Bab V Analisa Rencana Implementasi
V.1
Usulan Perangkat Analisa Data
Diawali
dengan
pertumbuhan
pemain
di
bisnis
telekomunikasi,
cepatnya
perkembangan teknologi, tren layanan-layanan baru, tren permintaan pasar yang meningkat, dan besarnya potensi pangsa pasar Indonesia, membuat persaingan bisnis pada sektor ini sangat ketat. Dalam menghadapi kondisi tersebut, diperlukan suatu pergerakan perusahaan yang kreatif dan dinamis untuk dapat bersaing. Namun pergerakan perusahaan yang kreatif dan dinamis saja tidak cukup, diperlukan keputusan-keputusan strategis yang tepat sesuai dengan kondisi pasar.
Pengambilan keputusan strategis harus memiliki dasar referensi yang sesuai agar tercipta keputusan yang tepat. Dasar referensi tersebut dapat berupa analisa terhadap data yang dihasilkan oleh CIF. Data mining merupakan salah satu teknologi yang banyak digunakan dalam melakukan prediksi maupun mendeteksi pola pada data yang berkaitan dengan telekomunikasi, termasuk di dalamnya pemasaran produk dan hubungan pelanggan. Proses data mining diharapkan dapat menghasilkan pola atau kesimpulan yang akurat yang dapat membantu evaluasi kinerja maupun pengambilan keputusan, terutama untuk mendapatkan pemahaman terhadap kondisi pasar dan pelanggan.
Penerapan data mining dalam analisa pemasaran dan CRM bertujuan untuk membangun, mempelajari, memperluas dan mempererat hubungan baik antara perusahaan dengan pelanggan. Dalam subbab berikut akan dipaparkan beberapa usulan penerapan data mining dalam analisa yang berkaitan dengan pemasaran dan CRM, khususnya analisa promosi, analisa churn pelanggan, dan analisa perilaku pelanggan.
57
V.1.1 Analisa Promosi Dalam analisa promosi, hal yang paling penting adalah menganalisa respon dari pelanggan (atau calon pelanggan) yang ditargetkan pada promosi yang dilakukan dan melihat pengaruh promosi terhadap penjualan produk atau akuisisi pelanggan.
Dengan mengetahui perkiraan tanggapan pelanggan (atau calon pelanggan) terhadap promosi, promosi hanya dilakukan kepada pelanggan yang responsif saja. Dengan begitu, perusahaan dapat menentukan target promosi yang tepat sehingga lebih efektif dan efisien.
Untuk melakukan suatu program kampanye penawaran, perusahaan tentunya harus mengeluarkan biaya yang tidak sedikit. Oleh karena itu, perencanaan promosi haruslah dibuat secara matang dengan memperhitungkan perkiraan peningkatan nilai penjualan yang akan dicapai dibandingkan dengan biaya promosi yang harus dikeluarkan perusahaan. Analisa ini umumnya mempertimbangkan hal-hal lain seperti nilai inflasi dan daya beli masyarakat. Prediksi ini penting dalam menyusun perencanaan strategi pemasaran perusahaan.
Pemodelan Respon Pemodelan
respon
digunakan
untuk
meningkatkan
angka
respon
dengan
mengidentifikasi prospek yang sesuai. Tujuan analisa ini adalah memperkirakan siapa yang akan responsif terhadap penawaran. Jika tidak ada model pentargetan sebelumnya, maka analisa respon dapat membantu pemasaran menjadi lebih efisien. Teknik klasifikasi dan prediksi nilai dapat digunakan untuk analisa respon ini. Beberapa metode yang sesuai di antaranya: regresi linier (prediksi), decision tree (klasifikasi) dan jaringan syaraf tiruan (klasifikasi). Data yang digunakan dalam analisa ini antara lain: data kampanye dan data pelanggan.
58
a.
