Kualitas Data, Jangan Sampai Terabaikan

Ketergantungan perusahaan-perusahaan modern terhadap kekuatan informasi, kini, semakin terasa. Banyak perusahaan yang mulai menggali informasi yang sedalam-dalamnya mengenai pelanggan mereka, guna mencari peluang meningkatkan penjualannya. Gudang data pun dibangun. Ribuan atau bahkan miliaran bit data disimpan, untuk kemudian diolah guna mencari preferensi dan kebiasaan pelanggan, atau digunakan untuk memudahkan pengambilan keputusan bisnis. Tak pelak, solusi-solusi semacam business analytic dan business intelligence pun makin banyak dilirik.

Namun, selama ada data, kesalahan pun ada. Di masa lalu, pengelolaan data belum begitu bermasalah. Pasalnya, data yang dikelola masih sedikit. “Sumber utama data pelanggan, pada dasarnya, alamat pengiriman barang dan alamat penagihan,” ujar Paul Kirby, direktur riset di AMR Research Inc .

Dewasa ini, data yang ada lebih kompleks. Selain untuk melacak vendor, pemasok, inventaris dan catatan keuangan, perusahaan kini menggunakan data itu untuk melacak pola belanja pelanggan, preferensi dan informasi-informasi lain yang bisa membuat para pemasar tergiur untuk memanfaatkannya.

Semua itu bisa terwujud dengan asumsi bahwa data tersebut akurat. Bagaimana jika tidak? Terkait dengan masalah itu, perusahaan riset Gartner bulan Mei 2004 lalu merilis hasil penelitian yang mengejutkan: Lebih dari 25 persen data-data penting yang digunakan di perusahaan-perusahaan besar cacat, baik akibat kesalahan pemasukan data ( data-entry ), perubahan profil pelanggan (misalnya, perubahan alamat) maupun tidak adanya standar data korporat yang memadai.

Hasilnya bisa ditebak: data statistik tidak akurat, prakiraan yang menyesatkan, dan penjualan yang mandeg. Selain itu, Gartner mengatakan bahwa sampai 2007 mendatang, proyek-proyek data-warehouse akan banyak mengalami kesulitan, jika tidak seketika itu juga gagal, karena mereka tidak proaktif menangani masalah kualitas data ini.

Dengan kata lain, proyek integrasi data besar yang Anda lakoni selama berbulan-bulan, dimana pada proyek itu pula Anda pertaruhkan reptasi Anda, terancam gagal. Kredibilitas Anda rusak, dan top management memiliki cukup alasan menyalahkan departemen TI.

Memang ironis. Perusahaan menghabiskan lebih banyak waktu dan uang untuk menganalisis data, ketimbang memastikan keakuratannya. Namun, Ted Friedman, seorang analis Gartner , mengaku tidak terlalu terkejut. “Orang begitu terpikat dengan piranti analisis data, dan berasumsi bahwa data itu siap digunakan dan dalam kondisi bagus,” ujar Friedman. “Mereka melupakan masalah kualitas data, dan itu merupakan awal dari kegagalan.”

Gartner bukan satu satunya perusahaan riset yang memantau masalah kualitas data itu. Data Warehousing Institute memperkirakan bahwa perusahaan mengalami kerugian lebih dari 600 miliar dolar setiap tahunnya akibat buruknya kualitas data yang mereka miliki. Kerugian sebesar 40 miliar dolar AS akibat masalah itu dialami oleh industri consumer packaged goods (CPG) dan rantai pasok ritel, ujar Kosin Huang, analis senior di Yankee Group .

Sementara menurut studi yang dilakukan Forrester Research Inc., di sekitar 37 persen perusahaan, duplikasi dan file-file yang saling tumpang tindih merupakan masalah manajemen data paling sering muncul.

