AI & Otomasi

Kesiapan Data untuk AI: Checklist Sebelum Proyek Dimulai

11 November 2026 · 4 menit baca · Tim Etzal Group

Ketika proyek AI terlambat, penyebabnya jarang modelnya. Penyebab yang biasa baru ketahuan di minggu ketiga: data tersebar di banyak spreadsheet, separuh catatannya ganda, dan tidak ada yang yakin perusahaan boleh memakai data itu dengan cara tersebut. Pemeriksaan kesiapan data yang dijalankan sebelum proyek dimulai mengubah kejutan semacam itu menjadi sebuah daftar.

Checklist berikut memakan beberapa hari untuk satu alur kerja. Isinya enam pertanyaan.

1. Di mana datanya berada?

Tuliskan semua tempat yang disentuh alur kerja itu: ERP, CRM, drive bersama, kotak masuk email, ekspor chat, formulir kertas yang dipindai belakangan. Untuk masing-masing, catat:

  • Sistemnya dan siapa pengelolanya.
  • Apakah tersedia API, ekspor terjadwal, atau hanya layar.
  • Seberapa jauh riwayatnya ke belakang.

Alur kerja yang datanya ada di satu sistem ber-API sudah siap dengan cara yang tidak dimiliki alur kerja yang tersebar di lima spreadsheet pribadi. Mengetahui mana yang Anda hadapi mengubah rencana dan anggarannya.

2. Siapa pemiliknya?

Untuk setiap sumber, tunjuk satu orang di sisi bisnis yang bisa menjawab arti tiap kolom dan berwenang menyetujui perubahan. Bila tidak ada yang bisa menjelaskan mengapa dua kolom sama-sama bertuliskan "tipe pelanggan", itu sebuah temuan. Proyek akan melambat sampai ada yang memutuskan.

3. Seberapa baik mutunya?

Jangan menilai mutu dari kesan. Ambil sampel acak 200 catatan dan hitung:

  • Kelengkapan. Berapa kolom wajib yang kosong?
  • Duplikat. Berapa pelanggan, produk, atau pemasok yang muncul lebih dari sekali dengan nama yang sedikit berbeda?
  • Konsistensi. Apakah tanggal, satuan, mata uang, dan kode ditulis dengan cara yang sama di seluruh data?
  • Akurasi. Untuk dua puluh catatan, cocokkan dengan dunia nyata: telepon nomornya, periksa dokumennya.
  • Kebaruan. Kapan tiap catatan terakhir diperbarui?

Laporkan hasilnya dalam persentase. "Dua belas persen data pelanggan tidak punya nomor telepon" adalah hal yang bisa dibenahi tim. "Datanya berantakan" tidak.

4. Apakah Anda boleh memakainya?

Pertanyaan ini menghentikan lebih banyak proyek daripada pertanyaan teknis mana pun, dan sebaiknya diajukan sejak awal.

  • Apakah datanya memuat informasi pribadi pelanggan, karyawan, atau pasien?
  • Apa yang Anda sampaikan kepada mereka saat mengumpulkannya, dan apakah pemakaian baru ini sesuai dengan tujuan tersebut?
  • Di mana data akan diproses, dan apakah keluar dari negara ini?
  • Apakah data dikirim ke penyedia model pihak ketiga, dan apa bunyi ketentuan mereka tentang penyimpanan dan pelatihan?
  • Staf mana yang boleh melihat catatan mana, dan apakah sistem AI akan mematuhi batas yang sama?

UU Pelindungan Data Pribadi di Indonesia dan PDPA di Singapura sama-sama mengharapkan Anda punya jawaban atas semua ini. Libatkan pihak yang menangani hukum dan kepatuhan sebelum data disalin ke mana pun.

5. Apakah bentuknya bisa dipakai untuk tugasnya?

Tugas yang berbeda membutuhkan bentuk yang berbeda:

  • Asisten pengetahuan butuh dokumen yang mutakhir, tidak saling bertentangan, dan terbaca sebagai teks. Hasil pindai berupa gambar perlu diekstrak teksnya dulu.
  • Ekstraksi dokumen butuh kumpulan contoh dokumen nyata dengan nilai yang benar sudah dituliskan, agar hasilnya bisa diperiksa.
  • Prediksi atau skoring butuh riwayat dengan hasil akhirnya tercatat. Bila Anda ingin memprediksi lead mana yang jadi pelanggan, Anda harus tahu lead lama mana yang jadi.
  • Agent yang bertindak butuh pengenal yang andal, supaya "pelanggan ini" di satu sistem sama dengan pelanggan yang dimaksud di sistem lain.

