Penulis: Darren Crowder (Head of Solution Engineering, TIBCO Software)
Kemungkinannya adalah jika Anda membaca ini, Anda pernah mendengar frasa “data adalah minyak baru” yang diciptakan oleh Clive Humby, ahli matematika Inggris yang juga arsitek dari skema penghargaan loyalitas Clubcard Tesco. Meskipun mungkin telah menjadi sesuatu yang klise, itu bahkan merupakan ungkapan yang lebih tepat dibandingkan ketika didengar pertama kalinya.
Minyak beracun dan berbahaya dalam bentuk mentahnya; perlu dilakukan penyulingan sebelum menjadi berharga; dan hal yang sama berlaku untuk data. Gagal mengendalikannya, menghilangkan duplikatnya, membersihkannya, atau menganalisisnya dalam konteks, hanya akan menjadi dasar keputusan yang buruk. Yang dibutuhkan adalah data yang diterapkan dengan suatu tujuan. Lakukan semua hal itu dan Anda memiliki platform untuk data sebagai layanan alias data as a service (DaaS).
Jika data adalah minyak baru (mentah) dan model “sebagai layanan” mengambil alih, bukan hanya teknologi melainkan juga ekonomi berlangganan (subscription economy); kita menyewa daripada membeli barang dan jasa, maka menggabungkan kedua fenomena di DaaS itu harus benar-benar menjadi sesuatu. DaaS adalah nirwana dari analytics, sumber data konstan yang tersedia sesuai permintaan dari berbagai sumber internal dan eksternal di cloud.
DaaS biasanya diwujudkan dalam aplikasi gabungan (mash-ups) serta komposit dengan metadata dan manajemen kebijakan yang menambahkan kekuatan dan kontrol ekstra. Anda dapat membandingkannya dengan film Minority Report; data divisualisasikan secara real-time, menghidupkan dasbor yang menguntungkan pemiliknya dengan mengantisipasi peristiwa, bukan hanya bereaksi setelah peristiwa tersebut. Ini adalah gelombang baru arsitektur yang digerakkan oleh peristiwa yang mana peristiwa sebelumnya secara otomatis memicu tindakan berdasarkan tren yang diketahui, yang membantu kami memperkirakan apa yang akan terjadi selanjutnya.
Namun, DaaS juga dijamin dengan akses ke berbagai sumber (multiple sources), baik internal maupun eksternal. Pikirkan contoh utilitas. Perusahaan air mungkin menerima informasi tentang kebocoran dari analisis sentimen media sosial. Keluhan Twitter membantunya mengidentifikasi di mana kebocoran telah terjadi dan dengan triangulasi, seberapa luas masalahnya. Perusahaan utilitas kemudian dapat mengatasi masalah tersebut dengan menggunakan geofencing untuk menetapkan teknisi mana yang berada di lokasi terdekat untuk menghentikan kebocoran.
Perusahaan secara alami mencari data yang berguna tetapi pedoman tata kelola dan kepatuhan diperlukan untuk menghindari pelanggaran aturan privasi data atau membuat pelanggan takut (tidak merasa aman). Virtualisasi data, lapisan data modern menghilangkan kemacetan, akan membantu memastikan bahwa data dapat diakses tanpa memengaruhi keamanan dengan memindahkannya ke tempat lain.
Tantangan lain adalah menemukan ilmuwan data dan kepala bagian data (chief data officers) untuk menyebarkan DaaS. Namun, kabar baiknya adalah kami melihat lebih banyak lulusan bermunculan, lebih banyak pendampingan data, komunitas praktik, penguasaan data, serta praktik terbaik serta studi kasus yang mapan untuk dijadikan sandaran.
Dengan menggabungkan data dan menghadirkannya kepada orang-orang yang membutuhkannya sesuai permintaan dan hampir secara real-time, kami dapat menjawab pertanyaan dengan sangat cepat. Kapan lalu lintas paling buruk di dekat tempat tinggal saya? Di mana kasus COVID-19 yang lebih buruk dan siapa yang paling terpengaruh — pria atau wanita, tua atau muda? Berapa banyak kejahatan yang ada di lingkungan saya dan jenis kejahatan apa yang dilakukan?
Hampir semua pertanyaan dapat dijawab jika Anda memiliki datanya. Data mendorong wawasan, wawasan tersebut mendorong keputusan cerdas, dan keputusan cerdas tersebut membangun platform untuk kesuksesan komersial serta operasional. Dengan memanfaatkan API, kita dapat membuat “monster mash-up” yang kita butuhkan, tetapi untuk melakukan itu, kita membutuhkan alur kerja yang cerdas dan kita perlu menghindari silo data. DaaS mendorong pendapatan, profitabilitas, strategi, dan efisiensi. Jadi, setiap perusahaan perlu mengejarnya, menjadi data-infused, menerapkan alat serta data scientist yang dapat menafsirkan data dan menjelaskannya dengan cara yang menarik, bahkan untuk nonspesialis.