Mencapai Kefasihan Data Organisasi dengan IPTOP

Dari menggerakkan mobil swakemudi hingga menaklukkan permainan Go, organisasi-organisasi mendominasi tajuk berita dengan membuat hal-hal yang sebelumnya mustahil menjadi mungkin melalui data science. Karena itu, mudah untuk mengabaikan revolusi data science yang tersembunyi: semakin banyak perusahaan yang membuat apa yang saat ini mungkin menjadi sesuatu yang tersebar luas. Dengan kata lain, lebih banyak perusahaan berupaya mencapai kefasihan data organisasi yang lebih kuat. Menurut Ramnath Vaidyanathan, VP Product Research di DataCamp, jalur organisasi menuju kefasihan data bergantung pada lima pilar kunci: Infrastruktur, People, Tools, Organization, dan Processes (IPTOP). Dalam sebuah webinar bulan lalu, ia membagikan kerangka kerja kefasihan data yang dapat digunakan organisasi mana pun untuk meningkatkan kematangan data dari reaktif data menjadi penskalaan data, progresif data, dan fasih data.

Untuk Bergerak dari Reaktivitas Data, Bangun Budaya Data

Perusahaan yang reaktif data berada pada tingkat terbawah tangga kematangan data. Perusahaan semacam ini jarang mengakses, menggunakan, dan menyajikan data, yang berkontribusi pada ketiadaan budaya data. Mereka menggunakan alat warisan yang beragam untuk mengumpulkan data dalam silo dan menjalankan proses data ad hoc. Lebih jauh lagi, mereka tidak berinvestasi pada strategi peningkatan keterampilan data untuk membangun talenta data secara internal maupun pada infrastruktur data. Perusahaan dapat maju dalam literasi data organisasinya dari reaktif data ke penskalaan data dengan membangun budaya data dan infrastruktur data. Untuk menumbuhkan budaya data semacam itu, perusahaan sebaiknya mempertimbangkan langkah-langkah berbuah manis yang memungkinkan para pemangku kepentingan melihat nilai literasi data. Ini termasuk dasbor bukti konsep dan proyek analitik seperti pemodelan churn pelanggan. Perusahaan juga dapat mulai mengembangkan arsitektur data dan proses pengumpulan datanya.

Tinggalkan Tahap Penskalaan Data dengan Infrastruktur dan Model Organisasi yang Tepat

Tidak seperti perusahaan yang reaktif data, perusahaan yang berada pada tahap penskalaan data memiliki semacam strategi dan budaya data. Namun, kekurangannya masih terlihat jelas. Hanya sedikit karyawan yang memiliki keterampilan dan akses yang diperlukan untuk menganalisis, melaporkan, dan menyajikan data dengan percaya diri, sehingga budaya datanya lemah. Selain itu, mereka tidak memiliki penyimpanan dan tim data terpusat, yang mengakibatkan dataset dan proses data sangat tersilo.

Mengingat kekurangan ini, perusahaan pada tahap penskalaan data harus meningkatkan literasi data organisasinya. Untuk melakukannya, mereka harus memfasilitasi akses data dengan membangun infrastruktur data dan penyimpanan data terpusat. Infrastruktur semacam ini memungkinkan data berkualitas tinggi disimpan di cloud dan mudah diakses oleh semua pemangku kepentingan. Dengan penyimpanan dan akses data yang tepat, karyawan diberdayakan untuk mengembangkan standar kualitas data. Misalnya, DataCamp menyimpan datanya di Amazon Redshift, gudang data terpusat berbasis cloud, dan mengelola pipeline data menggunakan Apache Airflow. Ini menandai peralihan dari data tersilo yang sulit direkonsiliasi dan membuka jalan menuju single source of truth.

Gambaran sederhana tentang penyimpanan data terpusat DataCamp

Perusahaan pada tahap penskalaan data juga harus mengembangkan model organisasi yang jelas untuk data scientist sebagai bagian dari pematangan data. Beberapa perusahaan memilih model terpusat yang ditandai dengan tim data science sebagai center of excellence yang menangani permintaan dari berbagai fungsi seperti keuangan, pemasaran, dan rekayasa. Yang lain memutuskan mengadopsi model terdesentralisasi, di mana data scientist tertanam dalam setiap fungsi dan menangani kebutuhan data fungsi tersebut secara eksklusif. Perusahaan harus mengadopsi model yang paling sesuai dengan kebutuhan data dan bisnisnya.

