Banyak proyek AI di perusahaan menengah gagal bukan di model, bukan di anggaran, dan bukan di pilihan vendor. Gagalnya di bahan baku. Ketika sistem baru dinyalakan, ternyata data yang harus dibacanya tersebar di tujuh tempat, formatnya berbeda-beda, dan sebagian isinya sudah tidak dipercaya lagi oleh orang yang membuatnya sendiri.
Catatan ini merangkum apa saja yang perlu dibereskan sebelum satu rupiah pun dikeluarkan untuk perangkat AI. Urutannya disusun dari yang paling murah dikerjakan menuju yang paling menuntut waktu, supaya bisa dijalankan bertahap tanpa menghentikan operasi harian.
Langkah pertama bukan membeli apa pun, melainkan membuat daftar. Tuliskan setiap tempat data operasional disimpan: aplikasi kasir, lembar kerja di komputer bagian keuangan, berkas di layanan penyimpanan awan, riwayat percakapan di aplikasi pesan, buku catatan fisik di gudang, dan surat elektronik yang berisi lampiran penting.
Daftar ini hampir selalu lebih panjang daripada dugaan siapa pun di ruangan. Pada perusahaan distribusi dengan empat puluh karyawan yang pernah saya dampingi, hasil pemetaannya menemukan tiga belas tempat penyimpanan aktif, padahal manajemen yakin hanya ada empat. Sembilan sisanya adalah lembar kerja pribadi yang dibuat karena sistem resmi tidak menyediakan kolom yang dibutuhkan.
Untuk setiap tempat, catat empat hal: siapa yang mengisi, seberapa sering diperbarui, siapa yang membaca, dan apa yang terjadi kalau isinya salah. Empat kolom itu cukup untuk memisahkan data yang benar-benar menopang keputusan dari data yang sekadar menumpuk.
Tidak semua data layak dibawa ke sistem baru. Data yang hidup adalah data yang masih diperbarui dan masih dipakai mengambil keputusan minggu ini. Data yang mati adalah arsip yang tidak pernah dibuka lagi sejak dua tahun lalu.
Godaan terbesar dalam proyek seperti ini adalah memindahkan semuanya karena terasa sayang kalau ada yang tertinggal. Godaan itu mahal. Setiap baris data lama yang dibawa akan menuntut pembersihan, pemetaan kolom, dan pengujian. Kalau data itu tidak pernah dipakai, semua ongkos tersebut hangus.
Aturan praktis yang cukup adil: bawa data dua tahun terakhir untuk transaksi, dan seluruh riwayat untuk data induk seperti daftar pelanggan, daftar produk, dan daftar pemasok. Sisanya arsipkan apa adanya di satu tempat, jangan dibersihkan, jangan dipindahkan. Kalau suatu hari benar-benar dibutuhkan, biayanya bisa dikeluarkan saat itu juga.
Masalah yang paling sering menghancurkan proyek integrasi bukanlah teknologi, melainkan nama. Pelanggan yang sama tertulis sebagai PT Sinar Jaya di satu tempat, Sinar Jaya di tempat lain, dan Sinarjaya tanpa spasi di tempat ketiga. Bagi manusia ketiganya jelas sama. Bagi sistem, ketiganya tiga entitas berbeda.
Pekerjaan penyatuan nama ini membosankan dan tidak ada jalan pintasnya yang benar-benar aman. Perangkat pencocokan otomatis bisa membantu menemukan kandidat duplikat, tetapi keputusan akhir tetap harus diambil orang yang mengenal pelanggannya. Dua nama yang mirip belum tentu satu perusahaan, dan dua nama yang jauh berbeda bisa jadi memang satu.
Kerjakan penyatuan ini pada data induk lebih dulu: pelanggan, produk, pemasok, dan lokasi. Empat daftar itu adalah tulang punggung semua laporan. Kalau keempatnya bersih, laporan apa pun yang dibangun di atasnya punya peluang benar. Kalau keempatnya kacau, tidak ada perangkat secanggih apa pun yang bisa menyelamatkan hasilnya.
Sediakan satu orang sebagai pemutus. Bukan tim, bukan rapat, satu orang. Penyatuan data yang diputuskan lewat rapat berkala akan berjalan berbulan-bulan tanpa selesai, karena setiap pertemuan membuka kembali keputusan pertemuan sebelumnya.
Setelah nama seragam, tentukan tempat resmi setiap jenis data. Harga jual tinggal di satu tempat saja. Stok tinggal di satu tempat saja. Data pelanggan tinggal di satu tempat saja. Semua tempat lain boleh membaca, tidak boleh menjadi acuan saat terjadi perbedaan.
Aturan ini terdengar sepele tetapi konsekuensinya besar. Artinya beberapa lembar kerja pribadi yang selama ini dipakai harus berubah statusnya menjadi salinan baca saja. Sebagian orang akan keberatan karena lembar kerja itu berisi kolom tambahan yang berguna bagi pekerjaannya. Jawaban yang benar bukan melarang kolom tambahan, melainkan memindahkan kolom itu ke sistem resmi supaya semua orang bisa memakainya.
