Sebuah transaksi senilai Rp250 juta mungkin terlihat biasa.
Sebuah vendor yang menerima lima pekerjaan mungkin juga terlihat biasa.
Sebuah nomor rekening dalam database hanyalah sebuah atribut.
Sebuah tanggal pembayaran hanyalah penanda waktu.
Jika semuanya dilihat secara terpisah, mungkin tidak ada sesuatu yang menarik.
Tetapi bagaimana jika lima transaksi tersebut terjadi dalam periode yang sangat berdekatan?
Bagaimana jika beberapa vendor yang berbeda ternyata memiliki atribut kontak yang sama?
Bagaimana jika transaksi dari beberapa unit selalu muncul dengan pola waktu tertentu?
Atau bagaimana jika data transaksi, kontrak, pembayaran, dan master vendor yang sebelumnya terpisah mulai dihubungkan?
Tiba-tiba informasi yang terlihat biasa dapat menghasilkan perspektif yang sama sekali berbeda.
Inilah salah satu kekuatan penting data analytics:
Nilai sebuah data tidak hanya berada pada isi setiap record, tetapi juga pada hubungan antara satu informasi dengan informasi lainnya.
Manusia Secara Alami Mencari Hubungan
Ketika membaca sebuah laporan, manusia jarang memahami informasi secara terpisah.
Kita secara otomatis menghubungkannya.
Misalnya seseorang mengatakan:
“Vendor A mendapatkan kontrak Rp2 miliar.”
Informasi tersebut belum banyak memberikan konteks.
Kemudian ditambahkan:
“Vendor A mendapatkan kontrak serupa tiga kali dalam enam bulan.”
Sekarang mulai muncul pola.
Kemudian:
“Seluruh kontrak berasal dari unit yang sama.”
Perspektif kembali berubah.
Lalu:
“Nilainya selalu berada pada rentang yang hampir sama.”
Sekarang muncul pertanyaan baru.
Tidak ada satu fakta yang otomatis membuktikan adanya masalah.
Tetapi hubungan antar-fakta menghasilkan alasan untuk memahami kondisi tersebut lebih jauh.
Analytics bekerja dengan prinsip yang serupa, tetapi dalam skala jauh lebih besar.
Dari Record Menuju Pattern
Spreadsheet membuat kita terbiasa melihat data dalam bentuk baris.
Setiap baris dianggap sebagai satu record.
Misalnya:
Transaksi T001 — Vendor A — Rp250 juta — 2 Januari
Transaksi T002 — Vendor B — Rp175 juta — 5 Januari
Transaksi T003 — Vendor A — Rp248 juta — 8 Januari
Jika hanya membaca satu baris, kita melihat sebuah transaksi.
Tetapi ketika beberapa baris dibandingkan, kita mulai melihat frekuensi, kemiripan, urutan waktu, konsentrasi, perubahan, dan hubungan.
Inilah perpindahan penting dalam analytics:
Record → Relationship → Pattern → Insight
Semakin besar dataset, semakin sulit manusia menemukan hubungan tersebut secara manual.
Di sinilah mesin menjadi sangat berguna.
Kesamaan Bukan Hanya Tentang Nilai
Ketika mencari hubungan, orang sering hanya membandingkan angka.
Padahal hubungan dapat muncul dari banyak atribut.
Misalnya nomor telepon, alamat, email, nomor rekening, lokasi, tanggal, kategori, identifier, perangkat, IP address, atau kombinasi beberapa atribut.
Bayangkan terdapat 5.000 vendor.
Secara nama semuanya berbeda.
Tetapi setelah dilakukan relationship analysis, ditemukan beberapa vendor menggunakan nomor telepon yang sama.
Apa artinya?
Belum tentu ada masalah.
Bisa saja terdapat penjelasan yang sah.
Tetapi sekarang kita memiliki pertanyaan yang sebelumnya tidak terlihat jika hanya membaca nama vendor.
Analytics membuka pintu pemeriksaan, bukan memberikan vonis.
Beberapa Evidence Kecil Dapat Membentuk Pola
Satu atribut yang sama mungkin tidak berarti banyak.
Dua perusahaan memiliki alamat yang sama?
Mungkin berada di gedung perkantoran yang sama.
Nomor telepon sama?
Mungkin menggunakan kontak administrasi bersama.
Tetapi bagaimana jika alamat sama, nomor telepon sama, terdapat hubungan pada informasi pembayaran, dan pola transaksinya juga sangat mirip?
Sekarang terdapat beberapa indikator yang muncul bersamaan.
Secara individual, setiap indikator mungkin lemah.
Ketika dikombinasikan, hubungan tersebut menjadi lebih layak diperiksa.
Analytics tidak selalu mencari satu bukti besar.
Terkadang ia menemukan beberapa evidence kecil yang saling memperkuat alasan untuk melihat lebih dalam.
Waktu Juga Merupakan Hubungan
Hubungan tidak selalu terjadi antarentitas.
Waktu juga dapat menghubungkan data.
Misalnya sebuah sistem mencatat:
Transaksi A — 09:01
Transaksi B — 09:03
Transaksi C — 09:04
Transaksi D — 09:07
Jika masing-masing dilihat sendiri, mungkin tidak ada sesuatu yang istimewa.