Analisa Respon dengan Regresi Linier
Gambar V.1 menunjukkan contoh hubungan antara jumlah promosi yang dikirim dan banyaknya respon pelanggan berdasarkan Tabel V.1. Tabel V.1 Contoh data respon pelanggan Mailed Respon 1000 400 1300 600 2200 740 3800 1000 5000 1700 5750 1500 6500 2900 7000 3078 8500 2340
3500 R 3000 E S 2500 P O 2000 N 1500
1000 500 0 0
1000
2000
3000
4000
5000 mailed
6000
7000
8000
9000
Gambar V.1 Contoh regresi linier untuk analisa respon. Regresi linier sesuai untuk diimplementasikan pada data yang memiliki atribut bernilai kontinu. Metode ini sangat handal untuk diterapkan dalam prediksi nilai. Di bidang pemasaran, regresi linier dapat dikombinasikan dengan metode lain maupun berdiri sendiri[15].
b.
Analisa Respon dengan Decision tree
Dalam analisa respon, decision tree dapat digunakan untuk mengetahui presentasi respon atau kemungkinan seorang pelanggan akan merespon atau tidak terhadap
59
promosi yang dilakukan berdasarkan data pelanggan. Gambar V.2 menunjukkan contoh implementasi decision tree untuk memperkirakan presentasi dari respon pelanggan terhadap promosi yang dilakukan perusahaan.
Gambar V.2 Contoh decision tree presentasi respon.
Pada gambar di atas, decision tree membedakan antara responden dan nonresponden. Node paling atas menggambarkan keseluruhan kampanye. Kampanye dilakukan dengan mengirimkan email kepada 10000 nama dan tingkat respon yang didapat adalah 2,6%. Pemisahan pertama dilakukan berdasarkan gender.
Untuk mengetahui kemungkinan seorang pelanggan akan merespon atau tidak terhadap kampanye yang dilakukan dapat digunakan decision tree seperti pada contoh berikut:
60
Gambar V.3 Contoh decision tree analisa respon.
Decision tree sesuai untuk analisa respon dikarenakan karekteristiknya yang dapat menangani data dengan dimensional tinggi serta waktu pembelajaran yang cepat dan sederhana.
c.
Analisa Respon dengan Jaringan Syaraf Tiruan
Gambar V.4 mengilustrasikan analisa respon yang dilakukan dengan jaringan syaraf tiruan. Jaringan syaraf tiruan menerima masukan berupa informasi mengenai data pelanggan dan kampanye, kemudian mengubah masukan yang ada menjadi keluaran yang telah didefinisikan, yaitu kemungkinan pelanggan tersebut merespon penawaran.
61
Gambar V.4 Ilustrasi penggunaan JST untuk analisa respon.
Jaringan syaraf tiruan sesuai dengan karakteristik analisa respon, di mana masukan dan keluaran didefinisikan dengan baik dan jelas. Model ini (analisa respon dengan jaringan syaraf tiruan) dapat berjalan dengan baik jika masukan dan keluaran dapat didefinisikan dengan jelas serta ketersediaan data aktual yang diketahui masukan keluarannya. TI Analisa Hubungan Promosi dengan Penjualan Semua perusahaan tentunya berharap biaya yang dikeluarkan untuk pemasaran akan berdampak pada semakin tingginya respon masyarakat terhadap produk/jasa yang ditawarkan. Namun sebesar apa pengaruh pemasaran yang dikeluarkan terhadap penjualan produk/jasa? Hal inilah yang perlu dianalisa untuk mengetahui nilai penjualan yang akan datang jika dikaitkan dengan biaya pemasaran. Teknik data mining yang sesuai untuk diterapkan dalam analisa ini adalah fungsi prediksi sedangkan data yang digunakan dapat diambil dari fact tabel kampanye dan sales.
a.
Analisa Hubungan Kampanye dengan Penjualan dengan Regresi Linier
Selain cocok untuk prediksi data-data kontinu regresi linier juga mampu mengestimasi nilai variabel dengan variabel prediktor yang banyak. Ketika membangun model pentargetan dalam pemasaran dan CRM, umumnya analis melibatkan banyak variabel. Penggunaan bermacam variabel prediktor disebut multiple linear regression. Dalam Gambar V.5 biaya yang dikeluarkan oleh
62
perusahaan untuk kampanye dan tingkat inflasi berhubungan secara linier dengan jumlah penjualan[15].
