AI World Presentation

AI DI PERBANKAN
TANTANGAN, SOLUSI,
DAN LANGKAH UNTUK MULAI
MENGGUNAKANNYA SEKARANG
BUKU PUTIH OLEH DATAIKU
www.dataiku.com
©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 1
PENGANTAR
Selama ini data selalu menjadi fondasi di industri perbankan. Dalam beberapa tahun terakhir, yang
berubah tentu saja adalah jumlah data yang tersedia dan kecepatan pemrosesannya, serta kebutuhan
untuk merespons perubahan pasar dengan cepat. Teknologi baru memberikan kemampuan kepada
bank untuk mengumpulkan, menyimpan, dan menganalisis lebih banyak informasi secara eksponensial
daripada yang dapat dibayangkan belum lama ini. Setelah kebangkitan Fintech, bank sudah mengetahui
bahwa agar berhasil di dalam ekosistem saat ini, mereka harus menggunakan data kekayaan ini dalam
skala besar untuk dapat terus berinovasi.
Penyedia informasi bisnis global IHS Markit memprediksi2 bahwa nilai bisnis
kecerdasan buatan (AI) di perbankan akan mencapai 300 miliar USD pada tahun 2030.
Namun, sebagian besar bank tengah berjuang di tengah kompleksitas data itu sendiri, regulasi, dan lebih
banyak lagi, untuk memulai inisiatif AI. Namun, mereka tidak perlu melakukannya. Saat ini, bank sedang
meraih kesuksesan dengan inisiatif AI:
1. Dengan membawakan gagasan berupa “menjalankan AI” dari dasar, lalu menguraikannya menjadi
apa yang sebenarnya berarti bagi mereka (yang tidak selalu berupa aplikasi yang seksi atau chatbot
yang ramping).
2. Menyadari bahwa AI Perusahaan adalah sebuah perjalanan, yaitu serangkaian langkah dan
kompetensi bertahap yang perlu dibangun selama beberapa tahun ke depan. Salah satu dari
langkah-langkah tersebut adalah peningkatan bertahap pada proses internal yang berantakan
sehingga seluruh tim atau divisi dapat mengambil langkah untuk menggunakan data dan AI agar
dapat bekerja dengan cerdas, efisien, dan sesuai standar regulasi.
3. Mulailah dari sekarang, karena jika Anda menunggu beberapa tahun lagi untuk menyelaminya akan
berarti Anda menunda jadwal perjalanan AI Perusahaan lebih lama lagi, sementara persaingan dari
perusahaan lain yang lebih tangkas (baik fintech, GAFA - Google, Apple, Facebook, Amazon - atau
pemain tradisional) akan masuk.
1
https://technology.ihs.com/612413/artificial-intelligence-in-banking-report-2019
2 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

4. Bangun di atas fondasi. Banyak bank saat ini terintimidasi oleh gagasan AI, meskipun mereka telah
menjalankannya - atau setidaknya beberapa dari mereka - selama bertahun-tahun (dan dalam
beberapa kasus, selama puluhan tahun). Analisis kuantitatif, pedagang algoritmik, analis risiko, analis
penipuan, tim penetapan harga, dan lain sebagainya, orang-orang dan tim ini sudah membentuk blok
pembangunan dari strategi AI Perusahaan. Bank yang sukses akan membangun di atas kerangka kerja
yang sudah ada ini.
“Saat AI menyebar ke seluruh perusahaan, solusi untuk memberdayakan

pengembang dengan rangkaian keterampilan dan peralatan khusus yang
diperlukan untuk menangani lebih banyak beban kerja AI dan menyelesaikan
tantangan utama. Para pemimpin di bidang TI harus mengikuti tren
demokratisasi AI untuk mendorong tim mereka agar menciptakan solusi AI.”
Prediksi Gartner tahun 2019: Demokratisasi AI3, Magnus Revang et al.,

29 November 2018 (laporan tersedia bagi pelanggan Gartner).
Pada akhirnya, AI Perusahaan untuk bank berarti mengubah data dari pusat biaya yang ada saat ini menjadi
aliran pendapatan - yaitu sumber efisiensi dan kekayaan informasi yang dapat digunakan untuk memberikan
nilai fundamental bagi bisnis. Selain itu, dengan pendekatan yang tepat, semua ini dapat dicapai dengan
memanfaatkan kerja keras yang telah dilakukan.
2
https://www.gartner.com/en/documents/3894386

TENTANG
BUKU PUTIH
BUKU PUTIH INI AKAN BERFOKUS PADA:
• Mendefinisikan pengertian sebenarnya tentang memanfaatkan AI di perbankan.
• Mengungkap tantangan utama pada penggunaan AI di sektor ini (dan cara mengatasinya).
• Melihat inisiatif teratas yang dapat mulai dilakukan oleh bank sekarang untuk memulai AI
• Struktur organisasi untuk mengaktifkan AI.
• Kasus penggunaan untuk AI di perbankan (dan cara memilih langkah awal untuk memulai).
• Kisah sukses dari bank yang telah memanfaatkan AI

TENTANG PENULIS
Jason Moolenaar | Jason memiliki pengalaman lebih dari 20 tahun di bidang jasa keuangan
dan teknologi. Setelah memulai kariernya sebagai pedagang penjualan ekuitas dengan
Deutsche Bank yang berfokus pada dana lindung nilai, Jason melanjutkan kariernya
sebagai Junior Portfolio Manager untuk sebuah perusahaan manajemen aset butik di
Sydney, Australia. Dia kemudian menghabiskan sebagian besar kariernya selama hampir
sembilan tahun di Bloomberg, yaitu di grup perdagangan elektronik yang berfokus pada
pengembangan dan penjualan teknologi untuk konektivitas, eksekusi, pemrosesan peristiwa
kompleks, analisis eksekusi pra/pascaperdagangan, dan perdagangan otomatis. Jason juga
memimpin penjualan jasa keuangan di berbagai startup yang berada di tahap awal yang
berfokus pada penerapan AI dan pembelajaran mesin hingga beragam kasus penggunaan,
baik untuk lembaga pembelian dan penjualan. Saat ini, dia memimpin penjualan jasa
keuangan di seluruh Amerika Serikat Bagian Timur dan Kanada di Dataiku.
Hursh Rughani | Hursh memegang gelar sarjana dan pascasarjana manajemen informasi
dan memiliki pengalaman bekerja di bidang analitik data selama lebih dari sembilan
tahun, termasuk memberikan kuliah tamu tentang analitik di perusahaan di University
of Sheffield. Memulai kariernya di bidang konsultan yang berfokus pada jasa keuangan,
Hursh menghabiskan sebagian besar waktunya untuk bekerja sama dengan perusahaan
manajemen investasi. Di M&G Investments (Prudential), dia bekerja sama secara erat
dengan Analytics Centre of Excellence perusahaan dan proyek dalam bidang risiko,
keuangan (analisis AUM dan FUM), serta operasi. Di Tableau, Hursh mengelola sebanyak
15 klien perusahaan yang strategis dalam bidang jasa keuangan. Saat ini, dia memimpin
penjualan jasa keuangan Inggris dan Irlandia di Dataiku untuk mempersembahkan strategi
AI Perusahaan kepada pelanggan dan prospek perbankan perusahaan.
Pierre Ménard | Pierre memiliki pengalaman 14 tahun di bidang teknologi, terutama

menangani pelanggan jasa keuangan. Dia memulai kariernya di sebuah perusahaan
konsultan TI Prancis di unit Perbankan dan Asuransi khususnya. Saat ini, Pierre memimpin
tim jasa keuangan Prancis di Dataiku. Dia telah bekerja di Dataiku selama lebih dari lima
tahun, yang artinya dia telah bekerja dengan pelanggan pertama Dataiku dan kini telah
dapat melihat perluasan dan penerapan kasus penggunaan yang lebih canggih dari waktu
ke waktu.

TANTANGAN AI TERBESAR
(DAN CARA MENGATASINYA)
Sebagian besar bank saat ini berada di awal perjalanan AI mereka, dan seperti yang disebutkan sebelumnya, mereka
pada dasarnya memiliki banyak bagian di dalamnya. Namun, melangkah ke depan terasa mengintimidasi, seringkali
karena bisnis dilumpuhkan oleh kompleksitas AI yang dirasakan atau diintimidasi oleh gagasan (yang salah) bahwa
mereka harus mempekerjakan tim yang sepenuhnya baru untuk mencapainya.
Berikut adalah lima tantangan terbesar yang dihadapi bank dalam mengimplementasikan AI Perusahaan serta saran
untuk menangani, atau setidaknya memberikan pendekatan secara cerdas pada setiap tantangan.
1. ESENSI DATA (AKSES, PENATAAN, DLL.)

Salah satu hambatan terbesar untuk AI Perusahaan dalam perbankan bukanlah masalah pada penempatan model
pembelajaran mesin ke dalam produksi atau bahkan penciptaan model itu sendiri. Namun, manajemen data yang
sederhana sangat penting untuk memungkinkan organisasi agar dapat memanfaatkan data dari bawah ke atas
sehingga mendemokratisasi penggunaan data di seluruh tim dan peran.
Kabar baiknya, ini bukanlah masalah yang unik - karena survei lintas industri mengungkapkan1 bahwa apa pun
bisnisnya, hal-hal dasar seperti pembersihan dan penataan data serta penghubungan ke sumber data selalu menjadi
tantangan utama bagi para peserta. Dan sebagai catatan, ini adalah kabar yang baik karena ini adalah masalah yang
telah diatasi oleh banyak orang sebelumnya, yang artinya bank tidak perlu memulai dari awal lagi untuk menemukan
solusi cepat.
Secara umum, jawabannya terletak pada peralatan - yaitu dengan memiliki tempat yang terpusat (belum terkontrol)
dengan data yang dapat diakses dan digunakan, semua terdapat dalam sebuah antarmuka yang ramah pengguna
dan tidak hanya ditujukan untuk para ilmuwan data, analisis kuantitatif, atau profil teknis lainnya. Yang paling penting,
sistem untuk mengakses dan membersihkan data tidak boleh bergantung pada arsitektur yang mendasarinya. Artinya,
tidak peduli berapa banyak data yang saat ini disimpan - atau akan disimpan pada masa mendatang - staf tidak perlu
terus-menerus mengubah proses atau alat sehari-hari mereka agar dapat beradaptasi.
Idealnya, akses dan penataan data tidak hanya terjadi di alat ETL (extract, transform, load/ekstrak, ubah, muat) sekali
pakai,baik itu; data harus dimasukkan ke dalam sistem hilir sehingga, ketika relevan dan sesuai, tim teknis dapat
mengambil alih pekerjaan analis dan dengan mudah menerapkan teknik prediktif atau pembelajaran mesin untuk
memberikan nilai lebih.
2. LINGKUNGAN PERATURAN
Permasalahan besar ketika berbicara tentang AI di perbankan, tentu saja, adalah lingkungan peraturan. Peraturan
Perlindungan Data Umum Uni Eropa (GDPR), Undang-undang Privasi Konsumen California (CCPA), Peraturan Keamanan
Siber Departemen Keuangan New York, ekpektasi manajemen risiko pihak ketiga (TPRM), panduan pengungkapan
SEC - berbagai tren pada peraturan kepatuhan perbankan dalam hal data sangatlah kompleks, dan semakin meningkat
setiap tahunnya.
1
https://pages.dataiku.com/top-challenges-data-professionals

Pengujian Tekanan RDR Panduan FSB tentang FATCA
ECB UCITS IV, V & VI DFA Title X RRP | BRRD Proteksi Data
CCAR AIFMD MIFID II/MIFIR Panduan UK RRP MLD4
AQR Tinjauan FSB pada UK CASS | MCD Living Wills - DFA.II Benchmark
FDSF Perbankan Bayangan MMR | PRIP SRM MAD/MAR
Perbankan Perlindungan
Uji Ketahanan dan
Bayangan Konsumen dan Risiko Sistemik Integritas Pasar
Tekanan Bank
dan Dana Investor
Lanskap Regulasi Industri Perbankan
Perilaku dan Reformasi Modal dan

