TUGAS SOFTSKILL JURNAL INTERNASIONAL MANAJEMEN LAYANAN SISTEM INFORMASI

Judul  :

Penerapan Six-Sigma untuk Peningkatan Kualitas Data di Perusahaan Asuransi (Application of Six-Sigma for Data Quality  Improvement in an Insurance Company)

Jurnal       : International Journal Of Scientific & Technology Research

Release   : Volume 4, Edisi 09, September 2015, ISSN 2277-8616, IJSTR©2015 www.ijstr.org

Author      : Mohit Panwar

Reviewer : Nur Hikmah Sufaraj (15115184)

Abstrak: Miliaran dolar per tahun digunakan untuk biaya kualitas data yang buruk bagi bisnis asuransi, menurut Data Warehousing Institute. Dari data banyaknya kemiskinan juga menjadi penyebab utama dari besarnya kegagalan proyek TI. Banyak perusahaan yang merancang program manajemen data mereka dan inisiatif kualitas untuk menangani masalah ini dari data yang salah dan tidak konsisten. Jurnal ini membahas topik  yang lebih  mendalam bagaimana perusahaan dapat meningkatkan kualitas data mereka menggunakan teknik peningkatan kualitas penerapan Six-Sigma. Metode ini menciptakan inisiatif baru untuk mengidentifikasi, mengukur dan mengendalikan kesalahan data yang dibahas dalam jurnal ini. Diharapkan dapat kesimpulan hasil dan manfaat dari teknik ini. Industri asuransi adalah data-dependent. Kedepanya operator dan di intermediary dapat terlibat dalam meningkatkan data capture untuk membantu mereka untuk lebih baik mengelola bisnis mereka, mengelola risiko mereka, dan mengetahui pelanggan mereka. Bisnis dan driver peraturan yang mendorong industri untuk mengelola data yang lebih baik.

Kata kunci: kualitas data, Asuransi manajemen data, Six-sigma untuk data, Data Augmentation.

1. PENDAHULUAN

a) Perusahaan asuransi dan data

    Bisnis asuransi adalah salah satu bisnis yang paling cepat berkembang di dunia. Lebih dari 20% dari perusahaan Fortune 500 penyedia asuransi. Banyak dari perusahaan-perusahaan ini memiliki basis pelanggan lebih dari 50 juta orang. Hampir semua perusahaan memerlukan data penting dari pelanggan, yang meliputi data pribadi, rincian pekerjaan dan dalam beberapa kasus, bahkan informasi medis pribadi OR SSN. Ada banyak cara untuk mengumpulkan informasi ini. Hal ini dapat dilihat bahwa sebagian besar data yang datang sebagai input ke sistem perusahaan asuransi tersebut baik dari Customer care atau dari pelanggan sendiri, dengan mengetikkan informasi pada situs perusahaan, portal atau dengan mengirimkan data tersebut . Sebagai manusia, kita memiliki kecenderungan membuat kesalahan yang bahkan dapat memiliki konsekuensi palsu. Sehubung dengan data, kesalahan yang lebih sering terjadi jika tidak diketik dengan benar. Misalnya, John Maxwell adalah orang yang berbeda dari John R Maxwell OR John Maxwell Jr bahkan alfabet tunggal dapat menyebabkan konsekuensi serius. Perusahaan asuransi dan penawaran lembaga keuangan lainnya dengan pemutaran kata dan bahkan kesalahan kata dapat menyebabkan kerugian keuangan kepada perusahaan. Itulah sebabnya perusahaan-perusahaan ini mencari cara yang lebih dapat diandalkan untuk mengatasi dengan masalah data. Manfaat utama dari menggunakan teknologi baru adalah kemampuan mereka untuk menangani data struktur semua data dan  tanpa memerlukan upaya integrasi data yang ekstensif. Tapi di beberapa titik, bahkan input data ke sistem baru juga diciptakan oleh manusia dan karenanya, rentan terhadap kesalahan.

b) Latar Belakang Penelitian

   Apa Kualitas Data? Kualitas data merupakan ciri mutlak yang menentukan keandalan keputusan format data. Data berkualitas tinggi adalah: Lengkap yaitu semua data yang relevan seperti rekening, alamat dan hubungan untuk pelanggan tertentu terkait. Akurat yaitu Masalah Data umum seperti salah ejaan, kesalahan ketik, dan singkatan acak telah dibersihkan. Tersedia yaitu Diperlukan data diakses pada permintaanpengguna tidak perlu mencari secara manual untuk informasi. Tepat waktu yaitu Informasi terkini sudah tersedia untuk mendukung keputusan. [1]

  
  Para pemimpin bisnis mengakui nilai data dan bersemangat untuk menganalisisnya untuk mendapatkan wawasan lanjutan dan meningkatkan hasil bisnis. Sayangnya, proliferasi sumber data dan pertumbuhan eksponensial dalam volume data dapat membuat sulit untuk mempertahankan data berkualitas tinggi. Seharusnya sepenuhnya menyadari manfaat dari data yang besar, organisasi perlu untuk meletakkan dasar yang kuat untuk mengelola kualitas data terbaik, dan menjadikan bertambahnya alat kualitas data dan praktik dengan skala dan dapat dimanfaatkan di seluruh perusahaan.[1]

   Jenis data dalam produk Asuransi digunakan untuk mempertahankan kebijakan pelanggan, perusahaan asuransi harus mencatat informasi yang berkaitan dengan pelanggan itu. Informasi yang mencakup data spesifik pribadi dan industri. data pribadi mungkin termasuk Nama, Alamat, nomor telepon, atribut (Tinggi, berat badan, usia dll), tanggungan dan informasi penerima. Industri data spesifik mencakup sejarah medis dan sejarah obat (Untuk kesehatan dan asuransi). Dan keterlibatan hukum (untuk rencana asuransi hukum). Semua informasi ini disediakan oleh pelanggan untuk perusahaan dalam bentuk teks atau angka. Dalam sistem perangkat lunak internal, data ini disimpan di gudang data sebagai data abjad atau numerik. Data lain dapat diklasifikasikan sebagai sistem yang dihasilkan, yang umumnya bebas dari kesalahan. Ini termasuk informasi pembayaran, jumlah kebijakan dan angsuran dan lain-lain.

    Pentingnya Kualitas Data Manajemen menjaga kualitas data dalam sistem ini memang penting untuk mengurangi jumlah kesalahan, yang merupakan aturan dasar untuk Six-sigma. Hal ini penting untuk mencakup masalah alamat komponen reaktif yang sudah ada, dan komponen proaktif mengurangi potensi masalah baru muncul. Bagi suatu kemitraan antara bisnis dan teknologi informasi membentuk kelompok sangat penting untuk program yang sukses. Setelah IT memahami aturan bisnis dalam posisi untuk menyebarkan teknologi yang dibutuhkan untuk memastikan bahwa data yang dikelola sebagai aset perusahaan. 

   Sayangnya, banyak perusahaan belajar tentang pentingnya manajemen kualitas data dengan cara yang keras. Hanya setelah beberapa didokumentasikan masalah dengan data yang mereka menyadari kebutuhan untuk meningkatkan kualitas. Pemerintah AS memperkirakan bahwa miliaran dolar hilang setiap tahun karena masalah kualitas data. Data Warehousing Institute menyimpulkan bahwa biaya masalah kualitas data melebihi $ 600 Miliar per tahun. Perkiraan tambahan telah menunjukkan bahwa 15-20% dari data dalam sebuah organisasi yang khas adalah keliru atau tidak dapat digunakan.

    Tantangan dalam Peningkatan Kualitas data - menyebarkan program manajemen kualitas data tidak mudah; ada tantangan yang signifikan yang harus diatasi. Beberapa alasan perusahaan yang paling signifikan tidak mengejar inisiatif manajemen kualitas data resmi meliputi:

• Tidak ada perjanjian antar departemen untuk tanggung jawab dan inisiatif. 
• Seringkali berbagai departemen yang diperlukan untuk terlibat. Ini termasuk IT dan Database manajemen.
• Hal ini membutuhkan organisasi untuk mengakui bahwa ia memiliki masalah yang signifikan.
• Hal ini membutuhkan waktu dan disiplin.Hal ini membutuhkan investasi sumber daya keuangan dan manusia.
• Hal ini dianggap sangat tenaga kerja intensif suatu laba atas investasi seringkali sulit untuk diukur. [1]

c) Six-Sigma: Sebuah Pendekatan Landasan Teori

Definisi- Six Sigma adalah filosofi manajemen yang dikembangkan oleh Motorola yang menekankan menetapkan tujuan yang sangat tinggi, mengumpulkan data, dan menganalisis hasil untuk hasil yang baik sebagai cara untuk mengurangi cacat pada produk dan layanan. Huruf sigma Yunani kadang-kadang digunakan untuk menunjukkan variasi dari standar. Filosofi di balik Six Sigma adalah bahwa jika Anda mengukur berapa banyak cacat dalam proses, Anda dapat mencari cara untuk secara sistematis menghilangkan mereka dan mendapatkan hasil yang  mendekati sempurna. Agar sebuah perusahaan mencapai Six Sigma, yaitu tidak dapat menghasilkan hanya lebih dari 3,4 cacat per juta peluang, di mana kesempatan didefinisikan sebagai kesempatan untuk ketidaksesuaian. Ada dua Six Sigma proses: Six Sigma DMAIC dan Six Sigma DMADV, setiap istilah yang berasal dari langkah-langkah utama dalam proses. Six Sigma DMAIC adalah proses yang mendefinisikan, langkah-langkah, menganalisa, memperbaiki, dan kontrol proses yang jatuh di bawah spesifikasi Six Sigma yang ada. Six Sigma DMADV mendefinisikan, langkah-langkah, analisis, desain, dan memverifikasi proses baru atau produk yang berusaha untuk mencapai kualitas Six Sigma. Semua proses Six Sigma dijalankan oleh Six Sigma Green Belt atau Six Sigma Black Belt, yang kemudian diawasi oleh Six Sigma Master Black Belt, istilah yang diciptakan oleh Motorola.

