Kewajiban Menyampaikan NPWP Bagi Nasabah Perorangan

Ada beberapa kegiatan atau keadaan tertentu yang mensyaratkan kepemilikan NPWP, antara lain: pengajuan kredit ke bank, pelanggan telepon, pembelian valuta asing kepada bank, pengurusan surat izin usaha perdagangan, pengalihan hak atas tanah/bangunan. Selain itu adalah pembukaan rekening produk Giro ke bank juga mensyaratkan kepemilikan NPWP oleh nasabah.

Pengajuan Kredit ke Bank

Dalam Surat Edaran Dirjen Pajak Nomor SE-06/PJ.23/1995 dan Surat Dirjen Pajak Nomor S-136/PJ.23/1995 disebutkan ketentuan antara lain sebagai berikut.

  1. Pemohon kredit dengan plafon di atas Rp 50.000.000 diwajibkan melampirkan foto copy kartu NPWP.
  2. Bank mensyaratkan laporan keuangan bagi pemohon kredit, yaitu wajib melampirkan laporan keuangan pada SPT tahunan PPh. Oleh karenanya, pemohon kredit tersebut diwajibkan menyampaikan laporan keuangan ke bank yang bersangkutan berupa foto copy laporan keuangan yang merupakan lampiran SPT tahunan PPh pemohon kredit tahun pajak terakhir dan bertanda terima dari KPP setempat. Bagi pemohon kredit orang pribadi yang tidak wajib melampirkan laporan keuangan pada SPT tahunan PPh-nya hanya diwajibkan menyampaikan foto copy SPT tahunan PPh.
  3. Bank tidak diperkenankan mempertimbangkan permohonan kredit yang tidak memenuhi persyaratan kewajiban penyampaian NPWP dan laporan keuangan sebagaimana ditetapkan dalam Surat Keputusan Direksi Bank Indonesia tersebut di atas.
  4. Kewajiban penyampaian NPWP tersebut dikecualikan bagi kondisi-kondisi berikut: Permohonan kredit yang diajukan oleh pemohon kredit yang merupakan satu kelompok sepanjang plafon kredit masing-masing anggotanya di bawah Rp 50.000.000; pemohon kredit orang pribadi yang berpenghasilan netto tidak melebihi PTKP; pemohon kredit orang pribadi yang tidak mempunyai penghasilan lain selain penghasilan sehubungan dengan pekerjaan atau jabatan dari satu pemberian kerja. Namun, pemohon kredit disyaratkan untuk menyampaikan foto copy lampiran SPT Tahunan PPh Pasal 21 (Formulir 1721-A1 atau Formulir 1721-A2).

Pembelian Valuta Asing kepada Bank

Peraturan Gubernur Bank Indonesia Nomor 10/20/PBI/2008 tentang Pembelian Valuta Asing terhadap Rupiah kepada Bank, nasabah yang akan membeli valuta asing harus memenuhi persyaratan: perorangan yang memiliki kewarganegaraan Indonesia; atau badan usaha selain bank yang berbadan hukum Indonesia, berdomisili di Indonesia, dan memiliki NPWP.
Perubahan PTKP

Mulai tanggal 1 Januari 2015, sesuai dengan Peraturan Menteri Keuangan Nomor 122/PMK.010/2015 tentang Penyesuaian Besarnya Penghasilan Tidak Kena Pajak (PTKP), maka PTKP bagi Wajib Pajak Orang Pribadi mendapatkan kenaikan sebesar 48% atau setara dengan Rp 11.700.000,00 dari Rp 24.300.000,00 menjadi Rp 36.000.000,00 setahun.

Peningkatan PTKP tersebut dilatarbelakangi oleh melambatnya pertumbuhan ekonomi serta perkembangan harga kebutuhan pokok yang semakin meningkat. Lebih lanjut, kenaikan PTKP tersebut ditujukan untuk meningkatkan daya beli masyarakat dan sebagai insentif agar pertumbuhan ekonomi nasional dapat didorong melalui peningkatan konsumsi masyarakat.

Perbandingan besarnya PTKP yang sebelumnya dengan yang saat ini berlaku adalah:

PTKP Sebelum       Sekarang
Wajib Pajak Orang Pribadi 24.300.000,00 36.000.000,00
Tambahan untuk WP kawin  2.025.000,00  3.000.000,00
Tambahan untuk tanggungan  2.025.000,00  3.000.000,00
Tambahan apabila penghasilan istri digabung dengan suami 24.300.000,00 36.000.000,00

Meskipun baru diundangkan pada tanggal 29 Juni 2015, Peraturan Menteri Keuangan tersebut mulai berlaku sejak Tahun Pajak 2015 sehingga akan menimbulkan konsekuensi sebagai berikut:

  1. Penghitungan PPh Pasal 21 terutang untuk Masa Pajak Juli s.d. Desember 2015 dihitung dengan menggunakan PTKP baru;
  2. SPT Masa PPh Pasal 21 untuk Masa Pajak Januari s.d. Juni 2015 yang telah dilaporkan dengan menggunakan PTKP lama, harus dilakukan pembetulan dengan menggunakan PTKP baru.

