Dalam banyak pekerjaan, masalah tidak selalu muncul dalam bentuk kesalahan yang terlihat jelas. Sering kali semuanya terlihat normal di permukaan: transaksi tercatat, laporan tersedia, proses berjalan, dan angka-angka tersusun rapi.
Namun ketika data mulai dilihat secara keseluruhan, terkadang muncul sesuatu yang terasa tidak biasa.
Mengapa transaksi tertentu memiliki nilai yang hampir sama berulang kali? Mengapa satu pihak muncul jauh lebih sering dibanding yang lain? Mengapa beberapa entitas yang berbeda memiliki atribut yang sama? Mengapa aktivitas tertentu terkonsentrasi pada waktu yang sangat berdekatan?
Pertanyaan seperti itu dapat menimbulkan kecurigaan.
Tetapi ada prinsip penting yang harus dijaga:
Kecurigaan bukanlah temuan. Anomali juga bukan bukti kesalahan.
Di sinilah data analytics menjadi berguna. Bukan sebagai mesin yang menentukan siapa benar atau salah, tetapi sebagai alat untuk membantu manusia melihat pola, mempersempit area pemeriksaan, dan menemukan pertanyaan yang sebelumnya sulit terlihat.
Pendekatan ini sejalan dengan pola berpikir:
Understand → Evidence → Analyze → Solve → Improve.
Tujuannya sederhana: mengubah sesuatu yang awalnya hanya terasa tidak biasa menjadi informasi yang dapat diperiksa secara sistematis.
Kecurigaan Adalah Titik Awal, Bukan Kesimpulan
Bayangkan terdapat ribuan transaksi dalam sebuah dataset.
Melihatnya satu per satu mungkin tidak menghasilkan sesuatu yang menarik. Tetapi ketika seluruh transaksi dibandingkan, dikelompokkan, dan dianalisis, pola tertentu dapat mulai muncul.
Misalnya terdapat beberapa transaksi dengan:
- tanggal yang sama;
- nilai yang sangat mirip;
- pihak yang sama;
- kategori yang sama;
- atau karakteristik lain yang berulang.
Apakah itu berarti terjadi pelanggaran?
Belum tentu.
Bisa saja terdapat alasan operasional yang sepenuhnya sah.
Masalah muncul ketika analisis berhenti pada kecurigaan kemudian langsung berubah menjadi tuduhan.
Data analytics seharusnya melakukan hal yang berbeda.
Ia membantu mengubah:
“Ini kelihatannya aneh.”
menjadi:
“Ada pola yang berbeda dari kondisi umum. Mari kita periksa evidence-nya.”
Perbedaan sederhana tersebut sangat penting dalam pengambilan keputusan berbasis data.
1. Understand — Pahami Masalah Sebelum Menganalisis Data
Kesalahan yang cukup umum dalam analisis data adalah langsung mencari anomali tanpa memahami konteks.
Padahal angka tidak pernah berdiri sendiri.
Sebelum menganalisis dataset, kita perlu memahami bagaimana data tersebut terbentuk.
Jika data yang dianalisis adalah transaksi, misalnya, beberapa pertanyaan awal dapat diajukan:
Apa proses normal sebuah transaksi?
Siapa pihak yang terlibat?
Apa arti setiap kolom?
Bagaimana nilai transaksi ditentukan?
Apakah transaksi dengan nilai yang sama merupakan hal normal?
Apakah satu pihak memang secara wajar memiliki volume transaksi lebih besar?
Apakah terdapat periode tertentu ketika aktivitas meningkat?
Tanpa memahami konteks, sesuatu yang sebenarnya normal dapat terlihat mencurigakan.
Karena itu, data analytics sebaiknya tidak dimulai dari algoritma.
Ia dimulai dari memahami masalah.
2. Evidence — Biarkan Data Menjadi Dasar Pemeriksaan
Setelah memahami konteks, langkah berikutnya adalah mengumpulkan evidence yang tersedia.
Evidence dapat berasal dari berbagai atribut.
Dalam data transaksi, misalnya:
Tanggal transaksi dapat membantu melihat konsentrasi aktivitas.
Nilai transaksi dapat digunakan untuk menemukan nilai ekstrem atau pola berulang.
Identitas pihak membantu melihat konsentrasi transaksi.
Kategori barang atau layanan membantu membandingkan transaksi yang sejenis.
Nomor rekening, nomor telepon, alamat, atau atribut identitas lainnya—jika tersedia secara sah dan relevan—dapat membantu menemukan hubungan antarpihak.
Namun pada tahap ini kita masih belum membuat kesimpulan.
Evidence digunakan untuk menjawab:
Apa yang sebenarnya terjadi di dalam data?
