Dr. Hugo Bowne-Anderson, ilmuwan data dan pendidik di DataCamp, baru-baru ini mengadakan webinar tentang lima hal yang perlu diketahui para pemimpin bisnis tentang strategi data. Baca rangkuman webinarnya di bawah ini, atau tonton webinar sesuai permintaan.
1. Aturan 80/20 untuk data science
Aturan 80/20, juga dikenal sebagai prinsip Pareto, menyatakan bahwa untuk banyak peristiwa, sekitar 80% efek berasal dari 20% penyebab. Pada 2018, misalnya, sekitar 80% pajak di AS dibayar oleh 20% penerima tertinggi. Dalam konteks data science, prinsip Pareto berarti pekerjaan yang dilakukan dalam 20% waktu menghasilkan 80% hasil. Jadi saat memprioritaskan pekerjaan dalam strategi data Anda, fokuslah pada hal-hal yang benar-benar mendorong nilai.
Fokus pada hal yang benar-benar berdampak
Sering kali, para pemimpin bisnis tertarik pada topik yang ramai dibicarakan seperti deep learning, machine learning (ML), dan AI. Namun ada area yang lebih mendasar yang sebaiknya Anda prioritaskan terlebih dahulu dan bisa menghasilkan kemenangan besar, seperti berikut:
- Infrastruktur data itu perlu, tetapi pengembaliannya mungkin tidak langsung terlihat. Perusahaan seperti Spotify telah meningkatkan penemuan data dengan menyatukan sumber data. Memprioritaskan infrastruktur data dapat membantu perusahaan menghindari standar data yang berbeda antar silo, lebih siap untuk inisiatif data di masa depan, dan menghasilkan tampilan data serta dasbor yang konsisten.
- Praktik terbaik layanan pelanggan mencakup perutean call center, model churn pelanggan, dan AI percakapan.
- Model kecenderungan penjualan penting bagi tim penjualan dan pemasaran Anda.
Analitik deskriptif mendorong 80% nilai bagi bisnis
Anda mungkin bertanya, “Jenis analitik bisnis mana yang harus saya fokuskan terlebih dahulu?” Prinsip Pareto dapat membantu menjawabnya:
- Analitik deskriptif, atau business intelligence, menyumbang 80% nilai bagi banyak bisnis. Ini tentang mengambil data yang sudah dimiliki perusahaan Anda dan memberikannya kepada orang yang tepat dalam bentuk apa pun yang dapat mereka konsumsi dan gunakan. Bentuknya bisa berupa dasbor, laporan, dan email. Kami menantang semua perusahaan yang benar-benar ingin mendorong dampak untuk fokus pada lima proyek analitik deskriptif yang dapat menginformasikan pengambilan keputusan Anda, dan urutkan berdasarkan tingkat kepentingannya.
- Analitik prediktif, atau ML, adalah tentang mempersiapkan masa depan dengan memprediksi apa yang akan terjadi. ML adalah cabang analitik prediktif yang menggunakan algoritma statistik terstruktur untuk memprediksi masa depan berdasarkan informasi yang ada dan mengidentifikasi hubungan serta wawasan—pikirkan mesin rekomendasi Netflix.
- Analitik preskriptif, atau decision science, adalah fase akhir analitik bisnis yang mengantisipasi apa, kapan, dan mengapa hasil tertentu akan terjadi—dan menentukan apa yang harus dilakukan dengan informasi tersebut. Ini menerapkan data pada proses pengambilan keputusan. Di podcast DataFramed kami, Cassie Kozyrkov, Chief Data Scientist di Google Cloud, menjelaskan keterkaitan antara decision intelligence dan data science.
2. Mengapa big data tidak selalu “besar”
Hasil lebih besar dengan small data
Ada banyak cara untuk mendefinisikan big data. Hugo memberikan satu definisi kerja yang baik tentang big data:
Big data adalah data yang jauh lebih banyak daripada yang bisa Anda simpan di laptop atau satu hard drive: sesuatu yang perlu didistribusikan di kluster komputer untuk menyimpan, mengolah, mengirim, dan menganalisisnya.