Derivatif Perdagangan
Budaya Regulasi Likuiditas
Liikanen Basel III EMIR HFT

DFA Kompensasi: FTT | SSM CRD 4 (CRR & CRD) CCPs Aturan DFA
Say or Pay CRA | CDS Amandemen DFA UU Dodd Frank: Volcker
UU Reformasi Collins Title VII Jual Kosong
Perbankan COREP/FINREP DFA: Swaps Push JOBS
IFRS 9 Out Liikanen
Tinjauan BCBS
tentang Sekuritisasi
“Terlepas dari perubahan definitif yang mungkin dibuat oleh pembuat undang-undang dan
pembuat peraturan, organisasi perbankan harus terus mendorong efektivitas dan efisiensi
di seluruh risiko dan program kepatuhan mereka sehingga mereka dapat memenuhi
undang-undang, peraturan, dan ekspektasi pengawasan yang berlaku.”
Deloitte, 2019 Banking Regulatory Outlook2
Dan itu hanya mencakup regulasi yang menyentuh masalah keamanan siber dan privasi. Setelah digabungkan dengan
peraturan tambahan seputar perlindungan terhadap kejahatan keuangan, standar Dewan Standar Akuntansi Keuangan
(FASB), dan banyak lainnya, pandangannya secara cepat menjadi kompleks.
Memang, lebih dari industri lainnya, bank harus mengedepankan transparansi dan reproduktifitas. Faktanya, tantangan
ini sendiri juga membawa konsekuensi yang berat sehingga bank sering (salah) berasumsi bahwa mereka tidak akan
dapat menerapkan proses AI sama sekali.
Dan untuk memastikannya, pembelajaran mesin kotak hitam (yaitu, model yang hanya mengeluarkan prediksi atau
hasil tanpa visibilitas sama sekali tentang cara pengambilan keputusan) merupakan ketidakmungkinan bagi bank.
Model yang tidak dapat dijelaskan secara sederhana tidak memiliki tingkat reproduktifitas hasil yang diminta oleh
standar peraturan.
Penting untuk disadari bahwa hal yang membuat model pembelajaran mesin akurat seringkali juga merupakan hal yang
membuat prediksi mereka sulit dipahami: mereka sangatlah kompleks. Namun tidak mustahil untuk membuat model
kotak putih yang sangat bagus. Jadi untuk mematuhi kebutuhan pertaturan, bank hampir selalu perlu membangun
model yang pada dasarnya mudah ditafsirkan.
2
https://www2.deloitte.com/us/en/pages/regulatory/articles/banking-regulatory-outlook.html

Namun positifnya adalah bahwa ini adalah sebuah penjualan, dan tidak mustahil untuk membuat model kotak putih
yang sangat bagus. Jadi, untuk mematuhi kebutuhan peraturan, bank hampir selalu perlu membangun model yang
pada dasarnya mudah ditafsirkan (yang cukup berbeda dari membuat model kotak hitam dan kemudian secara
retroaktif mencoba menjelaskannya)1.
Selain pembangunan model itu sendiri agar mudah ditafsirkan, ada pertanyaan yang lebih besar mengenai tata kelola
itu sendiri. Dalam lanskap terkini dengan undang-undang privasi data yang bermunculan di seluruh dunia, tidak jarang
tim data atau analitik di bank menjadi lumpuh karena ketidakpastian dalam bagaimana cara menavigasi dunia baru ini.
Di bawah peraturan privasi data, sangat jelas, bahwa bekerja secara langsung dengan data pribadi sangatlah terbatas,
dan bekerja dengan data yang dianonimkan - sementara merupakan sebuah opsi yang menarik jika efektif - sangatlah
sulit (belum lagi yang menghabiskan banyak sumber daya) untuk benar-benar dilakukan secara tepat. Jadi apa pilihan
lainnya yang tersedia bagi bank untuk bekerja dengan data di dunia yang semakin diatur oleh peraturan (dan dunia
yang hanya akan terus diatur lebih ketat oleh peraturan, bukan malah berkurang)?
Pseudonimisasi adalah pemrosesan data pribadi sedemikian rupa sehingga data pribadi tidak dapat lagi dikaitkan
dengan subjek data tertentu tanpa penggunaan informasi tambahan. Sementara secara jelas artinya adalah data
pseudonim masih merupakan data pribadi (karena tidak dianonimkan), ia juga memberikan beberapa kebebasan
tambahan bagi bank untuk bekerja dengan data yang disediakan asalkan mereka memiliki proyek yang spesifik dan
khusus dengan akses yang terkontrol dan kebijakan retensi data yang jelas.
Dengan beberapa keahlian dan pendidikan yang dimiliki oleh orang-orang, proses tata kelola yang cermat, dan alat
yang tepat (misalnya, memilih platform AI yang memungkinkan kemampuan interpretasi model secara lengkap),
tantangan regulasi bukanlah tidak mungkin untuk diatasi.
BACAAN SELANJUTNYA
2 3
1
https://www.nature.com/articles/s42256-019-0048-x
2
https://pages.dataiku.com/executing-data-privacy-compliant-data-projects
3
https://pages.dataiku.com/oreilly-introduction-to-machine-learning-interpretability

3. MANAJEMEN RISIKO MODEL (MRM) DAN VALIDASI
Dalam topik yang secara intrinsik berkaitan dengan kebutuhan peraturan, pergumulan antara kecepatan dan proses
yang tepat untuk validasi risiko model dapat melemahkan kemajuan inisiatif AI. Tentu saja, tantangan ini rumit karena
memitigasi risiko adalah prioritas utama, yang artinya tidak dapat dipercepat dengan cara yang dapat mengorbankan
kualitas validasi itu sendiri.
Namun, masih ada perbaikan yang dapat dilakukan dan berbagai cara untuk mengatasi tantangan ini; yaitu dengan
mulai menerapkan konsistensi dan reproduktifitas ke dalam proses validasi dan dorongan akhir pada produksi.
Misalnya, kasus yang sering kali terjadi bahwa tim validasi risiko model melihat model dari berbagai organisasi atau
kelompok di seluruh perusahaan, yang masing-masing memiliki proses mereka sendiri dan mengirimkan model
dalam format yang berbeda, dan berisi informasi yang berbeda, dll. Berarti untuk setiap tinjauan, tim validasi risiko
model kehilangan waktu untuk mencoba memahami keadaan mereka sendiri dan mencari tahu hal yang mereka lihat.
Demikian pula, tanpa sistem atau proses konsisten yang dihasilkan oleh model, langkah selanjutnya (penerapan ke
produksi) juga menjadi rumit dan memakan waktu.
Sebaliknya, bank yang dapat melalui tahap validasi risiko model dengan cepat membuat semua orang di seluruh
perusahaan bekerja dengan alat yang sama sehingga begitu model perlu divalidasi, tim yang mengevaluasi risikonya
tahu hal yang sedang mereka hadapi, cara menemukan sumber data tempat model dibangun, mengetahui secara jelas
transformasi data yang telah dilakukan, dll. Dari sana, alat tempat model dikirimkan dan validasi diselesaikan idealnya
juga merupakan alat yang sama dengan tempat penerapan ke produksi terjadi.
Membuat semua orang berada di tujuan yang sama dan dengan alat yang sama akan menjamin proses yang lebih cepat
dari awal hingga akhir sehingga memastikan agar model dapat diproduksi dalam hitungan minggu (bukan bulan atau
tahun seperti yang terjadi pada banyak bank saat ini).
BACAAN SELANJUTNYA
4
WHY ENTERPRISES NEED

DATA SCIENCE,
MACHINE LEARNING,
AND AI PLATFORMS
A WHITE PAPER BY DATAIKU
www.dataiku.com
4
https://pages.dataiku.com/why-enterprises-need-ml-ai-platforms

4. PEREKRUTAN
Tanyakan kepada bank besar mana pun saat ini tentang tantangan terbesar mereka dalam hal kemajuan dalam bidang
AI, dan perekrutan akan menjadi masalah teratas. Dan untuk alasan yang bagus - tidak mengherankan karena tentunya
ini merupakan elemen yang sangat penting untuk strategi AI. Namun ada juga banyak kesalahpahaman dan salah
langkah yang dibuat dalam hal perekrutan tenaga ahli di bidang data dan analitik.
Jika melihat ke belakang, seharusnya tidak mengherankan bahwa sebenarnya, mempekerjakan tenaga ahli di
bidang data dan analitik merupakan masalah bagi sebagian besar perusahaan. Biasanya, untuk perusahaan kecil,
masalah tersebut terjadi karena mereka tidak memiliki anggaran untuk menarik tenaga ahli terbaik. Namun untuk
perusahaan besar, sering kali mereka tidak memiliki komite perekrutan yang memahami hal-hal yang mereka cari ketika
berhubungan dengan ilmuwan data atau tujuan, serta kebutuhan organisasi yang berkaitan dengan strategi data.
Faktanya, sering kali daripada tidak, perusahaan mencari ilmuwan data bahkan sebelum mereka memiliki proyek atau
tujuan di dalam pikiran mereka. Hal ini tidak masuk akal karena beberapa alasan, di antaranya karena ilmuwan data1
tidak hanya ada satu jenisnya, sehingga mempekerjakan orang yang tepat dengan keterampilan yang tepat sangat
bergantung pada kasus penggunaan.
Namun bagi bank, perekrutan merupakan tantangan yang lebih besar karena selain menghadapi beberapa
masalah yang disebutkan di atas, bank juga sulit untuk menemukan orang yang melek teknologi AI dan memiliki
pemahaman mendalam tentang industri serta batasan peraturan dan persyaratannya. Bagaimana satu bank akan
menemukan seluruh tim ilmuwan data yang memiliki keterampilan ini, apalagi memastikan bahwa mereka dapat
mempertahankannya (khususnya, mengingat bahwa pergantian ilmuwan data terkenal sangat tinggi2)?
Jawaban atas tantangan ini, sekali lagi, terletak pada demokratisasi data. Tidak masuk akal (secara finansial atau
dalam hal risiko) untuk mencari ratusan ilmuwan data unicorn3 dan membangun tim dari awal. Sebaliknya, bank yang
mengalami kesuksesan saat ini memanfaatkan keahlian dari ratusan ribu staf yang telah memiliki pengetahuan bisnis.
Seperti yang telah disebutkan sebelumnya, banyak bank yang mengabaikan fakta bahwa mereka sudah memiliki
banyak tenaga ahli di bidang data di seluruh organisasi dan bahwa tantangan yang dihadapi bukan pada perekrutan
tetapi lebih pada pelatihan dan pendidikan.
Satu tantangan unik terakhir yang dihadapi bank dalam hal perekrutan adalah peningkatan besar dalam
mempekerjakan staf kepatuhan yang telah menjadi hal umum mengingat adanya kebutuhan untuk memenuhi standar
peraturan yang ketat. Ini adalah sesuatu yang menurut banyak bank tidak dapat dilanjutkan - masalah ini tidak dapat
diskalakan, dan akan ada titik kritis tertentu ketika tanpa adanya alat yang tepat untuk memungkinkan efisiensi, maka
lebih banyak staf kepatuhan tidak berarti akan menghasilkan lebih banyak kepatuhan. Sekali lagi dalam kasus ini,
tantangan tentang perekrutan bukanlah tentang melakukan dengan lebih baik atau melakukan lebih banyak perekrutan
melainkan tentang peralatan, pemberdayaan, dan penerapan efisiensi dengan staf yang ada.
1
https://medium.com/ai-musings/the-different-types-of-data-scientists-and-what-kind-you-should-hire-4475abee2bbd
2
https://medium.com/ai-musings/how-to-retain-data-scientists-28756af84628
3
https://blog.dataiku.com/how-to-hire-great-data-scientists-not-mythical-creatures-anymore

5. PERUBAHAN ORGANISASI
Jelas sekali, bertransformasi menjadi bank yang didorong
data dan menjadi yang terdepan dalam hal inisiatif AI tidaklah
mudah, jadi salah satu tantangan yang tidak dapat diabaikan
adalah adanya penolakan tehadap perubahan, terutama
mengatasi ketakutan terhadap otomatisasi dan kebencian
karyawan terhadap perubahan peran. Perhatian negatif
yang AI kumpulkan pada pers saat ini sangatlah jelas, dan
organisasi yang berpikir bahwa mereka dapat menyelesaikan
masalah penolakan terhadap perubahan dengan memberi
tahu staf untuk mengabaikannya, atau yang lebih buruk
lagi, dengan menutup mata terhadap kekhawatiran mereka,
adalah perilaku yang naif.
Faktanya ada ketakutan yang sangat nyata pada publik dan

kemungkinan besar di antara staf bahwa pekerjaan akan
diotomatisasi dan mereka akan dipecat. Namun, bukan
berarti bahwa bank harus menolak untuk memperkenalkan
alat dan otomatisasi baru. Seperti yang telah dijelaskan
sebelumnya, sangat penting untuk melindungi organisasi dari
risiko yang lebih besar, di antaranya adalah kesalahan yang
dilakukan oleh manusia.
Sebaliknya, hal itu berarti menerima dan menghadapi

tantangan ini melalui pendidikan. Tidak hanya pendidikan
tentang alasan pentingnya otomatisasi, tetapi juga cara
manusia untuk menyesuaikan diri dengan proses dan peran
mereka di masa depan.

