Judul : Bringing advanced technology to strategic decision-making: The

Decision Intelligence/Data Science (DI/DS) Integration framework

Jurnal : Futures
Volume & Halaman Volumes 152
:
Tahun : 2023
Penulis : Lorien Pratt, Christophe Bisson, Thierry Warin

Reviewer : Muhammad Rizky Andhika Pratama

Abstrak :
Latar Belakang : Artikel ini membahas tentang pentingnya mengintegrasikan
kecerdasan keputusan (decision intelligence, DI) dan ilmu data (data
science, DS) untuk meningkatkan pengambilan keputusan strategis
dalam lingkungan yang kompleks dan tidak stabil. Penekanannya
adalah pada kebutuhan kerangka kerja yang menyatukan pembuat
keputusan manusia dengan teknologi dan mengintegrasikan
berbagai disiplin ilmu. Artikel tersebut juga meninjau aplikasi
kecerdasan buatan (AI) dalam keputusan strategis jangka panjang
dan mengusulkan kerangka kerja integrasi DI/DS. Kerangka kerja
ini bertujuan untuk menghubungkan tindakan dengan hasil bisnis
dan meningkatkan pengambilan keputusan dalam situasi yang
kompleks.
Tujuan penelitian : Tujuan penelitian yang dibahas dalam artikel ini adalah untuk
meningkatkan pengambilan keputusan strategis dalam lingkungan
yang kompleks dan tidak stabil dengan mengintegrasikan
kecerdasan keputusan (Decision Intelligence, DI) dan ilmu data
(Data Science, DS). Penelitian ini bertujuan untuk:

1. Mengembangkan kerangka kerja yang menyatukan pembuat

keputusan manusia dengan teknologi dan mengintegrasikan
berbagai disiplin ilmu.
2. Meninjau aplikasi kecerdasan buatan (AI) dalam keputusan
strategis jangka panjang.
3. Mengusulkan kerangka kerja integrasi DI/DS yang bertujuan
untuk menghubungkan tindakan dengan hasil bisnis.
4. Meningkatkan pengambilan keputusan dalam situasi yang
kompleks dengan memanfaatkan Causal Decision Diagrams
(CDDs) untuk mengoptimalkan pengambilan keputusan dan
memantau keputusan secara real-time.
5. Meningkatkan kemampuan penalaran AI dengan
menambahkan lapisan "System 2" pada "System 1" AI dan
mempromosikan hubungan sinergis antara keahlian manusia
dan kemampuan AI.
6. Menjembatani kesenjangan antara manusia dan AI serta
mendorong pengambilan keputusan kolaboratif.
 7. Menyelaraskan kerangka kerja dengan rekomendasi AI etis
dan menetapkan standar baru untuk kecanggihan
pengambilan keputusan.
Subyek penelitian: Subyek penelitian dalam artikel ini adalah pengambilan keputusan
strategis dalam lingkungan yang kompleks dan tidak stabil, dengan
fokus pada integrasi kecerdasan keputusan (Decision Intelligence,
DI) dan ilmu data (Data Science, DS). Subyek ini mencakup
pembuat keputusan manusia, teknologi yang digunakan untuk
mendukung pengambilan keputusan, serta metodologi dan kerangka
kerja yang digunakan untuk menginformasikan dan memperbaiki
proses pengambilan keputusan strategis.
Metode dan langkah Metode penelitian yang dijelaskan dalam artikel ini melibatkan
penelitian : pengembangan kerangka kerja integrasi antara teknologi dan
pembuat keputusan, yang sangat sesuai dalam lingkungan yang
kompleks dan/atau tidak stabil. Metode ini mencakup beberapa
langkah utama:
1. Pembuatan Causal Decision Diagrams (CDDs) oleh tim
manusia sebagai bagian dari metodologi yang dijelaskan
oleh Pratt & Malcolm (2023).
2. Penggunaan teknik pemrosesan bahasa alami (Natural
Language Processing, NLP) untuk mengubah teks yang
tidak terstruktur menjadi data yang terstruktur yang cocok
untuk pembelajaran mesin, yang meliputi tahap pra-
pemrosesan teks dan ekstraksi fitur, serta inferensi model.
3. Simulasi untuk mengidentifikasi indikator utama dari hasil
yang diinginkan dan untuk mengelola risiko data yang lemah
atau berisik.
4. Penambahan lapisan "System 2" pada AI "System 1" untuk
meningkatkan penalaran dan proses pengambilan keputusan.
5. Penerapan teknik-teknik futuristik korporat untuk
mendeteksi sinyal lemah dan menciptakan skenario sebagai
bagian dari teknik foresight korporat.
6. Integrasi AI dalam pengambilan keputusan strategis, yang
didukung oleh penelitian lintas disiplin dalam studi masa
depan.

