Biaya Tersembunyi dari Kualitas Data yang Buruk: Apa yang Ditanggung Perusahaan Setiap Tahun?

Bagi perusahaan menengah hingga besar di Indonesia yang sedang melakukan digitalisasi lintas fungsi, angka tersebut bukan sekadar kemungkinan.

Biaya akibat data yang tidak berkualitas dapat terus berjalan tanpa terlihat secara langsung dalam laporan keuangan. Namun, mencapai kualitas data yang sempurna juga bukan berarti menjadi target utama.

Artikel ini membahas dari mana biaya tersebut berasal, contoh kasus hingga langkah yang bisa dilakukan perusahaan Anda untuk mulai mengukur dan menekan biaya kualitas data.

Kualitas Data yang Buruk dalam Perusahaan

Kualitas data yang buruk tidak hanya berarti data yang salah atau hilang. Data juga dapat dikategorikan berkualitas buruk ketika tidak lagi fit-for-purpose, yaitu terlihat lengkap dan akurat tetapi tidak cukup relevan untuk mendukung kebutuhan bisnis, use case tertentu, atau output AI yang ditargetkan.

Masalahnya, perusahaan sering menganggap kualitas data yang dimiliki sudah memadai. Padahal, standar data yang dianggap layak dapat berbeda tergantung pada tujuan penggunaannya.

Beberapa dimensi kualitas data yang umum digunakan, seperti accuracy, completeness, timeliness, dan consistency. Jika salah satu dimensi tersebut bermasalah, dampaknya mungkin belum terlihat pada satu transaksi.

Namun, kesalahan kecil yang terjadi berulang kali dapat terakumulasi dan mempengaruhi keputusan bisnis dalam skala yang lebih besar (Haug, dkk. dalam Journal of Industrial Engineering and Management).

Pada level enterprise, data juga perlu dibedakan berdasarkan jenisnya, yaitu master data, transactional data, dan historical data.

Master data berisi karakteristik dasar entitas bisnis seperti pelanggan, produk, karyawan, dan pemasok. Transactional data mencakup data seperti order, invoice, dan pembayaran. Sementara itu, historical data menyimpan informasi dari aktivitas bisnis sebelumnya.

Empat Kuadran Biaya yang Ditanggung Perusahaan Akibat Data Berkualitas Buruk

Berikut ini empat kuadran biaya yang ditanggung perusahaan akibat data berkualitas buruk menurut Eppler & Helfert dan Haug, dkk.

1. Biaya Langsung-Operasional: Terlihat dan Terjadi Setiap Hari

Contoh biaya langsung-operasional adalah pengiriman produk ke alamat yang salah, penggunaan barcode ID yang keliru, atau pemrosesan order menggunakan harga yang sudah tidak diperbarui.

Masalahnya, biaya tersebut sering tidak tercatat sebagai kerugian akibat kualitas data. CFO mungkin melihatnya sebagai bagian dari biaya operasional biasa, padahal sebagian pengeluaran tersebut berasal dari kesalahan data yang sebenarnya dapat dicegah.

2. Biaya Tersembunyi-Operasional: Tidak Terlihat, tetapi Terjadi Setiap Hari

Jenis biaya Tersembunyi-Operasional muncul ketika kualitas data yang buruk membuat proses kerja menjadi lebih panjang atau menimbulkan pekerjaan berulang.

Contohnya adalah lead time yang lebih lama, pekerjaan duplikat antar-departemen, atau waktu tim BI yang terserap untuk merekonsiliasi data daripada melakukan analisis.

3. Biaya Langsung-Strategis: Terlihat, tetapi Berdampak Jangka Panjang

Pada kategori biaya Langsung-Strategis, perusahaan biasanya mengetahui bahwa ada masalah, tetapi belum melihat bahwa kualitas data merupakan salah satu penyebabnya.

Dalam kasus yang sama, perusahaan mengetahui bahwa biaya transportasi antar-subsidiary tidak efisien. Namun, data yang dibutuhkan untuk menentukan apakah inventori perlu dikelola secara tersentralisasi atau terdesentralisasi sebagian besar tidak tersedia atau tidak akurat.

Akibatnya, keputusandasar strategis harus dibuat dengan tingkat ketidakpastian yang tinggi.

Masalah seperti ini juga dapat mempengaruhi kepercayaan manajemen terhadap data. Persoalannya bukan sekadar data tidak tersedia, tetapi data yang tersedia tidak cukup dapat diandalkan untuk menjadi dasar keputusan.

4. Biaya Tersembunyi-Strategis: Sulit Diukur, tetapi Dampaknya Besar

Kategori Tersembunyi-Strategis menjadi salah satu yang paling sulit dikenali karena dampaknya tidak selalu muncul sebagai kerugian yang dapat ditelusuri langsung ke data.

Manajemen mungkin mengetahui bahwa ada masalah pada data, tetapi tidak melihat dampaknya terhadap potensi profit perusahaan. Contohnya mencakup kebijakan pricing yang tidak tepat, fokus pada segmen pelanggan yang ternyata tidak profitable, atau alokasi fixed cost yang keliru.

Tiga Pola Biaya Kualitas Data yang Sering Terjadi di Perusahaan Indonesia

Berdasarkan pengalaman kami dengan perusahaan menengah hingga besar, terdapat beberapa pola yang berulang ketika perusahaan menghadapi masalah kualitas data.

1. Data Sudah Tersedia, tetapi Tidak Siap Digunakan

Banyak perusahaan telah memiliki sistem ERP atau spreadsheet yang berisi data. Masalah muncul ketika data tersebut perlu digunakan lintas fungsi.

Misalnya, tim finance membutuhkan laporan konsolidasi dari beberapa cabang, tetapi format data yang digunakan setiap unit berbeda.

Data karyawan pada sistem HRIS juga dapat memiliki struktur yang berbeda dari data payroll. Sementara itu, nama pelanggan dalam CRM belum tentu sama dengan data pada sistem invoice.

Akibatnya, laporan yang secara teori dapat diselesaikan dalam dua jam membutuhkan waktu hingga dua hari karena tim harus melakukan rekonsiliasi manual.

2. Biaya Kualitas Data Tersembunyi di Balik Biaya SDM

Di sejumlah perusahaan, terdapat dua hingga tiga orang yang sebagian besar waktunya digunakan untuk membersihkan, mencocokkan, dan merekonsiliasi data antar-sistem.

Biaya aktivitas tersebut muncul dalam payroll dan tidak terlihat sebagai biaya data quality.

Ketika sistem dan data sudah terintegrasi dengan lebih baik, kapasitas tim tersebut dapat dialihkan ke pekerjaan yang memberikan nilai lebih tinggi bagi bisnis.

3. Keputusan Strategis Tertunda karena Data Belum Siap

Ekspansi ke kota baru, evaluasi kinerja agen penjualan, hingga renegosiasi kontrak vendor dapat tertunda karena data yang dibutuhkan belum tersedia, belum bersih, atau belum memiliki definisi yang disepakati antar-departemen.

Biaya penundaan keputusan seperti ini jarang dihitung secara khusus. Padahal, untuk keputusan yang berkaitan dengan investasi, ekspansi, atau alokasi sumber daya, keterlambatan dapat memiliki dampak bisnis yang signifikan.

Pada perusahaan yang sedang menjalani transformasi digital, masalah kualitas data sering kali tidak berasal dari kurangnya teknologi. Fragmentasi sistem justru dapat menciptakan versi data yang berbeda di setiap departemen.

Langkah Sistematis untuk Mulai Mengukur dan Menekan Biaya Kualitas Data

1. Mulai dari Impact Assessment, Bukan Sekadar Completeness Check

Audit kualitas data tidak harus dimulai dengan pertanyaan “berapa persen field yang sudah terisi?”. Pertanyaan yang lebih relevan adalah data mana yang dapat langsung memengaruhi revenue atau keputusan strategis jika nilainya salah?

Framework optimal data maintenance effort dari Haug, dkk. menunjukkan bahwa upaya perbaikan perlu diarahkan pada data yang memberikan payoff paling besar dibandingkan sumber daya yang dikeluarkan.

Karena itu, ketika Anda perlu membangun business case untuk investasi data quality di hadapan C-suite, mulailah dari dampak bisnis. Laporan teknis mengenai jumlah error akan lebih kuat jika dapat dikaitkan dengan proses, biaya, risiko, atau keputusan yang terdampak.

2. Bangun Data Governance yang Adaptif

Data governance tidak cukup berupa kebijakan yang ditinjau setahun sekali. Ketika data assets terus berubah, ownership, lineage, metadata, dan kontrol kualitas juga perlu mengikuti perubahan tersebut.

Bagi perusahaan yang berencana mengadopsi AI dalam 12–18 bulan ke depan, data governance perlu diposisikan sebagai bagian dari kesiapan implementasi, bukan hanya sebagai kontrol setelah sistem berjalan.

3. Validasi Data Sedekat Mungkin dengan Titik Entry

Pendekatan shift-left dalam data quality management memindahkan deteksi dan koreksi kesalahan sedekat mungkin dengan titik ketika data dibuat.

Pendekatan ini semakin relevan ketika perusahaan menggunakan agentic AI atau sistem real-time decision-making. Sistem yang dapat bertindak secara otomatis dapat memproses data lebih cepat daripada kemampuan manusia untuk melakukan pemeriksaan dan koreksi secara manual.

Kelola Kualitas Data Perusahaan Anda Bersama Ekosistem Mekari

Biaya dari kualitas data yang buruk biasanya tidak muncul sebagai satu pos khusus dalam laporan keuangan. Dampaknya tersebar dalam bentuk pekerjaan rekonsiliasi, inefisiensi operasional, keputusan yang kurang tepat, hingga investasi teknologi yang tidak menghasilkan nilai sesuai target.

Setelah data dari berbagai proses bisnis tersusun dalam sistem yang terintegrasi, tantangan berikutnya adalah bagaimana mengubah data tersebut menjadi insight tanpa menambah beban analisis bagi tim.

Ekosistem software terpadu Mekari bisa menjadi solusi dengan dukungan algoritma AI untuk menganalisis data yang digunakan untuk memproses dataset yang dipilih secara otomatis, dan menyajikan wawasan agar perusahaan Anda memahami kondisi bisnis secara akurat.

Pelajari bagaimana solusi Mekari Airene dapat membantu Anda dalam menganalisis data operasional perusahaan.