Data kotor bisa merusak setiap aspek bisnis Anda. Di sisi layanan pelanggan, informasi buruk dan out-of-date bisa menyebabkan kegagalan promosi pemasaran dan memicu ketidakpuasan pelanggan. Di sisi rantai pasok, data produk yang buruk bisa memicu penyumbatan produksi dan memperlamban pemenuhan pesanan ke para peritel.

Manfaat yang bisa dipetik dari data yang bersih ini terbilang cukup banyak dan nyata. Data pelanggan yang lebih baik akan meningkatkan layanan pelanggan dan mengurangi risiko gagalnya promosi pemasaran. Belum lagi, peluang baru untuk melakukan cross-selling dan up-selling . Hal itu juga meningkatkan akurasi forecasting , membuat rantai pasok lebih efisien dan membantu perusahaan dalam memenuhi berbagai regulasi industri yang kini ramai diperbincangkan, seperti Sarbanes-Oxley maupun Basel II.

Karenanya, masalah kualitas data tersebut, dewasa ini, sudah menjadi masalah bisnis yang tidak dapat diabaikan begitu saja.

 

Pengawas data

Mengelola data memang bukan perkara mudah. Pertama , dibutuhkan satu pihak yang bertanggung jawab atas kualitas data. Kedua , memberikan pemahaman kepada end-user , bahwa pada akhirnya mereka jugalah yang akan mengalami dampak baik-buruknya kualitas data yang dimiliki.

Di Hogan & Hartson LLP, Bill Gregory, CIO, menyadari bahwa perusahaannya membutuhkan kualitas data yang baik. Firma hukum berbasis di Washington DC dengan jumlah pengacara 1.000 orang tersebar di 20 kantor di seluruh dunia itu mengalami pertumbuhan cepat dalam kurun waktu singkat. Berkas-berkas pelanggan dan data-data lainnya perlu diintegrasikan dan diperiksa keakuratannya.

Namun, membuat para pengacara itu mendukung inisiatifnya – dan setuju memiliki dan mengelola data sendiri – merupakan suatu tantangan. Menurut Gregory, hambatan terbesar dalam menggulirkan strateginya adalah membuat para karyawan memahami implikasi dari data mereka dan menggambarkan bagaimana kualitas data mereka mempengaruhi proses bisnis. “Itu membutuhkan upaya yang besar,” ujarnya.

Menurut Friedman, hal semacam itu sudah menjadi masalah umum. “Hal itu selalu menjadi ganjalan. Karena, siapa yang benar-benar bertanggung jawab atas kualitas data? Kebanyakan orang lepas tangan,” ujarnya. “Banyak orang mengira bahwa data adalah masalah TI semata, dan tidak satu pun mau maju mengatakan bahwa data tersebut adalah tanggungjawabnya.”

Kebanyakan analis, vendor dan CIO berpendapat bahwa memang benar tugas TI adalah memfasilitasi strategi pembersihan data yang baik. Namun, unit bisnislah yang harus memiliki dan mengelola data tersebut. Karena, bagaimanapun juga, merekalah yang berkepentingan dengan data itu.

“Pengelola TI tahu bagaimana sistem itu bekerja. Tapi, pengelola unit bisnislah yang tahu metoda dan celah-celah proses bisnisnya,” ujar Kirby. “Unit bisnis harus menjadi penentu akhir. Namun, ia tetap membutuhkan bantuan dari TI untuk di tingkat sistemnya.”

Untuk memastikan bahwa kualitas data tetap tinggi, para analis sependapat bahwa para CIO sebaiknya menunjuk seorang pengawas data – seorang yang ditugasi mengelola seluruh data setiap waktu. Namun, mereka berbeda pendapat dimana pengawas itu harus ditempatkan, dan seberapa banyak orang yang dibutuhkan.

Friedman misalnya, berargumen bahwa unit-unit bisnis sebaiknya menunjuk banyak pengawas data, yang masing-masing bertanggung jawab untuk ketentuan data tertentu. Misalnya, seorang manajer call center ditempatkan sebagai pengawas seluruh data pelanggan di sebuah wilayah tertentu. Dengan cara itu, tugasnya akan lebih ringan dan dapat ditangani oleh seorang karyawan yang memang paham betul dengan data itu. “Anda perlu menempatkan akuntabilitas sedekat mungkin dengan pengguna,” ujar Friedman.

