BIG

DATA
By Danny & Dwi Ria
Fenomena
Big Data
Big Data muncul salah satunya akibat
dari usaha perusahaan memperoleh
informasi mengenai aspek-aspek yang
perlu diketahui oleh perusahaan.
Pengertian Big Data
Big Data merupakan isitilah yang menggambarkan volume besar
data – baik terstruktur maupun tidak terstruktur yang membanjiri
bisnis sehari-hari.

*Data terstruktur : Data terstruktur adalah semua jenis data yang pemformatan, angka, dan tata
letaknya berada dalam bidang/tempat yang tetap dalam file atau rekaman.

*Data Tidak Terstruktur : Data tidak terstruktur adalah data kualitatif yang artinya tidak dapat
diolah atau dianalisis dengan alat dan metode konvensional.
 Tantangan dan Manfaat

Tantangan 1 Tantangan 2 Tantangan 3

Tidak memiliki talent
Melindungi Informasi Hak dan kepemilikan
untuk menganalisis
Sensiti dan Pribadi data
data

Manfaat 1 Manfaat 2

Dapat mengoptimalkan strategi penjualan dan Deteksi penipuan dan penggantian sistem
pemasaran melalui BI Security Information and Event Management
(SIEM)
 Perbedaan antara ETL dan ELT dalam Big Data

No Karakteristik ETL (warehouse) ELT (big data)

1 Volume Ratusan GB – beberapa TB Ribuan Tb

Data Terstruktur, Data Tidak

2 Variety Data Terstruktur
Struktur, Data Semi Terstruktur

3 Velocity Lambat Cepat

4 Veracity Kurang Akurat Akurat

5 Value Sedang Baik

 Lanjutan
ETL (warehouse) --- Extration, Transformation, Load
Konsep dasar dari implementasi ETL adalah pembatasan data dalam
supply chain. Hanya data yang diasumsikan penting akan di
identifikasi, di extract ke dalam stagong area ke dalam database, dan
kemudian di transform dan di load ke dalam warehouse. “Asumsi”
adalah kelemahan dalam konsep ini. Siapa yg tahu data yang akan
dibutuhkan kemudian hari / dan Siapa yang tahu regulasi yang akan
diberlakukan di kemudian hari ?
 Lanjutan
ELT (Big Data) --- Extrat, Load, Transform
Dari pada pembatasan sumber data hanya untuk “asumsi” data
penting, bagaimana jika kita mengambil semua data dan
meletakkannya ke dalam suatu platform big data seperti hadoop.
Implementasi Big Data dalam Industri Keuangan

