Menemukan sesuatu yang tidak biasa dalam data adalah bagian yang menarik dari proses data analytics.
Sebuah transaksi memiliki nilai jauh lebih tinggi dibanding transaksi lainnya. Satu vendor muncul dengan frekuensi yang sangat dominan. Beberapa transaksi memiliki tanggal, nilai, dan deskripsi yang hampir sama. Bahkan mungkin ditemukan beberapa entitas yang menggunakan nomor telepon, alamat, rekening, atau atribut tertentu yang sama.
Temuan seperti ini mudah memancing perhatian.
Namun justru pada titik tersebut seorang analis harus berhati-hati.
Anomali memberi alasan untuk bertanya. Evidence memberi dasar untuk menjawab.
Data analytics dapat membantu menemukan bagian yang perlu diperiksa. Tetapi sebelum sebuah pola berubah menjadi kesimpulan, kita membutuhkan evidence yang cukup untuk memahami apa yang sebenarnya terjadi.
Anomali Adalah Titik Awal
Bayangkan kita mempunyai dataset berisi 100.000 transaksi.
Setelah dilakukan screening, sistem menemukan 50 transaksi dengan karakteristik yang tidak biasa.
Artinya hanya sekitar 0,05% dari seluruh transaksi yang masuk ke dalam kelompok tersebut.
Ini sangat membantu.
Daripada memeriksa 100.000 baris satu per satu, perhatian dapat diarahkan terlebih dahulu kepada 50 transaksi tersebut.
Namun sistem belum membuktikan bahwa 50 transaksi itu salah.
Sistem baru melakukan satu pekerjaan penting:
mempersempit ruang pemeriksaan.
Inilah perbedaan antara detection dan conclusion.
Detection mengatakan:
“Ada sesuatu yang berbeda di sini.”
Sedangkan conclusion mencoba menjawab:
“Mengapa hal tersebut terjadi dan apa artinya?”
Di antara keduanya terdapat satu komponen penting: evidence.
Evidence Membantu Menjelaskan Pola
Misalnya terdapat dua transaksi dengan karakteristik berikut:
- vendor sama,
- tanggal sama,
- nilai transaksi sama,
- kategori barang sama.
Secara analitis, transaksi tersebut sangat mirip.
Tetapi apakah itu transaksi ganda?
Belum tentu.
Kita membutuhkan informasi tambahan.
Nomor kontraknya apakah sama?
Nomor transaksi berbeda atau tidak?
Barang yang dibeli sama?
Unit pemesannya sama?
Jumlah barangnya sama?
Apakah terdapat dokumen penerimaan yang berbeda?
Mungkin saja dua transaksi tersebut benar-benar berbeda dan kebetulan memiliki karakteristik serupa.
Sebaliknya, pemeriksaan evidence mungkin juga menemukan bahwa kemiripan tersebut memang membutuhkan perhatian lebih lanjut.
Karena itu, data analytics sebaiknya tidak berhenti pada kalimat:
“Ditemukan transaksi duplikat.”
Lebih aman dan lebih akurat mengatakan:
“Ditemukan kelompok transaksi dengan tingkat kemiripan tinggi yang direkomendasikan untuk verifikasi lebih lanjut.”
Pisahkan Fakta, Indikasi, dan Kesimpulan
Dalam analisis data, tiga hal ini sebaiknya tidak dicampurkan.
Fakta
Fakta adalah sesuatu yang secara langsung dapat dibuktikan dari data.
Contohnya:
Vendor A memiliki 327 transaksi selama periode analisis.
Itu fakta jika dataset memang menunjukkan angka tersebut.
Indikasi
Indikasi merupakan pola yang muncul setelah fakta dibandingkan atau dianalisis.
Misalnya:
Frekuensi transaksi Vendor A jauh lebih tinggi dibanding median vendor lainnya.
Ini sudah merupakan hasil analisis.
Namun kita masih belum mengetahui penyebabnya.
Kesimpulan
Kesimpulan membutuhkan konteks dan evidence tambahan.
Misalnya setelah dilakukan pemeriksaan diketahui bahwa Vendor A memang merupakan salah satu dari sedikit penyedia yang memenuhi kebutuhan tertentu.
Maka dominasi tersebut mungkin dapat dijelaskan.