Metode ini juga mencakup pertimbangan rekayasa perangkat lunak,

pertanyaan penelitian ilmu komputer, dan pertimbangan ekosistem
yang memerlukan kerjasama antara penyedia teknis yang berbeda
melalui antarmuka standar dan definisi komponen.
Variabel penelitian : Dalam konteks artikel yang dibahas, variabel penelitian merujuk
pada elemen-elemen yang dianalisis dan dipertimbangkan dalam
pengembangan kerangka kerja integrasi antara teknologi dan
pembuat keputusan. Variabel-variabel ini dapat mencakup:

1. Kompleksitas Keputusan: Tingkat kompleksitas dalam

pengambilan keputusan yang telah meningkat dalam
beberapa tahun terakhir, terutama dalam domain seperti
ekonomi, perdagangan, dan iklim.
 2. Data: Variabel ini mencakup data terstruktur dan data tidak
terstruktur yang dapat memberikan informasi baru untuk
strategi keuangan.
3. Causal Decision Diagrams (CDDs): Alat yang digunakan
oleh tim manusia untuk memetakan dan memahami
hubungan sebab-akibat dalam pengambilan keputusan.
4. Teknologi AI: Penerapan kecerdasan buatan dalam
pengambilan keputusan strategis, termasuk penambahan
lapisan "System 2" pada AI "System 1".
5. Indikator Utama (KPIs): Indikator yang dapat memprediksi
hasil yang diinginkan dan membantu dalam manajemen
risiko data yang lemah atau berisik.
6. Pengaruh Keputusan: Bagaimana keputusan mempengaruhi
rangkaian peristiwa dalam kenyataan, yang dapat diukur dan
ditangkap sebagai data.
7. Eksternal: Faktor-faktor eksternal yang dapat diukur atau
diperkirakan, tetapi di luar kendali pembuat keputusan.
8. Assumption: Asumsi yang dibuat selama proses
pengambilan keputusan yang mungkin atau mungkin tidak
benar dan perlu dilacak terhadap kenyataan.
9. Dependency: Hubungan sebab-akibat yang mempengaruhi
hasil keputusan sebagaimana terjadi dalam kenyataan.

Variabel-variabel ini penting untuk dipahami dan dikelola dalam

proses pengambilan keputusan
Analisis data : Analisis data dalam konteks kerangka kerja integrasi antara
teknologi dan pembuat keputusan melibatkan beberapa langkah
penting. Pertama, data yang relevan harus diidentifikasi dan dipilih
karena tidak semua data memiliki nilai strategis yang sama.
Anecdotal evidence menunjukkan bahwa hanya sekitar 10% data
yang mengandung 90% nilai strategis, sehingga identifikasi data
yang tepat dapat membuat kognisi manusia lebih dapat dikelola dan
mengurangi biaya manajemen data yang bisa sangat besar.

Setelah data yang relevan diidentifikasi, teknologi seperti

pembelajaran mesin dapat digunakan untuk mengekstrak pola halus
dari data untuk menciptakan model yang mencakup mekanisme
sebab-akibat. Teknologi ini dapat mendeteksi sinyal yang terlalu
lemah untuk dideteksi oleh manusia tanpa bantuan komputer.

