Membangun Budaya Data-Driven Decision Making di Institusi Keuangan

Data-driven decision making perbankan berarti bank dan institusi keuangan mengambil keputusan strategis dan operasional berdasarkan data yang konsisten, tepercaya, dan bisa diakses lintas divisi, bukan berdasarkan intuisi atau laporan yang disusun ulang manual di tiap unit. Kuncinya bukan membeli platform analitik baru. Tiga hal yang menentukan: menghapus silo data, membangun fondasi data yang terintegrasi, dan memastikan pimpinan memberi teladan dalam menggunakan data.

Mengapa Budaya Data Menjadi Isu Mendesak

Keputusan kredit, penetapan limit, penentuan harga produk, sampai deteksi fraud kini bergantung pada kualitas data. Tekanan dari sisi regulasi juga makin nyata. Perhitungan cadangan kerugian kredit di bawah PSAK 71 (IFRS 9) membutuhkan data historis yang granular dan konsisten antara fungsi Risk dan Finance. Prinsip BCBS 239 menuntut kemampuan agregasi data risiko dan pelaporan yang akurat, tepat waktu, dan dapat ditelusuri. Ditambah persaingan dengan pemain fintech yang bergerak cepat, institusi keuangan yang keputusannya lambat dan tidak seragam akan tertinggal.

Teknologi bukan satu-satunya kendala. Banyak bank sudah punya data warehouse, dashboard, bahkan tim data scientist, tetapi keputusan di ruang rapat tetap dibuat berdasarkan angka yang berbeda-beda.

Tantangan Utama: Silo Data Antar Divisi

Silo data terjadi ketika tiap divisi mengelola datanya sendiri, dengan sistem, definisi, dan prioritas yang berbeda. Gartner memperkirakan kualitas data yang buruk merugikan organisasi rata-rata belasan juta dolar AS per tahun. Di institusi keuangan, dampaknya terasa langsung di angka yang dilaporkan ke regulator dan manajemen.

Divisi	Data yang dikelola	Dampak jika terisolasi
Risk	Data kredit, parameter risiko, stress testing	Angka cadangan dan limit tidak selaras dengan Finance
Finance	Buku besar, laporan keuangan, profitabilitas	Rekonsiliasi manual berulang setiap periode tutup buku
Fraud & Compliance	Alert transaksi, profil nasabah, data AML	Investigasi terduplikasi, pola risiko lintas fungsi tidak terlihat
Bisnis & Retail	Perilaku nasabah, pipeline penjualan	Kampanye tidak mempertimbangkan profil risiko nasabah
Teknologi Informasi	Core banking, infrastruktur data	Menjadi “penjaga gerbang” data dan antrean permintaan laporan memanjang

Gejalanya mudah dikenali:

• Banyak versi kebenaran. Istilah seperti “nasabah aktif” atau NPL didefinisikan berbeda antar unit.
• Laporan lambat. Satu laporan lintas divisi butuh berhari-hari karena data dikumpulkan dan dirapikan manual.
• Kepercayaan rendah. Manajemen ragu pada angka dan kembali mengandalkan pengalaman.

Akar masalahnya sering organisasional, bukan teknis: kepemilikan data tidak jelas, KPI disusun per divisi, dan sistem lama dibiarkan berdiri sendiri.

Langkah Membangun Fondasi Data Terintegrasi

1. Mulai dari keputusan bisnis, bukan dari teknologi.
Tentukan tiga sampai lima keputusan paling kritis yang ingin diperbaiki, misalnya persetujuan kredit, deteksi fraud, atau alokasi modal. Dari situ terlihat data apa yang benar-benar dibutuhkan dan siapa saja yang terlibat.

2. Tetapkan tata kelola dan kepemilikan data.
Tunjuk data owner dan data steward di tiap domain, susun glosarium dengan definisi tunggal untuk metrik kunci, dan bangun data catalog agar data mudah ditemukan. Tanpa langkah ini, integrasi teknis hanya memindahkan kekacauan ke tempat baru.

3. Konsolidasikan ke arsitektur data yang terintegrasi.
Bangun satu sumber data tepercaya lintas Risk, Finance, dan Compliance, lengkap dengan data lineage agar setiap angka bisa ditelusuri ke sumbernya. Arsitektur ini sekaligus menjadi dasar kepatuhan terhadap prinsip agregasi data risiko BCBS 239.

4. Ukur dan tingkatkan kualitas data secara berkelanjutan.
Terapkan aturan validasi, profiling, dan dashboard kualitas data yang dipantau rutin. Kualitas data adalah proses berkelanjutan dengan penanggung jawab yang jelas, bukan proyek sekali selesai.

5. Buka akses analitik dan AI dengan tata kelola yang jelas.
Setelah fondasi kuat, perluas analitik self-service dan model AI dengan model governance yang memadai. Investasikan juga pada literasi data agar pengguna bisnis mampu membaca dan mempertanyakan data, bukan hanya menerima laporan.

Mulailah dengan target kecil yang terukur, misalnya satu proses lintas divisi yang dipercepat dalam 90 hari. Keberhasilan awal menjadi bukti yang meyakinkan organisasi untuk melangkah lebih jauh.

Peran Leadership: Budaya Dimulai dari Atas

Budaya data tidak lahir dari platform, tetapi dari kebiasaan yang dicontohkan pimpinan. Ada empat peran yang tidak bisa didelegasikan:

• Menjadi sponsor yang terlihat. Inisiatif data yang hanya dipegang tim TI cenderung berhenti sebagai proyek teknologi. Dukungan direksi, termasuk penunjukan pemimpin data yang punya mandat lintas divisi, membuatnya menjadi agenda bisnis.
• Membiasakan pertanyaan “apa datanya?”. Ketika rapat manajemen menggunakan dashboard dan definisi yang sama, tim akan mengikuti.
• Menyelaraskan insentif. Jika KPI tiap divisi hanya mengukur hasil unitnya sendiri, tidak ada alasan untuk berbagi data. Tambahkan target bersama yang mengukur kolaborasi dan kualitas data.
• Menerima data yang tidak nyaman. Budaya data-driven hanya bertahan jika pimpinan terbuka pada temuan yang menantang asumsi lama.

Membangun Fondasi Data Bersama MMI

Mitra Mandiri Informatika (MMI) adalah SAS Strategic Partner di Indonesia yang berfokus pada sektor jasa keuangan. Kami mendampingi institusi keuangan secara end-to-end, mulai dari advisory dan penyiapan infrastruktur hingga implementasi solusi analitik dan AI berbasis SAS Viya, dengan dukungan tim yang berpengalaman langsung di ekosistem SAS global dan memahami kebutuhan perbankan serta asuransi.

Pertanyaan yang Sering Diajukan

Apa itu data-driven decision making di perbankan?
Pendekatan pengambilan keputusan yang mengandalkan data terintegrasi dan tepercaya untuk keputusan kredit, risiko, kepatuhan, dan strategi bisnis, sehingga hasilnya konsisten dan dapat dipertanggungjawabkan.

Mengapa silo data menjadi hambatan terbesar?
Karena tiap divisi memakai data dan definisi yang berbeda, manajemen menerima angka yang tidak selaras, proses pelaporan lambat, dan kepercayaan pada data menurun.

Dari mana sebaiknya bank memulai?
Dari keputusan bisnis yang paling berdampak, lalu tetapkan kepemilikan dan definisi data, baru pilih teknologi yang mendukungnya.

Siap Memulai Transformasi Data di Perusahaan Anda?

Setiap institusi punya titik awal yang berbeda, dari silo antar divisi, kualitas data, sampai kesiapan tata kelola. Konsultasikan transformasi data institusi Anda bersama tim MMI, dan kami bantu memetakan langkah pertama yang paling relevan. KLIK DI SINI.

Sumber: Judah, S., & Chien, M. (2024, 23 Juli). 12 actions data and analytics leaders can take to improve data quality. Gartner. https://www.gartner.com/en/documents/5609291

---

Baca Juga

1. Data Belum Rapi, Sistem Belum Siap: Kenapa Banyak Perusahaan Asuransi Masih Tertatih Hadapi IFRS 17
   Mengapa kesiapan data menentukan keberhasilan implementasi standar pelaporan baru.
2. SAS Analytics Pro: Menyatukan Data Preparation, Analitik Prediktif, dan Governance dalam Satu Platform
   Platform terintegrasi untuk menyatukan persiapan data, analitik, dan tata kelola.
3. Saat Kredit Investasi Melonjak 24,9%, Bagaimana Bank Memastikan Tidak Ada Bom Waktu di Portofolionya?
   Manajemen risiko kredit perbankan dengan SAS ALM.
4. Ketika Setiap Menit Berarti: Bagaimana Analitik Real-Time Mengubah Layanan Asuransi
   Analitik real-time berbasis SAS Viya di industri asuransi.