Sementara itu, para analis lain berpendapat bahwa perusahaan perlu menunjuk seorang pengawas data yang mengawasi data secara keseluruhan dan melapor langsung ke COO ( chief operating officer ).

 

Kerjasama Unit Bisnis dan PengelolaTI

Sekalipun perdebatan masalah pengawas-data ini sudah teratasi, pengelola TI tetap perlu duduk bersama dengan masing-masing unit bisnis guna mengetahui dimana masalah kualitas data terbesar dan menentukan standar penanganan datanya. Tujuannya adalah mencari konsensus mengenai siapa memiliki data apa, informasi seperti apa yang perlu disertakan dalam masing-masing record , bagaimana data tersebut dimasukkan, dan kerterkaitan antara record-record tersebut.

Kerjasama antara pengelola TI dengan unit bisnis memang penting bagi keberhasilan inisiatif pembersihan data. Hal itu dirasakan sendiri oleh Nancy Rybeck, arsitek strategi customer-datawarehouse di Emerson Process Management. Salah satu divisi Emerson, yang khusus memroduksi perangkat-perangkat pabrik untuk industri pembangkit tenaga, penyulingan dan makanan dan minuman itu memiliki 14 sub-divisi, 10.000 karyawan dan lebih dari 100.000 pelanggan di seluruh dunia. Masing-masing sub-divisi mengeluarkan produknya sendiri, dan basis kliennya seringkali tumpang tindih. Karena masing-masing divisi memiliki data sendiri-sendiri, sulit mendapatkan gambaran menyeluruh mengenai kondisi bisnis perusahaan.

Tiga tahun lalu, Rybeck memulai sebuah upaya untuk mengonsolidasikan dan membersihkan database pelanggan perusahaannya. Pertama-tama, Rybeck berdiskusi dulu dengan seluruh pimpinan unit bisnis guna mengetahui lebih baik proses-proses bisnisnya, jenis data seperti apa yang dibutuhkan, dan bagaimana data itu disajikan. Kemudian, ia membuat sebuah model relasi data untuk memenuhi parameter-parameter tersebut.

Pada tahap akhir, Rybeck mengambil data dari berbagai unit bisnis dan memulai proses panjang untuk membersihkan, mengonsolidasikan dan men-“de-duplikasi”-kan data dengan bantuan piranti lunak buatan Group 1 Software Inc. Ia pun menunjuk seorang pengawas data di masing-masing unit bisnis untuk mengoordinasikan upaya itu.

Hasilnya terlihat nyata. Saat ini, Emerson Process Management sanggup melihat pelanggannya dari berbagai sudut. “Kami memiliki laporan yang memperlihatkan seluruh bisnis yang pernah kami lakukan dengan seorang klien, dirinci per divisi. Kemudian kami bisa merincinya berdasarkan wilayah, negara dan kemudian lokasi,” ujar Rybeck.

Proses pembersihan data ini pun bukan proses sekali jalan, tapi merupakan upaya yang berkelanjutan. Sistem yang dimiliki Emerson secara otomatis memroses 1,7 juta alamat per bulannya. Beberapa di antaranya diperiksa ulang oleh sejumlah orang. Piranti lunak memang melakukan sebagian besar tugas pembersihan data itu, namun, proses pemeriksaan ulangnya tetap membutuhkan tenaga manual.

“Beberapa data memang membutuhkan perhatian, khususnya yang menyangkut informasi mengenai perusahaan di luar negeri,” ujar Rybeck memberi alasan.

