Oleh Dini Turipanam Alamanda, STp, MSM

Banyak perusahaan saat ini yang berjuang mengangkangi prinsip-prinsip operasi yang terpolarisasi dan tertatih-tatih. Di satu sisi, mereka putus asa mencari cara agar lebih tangkas tetapi disisi lain, mereka ingin melibatkan seluruh stakeholder yang tepat dalam proses bisnisnya. Konflik ini melebihi perdebatan kuno mengenai sentralisasi atau desentralisasi. Pelanggan dan klien menuntut kegesitan yang lebih besar, karyawan dan mitra mengharapkan pemberdayaan lebih besar. Perusahaan? Perlu berusaha untuk memenuhi kedua keinginan tersebut.

Secara paradox, peningkatan kelihaian perusahaan membutuhkan data tanggap yang lebih besar dan koordinasi yang lebih baik. Semakin banyak stakeholder yang terlibat,semakin banyak pula kemungkinan keputusan yang tertunda. Tetapi kelihaian yang efektif menuntut juga keterlibatan seluruh stakeholder.

Perusahaan jaringan digital, sebut saja Slacked, Chattered, Skyped, Google Doc-ed secara tajam memperburuk ketegangan banyak perusahaan yang masih tertatih-tatih tadi. Lebih banyak stakeholder yang dapat mengakses dan berbagi informasi, semakin banyak pula informasi yang bisa ditindaklanjuti. Teknologi memang mampu memfasilitasi transparansi dan visibilitas yang lebih besar dalam ekosistem perusahaan. Dan tanpa disadari kesadaran untuk real-time meningkat sangat drastis. Tetapi jika tidak dilengkapi dengan kemampuan manajerial dan operasional untuk bertindak sesuai informasi yang digerakkan data, apakah teknologi itu membantu?

Perusahaan membutuhkan alat untuk mengubah kekayaan data menjadi wawasan yang memungkinkan perusahaan membuat prediksi yang kredibel. Loncatan integrasi teknologi telah memungkinkan perusahaan mengumpulkan data yang bervariasi dan dalam jumlah yang besar, yang akhirnya mengganggu hubungan faktor dan hasil. Pemahaman empiris semacam itu selanjutnya menjadi dasar pemodelan dan peramalan skenario yang ketat yang dikenal dengan analisis prediktif atau analisis antisipatif. Dalam bisnis, semakin baik sebuah perusahaan memproses seluruh data, prediksinya lebih bisa diandalkan.

What is Big data?

Penggunaan kata big data terdokumentasi pertama kali muncul dalam sebuah makalah tahun 1997 karya para ilmuwan di NASA, makalah tersebut menggambarkan masalah visualisasi grafis komputer yang mereka hadapi. Kumpulan data pada umumnya meliputi kapasitas memori utama, local disk, dan bahkan remote disk, memang besar dan inilah masalah big data. Bila kumpulan data tidak sesuai dengan memori utama (dalam inti), atau bila tidak muat di local disk, solusi yang paling umum adalah memperoleh lebih banyak sumber daya

Peneliti Berkeley menyebutkan bahwa pada tahun 1999, dunia telah menghasilkan sekitar 1,5 miliar gigabyte, dan jumlah tersebut terus naik berlipat-lipat hingga saat ini. Pada tahun 2001, seorang analis industri bernama

Doug Laney mencetuskan apa yang dinamakan dengan “3Vs” –volume, variety, and velocity – sebagai “tantangan pengelolaan data” dan kunci untuk perusahaan, “3Vs” yang sama digunakan juga oleh banyak peneliti yang mencoba mendefinisikan atau menggambarkan big data dalam empat tahun terakhir ini.

Analisis big data merupakan penggunaan teknik analisis lanjutan terhadap kumpulan data yang sangat besar dan beragam yang mencakup jenis yang berbeda baik yang sifatnya terstruktur/ tidak terstruktur, streaming/ batch, dengan ukuran yang berbeda-beda, mulai dari terabyte sampai zettabyte. Big data adalah istilah yang diterapkan pada kumpulan data yang ukuran atau jenisnya berada di luar kemampuan basis data relasional tradisional untuk menangkap, mengelola, dan memproses data dengan latensi rendah. Dimana sifat datanya memiliki satu atau lebih dari  karakteristik berikut: volume tinggi, kecepatan tinggi, atau variasi tinggi. Big data bisa berasal dari sensor, perangkat, video/ audio, jaringan, file log, aplikasi transaksional, web, dan media sosial yang sebagian besar dihasilkan secara real time dan dalam skala yang sangat besar.