Sebaliknya, jika evidence menunjukkan kondisi lain yang tidak sesuai dengan proses yang seharusnya, barulah pemeriksaan dapat bergerak lebih dalam.
Dengan memisahkan tiga tingkatan ini, analisis menjadi lebih objektif.
Jangan Hanya Melihat Satu Indikator
Satu anomali sering kali belum cukup kuat untuk menentukan prioritas.
Bayangkan sebuah transaksi bernilai Rp1,8 miliar.
Nilainya memang tinggi.
Namun setelah dibandingkan dengan transaksi lain dalam kategori yang sama, ternyata nilai tersebut masih normal.
Sekarang bayangkan kondisi berbeda.
Sebuah transaksi:
- memiliki nilai ekstrem,
- terjadi pada periode yang tidak biasa,
- memiliki deskripsi hampir sama dengan beberapa transaksi lainnya,
- dan vendornya memiliki atribut identitas yang sama dengan entitas lain.
Tidak satu pun indikator tersebut otomatis membuktikan adanya kesalahan.
Tetapi kombinasi beberapa indikator membuat transaksi tersebut lebih layak mendapatkan perhatian.
Karena itu sistem screening yang baik tidak hanya bertanya:
“Apakah nilainya besar?”
Tetapi juga:
“Berapa banyak sinyal tidak biasa yang bertemu pada transaksi ini?”
Evidence Harus Dapat Ditelusuri
Salah satu prinsip penting dalam analytics adalah traceability.
Jika sistem mengatakan:
“Transaksi ini perlu diperiksa.”
Pengguna seharusnya dapat mengetahui alasannya.
Misalnya:
Reason 1: nilai berada jauh di atas pola transaksi sejenis.
Reason 2: terdapat tiga transaksi lain dengan tanggal, vendor, dan nilai sangat mirip.
Reason 3: atribut tertentu pada vendor juga ditemukan pada entitas lainnya.
Dengan cara tersebut, pengguna tidak hanya menerima sebuah skor atau peringatan.
Mereka dapat melihat evidence yang menyebabkan sistem memberikan peringatan tersebut.
Ini sangat penting terutama ketika analytics digunakan untuk membantu proses pengawasan, audit awal, risk screening, atau pengambilan keputusan.
Dari Detection Menuju Verification
Alur yang sehat dapat dibuat sederhana:
Data → Detection → Evidence → Verification → Conclusion
Pertama, data dikumpulkan dan dipahami.
Kemudian sistem mencari pola yang tidak biasa.
Setelah anomali ditemukan, evidence terkait dikumpulkan.
Evidence kemudian diverifikasi dengan konteks atau dokumen lain.
Barulah manusia membuat kesimpulan.
Dengan model seperti ini, teknologi tidak bertindak sebagai hakim.
Teknologi bertindak sebagai alat bantu pemeriksaan.
Contoh: Vendor yang Sangat Dominan
Misalnya dari 20.000 transaksi ditemukan satu vendor menerima transaksi jauh lebih banyak dibanding vendor lainnya.
Data analytics dapat menunjukkan:
jumlah transaksi,
total nilai transaksi,
kategori barang,
unit yang melakukan transaksi,
distribusi transaksi per bulan,
dan perbandingannya dengan vendor lain.
Namun dominasi tersebut sendiri belum membuktikan masalah.
Langkah berikutnya justru menghasilkan pertanyaan.
Apakah vendor tersebut menyediakan produk yang memang sering dibutuhkan?
Berapa banyak vendor alternatif dalam kategori tersebut?
Apakah dominasi hanya terjadi pada satu kategori atau banyak kategori?
Apakah hanya satu unit yang sering menggunakan vendor tersebut?
Bagaimana pola harga dibanding transaksi sejenis?
Pertanyaan tersebut mengarahkan proses menuju evidence yang lebih relevan.
Contoh: Identitas yang Sama
Kasus lain dapat muncul ketika beberapa entitas memiliki atribut yang sama.
Misalnya sistem menemukan beberapa vendor menggunakan nomor telepon yang sama.
Ini menarik.
Tetapi sekali lagi:
nomor telepon sama ≠ otomatis pemilik sama.
Mungkin nomor tersebut milik konsultan administrasi.
Mungkin terdapat kesalahan input.
Mungkin nomor kantor bersama.
Atau mungkin memang terdapat hubungan antarentitas.