Dengan adanya kenaikan PTKP, maka kebijakan bank bagi nasabah yang akan mengajukan kredit maupun membuka rekening Giro juga harus disesuaikan, terutama untuk pengajuan pinjaman dan pembukaan rekening Giro. Kewajiban bagi nasabah untuk menyampaikan NPWP berkaitan dengan 2 hal, yaitu Pendapatan per bulan dan Plafond Kredit yang diberikan dengan ketentuan sebagai berikut:

  1. Jika Pendapatan KURANG DARI Rp 3 juta per bulan dan plafond kredit (akumulasi CIF) KURANG DARI ATAU SAMA DENGAN Rp 50 juta, maka nasabah Tidak Wajib menyampaikan NPWP.
  2. Jika Pendapatan berapapun dan plafond kredit (akumulasi CIF) LEBIH DARI Rp 50 juta, maka nasabah Wajib menyampaikan NPWP.
  3. Jika Pendapatan LEBIH BESAR ATAU SAMA DENGAN Rp 3 juta per bulan DAN plafond kredit berapapun, maka nasabah Wajib menyampaikan NPWP.

Legalitas Yang Perlu Diperhatikan Dalam Pembukaan Rekening Baru Perorangan 

  1. Nasabah wajib melampirkan KTP yang masih berlaku.
  2. Nasabah wajib melampirkan NPWP. Namun kewajiban melampirkan NPWP ini tidak mutlak sifatnya, karena bila calon pembuka rekening tersebut tidak memiliki NPWP dan gajinya dibawah UMR, boleh saja diganti dengan membuat surat pernyataan belum memiliki NPWP dan melampirkan Slip Gaji dari perusahaan.
  3. Alamat dalam KTP harus sama dengan yang di NPWP, bila alamat tidak sama, maka calon nasabah diminta untuk mengupdate alamat yang ada di NPWP ke Kantor Pelayanan Pajak tempat Wajib Pajak tersebut terdaftar. Bisa sekedar update data alamat saja dalam KPP yang sama atau bila diperlukan pindah KPP.
  4. Bagi yang alamat KTP dengan alamat tempat tinggal sekarang (domisili terakhir) tidak sama, wajib melampirkan Surat Keterangan Domisili (dari pemerintah setempat minimal setingkat kelurahan) dan/atau surat keterangan bekerja dari perusahaan.

Dengan memperhatikan prosedur pembukaan rekening tersebut, setiap dokumen yang dilampirkan di atas semuanya saling terkait. Tujuannya untuk menjaga validitas data dan pengetatan aturan ini sebaiknya diberlakukan karena maraknya penipuan yang dilakukan nasabah bank atas transaksi jual beli. Pihak bank berkepentingan untuk memastikan bahwa jika terjadi masalah, pihak bank akan lebih mudah dalam melacak dan mengambil tindakan selanjutnya kepada pihak terlapor.

Posted in Data Quality | Leave a comment

Urgensi Standar Data bagi Organisasi

Pertukaran data antar aplikasi TI, antar proses bisnis, bahkan sampai antar organisasi di industri yang berbeda sudah menjadi keniscayaan di era informasi yang saling terkait ini. Namun pertukaran data ini seringnya menjadi terhambat dikarenakan tiadanya Standar Data yang disepakati bersama. Artikel ini mengenalkan urgensi Standar Data dalam kebutuhan pertukaran data dimanapun, kapanpun dan dalam format apapun data itu dibutuhkan. Juga dipaparkan tantangan yang biasa ditemui banyak organisasi ketika hendak memformulasikan kebijakan Standar Data.

Manusia adalah mahluk yang sangat kreatif dalam cara mereka merepresentasikan konsep kenyataan-dunia yang dihadapinya menjadi objek informasi. Hal ini mengarah pada pelbagai variasi dalam bagaimana menstrukturkan dan memaknai objek informasi tersebut. Dampaknya adalah hadirnya gagasan representasi objek informasi yang sebenarnya sama, namun begitu terspesialisasi penggunaannya pada lintas industri yang berbeda, antar organisasi di industri yang sama, bahkan antar divisi atau unit kerja yang berbeda pada organisasi yang sama.

Ketika sekelompok orang yang menggunakan objek informasi itu masih sedikit, dampak dari variasi ini kurang begitu relevan. Sebagai contoh, ketika seseorang baru mulai bergabung dalam sebuah perusahaan, dia mungkin memiliki daftar glosari istilah bisnis yang digunakannya dalam pekerjaannya sehari-hari. Namun ketika ada kebutuhan untuk kolaborasi dan pertukaran informasi (bukan hanya dengan kolega ataupun rekanan kerjanya, bahkan dengan kompetitor bisnisnya), dalam kenyataannya akan ditemui pelbagai perbedaan dalam penamaan, semantik, dan format dari objek informasi yang hendak di pertukarkan tersebut. Perbedaan ini seringnya menjadi penghalang baru dari pekerjaan kolaborasi bisnis tersebut.