Menganalisis big data memungkinkan para analis, peneliti, dan pengguna bisnis membuat keputusan-keputusan yang lebih baik dan lebih cepat. Mereka menjadi bisa menganalisis sumber data yang sebelumnya belum dimanfaatkan baik secara independen atau diolah bersama data ada pada perusahaan untuk mendapatkan wawasan baru yang menghasilkan keputusan yang signifikan, lebih baik dan lebih cepat

Analisis Prediktif

Analisis prediktif merupakan cabang analisis lanjut yang digunakan untuk membuat prediksi mengenai kejadian masa depan yang tidak diketahui. Analisis prediksi menggunakan banyak teknik yang berasal dari data mining, statistika, pemodelan, pembelajaran mesin (machine learning) dan kecerdasan buatan (artificial intelligence). Pola yang ditemukan dalam data masa lalu dan transaksional dapat digunakan untuk mengidentifikasi resiko dan kesempatan masa depan. Model analisis prediktif mampu memotret hubungan diantara banyak faktor untuk menilai resiko dengan set kondisi tertentu untuk menentukan nilai atau bobot. Jika sukses mengaplikasikan analisis prediktif, sebuah bisnis akan diuntungkan karena mampu menginterpretasikan big data secara efektif.

Data mining dan analisis teks, sejalan dengan statistika, mempersilahkan pelaku bisnis untuk menciptakan kecerdasan prediktif dengan mengungkap pola dan hubungan baik data terstuktur dan data tidak terstruktur. Data akan siap digunakan untuk dianalisis adalah data yang terstruktur seperti data usia, jenis kelamin, status pernikahan, penghasilan dan penjualan. Data tidak terstruktur adalah data tekstual dalam catatan pusat panggilan, konten sosial media, dan lain-lain, sejalan dengan sentimen, yang selanjutnya digunakan pada proses pembangunan model.

Teknologi saja tidak cukup untuk membangun organisasi yang cerdas – hanya sebagian dari ekosistem yang dibutuhkan untuk mengubah apa yang disebut sebagai “tsunami data” menjadi bantuan keputusan yang tepat waktu dan dapat ditindaklanjuti. Dibutuhkan analisis lanjutan yaitu aktivitas tim yang melibatkan personil garis depan, ilmuwan data dan analis geospasial, GIS dan teknologi data lainnya. Seperti pemimpin militer, pengambil keputusan bisnis harus memobilisasi semua kekuatan ini dalam sebuah kampanye multiprong (komprehensif) untuk membangun sebuah organisasi berbasis data yang sukses. Dengan analisis prediktif, perusahaan mampu menjadi proaktif, maju ke depan, mengantisipasi hasil dan perilaku berdasarkan data, bukan berdasarkan firasat atau asumsi semata.

Analisis prediktif menggambarkan setiap pendekatan terhadap data mining dengan empat atribut:

  • Penekanan pada prediksi (bukan deskripsi, klasifikasi atau pengelompokan)
  • Analisis cepat diukur dalam jam atau hari (bukan pada periode stereotip data mining tradisional)
  • Penekanan pada relevansi bisnis dari wawasan yang dihasilkan (tidak ada analisis menara gading)
  • Menekankan pada kemudahan penggunaan, sehingga alat bisa diakses pelaku bisnis.

Manfaat Big Data Sebagai Bahan Dasar Pengambilan Keputusan

Jika kita yakin akan potensi dan kekuatan big data dan analisis prediktif, tapi belum menangkap apa yang sebenarnya bisa perusahaan atau bisnis dapatkan. Berikut merupakan daftar manfaat yang dirangkum dari artikel Big Data Insight Group.

Dialog dengan konsumen

Konsumen saat ini lebih sulit ditaklukkan, karena mereka punya banyak sumber pertimbangan dan informasi sebelum membeli, berbicara di medsos tentang pembelian mereka, ingin diperlakukan spesial, dan ingin dihadiahi ucapan terima kasih setelah membeli produk yang mereka inginkan.

Big data memungkinkan kita memberi profil kepada para ‘tiran’ yang semakin vokal dan dinamis dengan cara yang jauh sehingga perusahaan dapat terlibat dalam percakapan real-time yang hampir satu lawan satu dengan konsumennya/ calon konsumennya. Karena jika perusahaan tidak memperlakukan mereka seperti yang mereka inginkan, mereka akan meninggalkan si perusahaan dalam sekejap mata.

