Banyak organisasi saat ini mengadopsi praktik data science sebagai bagian dari inisiatif transformasi digital mereka. Namun, sebagian besar tidak akan memetik hasil dari menggali data mereka tanpa strategi data dan cetak biru yang jelas untuk menskalakan data science di dalam organisasi. McKinsey menemukan bahwa hanya delapan dari 1.000 perusahaan yang menjalani inisiatif transformasi digital mampu menskalakan data science melampaui beberapa proyek percontohan.
Selain itu, meski sebagian besar organisasi memahami nilai menjadi berbasis data, banyak yang memperlakukan data science sebagai fungsi dukungan terpusat yang terkotak yang bekerja berdasarkan permintaan dari berbagai tim. Ini bertentangan dengan hakikat data science, yang seharusnya menjadi sarana untuk mencapai tujuan bisnis. Seperti yang dikatakan CEO Anaconda Peter Wang, data science adalah "sebuah modus penyelidikan dan eksplorasi" untuk menavigasi dunia bisnis.
Sebagaimana fisikawan menggunakan matematika untuk menalar tentang dunia alam, data scientist memanfaatkan alat matematis dan komputasional untuk menalar tentang dunia bisnis. —Peter Wang, CEO Anaconda
Efek silo ini diperparah oleh premis keliru bahwa tujuan akhir data science selalu berupa model kecerdasan buatan yang mengotomatiskan atau merampingkan lini produksi utama dalam organisasi. Perusahaan yang mencari pengembalian investasi instan kecewa saat mendapati bahwa hal ini sering kali tidak terjadi.
Pandangan sempit tentang data science ini mengaitkan nilainya pada analitik prediktif yang relatif sulit dicapai (yaitu kemampuan memprediksi masa depan dengan data). Ini juga mengabaikan pekerjaan infrastruktur yang dibutuhkan untuk melakukan machine learning dalam skala besar. Padahal, banyak nilai data science berasal dari penerapan analitik deskriptif yang relatif lebih sederhana (kemampuan mendeskripsikan data dan menyalurkannya ke tangan yang tepat) dan analitik preskriptif (pengambilan keputusan berbasis data).
Menyelesaikan transformasi digital yang sukses memerlukan pembangunan kompetensi organisasi dalam data science dan analitik. Ini membutuhkan perumusan dan eksekusi strategi data yang cerdas, inklusif, dan dapat diskalakan.
Di sinilah kerangka kerja IPTOP kami berperan. IPTOP adalah kerangka yang menetapkan lima pilar (I nfrastructure, P eople, T ools, O rganization, dan P rocesses) untuk mengeksekusi strategi data Anda secara terskala guna menyelesaikan transformasi digital yang sukses. Ikuti seri webinar kami yang akan datang untuk mengetahui lebih lanjut.
Infrastruktur
Tujuan dari strategi data apa pun adalah mengubah data mentah menjadi wawasan dan keputusan. Ini mengharuskan organisasi untuk mengumpulkan, merekam, dan menyimpan data mereka dengan aman dan efisien agar dapat diakses oleh semua pihak. Namun, data sering dikumpulkan dalam berbagai bentuk, rupa, dan ukuran. Beragam basis data, data lake, data warehouse, skrip, dan dasbor yang membantu perjalanan ini membentuk infrastruktur data. Membangun infrastruktur data yang andal membutuhkan pemahaman praktik terbaik.
People
Memandang data science sebagai sarana untuk mencapai tujuan berupa keputusan yang lebih baik memungkinkan organisasi membangun tim berdasarkan keterampilan yang dibutuhkan. Pendekatan berbasis peran memerlukan identifikasi, penilaian, dan pemetaan tujuan kinerja dengan keterampilan yang dibutuhkan untuk mencapai sasaran bisnis, seperti memprediksi churn atau memvisualisasikan data dengan dasbor. Ini menghasilkan jalur pembelajaran khusus untuk setiap peran.
Contoh yang baik adalah Data University milik Airbnb, program pelatihan internal yang dirancang untuk membekali setiap karyawan dengan keterampilan yang dibutuhkan untuk mengambil keputusan berbasis data. Memampukan karyawan yang bukan data scientist secara profesi menjadi Citizen Data Scientist yang mampu mengambil keputusan terinformasi telah membebaskan waktu tim data science untuk mengerjakan proyek yang lebih strategis.