Tetapi ketika diurutkan berdasarkan waktu, terlihat aktivitas yang terkonsentrasi dalam enam menit.
Apakah itu normal?
Jawabannya bergantung pada proses bisnis.
Namun pola tersebut dapat menjadi alasan untuk bertanya lebih lanjut.
Dalam cybersecurity, prinsip yang sama juga berlaku.
Satu login mungkin normal.
Tetapi beberapa aktivitas login dengan kombinasi waktu, lokasi, dan pola akses tertentu dapat memberikan informasi yang berbeda.
Data memperoleh makna baru ketika hubungan waktunya ikut diperhatikan.
Beberapa Dataset Dapat Membentuk Gambaran yang Lebih Lengkap
Analisis menjadi semakin menarik ketika informasi berasal dari beberapa sumber.
Bayangkan organisasi memiliki empat dataset.
Dataset pertama berisi transaksi.
Dataset kedua berisi master vendor.
Dataset ketiga berisi kontrak.
Dataset keempat berisi pembayaran.
Jika dianalisis secara terpisah, masing-masing menghasilkan informasi.
Tetapi jika dihubungkan melalui identifier yang tepat, kita dapat mengikuti sebuah alur:
Vendor → Contract → Transaction → Payment
Sekarang analytics tidak lagi hanya membaca tabel.
Ia mulai membangun hubungan antar-evidence.
Pertanyaan yang sebelumnya tidak dapat dijawab oleh satu dataset mulai dapat dieksplorasi.
Join Sederhana Bisa Menghasilkan Insight Besar
Dalam pengolahan data, menghubungkan tabel sering disebut join.
Konsepnya sederhana.
Jika dua dataset memiliki identifier yang sama, informasi dari keduanya dapat dihubungkan.
Misalnya dataset transaksi memiliki:
vendor_id = V001
Sedangkan dataset vendor juga memiliki:
vendor_id = V001
Sekarang transaksi dapat dikaitkan dengan informasi vendor.
Secara teknis, proses tersebut mungkin sederhana.
Tetapi nilai analitisnya bisa sangat besar.
Karena banyak pertanyaan dunia nyata tidak dapat dijawab hanya dari satu tabel.
Pertanyaan seperti:
“Vendor mana yang menerima pembayaran terbesar?”
membutuhkan hubungan antara informasi vendor dan pembayaran.
Sementara pertanyaan:
“Apakah pembayaran sesuai dengan kontrak dan periodenya?”
membutuhkan hubungan antara data kontrak dan pembayaran.
Teknik sederhana dapat menghasilkan insight bernilai tinggi ketika digunakan untuk menjawab pertanyaan yang tepat.
Menghubungkan Data Juga Memiliki Risiko
Relationship analysis bukan sekadar mencocokkan sesuatu yang terlihat sama.
Ada risiko false match.
Dua orang memiliki nama yang sama.
Apakah mereka orang yang sama?
Belum tentu.
Dua perusahaan memiliki alamat yang sama.
Apakah mereka memiliki hubungan kepemilikan?
Belum tentu.
Dua transaksi memiliki nilai dan tanggal yang sama.
Apakah transaksi tersebut duplikat?
Belum tentu.
Karena itu relationship analysis membutuhkan tingkat keyakinan.
Sistem dapat membedakan antara:
Exact Match — identifier benar-benar sama.
Strong Match — beberapa atribut penting memiliki kesamaan.
Possible Match — terdapat kemiripan, tetapi evidence belum cukup.
Pendekatan seperti ini lebih bertanggung jawab daripada memaksa setiap kemiripan menjadi hubungan pasti.
Ketika Data Tidak Lagi Cukup Dilihat sebagai Tabel
Jika hubungan semakin kompleks, tabel mulai sulit digunakan untuk memahami keseluruhan gambar.
Bayangkan terdapat 500 vendor, 40 unit, 2.000 kontrak, 10.000 transaksi, dan ribuan atribut hubungan.
Informasi tersebut dapat mulai dipandang sebagai sebuah jaringan.
Vendor terhubung dengan kontrak.
Kontrak terhubung dengan unit.
Vendor dapat terhubung dengan alamat.
Alamat mungkin terhubung dengan vendor lain.
Rekening terhubung dengan pembayaran.
Dalam network analysis, kita mulai mengenal:
node sebagai entitas,
dan
edge sebagai hubungan.
Pendekatan seperti ini dapat membantu menemukan cluster, entitas yang memiliki banyak hubungan, atau struktur yang sulit terlihat dalam spreadsheet.
Namun visualisasi jaringan tetap bukan kesimpulan.
Ia adalah alat untuk membantu manusia melihat struktur hubungan.
Hubungan Tidak Sama dengan Sebab-Akibat
Ini adalah batas yang sangat penting.
Misalnya analytics menemukan bahwa dua variabel sering berubah bersama.
Terdapat korelasi.
Tetapi itu tidak otomatis berarti:
A menyebabkan B.
Mungkin B memengaruhi A.
Mungkin keduanya dipengaruhi faktor lain.
Atau hubungan tersebut hanya kebetulan.
Karena itu bahasa analytics harus disiplin.
Lebih tepat mengatakan:
“Terdapat hubungan yang konsisten antara A dan B.”
daripada langsung mengatakan:
“A menyebabkan B.”
Kesimpulan sebab-akibat membutuhkan evidence dan metode analisis yang lebih kuat.
Relationship Analytics Membantu Mempersempit Pemeriksaan
Bayangkan terdapat 100.000 transaksi.
Tidak realistis jika semuanya diperiksa secara manual dengan kedalaman yang sama.
Analytics dapat membantu membuat peta hubungan.
Misalnya ditemukan sejumlah entitas yang memiliki atribut bersama, kelompok transaksi dengan pola waktu serupa, atau beberapa cluster dengan indikator yang muncul bersamaan.
Sekarang manusia memiliki titik awal.
Bukan:
“Periksa 100.000 transaksi.”
Tetapi:
“Mulailah dari beberapa kelompok ini dan lihat evidence-nya.”
Analytics mengubah lautan data menjadi prioritas pemeriksaan.
Evidence Harus Tetap Bisa Dibuka
Jika sistem mengatakan:
“Vendor A dan Vendor B memiliki kemungkinan hubungan.”
Pengguna harus dapat bertanya:
“Hubungannya berdasarkan apa?”
Sistem kemudian menunjukkan evidence yang mendasarinya.
Misalnya alamat, nomor kontak, informasi pembayaran, atau atribut lainnya.
Prinsipnya sederhana:
Setiap relationship finding harus memiliki relationship evidence.
Tanpa evidence, hubungan hanya menjadi klaim algoritma.
Dengan evidence, manusia dapat melakukan verifikasi.
AI Dapat Membantu Menjelaskan Hubungan yang Kompleks
Ketika jumlah hubungan sangat banyak, AI dapat membantu menerjemahkan hasil analytics menjadi bahasa yang lebih mudah dipahami.
Daripada pengguna membaca graph dengan ratusan node, sistem dapat menjelaskan:
“Terdapat kelompok lima entitas yang memiliki beberapa atribut saling beririsan dan aktivitasnya terkonsentrasi pada periode tertentu.”
Kemudian pengguna dapat membuka evidence yang mendukung penjelasan tersebut.
AI berfungsi sebagai relationship explainer.
Bukan sebagai hakim yang menentukan apakah hubungan tersebut benar, salah, atau bermasalah.
Perbedaannya sangat penting.
Dari Data Analytics Menuju Problem Solving
Relationship analytics menunjukkan mengapa data analytics dan problem solving sebenarnya sangat dekat.
Masalah dunia nyata jarang memiliki satu faktor tunggal.
Sering kali terdapat jaringan antara orang, proses, waktu, keputusan, sistem, dan kondisi lingkungan.
Jika kita hanya melihat satu indikator, kita mungkin hanya melihat gejalanya.
Dengan melihat hubungan, kita mulai memahami struktur masalah.
Dan ketika struktur masalah mulai terlihat, solusi dapat diarahkan dengan lebih tepat.
Understand → Evidence → Analyze → Solve → Improve
Relationship analytics tetap mengikuti pola berpikir yang sama.
Understand — pahami entitas dan proses yang sedang dianalisis.
Evidence — tentukan identifier serta atribut hubungan yang dapat dipercaya.
Analyze — cari kesamaan, hubungan, cluster, urutan waktu, dan pola lintas dataset.
Solve — gunakan hubungan tersebut untuk mempersempit pemeriksaan atau menentukan tindakan.
Improve — evaluasi hubungan mana yang benar-benar relevan dan perbaiki metode analisis.
Semakin sering proses digunakan, semakin baik pula pemahaman mengenai hubungan yang bernilai dan hubungan yang hanya menghasilkan noise.
Kesimpulan
Satu baris data dapat memberikan fakta.
Tetapi hubungan antar-data dapat memberikan cerita yang lebih lengkap.
Satu transaksi mungkin terlihat biasa.
Beberapa transaksi dapat membentuk pola.
Satu vendor mungkin tidak menarik perhatian.
Tetapi hubungan vendor dengan kontrak, pembayaran, unit, waktu, dan atribut lainnya dapat menghasilkan perspektif baru.
Karena itulah kemampuan analytics tidak seharusnya berhenti pada menghitung baris.
Ia perlu berkembang menuju:
menghubungkan evidence.
Namun hubungan tetap harus diperlakukan secara hati-hati.
Kesamaan bukan bukti otomatis.
Korelasi bukan sebab-akibat.
Cluster bukan vonis.
Semua merupakan petunjuk yang perlu dipahami dalam konteksnya.
Pada akhirnya, pertanyaan analytics yang semakin matang bukan hanya:
“Apa yang terdapat dalam data ini?”
Tetapi:
“Apa yang baru bisa kita lihat ketika data-data ini mulai dihubungkan?”
Di situlah kumpulan record mulai berubah menjadi pemahaman.
Dan pemahaman yang lebih utuh membantu manusia mengambil keputusan berdasarkan evidence yang lebih baik.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar