Apa itu big data?
Big data adalah salah satu istilah paling populer di ranah data. Namun seberapa besar itu “big”? Salah satu cara memikirkannya adalah dari segi volume, atau jumlah data yang Anda miliki. Berdasarkan volume, kita dapat mendefinisikan big data sebagai data yang jauh melebihi kapasitas penyimpanan laptop atau hard drive modern. Karena itu, data harus didistribusikan di seluruh klaster komputer untuk diproses, ditransmisikan, dan dianalisis. Kita dapat memperluas definisi big data untuk mencakup tiga V: volume, velocity, dan variety.
- Volume: Jumlah data
- Velocity: Seberapa cepat Anda dapat memindahkan dan menganalisis data
- Variety: Beragam jenis data yang Anda miliki
Apakah big data mengakhiri kebutuhan akan teori?
Pada 2008, Chris Anderson menulis artikel provokatif di Wired berjudul The End of Theory, The Data Deluge Makes the Scientific Method Obsolete. Premisnya adalah bahwa kita memiliki cukup data untuk membuat prediksi yang memadai tentang dunia sehingga kita tidak memerlukan teori untuk memahami dunia. Sebagian pemicunya adalah apa yang kita lihat terjadi pada Google—mereka mampu mengolah sejumlah besar data dan kemudian menyediakan model prediktif dalam bentuk produk data untuk pembelian iklan secara terprogram. Lebih dari itu, mereka melakukannya dengan analitik prediktif yang cukup maju tanpa perlu memahami atau menelorkan teori tentang sistem yang dikaji.
Semua ini tentang memanfaatkan perilaku manusia yang terekam untuk membangun produk dan layanan yang lebih baik. Google memudahkan siapa pun yang ingin membeli iklan untuk melakukannya lewat Google AdWords, dan model di balik AdWords tidak bergantung pada teori apakah seseorang akan mengeklik atau tidak. Google memiliki data yang cukup untuk membuat prediksi yang “cukup baik”. Hipotesis provokatif Chris Anderson adalah bahwa big data memuat begitu banyak informasi sehingga kita tidak perlu lagi memodelkan dunia, dan kita tidak perlu memahami teori di baliknya atau apa yang sebenarnya terjadi.
Apakah big data benar-benar memenuhi janji-janjinya? Salah satu cara memikirkannya adalah memetakannya ke dalam Gartner Hype Cycle.
Gartner Hype Cycle memberi tahu kita tentang inovasi teknologi dan ekspektasi di sekitarnya sebagai fungsi waktu. Kita mulai dengan Innovation Trigger, yang dalam kasus big data adalah kemampuan untuk menyimpan, mentransmisikan, dan menganalisis data dalam jumlah besar. Lalu orang-orang menjadi antusias, yang mengarah pada Inflated Expectations. Setelah itu, nilai yang dihasilkan tidak setara dengan ekspektasi, sehingga kita masuk ke Trough of Disillusionment. Barulah setelah itu nilai nyata mulai dihadirkan di berbagai sektor—dan kita memasuki Slope of Enlightenment.
Di mana posisi big data saat ini dalam Gartner Hype Cycle? Salah satu cara menilai ekspektasi adalah melihat apa yang dicari orang di Google dari waktu ke waktu. Di bawah ini adalah tren Google untuk “big data” sejak 2004. Anda dapat melihat bahwa Chris Anderson selangkah lebih maju dari zamannya—namun ia keliru tentang big data sebagai akhir dari teori karena pentingnya small data dan thick data.
Jika kita menerima Gartner Hype Cycle sebagai model yang valid untuk memikirkan big data, dan jika kita menerima tren Google sebagai proksi ekspektasi, kita dapat melihat bahwa Peak of Inflated Expectations terjadi sekitar 2014 dan kita belum tentu mencapai Trough of Disillusionment.
Small data juga kuat
Walau banyak inovasi terbaru dalam ilmu data berpusat pada kemampuan kita menangani volume data yang semakin besar secara efisien, penting untuk disadari bahwa sebagian besar data yang dianalisis di dunia nyata masih muat di memori laptop modern. Sebagai pemimpin bisnis, Anda perlu mempertimbangkan dengan cermat kebutuhan organisasi data Anda sebelum memutuskan alat dan arsitektur yang akan diadopsi.
Saya ingin membawa Anda kembali ke masa Johannes Kepler, yang menemukan tiga hukum gerak planet, dan Tycho Brahe, seorang astronom Denmark yang mengumpulkan data yang kemudian dianalisis Kepler untuk membangun tiga hukum geraknya, yang kemudian menginformasikan teori gravitasi Newton. Kita memiliki segudang pengetahuan ilmiah yang dikembangkan dari data yang dikumpulkan Brahe, yang hanya terdiri dari sekitar 2.000 titik data. Ini adalah himpunan data yang sangat kecil dibandingkan dataset yang kita bicarakan saat ini, yang kadang berisi ratusan juta titik data. Namun data yang dikumpulkan Brahe berkualitas tinggi. Jika Anda memiliki data yang baik dan dikumpulkan dengan benar, model analitis dan teoretis yang kuat dan berprinsip, serta cara melakukan pemodelan statistik, Anda dapat memperoleh sangat banyak dari data Anda.