Tools
Jika infrastruktur memungkinkan organisasi menyajikan wawasan dari data, maka tools memfasilitasi dan mendorong adopsi bahasa data yang umum di seluruh organisasi. Menggunakan alat untuk akses data, analisis, visualisasi, dan dasbor membuat organisasi menjadi lebih efisien, sehingga waktu untuk memperoleh wawasan menjadi lebih singkat. Alat-alat ini dapat berkisar dari bahasa pemrograman open source seperti Python, R, dan SQL hingga alat berbasis klik seperti Power BI, Tableau, dan Excel.
Membangun kerangka kerja spesifik organisasi yang merampingkan akses ke data di atas alat-alat ini secara signifikan menurunkan hambatan untuk menskalakan data science. Di DataCamp, kami memiliki paket Python dan R internal yang mengabstraksikan proses koneksi ke data lake, melakukan query data, dan mengagregasikannya dengan perintah sederhana. Siapa pun dapat menjawab pertanyaan seperti "Berapa rating kursus X selama Y minggu terakhir?" hanya dengan satu atau dua baris kode. Demikian pula, Airbnb memiliki paket R yang mempermudah query dan visualisasi data sesuai estetika yang diinginkan mereka, yang menghilangkan spekulasi untuk memastikan analisis dan visualisasi data yang konsisten di seluruh organisasi.
Organization
Dimensi penting dari strategi data adalah bagaimana para profesional data diorganisasi. Mengingat struktur pelaporan dan agenda mendorong pekerjaan di sebagian besar perusahaan, struktur organisasi harus menyiapkan perusahaan Anda untuk kesuksesan yang berkelanjutan. Ada pertukaran antara model terpusat, di mana data scientist menjadi bagian dari satu tim data science, dan model terdesentralisasi, di mana data scientist tertanam di berbagai departemen.
Pada model terpusat, tim data science pusat memprioritaskan dan mengerjakan permintaan informasi dari departemen lain. Dalam model ini, pertanyaan masuk dan jawaban diharapkan keluar. Ini memungkinkan tim data science menjadi pusat keunggulan, tempat data scientist berkolaborasi dan berbagi pengetahuan di bawah satu arah strategis. Namun, ini membuat tim data science dan alat mereka terkotak, sehingga koordinasi dan komunikasi dengan departemen lain menjadi rumit bagi data scientist.
Pada model terdesentralisasi, data scientist tertanam di berbagai departemen dalam organisasi. Ini memberikan data science posisi strategis untuk memengaruhi arah departemen mereka, karena data scientist memperoleh pengetahuan domain yang diperlukan untuk berhasil. Namun, karena mereka tersebar dan dikelola oleh manajer tim bisnis, kelemahannya adalah hal ini mengorbankan pertumbuhan, pembelajaran dan pengembangan, serta kemampuan kolaborasi para data scientist.
Kedua model ini sebaiknya dipandang sebagai dua ujung spektrum yang berlawanan. Ada banyak model hibrida yang menggabungkan elemen dari model terpusat dan terdesentralisasi, dengan berbagai cara mengelompokkan dan memaketkan departemen untuk memaksimalkan nilai data science dalam skala besar.
Processes
Pada akhirnya, membangun strategi data yang dapat diskalakan memerlukan keselarasan pada konvensi, praktik terbaik, dan proses. Membangun keselarasan sangat penting untuk memfasilitasi kolaborasi dan menghindari organisasi yang terkotak. Ini memungkinkan semua tim bekerja bersama dan berkomunikasi secara mulus dengan bahasa data yang sama.
Cara mudah untuk mulai membangun keselarasan proses adalah membuat struktur proyek dan templat yang telah ditentukan, di mana berbagai tugas dan sub-tugas untuk proyek analitik dipetakan dengan persyaratan mereka sejak awal. Microsoft telah mengadopsi The Team Data Science Process, yang memungkinkan setiap pemangku kepentingan memahami persyaratan proyek dengan jelas, memanfaatkan templat untuk analisis data dan akses daya komputasi, serta mengidentifikasi penanggung jawab di setiap tahap proses.
Tergantung pada organisasi dan industri Anda, templat proyek yang telah ditentukan dapat tunduk pada persyaratan regulasi tertentu dan mungkin memerlukan proses yang kompleks. Anda dapat memanfaatkan alat open source untuk menetapkan templat struktur proyek guna meningkatkan keselarasan antara tim dan profesional data.
Lakukan penilaian kematangan data untuk lebih memahami pendekatan tim Anda terhadap data.