Perusahaan seperti Google telah memanfaatkan big data dengan sangat baik dan menghasilkan banyak hype di sepanjang jalan. Namun Hugo berpendapat bahwa small data sebenarnya dapat menghasilkan hasil yang sangat baik dan kita tidak perlu terjebak dalam hype.
Cara yang baik untuk memikirkan big data adalah dalam kerangka Gartner Hype Cycle. Jika kita menggunakan tren Google sebagai proksi ekspektasi, kita telah melewati Peak of Inflated Expectations dan sedang menurun menuju Trough of Disillusionment.
Sumber: Wikipedia
Jadi, pertanyaannya: apakah small data sudah cukup? Hugo yakin jawabannya ya. Ini bukan tentang gunungan data—melainkan data kecil yang berpresisi tinggi. Misalnya, Tycho Brahe, astronom Denmark, mengumpulkan hanya sekitar 2.000 titik data yang menjadi dasar tiga hukum gerak planet Johannes Kepler, yang kemudian menginformasikan teori gravitasi Newton. Dan lembaga survei dapat menggunakan sampel representatif sekitar 1.000 warga dan memprediksi hasil dengan margin galat 3%.
Yang lebih penting daripada big data: keberagaman
Hugo melangkah lebih jauh: ia mengatakan memiliki keragaman data lebih penting daripada memiliki big data. Menggabungkan data kualitatif, atau thick data, ke dalam himpunan data Anda akan menghasilkan hasil yang lebih baik. Thick data adalah istilah yang dipinjam dari sosiologi dan antropologi yang terutama bersifat deskriptif, berbeda dengan thin data, yang berbasis angka.
3. Mengapa masa depan pekerjaan data adalah point-and-click
Menggunakan GUI untuk pekerjaan data
Bagaimana cara terbaik membekali orang tanpa keahlian teknis data agar dapat memanfaatkan business intelligence dan menggunakan ML untuk menginformasikan keputusan mereka? Bukan dengan membuat setiap karyawan bisa ngoding. Jawabannya adalah melalui vendor atau alat yang memproduktifkan analitik data. Di masa depan, Hugo memprediksi sebagian besar pekerjaan data akan dilakukan di antarmuka pengguna grafis, atau GUI, yakni antarmuka seret-dan-lepas dan point-and-click.
Perusahaan teknologi papan atas menyadarinya. Aksi akuisisi besar atas alat business intelligence baru-baru ini menghiasi berita. Tahun lalu, Salesforce mengakuisisi Tableau, dan beberapa minggu lalu, Google menuntaskan akuisisi Looker senilai $2,6 miliar, sebuah alat BI populer.
Alat analitik prediktif juga memproduktifkan ML. Google AutoML memungkinkan non-ilmuwan data membangun model analitik diagnostik dan prediktif, dan Microsoft Azure kini memiliki alat ML otomatis yang membuat pembangunan model semudah mengimpor himpunan data dan memberi tahu layanan nilai mana yang akan diprediksi.
Bersikap sadar diri saat menggunakan produk data
Alat-alat seperti ini membekali karyawan non-teknis dengan kemampuan yang berpengaruh dalam menggunakan data. Namun mereka harus mampu menggunakan data dengan benar. Hugo tertarik pada produk yang membantu orang mengenali saat mereka memperoleh hasil yang bias. Ia merekomendasikan untuk melihat Survival of the Best Fit, sebuah gim edukatif tentang bias perekrutan dalam AI.
4. Strategi data berarti budaya data
Seberapa banyak data yang benar-benar digunakan?
Kita sudah membahas bahwa mengumpulkan gunungan data (big data) tidak sepenting mengumpulkan data yang esensial dan relevan (small data). Dalam sebuah jajak pendapat selama webinar, kami menemukan 53% responden menggunakan kurang dari setengah data yang mereka kumpulkan. Tujuannya, tentu saja, adalah mampu membuat lebih banyak data Anda bekerja untuk Anda. Ini memerlukan strategi data yang tangguh dan membangun budaya data yang kuat dan sehat.