Selanjutnya, analisis data dapat membantu dalam pengambilan

keputusan strategis dengan memungkinkan eksplorasi berbagai
skenario. Kerangka kerja integrasi memungkinkan pembuat
keputusan untuk mengeksplorasi banyak skenario untuk melihat
bagaimana tindakan yang berbeda dan asumsi tentang faktor
eksternal mengarah pada perubahan dalam hasil. Eksplorasi
skenario juga mengidentifikasi intermediates dan eksternal yang
paling sensitif terhadap hasil, yang memungkinkan pembuat
keputusan untuk fokus pada mengurangi ketidakpastian dan
 meningkatkan kekuatan sinyal untuk elemen yang memiliki dampak
terbesar pada hasil.

Dalam proses analisis data, penting juga untuk memantau keputusan

saat mereka terjadi dalam kenyataan dan memicu pemeriksaan ulang
ketika asumsi yang dibuat selama pengambilan keputusan ternyata
salah sehingga keputusan akan mengarah pada konsekuensi yang
tidak diinginkan.

Akhirnya, analisis data harus mempertimbangkan kompleksitas

lingkungan dan bagaimana data dan model digunakan untuk
prediksi dalam arti statistik formal.
Langkah penelitian : Langkah-langkah penelitian dalam konteks kerangka kerja integrasi
antara teknologi dan pembuat keputusan meliputi:

1. Pengidentifikasian Masalah: Menentukan masalah strategis

yang perlu dipecahkan dan menetapkan tujuan penelitian.
2. Pengumpulan Data: Mengumpulkan data yang relevan dan
berkualitas yang akan digunakan untuk analisis. Ini termasuk
data terstruktur dan tidak terstruktur yang dapat memberikan
wawasan untuk pengambilan keputusan.
3. Pengembangan Model: Membuat model keputusan, seperti
Causal Decision Diagrams (CDDs), yang memetakan
hubungan sebab-akibat dan membantu dalam memahami
kompleksitas keputusan.
4. Analisis Data: Menggunakan teknologi AI dan metode
statistik untuk menganalisis data, mengekstrak pola, dan
memahami hubungan sebab-akibat.
5. Simulasi dan Eksplorasi Skenario: Melakukan simulasi
untuk mengeksplorasi berbagai skenario masa depan dan
mengidentifikasi indikator utama yang mempengaruhi hasil
keputusan.
6. Integrasi Teknologi: Mengintegrasikan teknologi AI dengan
proses pengambilan keputusan manusia, menambahkan
lapisan "System 2" untuk penalaran yang lebih mendalam.
7. Evaluasi dan Iterasi: Memantau keputusan saat diterapkan
dan melakukan iterasi berdasarkan hasil yang diperoleh dan
feedback dari lingkungan.
8. Kolaborasi Lintas Disiplin: Melibatkan para ahli dari
berbagai disiplin ilmu untuk mendapatkan perspektif yang
lebih luas dan memperkaya analisis.
9. Pengembangan Ekosistem: Membangun ekosistem penyedia
yang berbeda, termasuk ilmuwan komputer dan praktisi
foresight, yang bersatu melalui antarmuka standar dan
definisi komponen.
10. Diseminasi Hasil:menyebarkan temuan dan pengetahuan
yang diperoleh kepada komunitas yang lebih luas, termasuk
para peneliti, praktisi, dan pembuat kebijakan.
Hasil penelitian : Hasil penelitian yang dibahas dalam artikel ini menunjukkan
pengembangan kerangka kerja integrasi antara kecerdasan
 pengambilan keputusan (Decision Intelligence, DI) dan ilmu data
(Data Science, DS) untuk meningkatkan pengambilan keputusan
strategis dalam lingkungan yang kompleks dan tidak stabil.
Kerangka kerja ini bertujuan untuk menyatukan pembuat keputusan
manusia dengan teknologi dan mengintegrasikan berbagai disiplin
ilmu. Berikut adalah poin-poin utama dari hasil penelitian tersebut:

- Pengembangan Kerangka Kerja Integrasi DI/DS: Kerangka

kerja ini dirancang untuk menghubungkan tindakan dengan
hasil bisnis dan meningkatkan pengambilan keputusan
dalam situasi yang kompleks. Ini mencakup aplikasi AI
dalam keputusan strategis jangka panjang dan menawarkan
pendekatan baru untuk mengatasi tantangan yang dihadapi
oleh pembuat keputusan.
- Penerapan Causal Decision Diagrams (CDDs): CDDs
digunakan untuk menangkap proses pengambilan keputusan
manusia dan telah diterapkan dalam berbagai pengaturan
komersial. Mereka mengintegrasikan ilmu data dan AI untuk
menginformasikan pengambilan keputusan strategis.
Kerangka kerja ini mencakup elemen-elemen seperti pilihan,
faktor eksternal, ketergantungan, dan hasil, dan dapat
digunakan untuk membangun sistem komputer yang
mengoptimalkan pengambilan keputusan dan memantau
keputusan secara real-time.
- Hubungan antara Kompleksitas, Kecerdasan Pengambilan
Keputusan, dan Ilmu Data: Artikel ini membahas peran
otomatisasi dalam mengelola kompleksitas dan menyoroti
pentingnya integrasi antara DI dan DS untuk mengatasi
kompleksitas tersebut.
- Peningkatan Kemampuan Penalaran AI: Kerangka kerja ini
bertujuan untuk meningkatkan kemampuan penalaran AI
dengan menambahkan lapisan "System 2" ke "System 1" AI.
Kesimpulan : Berdasarkan artikel yang dibahas, kesimpulan singkatnya adalah
sebagai berikut:

- Integrasi DI dan DS: Artikel tersebut menekankan

pentingnya mengintegrasikan kecerdasan pengambilan
keputusan (Decision Intelligence, DI) dengan ilmu data
(Data Science, DS) untuk meningkatkan pengambilan
keputusan strategis di lingkungan yang kompleks dan tidak
stabil. Kerangka kerja yang diusulkan bertujuan untuk
menyatukan pembuat keputusan manusia dengan teknologi
dan memanfaatkan berbagai disiplin ilmu.
- Penggunaan CDDs: Causal Decision Diagrams (CDDs)
digunakan untuk merepresentasikan proses pengambilan
keputusan manusia dan telah diterapkan dalam berbagai
konteks komersial. CDDs mengintegrasikan DS dan AI
untuk memberikan informasi yang mendukung keputusan
strategis, dengan mempertimbangkan elemen-elemen seperti
pilihan, faktor eksternal, ketergantungan, dan hasil. Ini
 memungkinkan pembuatan sistem komputer yang dapat
mengoptimalkan pengambilan keputusan dan memantau
keputusan secara real-time.
- Peningkatan AI: Artikel ini juga membahas bagaimana
kerangka kerja ini bertujuan untuk meningkatkan
kemampuan penalaran AI dengan menambahkan lapisan
"System 2" ke AI "System 1", sehingga menciptakan
hubungan sinergis antara keahlian manusia dan kemampuan
AI. Ini termasuk penggunaan ilmu data untuk informasi
keputusan, peramalan, prediksi, dan peningkatan deteksi
sinyal lemah.
- Manajemen Ketidakpastian dan Kompleksitas: Kerangka
kerja DI/DS menyediakan alat praktis untuk mengelola
ketidakpastian dan kompleksitas, menjembatani
kesenjangan antara manusia dan AI, dan mendorong
pengambilan keputusan kolaboratif. Ini sejalan dengan
rekomendasi AI yang etis dan menetapkan standar baru
untuk kecanggihan pengambilan keputusan
Kekuatan : 1. Mengatasi Kompleksitas: Kerangka kerja DI/DS dirancang
untuk membantu organisasi mengatasi peningkatan
kompleksitas dalam pengambilan keputusan strategis yang
disebabkan oleh faktor-faktor seperti perubahan ekonomi,
persaingan global, dan peristiwa tak terduga seperti pandemi
Covid-19.
2. Integrasi Sistem Berpikir: Dengan mengintegrasikan sistem
berpikir Kahneman (System 1 dan System 2), kerangka kerja
ini menambahkan lapisan analitis dan deliberatif ke AI, yang
memungkinkan AI untuk lebih efektif dalam strategi dan
pengambilan keputusan jangka panjang.
3. Fokus pada Data yang Relevan: Kerangka kerja ini
menekankan pentingnya fokus pada data yang paling sensitif
terhadap keputusan, sehingga mengurangi pemborosan
sumber daya pada data yang tidak relevan dan meningkatkan
deteksi sinyal lemah.
4. Peningkatan Foresight: Dengan menggunakan teknik seperti
penciptaan skenario, kerangka kerja ini memungkinkan
organisasi untuk lebih siap menghadapi masa depan yang
tidak diketahui dan memperbaiki proses formulasi strategi.
Kelemahan : Kelemahan dari kerangka kerja integrasi antara kecerdasan
pengambilan keputusan (Decision Intelligence, DI) dan ilmu data
(Data Science, DS) termasuk:
1. Keterbatasan AI saat ini: Meskipun kerangka kerja ini
bertujuan untuk menambahkan fungsi System 2 ke AI, AI
saat ini masih cenderung kurang efektif dalam tugas-tugas
yang memerlukan pemikiran analitis dan deliberatif yang
kompleks, yang merupakan ciri khas pemikiran manusia.
2. Kompleksitas dalam Integrasi**: Integrasi antara DI dan DS
dapat menjadi kompleks dan memerlukan koordinasi yang
cermat antara berbagai aktor dan sistem. Ini termasuk
tantangan dalam mengkoordinasikan keputusan yang dibuat
 oleh aktor yang berbeda dengan ketergantungan di antara
mereka.
3. Pengelolaan Data yang Berlebihan: Organisasi sering
mengumpulkan, membersihkan, menyimpan, dan
mentransmisikan data yang memiliki sedikit hingga nol nilai
karena tidak mendukung keputusan. Ini menciptakan
pemborosan sumber daya yang besar.
4. Kesulitan dalam Mengidentifikasi Data yang Relevan:
Meskipun AI dapat menangani berbagai jenis data, termasuk
data yang terstruktur dan tidak terstruktur, masih ada
tantangan dalam mengidentifikasi 10% data yang
mengandung 90% nilai strategis, yang membuat kognisi
manusia dapat dikelola dan mengurangi biaya pengelolaan
data.
5. Ketergantungan pada Pemahaman Manusia: Struktur model
keputusan tidak dapat ditentukan dari data saja; ia muncul
dari pemahaman manusia tentang struktur dunia. Ini
menunjukkan bahwa masih ada kebutuhan yang signifikan
untuk input manusia dalam proses pengambilan keputusan.
Implikasi : 1. Peningkatan Pengambilan Keputusan Strategis: Integrasi DI
dan DS dapat membantu organisasi mengatasi kompleksitas
yang meningkat dalam pengambilan keputusan strategis,
yang telah diperparah oleh peristiwa seperti pandemi Covid-
19 dan ketidakstabilan geopolitik.
2. Pengembangan AI yang Lebih Canggih: Dengan
menambahkan lapisan "System 2" ke AI "System 1",
kerangka kerja ini berupaya meningkatkan kemampuan AI
dalam penalaran analitis dan deliberatif, yang dapat
memperkaya proses pengambilan keputusan.
3. Manajemen Risiko Data Lemah atau Berisik: Melalui
simulasi, pembuat keputusan dapat mengidentifikasi
indikator utama yang relevan dengan hasil yang diinginkan,
memungkinkan manajemen risiko yang lebih baik atas data
yang lemah atau berisik.
4. Peningkatan Eksplorasi Masa Depan: Kerangka kerja ini
menjanjikan peningkatan dalam eksplorasi masa depan
sebagai bentuk persiapan yang dapat mengarah pada
keputusan strategis yang lebih baik dan hasil bisnis yang
ditingkatkan.
5. Pengembangan Kerangka Kerja Etis dan Transparan:
Integrasi ini bertujuan untuk menciptakan kerangka kerja
yang etis, transparan, dan dapat diaudit yang memungkinkan
orang untuk mengoptimalkan keputusan dalam berbagai
lingkungan yang kompleks.
6. Pemahaman yang Lebih Dalam tentang Kompleksitas:
Dengan mendorong keterlibatan yang lebih dalam dengan
kompleksitas pengambilan keputusan strategis, kerangka
kerja ini berkontribusi pada pemahaman yang lebih luas
tentang bagaimana kita dapat merespons secara efektif
terhadap intrik dari dunia modern.