Ketiadaan terhadap kerangka rujukan yang sama, atau ketidaan pendefinisian istilah bisnis yang sama, hingga ketiadaan kesepakatan terhadap format dari informasi yang dipertukarkan, akan membuat kedua belah pihak yang saling berkolaborasi tersebut akan sulit untuk memahami informasi yang dipertukarkan satu sama lain. Oleh karena itu, pengelolaan terhadap kualitas data yang dimiliki organisasi merupakan tugas yang kritikal dalam pertukaran informasi. Dalam organisasi manapun, kita menjadi lebih percaya terhadap informasi yang dipertukarkan jikalau informasi tersebut bisa dipahami dengan cara yang sama di antara kedua belah pihak yang saling bertukar informasi tersebut. Disinilah ugensinya Standar Data.

Tantangan yang Biasa Ditemui

Ada beberapa tantangan umum yang biasa ditemui ketika organisasi hendak menerapkan Standar Data, namun seringnya akan kembali ke permasalahan bagaimana memformalisasikan praktek standarisasi data yang sering diabaikan dalam setiap perancangan dan pengembangan aplikasi TI yang sedang dilakukan organisasi tersebut. Berikut beberapa contoh tantangannya:

  • Ketidak-jelasan terhadap penggunaan semantik datanya itu sendiri di lintas aplikasi TI: mengasosiasikan suatu isitilah bisnis terhadap makna suatu elemen data mungkin tidak menjadi masalah ketika suatu sistem aplikasi TI itu hanya berdiri sendiri. Namun ketika maksud sebenarnya dari elemen data itu dibandingkan dengan eleman data yang (diharapkan) maksudya sama di antara lingungan sistem TI yang berbeda, akan ditemukan pendefinisikan makna data yang sangat berbeda. Dan seringnya perbedaannya sangat mendasar ketika diteliti lebih lanjut sampai penggunaannya di proses bisnis, walaupun awalnya di anggap sebagai data yang sama.
  • Ambiguitas dalam pendefinisian data: Ambiguitas terjadi bukan hanya ditemukan antar aplikasi TI, namun juga sampai antara unit kerja lintas departemen. Ambiguitas yang ditemui tersebut akan cenderung membuat seseorang mempromosikan definisi semantiknya sendiri sambil menafikan kepentingan pihak lain, perilaku seperti ini tentu akan menumbuhkan benih konflik kepentingan dalam organisasi.
  • Kurangnya kepresisian: Manusia cenderung menjadi tidak presisi ketika berbicara standar pertukaran informasi dengan pihak lain, karena manusia cenderung mendefinisikan pemahamannya terhadap data berdasarkan konteks kebutuhannya sendiri. Dalam lingkungan yang saling tidak presisi seperti ini, akan sulit melakukan pengukuran ketika orgamisais hendak memonitor apakah data yang dipertukarkan itu memiliki standar yang sama atau tidak, dalam satu pandangan yang utuh untuk kebutuhan seluruh organisasi atau lintas organisasi.
  • Variasi dalam keputusan pengunaan framework aplikasi TI: Bukan hanya masalah perbedaan semantik, keputusan mengenai penggunaan framewwork dalam implementasi aplikasi TI yang berbeda biasanya bisa membuat semacam “perang relijus” tersendiri antar system-owner (misal perang antar pembela .NET vs J2EE, XML vs flat data), yang mempersulit terbentuknya kesepakatan Standar Data.
  • Ditemukan tingkat keragaman yang tinggi dalam mekanisme perpindahan data: Beragam mode pendekatan dalam bagaimana data itu dipertukarkan akan bisa melahirkan konflik ketika organisasi mengharapkan pertukaran terjadi secara transparan bagi pengguna bisnis. Misal suatu apikasi TI yang menerapkan mode pertukaran data dalam bentuk dokumen XML, akan membuat beban kerja tambahan bagi pengguna aplikasi TI lain yang menggunakan mode pendekatan berbasis flat data files.Perbedaan mekanisme mode perpindahan data itu juga bisa membuat kedua pihak sulit bertemu untuk mau mengkomunikasikan Standar Data yang seharusnya bisa disepakati bersama.

Standar Data

Standar Data adalah kesepakatan formal antara beberapa pihak yang berkepentingan mengenai definisi istilah bisnis atas informasi yang dipakai bersama, dan bagaimana istilah-istilah tersebut dinamai dan direpresentasikan dalam data. Termasuk dalam Standar Data adalah seperangkat aturan yang menjelaskan bagaimana suatu objek data disimpan, dipertukarkan, terspesifikasi formatnya, dan direpresentasikan. Standar Data juga meliputi aturan-aturan yang dengannya informasi dipertukarkan. Termasuk di dalamnya:

  • Identifikasi dan definisi istilah bisnis yang digunakan bersama
  • Penentuan akan objek data mana yang boleh dipertukarkan.
  • Daftar komposisi elemen data yang membentuk objek data tersebut, dan
  • Penamaan, format/strutkur serta aturan bagaimana elemen data itu direpresentasikan

Manfaat Standar Data Bagi Organisasi

Aturan-aturan yang tertuang dalam Standar Data akan menjadi kerangka bagi kebijakan dan prosedur organisasi yang diperlukan untuk memastikan adanya kepatuhan terhadap Standar Data tersebut. Organisasi memerlukan posisi strategis Data Governance untuk memastikan Standar Data tersebut dipatuhi seluruh organisasi.

