Sesi 1

Trend on Big Data Analytics for Fintech 2019

 Trend 1 : 66% responden beranggapan bahwa layanan Big
data akan booming dalam 1-2 tahun ke depan

Kapan layanan Big Data akan booming di Indonesia?

Dalam kurun waktu 1 tahun

33% ke depan
Dalam kurun waktu 2 tahun
ke depan
17% Dalam kurun waktu 3 tahun
ke depan
Dalam kurun waktu > 3 tahun
33% 13% ke depan
Tidak tahu
4%

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

2 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 2: Data & Analytics dianggap teknologi baru yang paling
besar pengaruhnya terhadap strategi TI perusahaan

Sejauh Mana Teknologi Mempengaruhi Strategi IT

Data & Analytics

API & connectivity

Cloud Computing

Lainnya Data & analytics mendapat score

tertinggi untuk teknologi baru yang
Robotics mempengaruhi IT strategi di
kebanyakan bank
Blockchain

0 1 2 3 4 5
Min Score Maks

Sumber : Banking System Survey 2017/2018 , KPMG, Januari 2018

3 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 3 : Data Monetization akan Meningkat,
Namun Hati-hati Masalah Legalitas!

Pasar data monetization Trend ke depan, data mentah dan berbagai variasi
diperkirakan tumbuh dari value-added content akan diperdagangkan melalui
1,42 Miliar USD di tahun marketplaces atau melalui transaksi bilateral.
2018 menjadi 3,12 Miliar Perusahaan akan memulai mengembangkan metode
USD di tahun 2023 dengan untuk memvaluasi data mereka.
CAGR 17,1%. Pertumbuhan
didorong oleh meningkatnya “Data monetization” akan menjadi sumber revenue
penggunaan sumber data utama, karena dunia akan mengenerate 180
eksternal, pembuatan zettabytes data (atau 180 triliun gigabytes) tahun
keputusan berbasis data, 2025, sementara pada tahun 2017 mencapai 25 ZB.
advanced analytic &
visualization, volume &
variasi data bisnis. Namun demikian perusahaan
harus memperhatikan masalah
legalitas dan data privacy.
Sumber : Sharing Vision, dari berbagai sumber, 2018

4 of 48 Trends on Big Data Analytics for Fintech 2019

 Case : Penyalahgunaan pemanfaataan data Facebook

Meng-capture data pengguna membantu perusahaan untuk dapat menyediakan iklan yang
relevan untuk pengguna, dan pada akhirnya membantu memonetisasi iklan tersebut dengan
lebih baik. Salah satu strateginya melalui social login, dimana pengguna diminta untuk
melakukan sign in dengan akun Facebook.
Akan tetapi kasus pemanfaatan data pengguna Facebook oleh Cambridge Analytica justru
merugikan banyak pihak termasuk Facebook sendiri
(2013) Seorang peneliti dari Cambridge Analytica
membuat personality quiz app
(thisisyourdigitiallife) di dalam Facebook dan
mengharuskan pengguna untuk menambahkan
apps tersebut di akun mereka agar dapat
mengikuti kuis dan surveinya.
Dari apps tersebut, 87 juta profil pengguna FB March 20:
ternyata diperoleh dan dimanfaatkan untuk Dalam 2 hari,
kepentingan kampanye politik di US, tanpa Facebook
sepengetahuan pengguna itu sendiri. kehilangan $50 juta
di market cap
Sumber: Dari berbagai sumber, Sharing Vision, 2018

5 of 48 Trends on Big Data Analytics for Fintech 2019

 Case: Fintech Lending Ilegal Mengakses Data Pengguna
Gojek, Grab dan Tokopedia
merecord history perjalanan Grab & GoJek
• lokasi penjemputan dan tujuan pergi,
• nomor handphone customer dan driver,
• email,
• balance gopay,
• plat nomor Driver
merecord history pembelian di Tokopedia
Fintech • barang apa yang di beli,
Mengakses data Penggunanya • harga barang,
Lending • nama pembeli,
Ilegal dalam menggunakan aplikasi • nomor handphone,
Gojek, Grab dan Tokopedia • email
• alamat kemana barang di kirimkan

Postingan seorang Principal Information Security Consultant di akun

Kategori:
Facebook-nya setelah melakukan pengetesan aplikasi Fintech Lending yang
ada di Play Store:
• database Fintech Lending tersebut dapat di akses secara public tanpa security issue
authentication.
• aplikasi ini juga me-record history perjalanan Grab dan Go-Jek privacy issue
• aplikasi ini juga me-record history pembelian di Tokopedia

Sumber : Sharing Vision, dari berbagai sumber, 2019

6 of 48 Trends on Big Data Analytics for Fintech 2019
 Case : Fintech Lending permalukan peminjam yang telat
bayar: buat Group WA membroadcast ancaman

Aplikasi incash
merecord seluruh
kontak telp di
pinjam Rp 1 juta smartphone peminjam
• potongan Adm Rp 320 ribu
Fintech • cair hanya Rp 680 ribu Kategori:
Lending Total pokok dan bunga Peminjam
Ilegal Rp 1,54 juta jatuh tempo privacy issue
dalam 7 hari

