1. “Itu Memang Tugasnya IT”
Banyak pemimpin perusahaan utilitas menganggap analitik data bisnis sebagai proyek teknis: serahkan kepada IT, biarkan mereka membuat dasbor, dan wawasan ajaib akan muncul. Tetapi keyakinan itu merupakan cerminan dari Mitos #1 yang diidentifikasi oleh McKinsey & Company dalam artikel mereka tentang data utilitas.
Inilah kenyataannya: analitik tidak hidup dalam ruang hampa. Bagi perusahaan utilitas, di mana Anda harus mengelola keandalan jaringan listrik, infrastruktur, tekanan regulasi, harapan pelanggan, dan banyak lagi, Anda membutuhkan orang-orang dari bidang operasional, unit bisnis, regulasi, dan TI untuk semuanya berada di ruangan yang sama. Jika para pemimpin bisnis memperlakukan analitik seperti "proyek TI biasa", maka wawasan yang dihasilkan tidak akan diadopsi.
Saat melakukan analisis data bisnis, membangun alat saja tidak cukup; Anda mengubah pola pikir, perilaku, dan proses bisnis. Jangan serahkan hal itu sepenuhnya kepada departemen TI.
2. “Sistem Kami Sudah Siap, Jadi Wawasan Akan Mengalir”
Kesalahpahaman besar lainnya: “Kita sudah memiliki semua sistem ini, jadi analisis data bisnis akan berjalan dengan sendirinya.” McKinsey kembali menegaskan: banyak perusahaan utilitas berasumsi bahwa menggabungkan ERP, WAM, CIS, GIS, dll., berarti “kita sudah siap”. Tetapi kenyataannya tidak.
Inilah masalahnya: Anda mungkin memiliki semua data, tetapi kecuali Anda telah memikirkan data mana yang mana, dalam format apa, bagaimana data tersebut digabungkan, bagaimana data tersebut dibersihkan, dan apakah orang dapat mengaksesnya dalam bentuk yang dapat digunakan, maka analisis data bisnis akan terhenti.
Sebagai contoh, sistem lama mungkin menggunakan bahasa data yang berbeda. Silo mungkin tetap ada. Jadi, kunci bagi para eksekutif perusahaan utilitas: petakan data Anda saat melakukan analisis data bisnis. Ketahui sumbernya, alurnya, kualitasnya, dan bagaimana Anda akan menghubungkannya.
3. “Bangunlah Data Lake dan Sisanya Akan Teratur dengan Sendirinya”
Ini mungkin "setengah mitos": banyak organisasi berpikir begitu Anda memiliki repositori data yang sangat besar ("danau data"), maka Anda akan mendapatkan wawasan. Tetapi di dunia utilitas, itu berisiko. Sekali lagi, dari McKinsey: penyimpanan data tidak terstruktur yang besar tanpa konteks bisnis seringkali menjadi kuburan mahal dari "data gelap".
Saat mengejar analitik data bisnis, lake data bukanlah tujuan akhir. Pertanyaannya seharusnya: Pertanyaan bisnis apa yang kita jawab? Kasus penggunaan analitik mana yang memberikan nilai saat ini? Menuangkan semuanya tanpa tujuan seringkali berarti Anda membayar biaya (penyimpanan, kompleksitas) dan mendapatkan sedikit imbalan.
Jadi, ketika Anda merencanakan analitik data bisnis dalam konteks utilitas, mulailah dengan hasil yang diinginkan, kemudian bangun ekosistemnya.
4. “Kualitas Data dan Strategi Dapat Ditunda Hingga Nanti”
Kesalahan umum lainnya: kurangnya investasi dalam tata kelola data, kualitas data, dan strategi analitik. Penelitian di berbagai industri menunjukkan bahwa bisnis yang terjun ke analitik data tanpa rencana yang jelas sering kali membuang waktu, sumber daya, dan kehilangan kredibilitas.
Di sektor utilitas, data sering kali dihasilkan dari ratusan atau ribuan sensor, perangkat lapangan, meter pintar, yang semuanya memiliki protokol berbeda dan kualitas yang bervariasi. Nilai analitik data bisnis di sini bergantung pada data yang dapat dipercaya, proses yang terstruktur, dan tata kelola yang baik.
Jika Anda melewatkan langkah ini, analisis Anda akan menghasilkan temuan yang meragukan ('masukan buruk, keluaran buruk') dan kepemimpinan Anda akan kehilangan kepercayaan.
5. “Silo Tidak Masalah; Setiap Departemen Dapat Melakukan Analisisnya Sendiri”
Di dunia utilitas, berbagai unit bisnis (pembangkitan, distribusi, layanan pelanggan, regulasi, operasional) sering kali menjalankan upaya analitik atau pelaporan data mereka sendiri. Namun, begitu Anda membangun silo, ambisi analitik data bisnis di seluruh perusahaan akan terfragmentasi. Dari sudut pandang analitik energi/utilitas, silo data merupakan hambatan utama.
Jika departemen A dan B masing-masing mengerjakan analitik khusus mereka sendiri tanpa strategi data bersama, Anda akan kehilangan wawasan lintas domain. Misalnya, menghubungkan pola penggunaan pelanggan dengan data kondisi aset jaringan dapat mengungkap prioritas pemeliharaan baru. Tetapi jika hal-hal tersebut berada dalam silo yang terpisah, Anda tidak akan pernah melihat gambaran yang lebih besar.
Jadi, para eksekutif perusahaan utilitas perlu mendorong penyelarasan upaya analitik data bisnis di seluruh perusahaan, bukan hanya per departemen.
5½. “ROI Analitik Akan Datang dengan Cepat Jika Kita Berinvestasi”
Berikut ini poin "setengahnya": ada harapan atau keyakinan bahwa jika Anda berinvestasi pada alat analitik dan mempekerjakan beberapa ilmuwan data, Anda akan melihat pengembalian yang besar dengan cepat. Tetapi kenyataannya beragam. Sebuah blog mencatat bahwa perusahaan-perusahaan besar kurang berinvestasi dalam struktur pendukung di sekitar analitik, yang menyebabkan proyek-proyek gagal.
Dalam konteks utilitas, khususnya, Anda berurusan dengan sistem yang kompleks, aset lama, kendala regulasi, dan investasi jangka panjang. Oleh karena itu, analitik data bisnis tidak selalu memberikan keuntungan jangka pendek kecuali Anda merancang untuk "keuntungan cepat" ditambah dengan cakupan waktu yang lebih panjang.
Solusi: pilih satu atau dua kasus penggunaan berdampak tinggi (misalnya pemeliharaan prediktif, atau peramalan permintaan) dengan metrik yang jelas. Kemudian tingkatkan secara bertahap. Tunjukkan nilainya. Perluas. Jangan mempertaruhkan segalanya pada "kita akan merombak semuanya dengan analitik dalam tiga bulan".
Menyatukan semuanya
Ketika para eksekutif perusahaan utilitas mendekati analitik data bisnis hanya sebagai formalitas ("mari kita terapkan analitik"), mereka sering kali terjebak dalam perangkap ini: menyerahkannya kepada TI, berasumsi bahwa sistem saja akan memberikan hasil, membangun data lake sebelum menjawab pertanyaan bisnis, mengabaikan tata kelola data, mentolerir silo data, dan mengharapkan ROI (Return on Investment) yang instan.
Sebaliknya, jalur yang lebih baik terlihat seperti ini:
• Definisikan: Hasil bisnis apa yang Anda targetkan? (Misalnya, mengurangi waktu henti sebesar 15%, meningkatkan peringkat pengalaman pelanggan, mengoptimalkan biaya siklus hidup aset).
• Menyelaraskan: Melibatkan kepemimpinan bisnis, operasional, TI, dan tim analitik; analitik data bisnis bersifat lintas fungsi.
• Inventarisasi: Petakan data apa yang sudah Anda miliki, di mana data tersebut berada, seberapa bersih data tersebut, dan seberapa mudah diakses.
• Bangun dengan tujuan: Pilih kasus penggunaan yang penting. Hubungkan sistem. Bersihkan data. Pastikan tata kelola.
• Pengukuran: Lacak metrik sejak hari pertama, baik metrik adopsi analitik (siapa yang menggunakan wawasan?) maupun metrik bisnis (apa yang meningkat?).
• Skala: Setelah keberhasilan terlihat, perluas ke lebih banyak domain, analitik yang lebih canggih (prediktif/preskriptif) daripada hanya deskriptif.
• Ulangi: Analisis data bisnis bukanlah sesuatu yang dilakukan sekali saja; data terus berkembang, bisnis tumbuh, dan kematangan analitik Anda juga harus berkembang.
Baca juga: Cara Meningkatkan Bisnis Anda dengan Pelatihan Analisis Data
