Mengukur Big Data: Contoh KPI

Pelajari cara menyelaraskan inisiatif big data dengan strategi organisasi Anda, dan validasikan upaya Anda dengan Key Performance Indicators.

Topik utama artikel ini:

• Apa itu Big Data?
• Tantangan Big Data
• KPI dan Big Data
• Fokus Big Data
• Jadikan Big Data Terukur
• Otomatisasi dengan BSC Designer

Peta proses big data dengan indikator kinerja yang selaras. Sumber: Big Data Scorecard.

Akhir tahun adalah waktu yang baik untuk membicarakan tren yang sedang berkembang: mobil tanpa pengemudi, kecerdasan buatan, realitas virtual, dan Internet of Things. Apa dampak dari tren ini terhadap bisnis Anda? Bagaimana Anda dapat memperhitungkan dampak potensial dari ide-ide yang mengubah permainan ini? Semua tren yang disebutkan layak untuk dianalisis secara mendetail, tetapi ada satu yang tampaknya terhubung dengan semuanya. Saya berbicara tentang Big Data. AI akan membutuhkannya, mobil tanpa pengemudi didasarkan padanya, dan tentu saja, ini sudah digunakan oleh banyak bisnis.

Di BSC Designer kami banyak berbicara tentang KPI dan strategi. Dalam artikel ini saya menyarankan untuk mendiskusikan bagaimana strategi yang dijelaskan dengan baik dan KPI yang disesuaikan dapat membantu memfokuskan upaya big data. Berikut rencana kami untuk artikel ini:

• Big data. Apa itu? Apa tantangan utamanya?
• KPI untuk big data. 4 tingkat KPI dan mencapai keselarasan strategis.
• Rencana aksi. Implementasi big data yang terukur.

Apa itu Big Data?

Big data adalah tentang analisis kumpulan data besar yang tidak terstruktur.

Big data dapat dicirikan oleh 3 V:

• Volume. Kumpulan data seharusnya besar. Ada beberapa perkiraan bahwa setidaknya harus 10 GB atau 1 TB, tetapi mungkin kriteria yang lebih baik adalah dengan mengatakan bahwa big data adalah sesuatu yang perlu didistribusikan (dalam hal penyimpanan atau komputasi). Jika Anda harus beralih ke Hadoop atau kerangka kerja serupa, maka itu menjadi besar.
• Variety. Pikirkan tentang berbagai sumber data terstruktur dan tidak terstruktur. Data dapat ditambang dari teks, video, data penjualan, media sosial, prakiraan cuaca, atau apa pun yang masuk akal dalam konteks Anda.
• Velocity. Volume data yang tinggi adalah hasil dari cepatnya generasi data. Pikirkan tentang ribuan elemen pesawat yang terus-menerus dipantau¹, atau tentang aliran komentar yang konstan di media sosial, atau tentang data real-time yang disediakan oleh perangkat yang dapat dikenakan.

Seringkali (ambil contoh IBM² atau EY³), ada juga “V” keempat yang mewakili “Veracity:”

• Veracity. Ketika kita berbicara tentang data, kita selalu berhadapan dengan tingkat ketidakpastian tertentu. Bagaimana data tersebut diperoleh? Apakah kita menganalisis semua faktor? Apakah itu dimanipulasi? Dapatkah kita mempercayai angka-angka tersebut?

Bagaimana Data Digunakan?

Big data digunakan untuk berbagai analisis prediktif dan perilaku. Organisasi menerapkan big data untuk mengurangi biaya, memahami kebutuhan pelanggan dengan lebih baik, dan untuk mengurangi risiko. Pikirkan tentang bisnis yang menggunakan big data untuk memberikan pengalaman yang disesuaikan bagi pelanggan; pikirkan tentang pemeriksaan penipuan dari penyedia e-commerce.

Di awal artikel saya menyebutkan beberapa tren yang muncul – big data terlibat dalam semua tren tersebut. Untuk mempelajari lebih lanjut tentang penggunaan praktis big data, saya merekomendasikan untuk melanjutkan dengan “7 Perusahaan Hebat yang Benar-Benar Memahami Big Data⁴” oleh pakar yang diakui secara internasional Bernard Marr.

Tantangan Utama Big Data

Visi big data yang dijelaskan terdengar sangat ambisius. Lalu mengapa perusahaan lambat dalam mengadopsi tren baru ini? Apa saja tantangan utama dari big data?

Penambangan data bukan lagi tantangan utama

Belakangan di bulan Oktober, saya berbicara di sebuah konferensi yang diselenggarakan oleh SCIP ⁵ (Para Profesional Intelijen Strategis dan Kompetitif). Anggota organisasi ini menangani big data dalam bidang intelijen pasar. Tema utama konferensi ini bukan tentang menambang beberapa data CI/BI seperti yang mungkin diharapkan, melainkan tentang menyelaraskan upaya intelijen bisnis dengan strategi organisasi. Dengan kata lain, begitu sebuah perusahaan mengetahui pertanyaan yang ingin diajukan, sisanya relatif mudah (lihat survei di bawah ini untuk beberapa data).

Jika penambangan data bukan lagi masalah, apa tantangan utamanya?

Tantangan 1. Memfokuskan big data

Tantangan utama adalah memfokuskan big data pada hal yang penting, dan kemudian menyampaikannya ke tangan yang tepat. Dengan kata lain, harus ada seseorang dalam organisasi yang mulai mengajukan pertanyaan yang tepat.

Untuk menggambarkan ide ini, mari kita lihat cerita Target⁶ yang menjadi berita utama pada tahun 2012. Pengecer ini berhasil menggunakan data analitik pembeli untuk memprediksi bahwa beberapa klien mereka hamil. Mari kita lihat cerita ini (tanpa memperhitungkan bagian terkait privasi) dan lihat apa yang sebenarnya terjadi. Andrew Pole, seorang ahli statistik yang bekerja untuk Target, tidak hanya menyampaikan semua data yang mungkin, dia mendapatkan tugas yang sangat spesifik dari rekan-rekannya di bidang pemasaran – mengidentifikasi pembeli hamil pada trimester kedua mereka.

Ada fokus, dan ada nilai bisnis yang besar terkait dengan fokus ini, karena orang tua baru cenderung mengubah kebiasaan belanja mereka dan membeli segala sesuatunya di satu toko ritel. Ini bukan hanya tentang bermain-main dengan data, ini tentang menemukan data yang akan membantu menjawab pertanyaan yang sangat spesifik.

Tantangan 2. Keselarasan dengan strategi bisnis

Big data akan menjadi terobosan ketika memberikan nilai bisnis yang nyata. Dengan kata lain, harus jelas bagaimana inisiatif big data mendukung strategi perusahaan. NewVantage Partners dalam Survei Eksekutif Big Data mereka⁷ menanyakan responden tentang hambatan budaya terhadap adopsi bisnis Big Data. Sebanyak 42,6% responden memilih jawaban “Keselarasan organisasi yang tidak memadai.” Pilihan lain termasuk kurangnya adopsi, kurangnya strategi data yang koheren, dan kurangnya visi bersama.

Kembali ke kasus Target, mereka berhasil menangani dua komponen penting:

1. Big data berfokus pada pertanyaan spesifik: Seorang ilmuwan data diminta untuk mengidentifikasi pembeli hamil di trimester kedua mereka.
2. Keselarasan dengan strategi bisnis: Ada nilai bisnis yang jelas untuk data tersebut – keluarga di mana seorang anak lahir menjadi klien dari satu toko ritel untuk waktu yang lama.

Tantangan 3. Keamanan dan privasi data

Tantangan ini belum digunakan secara luas, tetapi saya pikir jelas bagi siapa pun bahwa pengumpulan data dan analisis harus etis dan legal. Peraturan Perlindungan Data Umum (GDPR) mulai berlaku pada 25 Mei 2018 di Eropa dan ada peraturan serupa di negara lain. Perusahaan perlu lebih serius dalam mengikuti kebijakan data saat memproses data pribadi.

Mari kita bahas KPI dalam konteks big data.

KPI dan Big Data

Apakah big data akan menggantikan KPI? Tidak juga. Big data akan memperkuat KPI dengan wawasan yang lebih akurat dan terkini.

Mari kita ambil NPS (Net Promoter Score) sebagai contoh:

• NPS sekarang. Bagaimana NPS (Net Promoter Score) dihitung di organisasi Anda hari ini? Mungkin Anda melakukan semacam survei pelanggan setiap triwulan. Dengan demikian, indikator ini tertinggal dalam hal waktu. Jika sesuatu terjadi pada bisnis Anda, NPS akan menunjukkannya beberapa bulan kemudian.
• NPS didukung oleh big data. Sekarang, bayangkan Anda menggunakan beberapa alat big data yang menganalisis emosi pelanggan secara real-time (lihat referensi Heedbook di bawah). Dalam kasus ini, NPS Anda akan menjadi KPI real-time. Pada dasarnya, Anda akan dapat melihat reaksi dari klien tertentu terhadap penawaran tertentu dan pendekatan penjualan tertentu.

Dalam beberapa kasus, Anda akan tertarik untuk menggali lebih dalam ke dalam data dan memahami situasi tertentu, dan dalam beberapa kasus Anda perlu melihat data agregat untuk minggu, bulan, atau tahun.

KPI untuk Big Data

Dalam kasus big data, kita berbicara tentang investasi yang signifikan dalam alat dan arsitektur baru, jadi masuk akal untuk memantau inisiatif tersebut dengan beberapa data konkret. Inisiatif big data juga harus dikualifikasi dan diukur. Kita dapat melakukannya pada beberapa tingkat yang berbeda.

Tingkat 1. Metrik 3-V

3V (Volume, Variety, Velocity) dari big data dapat dengan mudah diukur:

• Volume data adalah ukuran itu sendiri (GB, TB, dll.)
• Variety dapat diukur sebagai jumlah jenis sumber data yang berbeda
• Velocity didefinisikan oleh volume data yang dihasilkan/dianalisis per periode waktu

V keempat – Veracity mungkin lebih sulit untuk diukur. Anda perlu mendefinisikan apa yang tim Anda anggap sebagai data akurat dan itu tergantung pada konteksnya. Sebagai contoh, untuk mobil dengan mesin pembakaran, pengukuran kecepatan saat ini dengan tingkat kesalahan +-5 km/jam mungkin dianggap sebagai data akurat, sementara untuk mobil listrik, hal itu tidak dapat diterima. Definisikan 1-2 metrik yang memberikan gambaran tentang keakuratan data dalam kasus Anda.

Apakah metrik 3-V berguna? Itu tergantung pada konteks Anda. Mari kita ambil contoh mobil self-driving Google. Mobil tersebut menghasilkan 1GB data sensor per detik⁸. Angka tersebut tampak mengesankan! Kita dapat memperkirakan seberapa besar big data tersebut, tetapi angka-angka itu tidak akan membantu kita dengan 3 tantangan yang disebutkan sebelumnya.

Hierarki KPI untuk mengukur kinerja Big Data. Sumber: Kartu Skor Big Data.

Tingkat 2. Metrik Proses Big Data

Mari kita beralih ke tingkat abstraksi berikutnya dan melihat proses big data. Model yang disederhanakan adalah sebagai berikut:

• Kueri
• Koleksi
• Analisis
• Pelaporan

Metrik yang paling berguna dalam kasus ini terkait dengan waktu:

• Frekuensi pengumpulan data
• Waktu yang dibutuhkan agar data tersedia untuk analisis
• Waktu yang dibutuhkan agar data dilaporkan dalam bentuk KPI

Tolok ukur untuk waktu bergantung pada konteks bisnis Anda. Sebagai contoh:

• Mobil otonom perlu mengumpulkan dan menganalisis data secara real-time, dan perbedaan dalam milidetik sangat penting, tetapi
• Dalam kasus manajer NPS mungkin tertarik untuk meninjau data mingguan yang teragregasi

Dalam hal efisiensi proses, kita dapat melacak:

• Tingkat konversi kueri ke laporan, %. Dalam kasus ini kita harus terlebih dahulu mendefinisikan konsep kueri yang memenuhi syarat, dan kemudian melacak persentase kueri yang memenuhi syarat yang dapat dijawab oleh ilmuwan data kita
• Kemampuan menangkap data. Tingkat akurasi data yang kita tangkap (ide yang dibahas di atas dalam Veracity). Untuk beberapa perusahaan, kemampuan ini menentukan keunggulan kompetitif berkelanjutan mereka.

Metrik dari tingkat ini memberi kita gambaran yang lebih baik tentang seberapa efisien big data, tetapi kita masih belum memiliki petunjuk tentang dampak big data terhadap tujuan bisnis yang nyata.

Tingkat 3. KPI Tertinggal. KPI untuk memvalidasi keberhasilan big data.

Pertanyaan lainnya adalah bagaimana memvalidasi keberhasilan inisiatif big data di perusahaan. Di satu sisi ada investasi signifikan dalam infrastruktur, di sisi lain big data seharusnya memberikan imbal balik dalam bentuk wawasan bisnis. Bagaimana kita dapat mengukur nilai dolar dari wawasan tersebut?

Dalam hal ini, kita perlu melacak perbaikan yang dapat diatribusikan kepada penggunaan big data:

• Pelajaran apa yang kita pelajari dari big data? Penghematan biaya apa yang dicapai setelah penerapan ide-ide tersebut?
• Bagaimana tingkat retensi pelanggan berubah karena memberikan pengalaman yang disesuaikan? Bagaimana perubahan nilai seumur hidup pelanggan?
• Apakah big data membantu layanan pelanggan menjadi lebih efektif? Bagaimana perubahan tingkat penyelesaian panggilan pertama?
• Bagaimana proses perekrutan berubah setelah mulai menggunakan big data? Bagaimana perubahan metrik SDM waktu menuju kinerja?

Seperti yang dapat Anda lihat pada tingkat ini, kita menggunakan KPI klasik yang telah kita gunakan sebelumnya. Apa yang kita coba lakukan adalah mengaitkan perbaikan tertentu dengan penerapan big data.

Pendekatan ini mungkin terbiasa:

• Kita cenderung menghitung perubahan positif sebagai pencapaian kita dan
• Kita melihat perubahan negatif sebagai fluktuasi normal yang selalu terjadi.

Solusinya adalah mengincar target yang lebih besar dan lebih nyata.

Banyak organisasi melewatkan bagian pengukuran ini dan hanya membeli “beberapa big data.” Menurut laporan⁹ oleh Capgemini Consulting, 67% dari perusahaan yang diwawancarai tidak memiliki kriteria yang jelas untuk mengukur keberhasilan inisiatif big data mereka. Mengingat jumlah investasi, perusahaan seharusnya lebih sistematis dalam mendefinisikan tujuan dan kriteria keberhasilan penerapan big data.

Contoh peta proses big data dengan indikator kinerja yang selaras. Sumber: Big Data Scorecard.

Tingkat 4. KPI Terkemuka. Memastikan kesuksesan big data.

Sekarang kita tahu bagaimana mengukur bagian hasil dari inisiatif big data, tetapi bagaimana dengan bagian yang terkemuka? Apa yang harus kita lakukan untuk memastikan implementasi big data yang sukses?

Bagian yang sulit dari big data cukup nyata, kita dapat mengukurnya dengan metrik umum seperti:

• Dana yang diinvestasikan dalam inisiatif big data
• Waktu yang dihabiskan untuk inisiatif big data

Fokus Tujuan Bisnis Big Data

Berikut adalah skenario nyata: sebuah perusahaan menginvestasikan jutaan dolar dalam infrastruktur, alat, dan pengumpulan big data dengan klaster Hadoop, dan tidak ada yang terukur terjadi. Itu yang kita bicarakan dalam tantangan 1: Big data bukan AI, tidak bisa berbicara, dan tim Anda perlu belajar untuk mengajukan pertanyaan. Lalu, bagaimana kita bisa mengukur peran tim?

Berikut adalah beberapa ide untuk memulai:

• Efektivitas pelatihan big data. Pastikan anggota kunci tim Anda telah memperoleh beberapa pelatihan tentang big data. Mereka tidak perlu menjadi ilmuwan data, tetapi mereka perlu tahu pertanyaan apa yang bisa mereka ajukan dan bagaimana merumuskan pertanyaan-pertanyaan tersebut. Metrik dalam kasus ini akan terkait dengan efektivitas pelatihan¹⁰.
• % dari tujuan strategis dengan inisiatif big data. Kita bisa melacak jumlah kueri big data yang dirumuskan oleh setiap tim, tetapi pendekatan ini akan sangat formal dan kurang berguna. Pilihan yang lebih baik adalah melacak keselarasan antara tujuan dan kueri big data. Minta tim Anda untuk melihat tujuan strategis mereka dan kemudian diskusikan data apa yang mungkin mereka butuhkan untuk membuat keputusan yang lebih baik dalam konteks tujuan-tujuan tersebut.

Data Besar Membantu Merumuskan Tujuan Bisnis Baru

Proses mencocokkan konteks bisnis dan data besar bersifat dua arah. Terkadang kita memiliki tantangan spesifik dalam pikiran dan kemudian mencari alat data besar tertentu (seperti dalam kasus dengan Target), terkadang kita menemukan alat menarik dan kemudian mencoba mencocokkannya dengan tujuan kita. Berikut beberapa contohnya:

• Seseorang dalam tim Anda menemukan Heedbook¹¹, sebuah layanan yang menganalisis emosi pelanggan secara real-time. Layanan ini dibangun di atas Microsoft Azure dan tersedia di Cloud. Tim layanan pelanggan Anda mungkin memiliki ide untuk menggunakan layanan ini agar dapat menghitung NPS mereka dengan lebih baik.
• Personel IT Anda ditantang untuk menemukan perangkat lunak DLP (Pencegahan Kehilangan Data). Mereka menemukan SearchInform¹² yang tidak hanya dapat menganalisis komunikasi dan file yang dikirim, tetapi juga dapat menerapkan kebijakan keamanan tertentu. Strategi IT organisasi Anda dapat diperbarui dengan memperhitungkan kemungkinan alat DLP tersebut.

Dalam hal apa pun, adalah ide yang baik untuk mencocokkan tujuan bisnis tertentu dengan persyaratan untuk data besar.

Rencana Aksi. Jadikan Big Data Terukur.

Mari kita rumuskan beberapa poin penting dari artikel ini. Saya lebih suka melakukannya dalam bentuk rencana aksi.

1. Revisi big data. Bagaimana data dikumpulkan sekarang, kemampuan penangkapan data apa yang Anda miliki (gunakan metrik proses big data sebagai kerangka kerja).
2. Lakukan tugas Anda. Rumuskan strategi Anda pada peta strategi, dan turunkan ke unit bisnis. Tinjau KPI Anda saat ini.
3. Tingkatkan kemampuan. Rencanakan inisiatif untuk meningkatkan kemampuan tim dalam hal big data. Anggota kunci harus memahami pertanyaan apa yang dapat mereka ajukan, dan bagaimana merumuskan pertanyaan tersebut.
4. Fokuskan upaya big data. Tinjau peta strategi Anda, temukan peluang di mana big data dapat mendukung tujuan bisnis. Rumuskan kueri big data.
5. Implementasi. Analisis wawasan yang disampaikan oleh big data, refleksikan dalam bentuk KPI jika diperlukan.

Panduan Singkat untuk Pengguna Perangkat Lunak BSC Designer

Sebagai pengguna BSC Designer, Anda memiliki perangkat lunak yang kuat yang akan mengotomatisasi banyak aspek keselarasan strategi dan KPI yang dibahas dalam artikel ini:

• Keselarasan strategis dan fokus pada big data. Buat peta strategi untuk mempresentasikan tujuan bisnis Anda; selaraskan KPI dengan tujuan pada peta. Jika Anda belum memiliki peta strategi, gunakan wizard peta strategi untuk memulai.

• Memastikan bahwa tim memiliki kemampuan big data. Gunakan kartu skor pelatihan (Anda dapat memulai dengan contoh ini) untuk memastikan bahwa tim Anda memiliki kemampuan yang diperlukan untuk bekerja dengan big data.
• Menggerakkan KPI dengan big data. Lacak metrik kinerja untuk inisiatif big data; gunakan RESTFul API untuk memasukkan laporan big data real-time ke dalam indikator.

Jika Anda belum menjadi pengguna, Anda dapat memulai dengan rencana gratis dari BSC Designer, yang tersedia online.

Gunakan Template Big Data Scorecard

BSC Designer membantu organisasi mengimplementasikan strategi kompleks mereka:

1. Daftar untuk rencana gratis di platform.
2. Gunakan template Big Data Scorecard sebagai titik awal. Anda akan menemukannya di Baru > Kartu Skor Baru > Template Lainnya.
3. Ikuti Sistem Penerapan Strategi kami untuk menyelaraskan pemangku kepentingan dan ambisi strategis menjadi strategi yang komprehensif.

Mulailah hari ini dan lihat bagaimana BSC Designer dapat menyederhanakan penerapan strategi Anda!

Alexis Savkín

Alexis Savkín adalah arsitek strategi dan pendiri BSC Designer, sebuah platform eksekusi strategi dengan Kartu Skor Berimbang sebagai intinya. Ia adalah pencipta Strategy Execution Canvas, penulis dua buku dan lebih dari 100 artikel tentang strategi dan pengukuran kinerja, serta pembicara konferensi internasional. Terhubunglah dengan Alexis di LinkedIn.