisnis juga menyebutkan, 2.800 eksekutif menegaskan semakin pentingnya analisis prediktif dan penambangan data.

Sudahkah Anda menggunakan big data hari ini?

G.A. Guritno

Cover Majalah GATRA edisi No.3 / Tahun XXV / 15 - 21 Nov 2018 (Tim Desain/Gatra)
 
RUBRIK

Apa & Siapa
Buku
Ekonomi & Bisnis
Focil
Internasional
Kesehatan
Laporan Khusus
Laporan Utama
Multimedia
Nasional
Pariwara
Surat & Komentar
Teropong
Wawancara
 
Created and maintained by Gatra.com