Adapun manfaat dalam memformalkan Standar Data ini ke seluruh organisasi adalah sebagai berikut:

  • Memastikan terjadinya komunikasi yang efektif antar pelbagai pihak yang berkepentingan dalam pertukaran data.
  • Mereduksi kerja intervensi manual yang sering dilakukan para pengguna data (yaitu seringnya menjadi beban kerja para user bisnis yang melelahkan & mengurangi produkstifitas bisnis) ketika data dipertukarkan lintas proses bisnis. Standar Data yang dipatuhi seluruh organisasi akan mendorong pertukaran data bisa lebih diotomatisasi.
  • Mendorong terbangunnya katalog istilah-istilah bisnis —dan bagaimana bentuk representasi datanya— secara terpusat yang disepakati bersama seluruh organisasi dalam memenuhi kebutuhan pertukaran data tersebut.
  • Memastikan pemeliharaan aplikasi TI yang sedang berjalan, upgrade aplikasi TI maupun dalam pengembangan apikasi TI baru mendukung standarisasi data yang sudah disepakati bersama seluruh organisasi tersebut.

Berikut beberapa program-program TI yang memerlukan Standar Data untuk memastikan prosedur perpindahan ataupun pertukaran data yang dibutuhkan tidak terhambat, sehingga dapat berjalan sesuai dengan yang diharapkan bisnis:

  • ETL dalam membangun Datawarehouse
  • Program Agregasi ataupun Konsolidasi data.
  • EAI (Enterprise Apllication Integration) berbasis SOA
  • Data Federation secara virtual berbasis EII (Enterprise Infomation Integration)
  • Manajememen Data Master (MDM)
  • Integrasi Data Pelanggan dari pelbagai aplikasi TI yang secara serentak dalam operasionalnya menggunakan Data Pelanggan yang sama, baik secara secara real-time maupun dengan pendekatan replikasi data.
  • Laporan Konsolidasi Bisnis.
  • Monitoring Bisnis dengan KPI (Key Performance Indicator).

Sumber: http://manajemendata.com/urgensi-standar-data-bagi-organisasi/

Posted in Data Quality | Leave a comment

Fungsi Unit Dalam Data Governance

Fungsi Unit terkait dalam Data Governance

a. Pemilik Data (Data Owner)
1) Menjaga kualitas data terhadap datafield yang dimilikinya.
2) Mendefinisikan data, business rules dan penegakan data policy dan data standard.

b. Penghasil Data (Data Producer)
Adalah fungsi yang bertanggung jawab untuk melakukan input data

c. Pemilik Sistem IT (IT System Owner)
Adalah fungsi yang bertanggung jawab terhadap sistem TI, yaitu divisi TI atau divisi-divisi yang mengelola sistem TI secara mandiri.

d. Pengguna Data (Data Consumer)
Adalah pihak-pihak yang menggunakan data.

Posted in Data Quality | Leave a comment

ROI for Data Quality

by David Loshin
Published in TDAN.com January 2003

Every organization has a problem with data quality – there is no doubt to that. The issue that many organizations are currently grappling with is not the existence of data quality issues, but rather how critical those problems are to the business. Even in companies that recognize the importance of data quality within the enterprise, there is hesitancy to attack these problems. Having spoken to a number of information practitioners, it appears to me that the reason for this is not a misunderstanding of the scope or size of the problem, but rather this is due to two fundamental problems:
• The inability to convince senior management of the importance of improved data quality, resulting in limited budgets and lack of governance.
• The size of the problem invokes a paralysis in that no practitioners can figure out where to begin to address it.

An approach that we have had some success with in dealing with both of these issues revolves around a limited assessment of data quality that helps yield some metrics on the size of the data quality problem, help determine which problems are the most business-critical, and help determine the initial steps that need to be taken to address the problem.

The DQ ROI Problem
One of the most frustrating issues associated with data quality improvement is not knowing how bad data really affects the organization. In some companies, the methods to address poor data quality may incorporate interim data corrections, nominal customer service adjustments, multiple copies of non-standard data, or other “topical” solutions, all of which incur some “correction” costs to the company but probably do not address the source of the problem. In fact, though, it is possible that despite the existence of data that is not compliant with knowledge worker expectations, the costs associated with fixing the problems overwhelm the aforementioned correction costs.

This is where the concept of the data quality Return On Investment (ROI) assessment comes in. The goal is to provide some set of metrics that highlight the more critical data quality issues, and tie those issues to actual business problems, which can either be related to increased costs or with lost opportunities. Calculating the scope of the actual costs of those business problems and then comparing those costs with what it will take to improve data quality provides that elusive ROI model.

