Implementasi Prinsip Data Quality di Lembaga Keuangan

Dalam ekosistem lembaga keuangan yang kompleks dan sangat diatur, kualitas data bukan hanya aspek teknis, tetapi juga fondasi strategis. Keputusan tentang penjaminan simpanan, penilaian risiko bank, dan kepatuhan terhadap regulator seperti OJK atau Bank Indonesia semuanya bergantung pada data yang andal. DAMA DMBOK (Data Management Body of Knowledge) menyediakan kerangka kerja menyeluruh untuk manajemen kualitas data, dengan tujuan dan prinsip yang dapat diterapkan secara nyata dalam konteks lembaga keuangan.

Tujuan Manajemen Kualitas Data

Data Quality Management bertujuan memastikan bahwa data yang digunakan memenuhi kebutuhan bisnis, mudah diakses, dan tidak memerlukan upaya besar untuk diperbaiki atau dimodifikasi. Dalam konteks lembaga keuangan, DAMA DMBOK merumuskan empat tujuan utama:

1. Mengembangkan pendekatan untuk membuat data fit for purpose berdasarkan kebutuhan konsumen data

Sebagai contoh, dalam proses penjaminan simpanan oleh lembaga seperti LPS, data simpanan nasabah harus sesuai dengan definisi data yang dijamin. Jika data produk simpanan, tingkat bunga, atau identitas nasabah tidak sesuai kebutuhan pengguna data, proses klaim akan terhambat. Maka, data harus dirancang agar sesuai dengan maksud penggunaannya, bukan hanya secara teknis benar.

2. Menetapkan standar dan spesifikasi untuk kontrol kualitas data sebagai bagian dari siklus hidup data

Sebuah bank harus memiliki spesifikasi validasi untuk setiap entri data dalam sistem core banking. Misalnya, CIF (Customer Information File) harus memiliki format standar untuk nama, alamat, dan nomor identitas agar konsisten dari akuisisi hingga pelaporan. Standar ini menghindari inkonsistensi ketika data digunakan dalam laporan konsolidasi atau penghitungan simpanan dijamin.

3. Mendefinisikan dan mengimplementasikan proses untuk mengukur, memantau, dan melaporkan tingkat kualitas data

Lembaga keuangan dapat menerapkan dashboard kualitas data yang memantau indikator seperti missing values, duplikasi CIF, atau transaksi di luar jam operasional. Dengan metrik ini, unit kerja bisa melakukan analisis akar masalah, bukan sekadar memperbaiki kesalahan satu per satu.

4. Mengidentifikasi dan mendorong perbaikan kualitas data melalui proses dan sistem

Dalam kasus penyaluran kredit, sering ditemukan bahwa status agunan tidak diperbarui secara tepat waktu. Masalah ini bisa diselesaikan bukan hanya dengan membersihkan data, tetapi dengan menyesuaikan SOP dan sistem input agar proses pembaruan dilakukan secara real-time dan diawasi otomatis.

Prinsip-Prinsip Manajemen Kualitas Data

Untuk mendukung pencapaian tujuan tersebut, program peningkatan kualitas data harus dipandu oleh prinsip-prinsip berikut:

1. Criticality
   Fokus program peningkatan kualitas data harus pada data yang paling kritikal bagi perusahaan dan pelanggannya. Misalnya, data saldo simpanan dan tingkat bunga sangat penting dalam menentukan apakah suatu rekening dijamin atau tidak. Kesalahan pada data ini bisa mengakibatkan klaim yang salah atau reputasi yang tercoreng.
2. Standards-driven
   Semua pemangku kepentingan dalam siklus hidup data memiliki kebutuhan kualitas data. Di lembaga keuangan, kebutuhan ini dapat dirumuskan sebagai standar dan ekspektasi yang dapat diukur. Misalnya, untuk pelaporan regulasi ke OJK, format dan frekuensi data harus ditentukan secara eksplisit, termasuk definisi seperti 'total kredit' atau 'DPK bruto'.
3. Objective measurement and transparency
   Tingkat kualitas data harus diukur secara objektif dan konsisten. Misalnya, laporan bulanan ke regulator bisa disertai metrik error rate atau persentase anomali. Metodologi pengukuran ini harus dapat diakses oleh pemilik data dan pengambil keputusan, agar semua pihak memiliki pandangan yang sama terhadap kondisi data.
4. Prevention
   Fokus program kualitas data harus pada pencegahan error, bukan hanya koreksi. Misalnya, pada saat pembukaan rekening, sistem harus memvalidasi format NIK atau NPWP dan memeriksa duplikasi secara otomatis. Pencegahan error di awal akan mengurangi beban koreksi di hilir, terutama menjelang pelaporan besar seperti triwulan atau tahunan.
5. Root cause remediation
   Perbaikan kualitas data tidak cukup hanya menghapus atau mengganti nilai yang salah. Jika ditemukan error berulang dalam data status akad pembiayaan, penyebab utamanya mungkin terletak pada sistem yang membolehkan input bebas tanpa kontrol dropdown atau referensi. Dengan memahami dan mengatasi akar penyebabnya, organisasi dapat mencegah kesalahan serupa di masa depan.
6. Embedded in business processes
   Pemilik proses bisnis bertanggung jawab atas kualitas data yang dihasilkan melalui proses mereka. Misalnya, kepala cabang harus memastikan bahwa semua data pembukaan deposito telah diverifikasi sebelum dikirim ke pusat. Kualitas data bukan tanggung jawab eksklusif tim IT atau tim data, tetapi menjadi bagian dari kinerja operasional harian.
7. Systematically enforced
   Pemilik sistem harus memastikan bahwa kontrol kualitas data diterapkan secara sistematis. Misalnya, sistem ETL untuk pelaporan harus menolak data yang tidak lolos validasi atau memberikan alert saat terjadi anomali. Ini memastikan bahwa standar kualitas data tidak bersifat opsional.
8. Connected to service levels
   Pelaporan kualitas data dan manajemen isu harus diintegrasikan dalam Service Level Agreement (SLA). Misalnya, unit pelaporan memiliki SLA untuk menyampaikan data valid ke regulator maksimal H-3 sebelum tenggat. Jika data tidak memenuhi standar kualitas, maka perlu dilaporkan sebagai pelanggaran SLA dan ditindaklanjuti secara formal.