Setiap kali ada permintaan kolom baru, tanyakan satu hal: apakah kolom ini dipakai mengambil keputusan atau sekadar catatan pribadi. Yang pertama masuk sistem, yang kedua boleh tinggal di mana saja karena tidak akan pernah dibaca mesin.
Sebelum menyatakan data siap, ukur. Tiga ukuran ini cukup dan bisa dihitung tanpa perangkat khusus.
Kelengkapan: berapa persen baris yang kolom wajibnya terisi. Kalau kolom nomor telepon pelanggan kosong pada empat puluh persen baris, maka rencana mengirim pesan otomatis ke pelanggan sudah pasti gagal pada empat puluh persen kasus, tidak peduli sebaik apa sistemnya.
Keunikan: berapa persen baris yang benar-benar unik menurut kunci utamanya. Angka duplikat di atas lima persen berarti pekerjaan penyatuan nama belum selesai.
Kesegaran: berapa umur rata-rata pembaruan terakhir. Data stok yang rata-rata terakhir diperbarui sebelas hari lalu tidak layak dipakai untuk keputusan harian, walaupun isinya rapi dan lengkap.
Tetapkan ambang minimal untuk ketiganya sebelum proyek dimulai, lalu jangan lanjut ke tahap berikutnya sebelum ambang itu tercapai. Ambang yang saya pakai untuk operasional harian: kelengkapan di atas sembilan puluh lima persen pada kolom wajib, duplikat di bawah dua persen, dan kesegaran sesuai ritme keputusan yang ditopangnya.
Menyatukan data punya efek samping yang jarang dibicarakan di awal: informasi yang tadinya tersebar dan sulit dijangkau tiba-tiba tersedia lengkap di satu layar. Gaji, margin per pelanggan, harga beli dari pemasok, semuanya jadi mudah dilihat siapa pun yang punya akses.
Tentukan peringkat aksesnya sebelum penggabungan, bukan sesudah. Minimal tiga tingkat: data operasional yang boleh dilihat semua staf terkait, data komersial yang terbatas pada kepala bagian, dan data personalia serta margin yang terbatas pada pemilik dan keuangan.
Kalau perusahaan menangani data pribadi pelanggan, aturan ini bukan sekadar kebersihan internal melainkan kewajiban. Catat dasar pengumpulannya, batas penyimpanannya, dan cara menghapusnya bila diminta. Menyusunnya di awal jauh lebih murah daripada membongkar sistem yang sudah berjalan.
Tanda data benar-benar siap bukan laporan pembersihan yang tebal, melainkan kemampuan menjawab pertanyaan yang selama ini sulit dijawab. Susun lima pertanyaan yang biasa ditanyakan pemilik usaha dan selama ini butuh berjam-jam untuk dijawab.
Contohnya: pelanggan mana yang pembeliannya turun lebih dari tiga puluh persen dibanding kuartal lalu, produk mana yang marginnya negatif setelah memperhitungkan ongkos kirim, dan pesanan mana yang tertahan lebih dari lima hari beserta alasannya.
Kalau kelimanya bisa dijawab dari data yang sudah dirapikan, dalam hitungan menit, dengan hasil yang sama ketika dihitung dua orang berbeda, maka data itu siap menopang lapisan AI di atasnya. Kalau belum, tidak ada gunanya menambah perangkat baru. Perangkat baru akan menghasilkan jawaban yang tetap salah, hanya lebih cepat dan lebih meyakinkan.
Bulan pertama untuk pemetaan dan pemisahan data hidup dari data mati. Bulan kedua dan ketiga untuk penyatuan nama pada empat daftar induk. Bulan keempat untuk penetapan sumber kebenaran dan pengukuran kualitas. Bulan kelima untuk aturan akses. Bulan keenam untuk pengujian dengan lima pertanyaan nyata.
Jadwal ini terasa lambat bagi yang ingin segera melihat hasil, tetapi hampir selalu lebih cepat daripada memulai dengan perangkat lalu mundur ke pembenahan data setelah hasilnya mengecewakan. Urutan terbalik itu yang paling sering saya temui, dan ongkosnya jauh lebih besar karena sudah ada langganan berjalan dan harapan yang terlanjur dibangun.
Pembahasan lebih rinci soal pemetaan proses, pemilihan perangkat otomatisasi, dan pendampingan penerapannya untuk bisnis di Indonesia tersedia di Mcsyauqi.
Satu hal terakhir yang layak diingat. Pembenahan data bukan proyek yang selesai lalu ditinggalkan. Begitu data dipakai setiap hari, kualitasnya akan menurun kalau tidak ada yang menjaganya. Tunjuk satu orang yang bertanggung jawab, beri waktu tetap setiap minggu, dan perlakukan angka kualitas data seperti angka penjualan: dilihat rutin, bukan dilihat saat ada masalah.