Gambar V.5 Contoh regresi linier untuk analisa kampanye[15]. V.1.2 Analisa Churn Pelanggan Churn lebih mudah diketahui dalam bisnis yang memiliki mekanisme tagihan (billing). Walaupun begitu, pelanggan yang churn kebanyakan tidak melakukan konfirmasi. Churn paling mudah didefinisikan dalam bisnis yang berbasis langganan, dan pada kenyataannya churn paling banyak terjadi di tipe bisnis ini. Churn perlu diperhatikan karena pelanggan yang hilang harus digantikan dengan pelanggan baru, dan pelanggan baru lebih sulit didapat dan sering kali menghasilkan keuntungan yang masih sedikit dibandingkan pelanggan yang sudah ada sebelumnya. Tujuan dalam pembuatan model churn adalah menggambarkan pelanggan yang beresiko untuk churn
dan
memperkirakan
waktu
bertahan
pelanggan.
Bagian
pemasaran
berkepentingan dalam mempertahankan pelanggan potensial dan bagian keuangan berkepentingan dalam mengurangi pelanggan yang kurang menguntungkan.
Dengan mengetahui pelanggan yang beresiko akan churn, perusahaan dapat melakukan penawaran tertentu untuk mempertahankan pelanggan potensial.
63
Sedangkan analisa prediksi waktu bertahan pelanggan memungkinkan perusahaan dapat menyusun rencana strategis pemasaran jangka panjang, seperti penentuan tarif, penambahan infrastruktur, berbagai undian, dan penambahan fitur.
Prediksi Pelanggan yang Akan Churn Prediksi pelanggan yang akan churn dapat dilakukan dengan keluaran boolean. Model churn dengan keluaran boolean dapat dibangun dengan teknik klasifikasi, termasuk decision tree dan jaringan syaraf tiruan[12]. Tujuan pemodelan ini adalah membedakan pelanggan yang akan pergi dan yang akan bertahan. Analisa ini dapat dilakukan dengan menggunakan fact tabel pelanggan, revenue, dan payment.
a.
Prediksi Pelanggan yang Akan Churn dengan Bayessian Berikut adalah contoh penggunaan klasifikasi Bayesian untuk prediksi churn
pelanggan. Misalkan tersedia data pelanggan seperti pada Table V.2 berikut:
Tabel V.2 Contoh data pelanggan.
Pelanggan_ID
Usia
Nilai_Tagihan Menikah Kelas:churn
1
<=25
Tinggi
Tidak
Tidak
2
<=25
Tinggi
Tidak
Tidak
3
25
Tinggi
Tidak
Ya
4
>=40
Sedang
Tidak
Ya
5
>=40
Rendah
Ya
Ya
6
>=40
Rendah
Ya
Tidak
7
25
Rendah
Ya
Ya
8
<=25
Sedang
Tidak
Tidak
9
<=25
Rendah
Ya
Ya
10
>=40
Sedang
Ya
Ya
11
<=25
Sedang
Ya
Ya
12
25
Sedang
Tidak
Ya
13
25
Tinggi
Ya
Ya
14
>=40
Sedang
Tidak
Tidak
64
Akan dicari tahu apakah pelanggan X akan churn atau tidak. Misalkan kelas C1 adalah kelas churn=ya dan C2 adalah kelas churn=tidak. Data X yang diketahui memiliki nilai atribut sebagai berikut: X = (usia <=25, nilai_tagihan = sedang, menikah = ya)
Kita perlu memaksimalkan nilai P(X|Ci)P(Ci) untuk i=1,2. P(Ci) merupakan prior probability dari masing-masing kelas, dapat dihitung berdasarkan data pelatihan: P(churn=ya) = 9/14 = 0,643 P(churn=tidak) = 5/14 = 0,357
Untuk menghitung P(X|Ci) untuk i=1,2 kita menghitung probabilitas dari setiap kondisional: P(usia <=25 | churn = ya) = 2/9 = 0,222 P(usia <=25 | churn = tidak) = 3/5 = 0,600 P(nilai_tagihan = sedang| churn=ya) = 4/9 = 0,444 P(nilai_tagihan = sedang|churn=tidak) = 2/5 = 0,400 P(menikah = ya|churn=ya) = 6/9 = 0,667 P(menikah=ya|churn=no) = 1/5 = 0,200
Dengan menggunakan probabilitas di atas, didapat P(X|churn=ya) = P(usia<=25 |churn = ya) X P(nilai_tagihan = sedang| churn=ya)X P(menikah=ya|churn=ya) = 0,222 X 0,444 X 0,667 = 0,066
P(X|churn=tidak) =P(usia<=25|churn=tidak) X P(nilai_tagihan=sedang|churn=tidak)X P(menikah=ya|churn=tidak) = 0,600 X 0,400 X 0,200 = 0,048
Untuk mendapatkan P(X|Ci)P(Ci) maksimal dihitung P(X|churn=ya)P(churn=ya) = 0,066 X 0,643 =0,042 P(X|churn=tidak) P(churn=tidak)= 0,048 X 0,357 =0,017
Sehingga hasil prediksi menunjukkan pelanggan X akan churn.
