Minggu, 23 November 2014


Pertememuan 9
Resume Datawarehouse

DATA QUALITY

(DATA WAREHOUSE)

Data Quality Critical
Why Is Data Quality So Critical?
• Meningkatkan kepercayaan diri dalam pengambilan keputusan
• Memperbaiki pelayanan kpd Customer
• Meningkatkan kesempatan untuk menghasilkan value yang lebih baik bagi pelayanan
• Mengurangi resiko dari keputusan yang sifatnya berbahaya
• Mengurangi biaya, terutama untuk pemasaran,
• Mengembangkan strategi untuk pembuatan keputusan,
• Meningkatkan produktivitas dengan memangkas beberapa proses
• Menghindari efek komplikasi dari data yang terkontaminasi

Data Accuracy VS Data Quality


  

Benefit of Improved Data Quality
       Analysis with Timely Information
         Maksudnya disini adalah dengan meningkatnya kualitas data, meningkat juga aktualitas data tersebut. Ini menyebabkan analisa yang nantinya akan dilakukan adalah dengan data dan informasi yang aktual. Tidak dengan data yang kadaluwarsa.
       Better Cutomer Service
       Contohnya pada Bank, jika ada seorang nasabah yang menanyakanbalance nya pada customer service. Customer Service menjawab bahwa hanya ada Rp. 15.000. Disini terlihat bahwa nasabah tersebut tidak mempunyai jumlah tabungan yang besar. Tapi siapa sangka Customer service telah mengecek bahwa nasabah dengan nama yang sama mempunyai 2 akun lagi, satu akun berisi Rp. 100.000.000 sedangkan yang satu lagi Rp. 500.000.000. Kesimpulannya,  dengan kualitas data yang baik pelayanan pelanggan menjadi lebih baik.
       Newer Opportunities
         Kualitas data yang baik, akan menciptakan kesempatan-kesempatan baru. Salah satu contoh adalah pada bagian marketting. Marketting selalu menjual produk-produknya melintasi banyak kalangan / departemen. Dengan kualitas data yg baik, bagian marketting dapat memilih pembeli-pembeli dari suatu produk dan menentukan seluruh produk-produk lainnya yang mereka sukai untuk membelinya. Bagian marketing juga dapat mengadakan kampanye-kampanye yang menjadi sasaran penjualan. ini terbukti dengan kualitas data yang baik dapat menciptakan kesempatan2 baru.
       Reduced Cost and Risk
             Sudah jelas bahwa kualitas data yang baik akan mengurangi cost dan risiko. Misalnya apa yang terjadi jika data quality memiliki kualitas yang  payah? Pasti itu akan menuntun pada konsekuensi bencana pada perusahaan. Contoh risiko yang dialami termasuk waktu yang terbuang , malfungsi dari proses dan sistem dan terkadang bahkan aksi legal dari pelanggan dan partner bisnis. Salah satu area yang dapat mengurangi cost adalah pada mengirim email pada customer, khususnya di bagian kampanye marketing. Jika alamat tidak lengkap, tidak akurat, atau duplikat , kebanyakan dari mailingsakan sia-sia.
       Improved Productivity
           Perusahaan mendapat pandangan informasi  enterprise yang luas terhadap data warehouse. Ini adalah tujuan utama dari data warehouse. Contohnya pada company yang mempunyai pandangan luas terhadap pola pembayaran (purchasing). Perusahaan dapat menghasilkan prosedur dan strategi Purchasing yang lebih baik yang nantinya akan meningkatkan produktivitas.

       Reliable Strategic Decision Making
     Sudah jelas dengan data quality yang baik otomatis perusahaan dapat memperoleh pengambilan keputusan stratejik yang handal. Tidak ada data warehouse yang bisa menghasilkan value terhadap bisnis jika tidak dengan data yang bersih dan berkualitas tinggi.

 DATA QUALITY CHALLENGES 
1.       Sources of data pollutions (Sumber –sumber dari polusi data)
Banyak data yang telah tersimpan mengalami korup (corrupt) . Banyak hal yang menyebabkan data mangalami polusi sehingga kualitas data menjadi menurun.
·         System Conversions
Konversi sistem akan menyebabkan polusi data
·         Data Aging
Data mengalami kadulawrasa dan kehilangan makna dan signifikansi. Karena sudah bertahun2 tidak terpakai sedangkan sistem sudah berubah.
·         Heterogeneous System Integration
Adanya sistem2 yang beraneka ragam, tentunya akan mengakibatkan polusi data
·         Poor database design
Perancangan database yang buruk
·         Incomplete information at data entry
Tidak lengkapnya informasi sewaktu mengentri data
·         Input errors
Error dalam menginput
·         Internationalzation / Localization
Ketika sebuah perusahaan akan ekspan ke luar negeri, ini akan menjadi ancaman dari polusi data karena elemen data harus beradaptasi dengan nilai yang baru dan berbeda.
·         Fraud
Masih banyak inputan yang tidak benar / menipu.
·         Lack of Policies
Kurangnya kebijakan