Mari lihat contoh lain yang dibahas dalam artikel Andrew Gelman, How can a poll of only 1,004 Americans represent 260 million people with only a 3 percent margin of error? Gelman memaparkan perhitungannya untuk menunjukkan bahwa saat Anda menambah jumlah data, pengurangan margin of error mengalami penurunan hasil yang sangat drastis. Penyangkalan: Hasil ini hanya benar jika Anda memiliki semacam sampling yang representatif terhadap populasi Anda, yang jelas tidak selalu terjadi dalam jajak pendapat. Namun para ahli statistik kini memiliki metode koreksi canggih untuk sampel yang tidak representatif, yang dapat digunakan untuk mempelajari preferensi pemilih dari populasi yang lebih besar.
Sekali lagi, kita melihat hasil signifikan dari jumlah data yang kecil, dan ini memberi tahu kita tentang sifat perilaku dan preferensi manusia. Prinsip yang sama berlaku dalam bisnis—intinya adalah memahami dan mampu memprediksi perilaku manusia di masa depan, terutama terkait para pemangku kepentingan Anda. Lantas mengapa kita begitu sering membicarakan big data ketika itu tidak selalu diperlukan? Alasan utamanya adalah karena data tersebut kini mudah diakses dan sangat mudah diolah.
Intinya sejalan dengan poin Harvard Business Review dalam Sometimes “Small Data” Is Enough to Create Smart Products bahwa “bukan soal gunungan data, melainkan data kecil yang sangat presisi.”
Kekuatan thick data
Setelah membahas kekuatan small data, saya ingin beralih ke jenis data lain yang disebut thick data, atau data kualitatif. Thin data melibatkan angka dan tabel, sementara thick data, istilah dari sosiologi dan antropologi, lebih bersifat kualitatif dan deskriptif. Sebuah firma konsultan bernama ReD Associates telah melakukan pekerjaan hebat menggunakan thick data untuk membantu orang membangun model analitik dan model pembelajaran mesin.
Salah satu contoh yang ingin saya sebutkan adalah pekerjaan mereka dalam mendeteksi penipuan kartu kredit. Ini merupakan tantangan besar dan pembelajaran mesin telah digunakan untuk mendeteksi penipuan kartu kredit, dengan memanfaatkan fitur seperti jumlah transaksi, waktu transaksi, lokasi, dan sebagainya. ReD Associates mencoba mengumpulkan thick data untuk memecahkan masalah ini dengan pendekatan sosiologis.
Untuk itu, ReD Associates duduk bersama para pelaku penipuan kartu kredit untuk mengetahui apa yang sebenarnya mereka lakukan dan seperti apa proses mereka. Mereka menemukan komunitas penipu kartu kredit di dark web dan bertemu langsung untuk mempelajari proses serta kebiasaan mereka.
Mereka menemukan bahwa titik di mana pelaku penipuan kartu kredit memiliki kemungkinan tertinggi tertangkap adalah ketika mereka harus melakukan sesuatu di dunia nyata—seperti mengambil paket kiriman. Mereka cukup melek teknologi sehingga jarang terdeteksi secara online. Dan para pelaku juga berhati-hati di ranah fisik—mereka biasanya tidak mengirim paket ke alamat rumah sendiri, alamat kantor, atau alamat teman. Sebaliknya, mereka mengirim ke alamat properti yang ditinggalkan atau yang sedang dijual.
Berbekal pengetahuan ini, ReD Associates membangun model deteksi penipuan kartu kredit dengan menggunakan lokasi tujuan paket sebagai fitur, dan menggabungkannya dengan data publik tentang rumah kosong dan rumah yang sedang di pasar. Mereka mengamati bahwa model berbasis data kualitatif ini memperoleh peningkatan akurasi yang signifikan dibandingkan model tradisional untuk transaksi curang. Ini adalah contoh yang sangat baik tentang pentingnya thick data dan bagaimana pendekatan sosiologis dapat memberikan nilai tambah. Saya merekomendasikan dua artikel ini untuk menelaah lebih lanjut bagaimana kualitas data yang baik lebih penting daripada sekadar big data: The Power of 'Thick' Data dan Big Data Is Only Half the Data Marketers Need.
Memanfaatkan thick data dalam analisis Anda
Pilih sumber data yang bernilai bagi bisnis Anda dan pikirkan seberapa banyak data ini yang benar-benar Anda perlukan untuk mendukung pengambilan keputusan. Salah satu cara menilainya adalah dengan mempertimbangkan nilai tambah dari peningkatan jumlah data 2X, 5X, dan 10X, khususnya terkait investasi untuk mengumpulkan, menyimpan, dan menganalisisnya. Lalu, jawab pertanyaan ini: Thick data apa yang dapat Anda gunakan untuk meningkatkan kualitas sumber data ini?
Pelajari lebih lanjut praktik terbaik memanfaatkan data dalam The Definitive Guide to Machine Learning for Business Leaders.