Menurut Friedman, upaya pembersihan data secara berkelanjutan ini memang penting. “Pasalnya, kualitas data terdegradasi,” ujarnya. “Ibarat bahan radioaktif, data memiliki waktu paruh, bergantung pada aktivitas bisnis. Dalam kondisi tertentu, kualitas data akan terdegradasi lebih cepat dibandingkan lainnya. Jadi, Anda tidak bisa membersihkan data sekali terus berhenti. Anda harus melakukannya terus menerus,” jelas Friedman panjang lebar.

 

Memudahkan Single View

Pembersihan data memang akan menguras kantong Anda. Itu tak hanya dari harga piranti lunaknya yang mahal, yang menurut para analis berkisar antara 100.000 dolar sampai 500.000 dolar, tergantung dari ukuran perusahaan dan jumlah data yang perlu Anda bersihkan. Di luar itu, masih ada tools-tools tertentu, serta biaya SDM dan pelatihan. Rybeck dari Emerson Process Management misalnya, mengaku mengeluarkan dana kurang lebih 250.000 dolar AS untuk pembersihan data.

Sementara Gregory dari Hogan & Hartson mengatakan perusahaannya sejauh ini sudah menggelontorkan dana sebesar 100.000 dolar. Belum lagi waktu yang dibutuhkan. Sekalipun menurut para vendor waktu yang dibutuhkan untuk implementasi piranti lunak data cleansing ini sekitar tiga sampai enam bulan, ternyata dibutuhkan waktu lebih lama lagi untuk membersihkan data-data itu.

Bagi perusahaan-perusahaan yang lebih kecil, bukan berarti peluang untuk pembersihan data ini tertutup. Pendekatan alihdaya, menurut Friedman, bisa menjadi jalan keluarnya. “Sebuah perusahaan menengah mungkin tidak memiliki keahlian atau sumberdaya untuk melakukan inisiatif secara in-house,” kata Friedman. Di mengatakan, terlepas dari ukuran perusahaan, hal terpenting adalah kualitas data itu perlu dilihat secara luas – tidak hanya dari konteks CRM atau data-warehouse semata, “tapi sebagai sesuatu disiplin bisnis,” tandasnya.

Sekalipun membutuhkan banyak waktu dan dana, inisiatif pembersihan data tidaklah sulit mendapatkan pembenaran, terutama jika para pengelola perusahaan mengetahui manfaatnya. Perusahaan tidak selalu dapat memperlihatkan seberapa besar pengembalian investasi pembersihan data itu dalam bentuk uang.

Namun, mereka dapat memperlihatkan kontrol lebih baik dan mengurangi biaya kampanye pemasaran, mampu melakukan cross – dan up-selling kepada para pelanggannya, memperbaiki efisiensi rantai pasok dan mengurangi risiko dengan forecasting yang lebih baik. Otomatis, bagi perusahaan yang menerapkan business intelligence , pembersihan data seperti itu juga memberikan dampak yang nyata. Data yang akurat sangat membantu dalam pengambilan keputusan yang tepat. “Kualitas data boleh dibilang tulang punggung business intelligence ,” tandas Friedman.

Di sisi lain, kualitas data yang baik juga memungkinkan perusahaan menerapkan model single customer view . Hal itu tidak saja memungkinkan perusahaan menciptakan peluang penjualan yang lebih besar dan melihat top customernya secara lebih komprehensif, tetapi juga memperkecil risiko.

Misalnya di perbankan, single customer view bakal mencegah seorang nasabah memiliki data ganda. Katakanlah, bisa jadi nasabah tersebut mempunyai dua perusahaan, sehingga data mengenai dirinya terpisah. Mungkin juga data satu perusahaannya bagus, sementara perusahaan lainnya dililit hutang yang besar. Jika tidak hati-hati, bisa saja ketika nasabah tersebut mengajukan pinjaman diloloskan saja oleh pihak bank. Padahal, pinjaman itu untuk menutupi hutang perusahaan. Dengan single customer view , hal-hal semacam itu bisa diantisipasi, sehingga risiko perbankan bisa dikelola secara efektif.

Image

This entry was posted in Data Quality and tagged . Bookmark the permalink.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s