2.       Validation names and addresses (pemvalidasian nama dan alamat)
Seringkali pada input data dalam database terjadi duplikasi antara nama dan alamat. Untk satu orang, record ganda dapat eksis di berbagai source system. Bakan dalam source system yang tunggal, record ganda juga bisa eksis untuk satu personal.
Berikut adalah masalah yang melekat ketika menginputkan nama-nama dan alamat-alamat :
       No unique key
       Many names on one lines
       One name on two lines
       Name and the address in a single line
       Personal and company are mixed
       Different addresses for the same person
       Different names and spelling for the same customer


3.       Costs of poor Data Quality (biaya dari data yang berkualitas)
Salah satu tantangan dari data quality adalah biaya. Karena untuk melakukan pembersihan data dan meningkatkan kualitas data membutuhkan biaya dan usaha yang sangat besar. Solusinya adalah membuat estimasi dan permalan ketika perusahaan tidak mengimplementasi ataupun tidak memakai konsep data quality. 

DATA QUALITY TOOLS 

Tools untuk melakuakn cleansing data (pembersihan data) terdapat 2 cara yaitu :
1.       Data Error Discovery
2.       Data Correction
Data error discovery dan data  correction adalah 2 bagian yang berbeda, sebagian besar DBMS sudah menggunakan 2 cara ini sebagai konsep pemgembagan tools mereka untuk meningkatkan kualitas datanya.
Data Error Discovery meliputi fungsi :
       Mengidentifikasi duplikasi record dengan cepat dan mudah
       Mengidentifikasi item data yang nilai-nilainya di luar jarak dari nilai legal domain
       Menemukan inkonsistensi data
       Memeriksa jarak dari nilai yang diijinkan
       Mendeteksi inkonsistensi antar item-item data dari sumber yang berbeda
       Mengijinkan user untuk mengidentifikasi dan mengukur masalah kualitas data
       Memantau tren kualitas data dari waktu ke waktu
       Melaporkan kepada user tentang kualitas data yang digunakan untuk analisis
       Memperbaiki masalah dari referential integrity dari DBMS

Data Correction meliputi fungsi :
       Menormalkan inkonsistensi data
       Meningkatkan penggabungan data dari sumber data yang berbeda
       Mengelompokkan dan menghubungkan data data customer yang  memiliki “rumah” yang sama
       Memberikan pengukuran bagi kualitas data
       Memvalidasi nilai – nilai yang diijinkan

 DATA QUALITY INITIATIVES
Banyak perusahaan masih bertanya2 apakah dengan banyak memperhatikan kualitas data akan membersihkan data atau tidak? Apakah dapat mengurangi biaya atau malah menambah biaya? Terus jika ya, bagian data mana yang mendapat prioritas tertinggi yang mana harus menerima teknik pembersihan data?
Yang paling penting adalah : Tentukan untuk apa data itu digunakan dan apa tujuan dari data tersebut.
Berikut adalah pertanyaan yang akan muncul ketika akan membangun Data cleansing (pembersihan data)
       Which data to cleanse? 
       Where to cleanse? 
Data yang akan masuk ke data warehouse sebelumnya adalah dari source system (operasional) kemudian menuju staging area, lalu masuk ke dalam data warehouse, begitu pula juga dengan pencemaran polusi data. Bisa saja polusi data terdapa dalam source system, staging are tempat load dan transform data, atau di data warehouse itu sendiri. Jadi, lebih baik selidiki source system terlebih dahulu kemudian naik ke staging area kemudian ke dalam data warehouse
       How to cleanse?
Banyak vendor  yang sdah menyediakan tools-tools untuk melakukan cleansing data. Beberapa tools sudah ada di pasaran tinggal kita memilih mana yang cocok untuk masalah yang dihadapi oleh company. Jika tidak ada tools yang dapat membuat usaha pada cleansing data, cara lain adalah menyewa programmer untuk memrogram sendiri sistem Data Cleansing yang dibutuhkan untuk company dan cocok untuk company.
       How to discover the extent of data pollution? 
       Setting up a Data Quality Framework
Ketika sudah menemukan banyak tipe dari polusi data yang dialami, company perlu membuat berbagai keputusan untuk memulai pembersihan data. Company harus menggali kemungkinan sumber –sumber yang mengalami data corruption dan menentukan polusinya.
Dengan begitu, company dapat menetapkan framework yang dapat mengatasi polusi yang dialami. Pada dasarnya, framework tersebut memberikan dasar bagi peluncuran inisiatif kualitas data. Itu akan mewujudkan perencanaan sistematis untuk perusahaan. Framework menidentifikasi pemain-pemain, peran-perean mereka, dan tanggung jawab mereka. Singkatnya, framework mamandu kepada usaha peningkatan kualitas data.

Tidak ada komentar:

Posting Komentar