65
Beberapa studi empiris menunjukkan bahwa klasifikasi Bayesian dapat disejajarkan dengan decision tree dan JST. Secara teori, klasifikasi Bayesian memiliki tingkat error yang lebih rendah dibanding klasifikasi lain[3]. Klasifikasi Bayesian sesuai untuk klasifikasi data yang beratribut kategorikal. Yang menjadi kekurangan klasifikasi ini adalah kendala berkaitan dengan pembagian dengan nol.
b.
Prediksi Pelanggan yang Akan Churn dengan Decision tree
Untuk mengetahui kemungkinan seorang pelanggan akan churn atau tidak dapat digunakan decision tree seperti pada contoh berikut:
Tipe Pelanggan
Corporate Rata-rata tagihan?
Personal Tunggakan 3bulan terakhir?
no Usia?
ya churn=yes
<20 tahun
< 2juta ...
>35 tahun
20-35 Penghasilan?
...
>=2juta ...
... > 1juta/bulan Churn=no
<= 1juta/bulan churn=yes
Gambar V.6 Contoh decision tree untuk prediksi pelanggan churn.
Decision tree sesuai untuk prediksi churn dikarenakan karekteristiknya yang dapat menangani data dengan dimensional tinggi, mudah diinterpretasikan serta waktu pembelajaran yang cepat dan sederhana.
66
c.
Prediksi Pelanggan yang Akan Churn dengan JST
Analisa apakah seorang pelanggan akan churn atau tidak dapat dilakukan dengan jaringan syaraf tiruan. Sebagai masukan adalah data pelanggan, tren penggunaan, dan riwayat pembayaran. Keluaran yang dihasilkan dapat berupa boolean true/false ataupun kategori resiko churn dari pelanggan tersebut. Hasil ini kemudian dapat digunakan oleh perusahaan dalam merencanakan langkah penawaran yang tepat kepada pelanggan.
Gambar V.7 Ilustrasi penggunaan JST untuk prediksi churn.
Prediksi Waktu Pelanggan Akan Bertahan Pada pendekatan ini, tujuannya adalah menggambarkan seberapa lama seorang pelanggan akan bertahan. Pendekatan ini mengamati populasi pelanggan yang ada dan mencoba memperkirakan waktu aktifnya sebagai pelanggan. Analisa ini sebaiknya dilakukan dengan teknik prediksi. a.
Prediksi Waktu Pelanggan Akan Bertahan dengan Survival analysis
Untuk memodelkan ketahanan pelanggan, diperlukan data pelanggan berupa: -
Identifikasi: notel,Pelanggan_id
-
Billing: tagihan, roaming, dan fitur-fitur lain
-
Penggunaan: total panggilan, penggunaan lokal, panggilan pada saat peak dan offpeak
-
Langganan: jangka waktu berlangganan, usia berlangganan
-
Lain-lain: usia, profitabilitas, dan data demografi lain.
67
Survival analysis menghitung hi(t) dengan formulasi berikut: hi(t) = 0
jika 1<=t<=usia berlangganan
hi(t) = 1
jika churn= 1 dan usia berlangganan
hi(t) = dt/nt
jika churn= 0 dan usia berlangganan
Di mana: d adalah jumlah pelanggan churn pada waktu tersebut n adalah jumlah pelanggan dengan usia berlangganan=t T adalah interval waktu maksimal churn=0 jika pelanggan masih aktif dan churn=1 jika sebaliknya
b.