6. Bisakah mutunya dijaga?

Pembersihan satu kali akan luntur. Tanyakan bagaimana data baru masuk, dan apakah kesalahan bisa dicegah saat entri: kolom wajib, pilihan dropdown sebagai ganti teks bebas, peringatan duplikat, dan pemeriksaan bulanan atas ukuran mutu yang Anda hitung di langkah ketiga.

Menilai hasilnya

Untuk setiap alur kerja yang Anda pertimbangkan, tandai keenam pertanyaan dengan hijau, kuning, atau merah.

  • Sebagian besar hijau: proyek bisa dimulai, dan pekerjaan data hanya bagian kecilnya.
  • Kuning pada mutu atau bentuk: awali dengan fase penyiapan data dan anggarkan secara eksplisit.
  • Merah pada kepemilikan atau izin: selesaikan itu sebelum hal lain. Tidak ada model yang bisa memperbaiki ketiadaan pemilik atau ketiadaan dasar hukum.

Proyek pertama di sebuah roadmap sering dipilih antara lain karena datanya sudah siap. Itu alasan yang sehat. Alur kerja sederhana dengan data bersih memberi hasil lebih cepat daripada alur kerja ambisius yang butuh setahun persiapan.

Tindak lanjut temuan

Ubah setiap butir merah dan kuning menjadi tugas dengan penanggung jawab dan tanggal. Ada yang cepat, seperti menambah kolom wajib. Ada yang merupakan proyek tersendiri, seperti menggabungkan data pelanggan ganda di dua sistem. Taruh semuanya di rencana yang sama dengan pekerjaan AI, karena merekalah yang menentukan jadwalnya.

Tinjauan kesiapan data adalah bagian dari setiap pekerjaan AI Consulting kami, dan ketika celahnya ada di sistemnya sendiri, tim Enterprise Software kami yang membangun integrasi dan perbaikan datanya. Anda bisa menulis kepada kami dengan gambaran alur kerja dan sumber datanya.

Ringkasan

Temukan datanya, tunjuk pemiliknya, ukur mutunya pada sampel, pastikan Anda boleh memakainya, cocokkan bentuknya dengan tugasnya, dan rencanakan cara menjaganya tetap bersih. Enam pertanyaan yang diajukan di awal menghemat berbulan-bulan di belakang.

Pertanyaan yang sering diajukan

Seberapa bersih data kami harus sebelum memulai proyek AI?

Cukup bersih untuk tugas yang spesifik. Asisten penyusun draf masih bisa bekerja dengan dokumen yang tidak sempurna selama ada orang yang memeriksa hasilnya. Sistem yang bertindak sendiri, misalnya pembukuan faktur otomatis, butuh akurasi jauh lebih tinggi pada kolom yang diandalkannya. Uji sampel untuk tugas yang Anda rencanakan.

Apakah kami perlu data warehouse sebelum memakai AI?

Tidak. Banyak proyek yang berguna membaca langsung dari sistem yang sudah ada, lewat API atau ekspor. Warehouse membantu ketika Anda menggabungkan beberapa sumber untuk analisis, tetapi bukan syarat untuk proyek pertama.

Siapa yang bertanggung jawab atas kualitas data?

Tim yang menghasilkan datanya, bukan TI sendirian. Sales memiliki data pelanggan, keuangan memiliki entri buku besar, operasional memiliki data stok. TI menyediakan alat dan pengaturan akses. Tanpa pemilik yang ditunjuk di sisi bisnis, masalah mutu kembali setiap selesai dibersihkan.

Penulis

Tim Etzal Group

Tim Etzal Group, membantu bisnis berkembang dengan teknologi. Hubungi kami.

Layanan terkait

Chatbot WhatsApp AI

Kami bangun, latih, dan jalankan AI agent WhatsApp yang menjawab pelanggan 24/7, mengkualifikasi lead, dan follow-up.