Cara membangun strategi data
Di Episode 30 podcast kami, DataFramed, Taras Gorishnyy, saat itu Senior Analytics Manager di McKinsey, mengidentifikasi komponen penting untuk membangun strategi data:
- Ciptakan visi untuk analitik yang selaras dengan strategi perusahaan
- Bangun dukungan kuat dari level C, misalnya advokasi, pendanaan, dan antusiasme
- Ekstrak nilai sejak awal dari setidaknya beberapa use case
- Melakukan perancangan ulang proses dan perubahan budaya untuk memastikan perpaduan keterampilan data yang tepat di seluruh perusahaan
- Bangun fondasi data yang kuat untuk menyediakan data yang terintegrasi, tepercaya, dan tepat waktu
Kebutuhan perancangan ulang proses data dan perubahan budaya
Misi DataCamp untuk mendemokratisasi keterampilan data di seluruh dunia sangat terkait dengan poin keempat: membantu perusahaan membangun budaya yang fasih data. Namun saat kami melakukan survei terhadap lebih dari 300 organisasi pada 2019, kami menemukan hanya 39% perusahaan dengan kefasihan data yang matang telah menerapkan perancangan ulang proses dan perubahan budaya terkait data, dan hanya 7% perusahaan dengan kefasihan data yang belum matang yang melakukannya.
Sumber: Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
Upskilling, bukan rekrutmen, adalah jalan menuju kefasihan data
Setiap perusahaan ingin merekrut talenta terbaik, tetapi menurut aturan 80/20, mayoritas perusahaan tidak akan bisa melakukannya. Ada kekurangan talenta dibandingkan kelimpahan pekerjaan data yang harus diselesaikan, dan tidak realistis membangun strategi data dengan mengandalkan merekrut “unicorn”. Alternatifnya? Bangun budaya data yang menekankan upskilling dan reskilling karyawan yang sudah ada dengan menciptakan lingkungan belajar di perusahaan Anda.
5. Mengapa strategi data pada dasarnya tentang empati
Pertimbangkan para pemangku kepentingan Anda
Hugo berpendapat bahwa strategi data, seperti halnya strategi bisnis lainnya, memerlukan pertimbangan cermat tentang siapa yang terdampak dan apa yang dibutuhkan berbagai pemangku kepentingan. Strategi data perusahaan menginformasikan bagaimana perusahaan membangun produk dan mengambil keputusan bisnis dalam skala besar. Jadi saat menggunakan data, penting untuk diingat bahwa setiap titik data mewakili seseorang atau sekelompok orang. Tidak diragukan lagi data dapat membantu perusahaan dalam skala besar—tetapi data juga bisa merugikan mereka.
Contohnya: Beberapa bulan lalu, terungkap bahwa Apple Card “bersikap seksis” terhadap perempuan yang mengajukan kredit. Meskipun Apple mungkin tidak berniat menghalangi keadilan dalam proses aplikasi, mereka akhirnya menghadapi tantangan PR besar dan peningkatan pengawasan oleh regulator. Algoritme tidak bisa dipercaya begitu saja—algoritme harus dievaluasi melalui kacamata empati.
Akui titik buta Anda
Di Episode 50 podcast kami, DataFramed, Cathy O’Neil, penulis Weapons of Math Destruction, berkata, “Data science tidak hanya memprediksi masa depan. Data science menyebabkan masa depan.”
Perusahaan yang membangun produk dalam skala besar dan mengembangkan strategi data berskala besar tidak hanya perlu mencantumkan siapa yang mereka yakini sebagai pemangku kepentingan, tetapi juga harus berkonsultasi dengan sebanyak mungkin pihak, karena akan selalu ada kelompok yang terdampak namun terlewat, seperti yang terjadi pada Apple.
Jujurlah tentang tugas mana yang akan diotomatisasi
Banyak orang takut mesin akan mengambil alih pekerjaan mereka. Namun seiring kemajuan teknologi, otomasi pekerjaan tidak akan menjadi tantangan terbesar bagi karyawan—otomasi tugas yang akan menjadi tantangan utama. Bagian-bagian tertentu dari pekerjaan seseorang mungkin akhirnya diotomatisasi. Jadi tantangan bagi pemberi kerja adalah mencari tahu bagaimana karyawan ini dapat ditingkatkan dan dialihkan keterampilannya seiring otomasi ini, dan bagaimana mentransisikan mereka untuk melakukan pekerjaan yang lebih bertingkat tinggi.
Untuk pendalaman topik-topik ini, tonton webinar Hugo sesuai permintaan.