Prediksi Waktu Pelanggan Akan Bertahan dengan JST dan Survival Analysis
Jaringan Syaraf Tiruan dapat digunakan untuk memprediksi kemungkinan seorang pelanggan akan churn pada waktu tertentu. Analisa ini melakukan proses pelatihan terhadap data pelanggan yang ada untuk mendapatkan formulasi bobot yang sesuai. Survival analysis digunakan sebagai masukan pada data. Misalkan diketahui data pelanggan seperti pada Table V.3 berikut: Tabel V.3 Contoh data pelanggan. i 1 2 … n
NOTEL 70772227 76062055 … 76017330
… … … … …
usia_berlangganan churn h(1) h(2) h(3) h(4) h(5) h(6) 3 1 0 0 0 1 1 1 4 0 0 0 0 0 0.03 0.1 … … … … … … … … 2 0 0 0 0.06 0.04 0.03 0.1
Pelatihan dilakukan untuk memperoleh bobot di setiap unit yang mengarahkan masukan menuju keluaran berupa flag churn atau tidaknya pelanggan tersebut. Ilustrasi dari penggunaan JST untuk analisa ketahanan ditunjukkan pada Gambar V.8.
68
t Usia_berlangganan
JARINGAN SYARAF TIRUAN
Churn(t)?
hi(t) Dan lain-lain
Gambar V.8 Ilustrasi penggunaan JST untuk analisa ketahanan.
Kombinasi jaringan syaraf tiruan dan survival analysis sesuai untuk analisa ketahanan ini jika data churn yang ada valid. JST menyediakan akurasi pada prediksi ini, sedangkan survival analysis telah menyediakan perhitungan probabilitas yang sederhana.
V.1.3 Analisa Perilaku Pelanggan Tiga tujuan yang paling penting dari analisa perilaku pelanggan adalah untuk mengetahui tren penggunaan layanan, profil pelanggan dan menetapkan segmentasi pasar yang tepat. Analisa tren dilakukan untuk melihat pola penggunaan layanan oleh pelanggan, sehingga dapat membantu perusahaan dalam membuat strategi cross-sell yang tepat. Dengan mengetahui profil pelanggan, memungkinkan perusahaan menjalankan pemasaran yang bersifat lebih personal, dengan menawarkan promosi yang relatif sesuai untuk masing-masing pelanggan. Dalam peluncuran produk atau layanan baru, perusahaan perlu mengetahui segmen pelanggan (atau calon pelanggan) yang menjadi target pasar produk/layanan tersebut, sehingga menjadi lebih efektif dan efisien.
Tren Penggunaan Layanan Pelanggan akan mengikuti pola perilaku tertentu yang dapat dideteksi. Analisa terhadap tren perilaku ini dapat membantu perusahaan dalam merancang paket penawaran yang sesuai. Model analisa ini dapat dibangun dengan teknik asosiasi dan menggunakan fact tabel pelanggan, payment, dan revenue.
69
a.
Analisa Tren Penggunaan Layanan dengan Aturan Asosiasi
Analisa
data
dengan
aturan
asosiasi
dapat
dilakukan
untuk
mengetahui
kecenderungan penggunaan layanan oleh pelanggan. Berikut adalah ilustrasi implementasi aturan asosiasi untuk mengetahui tren penggunaan layanan pelanggan. Pelanggan_ID
Penggunaan
1
[voucher_eletronik,internet,sms,flexi_combo,flexi_tone]
2
[voucher_fisik,sms,flexi_combo]
3
[voucher_eletronik,internet,sms,flexi_tone]
4
[pasca_bayar,internet,sms,flexi_combo,flexi_tone]
5
[voucher_fisik,internet,sms,flexi_combo,flexi_tone]
6
[voucher_eletronik,sms]
7
[pasca_bayar,sms,flexi_combo,flexi_tone]
8
[pasca_bayar,internet,sms,flexi_combo,flexi_tone]
9
[voucher_fisik,sms,flexi_combo,flexi_tone]
Gambar V.9 Contoh implementasi aturan asosiasi untuk analisa tren. Profil Pelanggan Analisa profil merupakan cara yang tepat untuk memahami pelanggan atau prospek pelanggan dan tren penggunaannya. Analisa ini mencakup pengukuran terhadap karakter umum pada suatu populasi dan prediksi terhadap profitabilitas dan penggunaan pelanggan di masa datang. Demografi seperti usia, gender, status pernikahan umumnya diperhatikan dalam analisa profil selain tren penggunaan layanan.
a.
Analisa Profil Pelanggan dengan Jaringan Syaraf Tiruan
Analisa profil pelanggan dapat dilakukan dengan jaringan syaraf tiruan asalkan keluarannya telah didefinisikan dengan jelas. Analis sebelumnya harus menentukan kategori profil pelanggan serta data pelanggan yang menjadi data pelatihan sudah dilabeli dengan kategori tersebut. Sebagai masukan dalam analisa profil menggunalan JST adalah data pelanggan, tren penggunaan, dan riwayat pembayaran.
70
Gambar V.10 Ilustrasi penggunaan JST untuk analisa profil pelanggan.
Segmentasi Pasar Pentargetan dirancang untuk meningkatkan efisiensi pemasaran dan meminimalkan resiko. Sebelum model target dibuat, adalah penting untuk memahami pelanggan yang ada saat ini. Kegunaan yang umum dari analisa segmentasi adalah untuk membagi jenis pelanggan berdasarkan keuntungan yang diberikan dan potensi pasar. Analisa segmentasi pasar dapat dilakukan dengan menggunakan data pelanggan, payment, dan revenue. Clustering dan klasifikasi merupakan teknik yang umum digunakan dalam analisa ini.
a.
Segmentasi Pasar dengan Clustering
Clustering dapat digunakan sebagai metode analisa segmentasi pasar. Clustering sesuai untuk kasus di mana kelas segmen belum didefinisikan oleh analis. Analisa segmentasi pasar tentunya melibatkan banyak atribut dari data pelanggan, sesuai dengan karakteristik clustering mampu menangani data dengan dimensi banyak. Berikut adalah ilustrasi penerapan clustering dalam analisa segmentasi pasar:
71
Gambar V.11 Contoh clustering untuk segmentasi pasar.
b.
Segmentasi Pasar dengan K-Nearest Neighbor
Dalam segmentasi pasar, metode k-nearest neighbor dapat digunakan untuk mengetahui seorang pelanggan masuk ke segmen yang mana. Pendekatan ini dapat digunakan jika sebelumnya sudah dilakukan pengelompokan pelanggan dari data pelatihan, karena pendekatan ini bersifat supervised di mana kelas tujuan klasifikasi sudah ditentukan. Metode k-nearest neighbor cocok untuk data dengan atibut bernilai numerik. Untuk data yang bersifat kategorikal, maka proses akan lebih rumit karena harus diubah dulu menjadi nilai numerik. Masalah lain dari metode ini adalah tidak tahan terhadap missing value. Kelebihan dari metode ini adalah mampu menangani dimensi atribut yang banyak. Berikut adalah ilustrasi analisa segmentasi pasar dengan k-nearest neighbor.
72
Pelanggan_ID = 1 Usia = 20 tahun Penghasilan = 1.500.000/bln Internet = 2MB/bulan SMS = 100/bulan Tagihan = 100.000/bulan Segment = A
Pelanggan_ID = 3 Usia = 34 tahun Penghasilan = 4.500.000/bln Internet = 2MB/bulan SMS = 320/bulan Tagihan = 500.000/bulan Segment = C
Ja r
ak ?
Jara k
Pelanggan_ID = x Usia = 22 tahun Penghasilan = 1.700.000/bln Internet = 1MB/bulan SMS = 120/bulan Tagihan = 150.000/bulan Segment = ?
?
Jarak?
Ja ra k?
Pelanggan_ID = 2 Usia = 60 tahun Penghasilan = 1.800.000/bln Internet = 0MB/bulan SMS = 90/bulan Tagihan = 50.000/bulan Segment = B
Pelanggan_ID = 4 Usia = 27 tahun Penghasilan = 3.800.000/bln Internet = 3MB/bulan SMS = 160/bulan Tagihan = 275.000/bulan Segment = C
Gambar V.12 Ilustrasi analisa segmentasi pasar dengan k-nearest neighbor.
c.
Segmentasi Pasar dengan JST
JST juga dapat digunakan untuk pelatihan unsupervised. JST akan mengelompokkan pelanggan tanpa pendefinisian label kelas terlebih dahulu. Sebagai masukan dalam segmentasi pasar menggunakan JST adalah data pelanggan atau calon pelanggan.
Gambar V.13 Ilustrasi penggunaan JST untuk segmentasi pasar.
73
V.2
Estimasi Rencana Implementasi
Estimasi yang seharusnya dilakukan dalam membuat rencana implementasi mencakup: 1. Estimasi usaha atau sumber daya manusia 2. Estimasi biaya dan manfaat 3. Estimasi waktu
Untuk mengimplementasikan arsitektur yang telah didefinisikan perlu diperkirakan usaha yang dibutuhkan, sumber daya yang diperlukan, dan waktu untuk implementasi tersebut. Dalam tesis ini, estimasi demikian tidak dilakukan dengan pertimbangan bahwa penulis tidak mengetahui secara pasti bagaimana kompetensi sumber daya manusia TI yang ada di PT. TELKOM. Selain itu, keterbatasan pengetahuan akan estimasi, ketiadaan pakar estimasi, dan tool estimasi.
Walaupun demikian, penulis mencoba menuliskan elemen-elemen yang terkait dengan biaya dan manfaat sehubungan dengan implementasi arsitektur: 1. Biaya Biaya mencakup segala pengeluaran terkait dengan implementasi arsitektur, yaitu: biaya perangkat keras, perangkat lunak, komunikasi/jaringan, layanan, dan personil 2. Manfaat a. Manfaat nyata (tangible) Manfaat yang dapat dikuantifikasikan secara langsung dalam bentuk satuan uang. Manfaat ini terkait dengan penghematan biaya yang tercapai dengan implementasi arsitektur, yaitu: penghematan biaya pengadaan, penghematan biaya perawatan, dan sebagainya. b. Manfaat tidak nyata (intangible) Manfaat yang tidak dapat dikuantifikasikan secara langsung dalam bentuk satuan uang, berupa: peningkatan pemanfaatan aset TI, informasi yang lebih
74
unggul dalam hal kualitas/kuantitas, peningkatan kepuasan kerja, peningkatan dukungan pembuatan keputusan, peningkatan operasional, peningkatan kepuasan pelanggan dan pengguna layanan, serta peningkatan citra perusahaan.
V.3
Analisa Kesenjangan Implementasi
Redundansi dan Penggunaan Data Sampai dengan saat ini beberapa data PT. TELKOM masih mengalami redundasi. Data yang dimaksud adalah data-data yang berada di kantor regional. Solusi yang ditawarkan adalah pemusatan pemrosesan CIF di kantor pusat. Dengan begitu, semua data dari berbagai sumber dimasukkan untuk proses pengolahan ke kantor pusat. Dan informasi yang dihasilkan dapat diakses kembali oleh kantor regional, berdasarkan parameter dimensi yang dimasukkan.
Keusangan Teknologi Permasalahan utama PT. TELKOM berkaitan dengan penggunaan teknologi dalam implementasi CIF adalah jaringan komunikasi. Hal ini dikarenakan lokasi kantor regional yang tersebar di seluruh Indonesia, terpisah kawasan dan pulau. Permasalahan ini dapat diatasi dengan pengadaan teknologi komunikasi yang tepat.
Integrasi dan Bagi Pakai Data Data warehouse di PT. TELKOM telah mengalami evolusi selama bertahun-tahun. Pada pengembangan awalnya, data regional diolah secara parsial di masing-masing kantor regional kemudian diolah ulang di kantor pusat. Hal ini menyebabkan data berulang (redundansi) dan ketidaksinkronan antara data regional dengan data gabungan di kantor pusat. Untuk menghasilkan informasi yang tepat guna tentunya redundansi ini harus ditiadakan. Standarisasi data dan pemusatan pemrosesan perlu dilakukan, sehingga tercipta ‘single source of truth’.
75
V.4
Permasalahan Implementasi
Dalam implementasinya pengembangan CIF menghadapi beberapa permasalahan serius untuk itu pihak perusahaan perlu memberi perhatian khusus pada beberapa hal, di antaranya: inkonsistensi data, desentralisasi data, masalah desain dan arsitektur, dan masalah kepemimpinan.
Inkonsistensi data Semakin besar suatu perusahaan, maka tentunya akan semakin kompleks data yang ada, baik dalam hal penyimpanan dan pengelolaan. Data perusahaan berasal dari berbagai sumber unit/divisi, menyimpan berbagai paramater berbeda satu sama lain, mencakup proses bisnis yang berbeda, dan tentunya juga memiliki kebijakan pengelolaan data yang berbeda pula antara satu proses bisnis dengan proses bisnis yang lain.
Desentralisasi data Masalah lain yang mungkin muncul adalah adanya data yang tersebar, tidak terpusat di suatu tempat. Pelayanan PT. TELKOM mencakup seluruh wilayah Indonesia yang dibagi menjadi tujuh area regional (Divisi Regional I – Sumatera, Divisi Regional II – Jakarta, Divisi Regional III - Jawa Barat, Divisi Regional IV - Jawa Tengah dan Yogyakarta, Divisi Regional V - Jawa Timur, Divisi Regional VI – Kalimantan, Divisi Regional VII - Kawasan Timur Indonesia). Tentunya masing-masing divisi regional menyimpan dan mengelola datanya sendiri. Untuk itu perlu dipertimbangkan mekanisme sentralisasi data yang tepat, untuk menghasilkan data yang terintegrasi.
Masalah desain dan arsitektur Selain masalah yang terkait dengan data, hal lain yang perlu diperhatikan adalah masalah desain dan arsitektur yang sesuai untuk diimplementasikan di perusahaan
76
tersebut. Pemilihan model desain dan arsitektur CIF sangat menentukan keberhasilan implementasi. Pemilihan desain dan arsitektur sendiri harus mempertimbangkan proses bisnis, lingkup bisnis, kultur perusahaan, serta pemahaman personil perusahaan.
Masalah kepemimpinan Diperlukan komitmen yang kuat dari pimpinan dan divisi teknologi informasi dalam implementasi CIF di suatu perusahaan. Keputusan berkaitan dengan proyek pengembangan CIF harus diputuskan di level strategis. Aktivitas ini termasuk melibatkan pimpinan dalam pendefinisian global dari lingkup dan konfirmasi dari ketersediaan dana dan sumber daya.
V.5
Kunci Keberhasilan Implementasi
Walaupun rencana implementasi ini sangat terbatas, penulis mencoba merumuskan beberapa kunci keberhasilan implementasi jika sekiranya arsitektur hendak diimplementasikan dan rencana ini dilengkapi lagi. Kunci keberhasilan tersebut antara lain: 1.
Keterlibatan dan dukungan manajemen untuk implementasi CIF Persetujuan manajemen PT. TELKOM akan rencana implementasi dan kemudian dukungannya, misalnya dalam bentuk penyediaan anggaran untuk implementasi merupakan hal yang tidak dapat ditawar-tawar untuk keberhasilan implementasi CIF.
2.
Ketersediaan sumber daya manusia yang memiliki kompentensi terkait dengan TI dan CIF Center harus menjamin ketersediaan sumber daya manusia yang kompeten dalam implementasi CIF, seperti: implementasi data, dan aplikasi.
3.
Adanya sosialisasi Jika implementasi CIF di PT. TELKOM membutuhkan keterampilan teknis maupun manajerial untuk menerapkan metode/teknik pengembangan aplikasi, penggunaan teknologi, dan lain-lain maka seharusnya diadakan sosialiasi yang
77
memadai kepada seluruh unit atau divisi terkait sehingga menjamin kelancaran proses implementasinya. 4.
Evaluasi/seleksi/pengadaan/instalasi teknologi baru Arsitektur teknologi telah mendefinisikan teknologi yang diperlukan untuk mengimplementasikan arsitektur data dan aplikasi. Beberapa prinsip dan platform yang diusulkan mungkin berkaitan dengan teknologi baru. Teknologi baru ini harus secepatnya diadakan untuk mendukung implementasi CIF di PT. TELKOM.
5.
Kepemimpinan/keahlian manajerial dalam implementasi Implementasi CIF membutuhkan perubahan pandangan akan pengelolaan informasi yang bersifat reaktif menjadi terencana. Untuk mengubah pandangan ini diperlukan suatu peran kepemimpinan/manajerial untuk menyesuaikan perusahaan dengan perubahan tersebut.
78