Data analytics tidak harus menentukan jawabannya.
Tugas awal analytics cukup mengatakan:
“Atribut yang sama ditemukan pada beberapa entitas. Verifikasi hubungan diperlukan.”
Dari sana pemeriksaan dapat diarahkan kepada dokumen atau sumber evidence lain.
Prioritaskan Pemeriksaan Berdasarkan Evidence
Ketika dataset besar, tidak semua anomali dapat diperiksa sekaligus.
Karena itu kita dapat membuat konsep sederhana berupa risk-based prioritization.
Misalnya:
Low Attention
Hanya satu indikator ringan ditemukan.
Needs Review
Terdapat beberapa indikator yang membutuhkan pemeriksaan.
Priority Review
Beberapa indikator kuat bertemu dan evidence pendukung tersedia.
Kategori seperti ini bukan penilaian bersalah atau benar.
Fungsinya adalah menentukan:
mana yang sebaiknya diperiksa terlebih dahulu.
Inilah salah satu manfaat terbesar analytics dalam pekerjaan yang berhadapan dengan data besar.
Mengapa Manusia Tetap Penting?
Algoritma dapat menghitung jutaan baris jauh lebih cepat daripada manusia.
Komputer dapat mencari nilai ekstrem, menghitung frekuensi, mengelompokkan transaksi, mencari kemiripan, dan menghubungkan atribut dalam hitungan detik.
Namun komputer hanya mengetahui informasi yang diberikan kepadanya.
Manusia memahami konteks yang sering kali tidak terdapat dalam dataset.
Karena itu model yang lebih realistis bukan:
AI menggantikan analis.
Tetapi:
AI dan data analytics membantu analis menentukan ke mana perhatian harus diarahkan.
Teknologi memperluas kemampuan manusia.
Bukan menggantikan pertimbangan manusia.
Understand → Evidence → Analyze → Solve → Improve
Prinsip ini juga menjelaskan mengapa Evidence ditempatkan sebelum Analyze.
Understand — pahami persoalan dan konteks data.
Evidence — pastikan informasi yang digunakan mempunyai dasar yang dapat ditelusuri.
Analyze — cari pola, hubungan, anomali, dan kemungkinan penjelasan.
Solve — gunakan hasil analisis untuk menentukan tindakan atau pemeriksaan berikutnya.
Improve — gunakan pembelajaran tersebut untuk memperbaiki proses dan analisis berikutnya.
Data yang besar tidak otomatis menghasilkan keputusan yang baik.
Yang membuatnya berguna adalah proses berpikir di antara data dan keputusan.
Analytics yang Baik Menghasilkan Pertanyaan yang Lebih Baik
Kita sering menganggap tujuan analytics adalah memberikan jawaban.
Padahal dalam banyak kasus, kontribusi terbesarnya justru menghasilkan pertanyaan yang lebih tepat.
Bukan:
“Apakah transaksi ini bermasalah?”
Tetapi:
“Mengapa transaksi ini berbeda dari kelompok transaksi sejenis?”
Bukan:
“Apakah vendor ini mencurigakan?”
Tetapi:
“Apa yang menyebabkan konsentrasi transaksi pada vendor ini?”
Bukan:
“Apakah dua perusahaan ini berhubungan?”
Tetapi:
“Evidence apa yang dapat menjelaskan mengapa kedua entitas memiliki atribut yang sama?”
Pertanyaan yang lebih baik menghasilkan pemeriksaan yang lebih baik.
Dan pemeriksaan yang lebih baik menghasilkan keputusan yang lebih dapat dipertanggungjawabkan.
Kesimpulan
Data analytics dapat menemukan sesuatu yang tidak biasa dengan sangat cepat.
Namun menemukan anomali hanyalah awal.
Langkah berikutnya adalah mengumpulkan evidence, memahami konteks, melakukan verifikasi, dan baru kemudian membuat kesimpulan.
Karena itu proses yang sehat bukan:
Data → Anomali → Tuduhan
Melainkan:
Data → Anomali → Evidence → Verifikasi → Kesimpulan
Pendekatan seperti ini membuat analytics lebih dari sekadar dashboard atau kumpulan grafik.
Analytics menjadi alat untuk membantu manusia melihat lebih cepat, bertanya lebih tepat, dan mengambil keputusan berdasarkan evidence.
0 Komentar