Dengan perusahaan riset pasar menemukan bahwa lebih dari 65% organisasi yang disurvei sekarang menggunakan AI untuk secara otomatis menyoroti masalah kualitas data, dan 55% dari mereka yang menerapkan koreksi yang direkomendasikan AI, teknologi telah memberikan kemajuan praktis yang diperlukan untuk meningkatkan kualitas data. Mungkin yang lebih jelas adalah bahwa kepercayaan perusahaan terhadap rekomendasi AI dinilai lebih dari 90%, dengan sekitar 35% rekomendasi tersebut hampir selalu diterima.
Jadilah Pragmatis dan Pecahkan Masalah Kualitas Data yang Ada
Bagian terakhir dari teka-teki ini adalah mendekati kualitas data dari perspektif masalah yang perusahaan coba pecahkan. Jadi, meskipun mencapai kualitas data yang sempurna adalah pengejaran yang mulia, seringkali memiliki kualitas data yang cukup baik untuk memenuhi kebutuhan bisnis sudah cukup.
Misalnya, jika organisasi berusaha meningkatkan pengalaman pelanggan, perusahaan ingin mengetahui segala sesuatu tentang bagaimana perusahaan terlibat dengan mereka. Biasanya, ini akan mencakup data pelanggan dari beberapa sistem yang memungkinkan untuk pengidentifikasi yang berbeda, seperti:
- Steve Smith dalam sistem otomasi tenaga penjualan
- S Smith dalam sistem manajemen pelayanan
- S.E. Smith dalam sistem pemasaran
- Steven Smith dalam sistem entri pesanan dan penagihan
Kunci primer yang tidak cocok ini membuat sulit untuk mencocokkan catatan dan membangun pandangan lengkap akan pelanggan. Kualitas data dari sudut pandang integrasi tidak cukup sesuai untuk masalah yang dihadapi. Hal ini melampaui pengidentifikasian pelanggan. Tantangan integrasi mengenai setiap entitas data master utama terdapat di seluruh pemasok, mitra, produk, lokasi, dan lainnya.
Diperlukan sistem manajemen data master yang lebih cerdas yang dapat secara otomatis mendeteksi serta menyelesaikan ketidaksesuaian ini untuk menjadikannya lebih mudah bagi perusahaan untuk memiliki catatan "emas" yang menyelesaikan anomali kunci utama tersebut. Dengan penanganan ini, virtualisasi data dapat menanyakan semua detail dan memberikan pandangan pelanggan yang diperlukan secara 360 derajat untuk meningkatkan pengalaman mereka.
Selain itu, bisnis mungkin mencari untuk meningkatkan peluang pendapatan cross-sell mereka. Dalam hal ini, seorang ilmuwan data mungkin berusaha membangun mesin rekomendasi penawaran terbaik berikutnya berdasarkan data historis penjualan dengan harapan menemukan kombinasi produk populer.
Ketika ilmuwan data mulai memeriksa data penjualan dan distribusinya, beberapa di antaranya mungkin berkorelasi dengan baik. Namun, kemungkinan akan ada anomali juga.
Jika bisnis baru memulai model, kemungkinan akan fokus pada data yang mewakili sebagian besar pelanggan serta produk dengan pendapatan tertinggi. Tanpa repot dengan data pencilan, ia dapat membangun dan mengimplementasikan model lebih cepat dan menyadari manfaatnya lebih cepat. Nantinya, ilmuwan data dapat kembali dan menyelidiki serta mencoba untuk memahami anomali.
Atau, perusahaan mungkin memutuskan bahwa penggunaan yang lebih baik dari seorang ilmuwan data adalah fokus pada mayoritas pelanggan dan produk dengan pendapatan tertinggi. Ini akan menghasilkan pemurnian berkelanjutan dan meningkatkan model asli sambil membiarkan anomali tidak terselesaikan.
Pada akhirnya, ini mengarah ke bisnis; tetap fokus pada peningkatan kualitas datanya untuk menempatkannya dalam posisi dalam mengambil keputusan yang lebih tepat yang akan membantu mendorong keberhasilan perusahaan.