Manfaat Six Sigma - pendukung Six-Sigma menyatakan bahwa manfaatnya mencakup hingga 50% pengurangan biaya proses, perbaikan waktu siklus, limbah kurang bahan, pemahaman yang lebih baik dari kebutuhan pelanggan, meningkatkan kepuasan pelanggan dan produk, dan layanan yang lebih handal. Hal ini diakui bahwa Six Sigma menjadi mahal dalam penerapan dan dapat mengerjakan dalam beberapa tahun sebelum mulai melihat inti hasilnya di suatu Perusahaan. Texas Instruments, Scientific Atlanta, General Electric, dan Allied Signal adalah beberapa perusahaan yang belajar Six Sigma.

2. RENCANA MANAJEMEN MUTU

a)   Pendekatan

      Perusahaan Pendekatan dapat menyesuaikan proses bisnis kerangka kerja manajemen untuk memahami kualitas data, mulailah dengan memahami instruksi penting perusahaan Anda yang bergantung pada kualitas data. Untuk perusahaan kartu kredit, instruksi ini mungkin termasuk pelaporan keuangan, risiko kredit dan manajemen pelaporan tentang tren yang akan menandakan praktik predator atau diskriminatif. Untuk masing-masing instruksi ini, mendokumentasikan dependensi informasi mereka (yaitu, elemen data kritis yang diperlukan untuk memperoleh informasi untuk memenuhi instruksi). Menentukan di mana data ditetapkan dalam perusahaan, dan apakah mereka diciptakan oleh proses bisnis hulu atau diperoleh dari pelanggan atau pihak ketiga. [2] .Dengan pengetahuan ini dapat menentukan kriteria dalam menentukan kriteria data yang baik atau buruk diperlukan untuk kelengkapan, akurasi, konsistensi, kewajaran, dan dimensi kualitas yang relevan lainnya. Menanamkan kriteria tersebut dalam perangkat lunak permintaan untuk mengukur data, menggunakan metode pilihan Anda untuk menghitung kualitas data, dan mulai menghabiskan waktu di analisis sumber penyebab. Berbagai format tersedia untuk menyajikan pengukuran dan analisis. Pertimbangkan memodifikasi diagram kontrol proses statistik untuk melacak kualitas data. Membuat kartu skor sederhana untuk merangkum tren dengan menunjukkan elemen penting data pada satu sumbu, arahan pada sumbu yang lain, dan tingkat kualitas data dengan arahan dalam  Umpan balik pada pendekatan lain,  presentasi metode dan alat-alat didorong. [2]

b)  Peran dan Tanggung Jawab

    Salah satu tantangan yang lebih signifikan adalah bahwa tidak ada unit bisnis tunggal bertanggung jawab untuk semua data di suatu perusahaan, dan masuknya tanggung jawab untuk kualitas data dalam deskripsi pekerjaan yang sangat luar biasa. Selanjutnya, setelah data dalam komputer, unit bisnis sering mencuci tangan mereka dari masalah dan menyalahkan IT. IT tidak dapat membuat aturan bisnis atau harus itu bertanggung jawab untuk membuat keputusan bisnis yang menyangkut data. IT hanya dapat memastikan bahwa aturan elektronik, berdasarkan aturan bisnis, beroperasi dengan benar. manajemen kualitas data yang efektif memerlukan organisasi untuk mengadopsi pendekatan Data kepengurusan. Stewardship berbeda dari kepemilikan. Seorang pelayan adalah orang yang diharapkan untuk berhati-hati bertanggung jawab atas aset yang dia tidak sendiri. Data tersebut benar-benar dimiliki oleh perusahaan. pramugara bertanggung jawab untuk merawat aset tersebut. [1]. Persyaratan lainnya adalah untuk mendapatkan orang-orang bisnis untuk fokus pada isu-isu data. Para pemimpin bisnis prihatin dengan tanggung jawab fungsional mereka. Sebuah Pemasaran Wakil Presiden mengerti segmentasi pelanggan dan manajemen kampanye; manajemen mutu data tidak herforte atau. Pemasaran Wakil Presiden harus mengakui bahwa kecuali harapan kualitas nya ditetapkan untuk data, tidak mungkin bahwa kondisi data akan cukup untuk mendukung kebutuhan nya. Demikian pula, Manufacturing Wakil Presiden difokuskan pada memproduksi produk. Dia harus mengakui bahwa data tentang produk (misalnya, spesifikasi, bahan baku disubstitusikan, tingkat persediaan di gudang dan lokasi pelanggan) dampak kemampuan departemen untuk menguntungkan menghasilkan produk. [1]

c)  Kembali ke Ivestasi

     Dalam upaya pengelolaan kualitas data sulit untuk investasi, karena biaya Unquality tidak didokumentasikan. Dokumentasi dari biaya ini memerlukan pengakuan dari masalah (seperti yang dibahas sebelumnya), dan membutuhkan manajer untuk mengakui bahwa mereka membuang-buang uang atau bahwa mereka tidak efektif memanfaatkan sumber daya divestasi mereka. Membuat penerimaan tersebut, terutama dalam masalah ekonomi itu sulit dan berisiko. Manajemen sangat penting dalam menciptakan puncak suatu lingkungan di mana orang tidak terlalu dihukum untuk mengakui masalah masa lalu. Orang-orang di dalam sebagian besar organisasi menyadari masalah kualitas data dan telah mengambil langkah-langkah untuk bekerja di sekitar mereka. Mengumpulkan informasi dari orang yang bekerja dengan data keluhan pemasok dan pelanggan kampas dan mencoba untuk membedakan orang-orang yang mungkin telah disebabkan oleh data yang salah. Walaupun informasi ini mungkin tidak memberikan pengembalian laba investasi dalam hal keuangan, Anda mungkin menemukan contoh masalah untuk membenarkan mengatasi setidaknya satu area. Ketika Anda melakukan mengatasi suatu daerah, pastikan untuk mendokumentasikan baik biaya dan penghematan yang dihasilkan, dan menggunakan informasi tersebut untuk membenarkan inisiatif manajemen kualitas data di daerah lain.

d) Empat Pilar Kualitas Data

    Setelah inisiatif manajemen kualitas data adalah sanksi, subyek data spesifik yang harus ditangani dan mereka prioritas ditentukan. (Sebuah metode untuk melakukan hal ini adalah dibahas dalam bagian Memulai.) Sebuah empat tahap proses untuk mencapai manajemen kualitas data yang berhasil untuk setiap set tertentu dari data yang berikut. Data produk yang digunakan sebagai contoh dalam makalah ini. Seperti yang akan kita lihat, alat yang tepat dapat secara signifikan mengurangi usaha yang dibutuhkan untuk melakukan masing-masing dari empat langkah.

• Data Profiling - Data profil adalah proses mendapatkan suatu pemahaman tentang data relatif yang ada untuk kualitas spesifikasi. Ini melibatkan mempelajari data yang ada untuk kesalahan. 
• Kualitas Data - Pada langkah ini, kita membangun informasi dipelajari dalam data profil untuk memahami penyebab masalah. Sebagai contoh, data  profil kegiatan bisa mengungkapkan bahwa kita memiliki data ganda. 
• Integrasi Data - data mengenai item yang sama sering ada dibeberapa database. Data ini dapat mengambil hampir bentuk apapun (nama pelanggan dan alamat data, data produk, dll). Data manajemen mutu / integrasi dapat diterapkan untuk hampir masalah data.
• Data Augmentation – Data untuk langkah terakhir untuk meningkatkan nilai data. menggabungkan data eksternal tambahan yang tidak terkait langsung dengan data dasar.

3. RENCANA PELAKSANAAN / QUALITY CONTROL

a) Prasyaratan

   Pada tingkat tinggi, mengendalikan kualitas data adalah semua tentang membungkus proses sekitar tugas-tugas sourcing, mengubah dan mempublikasikan data yang memungkinkan data yang berkualitas / sertifikasi. Six-Sigma menyediakan kerangka kerja atau struktur di sekitar pengumpulan, analisis dan pengendalian proses-proses ini untuk meningkatkan tingkat kualitas data / sertifikasi. Dua set proses saling tergantung yang digunakan untuk mencapai ini kualitas data (DQ) tujuan: off-line dan in-line. Off-line proses DQ dijalankan di luar proses produksi data bersertifikat, sedangkan in-line proses DQ dijalankan dalam sinkronisasi dengan proses produksi data bersertifikat. [3]

b) Tentukan

    Mayoritas perusahaan asuransi tergantung pada masukan yang diberikan oleh pelanggan mereka selama waktu pendaftaran kebijakan OR Selain penerima. Semua data yang diberikan oleh pelanggan adalah baik oleh pelanggan sendiri melalui website OR oleh panggilan telepon / email / mail melalui layanan pelanggan. Data ini kemudian memasuki sistem dengan saluran pengolahan data dan akan disimpan ke dalam gudang data untuk penggunaan masa depan. Sampai sekarang, banyak perusahaan asuransi bergantung pada data yang disediakan oleh pelanggan dan menggunakan yang sama selama waktu penggantian atau perubahan kebijakan. Berbagai sistem yang terlibat dalam proses di atas adalah orang-orang memanfaatkan data. Ada dapat beberapa lebih seperti klaim dan sistem penggantian, yang mungkin mengalami masalah karena kesalahan data. Semua pengamatan tersebut dapat dimanfaatkan untuk mendapatkan kejelasan tentang kesalahan data.

   Suara kepada pelanggan Hal ini penting bagi setiap perusahaan menggunakan proses peningkatan kualitas untuk mendengarkan suara pelanggan. Dalam skenario manajemen mutu data, keluhan dari pelanggan di masa lalu harus dianalisis untuk mempersempit jenis utama dari kesalahan. Jika diperlukan, survei mungkin diperlukan dari pelanggan untuk mendapatkan sudut pandang mereka untuk perubahan data. Juga, rekaman dari portal layanan pelanggan dapat dimanfaatkan untuk mendapatkan kejelasan lebih lanjut tentang jenis kesalahan yang dihadapi. Di antara metode riset pasar yang terkenal tersedia, survei dan kelompok fokus dapat berguna untuk memvalidasi apa sebuah organisasi yang sudah menganggap tahu tentang kebutuhan pelanggan. Kuesioner dapat membantu menangkap informasi baru organisasi tahu ada dan secara khusus mencari. Metode ini ditulis oleh organisasi dan biasanya membahas pertanyaan tentang produk atau layanan. 

    Proyek Goal - Tujuan dari mutu harus ditentukan sebelumnya dan disetujui oleh semua pelaksana kepentingan dan harus dapat diukur dan ditentukan. Target harus menjadi peningkatan kualitas data secara keseluruhan dan pemeliharaan jika diperlukan.

c) Mengukur

  Saat kabar data Kualitas dalam sistem warisan yang dikembangkan tanpa program manajemen kualitas data di tempat mungkin tidak memadai untuk memenuhi kebutuhan bisnis baru, seperti yang ditunjukkan oleh representasi yang berbeda dari data yang sama pada Gambar di bawah. Sebagai contoh, keakuratan informasi pelanggan mungkin cukup baik untuk tagihan pelanggan, tetapi tidak cukup untuk memahami keuntungan dari pelanggan ; bagian informasi mungkin baik untuk kebutuhan setiap fasilitas manufaktur, tetapi tidak baik untuk memahami tingkat persediaan dan pindah ke pendekatan gudang bagian virtual. Masalah lainnya yaitu data memerlukan hasil tindakan reaktif dari merger dan akuisisi. Data dari dua perusahaan yang sebelumnya terpisah perlu digabungkan, dan ini sering tugas yang menakutkan, terutama jika harus dilakukan tanpa dukungan alat yang memadai.

    Jenis-Jenis Data errors-  jenis data dalam kesalahan dapat diklasifikasikan menjadi empat, yang akan dibahas di bawah Incomplete - Ini termasuk data dengan informasi yang tidak lengkap. Hal ini mungkin akibat dari catatan yang hilang atau bidang, data tidak lengkap karena bencana masa lalu OR karena kebisingan di link transfer data yang hilang.

1. Incorrect / salah - Ini termasuk data dengan informasi yang salah. Ini mungkin hasil dari perhitungan yang salah, duplikat catatan OR menduplikasi pengolahan / duplikat entri data oleh pelanggan dan kode yang salah digunakan.
2. Incomprehendibility errors / Kesalahan yang tidak dimengerti - Ini termasuk data dengan kesalahan karena desain awal yang salah OR perencanaan. Misalnya, bidang dalam bidang-bidang seperti Nama depan dan nama terakhir dalam NAMA lapangan, format aneh untuk menghemat ruang disk dan lain-lain.
3. Inconsistency errors/ konsistensi kesalahan - jenis ini kesalahan data umumnya mengakibatkan kesalahan pengguna atau kode yang salah ditulis. Ini termasuk kode tidak konsisten, waktu tidak konsisten dan kode atom, penggunaan konsisten dari nulls, spasi, nilai kosong, dan lain-lain [4] .Semua jenis kesalahan dapat diidentifikasi dan rencana untuk mengurangi dapat dikembangkan. 
4. Gudang yang ada kondisi- Data Warehouse adalah rumah untuk bagian utama dari solusi yang disediakan karena semua data yang berada di dalamnya. rekonsiliasi data yang diperlukan untuk data yang ada. 

    Kompleksitas dari data warehouse meningkat secara geometris dengan jumlah sumber data makan ke dalamnya - Memiliki mendamaikan sistem yang tidak konsisten adalah alasan. Misalnya, jika itu membutuhkan 100 jam untuk mendamaikan data dari dua sistem sumber, seseorang dapat mengharapkan bahwa ia akan mengambil pada urutan 400, bukan 200, jam untuk mendamaikan data dari empat sistem sumber. Kompleksitas dari data warehouse meningkat secara geometris dengan rentang waktu data yang akan dimasukkan ke dalamnya. Lingkungan data warehouse adalah menarik karena merupakan sumber informasi yang digunakan oleh bisnis untuk membuat keputusan strategis, tetapi tidak benar-benar membuat data apapun. Itu berarti bahwa masalah kualitas data dalam data warehouse berasal dari lingkungan sistem sumber, diciptakan karena rusak proses akuisisi data dan pengiriman, atau karena masalah interpretasi.

d) Menganalisis

    Berdasarkan informasi yang dikumpulkan dalam fase mengukur, penyebab kesalahan data dapat mempersempit dan diidentifikasi untuk mitigasi.

    Menemukan penyebab kesalahanya: Kita semua tahu masalah kualitas data ketika kita melihat mereka. Mereka dapat merusak kemampuan organisasi Anda untuk bekerja secara efisien, sesuai dengan peraturan pemerintah dan membuat pendapatan. Masalah-masalah teknis yang spesifik termasuk data yang hilang, misfielde atribut, duplikat catatan dan model data yang rusak untuk nama hanya beberapa. Tapi bukan hanya menambal data yang buruk, kebanyakan ahli sepakat bahwa strategi terbaik untuk memerangi masalah kualitas data adalah untuk memahami akar penyebab dan menempatkan proses baru di tempat untuk mencegah mereka. Berikut adalah beberapa penyebab umum.

*Penyebab eksternal

• kesalahan data yang disebabkan oleh data yang berasal dari luar organisasi. 
• kesalahan data yang disebabkan oleh pelanggan eksternal 
• kesalahan data yang disebabkan oleh kesalahan manual dengan pelanggan. 
• kesalahan data karena data yang tidak konsisten yang diterima dari pelanggan kelompok

*Penyebab internal

• kesalahan data yang disebabkan oleh kesalahan manusia dalam layanan pelanggan 
• kesalahan data karena kode yang salah 
• kesalahan data karena database yang kompleks atau data yang lebih tua. 
• kesalahan data karena perubahan standar. 
•  kesalahan data karena merger / akuisisi.

e) Desain

    Pada fase ini, protokol baru dan langkah-langkah untuk meningkatkan kualitas data akan dibahas. Hal yang sama dapat digunakan untuk melaksanakan proses untuk mendapatkan rekonsiliasi data secara keseluruhan.

    Standar dan Protokol - Saat masalah kualitas data yang ditemui mengimpor data ke dalam gudang data, ada empat tindakan yang layak yang dapat diambil. Kita dapat: 

• Tolak kesalahan 
• Menerima kesalahan 
• Koreksi kesalahan 
• Menerapkan nilai default untuk data yang salah.

   Ketika akurasi lebih penting daripada kelengkapan, mungkin tepat untuk menolak kesalahan. Bila data yang diketahui salah, tapi itu dalam tingkat toleransi, maka sudah sepantasnya menerima kesalahan. Ketika nilai yang benar dapat ditentukan, maka kesalahan dapat diperbaiki. Terakhir, ketika nilai yang benar tidak dapat ditentukan dan kelengkapan sangat penting, maka nilai default dapat diganti untuk data yang salah. Terlepas dari tindakan yang diambil, sangat penting bahwa pengguna data warehouse memahami implikasi kualitas data obat yang dipilih. Ketika data dikoreksi datang ke dalam gudang data, kita dihadapkan dengan situasi yang menarik. Data warehouse berhenti untuk mencocokkan sistem sumber, dan menjadi lebih akurat dibandingkan dengan sistem sumber. Minimal, perbedaan perlu dijelaskan. Idealnya, proses yang digunakan untuk memperbaiki data dalam data warehouse dapat memicu transaksi yang juga mengoreksi data dalam sistem sumber.

  Implementasi baru untuk Data improvement- Beberapa langkah yang dapat diimplementasikan untuk menghindari kesalahan data dibahas di bawah ini:

• Training / Pelatihan - pelatihan untuk staf layanan pelanggan dan orang-orang lain yang terlibat dalam pengumpulan data diperlukan untuk input data untuk menghindari kesalahan manusia. 
• Coding standards - Organisasi harus mengikuti salah satu standar tunggal kode dan standar data untuk menghindari kesalahan data yang disebabkan oleh kode 
• Reviews / Ulasan - Desain rencana untuk melakukan audit jaminan kualitas. Ini melibatkan pemeriksaan rutin dari data yang diajukan ke pusat-pusat pengolahan dan manajemen. Langkah-langkah akan:  menetapkan tanggung jawab untuk program review kualitas; lalu merumuskan program untuk memeriksa kelengkapan cakupan, mengakurasi dan konsistensi data terhadap standar yang telah ditentukan; menentukan apa yang harus diperiksa; melakukan audit pada semua laporan statistik; setelah itu temuan review dan tindak lanjut masalah diidentifikasi dan memberikan umpan balik yang sesuai untuk semua staf yang terlibat. Hal ini penting sepanjang waktu, tetapi terutama untuk staf di daerah terpencil bekerja dalam isolasi; selanjutnya melatih staf jika diperlukan; dan ulangi proses pada periode waktu tertentu. 
• Improved data standards / Peningkatan standar data - Ini adalah perubahan yang sangat penting yang dibutuhkan. Ada beberapa standar harus ditetapkan untuk menyimpan data dan informasi. Ini termasuk perubahan dalam bidang data per empat pilar kualitas data yang dibahas di atas. Misalnya, ‗NAME ‘lapangan harus diubah untuk ‗FIRST NAMA‘dan ‗LAST NAMA ‘, yang ‗ADDRESS‘ladang harus diubah menjadi ‗STREET ‘, ‗CITY‘dan bidang terkait lainnya. 
• Data Integration - Ini termasuk perubahan data yang berasal dari organisasi eksternal atau sebuah perusahaan gabungan. Misalnya di Perusahaan A, nomor telepon digunakan sebagai 800-123-4567 ext 2345 dan di perusahaan B, jumlah itu digunakan sebagai (800)123-4567 ext2345. Sekarang, ketika Perusahaan A mengakuisisi Perusahaan B, format angka harus diubah menjadi Perusahaan Format A. 
• New Technology / Teknologi baru - Sebuah proses baru yang diperlukan untuk menolak kesalahan data nous dari sumber eksternal. Ini akan menjadi firewall antara fasilitas pengolahan data dan gudang data. Jika data apapun ditolak, fungsi akan menuntut salinan baru dari data yang sama. Info ini akan dikirim ke bisnis yang terkait langkah-langkah yang diperlukan harus dilakukan untuk mendapatkan data yang relevan. Langkah ini dapat mengatasi dengan masalah data tidak lengkap dan berlebihan. 
• Existing data reconciliatin / rekonsiliasi keluaran Data - Menggunakan bus Aplikasi Enterprise Interface (EAI) untuk mengembangkan interface untuk mengambil data dari aplikasi warisan. Setelah antarmuka aplikasi ini dikembangkan setelah, mereka dapat digunakan berulang kali. Hal ini terutama penting jika sistem warisan Anda dapat berjalan secara paralel dengan sistem baru ditingkatkan Anda untuk jangka waktu. 
• Menerapkan Model Master Data Management yang secara jelas mengidentifikasi sistem yang pemilik utama dari elemen data serta sistem lain yang menggunakan data. 
• Menggunakan Extract, Transform dan beban alat (ETL) untuk mengambil data warisan, simpan dalam data base sementara di mana pembersihan data dilakukan. 
• Setelah pembersihan, data warisan reloaded ke dalam sistem warisan dalam rangka meningkatkan kualitas sumber data. - Langkah 3 dan 4 dapat diulang beberapa kali, dengan metrik laporan kualitas (diproduksi oleh alat) yang digunakan untuk menilai dan memvalidasi bahwa gerbang kualitas telah terpenuhi. 
• The same ETL adalah alat ETL yang sama digunakan untuk pembersihan data yang dapat digunakan dalam ekstrak ‗final’, mengubah dan memuat ke dalam sistem target baru.

f) Verifikasi

    Sekarang untuk memverifikasi dan memvalidasi pendekatan baru dan pelatihan yang akan digunakan dalam organisasi untuk meningkatkan kualitas data.

   Meninjau dan memverifikasi desain-meninjau pendekatan baru melibatkan semua pemangku kepentingan dalam pertemuan untuk meninjau data standar baru dan perubahan data yang ada. Hal ini diperlukan untuk memastikan bahwa desain tidak harus menyebabkan kerugian data OR informasi, yang dapat menyebabkan kerugian keuangan untuk perusahaan. Selain itu, diperlukan untuk meninjau pendekatan pelatihan dan kelayakan untuk perusahaan dan bisnis, terkait dengan manajemen kualitas data. Jika di review, perubahan disarankan OR setiap cacat desain ditemukan, seluruh program perlu ditinjau kembali. Hal ini diperlukan sebelum pelaksanaan untuk mendapatkan semua hal di tempat.

Jaminan Kualitas: Pilot run Sekarang ketika kita memiliki segala sesuatu di tempat yang diperlukan, kita dapat melanjutkan dan menguji perubahan baru dalam sistem OR bisnis fungsi kecil dan merekam dampak itu. Meskipun desain sekarang lengkap dan pilot run selesai dalam percobaan set up, ketika diimplementasikan hidup di lantai mungkin ada beberapa perubahan dalam output. Jadi, sebelum pergi hidup, simulasi di lingkungan yang biasa dilakukan. Semua perubahan menit dalam output dan cegukan setiap dihadapi selama proses harus dicatat. Sebuah rinci RCA (Root penyebab Analisis) harus dilakukan dan akar penyebab untuk variasi harus tiba di setelah pilot menjalankan.

* Kumpulkan dan Evaluasi Hasil Percontohan.

• Menganalisis kesenjangan antara kinerja diprediksi dan kinerja aktual. 
• Akar yang menyebabkan kesenjangan untuk menentukan mengapa dan jika perubahan solusi yang diperlukan.   
• Menganalisis rencana percontohan. Apa yang bekerja? Apa yang tidak? Apa yang harus ditambahkan atau diubah?
•  Berkomunikasi Hasil Percontohan

* Buat ringkasan dari strategi yang digunakan untuk pilot solusi dan mengkomunikasikan hasil yang dicapai. Mintalah Stakeholder Masukan: 

• Manajemen perubahan adalah bagian penting dari keberhasilan proyek. Meminta umpan balik selama wawancara pemangku kepentingan memberikan Anda akses ke pengalaman dari orang-orang yang terkena dampak proyek. 
• Tinjau analisis stakeholder asli untuk menentukan bagaimana / jika sesuatu telah berubah, dan apa yang mungkin ingin Anda lakukan untuk mengatasi hasil tersebut.

4.  PENUTUPAN

a)  Saran

     Sekarang adalah waktu untuk melaksanakan proses kualitas baru di seluruh organisasi. Penerapan harus dilakukan secara bertahap untuk menghindari dampak tiba-tiba dan juga, untuk mengurangi setiap masalah yang dihadapi selama proses. Implementasi harus dilakukan sesuai dengan rencana proyek dan tujuan dikembangkan selama fase desain. Ini melibatkan banyak upaya dari semua karyawan sebagai sistem lagi akan berdampak pada tugas-tugas yang ada dan berkelanjutan dari perusahaan. Tanggal pelaksanaan harus biarawan dikomunikasikan kepada bisnis dengan beberapa jeda waktu muka. Penyerahan tidak hanya mencakup memberikan sistem baru, tetapi juga pemantauan itu untuk waktu tertentu untuk mendapatkan lebih banyak hal yang jelas dan dihidupkan kembali dengan tugas-tugas yang sedang berlangsung. Hal ini meningkatkan kualitas proses untuk menghasilkan hasil yang lebih baik. Umumnya, perusahaan asuransi besar memiliki tim manajemen mutu terpisah untuk memandang proses ini.

b)  Kesimpulan 

    Menyebarkan program manajemen mutu data bukan tugas yang mudah, tetapi imbalannya sangat besar. Menyebarkan pendekatan disiplin untuk mengelola data sebagai aset perusahaan yang penting baik akan memposisikan perusahaan untuk meningkatkan produktivitas pekerja informasi dan untuk lebih melayani pelanggan. Hal ini tidak lagi sebuah pilihan, terutama dalam iklim kompetitif dan peraturan saat ini. Untuk maju, para pelaksana kepentingan utama harus dididik, fungsi pengawasan dilaksanakan, dan teknologi tepat guna harus diperoleh. Dengan di tempat, enam Program sigma dapat secara efektif dikejarkan. Dengan pelatihan yang tepat dan proses yang benar di tempat, kesalahan data kecil, yang dapat menyebabkan masalah keuangan yang besar dapat dihindari. Laba atas investasi tidak dapat dihitung, namun peningkatan kualitas data memang menguntungkan untuk waktu yang lama.

REFERENSI :

Panwar,Mohit. September 2015. Application of Six-Sigma for Data Quality  Improvement in an Insurance Company.http://www.ijstr.org/final-print/sep2015/Application-Of-Six-sigma-For-Data-Quality-Improvement-In-An-Insurance-Company.pdf . (diakses tanggal 15 April 2017)