Saat Jatuh Tempo Sehari Setelah Jatuh Tempo 2 Hari Setelah Jatuh Tempo

Salah seorang Tim dari Salah seorang Tim dari
Incash menelpon Incash mengirim poster
Peminjam, mengejar pelecehan seksual, akan
untuk segera membaya disebarkan jika tidak
membayar
Salah seorang Tim dari Incash membuat
grup WA yang berisi Peminjam dan
seluruh kontak yang ada di HP-nya
Poster tersebut disebarkan disana
 Dengan tujuan mendesak supaya
cepat membayar

7 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 4 : Terkait dengan security big data, berbagai provider big
data dan perusahaan telah mendapatkan sertifikasi ISO 27001

ISO/IEC 27001 : 2013 merupakan standar information security Saat ini, ISO sedang
management system mengembangkan beberapa standar
untuk big data
• ISO/IEC 20546 Information
technology – Big data – Overview
Google Cloud Platform menjadi salah satu layanan Google yang and vocabulary *
mendapat sertifikasi ISO 27001. Beberapa produk google cloud terkait • ISO/IEC 20547 Information
big data solution yaitu : Technology – Big data Reference
• BigQuery, • Cloud Datalab, • Cloud Machine architecture
• Cloud Bigtable, • Cloud Dataproc, Learning Engine, Part 1: Framework and Application
• Cloud Dataflow, • Cloud Datastore, • Cloud Pub/Sub, dll. Process *
Part 2: Use Cases and Derived
Provider lain yang juga telah mendapat sertifikasi ISO 27001 Requirements
Part 3: Reference Architecture *
Part 4: Security and Privacy Fabric *
Part 5 : Standards Roadmap
AWS (Amazon Microsoft Teradata IBM Cloud * Under development
Web Services) Azure Cloud
Sumber : www.iso.org, dan dari berbagai sumber, Sharing Vision, 2018

8 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 5: Akan makin banyak aktifitas digitization dan
pemanfaatan dark data.
Dark data: data tidak terstruktur, untagged dan pada dasarnya belum dimanfaatkan
(analisis atau proses) yang ditemukan di data repositories. (KDNUGGET)
Dark data: asset informasi yang dikumpulkan, diproses dan disimpan organisasi selama
aktifitas bisnis, namun umumnya gagal digunakan untuk tujuan lain (misalnya analytics,
business relationships dan direct monetizing). (Gartner)

Customer file Log file

Indiana University Health
mempertimbangkan catatan dokter baik tertulis
Financial statement Raw survey data maupun lisan selama konsultasi pasien untuk
dianalisis, menggunakan voice recognition, deep
learning, and text analysis capabilities, untuk
Email correspondence Presentation memperkuat pemahaman selama proses
diagnosis penyakit pasien
Gartner mengaitkan pemanfaatan dark data sebagai salah satu solusi masalah penimbunan
data: di tahun 2021, sebanyak 80% organisasi tidak memiliki kebijakan data security untuk
menangani masalah penimbunan data.
Sumber: https://techwitty.com.au/how-will-dark-analytics-change-your-app-
development/

9 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 6: Augmented Analytics akan menjadi disruption
berikutnya pada data & analytics market
Pada 2019, 50% dari analytics query akan dihasilkan menggunakan pencarian,
natural language query atau voice, atau akan dihasilkan secara otomatis
Menurut Gartner, 40% tugas data analyst akan diotomatisasi pada 2020.
Augmented analytics menawarkan organisasi mendapatkan insight dengan
lebih cepat, menggabungkan machine learning dan natural language
processing bersama-sama untuk mengotomatisasi proses untuk
menghasilkan business analytics.

Pada 2020, Augmented Analytics akan menjadi driver Global Augmented Analytics
dominan dalam pembelian baru terhadap analytics & Market diperkirakan tumbuh
BI, Data science, ML dan embedded analytics. 30 % (CAGR)
Para Data & Analytics Leader harus merencanakan USD
USD
untuk mengadopsi augmented analytics sebagai 4.8 18.4
platform capabilities mature. Milyar Milyar
_Gartner, 2019_
2018 2023
Sumber : Sharing Vision, dari berbagai sumber, 2019

10 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 7: DataOps Data Analytics menjadi salah satu trend
Big Data Analytics yang perlu diperhatikan
Perusahaan menggunakan DataOps untuk membangun data analytics
platform dengan lebih efisien.

Perusahaan telah berinvestasi DataOps adalah metodologi operasional

73% pada DataOps pada 2018 seacara agile yang menggabungkan tim
Sumber : Nexla, 2018 DEvOps dan Data Engineer

Konsep DataOps akan DataOps menerapkan metode DataOps mendorong

tumbuh secara signifikan Agile dan DevOps ke seluruh kolaborasi , quality &
pada 2019 ini karena data analytics lifecycle, dari continuous improvement,
data pipelines menjadi pengumpulan data ke dan menggunakan kontrol
semakin kompleks dan persiapan analisis, proses statistik untuk
membutuhkan lebih menggunakan pengujian dan memantau data pipeline
banyak tool integrasi dan delivery otomatis untuk data untuk memastikan kualitas
governance. quality & analytics lebih baik. yang konstan dan konsisten.

