Knowledge Repository

[repositoryku]

Komposisi Team Big Data

Siapa saja yang diperlukan untuk membuat satu usecase yang utuh ? Ada banyak, dan kadang2 perbedaan kapablitasnya rancu untuk mereka yang tidak terlibat intens.

Kalau product owner atau project manager jelas lah ya, fungsinya untuk memastikan value dari produk yang akan dibuat.

Kemudian scrum master -- kalau di agile development wajib, untuk memastikan proses berjalan sesuai agile.

Trus data engineer, tugasnya cleansing, memastikan kualitas data, mengolah data, merapikan data yang bolong2, menghilangkan data yg outlier, dll.

Kemudian data scientist, tugasnya membuat pemodelan, melakukan evaluasi dan iterasi terhadap model yang dihasilkan.

Trus team presentation, disini ada presentation layer tools  expert (tableau, BI, dll), back end programmer (yang memyiapkan API utk kebutuhan front end), dan front end programmer (php dll).

Trus yang tak kalah penting, ada UI Designer, yang membuat mock up yang simple, usefull, dan cantik, sehingga coding tampilan tidak perlu dibongkar beberapa kali.

Apa bedanya UI Designer dengan Graphis Designer ? Kalau graphis designer lebih ke mendesain sesuatu seperti flyer, ppt, dll. Kalau UI Designer, termasuk fungsi2 tombol, tomboll apa sebaiknya ada dimana, keseragaman huruf dan warna, back ada dimana, login spt apa, dll.

Ada satu lagi, UX Designer. Nah kalau yg ini, tugasnya melakukan validasi ke customer, membuat user persona (profil user kita), membuat dan mengkategorikan masukan2 user utk produk kita, dll. Seperti melakukan survey ke customer kurang lebih.

[repositoryku]

Data Scientist

Data Scientist didengung2 kan sebagai profesi yang sedang sangat dicari, dengan gaji yang juga tinggi. Tapi bagaimana profil data scientist yang capable ?

Seringnya data scientist itu dikaitkan dengan kemampuan statistik. Bagaimana mentransformasi data, clustering, membuat pemodelan yang sesuai, mengukur validitas model, dll.

Tapi nggak cukup dengan itu. Yang nempel langsung dan masih berbau teknis, adalah kemampuan data engineering. Kemampuan mengolah data. Karena nggak mungkin membuat pemodelan sementara nggak bisa mengolah data sama sekali. Bagaimana untuk data yang belum bersih ? Bagaimana menjaga validitas datanya ? Dan kemampuan mengolah data ini menjadi prerequisite, karena model dan statistik apapun yang dibuat hasilnya tidak akan memberikan value yang oke kalau di data engineering-nya masih belepotan.

Kedua, seorang data scientist yang oke juga harus mampu menerjemahkan dan mentransformasikan data menjadi value. Ingat piramida : data - information - knowledge - wisdom-nya Ackoff khan ? Data itu pada saat masih raw (red, RGB xxx), informasi sudah memiliki arti (lampu lalu lintas di persimpangan berubah merah). knowledge berarti sudah dikaitkan dengan context (lampu merah di jalan saya berkendara berubah merah). dan wisdom itu sudah diaplikasikan (sebaiknya saya menghentikan mobil).

Atau kalau di big data, dikenal dengan descriptive analytics (menggambarkan data historis), diagnostik analytics (menginfomasikan penyebabnya), descriptive analytics (memprediksi apa yang akan terjadi), dan prescriptive analytics (merekomendasikan apa yang perlu dilakukan).

Secara teknis, kapabilitas yang perlu dimiliki handling presentation layer tools, seperti tableau, power BI, dll. Namun kapabilitas ini belum cukup, untuk mendapatkan analitik dengan value optimal, perlu kemampuan membuat analisa, sehingga dapat memberikan analitik terbaik yang bisa disajikan dari data yang dimiliki.

Yang tidak kalah penting, seorang data scientist juga harus memiliki kemampuan komunikasi dan kolaborasi. Karena seperti di postingan sebelumnya, untuk mendapatkan value optimal, data scientist harus berinteraksi intens dengan ekosistem big data, baik dengan inbound logistik, proses, ataupun dengan outbond logistiknya. Dan tentu saja ini membutuhkan kemampuan komunikasi dan kolaborasi yang bagus.

Terakhir, data scientist tidak baper-an kalau analitiknya mendapat feedback dari pengguna. Di masa agile sekarang, feedback justru dicari, karena apapun itu, akan lebih bagus kalau lebih mendekati kebutuhan penggunanya. Karena itu kemampuan menerima feedback, mengikuti perubahan yang dibutuhkan, dan melakukan inovasi2 sangat diperlukan agar value analitik dapat optimal.

[repositoryku]

Big Data dan Peningkatan Value Perusahaan

Sering bangets khan denger istilah big data, dan betapa dia akan sangat ber impact pada value perusahaan. Namun biasanya, artikel2 yang menyampaikan tentang impact big data terhadap value perusahaan masih normatif, wacana. Belum ada yang detil memberikan panduan bagaimana caranya supaya itu terjadi. Atau kalau ada, ternyata lebih fokus pada sisi teknis how to operate big data nya.

Nah, ternyata untuk mendapat impact big data yang optimal itu banyak hal yang mempengaruhi. Ekosistemnya harus dibangun. Kenapa ? Karena implementasi big data itu nggak bisa dilakukan sendiri di unitnya, tetapi harus terkait dengan semua pihak, baik di inbound logistik, proses, ataupun di outbond logistiknya.

Apa inbound logistik nya big data ? Tentu saja yang utama datanya. Apakah datanya mencukupi ? Apakah kualitas datanya memenuhi ? Apakah sudah ada customer consent ? Apakah ada kolaborasi dengan pemilik data lainnya ?

Kemudian prosesnya. Apakah infrastruktur dan tools yang digunakan mendukung ? Apakah kapabilitas SDM terpenuhi ? Apakah Data Governance sudah dilakukan ? Apakah interaksi intens dengan user sudah terjadi ? Apakah iterasi dan agile development sudah diimplementasikan ? Apakah ada dukungan dari top management ?

Terakhir outbond logistik. Apakah mereka yang akan memanfaatkan hasil big data ini sudah buy in dengan pemanfaatan data ?  Apakah mereka memiliki metoda pengukuran value yang jelas sehingga peningkatan value karena big data dapat diukur ? Apakah mereka welcome terhadap iterasi dan peningkatan nilai yang dilakukan bertahap dengan agile ? Apakah mereka siap untuk berkolaborasi dengan tim big data ? Apakah budaya data driven sudah terbentuk ?

Jadi, kalau akan mengimplementasikan big data, atau sudah implement tapi value masih belum optimal, aspek2 tadi bisa di cek lagi...