Profil IT Leader John Berns Bongkar Kunci Sukses Aplikasi Machine Learning

John Berns Bongkar Kunci Sukses Aplikasi Machine Learning

John Berns (Senior Vice President, Head of Data Science, Lazada) mengungkapkan beberapa hal yang penting diperhatikan agar pelaku bisnis dapat meraih kesuksesan dalam menerapkan machine learning.

Machine learning bukan lagi sebatas jargon teknologi. Penggunanya kini terus bertambah, mulai dari startup sampai korporasi. Untuk menuai manfaatnya secara optimal, dibutuhkan tidak hanya teknologi yang mumpuni.

Dalam sebuah wawancara khusus dengan Majalah InfoKomputer,  John Berns (Senior Vice President, Head of Data Science, Lazada), mengungkapkan beberapa hal yang penting diperhatikan agar pelaku bisnis dapat meraih kesuksesan dalam menerapkan machine learning.

“Pertama adalah dukungan dari jajaran manajemen. Mereka harus diyakinkan untuk berinvestasi,” ucap John Berns. Untuk menerapkan machine learning, perusahaan harus membangun sistem yang mampu “menangkap” data sesuai kebutuhan. Perusahaan mungkin sudah memiliki banyak data untuk diolah, tetapi bukan data yang dapat menghasilkan nilai seperti diinginkan perusahaan.

Hal kedua adalah jajaran manajemen harus memberi peluang untuk gagal dan siap menerima kegagalan. Apa maksudnya? Machine learning adalah bagian dari data science dan science bukan sulap. “Science is about exploration, Anda tidak begitu saja mendapatkan hasil seperti yang Anda inginkan,” papar sarjana electrical engineering lulusan Southern Illinois University, AS itu.

Data science dan machine learning melibatkan proses dengan siklus yang sifatnya berulang (iterative). “Anda buat hipotesis, Anda coba, belajar. Kemudian ada hipotesis baru lagi, coba, belajar, begitu seterusnya,” ujar John Berns seraya memberi satu contoh “kegagalan” yang pernah ia alami.

Opportunity to Fail

Saat itu, John dan timnya akan mengoptimalkan conversion rate untuk meningkatkan presentase pengunjung Lazada.com yang terkonversi menjadi pelanggan membayar. Indonesia sebagai pasar terbesar Lazada menjadi arena uji coba pertama. “Kami buat algoritma [machine learning]-nya, lalu kami coba [di Indonesia]. Hasilnya fantastis! Kami dapat memperoleh kenaikan 8 sampai 10 persen conversion rate,” ceritanya.

Dengan hasil yang menggembirakan itu, tak ayal John Berns dan timnya segera menggelar uji coba terhadap algoritma yang sama ke semua pasar Lazada. Hasilnya? “Indonesia meningkat 8 sampai 10 persen, Malaysia tidak ada kenaikan, Thailand tidak ada kenaikan, Vietnam malah turun enam persen, Singapura tidak ada perubahan,” tandas John.

[BACA: Machine Learning: Saat Komputer Memecahkan Masalah Penting]

Hasil tersebut tentu mengundang pertanyaan jajaran manajemen Lazada. “Saya katakan kepada mereka bahwa ini bukan kegagalan. Dari hasil tersebut, kita belajar apa yang berhasil atau bisa dilakukan untuk Indonesia. Tetapi kita juga jadi tahu bahwa setiap negara berbeda, setiap pasar memiliki persepsi, kebutuhan, ketertarikan, dan cara berpikir yang berbeda,” ujar pria yang telah malang melintang di bidang teknologi selama lebih dari 25 tahun itu.

Hasil yang kurang memuaskan di uji coba algoritma pertama itu tentu harus dikompensasi. Menurut John, ia dan timnya segera membuat versi lain dari algoritma tersebut dan melakukan serangkaian uji coba lagi.

Setelah melakukan testing yang memakan waktu dua sampai empat bulan, tim Data Science Lazada akhirnya menuai hasil yang memuaskan: peningkatan conversion rate sebesar 4-8% di lima negara dan 8-10% di Indonesia.

Gudang Lazada Indonesia yang terletak di kawasan Cililitan, Jakarta Timur.

Machine Learning di Berbagai Lini

Didukung tim Data Science yang berkekuatan 20 orang, di antaranya ada 9 data scientist dan 6 data engineer, Lazada menerapkan data science dan machine learning di hampir semua area dalam proses bisnisnya. John Berns memaparkan salah satu contoh pemanfaatan machine learning untuk melakukan proses  quality checking.

Dari awalnya hanya memiliki 1,5 juta item produk, pada tahun ini Lazada menawarkan 30 juta item yang semuanya harus melalui tahap quality checking terlebih dahulu. “Kami harus melakukan quality checking terhadap setiap produk. Apakah gambarnya sudah bagus? Apakah nama produknya sudah tepat? Produknya lebih tepat masuk ke kategori apa? Dan ada banyak hal lain yang harus kami cek, and it’s time consuming,” ungkap pendiri komunitas BigDataSG itu.