Transisi dari Tahap Progresif Data dengan Alat dan Proses Data

Langkah berikutnya dalam jalur perusahaan menuju kefasihan data adalah tahap progresif data. Dalam perusahaan yang progresif data, setiap tim memiliki setidaknya satu karyawan yang fasih data yang dapat menganalisis, melaporkan, dan menyajikan data mereka. Namun, masih ada ruang untuk perbaikan dalam hal kualitas dan ketertemuan data sebagai akibat dari infrastruktur data yang sedang matang. Selain itu, meski karyawan perusahaan memiliki tingkat literasi data tertentu, data hampir secara eksklusif digunakan untuk pelaporan sehingga kurang dimanfaatkan. Nilai data semakin tertekan oleh kurangnya demokratisasi data yang disebabkan oleh sulitnya mengakses alat dan proses data.

Untuk maju dari tahap progresif data menuju kefasihan data, organisasi sebaiknya mempertimbangkan pengembangan infrastruktur data, people, tools, organization, dan processes secara bersamaan sesuai dengan kerangka kerja kefasihan data IPTOP.

Untuk bertransisi ke kefasihan data, perusahaan dapat memperkuat budaya data dengan mengembangkan dan berinvestasi pada strategi peningkatan keterampilan yang tepat bagi people-nya. Ini mencakup pendidikan data berkelanjutan yang melayani beragam persona data dan tujuan bisnis perusahaan. Misalnya, perombakan talenta intensif AT&T membuat perusahaan tersebut menginvestasikan $1 miliar untuk meningkatkan keterampilan 140.000 karyawan selama 10 tahun. Perusahaan akan mendapatkan manfaat dari budaya data yang lebih kuat dengan memberi insentif pada perilaku berbasis data dan memberi penghargaan kepada pendukung data yang secara aktif mempromosikan budaya data perusahaan.

Perusahaan juga dapat membangun produk data internal yang mengoperasionalkan proses data sebagai bagian dari program literasi data. Produk data ini dapat digunakan untuk meningkatkan standar kualitas data dan memantau tujuan bisnis. Misalnya, DataCamp memiliki kerangka kerja internal yang memungkinkan para pemangku kepentingan membuat visualisasi metrik bisnis yang siap presentasi dengan kode minimal.

Dasbor DataCamp yang dikembangkan dengan mudah menggunakan kerangka kerja internal

Seiring perusahaan berkembang dalam literasi data organisasi, cenderung bergerak menuju model hibrida, di mana data scientist tidak hanya berada di tim data terpusat tetapi juga di tim fungsional. Ini memungkinkan tim data science membangun dan berbagi alat data yang selaras dengan tujuan bisnis fungsional.

Mencapai kefasihan data mengharuskan organisasi menjadikan data sebagai bagian integral dari prosesnya. Proses semacam ini mengurangi friksi dalam mengekstraksi nilai dari data dan mendemokratisasi data di dalam organisasi. Misalnya, Inisiatif Kualitas Data AirBnb mendefinisikan dan menegakkan kualitas dataset di seluruh perusahaan, yang pada gilirannya membangun kepercayaan pemangku kepentingan terhadap data dan memperkuat budaya data. Netflix membuat para pemangku kepentingan dapat dengan mulus membuat notebook yang efektif dengan menyesuaikan templat notebook untuk berbagai persona sasaran.

Menjadi Fasih Data dengan Kerangka Kerja IPTOP

Pada akhirnya, kefasihan data adalah kondisi ideal kematangan data sebuah perusahaan. Dalam perusahaan yang fasih data, setiap karyawan memiliki keterampilan untuk mengakses dan memahami data yang mereka butuhkan untuk menjalankan pekerjaannya. Mereka diberdayakan oleh infrastruktur dan alat data yang andal yang membuat pengambilan keputusan berbasis data menjadi mulus. Lebih baik lagi, perusahaan memiliki proses data dan model organisasi yang memungkinkan kolaborasi lintas departemen untuk melakukan skala secara efisien.

Jelas, jalur organisasi menuju kefasihan data tidaklah linear. Ini memerlukan strategi data yang jelas dan kerangka kerja literasi data yang kuat. Bagan di bawah ini merangkum langkah-langkah yang harus diambil organisasi untuk memindahkan literasi datanya dari reaktif data menjadi fasih data menggunakan kerangka kerja IPTOP.

Untuk informasi lebih lanjut tentang jalur menuju penskalaan kematangan data, ikuti webinar kami atau ikuti penilaian kematangan data.