This ROI model can be used to address both of the above-mentioned roadblocks. By providing clearly defined metrics and their actual measurements, and tying them to actual business problems, this ROI model builds the argument for senior-management support of data quality improvement initiatives. And by highlighting the most critical data issues, this model provides a starting point for the improvement process.

Costs Associated with Poor Data Quality

We can divide the costs associated with poor data quality into the soft costs, which are clearly evident but yet hard to measure, and the hard impacts, whose effects can be estimated and measured. Ultimately, the level of data quality rolls up to the company’s bottom line – allowing low levels of data quality to remain will lower profits, while improving data quality should increase profits.

Hard Costs
Hard costs are those whose effects can be estimated and/or measured. These include:
• Customer attrition
• Error detection
• Error rework
• Error prevention
• Customer service
• Fixing customer problems
• Delays in processing
• Delayed or cancelled projects

Soft Costs
Soft costs are those that are evident, clearly have an effect on productivity, yet are difficult to measure. These include:
• Difficulty in decision making
• Time delays in operation
• Organizational mistrust
• Lowered ability to effectively compete
• Data ownership conflicts
• Lowered employee satisfaction

These costs can be manifested as one or more of these specific impact classifications:
Detection costs, which are incurred when a system error or processing failure occurs and a process is invoked to track down the problem.
Correction costs, which are associated with the actual correction of a problem as well as the restarting of any failed processes or activities. The amount of time associated with the activity that failed, along with extraneous employee activity, are all rolled up into correction costs.
Rollback costs, which covers costs associated with undoing work that has already been done.
Rework costs, which represent all work that was additionally performed before the successful run took place.
Prevention costs, which are those that are incurred when a new activity is designed, implemented, and integrated to identify data quality problems and to take the necessary actions to prevent operational failure due to unexpected data problems.
Warranty costs are those associated with both fixing the problem as well as compensating the customer for damages.
Reduction, which occurs when a customer’s reaction to an organization’s data quality problem results in a decision to do less business with that organization.
Attrition, which occurs when a customer’s reaction to poor data quality results in the customer’s complete cessation of business.
Blockading, which occurs when a customer’s dissatisfaction is so complete that it causes other potential customers to decide against doing business with the organization in the first place.

Value Associated with Improved Data Quality
Improved data quality can add to the company’s bottom line, either through optimization in operational systems or by improving the value of knowledge generated through a business intelligence process. The following kinds of improvements are typical as the result of improved information quality:
• Improved throughput for volume processing – By reducing the delays associated with detecting and correcting data errors, and the rework associated with that correction, more transactions can be processed, resulting in greater volume processing and lower cost per transaction.
• Improved customer profiling – Having more compliant customer information allows the business intelligence process to provide more accurate customer profiling, which in turn can lead to increased sales, better customer service, and increased valued customer retention.
• Decreased resource requirements – Redundant data, rollbacks, and rework put an unnecessary strain on an organization’s resource pool. Eliminating redundant data, and reducing the amount of rework reduces that strain and provides better resource allocation and utilization.
• Predictability in project planning and completion – If many projects (such as business intelligence and data warehousing projects) fail as a result of poor data quality, then conversely, improving the quality of information should ensure that a project cannot be delayed or canceled as a result of bad data.

Creating The Value Proposition Through DQ Assessment
One might think that a complete system assessment is required to provide the comprehensive ROI for improved data quality, but typically a constrained assessment is both effective at isolating significant problems that can be directly related to increased costs as well as providing insight into the direction an improvement process should take. We have had success in small-scale analyses that focus on one particular data set. The process is as follows:
1. Profile – A data profiling scheme will look at standard column and cross-column analyses, such as frequency, nullness, cardinality, etc. This process will usually expose some of the more offending data quality problems, which should be summarized for the next phase:
2. Review – The results of the profiling should be discussed with the business client to determine which of the issues are related to business problems. We now configure business rules that characterize our expectations as a prelude to actual measurement.
3. Measure – We now have a list of critical data quality problems as well as the business problems to which they relate. The next step is to not just measure information compliance to our defined business rules, but also to measure the actual costs associated with noncompliance.
4. Characterize Solution – Having measured data quality rule compliance and associated noncompliance with the actual costs, we must now propose solutions to these problems and provide cost estimates for those solutions, as well as estimate the increase in value when these problems have been solved.
5. Build the ROI model – We now have enough information to complete our ROI mode, which enumerates costs associated with poor data quality, the costs to correct the problems, and the benefits provided as a result of improvement. This gives us a high-level view of the value proposition for data quality improvement.

Conclusion
Building the ROI model for data quality is a valuable business process that requires a small investment in time and energy yet provides valuable documentation of the scope and costs associated with poor data quality. Performing a limited assessment of data quality yields important metrics on the size of the data quality problem, helps highlight those problems that are the most business-critical, helps determine the initial steps that need to be taken to address the problem. Most importantly, the ROI model provides an irrefutable argument to convince senior managers of the importance of information compliance.