Bukan:
Siapa yang salah?
Perbedaan tersebut membuat proses analisis tetap objektif.
3. Analyze — Mencari Pola yang Tidak Biasa
Setelah konteks dan evidence tersedia, data analytics mulai memberikan nilai yang lebih besar.
Ribuan atau bahkan jutaan baris data dapat diperiksa untuk mencari pola tertentu secara otomatis.
Beberapa pola yang menarik untuk dianalisis antara lain:
Transaksi yang Sangat Mirip
Bayangkan dua atau lebih transaksi mempunyai kombinasi:
tanggal sama + pihak sama + nilai sama.
Satu kejadian mungkin biasa.
Tetapi jika pola yang sama muncul berulang kali, sistem dapat menandainya untuk diperiksa.
Sekali lagi, sistem tidak mengatakan transaksi tersebut salah.
Sistem hanya mengatakan:
“Ada kemiripan yang cukup kuat di sini.”
Nilai yang Tidak Biasa
Data analytics juga dapat membandingkan sebuah transaksi dengan kelompok transaksi sejenis.
Misalnya mayoritas transaksi berada pada kisaran tertentu, sementara beberapa transaksi memiliki nilai jauh di atas distribusi normal.
Transaksi tersebut dapat ditandai sebagai outlier.
Outlier bukan berarti pelanggaran.
Tetapi outlier memberikan pertanyaan:
Mengapa transaksi ini berbeda?
Dan terkadang pertanyaan yang tepat jauh lebih berharga daripada kesimpulan yang terlalu cepat.
Konsentrasi pada Pihak Tertentu
Analisis agregasi dapat menunjukkan seberapa besar aktivitas terkonsentrasi pada pihak tertentu.
Misalnya:
- jumlah transaksi per pihak;
- total nilai transaksi;
- frekuensi transaksi;
- kategori yang paling sering muncul;
- distribusi transaksi berdasarkan periode.
Dari sini kita dapat melihat apakah terdapat pihak yang sangat dominan dibanding kelompok lainnya.
Dominasi tersebut mungkin memiliki alasan yang sah.
Namun ketika perbedaannya sangat besar, hal tersebut dapat menjadi prioritas pemeriksaan.
Identitas atau Atribut yang Sama
Pola lain yang menarik adalah ketika beberapa entitas berbeda memiliki atribut yang sama.
Contohnya dapat berupa:
nomor rekening yang sama, nomor telepon yang sama, alamat yang sama, atau atribut penghubung lainnya.
Kemiripan tersebut tidak otomatis menunjukkan bahwa entitas tersebut sebenarnya sama.
Tetapi sistem dapat mengatakan:
“Beberapa entitas memiliki hubungan atribut yang perlu diperhatikan.”
Kemudian manusia dapat menentukan apakah hubungan tersebut relevan.
Pola Waktu yang Tidak Biasa
Waktu juga dapat memberikan insight.
Analisis dapat menemukan:
- lonjakan transaksi pada tanggal tertentu;
- aktivitas berulang pada periode yang sangat berdekatan;
- konsentrasi transaksi menjelang akhir periode;
- atau perubahan pola dibanding periode sebelumnya.
Kadang informasi penting tidak tersembunyi pada nilai transaksi, tetapi pada kapan sesuatu terjadi.
4. Solve — Mengubah Anomali Menjadi Prioritas Pemeriksaan
Jika sebuah dataset memiliki 100.000 transaksi, memeriksa semuanya secara manual bukan pendekatan yang efisien.
Data analytics dapat membantu mempersempit ruang pencarian.
Bayangkan sistem melakukan screening dan menemukan:
- beberapa kelompok transaksi sangat mirip;
- sejumlah transaksi bernilai ekstrem;
- beberapa entitas memiliki atribut identitas yang sama;
- beberapa pihak memiliki konsentrasi transaksi yang tidak biasa.
Dari 100.000 transaksi, mungkin hanya sebagian kecil yang masuk daftar prioritas.
Inilah salah satu nilai terbesar analytics.
Bukan menggantikan manusia.
Tetapi membantu manusia menentukan:
“Bagian mana yang sebaiknya saya lihat terlebih dahulu?”
Dengan demikian, waktu manusia digunakan untuk pekerjaan yang membutuhkan judgment, pemahaman konteks, verifikasi, dan pengambilan keputusan.
Mesin membantu melakukan screening.
Manusia melakukan pemeriksaan.
Data Analytics Bukan Mesin Penuduh
Ini merupakan batas yang sangat penting.
Ketika sebuah sistem menemukan anomali, output yang baik bukan:
“Transaksi ini fraud.”