FITUR
ILMUWAN DATA VS. ANALIS

DATA - APA BEDANYA?
Bagi bank yang ingin merekrut tenaga ahli data, pertanyaan tentang ilmuwan data vs. analis data adalah pertanyaan
yang umum. Namun seiring dengan kemajuan industri, pertanyaan tersebut sebenarnya menjadi semakin rumit. Ini
alasannya mengapa.
Pendidikan
Menjadi ilmuwan data (atau bukan) vs. analis data Tidak, - Terutama mengingat fakta bahwa pengalaman
bukanlah pertanyaan sederhana dari memenuhi sebuah atau keterampilan tertentu (baik untuk ilmuwan data
gelar atau bidang studi tertentu. Misalnya, banyak orang atau analis data) mungkin penting bagi satu tim atau
yang memulainya dari bidang seperti statistik, analis lini bisnis di bank, tetapi tidak bagi yang lain. Misalnya,
kuantitatif, atau ilmu aktuaria yang tidak diragukan lagi mempekerjakan seseorang untuk membuat dasbor dan
selama ini telah melakukan pekerjaan yang tumpang kampanye pencegahan kehilangan pelanggan untuk divisi
tindih dengan ilmuwan data saat ini, dan beberapa pemasaran adalah keahlian yang sama sekali berbeda dari
bahkan telah sepenuhnya beralih ke sains data. mempekerjakan seseorang yang akan membangun sistem
Demikian pula, ilmuwan data juga dapat memiliki latar deteksi anomali untuk meningkatkan keamanan siber.
belakang di bidang studi seperti sains komputer, dan Namun, keduanya mungkin merupakan ilmuwan data.
banyak dari mereka (sekitar setengahnya, menurut suatu
publikasi) memiliki gelar PhD. Meningkat pada saat ini, Keterampilan
seseorang juga harus mempertimbangkan peran dari Salah satu karakteristik mendasar, pada tujuan yang
ribuan kursus sains data atau pendidikan data secara paling umum dan banyak yang mencoba untuk
online dan jika hal tersebut dapat membuat seseorang membedakan antara ilmuwan data dan analis data
dapat memenuhi syarat sebagai analis atau ilmuwan adalah bahwa ilmuwan data bersifat teknis, sedangkan
data itu sendiri. analis data tidak. Meskipun benar bahwa secara umum
Analis bisa jadi memiliki pendidikan secara formal ilmuwan data mungkin lebih mahir dalam lingkungan
seperti itu atau tidak serta dapat memiliki latar belakang pengkodean secara keseluruhan, ada banyak analis di
dan bidang studi yang beragam, termasuk risiko, luar sana yang juga teknis dan merasa nyaman dengan
bisnis umum, dan keuangan, tetapi bisa juga dari seni setidaknya satu bahasa pengkodean.
liberal. Dan,tentu saja, adanya istilah yang disebut Ini juga layak dikatakan bahwa bahkan ilmuwan data
sebagai “ilmuwan data warga negara” yang tampaknya yang memiliki semua keterampilan teknis di dunia pun
mengontrol dua dunia analis dan ilmuwan sehingga dapat memiliki nilai yang kecil di perusahaan jika mereka
semakin memperumit penggambaran tersebut. juga tidak memiliki keterampilan komunikasi dan/atau
Apakah satu bidang studi tertentu atau pembelajaran keterampilan bisnis - yaitu, kemampuan untuk terhubung
tentang satu keterampilan akan mendorong seseorang dengan orang-orang yang paling mengerti bisnis agar
dari analis menjadi ilmuwan data? Atau sebaliknya benar-benar dapat menggunakan keterampilan teknis
karena kurangnya pengetahuan di bidang tertentu? tersebut untuk memberikan nilai yang nyata.
1
https://www.kdnuggets.com/2018/05/simplilearn-9-must-have-skills-data-scientist.html

Dengan munculnya pembelajaran mesin otomatis, Intinya: Siapa yang Harus Saya Pekerjakan?
analis - atau profil lainnya yang kurang memiliki
Pada akhirnya, Jarak (dan tumpang tindih) keterampilan
pengetahuan yang mendalam tentang pembelajaran
antara peran ilmuwan data dan analis data berarti
mesin dan/atau statistik - hanya akan memperluas
keduanya lebih seperti skala geser daripada sebagai dua
pemanfaatan lebih jauh lagi ke jalur data. Namun,
kelompok yang terpisah.
tentu saja, perkembangan ini juga tidak akan membuat
ilmuwan data menjadi usang. Keterampilan seputar Yang artinya bank yang ingin mempekerjakan seseorang
interpretabilitas pembelajaran mesin dan pemeliharaan untuk satu peran vs. peran yang lain harus memperhatikan
model yang mereka miliki umumnya merupakan area staf mereka saat ini, kebutuhan mereka, dan tujuan akhir
yang tidak dimiliki oleh analis. untuk tim data atau proyek data secara kritis. Solusi
terbaiknya adalah untuk tidak mempekerjakan sama
Saat membahas tentang keterampilan untuk salah
sekali, melainkan dengan memindahkan seseorang yang
satu profil, pembersihan dan penjelajahan data harus
sudah memiliki keterampilan ke dalam proyek (analisis
disebutkan, karena keduanya mungkin adalah dua
kuantitatif dan aktuaris, misalnya, dapat menjadi pilihan
keterampilan (bersama dengan kemampuan untuk
yang bagus).
mempertanyakan data dan menghubungkan proyek
data dengan kebutuhan bisnis) yang sangat penting bagi Peralatan yang tepat juga dapat meningkatkan staf,
ilmuwan data dan analis data. Mengingat bahwa sebagian membuat mereka lebih efisien dan produktif baik
besar proyek data akan mengubah data menjadi bentuk mereka seorang ilmuwan data atau analis data. Misalnya,
yang tepat untuk menerapkan pembelajaran mesin (atau sebuah sains data, pembelajaran mesin, atau platform AI
apa pun tujuan akhirnya), ini adalah landasan dari kedua dapat membantu pebisnis untuk bekerja dengan analis,
posisi tersebut. agar analis bekerja dengan ilmuwan data, dan untuk
menjadikannya menjadi lingkaran penuh, yaitu ilmuwan
Seperti halnya pendidikan, sudah jelas bahwa
data dengan TI atau engineer data.
keterampilan yang dibutuhkan untuk menjadi ilmuwan
data vs. Analis data tidaklah jelas perbedaannya. Ada
banyak tumpang tindih di antara keduanya - bahkan
mungkin lebih banyak sehingga ada kekhususan pada
satu peran atau peran yang lain. Jadi di antara ilmuwan
data vs. Analis data, dimanakah posisi kita?

KASUS PENGGUNAAN: SAINS
DATA, PEMBELAJARAN MESIN,
DAN AI DI PERBANKAN
Secara keseluruhan, kasus penggunaan untuk ilmu data, pembelajaran mesin, dan AI termasuk dalam salah satu dari lima kategori:
PENINGKATAN MENGHINDARI RISIKO PEMANGKASAN KEUNGGULAN

PENDAPATAN KETIDAKPATUHAN BIAYA KOMPETITIF
(PEMASARAN) (RISIKO) (OPERASI) (INOVASI)
KECEPATAN MEMPEROLEH NILAI &

EFISIENSI TIM (ORGANISASI)
Kategori ini luas, yang artinya tidak ada kekurangan pada pelanggan ini dapat berdampak signifikan pada
kasus penggunaan dalam hal sains data, pembelajaran kompensasi personel cabang, menjadikan proses ini
mesin, serta AI di sektor perbankan dan jasa keuangan. sangat kontensius dan mengganggu. AI secara khusus
Tantangan yang lebih besar sering kali bukan menemukan dapat digunakan dalam skenario ini untuk membuat
kasus penggunaannya, tetapi memilih kasus penggunaan model Buku Bisnis berbasis pembelajaran mesin yang
yang akan terbukti paling berhasil sebagai inisiatif yang jelas dan mudah ditafsirkan serta yang terasa nyaman
didorong data berdasarkan potensi dampaknya, lihat bagi staf bank.
Praktik Terbaik: Memilih Kasus Penggunaan (Dari Mana
Memulainya?). Kehilangan Pelanggan: Baik pada skala yang lebih
besar seperti pada perbankan ritel atau pendekatan
Namun, bagian ini meninjau secara komprehensif yang lebih dipersonalisasi pada manajemen kekayaan,
(meskipun tidak lengkap) pada kasus penggunaan teratas mengidentifikasi pelanggan yang berisiko keluar
dan kasus penggunaan yang akan datang saat ini. secara efektif dan kemudian mengotomatiskan sistem
untuk mengambil tindakan terhadap pelanggan yang
PENINGKATAN PENDAPATAN berisiko tersebut adalah ruang yang sempurna untuk
Atribusi Pendapatan Pada keinginan mereka untuk AI. Untuk meningkatkan sistem deteksi kehilangan,
lebih dekat dengan para pelanggan, lembaga perbankan pendekatan sains data pertama-tama telah diizinkan
konsumen telah menciptakan konsep Buku Bisnis, untuk mengeksploitasi AI secara lebih komprehensif
yang mengharuskan tim TI untuk membuat aturan sehingga sistem yang terstruktur dapat menarik data
guna mengalokasikan setiap pelanggan ke satu atau dari berbagai silo dan sinyal dari berbagai sumber
lebih cabang di jejak mereka. Secara teori, tindakan ini untuk menghasilkan prediksi yang akurat, kapasitas
memungkinkan manajer cabang dan staf untuk fokus yang lebih tinggi untuk mengantisipasi pelanggan yang
dalam memberikan layanan kepada klien ini. Namun, berpotensi keluar dan untuk memberikan informasi
serangkaian aturan yang dibuat untuk mengalokasikan kontekstual terbaru bagi tim lapangan untuk membantu

mereka mengambil tindakan yang sesuai. Baru-baru ini, perusahaan asuransi secara akurat - dan dalam banyak
Computer Vision, teknik Pemrosesan Bahasa Alami dan kasus secara otomatis - memprediksi jumlah dan ukuran
teknologi ucapan ke teks mendukung inisiatif AI baru klaim, memberikan prediksi kerugian yang lebih akurat
untuk mengidentifikasi dan merutekan ketidakpuasan bagi eksekutif asuransi.
yang terdeteksi di surat, email, dan panggilan secara
otomatis dan segera, untuk mengatasi masalah tersebut
PENURUNAN RISIKO
dengan lebih cepat dan mempertahankan pelanggan
dengan lebih baik, yang mana dapat secara otomatis Keamanan Siber: Menurut Forbes1, perusahaan jasa
mengirimkan pesan untuk menjangkau pelanggan atau keuangan di Amerika tipikalnya diserang sebanyak
memberi tahu manajer kekayaan untuk mengambil 1 miliar kali per tahun - itu lebih dari 30 serangan per
tindakan. detik. Mengikuti tingkat dan kecanggihan serangan
membutuhkan sistem paling mutakhir, dan itu
Memberikan Rekomendasi dan Meningkatkan adalah yang berbasis pembelajaran mesin dan AI.
Penjualan: Memberikan pesan yang tepat kepada klien Mengembangkan sistem deteksi anomali berbasis
(baik dalam perbankan ritel atau layanan grosir) melalui pembelajaran mesin memungkinkan penggunaan
saluran yang sesuai pada waktu yang tepat akan selalu sumber data yang luas dan beragam serta penting
dapat membuat perbedaan dalam meningkatkan untuk dapat menemukan anomali bagaikan jarum di
penjualan jasa yang dibutuhkan klien. Untuk layanan tumpukan jerami. Karakter dari pendeteksian intrusi
keuangan (khususnya perbankan ritel) yang tindakan ke dalam sistem atau malware berarti penipu secara
pemasarannya biasanya berorientasi pada produk, AI khusus dan sengaja mencoba untuk menghasilkan input
berada di pusat transformasi menuju organisasi bisnis yang tidak terlihat seperti benda asing. Beradaptasi dan
yang berpusat pada pelanggan. Dengan menggunakan belajar dari kenyataan ini sangatlah penting, dan hal
AI untuk melihat sejumlah besar data yang beragam tersebut hanya dapat dicapai dengan AI.
guna menentukan produk atau layanan yang harus
direkomendasikan kepada seseorang pada saat Deteksi dan Pencegahan Penipuan: Baik digunakan
tertentu berdasarkan interaksi terakhir dapat sangat untuk mendeteksi penipuan ATM, penulisan cek yang
menguntungkan bagi bank yang memanfaatkan bentuk buruk, atau ancaman orang dalam, deteksi penipuan
hiper-personalisasi ini. Ini adalah bidang yang sangat adalah tentang menemukan pola kepentingan (benda
besar yang mencakup proyek seperti kampanye poin asing, pengecualian, keanehan, dll.) yang menyimpang
multi-sentuh yang diskenariokan, mesin rekomendasi dari perilaku yang diharapkan di dalam himpunan
waktu-nyata, dan peristiwa deteksi kehidupan. data. Menggunakan berbagai jenis dan sumber data
akan memungkinkan bank untuk bergerak keluar dari
Asuransi: Selain deteksi penipuan dan retensi/ titik anomali hingga ke dalam identifikasi anomali
hilangnya pelanggan (yang telah dibahas di bagian kontekstual atau kolektif yang lebih canggih. Dengan
ini), bank yang menawarkan layanan asuransi juga kata lain, variasi adalah kuncinya. Dalam hal mengelola
dapat memanfaatkan sistem berbasis pembelajaran data dalam jumlah besar hampir secara waktu-nyata dari
mesin untuk meningkatkan harga dan konversi, triase banyak sumber, pembelajaran mesin dan AI sangatlah
klaim, serta perkiraan klaim yang optimal. AI untuk penting. Ini adalah satu-satunya cara untuk membangun
pengoptimalan harga memungkinkan lini bisnis sistem deteksi penipuan yang lebih canggih seiring
asuransi untuk secara dinamis memantau pasar dan berkembangnya metode yang dimiliki oleh penipu.
menyesuaikan harga mereka berdasarkan pola yang
terdeteksi di pasar. Untuk triase klaim, jika tidak dapat AML, KYC, dan Penipuan Transfer Antarbank: Nilai
mengisolasi klaim yang menjamin penyelesaian yang dapat ditawarkan oleh AI pada anti pencucian uang
yang cepat secara akurat atau di sisi lain menjamin (AML), kenali pelanggan Anda(KYC), dan upaya penipuan
penyelidikan lebih mendalam yang dapat memakan transfer antarbank tidak hanya akurasi yang lebih tinggi
biaya jutaan dan dan berarti beberapa klaim secara dalam mendeteksi masalah secara keseluruhan, tetapi
signifikan dibayar berlebih - mengembangkan sistem juga - dan yang terpenting - mengurangi jumlah positif
berbasis pembelajaran mesin yang lebih canggih dan palsu dan mengurangi jumlah orang yang melakukan
bervariasi dibandingkan dengan sistem berbasis aturan, pekerjaan secara manual secara keseluruhan (terutama
maka membuat perincian semacam ini dapat menjadi dalam menyelidiki positif palsu). Karena sistem deteksi
kenyataan. Pada akhirnya, AI juga dapat membantu penipuan berbasis pembelajaran mesin lebih tangkas
1
https://www.forbes.com/sites/bhaktimirchandani/2018/08/28/laughing-all-the-way-to-the-bank-cybercriminals-targeting-us-financial-
institutions/#57fe1d46e906

