Mobitekno – Oleh: Sherlie Karnidta*
Lima belas menit adalah rata-rata batas kesabaran pelanggan sebelum mereka meninggalkan antrean tanpa melakukan pembelian, menurut studi Waitwhile pada tahun 2023. Keranjang belanja yang ditinggalkan akan menghilangkan seluruh sumber daya yang sudah diinvestasikan untuk membuat pelanggan sampai ke titik melakukan pembelian. Jelas ini menjadi salah satu tantangan yang harus dihadapi oleh sebuah perusahaan dalam mempertahankan pelanggan dan mengurangi potensi kehilangan mereka.
Tantangan lain meliputi sulitnya memprediksi perilaku dan preferensi pelanggan, memperkirakan demand atau permintaan untuk mengoptimalkan stok yang ada, atau membuat iklan yang kontekstual sehingga akan menarik paling banyak respons dari pelanggan.
Mempertahankan atau retensi pelanggan sangatlah penting karena keuntungan perusahaan bisa cepat tergerus jika kehilangan banyak pelanggan dan membuat biaya akuisisi pelanggan meningkat. Faktanya, kenaikan retensi pelanggan 5% saja dapat meningkatkan keuntungan antara 25% hingga 95%, menurut Frederick Reichheld dari Bain & Company.
Dengan keuntungan sebagai taruhannya, perusahaan-perusahaan harus memecahkan masalah ini dengan lebih mendengarkan pelanggan mereka – melalui data.
Menghilangkan Pengkotak-kotakan, Meningkatkan Akses
Perusahaan-perusahaan yang bergerak dalam bisnis layanan pelanggan memegang kekayaan data di tangan mereka. Pola penelusuran, penjualan, harga, pesanan pemasok, informasi produk, dan logistik bisa dimanfaatkan untuk menghasilkan insight berharga tentang pelanggan mereka. Namun, mendapatkan akses ke data set ini merupakan masalah tersendiri karena biasanya data tersebut ada di beberapa lokasi atau environment.
Menurut survei Cloudera bertajuk 2024 State of the Enterprise AI and Modern Data Architecture, para pemimpin IT (73%) mengakui bahwa beberapa dari data mereka tersebar di berbagai tempat di perusahaan dan terkotak-kotak, serta tidak saling terhubung. Akses terhadap data menjadi sebuah hambatan yang mustahil diatasi, di mana lebih dari setengah pemimpin IT akhirnya lebih memilih untuk menjalani perawatan akar gigi yang sangat menyakitkan daripada berusaha mengakses data perusahaan mereka.
Menghilangkan pengkotak-kotakan data melalui sebuah data lakehouse modern sangat penting, karena tanpanya, mustahil untuk menjalankan query atau model AI dalam skala besar guna menghasilkan insight yang lebih besar.
Sebagai bank terbesar dan tertua yang telah beroperasi selama beberapa dekade, PT Bank Rakyat Indonesia (Persero) Tbk (BRI) memiliki ‘tambang emas’ data. Namun, bank ini tidak bisa mendapatkan manfaat penuh dari data tersebut karena keterbatasan sistem IT lama mereka dalam mengelola dan mempelajari data-data itu secara efektif.
Melalui penggantian sistem lama dengan sebuah platform data modern, BRI bisa menganalisis histori data keuangan sepanjang 124 tahun yang sangat berharga, dan menggunakan berbagai insight yang berhasil didapatkan untuk meningkatkan kegiatan perusahaan dan memberikan layanan yang lebih baik kepada masyarakat Indonesia yang kurang mendapatkan layanan perbankan dan kalangan unbanked, yakni mereka yang tidak memiliki rekening bank.
BRI memanfaatkan solusi Cloudera untuk meningkatkan sistem credit scoring dengan solusi prediktif cerdas yang ditingkatkan. Sistem ini menganalisis data transaksi nasabah untuk memprediksi risiko default pembayaran dan memperingatkan karyawan bagian peminjaman untuk mengambil tindakan proaktif untuk mengurangi potensi kerugian. Untuk mengatasi masalah keamanan data, BRI mengembangkan BRIForce, layanan untuk mendeteksi penipuan atau fraud secara real time dengan dukungan Cloudera dan Kafka.
Dengan menggunakan model machine learning dan penilaian perilaku berdasarkan data keuangan komprehensif, BRI mengotomatiskan pemrosesan data di semua touchpoint nasabah, sehingga memungkinkan pendeteksian anomali secara real time dan meningkatkan pencegahan penipuan.
Memahami Data Yang Tak Terstruktur Menggunakan AI
Data tak terstruktur, jenis data yang paling banyak dan bertambah paling cepat, bisa berbentuk data survei feedback, percakapan chatbot, transkrip panggilan telepon, komentar di channel media sosial. Prediksi berkualitas tinggi dan penggalian insight membutuhkan korelasi baru, pola, dan insight dari data tak terstruktur, semi-terstruktur, tekstual dan relasional, yang masif jumlahnya. Hal ini menimbulkan tantangan bagi para data scientist yang ditugaskan untuk mengelola dan menginterpretasi dataset dalam jumlah besar dan rumit, serta menggabungkan dataset tersebut untuk mendapatkan pandangan yang holistik dan menyeluruh mengenai pelanggan mereka.
Di PT Bank OCBC NISP Tbk., tim data science mereka memilih untuk mengimplementasikan strategi hybrid data yang akan berintegrasi secara seamless dengan data lake mereka, sehingga mereka dapat menyediakan model AI yang transformer-based, memiliki kecerdasan real time, dan rekomendasi yang lebih personal bagi nasabah. Dengan menggunakan platform hybrid data dari Cloudera sebagai fondasi utama, OCBC Indonesia akan mengembangkan sebuah platform skalabel yang memungkinkan mereka menciptakan berbagai aplikasi dan memanfaatkan tools dan framework untuk proyek-proyek Gen AI guna mendorong transformasi bisnis.
Sebagai bagian dari strategi OCBC NISP di masa yang akan datang, bank ini berencana untuk menyediakan AI/ML ke lebih banyak sistem dan pengguna, dengan mengandalkan Cloudera untuk membangun fondasi yang kuat dan agile dalam mengintegrasikan AI ke seluruh level di perusahaan dan mendorong lebih banyak inovasi untuk nasabah dan regulatory reporting.
Selain itu, kemunculan Gen AI telah mendemokratisasi akses ke analisis data yang tak terstruktur. Karena aplikasi Gen AI lebih mudah digunakan dan tidak membutuhkan keahlian teknis untuk menerapkannya, perusahaan-perusahaan kini bisa melompati siklus analitik tradisional. Mereka melewati kerumitan teknis BI, data science, dan machine learning, langsung menggunakan aplikasi GenAI yang dapat dengan cepat menghasilkan insight yang lebih dalam atau tindakan praktis yang masuk akal secara bisnis.
Kunci Tingkatkan Loyalitas Pelanggan: Bicara Dengan Bahasa Data
Terakhir, menulis query SQL yang rumit untuk mengembangkan model machine learning dan mengolah data set bisa sangat melelahkan dan memakan waktu. Secara tradisional, membuat query SQL membutuhkan penelusuran berbagai database yang kompleks, menulis perintah yang rumit, dan memastikan efisiensi kinerja, dan sebagian besar perusahaan tidak memiliki kemampuan ini secara internal.
Proses ini bisa jadi menakutkan, bahkan bagi profesional IT yang sudah berpengalaman sekalipun. Accelerators for ML Projects (AMP) akan membantu perusahaan-perusahaan mengatasi tantangan tersebut dengan menyederhanakan pengadopsian AI dengan sekali klik saja. Dengan menggunakan AMP, perusahaan-perusahaan bisa menggunakan asisten AI untuk mengotomatiskan tugas ini dengan menerjemahkan permintaan natural language (bahasa alami) menjadi perintah yang tepat, mengoptimalkan query, dan memberikan penjelasan yang mudah dipahami hasilnya.
Sebagai contoh, tim penjualan bisa bertanya dengan mudah kepada asisten AI, “Mengapa penjualan di gerai ini menurun? Apakah tren ini akan terus berlanjut? Tindakan apa yang harus kami ambil?” dan melakukan tindakan perbaikan untuk mengatasi masalah tersebut. Tim di seluruh organisasi juga bisa menggunakan asisten AI untuk menetapkan metrik keberhasilan yang jelas untuk kasus-kasus penggunaan AI. Dengan melacak metrik bisnis yang tepat, perusahaan bisa memantau pertumbuhan dan lintasannya, di samping profitabilitasnya.
Kunci untuk meningkatkan loyalitas dan retensi pelanggan terletak pada kemampuan untuk secara aktif mendengarkan data melalui tools dan solusi AI. Untuk mencapainya, perusahaan-perusahaan harus menjawab tantangan krusial dalam mendapatkan akses ke data tersebut, menyiapkan data yang tidak terstruktur untuk dianalisis dan menulis query ML yang kompleks. Dengan menggunakan platform manajemen hybrid data, perusahaan-perusahaan dapat mengeksplorasi pembangunan ekosistem AI yang komprehensif, dengan semua data yang sudah tersedia di ujung jari mereka.
*Country Manager Indonesia, Cloudera
Tags: AI, Asisten AI, Cloudera, Loyalitas Pelanggan, machine learning, Pelanggan, query SQL