Contoh sederhananya, ketika konsumen masuk ke sebuah bank, alat big data memungkinkan petugas untuk memeriksa dan mengetahui kebutuhan produk atau layanan yang relevan yang bisa disarankan kepada konsumen secara real time. Big data juga memiliki peran kunci dalam mempertemukan belanja online dan offline. Peritel dapat memberikan penawaran pada operator seluler, berdasarkan konsumen yang menunjukkan kebutuhan tertentu di media sosial. Misalnya ketika konsumen sering memposting tentang “kopi”, “coffee”, “café” di media sosial mereka, kemungkinan besar peritel “kopi”, “coffee”, “café” akan menginfokan lokasi terdekat yang bisa dijangkau si konsumen via operator seluler.

Pengembangan produk

Big data juga dapat membantu perusahaan dalam memahami bagaimana orang lain memandang produk yang dibuat, sehingga perusahaan bisa menyesuaikan bentuk pemasarannya. Analisis teks media sosial tidak terstruktur memungkinkan perusahaan mengungkap sentimen pelanggan dan bahkan menyegmentasikan mereka yang berada di lokasi geografis yang berbeda atau di antara kelompok demografis yang berbeda.

Selain itu, big data memungkinkan perusahaan menguji ribuan variasi desain yang berbeda dalam sekejap mata sehingga kita dapat melihat seberapa kecil perubahan, misalnya, material yang bisa mempengaruhi biaya, waktu dan kinerja yang hal-hal tersebut dapat meningkatkan efisiensi proses produksi yang sesuai.

Analisis resiko

Sukses tidak hanya tergantung bagaimana perusahaan menjalankan bisnisnya. Faktor sosial dan ekonomi nyatanya sangat penting untuk pencapaian perusahaan. Analisis prediktif, yang didorong oleh big data memungkinkan perusahaan untuk memindai dan menganalisis laporan online news atau umpan balik media sosial sehingga perusahaan dapat terus mengikuti perkembangan terakhir industri dan lingkungannya. Perusahaan juga bisa sambil “tes kesehatan” mengenai pemasok dan pelanggan secara efektif sehingga memungkinkan perusahaan untuk mengambil keputusan atau tindakan jika salah satu dari pemasok atau pelanggannya beresiko gagal bayar.

Menjaga Keamanan Data

Dengan big data, perusahaan dapat memetakan seluruh lanskap data secara menyeluruh, sehingga memungkinkan perusahaan untuk menganalisis ancaman internal. Perusahaan akan dapat mendeteksi informasi sensitif potensial yang tidak terlindungi dan memastikannya disimpan sesuai dengan persyaratan peraturan. Contohnya adalah, dengan analisis big data real-time, perusahaan bisa mempunyai notifikasi seketika ketika data kartu kredit tersimpan atau terkirim pada suatu aplikasi tertentu.

Arus Pendapatan Baru

Wawasan yang kita dapatkan dari menganalisis pasar dan konsumennya dengan big data bisa dijuak sebagai data tren non-personalisasi kepada pelaku industri besar yang beroperasi di segmen yang sama dengan dan menghasilkan arus pendapatan baru. Contohnya adalah, suatu aplikasi lagu, membantu label rekaman untuk mengetahui data penggunaan layanan termasuk informasi lokasinya yang kemudian dimanfaatkan oleh label rekaman untuk menemukan dan menerbitkan artis baru yang menjanjikan atau memasarkan ulang produk yang sudah ada dengan penyesuaian data yang ada.

Menyesuaikan situs bisnis secara real-time

Analisis big data memungkinkan perusahaan untuk mempersonalisasi konten atau tampilan dan nuansa situs web secara real-time agar sesuai dengan setiap konsumen yang masuk ke situs web, bergantung pada, misalnya, jenis kelamin, kewarganegaraan, atau dari mana mereka berakhir.

Contoh yang paling terkenal adalah perusahaan Amazon yang real time, berbasis item, penyaringan kolaboratif (IBCF) seperti  ‛Frequently bought together’ dan ‛Customers who bought this item also bought‘ atau LinkedIn yang menyarankan ‘People you may know’ atau ‘Companies you may want to follow’. Dan pendekatannya berhasil: Amazon menghasilkan sekitar 20% lebih banyak pendapatan melalui metode ini.