1. Retail Bangking

2. Credit Scoring

3. Alogaritmic Trading

4. Risk Management

5. Regulatory Compliance
 1. Retail Banking
Adanya seluler dan online menyebabkan penurunan interaksi tatap muka dan
meningkatnya aktivitas virtual. Hal ini tersebut juga berkaitan dengan besar dan
beragamnya data yang dikumpulkan oleh Bank. Dengan bantuan teknologi Big
Data dan memanfaatkan data dari pelanggan dapat membantu mengembangkan
layanan dan produk seperti yang dilakukan perusahaan e-commerce.
Contoh : Bank of America sebelum mengetahui teknologi Big Data memahami
pelanggan dengan cara bergantung pada sampel. Sekarang mereka dapat semakin
memproses dan menganalisa data dari srt pelanngan lengkapnya
 2. Credit Scoring
Metodologi konvensional untuk penilaian pinjaman dan kredit yang telah
digunakan lembaga keuangan didasarkan pada skor komposit lima komponen,
termasuk
(1) aplikasi pinjaman dan kredit sebelumnya,
(2) pembayaran tepat waktu,
(3) jenis pinjaman dan kredit yang digunakan,
(4) lamanya pinjaman dan riwayat kredit dan
(5) kapasitas kredit yang digunakan.
Dengan adanya big data pendekatan ini telah melihat sedikit inovasi dalam
menjadikan penilaian sebagai komoditas. Dengan teknologi big data, misalnya
algoritma pembelajaran mesin, keputusan pinjaman dan kredit ditentukan dalam
hitungan detik oleh proses otomatis. Dalam beberapa kasus, teknologi ini dapat
menggunakan titik data skala jutaan untuk menilai skor kredit pelanggan secara
real-time.
 3. Alogaritmic Trading
Pada awal 1990-an, bursa terbesar mengadopsi "mesin pencocokan" elektronik
untuk menyatukan pembeli dan penjual. Pada tahun 2000, desimalisasi mengubah
ukuran tick minimum dari 1/16 dolar menjadi US$0,01 per saham. Kedua fakta
tersebut mendorong perdagangan algoritmik dalam 2 dekade terakhir, dan pada
puncaknya pada tahun 2009, lebih dari 70% volume perdagangan ekuitas AS
disumbangkan oleh perdagangan kuantitatif.
Perdagangan algoritmik terutama menggunakan data historis yang sangat besar
untuk menghitung rasio keberhasilan algoritma yang sedang ditulis. Algoritma
mengevaluasi ribuan sekuritas dengan alat matematika yang kompleks, jauh
melampaui kapasitas manusia.
Teknik big data adalah alat yang tepat yang dapat memfasilitasi siklus
pengembangan pengembangan-manajemen generasi alfa, yang merupakan proses
yang telah diambil oleh setiap investor serius. Berdasarkan fungsionalitas, proses ini
dapat dikategorikan sebagai Manajemen Data, Pengembangan Strategi dan
Penyebaran Produk, di mana berbagai teknik big data dapat digunakan.
 4. Risk Management
Pasca krisis, lembaga keuangan menghadapi tuntutan dan tantangan baru.
Peningkatan pemodelan risiko dan pemantauan risiko real-time diharapkan oleh
industri karena skandal pencucian uang dan 'pedagang nakal'.
Ketika institusi menjadi lebih terkonsentrasi, pasar menjadi lebih saling berhubungan
dan informasi melintasi koneksi lebih cepat, kompleksitas telah tumbuh di setiap
aspek industri. Sementara itu, risiko meningkat dengan kompleksitas. Tuntutan untuk
meningkatkan pemantauan risiko, cakupan risiko, dan lebih prediktif.
Model Power of Risk tidak pernah setinggi ini. Teknologi Big Data, disertai dengan
ribuan variabel risiko, dapat memungkinkan bank, manajer aset, dan asuransi
institusi untuk secara proaktif mendeteksi potensi risiko, bereaksi lebih efisien, dan
lebih banyak lagi secara efektif, dan membuat keputusan yang kuat. Big Data dapat
ditargetkan ke organisasi kebutuhan khusus dan diterapkan untuk meningkatkan
domain risiko yang berbeda.
 5. Regulatory Compliance
Setelah krisis keuangan tahun 2008, undang-undang kepatuhan terhadap peraturan
yang ketat telah Disahkan untuk meningkatkan transparansi operasional,
meningkatkan visibilitas ke konsumen tindakan dan kelompok dengan profil risiko
tertentu. Perusahaan keuangan saat ini diharuskan untuk dapat mengakses
berbagai jenis data historis selama bertahun-tahun sebagai tanggapan atas
permintaan dari regulator pada waktu tertentu.
Tidak hanya jumlah data yang dibutuhkan untuk disimpan jauh lebih banyak, tetapi
juga beberapa laporan adhoc dituntut untuk lebih komprehensif dan sensitif terhadap
waktu.
Untuk membantu perusahaan dalam menyelesaikan masalah ini, IBM dan Deloitte
telah mengembangkan sistem yang dapat mengurai peraturan pemerintah yang
kompleks terkait dengan masalah keuangan, dan membandingkannya dengan
rencana perusahaan sendiri untuk memenuhi persyaratan tersebut.
Terimakasih