Apa itu produk data?

Produk data dikembangkan dengan pendekatan pemikiran produk dan dengan menerapkan prinsip-prinsip pengembangan produk tradisional. Pendekatan ini melibatkan pemahaman kebutuhan pengguna, memprioritaskan fitur bernilai tinggi dan mengulangi berdasarkan masukan. Pada akhirnya, ia memperlakukan data sebagai produk yang dirancang untuk memecahkan masalah pengguna tertentu. 

Produk data dibangun agar dapat ditemukan ,dapat dioperasikan, dan dapat ditindaklanjuti. Mereka memungkinkan semua orang—mulai dari pengguna bisnis dan analis data hingga ilmuwan data, pengelola data, dan insinyur—untuk mengekstrak nilai yang berarti dari data yang terperangkap dalam suatu perusahaan. 

Konsep produk data menjadi terkenal pada tahun 2019 ketika Zhamak Dehghani, direktur teknologi untuk perusahaan konsultan TI ThoughtWorks, memperkenalkan produk data sebagai komponen inti dari arsitektur data mesh. Data mesh adalah arsitektur data terdesentralisasi yang mengatur data berdasarkan domain bisnis tertentu (seperti pemasaran, penjualan dan layanan pelanggan) untuk memberikan lebih banyak kepemilikan kepada produsen kumpulan data. 

Agar berfungsi secara efektif, produk data harus menunjukkan beberapa karakteristik utama:

McKinsey melaporkan bahwa perusahaan berbasis data memiliki kemungkinan 23x lebih besar untuk mendapatkan pelanggan dan 19x lebih besar untuk mendapatkan keuntungan. Namun, terlepas dari meningkatnya permintaan untuk pengambilan keputusan berbasis data, banyak organisasi terus menghadapi hambatan seperti silo data, vendor lock-in, dan risiko kepatuhan karena kurangnya kerangka kerja tata kelola data.

Untuk mengatasi tantangan ini, beberapa organisasi telah mengadopsi pendekatan data-as-a-product, memperlakukan data sebagai aset yang dikelola dan dapat dikonsumsi daripada produk sampingan alamat.  

Metodologi data-as-a-product menekankan penataan dan mengatur data untuk menginformasikan keputusan bisnis dan meningkatkan pengalaman pengguna. Dibangun di atas dasar itu, produk data menyediakan pendekatan mandiri terstruktur untuk manajemen data, mengurangi ketergantungan pada tim teknis sambil mendukung pengambilan keputusan real-time . 

Organisasi yang berinvestasi dalam produk data dapat mengalami peningkatan dalam akses data, interoperabilitas, penyimpanan data dan tata kelola. Di seluruh industri, produk data memiliki potensi untuk meningkatkan otomatisasi, mendukung pengambilan keputusan berbasis data, dan membantu perusahaan menyelaraskan strategi data mereka dengan tujuan bisnis jangka panjang. Dengan memanfaatkan platform data yang kuat, model machine learning , dan alat visualisasi, organisasi dapat memberdayakan tim untuk memaksimalkan data mereka. 

Produk data sering mencapai keuntungan ini dengan memberdayakan berbagai peran dalam organisasi: 

• Ilmuwan data dan insinyur AI mendapatkan akses lebih cepat ke data dan item yang relevan, mempercepat pengembangan dan penerapan solusi AI dan ML. 

• Insinyur data mendapatkan manfaat dari pengujian, penerapan, dan kurasi data secara otomatis, memastikan jalur pipa memenuhi standar kualitas data dan perjanjian tingkat layanan yang ditentukan dalam kontrak produk data . 

• Analis data dan konsumen menerima data yang tepat waktu dan andal yang selaras dengan kebutuhan spesifik domain mereka dan dapat dengan cepat diperbarui tanpa bergantung pada tim TI pusat. 

• Pengelola data dapat mempertahankan tata kelola dan kepatuhan yang kuat melalui kontrak data, menetapkan pagar pembatas yang jelas yang melindungi data dan menjaganya tetap aman. 

Cara organisasi mengelola data telah berevolusi dari Approach pasif berbasis aset menjadi Strategi aktif berbasis produk.

Secara tradisional, perusahaan memperlakukan data terutama sebagai sesuatu untuk dikumpulkan dan disimpan. Pendekatan ini menempatkan data dalam gudang data pusat atau sistem sumber, mengaturnya berdasarkan bidang subjek (seperti keuangan atau pemasaran) dan menetapkan kepemilikan ke tim terpusat. Kesuksesan sering kali diukur dari volume data, seperti terabyte yang tersimpan, dengan harapan dengan memiliki lebih banyak data, karyawan akan menggunakannya. 

Namun, metadata biasanya ditentukan oleh departemen TI dan tidak ramah bisnis bagi konsumen data. Akibatnya, banyak upaya dengan aset data berkisar pada analitik deskriptif dan pelaporan, melihat ke belakang pada apa yang terjadi daripada menggunakan aset secara proaktif untuk memecahkan pertanyaan bisnis. 

Sebaliknya, melihat data sebagai produk mengalihkan fokus dari penyimpanan, ke penggunaan dan penciptaan nilai.  Produk data mengalami pengalaman siklus hidup produk data dan dirancang, diuji, dan diulangi — seperti produk piranti lunak yang mengikuti metodologi Agile atau DataOps.  

Kepemilikan bersifat spesifik untuk domain tertentu (misalnya, produk data pemasaran yang dikelola oleh pakar pemasaran), yang membuat data tetap relevan dan berkualitas tinggi. Data juga dikuratori untuk kebutuhan konsumsi tertentu, dengan metadata kaya yang didorong oleh bisnis. Ini memastikan bahwa produk data mudah ditemukan dan dimengerti oleh pengguna bisnis.

Karena pemilik data bertanggung jawab atas produk data, ada pemantauan terus menerus terhadap penggunaan, kualitas , dan nilai yang berasal dari suatu produk melalui masukan dengan pengguna akhir.  

Keberhasilan diukur dengan bagaimana data meningkatkan pengambilan keputusan, mendorong pendapatan atau mengurangi biaya, bukan hanya dengan berapa banyak terabyte yang disimpan di toko. Akibatnya, inisiatif produk data dapat memecahkan pertanyaan bisnis dengan analitik lanjutan, seperti pemodelan prediktif dan preskriptif. 

 Produk data yang terstruktur dengan baik terdiri dari beberapa komponen yang memungkinkan fungsionalitas dan kegunaan dalam ekosistem data organisasi: 

• Sumber data: Asal usul data, yang mencakup basis data, gudang data, data lake, data lakehouses, atau aliran data real-time. 

• Ppeline data: Alur kerja otomatis bertanggung jawab untuk menyerap, membersihkan, mengubah , dan memuat data ke dalam format terstruktur yang sesuai untuk analisis.

• Model dan skema data: Struktur terdefinisi yang menstandardisasi organisasi data, meningkatkan aksesibilitas dan konsistensi semantik . Seringkali, ini bergantung pada SQL untuk query dan transformasi. 

• Antarmuka dan API: Mekanisme yang memfasilitasi integrasi dengan aplikasi bisnis dan aplikasi, memastikan akses data yang lancar dan aman. 

• Visualisasi dan dasbor: Alat ramah pengguna yang menyajikan insight melalui laporan interaktif atau tampilan analitis, membantu interpretasi data. 

• Model ML:  Algoritma prediktif yang menganalisis pola dalam data, mendukung pengambilan keputusan berdasarkan informasi melalui  komputasi lanjutan. 

• Kontrol keamanan dan tata kelola: Kebijakan dan tindakan yang memastikan kepatuhan terhadap peraturan tata kelola data , melacak silsilah data, dan mengelola kontrol akses untuk menjaga integritas dan keamanan data . 

Produk data dapat dikategorikan berdasarkan kualitas dan tingkat penyempurnaan data. Jenis produk data meliputi: 

Dengan mengikuti siklus hidup manajemen produk yang terstruktur, tim data dapat membangun produk data yang terus berharga, dapat diskalakan, dan selaras dengan kebutuhan bisnis yang terus berkembang. 

​Tahapan kunci dari siklus hidup produk data meliputi: 

1. Mendefinisikan: Tentukan tujuan bisnis, contoh penggunaan, spesifikasi desain, dan kontrak data. Ini termasuk atribut seperti syarat, ketentuan, dan perjanjian tingkat layanan. 
   
   
2. Pengembangan: Membangun komponen produk data, seperti tabel, tampilan, model, file, dan dasbor. Kemudian, uji terhadap kontrak data. 
   
   
3. Paket: Mengkurasi komponen produk data menjadi paket yang dapat digunakan kembali , diperkaya dengan metadata bisnis dan teknis agar mudah ditemukan di dalam katalog data atau alat penyimpanan data lainnya.
   
   
4. Mengatur: Mengelola izin akses produk data sesuai kontrak data. 
   
   
5. Publikasikan: Publikasikan produk data Anda ke portal untuk ditemukan.  
   
   
6. Konsumsi: Memungkinkan konsumen di seluruh organisasi mengakses produk data dengan mudah untuk mengatasi berbagai tantangan. Kumpulkan masukan konsumen untuk penyempurnaan untuk iterasi di masa mendatang.​ 
   
   
7. Pantau dan lakukan pengulangan: Melakukan aktivitas yang sedang berlangsung seperti memantau penggunaan, kualitas, dan akses. Menerapkan manajemen rilis untuk perubahan versi pada produk data yang diterbitkan.​​ 
   
   
8. Pensiun: Menghentikan produk data karena alasan seperti kurangnya penggunaan atau ketidakpatuhan. Hentikan produk, beri tahu konsumen, arsipkan produk dan bersihkan sumber daya. 

Organisasi di seluruh industri mengandalkan produk data untuk mendorong nilai bisnis, mendukung inisiatif strategis, dan memecahkan masalah bisnis penting.  

Contoh nyata dari produk data meliputi:

• Sebuah bank nasional yang besar menerapkan satu produk data pelanggan yang mendukung 60 contoh penggunaan yang beragam—mulai dari penilaian risiko kredit real-time hingga chatbot AI—berbagai saluran. Akibatnya, bank memperoleh tambahan pendapatan tahunan $60 juta dan mencegah kerugian $40 juta. 
  
  
•  Perusahaan barang kemasan konsumen (CPG) memperkenalkan produk data untuk merampingkan penggunaan data, meningkatkan efisiensi dan skalabilitas. Dengan mengerahkan lebih dari 50 tim lintas fungsi untuk mengimplementasikan solusi berbasis data, perusahaan meningkatkan EBITDA sebesar 18% selama dua tahun. 

Keberhasilan mengembangkan produk data membutuhkan pendekatan strategis yang mencakup pemahaman konsumsi data, pemetaan interaksi data, pengujian nilai pasar, dan pengulangan untuk mendapatkan skala. 

Langkah pertama dalam membuat produk data adalah menganalisis konsumsi data saat ini dalam organisasi. Langkah ini melibatkan identifikasi target pengguna, memahami data yang mereka konsumsi dan mengapa data tersebut penting bagi mereka.  

Mengulas penggunaan data dalam hal volume, frekuensi, sensitivitas, dan jenisnya memberikan insight tentang kumpulan data mana yang memiliki nilai paling tinggi. Dengan memprioritaskan kelompok pengguna yang memiliki dampak besar, organisasi dapat membantu memastikan upaya awal berfokus pada area yang memiliki potensi dampak bisnis terbesar. 

Setelah pola konsumsi data jelas, langkah selanjutnya adalah memetakan perjalanan data. Membuat peta terperinci tentang interaksi data dunia nyata membantu memvisualisasikan bagaimana data mengalir di berbagai sistem dan tim.  

Peta-peta ini dapat berfungsi sebagai dasar untuk bertukar pikiran tentang contoh penggunaan baru yang menghasilkan pendapatan untuk produk data. Mengembangkan hipotesis tentang bagaimana produk data dapat meningkatkan proses bisnis dapat membantu organisasi mulai mengeksplorasi cara untuk mengubah data mentah menjadi insight yang bermakna dan dapat ditindaklanjuti. 

Dengan insight yang tervalidasi, langkah berikutnya adalah mengulang  dan meningkatkan skala. Daripada hanya mengandalkan tim TI pusat, organisasi dapat mendorong kelincahan dan inovasi dengan memberdayakan domain bisnis dan tim untuk menyempurnakan dan meningkatkan produk data. Setelah perbaikan dilakukan, proyek dapat diperluas ke lebih banyak tim dan domain, memastikan bahwa produk data berskala efektif dan terus mendorong nilai bisnis.