Selain menyita banyak waktu, proses quality checking yang awalnya dilakukan secara manual itu juga melibatkan cukup banyak orang sehingga biaya untuk proses ini menjadi tinggi.

“Lalu kami mulai memanfaatkan machine learning untuk melakukan quality checking. Sembilan puluh persen dari produk tersebut dapat diklasifikasikan secara otomatis, dan sepuluh persen kami pilih untuk top 3 choices [secara manual]. Dan 98 persen dari waktu dapat digunakan untuk [memilih] tiga pilihan teratas tadi,” jelas John.

[BACA: Cara Lazada Manfaatkan Big Data]

Pemanfaatan machine learning lainnya misalnya dalam proses ordering. Misalnya untuk memeriksa apakah alamat pengiriman dan format e-mail yang dimasukkan pelanggan sudah benar.

Machine learning juga dapat dimanfaatkan untuk melakukan risk scoring (sebagai upaya pencegahan terjadinya fraud), verifikasi pesanan agar pelanggan mematuhi syarat dan ketentuan yang ditetapkan Lazada, prediksi delivery time, serta pemilihan rute transportasi dan transportation carrier untuk proses pengiriman barang secara optimal.

Beberapa proses di sistem backend Lazada pun telah didukung oleh machine learning. “Misalnya di sisi security, untuk memeriksa login dan firewall records, mendeteksi jika ada upaya-upaya hacking, dan memeriksa inventory level,” John menambahkan.

“Kami dapat menjalankan banyak hal dalam business process tanpa bantuan manusia,” ujar John Berns.

Berbicara tentang manfaat dan keuntungan yang diperoleh dari machine learning, menurut John, machine learning adalah optimalisasi.

Dengan machine learning, organisasi dapat meningkatkan efisiensi dan mengambil keputusan yang lebih baik tentang berbagai aspek proses bisnis. Keputusan ini secara langsung maupun tidak langsung berdampak terhadap pelanggan.   

“Kami dapat menjalankan banyak hal dalam business process tanpa bantuan manusia. Kami bisa lakukan scaling. Kami dapat lakukan proses sepuluh sampai ribuan kali  dengan tahap-tahap yang tetap sama,” ujar pria yang pernah menjadi solutions architect khusus untuk platform big data Hadoop.

Kemampuan scaling sangat penting bagi Lazada sebagai technology platform company yang bisnisnya sedang tumbuh pesat namun sumber daya manusianya tidak mungkin ditambah secara linear.

Data Science Adalah Rantai

Kesuksesan membangun kemampuan machine learning dan data science tentu tak lepas dari dukungan sumber daya manusia yang andal. Sementara itu, pada kenyataannya mencari SDM yang andal untuk bidang tersebut masih cukup sulit.

A good data scientist is hard to find. Semua orang bisa menuliskan [kemampuan di bidang] data science dalam resume-nya. Mengambil kursus dua minggu tiba-tiba mengaku dirinya data scientist. Ada orang bergelar PhD di bidang statistik komputasi dan bekerja selama tiga tahun, lalu bilang ia data scientist. Memang ada berbagai persepsi yang berbeda,” ujar John.

[BACA: Machine Learning Dorong Kolaborasi Manusia dan Mesin]

Namun yang membuat seseorang boleh disebut the best data scientist, menurutnya, adalah ketika orang tersebut memiliki sense of data. Data scientist yang baik tidak hanya mengetahui data-data  penting untuk memperoleh insight tertentu. Namun ia juga tahu ketika ada keping-keping data yang hilang dari kumpulan data yang tersedia untuk menggali sebuah insight.

“Misalnya begini, Anda ingin memprediksi orang-orang yang berpotensi mengidap diabetes. Kemudian Anda diberikan dua fitur, yakni tinggi dan berat badan untuk melakukan prediksi. Data scientist yang baik akan tahu bahwa dari dua fitur itu ia bisa menghitung BMI (Body Mass Index. red), dan BMI lebih akurat untuk memprediksi potensi diabetes,” John memberi ilustrasi.

Data science bukan domainnya data scientist saja. Para ilmuwan data ini tidak mungkin bekerja sendirian. Membekali seorang data scientist dengan laptop dan database lalu berharap keajaiban datang bukanlah langkah yang tepat untuk membangun kemampuan data science dalam organisasi.

Data science adalah sebuah rantai, Anda tidak mungkin hanya memiliki satu mata rantai dan tak mengindahkan yang lain,” imbuhnya. Data scientist membutuhkan support network, seperti dukungan manajemen, dukungan data engineer untuk memberinya data yang tepat, kesempatan untuk gagal, dan infrastruktur big data.

Memulai karier teknologinya di bidang software dan menghabiskan hampir tujuh tahun terakhir kariernya menekuni big data, John Berns menolak dirinya disebut sebagai seorang data scientist. Menurut John, ia adalah seorang data engineer. “Data scientist melakukan hal yang berbeda [dengan yang saya kerjakan] dan mereka jauh lebih smart daripada saya,” ujarnya setengah bergurau di pengujung wawancara.

Comments

comments