Data: Minyak Baru – Bagaimana Raffineri Mengubah Informasi Mentah menjadi Nilai Bisnis
Untuk tim perusahaan, data ada di mana-mana—siap untuk membuka wawasan yang mendorong tujuan bisnis ke depan. Kami berbicara dengan dua ahli IoT terkemuka Nokia, Marc Jadoul, Direktur Pengembangan Pasar IoT, dan Denny Lee, Kepala Strategi Analitik, tentang mengubah data menjadi “minyak” yang mendorong pertumbuhan.
ReadWrite: Frasa “data adalah minyak baru” telah muncul di konferensi dan diskusi, namun apa artinya sebenarnya untuk bisnis dan klien mereka?
Marc Jadoul: Dari perspektif nilai, pikirkan data seperti minyak mentah. Sama seperti barel minyak mentah disaring menjadi bahan bakar jet bernilai tinggi, data mentah harus melalui transformasi yang sama untuk membuka nilai penuhnya. Semakin terolakan data, semakin canggih aplikasi yang dapat didayainya.
Bayangkan piramida: dasarnya mewakili data sensor mentah. Tingkat berikutnya melibatkan pemantauan dan penemuan—mengidentifikasi anomali atau tren. Analisis ini menghasilkan informasi kritis yang mendukung pengambilan keputusan berbasis data (DDDM). Jika Anda menambahkan lapisan pembelajaran melalui analitik kognitif, data tidak hanya memberi tahu keputusan tetapi juga memprediksi perilaku di masa depan. Di puncak, data yang sepenuhnya terolakan menjadi pengetahuan yang memungkinkan keputusan otonom oleh mesin dan aplikasi.
Dalam rantai nilai ini, data bergerak dari masukan mentah ke wawasan, kemudian ke pengetahuan, pada akhirnya mengotomatisasi proses. Analogi pemurnian—daripada metafora pelumas—menyoroti bagaimana peningkatan pemurnian memperkuat nilai.
Denny Lee: Ketika frasa “minyak baru” muncul, itu mengingatkan saya pada tahun 1970, ketika kontrol minyak berarti kontrol ekonomi. Data memerankan peran yang sama: menguasainya memungkinkan Anda mengarahkan industri dan pasar Anda. Data sering disebut mata uang, namun itu mentah. Wawasan dan kecerdasan adalah yang benar-benar dibutuhkan bisnis, dan perbedaan itu penting.
RW: Saat berkonsultasi dengan klien tentang inovasi berbasis data, apa yang harus mereka tanyakan pertama kali?
MJ: Mulailah dengan memahami bisnis Anda sendiri dan tantangan yang Anda hadapi. Jangan pursuit solusi sebelum Anda mengetahui masalahnya. Seperti yang Simon Sinek katakan, mulailah dengan “mengapa” daripada “bagaimana” atau “apa.”
DL: Hasil bisnis penting, tetapi Anda juga harus mempertimbangkan audiens dalam organisasi. CEO melihat kotak pasir yang luas, sementara pemangku kepentingan lain berfokus pada domain yang lebih sempit. Peta konteks mereka, lalu bekerja mundur untuk mengidentifikasi data yang akan memecahkan masalah spesifik mereka. Pendekatan ini menyelaraskan analitik dengan tujuan bisnis.
Kolaborasi lintas organisasi adalah kritis—wawasan berharga sering muncul hanya ketika hambatan dipecahkan.
RW: Siapa yang biasanya menjadi juara dalam inisiatif data yang didorong IoT, dan bagaimana Anda menyelaraskan tujuan di seluruh perusahaan?
DL: Dalam IoT, organisasi terpecah menjadi OT (teknologi operasional) dan IT. Juara OT mengontrol infrastruktur, sementara juara IT mengelola aliran informasi. Misalnya, fokus pemeliharaan prediktif mungkin hanya melibatkan anggaran tertentu, sedangkan manajer mungkin mencari dampak lintas fungsi yang lebih luas.
MJ: Analis data memerankan peran penting. Mereka “mengolahan” data, menghubungkan kesenjangan antara masukan mentah dan wawasan bisnis. Keterampilan mereka mencakup matematika, statistik, algoritma, dan pengetahuan domain—esensial untuk menterjemahkan data menjadi keputusan yang dapat ditindaklanjuti.
RW: Apakah berisiko untuk membebani klien dengan terlalu banyak opsi data, terutama jika mereka tidak memiliki talenta internal?
MJ: Bergantung pada solusi. Misalnya, sensor suhu pada unit pendingin hanya memerlukan pemantauan anomali; pemfilteran di sumber mencegah overload data. Pengumpulan data yang cerdas dan pra-pemrosesan awal adalah kunci.
DL: Pikirkan kecerdasan data sebagai tumpukan, mirip dengan otak manusia: lapis terendah menangani keputusan otonom yang cepat; lapis yang lebih tinggi menyediakan kecerdasan diperluas untuk pengawasan manusia. Dalam pabrik IoT, lapis bawah mendorong robotika, sementara lapis atas menawarkan wawasan strategis.
MJ: Komputasi edge adalah ekuivalen modern dari CDN terbalik. Dengan memproses data dekat sumbernya—baik untuk video atau IoT—Anda mengurangi latensi dan menghindari pengiriman volume besar ke cloud. Ini mencerminkan strategi caching yang membuat streaming menjadi layak.
RW: Bisakah Anda memberikan contoh proses berbasis data yang membuka penghematan biaya dan jalur keputusan yang jelas?
MJ: Solusi analitik video kami adalah contoh prima. Ribuan kamera CCTV menghasilkan aliran berkelanjutan, tetapi hanya sebagian kecil yang memerlukan perhatian manusia. Dengan menganalisis video secara real-time, sistem menandai anomali—lalu lintas salah arah, pelanggaran keamanan—memungkinkan respons cepat dengan sebagian kecil tenaga kerja, menghemat biaya sambil meningkatkan keselamatan.
DL: Kasus penggunaan lainnya meliputi pemeliharaan prediktif, rekomendasi tindakan terbaik, analisis akar penyebab otomatis, AI yang berpusat pada pelanggan, dan optimasi operasional. Aplikasi ini melampaui data terisolasi, memberikan nilai seeluruh perusahaan.
Artikel ini diproduksi dalam kemitraan dengan Nokia dan merupakan bagian dari seri yang menjelajahi analitik data, keamanan, dan platform IoT.
