Beranda/Artikel /Bisnis Digital
Bisnis Digital

Data Apa yang Perlu Disiapkan Sebelum Pakai AI di Perusahaan

ClovertechnoClovertechno 20 November 2026 6 menit baca
Data Apa yang Perlu Disiapkan Sebelum Pakai AI di Perusahaan

Sebagian besar proyek AI yang mandek di perusahaan tidak mandek di bagian yang orang bayangkan. Modelnya jalan, demonya mengesankan, lalu semuanya berhenti begitu tim mulai menyambungkannya ke data asli. Ternyata data penjualan ada di tiga tempat dengan tiga format berbeda, nama pelanggan ditulis empat versi, dan kolom tanggal berisi campuran teks dan angka.

Waktu yang habis di situ bukan hitungan hari. Kalau Anda sedang mempertimbangkan AI untuk operasional, pekerjaan yang sebenarnya dimulai jauh sebelum ada baris kode. Tulisan ini memetakan apa saja yang perlu ada di sisi Anda, dan bagaimana mengecek kesiapannya sendiri.

Tiga tanda data Anda belum siap

Tidak perlu audit besar untuk tahu posisi Anda. Tiga gejala berikut hampir selalu muncul bersamaan, dan ketiganya bisa Anda periksa sore ini juga.

Satu pertanyaan sederhana punya dua jawaban

Coba tanyakan ke dua orang berbeda: berapa jumlah pelanggan aktif bulan lalu? Kalau jawabannya berbeda dan keduanya punya alasan yang masuk akal, artinya definisi "aktif" belum disepakati, atau sumber datanya tidak sama. AI akan mewarisi ambiguitas itu dan melipatgandakannya, karena ia tidak berhenti untuk bertanya seperti manusia.

Data hidup di kepala orang, bukan di sistem

Gejalanya khas: ada satu orang yang selalu ditanya kalau laporan terlihat aneh. Dia tahu bahwa pesanan dari cabang tertentu selalu dicatat sehari mundur, dan bahwa kode produk berawalan "X" itu sampel, bukan penjualan. Pengetahuan seperti ini tidak ikut terbaca oleh mesin. Selama masih di kepala orang, output AI akan terlihat salah padahal datanya yang tidak bercerita lengkap.

Riwayatnya terlalu pendek atau terpotong

Kalau Anda ingin AI memprediksi sesuatu yang berulang setiap tahun, data enam bulan tidak cukup, sekalipun rapi. Begitu juga data yang terpotong karena ganti sistem di tengah jalan tanpa migrasi riwayat. Periksa dari kapan data Anda benar-benar utuh, bukan dari kapan sistemnya dipakai.

Format dan penyimpanan yang memudahkan

Tidak perlu data warehouse untuk memulai. Yang dibutuhkan adalah data yang bisa dibaca ulang secara konsisten oleh program, dan itu urusan disiplin, bukan urusan tool mahal.

  • Satu baris satu kejadian. Spreadsheet yang punya baris judul di tengah, subtotal menyelip, dan sel yang digabung akan menyulitkan. Pisahkan lembar laporan untuk manusia dari lembar data mentah.
  • Kolom yang tipenya tidak dicampur. Kolom tanggal berisi tanggal saja. Kolom nominal berisi angka tanpa "Rp", tanpa titik ribuan, tanpa catatan "belum lunas" di sel yang sama.
  • Identitas yang stabil. Setiap pelanggan, produk, dan transaksi punya satu ID yang tidak pernah berubah. Nama boleh berubah, ID tidak.
  • Riwayat yang tidak ditimpa. Kalau harga produk berubah, simpan sebagai baris baru dengan tanggal berlaku, jangan timpa nilai lama. Data yang ditimpa menghapus kemampuan menjelaskan masa lalu.
  • Ekspor yang bisa diulang. Kalau menarik data berarti seseorang mengunduh manual lalu menempel ke file lain, proses itu akan gagal di minggu ketiga. Cari cara mengekspor yang sama persis setiap kali, entah lewat API, basis data, atau file terjadwal.

Untuk perusahaan kecil dan menengah, CSV rapi dari basis data operasional sudah cukup untuk memulai. Yang mahal bukan formatnya, melainkan mengulang pembersihan yang sama setiap bulan karena sumbernya tidak pernah dibereskan.

Perbaiki di hulu, bukan di hilir

Godaan terbesar saat menemukan data berantakan adalah menulis skrip pembersih dan menganggapnya selesai. Ini bekerja sekali, lalu berubah jadi beban permanen: setiap bulan skrip itu harus disesuaikan karena bentuk kekacauannya bergeser sedikit.

Cari asal masalahnya. Kalau kolom tanggal berantakan karena diisi manual di formulir bebas, ubah formulirnya menjadi pemilih tanggal. Kalau nama pelanggan punya empat versi karena setiap staf mengetik ulang, sediakan daftar pilihan. Perbaikan di titik input memakan waktu beberapa hari dan menghentikan masalahnya untuk selamanya, sementara pembersihan di hilir berjalan terus tanpa akhir.

Data sensitif yang harus dipisah

Begitu data keluar dari sistem internal untuk diproses, pertanyaannya berubah dari "apa yang berguna" menjadi "apa yang boleh keluar". Dua hal ini sering dicampur dan itu sumber masalah.

Pisahkan lebih dulu kolom yang mengidentifikasi orang: nama lengkap, nomor telepon, alamat, NIK, nomor rekening, email pribadi. Sebagian besar analisis tidak membutuhkannya. Model yang memprediksi kebutuhan stok tidak perlu tahu nama pembeli, ia hanya perlu tahu bahwa transaksi 8812 dan 9034 berasal dari pelanggan yang sama.

Caranya sederhana: ganti kolom identitas dengan ID acak, dan simpan tabel pemetaan ID itu di tempat terpisah yang aksesnya lebih ketat. Analisis tetap jalan, dan kalau hasilnya perlu dikembalikan ke pelanggan nyata, pemetaan itu dipakai di sisi Anda sendiri.

Aturan praktis: kalau sebuah kolom tidak Anda butuhkan untuk menjawab pertanyaan bisnisnya, kolom itu tidak perlu ikut keluar.

Kategori kedua yang perlu perhatian adalah data yang sensitif secara komersial walau tidak menyangkut orang: margin per produk, harga beli dari pemasok, isi kontrak. Ini bukan soal privasi, tapi soal siapa yang boleh melihatnya di dalam perusahaan Anda sendiri.

Siapa yang memegang kunci akses

Pertanyaan ini sering diabaikan karena terdengar administratif, padahal ia yang paling sering menghentikan proyek di tengah jalan. Yang perlu jelas sejak awal:

  1. Siapa yang bisa memberi akses ke sistem sumber. Bukan siapa yang tahu passwordnya, tapi siapa yang berwenang memutuskan. Kalau orang itu tidak dilibatkan sejak awal, jadwal akan meleset di minggu pertama.
  2. Akses baca atau akses tulis. Untuk analisis, akses baca saja sudah cukup dan jauh lebih aman. Akses tulis hanya diperlukan kalau hasil AI akan dikembalikan ke sistem operasional.
  3. Kredensial atas nama siapa. Hindari memakai akun pribadi karyawan. Buat akun layanan tersendiri, supaya aksesnya bisa dicabut tanpa mengganggu orangnya, dan supaya jejaknya jelas di log.
  4. Apa yang terjadi saat kerja sama selesai. Sepakati sejak awal bahwa akses dicabut dan salinan data dihapus, lengkap dengan konfirmasi tertulis.

Kapan AI bukan jawabannya

Ada kondisi di mana menunda lebih menguntungkan daripada memaksakan. Kalau data Anda kurang dari satu siklus bisnis penuh, hasil prediksi akan lebih mirip tebakan berbungkus grafik. Kalau proses yang mau diotomasi masih berubah setiap bulan, aturannya belum stabil untuk dijadikan model, dan Anda akan membangun ulang terus.

Kalau volumenya kecil, misalnya sepuluh transaksi sehari, seorang staf dengan spreadsheet yang rapi akan lebih akurat, lebih murah, dan lebih mudah dikoreksi. Dan kalau masalah sebenarnya adalah data yang tidak pernah dicatat, yang Anda butuhkan lebih dulu adalah sistem pencatatan, bukan AI. Membangun aplikasi internal yang mencatat dengan benar selama setahun adalah investasi yang membuat proyek AI berikutnya jauh lebih murah.

Checklist kesiapan sebelum mulai

Jalankan daftar ini sebelum meminta penawaran ke vendor mana pun. Jawaban "belum" tidak berarti berhenti, tapi berarti Anda tahu apa yang harus dikerjakan lebih dulu.

PoinYang diperiksaStatus
Pertanyaan bisnisAda satu keputusan konkret yang mau dibantu, bukan "mau pakai AI"isi
Rentang dataRiwayat utuh minimal satu siklus bisnis penuhisi
DefinisiIstilah kunci punya satu definisi tertulis yang disepakatiisi
IdentitasAda ID stabil untuk pelanggan, produk, dan transaksiisi
EksporData bisa ditarik ulang dengan cara yang sama tiap kaliisi
Kolom sensitifSudah diidentifikasi dan bisa dipisahkanisi
AksesAda pemilik keputusan dan akun layanan tersendiriisi
Pemilik prosesAda orang di pihak Anda yang paham data dan bisa ditanyaisi
Ukuran berhasilAda angka yang akan dibandingkan sebelum dan sesudahisi

Baris terakhir paling sering dilewat. Tanpa angka pembanding yang diambil sebelum proyek jalan, tidak ada cara jujur untuk menilai apakah hasilnya sepadan.

Clovertechno mengerjakan otomasi dan sistem internal untuk perusahaan yang datanya sudah ada tapi belum terpakai, dengan pengalaman lebih dari lima tahun dan 50+ proyek selesai. Kalau Anda ingin melihat cakupan pekerjaannya, mulai dari layanan AI automation, dan kalau yang dibutuhkan lebih dulu adalah sistem pencatatan yang rapi, itu masuk ke pembuatan aplikasi internal.

datapersiapanaiimplementasi

Sistem perusahaan Anda belum saling terhubung?

Ceritakan sistem yang dipakai, kami petakan integrasinya. Konsultasi gratis, tanpa komitmen.

Chat WhatsApp