Mengurangi Biaya Perawatan

Biasanya pabrik-pabrik memperkirakan bahwa jenis peralatan tertentu kemungkinan akan habis masa pakai pada waktu tertentu. Akibatnya, mereka akan mengganti setiap bagian dari peralatan pada waktu yang ditentukan, bahkan mungkin termasuk yang banyak manfaatnya didalamnya. Big data mampu membantu pabrik-pabrik tersebut untuk mendeteksi perangkat yang salah secara cepat sehingga pabrik bisa memanfaatkan penuh peralatan hingga waktunya harus benar-benar diganti. Dengan demikian strategi penggantian biaya akan jauh lebih murah, karena berkurangnya down time dan maksimalnya utilitas.  teknologi itu dalam waktu bertahun-tahun, bahkan perangkat yang memiliki banyak kehidupan bermanfaat di dalamnya.

Menawarkan Perawatan ‘Kesehatan’ yang Disesuaikan

Kita hidup di dunia yang hiper-dipersonalisasi, namun tampaknya kesehatan merupakan salah satu sektor terakhir yang masih menggunakan pendekatan umum. Ketika seseorang didiagnosis menderita kanker biasanya mereka menjalani satu terapi, dan jika tidak berhasil, dokter mencoba yang lain, dan lain-lain. Bagaimana jika pasien kanker dapat menerima pengobatan yang disesuaikan dengan gen masing-masing? Hal ini akan menghasilkan hasil yang lebih baik, biaya lebih sedikit, berkurangnya frustrasi dan meminimalisir rasa takut.

Beberapa rumah sakit di seluruh dunia telah menggunakan Hadoop untuk membantu stafnya bekerja secara efisien dengan big data. Tanpa Hadoop, sebagian besar sistem layanan kesehatan hampir tidak mungkin menganalisis data yang tidak terstruktur.

Dengan pemetaan genom manusia dan alat big data, maka setiap orang dapat memetakan gen mereka sebagai bagian dari rekam medis mereka. Inilah yang akan menggiring diagnosis faktor penentu genetik yang menyebabkan penyakit dan mengembangkan obat yang jelas disesuaikan untuk mengobati penyebab tersebut – dengan kata lain, obat yang dipersonalisasi.

Menawarkan Enterprise-Wide Insights

Biasanya, jika pelaku bisnis perlu untuk menganalisis data yang besar dan beragam, mereka harus meminta bantuan rekan IT karena mereka tidak mempunyai keterampilan teknis untuk melakukannya. Dan seringkali informasi yang diterimapun tidak berguna. Dengan alat big data, tim teknis dapat memberikan dasar algoritma yang selanjutnya bisa dikembangkan untuk penelusuran lebih cepat. Dengan kata lain, mereka dapat mengembangkan sistem dan menginstal alat visualisasi interaktif dan dinamis yang memungkinkan pelaku bisnis melihat, menganalisis, dan mendapatkan keuntungan dari data.

Membangun Kota Pintar (smart city)

Hitachi Data Systems (HDC) memprediksi melalui Top Trends for IT 2016, keberadaan smart city atau kota pintar akan semakin terimplementasi di negara-negara seluruh dunia. Kota pintar juga sudah menjadi topik hangat di Asia Pasifik. Untuk membantu mereka mengatasi konsekuensi dari ekspansi yag cepat, semakin banyak kota yang benar-benar memanfaatkan alat big data untuk kepentingan warganya dan lingkungannya.

Contohnya adalah Kota Oslo di Norwegia, misalnya, mengurangi konsumsi energi penerangan jalan sebesar 62% dengan solusi cerdas. Kemudian, Departemen Kepolisian Memphis berhasil mengurangi kejahatan berat hingga 30% pada tahun 2006 dengan mulai menggunakan software prediktif.

Di Jakarta misalnya, pengaplikasian teknologi big data untuk sektor lingkungan bisa membantu pemerintah untuk memantau tingkat polusi beserta penyumbang gas emisi terbesar yang bertanggung jawab terhadap polusi tersebut. Berdasarkan analisis data jumlah dan jenis sampah yang dibuang setiap hari, pemerintah diharapkan dapat mengambil keputusan untuk pengelolaan sampah yang lebih efektif dan ramah lingkungan. Kemampuan analisis data untuk memonitor penggunaan energi di Jakarta seperti energi listrik dan bahan bakar, hingga penggunaan air bersih juga diharapkan mampu menjadi dasar untuk pengelolaan sumber daya yang lebih efisien.  Atau pada saat musim lebaran, big data berperan penting dalam pengolahan data informasi lalu lintas sehingga dapat dimanfaatkan oleh pihak yang berwenang untuk mengurai kemacetan dan membuat rute yang lebih efisien dengan mengurangi kepadatan kendaraan di jalanan.

 

Sumber gambar:

http://blog.ness-ses.com/big-data-101-big-data-at-rest