dan dapat mempelajari pola dari waktu ke waktu, mereka dan kemudian dikomunikasikan kembali pada
dapat terus mendeteksi anomali bahkan saat perilaku bisnis. Jadi, kunci dari kasus penggunaan ini adalah
pengguna berubah, sehingga membuatnya lebih kuat pengoptimalan antara pemangku kepentingan internal
dan dapat mencegah peninjauan manual positif palsu (seperti keuangan, operasi internal, dan kelompok lain
(tidak hanya dalam hal waktu yang dihabiskan staf, tetapi yang terlibat dalam pembayaran dan piutang) dan ahli
juga dalam soal frustrasi dan loyalitas pelanggan) dengan data untuk meningkatkan kecepatan mereka untuk
biaya yang mahal. Ini sangatlah penting bagi bank di AS mengidentifikasi faktur berisiko, duplikasi pembayaran,
setelah munculnya Aturan Uji Tuntas Pelanggan (CDD). dll., serta mengatasi masalah potensial secara akurat.
Prediksi Kegagalan Perdagangan: Ketika perdagangan PEMANGKASAN BIAYA/KECEPATAN MEMPEROLEH

gagal, hal itu akan berdampak pada kepuasan klien dan NILAI & EFISIENSI TIM
juga memiliki implikasi peraturan, yang keduanya dapat Peningkatan dan Otomatisasi Proses:
merugikan bisnis secara keseluruhan. Kasus penggunaan Peningkatan atau otomatisasi proses untuk ETL (ekstrak,
ini cocok untuk analitik prediktif karena menggabungkan ubah, muat), penyiapan data, data yang berbeda, dll.,
data dari berbagai sumber dan menerapkan model semuanya membawa nilai organisasi melalui kecepatan
pembelajaran mesin dapat menyimpulkan adanya dalam memperoleh wawasan dan efisiensi tim. Mereka
potensi kegagalan dengan transaksi yang baru. Ini juga merupakan keberhasilan yang mudah dan cepat
mungkin merupakan langkah pertama yang sudah dicapai, serta dapat ditangani pertama kali di semua
baik, tetapi AI juga dapat diperkenalkan dengan kelompok dan digunakan sebagai titik bukti sebelum
mengoperasionalkan wawasan ini dan menerapkannya menghadapi kasus penggunaan yang lebih besar dan
ke dalam lingkungan produksi untuk menandai dan lebih menantang.
memulihkan potensi kegagalan secara otomatis.
Mengganti Semua Sistem Berbasis-Aturan:
Perkiraan Risiko & Kerugian Kredit: McKinsey Menggunakan pembelajaran mesin untuk menggantikan
merilis sebuah laporan pada akhir tahun 20182 yang sistem berbasis aturan yang digunakan di seluruh
mendetailkan bahwa peningkatan daya prediksi model perusahaan, apa pun lini bisnisnya, mungkin untuk
kredit hanya dapat dicapai sebesar sebesar satu persen dilakukan, mengingat bahwa untuk melaksanakan
oleh sebagian besar bank. Dan sesungguhnya, cara untuk kepatuhan, sistem berbasis-aturan menghasilkan jumlah
dapat melakukannya adalah melalui pembelajaran positif palsu yang tinggi. Sistem pembelajaran mesin
mesin, yang dapat menganalisis lebih banyak data dapat menyerap dan menilai peringatan dari sistem
dari lebih banyak sumber, dengan lebih cepat, untuk berbasis-aturan, membantu analis mengidentifikasi
membuat keputusan kredit yang sering kali lebih baik peringatan berisiko dan secara akurat menyampaikan
dibandingkan dengan analis manusia. Menggunakan informasi ke seluruh tim untuk penyelidikan yang sesuai.
sains data, pembelajaran mesin, atau platform AI untuk
melakukannya jauh lebih ideal karena memungkinkan Menyederhanakan MRM: Seperti yang disebutkan di
tingkat transparansi yang diperlukan untuk memastikan bagian tantangan dari buku putih ini, ada banyak hal
bahwa model yang menentukan risiko dan kerugian yang dapat ditawarkan oleh sains data, pembelajaran
kredit dapat ditafsirkan dan bukan merupakan solusi mesin, dan platform AI dalam hal memperkenalkan
kotak hitam. konsistensi dan reproduktifitas ke dalam proses MRM itu
sendiri dan dorongan akhir pada produksi. Jika untuk
Risiko Produk Manajemen Kas: Manajemen kas setiap peninjauan, tim validasi risiko model kehilangan
adalah salah satu aktivitas paling dasar, fundamental, waktu untuk memahami sistem dan kerangka kerja yang
dan dilakukan sehari-hari oleh setiap bank. dan Itulah digunakan oleh tim yang berbeda, kemampuan bank
yang menjadikannya kandidat utama untuk revolusi untuk mempercepat jumlah model dalam produksi
yang dilakukan oleh pembelajaran mesin dan AI. akan terbatas. MRM memerlukan sistem atau proses
Sebagian besar tim sudah menggunakan analitik konsisten yang dihasilkan oleh model sehingga langkah
prediktif untuk mengidentifikasi faktur berisiko tinggi, selanjutnya (penerapan ke produksi) dapat diselesaikan
duplikasi pembayaran, dll. Namun, proses ini sangatlah dengan mulus dan bebas risiko.
rumit (sehingga berisiko) karena data dibersihkan
dengan satu alat, diberikan kepada ilmuwan data Otomatisasi Pelaporan Peraturan: Dengan banyaknya
yang mengembangkan model pada R atau Python, peraturani yang memengaruhi Jasa Keuangan,
2
https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/digital-blog/whats-the-value-of-a-better-model-more-than-you-
may-think

perbanyakan permintaan pelaporan terkait telah terjadi. analis riset tradisional sangat nyaman di spreadsheet,
Oleh karena itu, sebagian besar pekerjaan tersebut mereka biasanya tidak memiliki pengalaman mendalam
dilakukan secara manual dan seringkali berakhir pada tentang pengkodean. Pada saat yang sama, ilmuwan data
spreadsheet gabungan. Jadi, untuk pelaporan yang dan analisis kuantitatif telah diikutsertakan ke dalam
dibuat secara teratur, hasil efisiensi yang buruk dan proses riset. Namun yang kurang adalah kemampuan
peningkatan pada sebagian waktu dari beberapa ilmuwan data, analisis kuantitatif, dan analis riset untuk
petugas didedikasikan untuk kegiatan tersebut. Dan menyatukan gagasan dan keterampilan mereka guna
juga, proses manual menempatkan risiko kesalahan dan berkolaborasi dan membangun solusi analitik yang unik.
ketergantungan pada beberapa orang yang menguasai Ini adalah peluang utama bagi sains data, pembelajaran
perlakuan data. Sebagai pelengkap Manajemen Data mesin, dan platform AI untuk mengisi celah, sehingga
dan/atau proses RPA yang menangani sebagian dari memungkinkan ketiga profil untuk dapat mengerjakan
masalah, pendekatan pembelajaran mesin digunakan data dengan cara yang mereka suka (misalnya, melalui
untuk mendeteksi anomali dengan lebih baik dan untuk kode atau tidak) di ruang yang sama.
meningkatkan otomatisasi yang lebih maju dengan
mengganti beberapa aturan bisnis. Valuasi Himpunan Data Alternatif dalam Penelitian:
Dalam beberapa tahun terakhir, tim riset mulai
memiliki akses dan memanfaatkan himpunan data
KEUNGGULAN KOMPETITIF yang unik untuk menciptakan wawasan baru sehingga,
Menganalisis Arus Uang, Analisis Kompetitif dan membantu mereka menghasilkan alfa. Namun dengan
Tolak Ukur: Pemodelan pasar prediktif berdasarkan bertambahnya data yang tersedia untuk dijual, tim riset
sejumlah besar data dari berbagai sumber akan memerlukan cara untuk menganalisis data tersebut
membuat investor lebih terinformasi dengan baik dan dengan cepat untuk mengidentifikasi kebersihan
lebih mampu melayani pelanggan mereka, dengan dan nilai sebelum membeli. Pembelajaran mesin,
banyaknya pengetahuan di ujung jari mereka yang utamanya melalui sains data, pembelajaran mesin, dan
bahkan tidak dapat dianalisis oleh tim manusia dengan platform AI, di sini adalah kasus penggunaan yang baik,
tangan mereka sendiri. karena memungkinkan tim riset untuk dengan cepat
mengunggah data, mengidentifikasi nilai yang hilang,
Riset Berbasis Bukti: Dengan Petunjuk Pasar dalam menggabungkan himpunan data baru, dan menjalankan
Instrumen Keuangan (MiFID) II yang mendorong investor model pembelajaran mesin otomatis untuk menentukan
untuk memisahkan biaya perdagangan dan biaya riset, nilai prediksi data.
departemen riset perlu mengembangkan produk riset
baru, unik untuk menghasilkan pendapatan. Sementara

Penetapan Harga &
Perbincangan yang Optimal
Retensi Pelanggan dan

Perkiraan Klaim Prediksi Kehilangan Pelanggan
Triase Klaim Rekomendasi

dan Peningkatan Penjualan
Manajemen Kas
Menganalisis Arus Uang Pengurangan Pembayaran yang
Risiko Produk
Tidak Berdasar dan Diblokir
Analisis Kompetitif & Retensi Pelanggan dan

Tolak Ukur Prediksi Kehilangan Pelanggan Atribusi Pendapatan
Manajemen Aset Asuransi Perbankan Komersial
Kasus Penggunaan untuk Sains Data, Pembelajaran Mesin, dan AI di Perbankan
Umum (misalnya, tidak spesifik

Perbankan Investasi untuk satu sektor)
Riset Berbasis Bukti Pelaporan Risiko & Kerugian Kredit
Validasi Himpunan Data Alternatif Pelaporan Regulasi

Otomatisasi
Prediksi Kegagalan Perdagangan

Deteksi & Pencegahan Penipuan
Peningkatan Pendapatan Keamanan Siber
Penurunan Risiko
AML & KYC
Pemangkasan Biaya
Peningkatan dan
Otomatisasi Proses
Keuntungan Kompetitif

MEMULAI:
INISIATIF TERATAS UNTUK
MULAI DARI SEKARANG
Mengingat tantangan besar yang menghalangi jalan (yang pada umumnya sulit ditemukan, mahal untuk
menuju AI Perusahaan, sudah jelas bahwa ada banyak dipekerjakan, dan sulit dipertahankan) atau menjadikan
pekerjaan yang harus dilakukan. Namun bank yang semua orang menjadi spesialis data. Beberapa
telah menemukan kesuksesan dapat memulai dari perusahaan besar di luar dunia perbankan, dan semakin
hal yang kecil dan terus menapakinya. Itu seringkali banyak lembaga keuangan lainnya, mulai menyadari
berarti langkah pertama bukanlah kasus penggunaan nilai dari alternatif demokratisasi data dan analitik.
yang hebat atau prestasi teknologi yang mengesankan
dalam pembelajaran mesin, tetapi perubahan secara Jauhkan staf dari spreadsheet, yang berkontribusi
bertahaplah yang akan menyiapkan jalan menuju besar pada masalah keamanan, ketidakakuratan, dan
kesuksesan di masa mendatang. Bagian ini akan ketidakefisienan dengan masalah pada penerapan
membahas inisiatif di langkah pertama untuk orang- versi, kurangnya log atau rollback, dan masih banyak
orang, proses, dan teknologi yang telah dilakukan oleh lagi. Karena jika mematuhi peraturan dan mengurangi
bank lainnya. risiko adalah perhatian utama (dan memang demikian
adanya), maka spreadsheet adalah antesisnya.
PENINGKATAN PENDAPATAN Namun di luar masalah yang jelas, memindahkan semua

Lebih baik, memanfaatkan para pebisnis (baik analis staf yang bekerja dengan data tanpa menggunakan
dalam hal risiko, harga, dll., atau bahkan pebisnis tanpa spreadsheet dan menggunakan alat data terpusat juga
gelar “analis”) daripada terus mempekerjakan staf data memberikan efisiensi dan peluang. Misalnya, dengan
yang baru, tanpa rencana atau agenda. Bagaimanapun, pengaturan yang tepat dalam hal tata kelola dan izin,
staf ini telah memiliki pengetahuan yang mendalam analis dapat mengakses data secara langsung tanpa
tentang sistem bisnis, kebutuhan, dan lingkungan harus melalui tim TI, bekerja dengan data tersebut di
peraturan. satu tempat, membuat visualisasi atau output lainnya,
dan berbagi akses ke output tersebut secara langsung
Pilihan untuk bank modern saat ini adalah untuk terus dengan orang lain yang membutuhkan informasi.
mempekerjakan spesialis data dan analitik yang baru
“Program Kemandirian Data di GE Aviation lahir dari percakapan di ruang konferensi.