Posted in Uncategorized | Leave a comment

Creating A Single Customer View

In a world so dependent on data that it has become the pinnacle corporate asset, hundreds of companies are deploying dozens of initiatives around data: ERP, shared services, CRM, contact centers, supply chain, RFID, SFA, etc. With the launch of these new technologies, Gartner, in a ground breaking report, predicted that poor data quality would be one of the top inhibitors to the success of any data-related technology implementation. They also predicted that ROI from these initiatives can only be realized when customer-facing technologies are combined with analytic techniques such as collaborative filtering, predictive modeling and business rules. In other words, customer intelligence, blended with historical data via predictive science is required to predict future customer purchase behaviors. Additionally, the information resulting from all the data manipulation is necessary to shape the decisions about how companies innovate products, go to market, and determine customer focus.

Critical to making data-oriented strategies and technology solutions transform customer data into actionable intelligence is access to accurate, reliable, and consistent real-time data. But most companies do not have a master database where information is consolidated and maintained. This means that customer data, often collected from multiple disparate sources, is incomplete and of poor quality. And if the data is not cleansed, updated and integrated, errors, redundancies and delays can be expected. In the end, money spent on all the new data-related initiatives and software packages may be in vain because the data-based applications are only as good as the data that runs them. Garbage in, garbage out.

 

Analyst Findings on Corporate Data Quality

A number of analyst groups have published alarming statistics about company data quality. Forrester published a study reporting that 37 percent of companies cite duplicate and overlapping files as significant data-management problems. Gartner’s new studies on data show that contact data typically deteriorates at a rate of 33 percent per year. In addition, they found that more than 25 percent of the critical data used in large corporations is flawed due to human data-entry errors, data becoming outdated (i.e., from customer‘s moving) and a lack of proper corporate data standards. Gartner also predicts that through 2007, more than 50 percent of data-warehouse projects will experience limited acceptance, if not outright failure, because companies are not proactively addressing the data-quality issues.

In another report on CRM Data Cleansing, Gartner found that more than 40 percent of all companies take on CRM or similar projects without understanding their existing data quality problems. And, at least 60 percent underestimate the resources required to perform data quality clean-up. Without proper attention, the data will inevitably become incorrect, unusable and ultimately untrustworthy. So, the very thing that corporate strategies and tactical plans are being based on is in itself unsound.

 

Business Reasons for Creating a Single Customer View

With the strategic focus on data, one of the most significant challenges facing CIOs today is wrestling with the issues to make data valuable to the corporation. One of the most important aspects of making data valuable is being able to create a single customer view (SCV) with the data. A single customer view means that across all applications, databases and customer touch points, a company has a single accurate, consistent and complete view of their customers and their data.

The business reasons to create a SCV are numerous and span all departments of a company. They include the ability to:

  • Better target products and services to current customers to increase revenue
  • Identify the company’s most valuable customers
  • Increase forecast accuracy
  • Comply with federal regulations with a complete picture of customers and their transactions
  • Provide great customer service, resulting in higher customer retention
  • Anticipate customer needs to develop better products
  • Better focus marketing initiatives towards customers interested in the products and services
  • Assess and then leverage a merger or acquisition by getting a quick, reliable view of the combined customer base and
  • Sell more effectively through channel partners

The financial, operational, customer satisfaction and regulatory affects of unreliable data are overwhelming. Examples of negative outcomes include:

1.     CRM Investments

Companies cannot reap the rewards promised in part because the customer data they are storing and managing is inaccurate, outdated or redundant. Lost revenue and dissatisfied customers also result from improperly addressed customer shipments and invoices. More emphasis should be placed on buying a CRM package and implementing it than the data itself. Information quality has been taken for granted, ignored or given second priority to the deployment of a CRM system. Mergers and acquisition are executed many times to leverage the additional customer base. But, without a good view of the customer, the point of the merger may be lost.

2.     Marketing

Sending mailers to undeliverable addresses or duplicate promotional materials because customers are duplicated in the database result in ineffective use of budget. Opportunity costs increase when companies do not send marketing materials to the right prospects because the segmentation data is flawed, and unnecessary printing, postage and staffing costs result. A company’s credibility with customers and suppliers erodes by sending them things they are not interested in.

3.     Sales

The sales force calls unreachable phone numbers and the process of integrating internal data with partner or channel data that has different levels of quality, completeness and tags risks violating financial reporting and privacy legislations.

4.     Government Regulations

Government-instituted regulatory compliance laws, including consumer privacy regulations or tracking events.

 

Businesses that can answer the following types of questions have accurate, reliable data and gain return on their investments:

  • How can we sell more to our top accounts?
  • How effective are our channel marketing programs?
  • How well do I understand my customer relationships across departments, lines of business, and geographies?
  • What is our financial exposure to customers?
  • How can we effectively respond to the needs of our customer?

Having answers to those kinds of questions provides the strategic advantage over competitors required to succeed in this fast-paced, global marketplace. The real bottom line questions are: What is the cost of a lost customer? What is the true cost of bad data?

 

The Cost of Bad Customer Data

In the past, the cost of “poor data quality” and the severity of data quality problems were not applied to the bottom line. However, with increasing awareness of the strategic importance of data, a number of firms and organizations are beginning to evaluate the financial impact of bad data. A recent study by the Data Warehousing Institute found that poor-quality data costs U.S. businesses $600 billion a year.

Additionally, a senior analyst at Yankee Group, Kosin Huang, reported that $40 billion of that can be attributed to the consumer packaged goods industry and retail supply chain alone. The study quoted experts who found that customer data becomes obsolete at the rate of 2 percent a month because people move, get married, divorced or die. Nearly half of the companies surveyed had no plans to improve data quality. To put this static into perspective, assume that your company has 1,000,000 customers and prospects. If two (2) percent of your records becomes obsolete in one month that equates to 20,000 records per month or 240,000 records per year. In several years, about half of the records will be unusable if left unchecked.

A study published in Information Week sited that when 413 manufacturers shared their data with their retail customers they found 2,784 data errors. These errors included bad data about products, quantities and brands. Forty-four of the supplier’s data was so bad that it could sabotage the supply chain, resulting in millions of dollars in lost revenue due to poor merchandising decisions.

An AT Kearny study showed that 30 percent of data reported by grocers was erroneous. They also estimated the consumer packaged goods industry is losing $40 billion in annual sales due to bad product data. This study found 43 percent of invoices included errors leading to unnecessary price reductions.

Yet another study by Automotive Aftermarket Industry Association (AAIA) found that trading partners sharing product data were forced to manually enter it. The AAIA estimated the cost of manual rework like this, combined with the lost sales, costs the automotive industry $2 billion a year. Dirty data also resulted in excess inventory, invoice payment deductions and delays in new product launches.

 

The Unsolved Customer Data Challenge

The issue of a poor data quality and the lack of a single view of a customer is caused by:

  • Inaccurate data entry at the source
  • Inconsistent definitions of customers across different systems
  • Poor data design in legacy systems
  • Lack of a data steward department and point person
  • Lack of a data management plan and
  • Lack of single customer view strategy and tactical plan

While each of these issues can cause problems within single systems, creating a single customer view increases the problems exponentially as a result of connecting two or more databases. The challenge is to gain control over a problem that, if left unsolved, will make many other data initiatives pointless.

 

Source : www.hitachiconsulting.com

Posted in Data Quality | Tagged | Leave a comment

Pentingnya Standarisasi Data

Seperti produk, baik barang, jasa, sistem maupun proses, untuk dapat dikatakan berkualitas baik tentu harus memnuhi standar yang telah ditetapkan. Misalnya untuk produk dalam negeri, harus memenuhi standar yang telah ditetapkan oleh Badan Standar Nasional (BSN) dalam Standar Nasional Indonesia (SNI), sehingga konsumen yakin produk yang akan digunakan sudah memenuhi standar nasional dan berkualitas baik.

Begitu juga dengan data. Data harus diperlakukan sebagai aset yang berharga bagi perusahaan. Data yang diinput pada sistem harus memenuhi standar yang telah ditetapkan oleh organisasi/perusahaan, dengan tujuan untuk memudahkan proses pengolahan data menjadi informasi dan laporan.

Untuk perusahaan perbankan, data nasabah yang diinput pada core banking harus merujuk pada ketentuan yang telah ditetapkan oleh Bank Indonesia (BI). Misalnya untuk kepentingan pada pelaporan SID (Sistem Informasi Debitur).

Selain untuk memenuhi kepatuhan kepada regulator, data yang telah distandarisasi tentu akan memudahkan untuk pengolahan data menjadi laporan dan kepentingan bisnis, misalnya pengiriman rekening koran kepada debitur, program marketing melalui SMS dll.

Seperti apa standarisasi data yang harus dibuat oleh perbankan?

Untuk Nama Nasabah, misalnya harus dibuat tanpa mencantumkan gelar, baik gelar akademik maupun gelar keagamaan. Tidak diperkenankan menggunakan karakter khusus dan angka.

Untuk Alamat Nasabah, misalnya harus mencantumkan nama jalan, nomor, RT/RW, kelurahan, kecamatan, kabupaten/kota  dan kode pos.

Untuk Nomor HP, misalnya harus sesuai dengan format nomor handphone yang dimiliki oleh operator di Indonesia.

Untuk field yang lain dapat ditetapkan standar data sesuai dengan kepentingan masing-masing perusahaan.

Agar standarisasi data dapat dijadikan pedoman dalam operasional perusahaan dan dijalankan oleh segenap pegawai yang berwenang menginput data, maka standarisasi data harus didudukkan sebagai kebijakan operasional dalam perusahaan.

Ada yang mau dibantu dalam menyusun kebijakan standar data? Wani piro ? ..he..he..he…

Semoga bermanfaat.

Posted in Data Quality | Leave a comment

Menjaga Kontak Dengan Nasabah

Seiring bergulirnya waktu, kebutuhan nasabah pasti berubah. Seseorang yang tidak membutuhkan produk kita enam bulan atau setahun yang lalu, bisa jadi akan membutuhkannya beberapa bulan atau kemudian.

Pelanggan yang mengatakan “TIDAK” belum tentu menolak penawaran kita, mungkin saja mereka tidak memerlukannya sekarang.

Misalnya, seorang nasabah yang saat itu statusnya mahasiswa tentu belum membutuhkan produk pinjaman, namun beberapa waktu kemudian setelah menjadi pengusaha tentu membutuhkan produk pinjaman untuk kelancaran usahanya. Untuk itu, kita harus tetap mempertahankan kontak dengan nasabah tersebut

Cara mempertahankan kontak dengan nasabah yang efektif adalah dengan menelepon, SMS, atau mengirimkan informasi, materi promosi, serta artikel yang relevan secara teratur, baik melalui email maupun jasa kurir.

Point pentingnya adalah bagaimana kita tetap menjaga keterhubungan kita dengan nasabah. Untuk nasabah yang ada pengelola nasabahnya mungkin tidak terlalu masalah, karena pengelola nasabah harus selalu menjaga kontak (keep in touch) dengan nasabah kelolaannya. Nah bagaimana dengan nasabah yg tidak / belum ada pengelolanya, padahal nasabah tersebut sangat berpotensi untuk menghasilkan profit bagi kita.

 

Menjaga Kualitas Data Nomor Telepon

Untuk dapat menjaga kontak dengan nasabah agar tidak kehilangan komunikasi, maka salah satu data penting yang harus tetap dijaga kualitasnya adalah nomor telepon, baik telepon rumah, kantor maupun No. HP.  Data lainnya adalah alamat email, akun social media dan alamat tempat tinggal atau surat menyurat.

Image

Kualitas data nomor telepon harus selalu kita jaga agar kita akan selalu dapat menghubungi nasabah, karena saat ini data nomor telepon, terutama nomor HP adalah data yang paling cepat berubah. Salah satu penyebabnya adalah mudahnya mendapatkan kartu perdana selular dengan harga yang cukup murah. Jika kita selalu menjaga kontak dengan nasabah, biasanya kita akan selalu terinfo jika ada perubahan nomor telepon nasabah.

Data nomor telepon tidak cukup yang penting terisi / ada (completeness) dan penulisannya / formatnya sesuai dengan format nomor telepon / HP dari operator telepon yang ada (consistency), tetapi harus juga akurat (accuracy). Bisa jadi nomor telepon / HP nasabah yang kita catat ternyata sudah tidak aktif atau bahkan sudah beralih kepemilikannya.

Image

Kualitas data nomor telepon ini masih sering terabaikan. Hal tersebut dapat dilihat dari masih rendahnya kualitas data (Data Quality Index) nomor telepon. Padahal dari nomor telepon nasabah yang kita miliki, kita dapat menggali informasi dan potensi yang lebih dalam dari nasabah untuk kepentingan bisnis kita. Ibaratnya kita dapat menggali harta karun terpendam dari nasabah.

Dari data nomor telepon ini pula kita dapat melakukan pengkinian data untuk memenuhi kepatuhan kepada regulator. Bagaimana kita bisa menghubungi nasabah jika kita kehilangan nomor kontak nasabah? Mengirimkan surat ke nasabah belum tentu mendapatkan respon dari nasabah. Apalagi menunggu nasabah datang ke kantor cabang, mungkin bisa setahun sekali datangnya dan bahkan bisa lebih.

 

Bagaimana Meningkatkan Kualitas Data Nomor Telepon

Untuk dapat meningkatkan kualitas data nomor telepon, perlu dilakukan upaya yang berkesinambungan dan terintegrasi. Data nomor telepon dapat diperoleh dari nomor HP nasabah yang melakukan register pada SMS Banking atau Internet Banking. Bisa juga melalui sistem pada ATM ketika nasabah melakukan transaksi di ATM, namun hal ini perlu dilakukan enhancement pada sistem ATM dan jangan sampai nasabah terganggu dengan adanya permintaan untuk melengkapi data nomor teleponnya.

Cara lain yang dapat dilakukan adalah ketika nasabah melakukan transaksi di teller kemudian nasabah diarahkan untuk menuju ke Customer Service untuk mengupdate datanya. Perlu dilakukan dengan cara persuasif agar jangan sampai nasabah merasa dipaksa untuk melakukan updating datanya.

Data nomor telepon / HP juga dapat diperoleh ketika nasabah melakukan transaksi di teller dan nasabah dan nasabah diminta untuk mencantumkan nomor telepon / HP pada voucher transaksi. Nomor telepon / HP pada voucher transaksi kemudian dikumpulkan dan dapat diupdate pada core banking. Namun demikian, aktifitas pengumpulan data nomor telepon / HP tersebut juga  jangan sampai mengganggu pelayanan kepada nasabah.

 

Semoga mermanfaat.

Posted in Data Quality | Tagged | Leave a comment