11 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 8 : Sebagian besar (78%) data scientist
menggunakan data yang diperoleh dari sistem internal.

Lebih dari setengah responden data scientist menggunakan setidaknya

3 sumber data termasuk mengumpulkan data internal secara manual.
Data Source
Publicly available datasets 41%

I/my team collect ourselves 43%

Generated from internal systems 78%

Collect internally 68%

Outsource collection 28%

0% 20% 40% 60% 80% 100%

Sumber: Data Scientist Report, Crowd Flower surveyed 179 data scientists
globally, multi companies ranging in size from <100 to 10,000+.

12 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 9 : Akan makin banyak perusahaan mempertimbangkan
data eksternal, termasuk social media dan data dari mobile
phoen pengguna

360
Internal Eksternal
Degree

Data untuk analitik dan BI Data untuk analitik dan BI Data untuk analitik dan BI
bersumber dari internal bersumber dari eksternal bersumber dari internal
perusahaan, misalnya perusahaan. perusahaan (180 °) dan eksternal
data operasional Contoh data cuaca perusahaan (180 °).
perusahaan. digunakan supply chain
management Tesco
(supermarket chain di UK)
https://channels.theiannovationenterprise.com/articles/data-analytics-top-trends-in-2018

13 of 48 Trends on Big Data Analytics for Fintech 2019

 Content/ Information Extraction

Information Extraction merupakan aplikasi utama dalam machine learning. Aplikasi ini
mengekstrak konten web seperti artikel, publikasi, dokumen, dll.
Perusahaan yang menggunakan aplikasi Content/Information Extraction:

• Dataminr mengembangkan produk • Alphasense menggunakan algortima

desktop dan API yang menyediakan
custom signal creation, integrasi dataset,
dan layanan back-testing.
• Dataminr mengubah data real time dari
twitter dan sumber publik lainnya ke dalam
bentuk actionable signals.
• Dengan parsing twitter firehose secara real
time, Dataminr menghasilkan satu “crowd
sentiment” dataset pertama yang dijual ke
bank investasi dan hedge fund.
pencarian yang canggih dan NLP untuk
memungkinkan pengguna untuk mencari,
menavigasi, set alert, dan menganalisa
pengajuan, penelitian, berita, dan
pengungkapan lainnya untuk critical data
points

14 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 10 : Fintech memanfaatkan Big Data Analytic/
Machine Learning secara masif
Fraud Prevention Personalized Experience
& Detection Memprediksi
ML dapat digunakan untuk stock
Dengan menemukan pola dan menganalisa data customer
menggunakan predictive analytics, market
dan memprediksi layanan apa
ML dapat mem-blok transaksi fraud yang lebih disukai customer ML menganalisa data masa
dengan tingkat akurasi yang cukup atau dapat juga memberikan lalu dan data real-time
baik. saran yang membantu tentang perusahaan dan
customer. memprediksi nilai saham
Customer Support masa depan berdasarkan
Penggunaan ML untuk Chatbot : informasi ini
Membantu proses
save money, meningkatkan
customer engagement & underwriting
Marketing
streamline customer support ML dapat menilai dan
Big data dapat membantu
memprediksi trend
Sentiment Analysis memahami target audiens,
underlying asuransi
meningkatkan price point
ML digunakan untuk maupun pinjaman yang
strategy dan menciptakan real-
mengumpulkan dan menganalisa dapat mempengaruhi
time personalized marketing
pendapat customer terkait produk/ industri finansial di masa
campaigns.
layanan. yang akan datang

15 of 48 Trends on Big Data Analytics for Fintech 2019

 Contoh Penerapan Big Data Analytics/ Machine Learning
pada Fintech

16 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 11: Predictive Analysis digunakan untuk penilaian
Skor Kredit dan Kredit Macet
Machine learning yang digunakan dalam penilaian skor kredit dan kredit macet dapat
meringkas beberapa proses yang sehingga dapat dilakukan dalam satu hari.

Day Day Day Day Day Day Day Day

1 1 1 1 2 3 4 5

Rate check Pengumpulan Penawaran Pengumpulan Pinjaman Pinjaman Validasi Dana

Informasi Pinjaman yang Informasi dirimkan didanai rekening disetorkan
Awal Disesuaikan dan Akhir kepada bank dan
Pinjaman Alternatif Lain investor email

Perusahaan yang menggunakan aplikasi Predictive Analysis:

• Mengandalkan predictive • Algoritma machine

• Bekerja sama dengan modelling untuk mengelola data learning menentukan
Credit Karma untuk yang dikumpulkan berupa data 15% teratas yang paling
menghasilkan credit rekening, penjualan online/offline, mungkin untuk
score. data akuntasi Intuit, pembayaran membayar pinjamannya.
Paypal, dll untuk mitigasi risiko.

17 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 12: Penggunaan Innovative Credit Scoring

Beberapa layanan fintech telah menggunakan alternative sumber data untuk

menentukan credit scoring. Alternative sumber data ini dapat berupa data social media,
informasi perangkat,contact list, data GPS dll.

Perusahaan yang menggunakan aplikasi Predictive Analysis:

Tala menggunakan data telepon Dengan menerapkan Machine

untuk merevolusi micro financing. Learning, Branch telah menciptakan
pendekatan algoritmik untuk
Untuk mengevaluasi kelayakan kredit, menentukan kelayakan kredit melalui
aplikasi Tala memberikan akses ke
berbagai data, dari informasi biografi smartphone pelanggan
dasar hingga jumlah kontak pemohon (pemohon)
pinjaman orang setiap hari.

18 of 48 Trends on Big Data Analytics for Fintech 2019

 Accurate Decision-Making
Proses finansial dan decision-making dapat diperkaya dengan teknologi machine
learning yang memungkinkan komputer untuk memproses data dan membuat
keputusan (seperti hal yang berkaitan dengan pinjaman) lebih cepat dan efisien.

Perusahaan yang menggunakan aplikasi Accurate Decision-Making:

• Affirm mengumpulkan • BillGuard mendeteksi aktivitas

• Zestfinance mengklaim
data nomor telepon, bahwa dalam membuat kartu setiap hari dan pengguna
nama, tanggal lahir, akan diperingati mengenai biaya
keputusan kredit dapat
dan 4 digit terakhir dari dilakukan dalam waktu tersembunyi, kesalahan
nomor social security penagihan, langganan yang
kurang dari 10 detik
untuk melakukan menyesatkan, dan scam yang
underwriting decision. ditemukan oleh orang lain
Keseluruhan proses • Melalui aplikasi iOS dan
terpenuhi dalam 2 menit androidnya, akan memberikan
atau kurang push warning ke device ketika ada
sesuatu yang salah.

19 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 13: Fraud Detection and Identity Management

Solusi untuk fraud detection dibangun dengan analisa histori data transaksi sehingga
dapat mendeteksi pola kecurangan. Selain itu, beberapa perusahaan juga menggunakan
machine learning untuk autentikasi biometric.
Perusahaan yang menggunakan aplikasi Fraud Detection and Identity Management:

• Menggunakan analisis big data
dan machine learning untuk
mencegah penipuan
• Memproses fraud score dalam 25
milidetik
• Data yang dikumpulkan untuk
mengukur fraud score:
Data internal (contoh:
transaction history), Data public
(contoh: facebook), Data Feedzai
(contoh: disposable email), Data
Purchased (contoh: ENCAP)
• Nymi merupakan • EyeVerify • Untuk pendeteksi fraud,
authenticator yang menyediakan BioCatch menggunakan
aman dan dapat Eyeprint ID, sebuah behavioral biometric
dipakai terus menerus solusi software untuk mendeteksi
berdasarkan pada biometric untuk eye fraudster.
electrocardiogram recognition • Software BioCatch
(ECG) melalui menggunakan berbasis cloud
teknologi eksklusif biometric pembuluh mengumpulkan dan
yang disebut HeartID. darah mata. menganalisa lebih dari
500 parameter kognitif
untuk mengghasilkan
unique user profile.

20 of 48 Trends on Big Data Analytics for Fintech 2019

 Trend 14: Building Trading Algorithm

Machine learning juga dapat digunakan dalam menciptakan algortima untuk keputusan
trading. Algorithmic trading, yang juga disebut high-frequency trading, adalah penggunaan
sistem otomatis untuk engidentifikasi sinyal trading yang benar di antara sejumlah besar
data yang menangkap dinamika pasar saham.
Perusahaan yang menggunakan aplikasi trading algorithm:

• KFL membuat prediksi pada time-series • Binatix menngembangkan Hierarchical Deep

financial data.
• Live financial data disajikan ke Krystal
beberapa kali sehari dan dalam hitungan
detik sebuah prediksi dibuat pada arah dan
besarnya perubahan harga di pasar yang
dipilih.
Recurrent Neural Network, HD-RNN, software toolkit
yang fleksibel, versatile, dan mudah digunakan pada
deep-learning neural network framework
• Dengan bantuan expert atau knowledge yang sudah
ada dapat menemukenali sendiri pola yang sering
terjadi sehingga dapat digunakan untuk pengambilan
keputusan.

21 of 48 Trends on Big Data Analytics for Fintech 2019

 Apa sebenarnya pengertian big data dalam scope
perusahaan?
Microsoft
Kekuatan komputasi 10%
IBM Big data adalah sebuah istilah yang
digunakan untuk menjelaskan Kompleks 10%
Big data datang dari berbagai
proses penerapan power
sumber yang menandakan velocity, Metode khusus 10%
komputasi menjadi massif dan
volume, dan variety
kumpulan informasi yang sangat Pengambilan keputusan 17%
kompleks
Analisis data 17%

Oracle Wikipedia Cara tradisional tidak memadai 27%

Big data adalah asal mula value dari Big data adalah istilah untuk Velocity 17%
traditional relational database- kumpulan data yang sangat besar
penggerak pengambilan keputusan atau kompkeks dimana aplikasi Variety 33%
dalam bisnis, ditambah dengan data processing tradisional tidak Volume 57%
sumber data tidak terstruktur memadai