Gagasannya adalah bahwa Anda tidak akan pernah dapat mempekerjakan
profesional data secara cukup untuk memenuhi permintaan data dalam bisnis, jadi
sebagai gantinya, mengapa tidak mengubah bisnis menjadi profesional data.”
- Jonathan Tudor, Senior Manager, Kemandirian Data dan Analitik di GE Aviation
Baca selengkapnya tentang transformasi data GE Aviation1
1
https://pages.dataiku.com/ge-aviation-whitepaper

FITUR
BAGAIMANA SAYA MENJADI SEORANG

ILMUWAN DATA: KISAH DARI
SEORANG MANTAN PEDAGANG
Oleh Alex Hubert
Sains data telah menciptakan kapasitas baru untuk pembelajaran mesin (ML) dan, yang terakhir, AI memiliki
analisis hebat oleh pedagang yang, sejauh ini, hanya peluang besar untuk memberikan keunggulan tersebut.
sedikit yang sudah memanfaatkannya. Meskipun Meskipun hal ini mungkin tampak menakutkan bagi
analisis kuantitatif telah menggunakan sains data pedagang yang belum siap, kabar baiknya adalah tidak
untuk sementara waktu, para pedagang sebagian ada kata terlambat untuk memulai transisi ke strategi
besar telah mengandalkan analisis kuantitatif tersebut yang lebih berorientasi pada sains data. Dan sejujurnya,
untuk menjalankannya dan belum melakukan banyak keengganan yang umumnya terjadi terhadap ML dan AI
perubahan untuk mengembangkan keterampilan di tidak hanya terjadi pada pedagang, karyawan di seluruh
bidang sains data itu sendiri. Namun, mengapa? industri yang tidak sepenuhnya memahami cara kerja ML
dan AI (dan cara mereka agar dapat bekerja sama dengan
Dalam dunia keuangan yang sangat kompetitif ini, para teknologi ini) sering kali tidak mau terjun kedalamnya.
pedaganglah yang paling dekat dengan pasar. Dan
faktanya, dibandingkan dengan analisis kuantitatif yang Namun dengan memahami cara ML dan AI dalam
sering bekerja dari sudut pandang yang lebih teoritis, mengubah industri dan mengambil beberapa langkah
pedagang adalah kandidat yang jauh lebih baik untuk sederhana untuk mengubah pola pikir Anda, siapa
memadukan sains data ke dalam pekerjaan mereka. pun dapat mulai memanfaatkan alat seperti ML dan
perdagangan algoritmik.
Sayangnya, sebagian besar dari mereka belum
melakukannya. Ini sangat disayangkan karena Mengapa Pembelajaran Mesin dalam Perdagangan?
keuntungan dari mempelajari sains data adalah ML dapat menggunakan data secara waktu nyata
pemahaman yang lebih baik tentang model yang dari sumber tidak terstruktur dan terstruktur untuk
mendasarinya. Sekali lagi, dalam industri yang kompetitif menemukan pola dan tren yang mendasari dan mungkin
seperti itu, seseorang tidak dapat berkembang hanya telah disembunyikan. Meskipun berfrekuensi tinggi,
dengan mengandalkan sepenuhnya pada informasi perdagangan yang ditentukan secara algoritme selalu
(model) yang diserahkan dari sebuah analisis kuantitatif. ada, pedagang sering kali dibatasi oleh hal yang dapat
Inilah saatnya bagi para pedagang untuk masuk ke mereka lakukan di spreadsheet.
datanya sendiri.
Sains data menawarkan cara bagi pedagang untuk
Sebelum melakukan lompatan hingga sampai ke posisi memadukan sumber data yang baru dan bermakna
saya saat ini sebagai ilmuwan data utama di Dataiku, dalam skala besar dan secara waktu nyata. Otomatisasi
saya adalah seorang pedagang Schneider di Inggris proses ini memungkinkan peningkatan lebih lanjut
Raya. Sekarang lebih dari sebelumnya, pedagang perlu dalam kemampuan untuk digunakan kembali dan
menemukan keunggulan kompetitif baru dalam industri produktivitas.
yang sepenuhnya telah didominasi oleh teknologi - yaitu

Alex memulai kariernya sebagai pedagang di kota London, dan beralih menjadi
ilmuwan data setelah empat tahun berikutnya. Dia telah mengerjakan berbagai
kasus penggunaan, mulai dari membuat model yang memprediksi penipuan
hingga membangun sistem rekomendasi khusus. Alex juga pernah menangani
tunggakan pinjaman untuk sewa guna usaha dan lembaga refaktorisasi begitu
juga penggunaan pemasaran untuk bankir ritel. Alex adalah seorang ilmuwan data
utama di Dataiku, yang berlokasi di Singapura.
Perubahan di pasar terkenal sulit didapat karena Beberapa keterampilan yang umumnya sama pada
bisa datang dari mana saja - teknik sains data dapat kedua industri, meliputi:
meringankan kesulitan ini dengan memungkinkan • Pemahaman tentang cara mengelola risiko;
pedagang untuk menggabungkan data dari berbagai • Kemampuan untuk mengenali pola dalam himpunan
macam sumber dan memeriksa sejumlah besar data yang besar;
data tentang aktivitas pasar sebelumnya. Selain • Pengetahuan tentang cara membangun hubungan
menggabungkan data dari berbagai sumber, salah dengan pemangku kepentingan; dan
satu manfaat terbesar dari sains data dalam praktik • Pemahaman tentang matematika keuangan, termasuk
perdagangan adalah reproduktifitas. Dengan cepat dan teori penetapan harga aset, probabilitas, dan statistik.
andal, informasi yang tidak mungkin ditemukan, bahkan
oleh pedagang paling rajin sekali pun dapat didistilasi. Beberapa keterampilan yang bagus untuk dimiliki dan
digunakan dalam mengembangkan sains data yang akan
Semua ini memunculkan pertanyaan yang sangat penting, membantu transisi:
yaitu aspek peraturan dan keamanan. Jika dengan • Bahasa pengkodean akan menjadi nilai tambah
menggunakan alat yang tepat, dan dikombinasikan • Alat sains data yang akan memberikan beberapa
dengan praktik tata kelola data yang baik, sains data struktur
mestinya menjadi proses kotak putih. Semua aktivitas
pada proyek data dicatat, dan jelas sumber data apa Sains data adalah bidang yang sangat dinamis, jadi
yang digunakan untuk proyek data mana, bagaimana kebijakan terbaik untuk setiap pedagang yang berorientasi
data dimanipulasi, dll. Oleh karena itu, penggunaan ilmu pada sains data adalah dengan tetap mengikuti
data harus sangat mudah dikelola saat berhubungan perkembangan terkini dari kemajuan bidang tersebut.
dengan hal seperti audit atau regulasi.
Keterampilan yang berkembang dalam sains data
Bertransisi Menjadi Ilmuwan Data akan memiliki dampak jangka panjang pada karier
Profil tipikal dari ilmuwan data sering kali selaras dengan setiap pedagang. Meskipun perdagangan otomatis
profil pedagang -- dan inilah mengapa keduanya sangat hampir mencapai titik di setiap sendi kehidupan, ML
cocok. dan AI memiliki potensi untuk sepenuhnya mengubah
pengertian dari menjadi seorang pedagang.

Bekerja dengan data tanpa menggunakan spreadsheet • Memanfaatkan orang-orang yang sudah
juga memberikan peluang untuk otomatisasi yang memiliki keterampilan statistik dan matematika,
cerdas tidak hanya untuk ETL atau penyiapan data yang membawa mereka ke era sains data. Dari aktuaris
sulit, tetapi juga untuk tindakan di saluran data yang hingga analisis kuantitatif, jangan biarkan
lebih jauh. keterampilan ini terbuang percuma dan sebaliknya
ambil pendidikan dan beralihlah ke peran yang
Memungkinkan orang-orang untuk bekerja secara pengetahuan industri mendalam milik mereka
aman dengan data sensitif, yang memang rumit, dapat dengan mudah dimanfaatkan.
tetapi bukan tidak mungkin untuk dilakukan. Gagasan
bahwa tidak ada tim data yang dapat menggunakan PROSES
atau memproses data pribadi dengan cara, bentuk,
atau jenis apa pun dengan mengikuti GDPR, CCPA, atau Tanam benih untuk analitik mandiri, yang secara
penerapan semua regulasi data serupa lainnya adalah umum memiliki pengertian, sebagai sistem apa pun
mitos Faktanya, sebagian besar regulasi (termasuk yang dapat digunakan oleh staf bisnis atau analis untuk
GDPR) mencantumkan ketentuan khusus yang mana mengakses dan bekerja dengan data guna menghasilkan
data pribadi dapat diproses. wawasan (prediktif ataupun tidak), serta visualisasi data
dengan sedikit dukungan langsung dari ilmuwan data,
Jadi ya, cara untuk dapat memperoleh dan TI, atau tim data yang lebih besar (meskipun platform
menggunakan data pribadi memang terbatas, Tentunya mandiri itu sendiri harus didukung oleh peranan ini).
organisasi harus sangat berhati-hati di setiap tingkatan.
Namun tidak benar bahwa tim data (termasuk analis Idealnya, analisis layanan mandiri akan ditetapkan
dan ilmuwan data) sepenuhnya dilarang dalam sebagai proyeksi dasar di seluruh organisasi. Sering kali
menggunakan data pribadi. hal itu lebih mudah diucapkan daripada dilakukan - Untuk
membuat semua orang setuju pada tampilan sistem
Salah satu keuntungan terbesar bagi bank dalam yang seharusnya terlihat, fungsionalitas yang seharusnya
menggunakan platform data adalah kepatuhan dimiliki, dll., dapat memakan waktu selama berbulan-
terhadap regulasi data yang lebih sederhana. Platform bulan, tetapi bagaimanapun tetaplah penting.
data memungkinkan untuk:
Bank yang telah berhasil menerapkan program analitik
• Identifikasi, dokumentasi, dan data lineage mandiri adalah bank yang mendapat buy-in dari
yang jelas pada data pribadi - yaitu, yang berbagai lini bisnis dari awal. Itu bukan hanya berarti
memungkinkan tim dan pemimpin data untuk berhasil membuat lini bisnis disetujui, tetapi benar-
melacak (dan sering kali melihat sekilas) sumber benar bekerja sama dengan mereka sejak awal untuk
data yang digunakan di setiap proyek. memahami kebutuhan mereka secara mendalam dan
meminta mereka untuk menguji alat dan proses guna
• Pembatasan dan kontrol akses - termasuk menentukan solusi terbaik.
pemisahan berdasarkan tim, peran, tujuan analisis,
dan penggunaan data, dll. Pada akhirnya, hanya pemangku kepentingan di lini bisnis
yang berbedalah yang dapat mengevaluasi fungsionalitas
• Minimalisasi data yang lebih mudah mengingat
dan kemudahan penggunaan alat data mandiri dengan
pemisahan yang jelas dalam proyek dan beberapa
benar berdasarkan keterampilan tim mereka. Namun lebih
bantuan bawaan untuk anonimisasi dan pemberian
dari itu, mendapatkan masukan mereka dari awal artinya
nama samaran, hanya data yang relevan dengan
pada saat peluncuran, para pemangku kepentingan bisnis
tujuan tertentulah yang akan diproses sehingga
tersebut sudah akan berinvestasi dan dapat membantu
meminimalkan risiko.
program agar dapat dimulai.