Tetapi:
“Transaksi ini memiliki karakteristik yang berbeda dari pola umum dan layak diperiksa lebih lanjut.”
Mengapa?
Karena data sering kali tidak memiliki seluruh konteks.
Sebuah transaksi bernilai tinggi mungkin terjadi karena kebutuhan khusus.
Dua perusahaan dengan alamat yang sama mungkin memiliki penjelasan yang sah.
Beberapa transaksi pada tanggal yang sama mungkin berasal dari proses administrasi yang memang dilakukan secara batch.
Analytics melihat pola.
Manusia memahami konteks.
Karena itu, keputusan akhir tetap membutuhkan evidence tambahan dan professional judgment.
5. Improve — Sistem Belajar dari Hasil Pemeriksaan
Proses tidak berhenti ketika anomali ditemukan.
Hasil pemeriksaan manusia justru dapat digunakan untuk memperbaiki sistem berikutnya.
Misalnya sebuah pola awalnya dianggap menarik tetapi setelah diperiksa ternyata merupakan aktivitas normal.
Informasi tersebut tetap berharga.
Aturan screening dapat diperbaiki sehingga sistem tidak terus memberikan terlalu banyak false positive.
Sebaliknya, jika sebuah pola terbukti sangat relevan, pola tersebut dapat dimasukkan menjadi indikator screening berikutnya.
Terbentuklah siklus:
Data → Screening → Anomali → Pemeriksaan → Feedback → Perbaikan.
Semakin baik feedback yang masuk, semakin berguna sistem dalam membantu manusia menentukan prioritas.
Dari Ribuan Baris Menjadi Beberapa Pertanyaan Penting
Salah satu tantangan terbesar dalam bekerja dengan data bukan kekurangan informasi.
Justru sebaliknya.
Kita sering memiliki terlalu banyak informasi.
Ribuan transaksi.
Ratusan pihak.
Puluhan kategori.
Banyak tanggal dan atribut.
Manusia kemudian harus mencari sesuatu yang penting di tengah seluruh informasi tersebut.
Data analytics membantu mengubah persoalan tersebut.
Dari:
100.000 baris yang harus dilihat
menjadi:
beberapa pola yang perlu diperiksa.
Dari:
“Saya tidak tahu harus mulai dari mana.”
menjadi:
“Mulai dari lima area ini.”
Inilah bentuk sederhana dari decision support.
Teknologi tidak mengambil keputusan.
Teknologi membantu manusia membuat keputusan dengan informasi yang lebih terarah.
Teknologi yang Baik Membantu Kita Mengajukan Pertanyaan yang Lebih Baik
Sering kali kita membayangkan kecerdasan sebuah sistem berdasarkan seberapa banyak jawaban yang dapat diberikannya.
Dalam data analytics, ukuran keberhasilan tidak selalu seperti itu.
Sistem yang baik terkadang justru menghasilkan pertanyaan yang lebih baik.
Mengapa nilai ini jauh berbeda?
Mengapa pihak ini sangat dominan?
Mengapa beberapa identitas memiliki atribut yang sama?
Mengapa aktivitas meningkat pada periode tersebut?
Mengapa transaksi tertentu memiliki karakteristik hampir identik?
Pertanyaan-pertanyaan tersebut kemudian membawa manusia kembali kepada evidence.
Dan dari evidence itulah keputusan yang lebih baik dapat dibuat.
Penutup: Evidence Sebelum Kesimpulan
Data analytics memiliki kemampuan luar biasa untuk menemukan pola yang sulit terlihat melalui pemeriksaan manual.
Tetapi kemampuan tersebut harus digunakan dengan cara yang tepat.
Kita tidak mulai dari tuduhan.
Kita mulai dari pertanyaan.
Kita tidak menggunakan anomali sebagai vonis.
Kita menggunakannya sebagai sinyal.
Dan kita tidak membiarkan teknologi menggantikan judgment manusia.
Kita menggunakannya untuk memperkuat proses berpikir manusia.
Pendekatannya tetap:
Understand → Evidence → Analyze → Solve → Improve.
Pahami persoalannya.
Cari evidence.
Analisis pola.
Gunakan hasilnya untuk menentukan tindakan.
Kemudian perbaiki proses berdasarkan apa yang dipelajari.
Pada akhirnya, nilai terbesar data analytics bukan sekadar kemampuannya mengolah banyak data.
Nilainya adalah kemampuannya membantu kita melihat sesuatu yang sebelumnya tidak terlihat dan mengetahui apa yang perlu diperiksa berikutnya.
Data analytics bukan mesin penuduh. Data analytics adalah alat untuk membantu manusia menemukan pertanyaan yang lebih tepat, lebih cepat.
0 Komentar