Pengambilan Keputusan dengan Data>
                     </div>
                     <div class=

Pengambilan Keputusan dengan Data

Di era Big Data ini, setiap titik aktivitas merupakan kesempatan untuk menambang dan ekstraksi data. Dan ini dapat dengan sangat mudah dilakukan, mengingat aktivitas apapun sudah melibatkan digitalisasi berbasis Internet.

Banyak tools telah tersedia untuk mengumpulkan, membersihkan, dan menganalisa data, bahkan untuk fungsi-fungsi yang sangat spesifik. Menganalisa data pun relatif convenient sekarang, yaitu dengan menggunakan aplikasi analitiks, termasuk yang tidak memerlukan jasa data scientist atau data analyst.

Lantas, bisalah dipahami mengapa seakan-akan data adalah satu-satunya hal yang perlu diperhatikan dalam pengambilan suatu keputusan. Padahal, data hanyalah salah satu elemen dalam pengambilan keputusan.

Jadi, bagaimana sebaiknya menyikapi pengambilan keputusan dengan data?

Satu, daripada mencari fungsi untuk suatu data, carilah data untuk suatu fungsi.

Data pengguna sangatlah mudah ditambang, misalnya dari formulir registrasi yang mendetil, yang mencakup lebih dari sekedar alamat, jenis kelamin, interes, penggunaan aplikasi, dsbnya. Fakta ini membuat data-data dasar seperti ini seperti “murahan karena mudah diperoleh.”

Sedangkan data analitiks perilaku pengguna aplikasi berdasarkan titik-titik penggunaannya merupakan data yang lebih berharga. Tentu saja, sepanjang data yang ditambang memberi nilai tambah bagi analisis function-based. Dan pastikan dulu bahwa datanya ada, bukan hanya dugaan. Keberadaannya itu harus bisa ditambang, diolah, dianalisa, dan disajikan.

Dua, data-driven semata sering kali menjawab pertanyaan-pertanyaan yang tidak semestinya.

Aktivitas data-driven semata tidak selalu menjawab pertanyaan yang dibutuhkan dalam mengambil keputusan. Tentu saja, karena data yang berharga dan punya nilai bagi pengambil keputusan hanyalah yang mempunyai fungsi tertentu. Dan untuk mendesain fungsi tersebut dibutuhkan kemampuan yang mendalam dalam menganalisa dan memilah-milah kebutuhan.

Bagilah suatu kebutuhan menjadi beberapa titik. Setiap titik diuraikan lagi menjadi beberapa kebutuhan dan titik pengumpulan data. Relevansi kata kuncinya.

Tiga, data-driven semata bisa menekankan keyakinan-keyakinan yang salah (pre-existing misconception).

Pre-existing misconception sering ditemui dalam setiap situasi, termasuk dalam proses penambangan data dan aktivitas-aktivitas yang data-driven. Untuk itu, dibutuhkan kejelian dalam mengenali dan membersihkan proses yang menambah unnecessary noise.

Membersihkan data sendiri dapat dilakukan dengan mengeliminasi duplikat, mengenali error, menghapus formatting yang tidak perlu, validasi data, dan menghapus data-data kadaluwarsa.
Namun, “proses membersihkan” sendiri tidak hanya diperlukan setelah data terkumpul, namun dari awalnya dibutuhkan kejernihan dengan meminimalisir miskonsepsi.

Empat, satu kali pengambilan data sering kali tidak cukup untuk mengambil suatu keputusan.

Prioritaskan penambangan data (data mining) dari yang terpenting hingga repetisi beberapa tahap. Jadi, perlu identifikasi dari awal apa dan bagaimana pengambilan dan pengolahan data yang dibutuhkan.

Repetisi bisa dilakukan untuk poin-poin tertentu maupun untuk keseluruhan mata rantai pengumpulan data.

Lima, reanalisa sebagai kebiasaan baru.

Menganalisa data ulang perlu dijadikan kebiasaan baru, karena sangat menentukan kualitas data dan validasinya. Reanalisa dapat dipermudah dengan output yang telah bersih dan dapat dengan mudah dipahami.

Penggunaan bahasa yang tidak teknikal tentu akan sangat membantu. Namun “gut feeling” atau intuisi yang berlebihan perlu dibatasi dengan kembali ke translasi yang berasal dari hasil-hasil kuantitatif.

Akhir kata, penggunaan data dalam pengambilan keputusan membutuhkan pengenalan metode-metode yang digunakan. Kita tidak bisa menggunakan data mentah belaka walaupun sudah dibersihkan.

Metode penggunaan datanya diharapkan akan menjawab pertanyaan-pertanyaan spesifik. Namun bersiaplah bahwa akan sering ditemui falasi pengolahan data yang lazim ditemui termasuk paradox, cherry picking, data dredging, bias, dan variabel-variabel yang terlewatkan.

Kuncinya adalah mengamati semua situasi, termasuk situasi kompleks dengan cermat. Kenali tanda-tanda keganjilan dan deviasi. Apabila memungkinkan, bersihkan setiap tahap dari awal.