Mulailah membangun cara yang efisien untuk TEKNOLOGI
mengoperasionalkan model, karena untuk menjadi Bahkan ketika berbicara tentang orang-orang dan proses
pemain AI Perusahaan, bukan hanya tentang untuk menghadirkan AI ke organisasi keuangan, sulit untuk
menempatkan satu model di dalam produksi - tetapi melakukannya tanpa membahas teknologi. Meskipun
tentang ratusan atau ribuan model. bukan satu-satunya bagian dari teka-teki tersebut,
Dalam bisnis apa pun, tim data menghadapi sejumlah memang benar bahwa teknologi cenderung menjadi
tantangan terkait dengan operasionalisasi model landasan yang memungkinkan terjadinya perubahan baik
pembelajaran mesin. Biasanya, untuk menerapkan bagi prosesnya maupun orang-orangnya.
model, koordinasi antar individu atau tim diperlukan, Pada akhirnya, bank perlu memilih alat dan teknologi yang
dimana tanggung jawab atas pengembangan model dan tepat untuk mereka - yaitu, yang akan memberikan mereka
penerapan model terletak pada beberapa orang yang kesempatan untuk mempertahankan investasi teknologi
berbeda. mereka hingga masa mendatang, memastikannya untuk
melayani kebutuhan mereka di masa kini, tetapi juga akan
Begitu memasuki produksi dan dijalankan, tim kemudian melayani kebutuhan di masa mendatang dan tidak cepat
akan menghadapi masalah dalam memelihara model usang. Berikut ini adalah langkah-langkah pertama dan
tersebut, serta melacak dan memantau kinerjanya pertimbangan jangka panjang untuk mengembangkan
dari waktu ke waktu. Dalam beberapa kasus, pada saat tumpukan teknologi yang berfungsi bagi bisnis dan bagi
sebuah model yang akhirnya diterapkan, model tersebut pengguna akhir:
sudah ketinggalan zaman, karena data yang baru dan
berkembang akan masuk. Manfaatkan sumber terbuka, karena tidak diragukan
lagi bahwa teknologi sumber terbuka dalam sains data,
Saat model dilatih ulang dan penerapan diperbarui, pembelajaran mesin, dan AI adalah yang teknologi paling
melacak versi model yang berbeda dalam berbagai tahap canggih, serta bahwa bank yang menggunakannya
pengembangan menjadi tugas yang semakin menuntut menandakan bahwa mereka dinamis dan berorientasi
- dan tugas ini hanya untuk satu model. Sekarang masa depan. Faktanya, algoritme dan arsitektur sains
bayangkan jika Anda punya puluhan atau ratusan model? data yang paling mutakhir diluncurkan sekitar enam bulan
lebih awal dari teknologi yang dijadikan sumber terbuka.
Selain itu, bank memiliki tantangan tambahan yang Misalnya, melihat alat seperti TensorFlow (yang merupakan
sebelumnya disinggung dalam bahasan mengenai pustaka untuk membangun dan melatih jaringan saraf)
validasi oleh tim risiko, yang semakin memperumit dan tidak ada alat yang seperti itu di pasaran saat ini. Alat
memperpanjang proses operasionalisasi model. tersebut dijadikan sumber terbuka oleh Google (khususnya
oleh proyek Google Brain mereka) pada akhir tahun
Solusi untuk semua ini adalah dengan mempersiapkan 2015. Artinya, siapa pun yang menggunakannya sedang
dari sekarang untuk memperoleh operasionalisasi yang menggunakan standar yang sama dengan yang digunakan
lancar, efisien, dan cepat (belum mendapat keluhan), oleh Google untuk pengembangan jaringan saraf mereka.
yang artinya dapat mengintegrasikan ujung ke ujung Namun, ada peringatan: sumber terbuka tidak dapat
secara mulus, tidak hanya proses produksi, tetapi juga digunakan semudah itu, karena sering kali ia kurang
penyerapan data, penyiapan, dan pemodelan. Tujuan memiliki berbagai lapisan yang ramah pengguna,
akhir yang harus dicapai adalah menjaga konsistensi sehingga dapat membatasi penggunaannya hanya untuk
dan koherensi pada seluruh proyek sains data, yang anggota dengan kemampuan teknis paling tinggi dari
penerapan akhirnya dapat dilacak kembali ke set data sebuah organisasi. Jadi menambahkan semacam lapisan
awal serta proses dan tindakan yang dilakukan di dalam pengemasan atau abstraksi yang membuat sumber
proyek. terbuka lebih mudah diakses adalah suatu keharusan
untuk memastikan bahwa alat sumber terbuka tetap
menjadi aset dan bukan menjadi beban (serta untuk
mempertahankan standar tata kelola data yang tinggi
dan memastikan kepatuhan terhadap peraturan).

Terlepas dari peringatan ini, perlu ditekankan bahwa sumber terus beradaptasi agar tidak cepat ketinggalan
terbuka dapat menguntungkan. Karena menemukan, zaman dan tidak berfungsi. Platform ini tidak hanya
mempekerjakan, dan mempertahankan ilmuwan data perlu beradaptasi, tetapi juga perlu beradaptasi
(misalnya, orang-orang dengan latar belakang di bidang dengan cepat untuk mengimbangi kecepatan
pembelajaran mesin) itu sulit. Sumber terbuka sangat teknologi dan pesaing.
berperan sebagai “madu teknologi” yang dapat digunakan • Biaya: Membangun tidak hanya mencakup biaya awal
oleh bank untuk menarik tenaga ahli di bidang data terbaik. pengembangan, tetapi juga pemeliharaan secara
Bagaimanapun, para ilmuwan data ingin mengasah berkelanjutan. Artinya alih-alih membutuhkan biaya
keterampilan mereka pada alat yang akan digunakan satu kali, platform AI yang dikembangkan di dalam
secara lebih luas dalam beberapa tahun mendatang. negeri sebenarnya terus menjadi pusat biaya yang terus
berkembang (pertimbangkan untuk mempekerjakan
Sebagai tambahan, penting untuk diingat bahwa keahlian engineer untuk melakukan pemeliharaan, pemasukan
tidaklah seragam. Beberapa ahli pembelajaran mesin di departemen, dan lainnya).
membuat kode dengan Python, ahli lainnya menggunakan Solusi komersial tentunya juga memiliki kekurangan. Tidak
R -- dan bank yang memanfaatkan alat sumber terbuka memilih vendor yang tepat untuk memberikan solusi AI
dapat memiliki kedua jenis ahli tersebut. Tetapi mereka dapat berarti akan bergantung pada alat yang lambat
yang menggunakan solusi berkepemilikan dengan untuk berinovasi, tidak memberikan kontrol keamanan
bahasa dan kurva pembelajaran khususnya sendiri untuk yang tepat, kurang memiliki fitur yang dibutuhkan oleh lini
digunakan hanya dapat merekrut orang-orang yang bisnis, dan sejumlah kemungkinan lainnya.
mengetahui (atau mau belajar) solusi khusus ini.
Pertimbangkan dengan serius konsekuensi membangun Pilih vendor teknologi dengan cerdas; misalnya, dengan
vs. membeli dan ROI terkait. Tidak mengherankan jika menghindari vendor yang tidak mengizinkan penggunaan
pertanyaan kuno tentang membuat vs membeli telah masuk teknologi sumber terbuka, sehingga membuat pengguna
ke bidang AI. Dan membangun platform atau alat sendiri untuk harus mempelajari bahasa yang benar-benar baru (yang
produksi pada sistem AI tampak menggoda pada awalnya artinya memiliki orientasi yang lambat dan penghalang
karena berbagai alasan. Yakni, organisasi yang menempuh pada entri), atau yang mengunci bisnis untuk menggunakan
jalur ini merasa bahwa solusi yang dikembangkan sendiri satu jenis penyimpanan data, satu jenis arsitektur, dll.
akan lebih sesuai, terkontrol, dan aman, serta lebih murah
dan (sebagai bonusnya) - tidak ada vendor yang mengunci. Saat membuat pilihan untuk membeli daripada
Namun, perlu dicatat bahwa dalam membuat alat yang membangun platform AI, penting untuk mencari
dikembangkan sendiri - dan khususnya platform AI milik platform atau vendor AI yang:
sendiri - juga memiliki kekurangan: • Fleksibel dan kuat: Mulai dari mengizinkan kontribusi
• Pemeliharaan: Tidak diragukan membangun dan penggunaan oleh berbagai profil (analisis
platform AI akan membutuhkan sumber daya yang kuantitatif, ilmuwan data, aktuaris, analis, dan
berkelanjutan, bahkan setelah peluncurannya. Tidak lainnya) hingga menawarkan berbagai penghubung
hanya untuk mempertahankan fitur yang sudah ada yang banyak sekali ke sumber data dan sistem
tetapi juga untuk memperbaiki bug yang muncul dan bisnis penting lainnya, mencari platform AI yang
menambahkan fitur baru untuk mengikuti kecepatan berteknologi- dan profil-agnostik. Fleksibilitas
perubahan teknologi AI saat ini. juga berarti kemampuan untuk menggabungkan
• Inovasi berkelanjutan: Sejalan dengan tindakan alat sumber terbuka yang mutakhir (seperti yang
tersebut, membangun platform AI sendiri bukanlah disebutkan di atas), memungkinkan bank untuk
kesepakatan yang dilakukan sekali. Bidang ini terus memanfaatkan teknologi terbaru dan terbaik, serta
berkembang, yang artinya sebuah platform AI harus menarik tenaga ahli terbaik.

• Aman, namun transparan: Alat apa pun yang hanya tidak efisien dalam hal waktu yang dihabiskan
digunakan oleh bank harus mengizinkan agar proses untuk membangun saluran data secara keseluruhan,
AI cukup transparan untuk mematuhi standar AI tetapi juga menyisakan banyak ruang untuk terjadinya
dan regulasi khusus yang bertanggung jawab, kesalahan dari perspektif TI, yang berarti peningkatan
namun juga cukup aman untuk memastikan bahwa risiko atas kehilangan data, masalah keamanan, dan
perusahaan tidak berada dalam risiko. lainnya.
• Didedikasikan untuk inovasi: Vendor platform AI
harus berkomitmen untuk bergerak cepat bersama Ketika staf merasa bahwa proses tersebut tidak
dunia teknologi AI. Yang artinya, memiliki staf riset efisien, di situlah mereka mulai mendekati tim TI dan
dan pengembangan (R&D) yang besar dan akan membangun proses mereka sendiri yang mereka rasa
memberikan kesempatan bagi mereka untuk dapat memungkinkan mereka untuk bekerja lebih cepat
melakukan pekerjaan berat dalam hal memadukan (dikenal sebagai TI Bayangan). Sekali lagi, tata kelola
tren, fitur, dll., yang terbaru ke dalam platform. yang berantakan di antara berbagai alat yang berbeda
merupakan jalan pintas menuju ketidakpatuhan
Jangan menyebabkan sebuah mimpi buruk TI dengan terhadap regulasi. Memilih vendor teknologi sesedikit
menggabungkan berbagai alat yang berbeda di seluruh mungkin untuk menyelesaikan tugas yang ada akan
saluran data. Menggunakan satu alat di antara beberapa menghasilkan tata kelola yang lebih mudah. Hal ini
analis untuk penyiapan data, alat yang lain di antara sangat penting karena upaya di bidang data terus
beberapa ilmuwan data untuk membangun model, dan berkembang dan semakin banyak pengguna data yang
alat yang lain lagi untuk memvalidasi dan menerapkan bergabung dari hari ke hari.
model tersebut ke dalam lingkungan produksi tidak

FITUR
MENINGKATKAN DETEKSI PENIPUAN

OLEH PENGABAR SAINS DATA
TANTANGAN: VISIBILITAS TERBATAS DAN perusahaan memungkinkan kombinasi pengetahuan
KEMAMPUAN MEMANFAATKAN DATA SECARA yang optimal untuk menghasilkan model yang
akurat dan memberikan nilai bisnis yang jelas.
PROAKTIF
BGL BNP Paribas sudah memiliki model pembelajaran

mesin untuk deteksi penipuan tingkat lanjut, tetapi DAMPAK: SELURUH PERUSAHAAN
dengan visibilitas terbatas ke dalam model tersebut dan BERFOKUS PADA PEMBUATAN PROTOTIPE
sumber daya sains data yang terbatas, model tersebut DAN PRODUKSIONALISASI
sebagian besar tetap statis.
Fitur produksi Dataiku memungkinkan transisi yang
Anggota tim bisnis sangat antusias dalam memperbarui mulus di lingkungan produksi BGL BNP Paribas sehingga
model, tetapi terhalang oleh kurangnya akses ke memudahkan proyek prediksi penipuan yang baru untuk
proyek data dan akses ke tim data untuk melaksanakan menunjukkan hasil dengan segera setelah proyek dimulai.
perubahan yang diperlukan. Tantangannya adalah Fitur ini dikombinasikan dengan kemampuan Dataiku
untuk memanfaatkan pendekatan yang didorong data di untuk mengaktifkan pembuatan prototipe yang cepat,
semua bagian organisasi. memungkinkan BGL BNP Paribas untuk menguji kasus
penggunaan yang baru di lingkungan sandbox dengan
cepat, memberikan fleksibilitas bagi tim untuk mengevaluasi
SOLUSI: MEMBERDAYAKAN SEMUA KARYAWAN kasus penggunaan baru hanya dalam waktu beberapa
minggu guna menguji pendekatan dan efek global.
AGAR MENJADI DIDORONG DATA SAMBIL
MENJAGA KEAMANAN & TATA KELOLA YANG Hasilnya, keberhasilan proyek prediksi penipuan
TINGGI pertama telah menjadi katalisator perubahan di seluruh
perusahaan BGL BNP Paribas. Setelah proyek selesai, telah
BGL BNP Paribas memilih Studio Sains Data Daitaku terjadi pergeseran budaya perusahaan yang terlihat untuk
(DSS) untuk mendemokratisasi akses dan penggunaan berfokus pada penerapan, industrialisasi, serta pembuatan
data di seluruh perusahaan. Hanya dalam waktu prototipe yang cepat dan mudah dalam hal produk data.
delapan minggu, BGL BNP Paribas dapat menggunakan Sebagau tambahan, karena Dataiku adalah alat untuk
Dataiku untuk membuat prototipe deteksi penipuan semua orang dan bukan hanya ilmuwan atau analis data,
yang baru. Berkat fitur pemantauan dan keamanan telah terjadi pergeseran untuk berfokus pada penggunaan
tingkat perusahaan yang canggih dari Dataiku, mereka data dalam analitik dan pembelajaran mesin tingkat lanjut
dapat melakukan semua tindakan ini, tanpa perlu di seluruh perusahaan.
mengorbankan standar tata kelola data.
BGL BNP Paribas telah memulai tiga proyek data
Proyek ini melibatkan analisis data dan pengguna bisnis tambahan setelah prototipe deteksi penipuan pertama
dari departemen penipuan, serta ilmuwan data dari lab dan berencana untuk terus merilis produk data yang baru
data BGL BNP Paribas dan dari Dataiku. Karakteristik secara reguler agar tetap menjadi yang terdepan dalam
kolaboratif Dataiku dan keterlibatan tim di seluruh industri keuangan.