Gartner KESIMPULAN:
McKinsey
Big data adalah high-volume, high-
Big data adalah kumpulan data Big data adalah sistem yang menangani data
velocity, high-variety informasi yang berukuran sangat besar, variety dan
yang ukurannya diluar dari
yang membutuhkan cost-effective,
bentuk inovasi yang memungkinkan
kemampuan database software velocity yang beragam, yang tidak dapat
yang biasa digunakan untuk
peningakatan wawasan,
menangkap, menyimpan,
diproses dengan sistem tradisional di
pengambilan keputusan, dan proses perusahaan, yang tujuan utama-nya adalah
mengelola, dan menganalisis
automasi
untuk analisa advance untuk membantu
Dan masih banyak lagi pihak yang memberikan definisi-nya
perusahaan dalam mengambil keputusan.
Sumber: Diolah oleh Sharing Vision, dari 30 definisi, 2016

22 of 48 Trends on Big Data Analytics for Fintech 2019

 Sumber-Sumber Utama Big Data

88% Sumber data untuk system big data berasal dari data transaksi. Dari sumber
data ini sangat mungkin sudah dapat diperoleh temuan-temuan yang berguna
untuk perusahaan.

Sumber big data berdasarkan survey

Source: IBM
Sumber: Lori Lewis and Chadd Callahan of Cumulus Media, 2017

23 of 48 Trends on Big Data Analytics for Fintech 2019

 Berdasarkan survey, masing-masing sumber data mempunyai
tingkat efektivitas untuk mencapai nilai bisnis tertentu

Sangat
DATA SOURCE VALUE ASSESSMENT Baik Cukup Kurang
Baik
Increase
Increase # Corporate Promotional Improve NPI Operation
Data Source Store
Revenue Events Effectiveness Effectiveness Management
Traffic
INT Point of Sales Transaction
INT Market Baskets
INT Consumer Comments
INT Store Demographics
INT Sensors and IoT
EXT Local Competitive Stores
EXT Local Events
EXT Social Media
EXT Weather
NPI : New Product Introduction Sumber: EMC2, Updated by Sharing Vision

24 of 48 Trends on Big Data Analytics for Fintech 2019

 Horizontal Use Case

BIG DATA "USE CASES"

WITHIN BUSINESS
Finance Telecom Government Health-
10% care
10% Horizontal Use Cases
12% 48% • Sentiment analysis
• Social CRM/Network Analysis
21% • Churn Mitigation
• Brand monitoring
• Cross and Up sell
Customer Analytics • Loyalty & promotion analysis
• Web application optimization
Operational Analytics
• Marketing campaign
Fraud & Compliance optimization
• Brand management
New Product & Service Innovation
• Social media analytic
Enterprise Data Warehouse Optimization • Pricing optimization
• Internal risk assessment
Sumber: https://www.forbes.com
Oil & Gas Online Manufacturing
Retail
• Customer Behavior analysis
(customer insight, customer
experience)
• Revenue assurance
• Logistic optimization
• Clickstream analysis
• Influencer analysis
• IT Infrastructure Analysis
• Legal Discovery
• Equipment monitoring
• Enterprise search
• Data monetization

25 of 48 Trends on Big Data Analytics for Fintech 2019

 Customer Behavior dan Fraud Analysis menjadi prioritas utama
Use Case Big Data yang sudah/ berpotensi untuk
diimplementasikan di perusahaan

Customer Behaviour Analysis 63%

Fraud Analysis 50%
Loyalty & Promotion Analysis 33%
Predictive Maintenance 29%
Credit Scoring 25%
Social CRM/Network Analysis 13%
Sentiment Analysis 8%
360 Customer View 8%
Lainnya 25%

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

26 of 48 Trends on Big Data Analytics for Fintech 2019

 Pengertian Data Science?

Salah satu cara untuk memandang data science adalah suatu langkah evolusioner
dalam bidang interdisipliner seperti analisis bisnis yang menggabungkan computer
science, pemodelan, statistik, analitik, dan matematika. (NYU, 2017)

Data science adalah gabungan multidisiplin dari inferensi data,

pengembangan algoritma, dan teknologi untuk menyelesaikan
masalah yang rumit secara analitik. (Data Job, 2017)

Data science merupakan suatu bidang yang mengacu pada sekumpulan proses, teori,
konsep, tools dan teknologi yang memungkinkan analis utnuk melakukan tinjauan
analisis, dan ekstraksi pengetahuan dan informasi berharga dari data mentah.
(Techopedia)
Data science adalah suatu studi terhadap data. Data science
meliputi pengembangan metode untuk merekam, menyimpan
dan menganalisa data untuk mengekstrak informasi berharga
secara efektif. (Techterm)

27 of 48 Trends on Big Data Analytics for Fintech 2019

 Lingkup Data Science

28 of 48 Trends on Big Data Analytics for Fintech 2019

 Pertumbuhan data dan perkembangan implementasi big data
tidak diiringi dengan pertumbuhan SDM ahli.

Pertumbuhan Data Global (ZB) Proyeksi Kekurangan Data Scientist di

CAGR: 41% USA vs di Indonesia 2018
35
0,79 1,2 7,9 US
(Ribu Orang) Sebagai contoh di USA,
2009 2010 2015 2020 490 diperkirakan supply hanya
300 memenuhi 50%-60%
Produksi data akan mencapai 44 kali lebih besar demand pada tahun 2018
pada tahun 2020 jika dibandingkan dengan Supply Demand Sumber: McKinsey
jumlah data pada tahun 2009.
1 ZB = 1 Triliun GB Sumber: IDC Indonesia
Di Indonesia, demand
Estimasi Kebutuhan Data Science & 2700 data scientist hanya
Analytic (Juta) 500
CAGR 64%
dapar dipenuhi sekitar
Kebutuhan data 0 50% pada 2018.
2,72 scientist mencapai Supply Demand
11 2,7
angka 2,7 Juta pada
2018 2020 Sumber: Sharing Vision, dari berbagai sumber, 2018
(kdnuggets.com) (PwC) 2020 Sumber: PwC, 2017

29 of 48 Trends on Big Data Analytics for Fintech 2019

 Pengertian Chief Data Officer (CDO)

CDO adalah senior executive yang

bertanggungjawab kepada
strategi exploitasi data
CDO (mining, analytics, insight) dan
tata kelola data (policy, quality,
lifecycle, privacy, proteksi, security)1).
CDO dan CIO dalam perusahaan
seharusnya tidak saling
overlapping dalam jobdesc-nya.
Bahkan CIO harus turut serta dalam
merumuskan job-desc CDO.

Perusahaan-perusahaan saat ini dan masa depan membangun bisnis

berdasarkan data dan hasil analisis data, namun mungkin banyak yang
belum terkelola dengan baik. CDO berperan untuk memaksimalkan
value dari data bagi perusahaan. Menurut Gartner, CDO peran CDO akan
terus meningkat, terutama di perusahaan yang dituntut ketat mengikuti
regulasi, seperti finance, public, O&G, dan lain-lain.
1)Sharing Vision, 2018

30 of 48 Trends on Big Data Analytics for Fintech 2019

 Peran Chief Data Officer

Insight dioperasionalkan di BI/DW

product oleh data architect

Data scientist adalah yang

mencari insights
Insigth dibagikan di
perusahaan

CDO atau Lead Data Scientist adalah executive

yang bertanggung jawab dan akuntabel untuk
data life cycle dalam perusahaan, mengelola
orang yang terlibat dalam data activities, seperti
akuisisi, analitik, proses, tata kelola, kualitas,
teknologi, dan anggaran.

31 of 48 Trends on Big Data Analytics for Fintech 2019

 8 pilar dari Data Leader / CDO

1 2 3 4 5 6 7 8

Data Master Data Data Data Data Data Data

Innovation
Governance Management Quality Compliance Security Analytics Monetization

Menentukan Menguraikan Menentukan Menentukan Menentukan data Menguraikan Membangun

Menggambarkan
struktur proses, struktur panduan, langkah-langkah pemeriksaan, framework yang sumber data
kapabilitas yang
governance peraturan, regulasi dan best untuk mencegah pembersihan, dapat untuk
diperlukan
yang kuat kebijakan, practice tingkat akses tidak sah transformasi dan membantu mendukung
perusahaan untuk
termasuk standar dan tool tinggi dalam pada komputer, pemodelan yang pelanggan untuk perusahaan
membersihkan,
komite/dewan yang diperlukan mempertahankan database dan bertujuan untuk memahami nilai dalam
mengelola dan
dan garis untuk mengelola data compliance website. Serta menemukan dari data mengidentifikasi
menyediakan data
pertahanan data penting di perusahaan melindungi data informasi yang peruahaan agar model bisnis dan
yang dapat
untuk sebuah dari data berguna, dapat aliran
diandalkan di
memastikan perusahaan corruption. menyarankan merealisasikan pendapatan
seluruh
adanya yang kesimpulan, dan peluang baru.
perusahaan
pengawasan dan menyediakan mendukung pendapatan.
pelaksanaan satu titik acuan pengambilan
Data Analytics keputusan
serta praktik-
praktik terkait

Sumber : https://www.pwc.se/sv/events/kunskapsdag-gbg-2017/31-the-role-of-the-chief-data-officer.pdf

32 of 48 Trends on Big Data Analytics for Fintech 2019

 Jumlah perusahaan yang memiliki Chief Data Officer
semakin meningkat.

Pada 2020, 50% perusahaan

besar akan memiliki CDO yang
memiliki pengaruh dan otoritas
Pada 2019, 90% yang setara dengan CIO
perusahaan besar akan
memiliki CDO
(Gartner) Penunjukkan
Chief Data Officer

12% 56% 63% 68%

2012 2017 2018 2019
Sumber: Big Data and AI Executive Survey 2019
Sumber: Tableau, 2018 Top 10 Bi trends , NewVantage Partner, 2019

33 of 48 Trends on Big Data Analytics for Fintech 2019

 Survey mengenai Peran CDO (Chief Data Officer)

Peran CDO Saat Ini Peran CDO di Masa Depan

41% 45% 45%

59%
Offensive | Menciptakan produk baru |
Mendorong revenue | Strategis dan inovasi
Defensive | Compliance dan regulasi | Reaktif
10%
Mendorong inovasi dan data-culture
Mengelola data sebagai aset perusahaan
Memastikan pemenuhan regulasi dan
compliance

Sumber: Big Data Executive Survey 2017, NewVantage Partners

34 of 48 Trends on Big Data Analytics for Fintech 2019

 Mengembangkan strategi data & analitik perusahaan
menjadi tanggung jawab CDO.

Tanggung Jawab Utama CDO Kepada Siapa CDO harus melapor

Mengembangkan semua strategi Chief Executive

2,20%
data & analitik di perusahaan
44,40% Officer (CEO)
13,30% Chief Operating
Mengkoordinasikan data initiatives 6,70% Officer (COO)
di perusahaan
26,70% Chief Information
Officer (CIO)
Memimpin semua data initiatives 35,60% Chief Risk or
di perusahaan
20% Compliance Officer
Chief Financial
Memastikan kepatuhan terhadap 17,80% Officer (CFO)
6,70%
peraturan 8,80% Chief Marketing
Officer (CMO)
Mengembangkan sumber revenue 15,60% Lainnya
baru
2,20%

Sumber : Big Data Executive Survey 2018 ,

NewVantage Partner , Januari 2018 Sumber : Big Data Executive Survey 2017 ,
NewVantage Partner , Januari 2017

35 of 48 Trends on Big Data Analytics for Fintech 2019

 38% berpendapat CDO haruslah berasal dari pihak eksternal, sedangkan 32%
berpendapat CDO harus berasal dari Internal perusahaan.
Di pihak lain 45% responden setuju bahwa secara jangka panjang, CDO akan duduk
di Executive Committee

Latar Belakang CDO Peran Long Term dari CDO

External change agent 38,20% 45%
Duduk di executive
(outsider) 34,00%
committee
50%
Veteran perusahaan (insider)
32,40%
32,10%
Melaporkan ke 37,50%
Data scientist (analytics 5,90%
background) 15% executive committee
37,10%
Line executive yang
bertanggung jawab terhadap
13,20% CDO merupakan
hasil keuangan
11,30% peran sementara di 17,50%
2019 perusahaan yang
Technology executive 10,30% kemudian akan 12,90%
(technology background) 7,50% 2018
digantikan

Sumber : Big Data & AI Executive Survey 2019 , NewVantage Partner , 2019

36 of 48 Trends on Big Data Analytics for Fintech 2019

 Di Indonesia, Chief Data Officer belum populer, pengelolaan big
data analytics masih dibawah Direktur IT/
Chief Information Officer

Chief Information Officer/Direktur IT 40%

Ada unit tersendiri Big Data 20%

Chief Data Officer 10%

Lainnya 30%

N = 10

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

37 of 48 Trends on Big Data Analytics for Fintech 2019

 Posisi Chief Data Officer dalam Organisasi

PROCESS-ORIENTED CDO OPERATIONAL CDO

Typically in Risk, Compliance or other Business Support function Operating shared-services, with Board-level a accountability
Board/ Board/
CEO CEO

CRO COO CIO BU-1 BU-2 CDO CRO COO CIO BU-1…
Data Monetization
Governance Process
CDO Decision Making

REVENUE-ORIENTED CDO REVENUE-ORIENTED CDO

Aligned to Business Unit (e.g: CMO), supporting revenue goals/SLA Typically leading within IT, focus on efficient access to data
Board/ Board/
CEO CEO

CRO COO CIO BU-1 BU-2 CRO COO CIO BU-1 BU-2

CDO CDO CDO

Sumber: Oracle, 2015

38 of 48 Trends on Big Data Analytics for Fintech 2019

 Struktur Organisasi dan Tim

Chief Data Officer

Key supporting Customer of Data
functions: Analytics and Analytics

Data Science
Intelligence
Reporting

Specialist
Technology B2C dan B2B

Vertical
Data
Product Editorial

Research Product

3rd parties Campaign Management Finance

Data Strategy Advertising

Board & Strategy

39 of 48 Trends on Big Data Analytics for Fintech 2019

 The Mind Set of the Data Leader

Mampu mempercepat revenue

dengan menciptakan business
Paham untuk beralih model dan penawaran yang baru
ke platform dari
produk
4
3
Mempercepat
2 waktu siklus
Memecahkan
data silos dalam 5
bisnis
6 Menciptakan
perusahaan yang agile
1 dan ramping
Menangani data
management bukanlah
sebuah project, namun Bekerja sama dengan
sebuah proses yang pelanggan
berevolusi (internal/eksternal)
7

40 of 48 Trends on Big Data Analytics for Fintech 2019

Survey Big Data Analytics di Indonesia
 Pengembangan Big Data sebagian besar dilakukan secara outsource.
Sementara High End Solution dan Cloud adalah infrastruktur yang saat
ini dinilai paling sesuai untuk perusahaan. Dan untuk Cloud sendiri,
banyak responden yang menggunakan AWS.
Pengembangan big data Infrastruktur
yang lebih efektif 36%
High end
solution
Membeli
22% Inhouse Provider yang digunakan
22% 27% 75%
C0mmodity
HW
36%
50%
N = 22
Cloud
25%
56%

Outsource AWS Microsoft Lainnya

N = 23 Azure N=4

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

42 of 48 Trends on Big Data Analytics for Fintech 2019

 Data source utama adalah data transaksi, adapun platform
utama yang banyak diimplementasikan adalah Hadoop dan
Azure
93%
Data input yang
40% 40% 27%
akan diolah dalam 1 7%
tahun ke depan
N = 11 Data transaksi Teks (email, fax, Data sensor atau Media sosial Data Image
pdf) IoT

77%
Platform/tools yang digunakan atau dikenal/direkomendasikan
50% 54%
31% 31% 42%
23% 25% 17% 15% 23% 25%
0% 0% 0% 8%

Hadoop Spark MapR Cloudera Hortonwork SAS Microsoft Belum Tahu

Azure
SUDAH mengembangkan atau SEDANG merancang sistem Big Data
BELUM berencana mengembangkan sistem Big Data
*Jumlah responden yang menjawab: 12 yang SUDAH dan 13 yang BELUM

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

43 of 48 Trends on Big Data Analytics for Fintech 2019

 Phyton dan R menjadi bahasa pemrograman
yang digunakan/ direkomendasi untuk
mengembangkan sistem Big Data.
Bahasa pemrograman yang saat ini digunakan atau direkomendasikan
86% 86%

42%
29%
33% 33%
25%
17% 14%
8% 8%

SAS Java Phyton R Scala C/C++ Lainnya, Belum

sebutkan tahu
SUDAH mengembangkan atau SEDANG merancang sistem Big Data
BELUM berencana mengembangkan sistem Big Data
*Jumlah responden yang menjawab: 12 yang SUDAH dan 7 yang BELUM

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

44 of 48 Trends on Big Data Analytics for Fintech 2019

 Keahlian SDM yang dibutuhkan perusahaan untuk
membangun/mengelola Big Data adalah Data Engineer dan Data
Scientist.

Data Engineer 65%

56%
Data Scientist 54%
89%
Subject matter expert (Substantive expert) 54%
50%
Programmer 35%
17%
Big Data technology engineer 23%
44%
Statistician 15%
33%
Lainnya 31%
17%

Keahlian yang dibutuhkan saat ini Keahlian yang dibutuhkan 2 tahun mendatang
N = 26 N = 18

Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

45 of 48 Trends on Big Data Analytics for Fintech 2019

 Keterbatasan jumlah SDM yang diperlukan serta kurangnya
pemahamanan terhadap teknologi Big Data menjadi hambatan terbesar
Perusahaan dalam penerapan teknologi tersebut.
Apa saja yang akan menjadi kendala penerapan Big Data di perusahaan?

KurangnyaKurangnya
SDM yangSDM yang menguasai
menguasai data
data analytics 89%
analytics (data scientist, statiscian) 89%
(data scientist, statiscian)
Belum menguasai
Belum menguasai teknologi (ekosistem)
teknologi (ekosistem) Big Data 67% 67%
(termasuk capacity planning) planning)
Big Data (termasuk capacity

UseCase
Use Case belum
belumditetapkan
ditetapkan 50% 50%

Data
Datainput
inputbelum
belumsiap
siap 44% 44%

Kurangnya
Kurangnyadukungan
dukungandari
darimanajemen
manajemen 33% 33%

Lainnya 17%
Lainnya 17%
N = 18
Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

46 of 48 Trends on Big Data Analytics for Fintech 2019

 68% Responden memiliki EDW, dan sebagian besar berencana
untuk menggantikan Big Data dengan EDW.

Keterkaitan antara 12%

Big Data dan EDW 0% 24%
yang paling sesuai di
Kepemilikan EDW 24%
perusahaan
N = 17
31% 12% 29%
Tidak
Memiliki
Big Data dan EDW berjalan masing-masing
EDW
68% Big Data menggantikan EDW
Memiliki EDW akan dapat dibangun pada platform Big Data
EDW EDW akan menjadi data source bagi Big Data
Big Data akan dapat dibangun pada platform EDW
N = 22 Big Data akan menjadi data source bagi EDW
Sumber: Sharing VisionTM, Big Data Survey, Feb – Des 2018; N = 27 responden

47 of 48 Trends on Big Data Analytics for Fintech 2019

 Kesimpulan

very
very Fast Innovative

Need people, process

& technology
Sharing Vision, 2018

48 of 48 Trends on Big Data Analytics for Fintech 2019

 Merci bien
Arigatoo
Matur Nuwun
Hatur Nuhun
Matur se Kelangkong
Syukron
Kheili Mamnun
Danke
Terima Kasih

49 of 48 Trends on Big Data Analytics for Fintech 2019