Alat dan metodologi baru muncul setiap hari, jadi bagaimana tim bisnis kita dapat selalu up to date? Pemikiran tentang 4 pilar revolusi industri: standardization, modularization, automation, dan scalability. Sepanjang sejarah, kita telah melalui tiga revolusi industri, dan banyak yang percaya bahwa kita sedang mengalami revolusi keempat.

1. Dari revolusi pertama dengan batubara dan uap;
2. yang kedua dengan produksi massal,
3. yang ketiga dengan komputer
4. hingga yang terbaru ke-4 dengan kecerdasan buatan (AI) dan internet-of-things (IoT),

Ada banyak pelajaran yang dipelajari umat manusia dengan keringat dan air mata, bahkan terkadang dengan darah [1] . Karena “Industri 4.0” sedang kita jalani, mengadaptasi pelajaran sebelumnya dan praktik terbaik ke dalam pekerjaan sehari-hari akan menjadi sangat penting tidak hanya bagi kita sebagai individu tetapi juga untuk organisasi tempat kalian bekerja dan berbisnis.

Bagi banyak orang di bidang commercial advanced analytics, “industri 4.0” dapat disederhanakan sebagai proses pengumpulan data dari berbagai sumber ke dalam warehouse data/big data, kemudian menerapkan analitik yang diperlukan, kecerdasan buatan, pembelajaran mesin untuk menghasilkan wawasan yang dapat ditindaklanjuti. Meskipun demikian, bagian lain dari pekerjaan tim yang terkait dengan analitik adalah menyiapkan dokumentasi, menyambungkan kolega, mendapatkan dukungan, serta berurusan dengan pemangku kepentingan.

Pada artikel ini, saya akan membahas ide-ide saya tentang konsep 4 pilar revolusi industri: sstandardization, modularization, automation, dan scalability; seberapa terkait mereka, dan bagaimana mengintegrasikannya ke dalam pekerjaan sehari-hari, terutama bagi kalian yang sedang dalam top level manajement puncak!

Standardization

Standarisasi, dalam arti, adalah proses membuat sesuatu sesuai dengan standar. Dalam istilah teknis, ini berarti menerapkan dan mengembangkan standar berdasarkan konsensus dari berbagai pihak (misalnya: perusahaan, pengguna, kelompok kepentingan, organisasi standar, dan pemerintah)

Dari revolusi industri sebelumnya, standarisasi ditempatkan sangat penting karena kebutuhan akan peralatan mesin presisi tinggi dan suku cadang yang dapat diganti. Perusahaan kemudian dapat menghindari konflik dan duplikasi upaya berkat standar fundamental tertentu alias compliance sehingga tidak perlu melakukan bongkar pasar karena tidak compliance.

Bagaimana hubungannya?

Setiap organisasi harus memiliki standar teknisnya sendiri untuk produk analitik: dari struktur format data, implementasi proses hingga sintaks kode. Beberapa contoh standardisasi yang harus dijaga:

Data

• Apakah data ini berguna atau berlebihan?-
• Apakah entri data ini menunjuk ke hal yang sama?-
• Apakah itu “dingin” atau “panas”?
• Di mana menyimpannya?
• Bagaimana kita menyusunnya menjadi satu format dan membuatnya konsisten?
• Bagaimana proses dokumentasi dan seberapa sering diperbarui?-
• Jika ini digunakan oleh banyak platform, lalu apakah ada persyaratan untuk aliran input / output?

Proses

• Apakah langkah-langkah ini berguna atau berlebihan?
• Bisakah kita membuatnya lebih mudah untuk melakukan onboard / outsourcing / implementasikan?
• Bisakah kita membuat seperangkat aturan tentang bagaimana menjalankan proses ABC ini?
• Bisakah kita mengurangi penyimpangan?
• Apakah kita telah menerapkan “praktik terbaik” dari proses serupa? (GMP-Good manufacturing process)

Metriks/Satuan Pengukuran

• Apakah kita semua setuju dengan metrik / KPI (key performance index) ini?
• Bisakah kita mengukur metrik ini dengan jelas?
• Bisakah kita menggunakan KPI ini pada proyek / proses ini?
• Bagaimana ukuran metrik ini berdampak pada penjualan / kepuasan pelanggan / tingkat keterlibatan … dll?

Memiliki standar akan membantu tim analitik mendapatkan lebih banyak kepercayaan dan dukungan dari pemangku kepentingan bisnis karena ini menunjukkan profesionalisme dan transparansi.

Manfaat menyiapkan standar konkret/robust/adaptable di tahap awal

1. membantu dalam jangka panjang, terutama dalam menghadapi tantangan komunikasi antar platform yang berbeda (perusahaan cenderung menggunakan vendor yang berbeda dalam bisnis mereka dan tidak semuanya dapat diintegrasikan dengan lancar ke dalam ekosistem). Standardisasi juga membantu kita mengidentifikasi inkonsistensi dengan lebih baik dan lebih cepat yang memfasilitasi proses pengambilan keputusan organisasi. Dalam aspek transfer pengetahuan, standardisasi akan mempercepat proses onboarding, outsourcing, dan implementasi.
2. Membantu membangun jembatan yang lebih baik antara pakar teknis dan pemangku kepentingan bisnis karena menunjukkan profesionalisme dan transparansi

Modularization

Dalam revolusi industri ke-2, Henry Ford merevolusi industri AS dengan mempraktikkan teknik produksi massal yang dia dapatkan dari rumah jagal di Chicago: pabrik produksi besar; bagian standar yang dapat dipertukarkan; dan jalur perakitan yang bergerak. Setelah standardisasi dicapai sampai tingkat tertentu, modularisasi secara resmi dapat dimulai.

Desain modular adalah prinsip desain yang membagi sistem menjadi modul, yang dapat dibuat, dimodifikasi, diganti, atau ditukar secara independen dengan modul lain atau antara sistem yang berbeda.

Hasilnya, dia mempraktikkan teknik produksi massal yang akan merevolusi industri Amerika, termasuk penggunaan pabrik produksi besar; bagian standar yang dapat dipertukarkan; dan jalur perakitan yang bergerak. Produksi massal secara signifikan mengurangi waktu yang dibutuhkan untuk memproduksi mobil, yang memungkinkan biaya tetap rendah.

Bagaimana hubungannya?

Misalkan dalam paradigma pengembangan aplikasi menggunakan bahasa pemrograman berkonsep OOP. Siapapun yang memiliki pengalaman dalam pemrograman (terutama OOP – pemrograman berorientasi objek) pasti telah mengetahui tentang konsep modularisasi: kode dimasukkan ke dalam fungsi dan kelas; kemudian dipanggil hanya saat mereka dibutuhkan atau contoh sederhananya ketika kita membeli PC Desktop yang didalamnya bisa kita upgrade RAM, Hardisk, GPU/VGA, semuanya bersifat modul bisa dicopot untuk di upgrade.

Padahal, konsep ini kini telah berkembang dari sisi teknis ke sisi manajemen produk. Pikirkan konsep agile:

• Misalkan menjalankan proyek dalam siklus sprint selama berminggu-minggu untuk mengembangkan prototipe dari POC (proof-of-concept)
• Setelah menguji dan mengumpulkan umpan balik, kita dapat melakukan roolback siklus untuk mengintegrasikan atau mengganti bagian produk dengan mudah (tentu saja dalam modul)
• Terkadang juga harus membuang sebagian besar produk dari siklus pengembangan karena permintaan dari pemangku kepentingan.
• Nanti saat kita meluncurkan MVP (minim viable product), fitur-fitur baru bisa terintegrasi dengan baik dalam bentuk modul.

Dengan sisi bisnis yang siap untuk proses pengembangan, modularisasi akan membantu tim analitik menyeimbangkan antara permintaan pemangku kepentingan dan kualitas produk

Automation

Otomasi adalah kreasi dan penerapan teknologi untuk memproduksi dan mengirimkan barang dan jasa dengan campur tangan manusia yang minimal. Penerapan teknologi, teknik, dan proses otomasi meningkatkan efisiensi, keandalan, dan / atau kecepatan banyak tugas yang sebelumnya dilakukan oleh manusia.

Bagaimana hubungannya?

Istilah “otomatisasi” berakar dari kata Yunani Kuno: αὐτόματος (autómatos, “bergerak sendiri, berkemauan sendiri”), sebagaimana definisi yang dinyatakan, kata kuncinya adalah “dengan campur tangan manusia yang minimal”. Setelah mencapai hasil yang berkelanjutan dari 2 pilar standardisasi dan modularisasi, perusahaan dapat mulai mengotomatiskan proses analitik mereka. Mekanisme analitik otomatis bervariasi dalam kompleksitas, dari skrip sederhana yang mengalirkan data ke model yang dibuat sebelumnya, hingga alat layanan lengkap yang melakukan EDA (exploratory data analysis), peningkatan fitur, pemilihan model, pengujian, dan penerapan.

Untuk organisasi, bahkan saluran analitik otomatis sederhana yang disetel dengan baik dapat membawa manfaat besar. Misalnya, pipeline yang mengumpulkan data dari database in-house untuk memasukkan model perkiraan dan memperbarui hasil ke dasbor interaktif dapat sangat mengurangi beban kerja dan biaya operasional.

Scalability

Dalam pengertian bisnis, model yang dapat diskalakan adalah bisnis yang mendapatkan keuntungan yang meningkat karena berinvestasi lebih banyak pada modal, tenaga kerja, dan layanan. Model bisnis yang tidak skalabel berpotensi menguntungkan sebagai bisnis kecil tetapi tidak dapat tumbuh secara ekonomis.

Dalam ilmu komputer, Peter Loshin dan rekan penulisnya, menulis dalam buku mereka, Electronic Commerce, mendefinisikan skalabilitas sebagai berikut: “Kemampuan sistem dengan beberapa prosesor yang tersedia untuk memanggil sebanyak mungkin prosesor tersebut ke dalam layanan sesuai kebutuhan saat beban sistem meningkat , serta kemampuan sistem itu untuk diperluas. “

Bagaimana hubungannya?

Menyelesaikan tiga pilar standardisasi – modularisasi – otomatisasi tidak berarti produk atau proses sudah “diskalakan”. Untuk dapat membuat produk analitik tingkat lanjut tingkat produksi, kami harus sangat memperhatikan aspek penskalaan setidaknya dibutuhkan 5 aspek penting

1. Kompleksitas dengan data
2. Rekayasa dan penerapan
3. Risiko integrasi
4. Substansi pengujian dan model
5. Menetapkan peran dan komunikasi

References

1. History.com Editors (2019). Industrial Revolution. [online] HISTORY. Available at: https://www.history.com/topics/industrial-revolution/industrial-revolution [Accessed 20 Jan. 2021].
2. Xie, Z., Hall, J., McCarthy, I.P., Skitmore, M. and Shen, L. (2016). Standardization efforts: The relationship between knowledge dimensions, search processes and innovation outcomes. Technovation, [online] 48–49, pp.69–78. Available at: https://www.sciencedirect.com/science/article/pii/S0166497215000929?via%3Dihub [Accessed 20 Jan. 2021].
3. ‌Wikipedia Contributors (2021). Modular programming. [online] Wikipedia. Available at: https://en.wikipedia.org/wiki/Modular_programming [Accessed 20 Jan. 2021].
4. ‌History.com Editors (2009). Henry Ford. [online] HISTORY. Available at: https://www.history.com/topics/inventions/henry-ford [Accessed 20 Jan. 2021].
5. Techopedia.com. (2016). What is Automation? — Definition from Techopedia. [online] Available at: https://www.techopedia.com/definition/32099/automation#:~:text=Automation%20is%20the%20creation%20and,were%20previously%20performed%20by%20humans. [Accessed 20 Jan. 2021].
6. Stitch. (2021). Improve your data team’s productivity through automated data analytics | Stitch resource. [online] Available at: https://www.stitchdata.com/resources/automated-data-analytics/#:~:text=Automated%20data%20analytics%20is%20the,automating%20their%20data%20analytics%20processes. [Accessed 22 Jan. 2021].
7. Sigmoid Analytics (2020). 5 Challenges to be prepared for before scaling machine learning models — Sigmoid. [online] Sigmoid. Available at: https://www.sigmoid.com/blogs/5-challenges-to-be-prepared-for-before-scaling-machine-learning-models/ [Accessed 23 Jan. 2021].
8. Bisson, P., Hall, B., McCarthy, B. and Khaled Rifai (2018). Breaking away: The secrets to scaling analytics. [online] McKinsey & Company. Available at: https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/breaking-away-the-secrets-to-scaling-analytics [Accessed 23 Jan. 2021].