1.

FITUR
MARLETTE FUNDING, PLATFORM

PINJAMAN EGG TERBAIK
UNTUK DETEKSI PENIPUAN DAN LAINNYA
DENGAN PEMBELAJARAN MESIN
• 420.000 pelanggan dan pendanaan lebih dari 7 • Meningkatkan kapasitas deteksi penipuan
miliar USD mereka sebesar 10 persen dengan beralih ke
• Berbasis di AS dengan 160 karyawan model berbasis pembelajaran mesin.
• Tim data yang terdiri dari enam orang
Evgeny Pogorelov
Direktur Ilmu Keputusan
Marlette Funding, Platform Pinjaman Egg Terbaik
• Ahli di bidang bisnis dan industri serta sisi rekayasa data
• Tujuan utama: Memudahkan ilmuwan data melakukan tugasnya
Sami Bouguezzi
Ilmuwan Data
Marlette Funding, Platform Pinjaman Egg Terbaik
• Bertanggung jawab penuh untuk membangun algoritme pembelajaran mesin bagi
perusahaan
• Tujuan utama: Mendapatkan model yang dia bangun dari sandbox dan masuk ke produksi
Tim meningkatkan kapasitas deteksi penipuan mereka sebesar 10

persen dengan beralih ke model berbasis pembelajaran mesin.

Terlepas dari tantangan yang menyertai deteksi penipuan 3. Menggunakan Dataiku untuk memanipulasi data,
berbasis ML, tim di Marlette Funding tidak hanya mampu melakukan rekayasa fitur, dan membangun model
menerapkan sistem yang menangkap lebih banyak pembelajaran mesin (sebelumnya, tim membuat
penipuan daripada sistem mereka sebelumnya dengan model secara manual dan hanya menggunakan
menggunakan lebih sedikit sumber daya, tetapi mereka perangkat lunak untuk menerapkannya, yang
juga menggunakan proyek tersebut sebagai katalis untuk merupakan tantangan dan mengakibatkan
proyek ML lainnya guna menambah lebih banyak efisiensi penundaan pada waktu produksi).
dan pendekatan yang lebih didorong data di seluruh bisnis.
4. Membandingkan model yang diusulkan dengan
Marlette menyediakan rangkaian layanan melalui Platform strategi saat ini, yang dilihat memiliki potensi dampak
Best Egg untuk mitra banknya, termasuk kemampuan bisnis yang nyata dan memiliki kinerja 10 persen
yang mendeteksi penipu - yaitu orang yang tidak berniat lebih baik daripada model statistik sederhana.
membayar kembali pinjaman. Mereka sebelumnya
membangun model statistik di tempat yang dapat 5. Menggunakan deployer API satu langkah yang dirilis
melakukan fungsi ini dengan cukup baik dalam menangkap di Dataiku 5.01 untuk memasukkan model ke dalam
penipuan, tetapi hal itu mengakibatkan banyak pelamar produksi dan mengerjakan data nyata dengan
didorong untuk melakukan peninjauan manual yang cepat untuk waktu hingga terjadi dampak yang
faktanya, tidak bersifat menipu. Hal ini memperlambat cepat (sekali lagi, ini adalah perubahan dari proses
proses pinjaman bagi pemohon dan membutuhkan sebelumnya, yang membutuhkan waktu berminggu-
sumber daya untuk menghabiskan waktu dalam meninjau minggu untuk menerapkan model dalam produksi
kasus non-penipuan daripada kasus berisiko tinggi. dan mulai melihat hasilnya).
Tim ini - Evgeny dan Sami - memutuskan untuk 6. Mengevaluasi dampak pada pelanggan dan
mengimplementasikan model deteksi penipuan penghematan biaya bagi bisnis untuk menunjukkan
berbasis ML mereka menggunakan Dataiku dari awal nilai model dan mengumpulkan dukungan untuk
hingga akhir, karena akan memungkinkan mereka untuk pekerjaan mereka guna terus mengembangkan
mendapatkan model dan menjalankan produksi dengan model untuk bagian lainnya dari organisasi.
cepat serta kemudian melanjutkan untuk membangun
dan menerapkan proyek dengan prioritas yang tinggi Kombinasi dari proses yang tepat, orang-orang yang
(seperti pengoptimalan harga atau pengoptimalan saling bekerja bersama, dan teknologi memungkinkan
campuran pemasaran). Langkah-langkah kunci dalam Marlette Funding untuk mengembangkan model deteksi
proses mereka adalah: penipuan berbasis ML terbaik di kelasnya untuk Platform
Best Egg dengan tim yang relatif kecil yang tidak hanya
1. Bekerja sama dengan tim operasi penipuan untuk dapat membuat perbedaan dengan cepat, tetapi juga
mengumpulkan data dan memahami kebutuhan dapat dengan mudah dipantau dan diperbarui untuk
dan tujuan proyek dari sisi bisnis. mencegahnya agar tidak menyimpang atau tidak sinkron
dengan tujuan dan perubahan pada bisnis.
2. Mengumpulkan data yang tersedia dari berbagai
sumber (tentu saja, termasuk situs web mereka,
tetapi juga dari biro kredit dan vendor yang khusus
bergerak dalam data deteksi penipuan) untuk
membuat satu himpunan data yang besar.
1
https://blog.dataiku.com/dataiku-5.0-enterprise-ai-within-reach
2
https://pages.dataiku.com/lessons-in-data-science-from-the-top-banking-insurance-and-finance-enterprises

PRAKTIK TERBAIK:
MEMILIH KASUS PENGGUNAAN
(DARI MANA MEMULAINYA?)
Setelah melihat semua kasus penggunaan dan • Apakah penggunaan data secara umum atau teknik
keberhasilan yang mungkin terjadi di dunia perbankan, sains data/pembelajaran mesin secara khusus
mudah sekali untuk membuat seseorang menjadi membantu mengatasi masalah bisnis ini, dan jika ya,
kewalahan dan mulai memimpikan ambisi yang tinggi. bagaimana? Untuk contoh kehilangan pelanggan,
Seperti yang telah dibahas di bagian Inisiatif Teratas mungkin jawabannya adalah ya, penggunaan ini
untuk Memulai dari Sekarang, cara terbaik untuk mulai akan membantu dengan memberikan prediksi
bergerak adalah dengan kemenangan kecil. mengenai pengguna yang kemungkinan akan
Namun setelah semuanya ditetapkan, mungkin inilah berhenti sehingga kemudian dapat ditargetkan
waktunya untuk memilih kasus penggunaan pertama secara langsung oleh tim pemasaran.
yang akan ditangani dengan pembelajaran mesin. • Apakah kami memiliki data untuk digunakan
Dengan begitu banyak pilihan di bidang perbankan, dari pada kasus penggunaan ini? Saat memilih kasus
mana memulainya? penggunaan, Anda sebaiknya memilih salah satu
yang datanya sudah tersedia. Persyaratan untuk
Untuk mengasah potensi kasus penggunaan pertama mengumpulkan data sebelum memulai proyek
yang baik untuk proyek AI: pertama tidak ideal karena akan memperpanjang
• Mulailah dengan daftar masalah bisnis penting yang proses secara signifikan.
dapat dipilih, mungkin dengan meminta umpan • Di mana data disimpan dan bagaimana
balik dan gagasan dari tim di seluruh perusahaan cara mengaksesnya? Hal ini juga berpotensi
untuk berbagai kasus penggunaan. Kenyataannya, memengaruhi keputusan jika akan memperlambat
ada beberapa kasus penggunaan yang tidak berhasil; atau mempercepat proses secara signifikan.
memilih beberapa proyek yang memungkinkan untuk • Apakah kami bersedia menangani kasus
dimulai akan menghasilkan setidaknya satu proyek yang penggunaan ini dengan mitra eksternal? Karena
berhasil dengan lebih baik sehingga dapat digunakan Anda akan mengerjakan kasus penggunaan
sebagai model untuk proyek data di masa depan. pertama dengan seseorang (vendor, konsultan, dll.),
• Namun, pastikan bahwa kasus penggunaan awal relatif kasus penggunaan yang dipilih haruslah yang benar-
kecil karena melakukan kan hal yang lebih dari yang benar Anda inginkan untuk melibatkan pihak ketiga.
bisa dilakukan adalah langkah yang berisiko. Selalu • Apakah kasus penggunaan ini membantu saya
memungkinkan untuk menjalankan kasus penggunaan menghasilkan uang, menghemat uang, atau
yang lebih besar dari waktu ke waktu, tetapi begitu melakukan sesuatu yang tidak dapat saya
kasus penggunaan yang besar gagal, akan sulit untuk lakukan hari ini? Jika jawabannya “mungkin”
berbalik dan kemudian mendapatkan dukungan dan atau “tidak,” maka hapus kasus penggunaan dari
sumber daya untuk mencoba proyek lain. daftar. Kasus penggunaan pertama yang dipilih
• Lihat setiap kasus penggunaan pada daftar dan harus berfokus pada peluang dengan hasil yang
tentukan: nyata dan terukur.
• Apa proses saat ini? Misalnya, jika salah satu hal
dalam daftar untuk sektor perbankan ritel adalah Dari sana, kandidat terbaik untuk kasus penggunaan
“tingkat kehilangan pelanggan yang lebih rendah,” pertama untuk proyek pembelajaran mesin akan dapat
bagaimana penghitungan tingkat kehilangan dieksekusi dalam jangka waktu tertentu, memiliki kiriman
pelanggan, siapa yang bertanggung jawab, apa yang jelas, dan dapat dimasukkan ke dalam produksi
teknik pencegahan yang dapat diterapkan untuk untuk hasil bisnis yang terlihat hasilnya.
mencegah kehilangan pelanggan hari ini, dll.

STRUKTUR ORGANISASI
UNTUK MENGAKTIFKAN
AI, DAN PERAN TATA
KELOLA DATA
TERPUSAT VS.
MODEL TERDESENTRALISASI
Setelah mengambil langkah pertama menuju AI Perusahaan seperti yang diuraikan di bagian pertama melalui orang-
orang, proses, dan teknologi, serta melihat beberapa keberhasilan, pertanyaan logis berikutnya sering kali menjadi:
bagaimana organisasi dapat terstruktur secara ideal untuk memastikan bahwa inisiatif terus tumbuh dan bahwa
mereka dapat menangani lebih banyak kasus penggunaan AI?
Secara umum, ada dua model:
Terpusat, atau dikenal sebagai model “pusat keunggulan” yang keahlian datanya berada dalam satu tim
pusat untuk seluruh organisasi yang kemudian dikontrakkan ke lini bisnis sebagai layanan untuk membantu
menyelesaikan proyek data. Model ini dapat bekerja dengan baik karena model ini memastikan strategi terpusat
yang mengembangkan praktik terbaik untuk penerapan di semua lini bisnis. Namun, ini berarti bahwa pakar data
tidak juga menjadi ahli di bidang bisnis (perbankan ritel, asuransi, investasi, dll.), yang lebih menekankan pada
perlunya kolaborasi dengan ahli tersebut.
Terdesentralisasi, saat setiap lini bisnis memiliki sumber datanya sendiri yang hanya didedikasikan untuk
departemen tertentu. Model ini dapat bekerja dengan baik karena artinya sumber daya data tersebut tertanam
secara mendalam dalam bisnis dan dapat memiliki pemahaman yang lebih luas tentang masalah yang mereka
hadapi sehingga memungkinkan mereka untuk mengembangkan solusi yang lebih komprehensif dan inovatif.
Namun, ini berarti ada risiko yang lebih besar dari masalah tata kelola dan masalah “TI bayangan” yang telah
didiskusikan sebelumnya, karena setiap tim data mengembangkan proses dan praktiknya sendiri.
Setiap model memiliki kelebihan dan kekurangan, Intinya, terserah organisasi jika ingin memutuskan model
mana yang bekerja dengan baik berdasarkan cara perusahaan tersebut diatur, hal-hal yang dibutuhkan untuk
proyek data, seberapa solid komunikasi antar lini bisnis, dan lainnya. Poinnya adalah bahwa model mana yang
diputuskan untuk digunakan oleh bank harus dipertimbangkan dengan hati-hati atas keuntungan dan potensi
konsekuensinya di masa depan, serta pilihannya harus dipilih secara sadar sehingga komunikasi adalah kuncinya.

PERAN CDO VS CIO
Terlepas dari model organisasi yang digunakan, sesuatu yang selalu muncul ketika membahas tentang struktur
organisasi di era AI adalah peran Kepala Petugas Data (CDO) vs Kepala Petugas Informasi (CIO). Memang benar
bahwa keduanya mengatur informasi dalam beberapa cara, tetapi ketegangan dapat terjadi jika tanggung jawabnya
tidak jelas.
Secara umum, CIO harus lebih peduli dengan masalah infrastruktur dan memastikan bahwa infrastruktur perusahaan
melayani bisnis tersebut. Tanggung jawab tersebut termasuk kepemilikan atas saluran data, memastikan bahwa
data tersebut akurat dan tepercaya. Di sisi lain, CDO harus bertanggung jawab terutama untuk menetapkan strategi
organisasi secara keseluruhan guna menggunakan data di seluruh perusahaan.
Saat ini, bank sering kali memiliki banyak CDO atau CIO untuk berbagai lini bisnis. Ini adalah produk dari struktur
organisasi yang terdesentralisasi, yang mungkin artinya, bahwa CDO dan CIO bertanggung jawab mengepalai sumber
daya data untuk bagian tertentu di perusahaan. Dalam hal ini, peran tata kelola dan komunikasi data antar peran
tersebut menjadi sangat penting.
PERAN TATA KELOLA DATA

Tentu saja, terlepas dari struktur organisasi atau peran CDO dan CIO, tata kelola data harus memainkan peran sentral
dan menyeluruh. Tetapi bagaimana peran tersebut dapat cocok dengan gambarannya?
Pertama-tama, baik CDO dan CIO berperan penting dalam membuat dan menjunjung strategi tata kelola data, yang
tidak hanya melibatkan kepatuhan terhadap regulasi, tetapi juga strategi untuk kualitas data yang berkelanjutan,
standar untuk manajemen dan penggunaan data, serta rencana untuk arsitektur data. Setiap aspek dari rencana
tata kelola data harus didokumentasikan, dan setiap lini bisnis harus dapat bertanggung jawab - terlepas organisasi
tersebut mengikuti rencana terpusat atau terdesentralisasi untuk AI Perusahaan.
Namun tata kelola tidak dapat hanya berada di atas: ia harus menyaring semua aspek lainnya dari organisasi, turun
hingga ke individu yang bekerja dengan data. Jika tata kelola data tidak dipermudah bagi mereka yang memiliki
peran data setiap harinya, maka kenyataannya tata kelola tersebut tidak akan diikuti. Jadi membangun infrastruktur
yang mendorong tata kelola di tingkat mana pun, seperti melalui Sains data, pembelajaran mesin, atau platform AI -
merupakan bagian penting dari persamaan tersebut.

PELAJARAN DARI FINTECH
Persaingan di pasar semakin ketat saat ini, sebagian besar akibat meningkatnya pemain di bidang fintech (yaitu, mereka
yang menyediakan jasa keuangan melalui teknologi - misalnya aplikasi pembayaran seluler dan penyedia mata uang
kripto). Untuk membuat masalah ini menjadi semakin rumit, Forbes juga menulis pada tahun 20181 tentang kebangkitan
techfin (yang merupakan perusahaan teknologi yang menemukan cara yang lebih baik untuk memberikan produk
keuangan sebagai bagian dari penawaran layanan yang lebih luas, misalnya, sistem pembayaran Google atau Apple).
Tentu saja, bisnis ini secara fundamentarl berbeda dari lembaga keuangan tradisional. Namun, bukan berarti tidak ada
yang dapat dipelajari dari kesuksesan mereka. Dua dari faktor kunci kebangkitan mereka, misalnya, antara lain:
1. Berfokus secara penuh pada pelanggan akhir, yang berarti terjadi peningkatan fokus pada kepercayaan dan
transparansi yang telah mendorong pertumbuhan basis pengguna mereka. Pemain tradisional dapat mengambil
petunjuk di sini dan meningkatkan fokus pada interpretabilitas, kepercayaan, dan tanggung jawab, terutama
dalam hal pembelajaran mesin dan AI.
2. Kemampuan dalam menggunakan data untuk berinovasi, yang merupakan hasil dari tim yang tangkas dan
demokratisasi data. Jelas, bahwa tindakan ini jauh lebih mudah untuk dijalankan di perusahaan kecil yang
lahir di era mahadata, tetapi bank yang lebih besar dan lebih tradisional dapat mengambil petunjuk dengan
memberlakukan beberapa prinsip sederhana, seperti produk dengan kelayakan minimum (MVP) untuk proyek data.
1
https://www.forbes.com/sites/jimmarous/2018/08/27/future-of-banking-fintech-or-techfin-technology/#6fe6f7b65f2d
2
https://blog.dataiku.com/mvp-for-data-projects

KESIMPULAN
Melakukan transisi ke era AI bukanlah hal yang mudah, tetapi hal ini juga tidak dapat ditanggulangi; bank yang
mengambil pendekatan selangkah demi selangkah dan mengatur dirinya sendiri dengan infrastruktur yang tepat
sehingga orang-orang, proses, dan alat dapat berkembang. Mereka yang tidak beradaptasi akan menyadari
bahwa dirinya perlahan tertinggal, kehilangan bisnis yang membutuhkan teknologi baru dan karyawan yang
ingin mengembangkan keterampilan mereka.
Buku putih ini mencakup banyak hal, berikut adalah lima tema dan poin penting:
1. Regulasi adalah tantangan yang unik, tetapi tidak harus menghalangi bank untuk bersaing dengan AI: Meskipun
benar bahwa cara data pribadi dapat diperoleh dan digunakan itu terbatas (dan akan terus menjadi semakin
terbatas dalam memperkuat lingkungan regulasi saat ini), regulasi tidak menghentikan orang-orang untuk bekerja
dengan data dalam strategi tata kelola yang ditentukan dengan baik.
2. Topik seperti kepercayaan data, transparansi, interpretabilitas, dan tanggung jawab itu penting: Dengan kata lain,
mereka penting tidak hanya bagi pelanggan, tetapi juga bagi pembuat peraturan. Dengan ekstensi, yang berarti
mereka benar-benar perlu menjadi perhatian (dan menjadi perhatian utama dalam hal mengembangkan inisiatif
dan strategi tata kelola di tahun-tahun mendatang) bagi bank.
3. Inovasi sangat penting di berbagai tingkatan: Terlepas dari keuntungan yang jelas dalam menghadirkan
produk baru melalui pengembangan produk baru dan masih banyak lagi, penting untuk mempekerjakan dan
mempertahankan tenaga ahli di bidang data teratas. Memanfaatkan teknologi dan proses yang mutakhir
(seperti sumber terbuka) memastikan bahwa mereka yang bekerja dengan data merasa tertantang dan terus
mengembangkan keterampilan yang relevan.
4. Bank tidak perlu memulai dari awal untuk memulai perjalanan mereka menuju AI Perusahaan: Faktanya mereka
sudah memilikin banyak bagian di tempat, termasuk staf lintas peran dan lini bisnis yang sudah mencoba
menggunakan data untuk membuat keputusan. Artinya beberapa langkah pertama relatif mudah dicapai - sehingga
membuat proses lebih lancar bagi mereka yang sudah menggunakan data dalam peran mereka sehari-hari. Proyek
dan kasus penggunaan yang lebih kompleks dapat berkembang dari sana.
5. Sains data, pembelajaran mesin, dan platform AI adalah kemenangan yang jelas bagi bank: Mereka dapat
menyediakan platform untuk tata kelola, termasuk ruang kerja yang transparan untuk mengembangkan
proyek data dalam batasan regulasi. Mereka dapat mengeluarkan staf dari penggunaan spreadsheet dan juga
mengarahkan ahli data ke sumber terbuka. Mungkin yang paling penting, mereka umumnya mengurangi risiko
yang diakibatkan saat memulai proyek analitik, pembelajaran mesin, dan AI tingkat lanjut.

AI Setiap Hari,
Orang-Orang Luar Biasa
Arsitektur Elastis Dibangun untuk Awan
Pembelajaran Mesin Visualisasi Persiapan Data
Name Sex Age
Natural lang. Gender Integer
Braund, Mr. Owen Harris male 22

Moran, Mr. James male 38
Heikkinen, Miss. Laina
Remove rows containing Mr. female 26
Futrelle, Mrs. Jacques Heath female 35
Keep only rows containing Mr.
Allen, Mr. William Henry male 35
Split column on Mr.
McCarthy, Mr. Robert male
Replace
Hewlett, Mrs (Mary Mr. by ...
D Kingcome) 29
Remove rows equal to Moran, Mr. James
Keep only rows equal to Moran, Mr. James
Clear cells equal to Moran, Mr. James
Filter on Moran, Mr. James
Filter on Mr.
Toggle row highlight
Show complete value
DataOps Tata Kelola & MLOps Aplikasi Analisis
450+ 45,000+
PELANGGAN PENGGUNA AKTIF
Dataiku adalah peron terdepan di dunia untuk AI Setiap hari, sistemisasi penggunaan data
untuk hasil bisnis yang luar biasa. Organisasi yang menggunakan Dataiku mengangkat
orang-orang mereka (baik teknis dan bekerja dalam kode atau di sisi bisnis dan kode rendah
atau tanpa kode) menjadi luar biasa, mempersenjatai mereka dengan kemampuan untuk
membuat keputusan hari-ke-hari yang lebih baik dengan data.
©2021 dataiku | dataiku.com

BUKU PUTIH
www.dataiku.com

AI World Presentation

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

AI World Presentation

Diunggah oleh

Hak Cipta:

Format Tersedia

AI DI PERBANKAN

BUKU PUTIH OLEH DATAIKU

2 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

“Saat AI menyebar ke seluruh perusahaan, solusi untuk memberdayakan

Prediksi Gartner tahun 2019: Demokratisasi AI3, Magnus Revang et al.,

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 3

4 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

Pierre Ménard | Pierre memiliki pengalaman 14 tahun di bidang teknologi, terutama

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 5

1. ESENSI DATA (AKSES, PENATAAN, DLL.)

6 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

Lanskap Regulasi Industri Perbankan

Perilaku dan Reformasi Modal dan

Liikanen Basel III EMIR HFT

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 7

8 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

WHY ENTERPRISES NEED

A WHITE PAPER BY DATAIKU

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 9

10 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

Faktanya ada ketakutan yang sangat nyata pada publik dan

Sebaliknya, hal itu berarti menerima dan menghadapi

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 11

ILMUWAN DATA VS. ANALIS

12 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 13

PENINGKATAN MENGHINDARI RISIKO PEMANGKASAN KEUNGGULAN

KECEPATAN MEMPEROLEH NILAI &

14 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 15

Prediksi Kegagalan Perdagangan: Ketika perdagangan PEMANGKASAN BIAYA/KECEPATAN MEMPEROLEH

16 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 17

Retensi Pelanggan dan

Triase Klaim Rekomendasi

Analisis Kompetitif & Retensi Pelanggan dan

Manajemen Aset Asuransi Perbankan Komersial

Kasus Penggunaan untuk Sains Data, Pembelajaran Mesin, dan AI di Perbankan

Umum (misalnya, tidak spesifik

Riset Berbasis Bukti Pelaporan Risiko & Kerugian Kredit

Validasi Himpunan Data Alternatif Pelaporan Regulasi

Prediksi Kegagalan Perdagangan

Peningkatan Pendapatan Keamanan Siber

18 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

PENINGKATAN PENDAPATAN Namun di luar masalah yang jelas, memindahkan semua

“Program Kemandirian Data di GE Aviation lahir dari percakapan di ruang konferensi.

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 19

BAGAIMANA SAYA MENJADI SEORANG

20 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 21

22 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 23

24 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 25

MENINGKATKAN DETEKSI PENIPUAN

BGL BNP Paribas sudah memiliki model pembelajaran

26 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 27

MARLETTE FUNDING, PLATFORM

Tim meningkatkan kapasitas deteksi penipuan mereka sebesar 10

28 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku 29

30 ©2019 Dataiku, Inc. | www.dataiku.com | contact@dataiku.com | @dataiku

Secara umum, ada dua model: