Biaya data yang baik itu mahal; biaya data yang buruk itu merusak

Bulan lalu, saya membahas tentang lanskap teknologi yang terus berkembang dan dampaknya terhadap perbankan, menguraikan niat saya untuk mengeksplorasi berbagai topik terkait teknologi dalam opini-opini mendatang. Saya memulai seri ini dengan data dan tata kelola data, karena hal ini merupakan area krusial untuk implementasi tumpukan teknologi yang sukses — hal ini harus dilakukan dengan benar agar proyek lain dapat berfungsi dengan baik atau bahkan berfungsi sama sekali — dan karena hal ini merupakan area kelemahan bagi banyak organisasi perbankan.

Bagi bank, kualitas data, tata kelola, kontrol, dan pemanfaatan menjadi semakin penting. Inti dari sebuah bank adalah neraca — sekumpulan aset dan kewajiban. Tidak seperti pengecer, pedagang grosir, atau perusahaan jasa profesional, bank memiliki sedikit aset fisik. Tanpa data yang baik berarti tanpa bank yang baik. Jika Anda menghilangkan buku besar bank, bank tidak dapat melacak aset dan kewajiban — dan pada dasarnya akan bangkrut.

Sebentar lagi, kualitas dan tata kelola data akan menjadi hal yang penting untuk menjadi lembaga keuangan papan atas yang sangat kompetitif dan untuk menerima peringkat regulasi yang menguntungkan. Bagi lembaga yang lebih besar, masa depan program manajemen data yang berkualitas adalah sekarang. Hampir setiap perangkat teknologi, terutama yang mengandalkan kecerdasan buatan, digerakkan oleh data yang baik. Namun bagi banyak bank, program data mereka sangat cacat.

Misalnya saja pada tahun 2013, Bank for International Settlements menerbitkan Prinsip Agregasi Data Risiko dan Pelaporan Risiko yang Efektif untuk 31 bank global yang penting secara sistemik, menerbitkan laporan kemajuan berkala sejak saat itu. Laporan terbaru, dari November 2023, mengungkapkan hanya dua dari 31 bank yang sepenuhnya patuh. Hal ini mencerminkan, setidaknya sebagian, kenyataan bahwa seiring perubahan bisnis dan teknologi, akan selalu ada pekerjaan yang diperlukan untuk membawa produk dan layanan baru agar patuh. Bank-bank terkemuka mungkin bekerja dengan mitra fintech pada model bisnis baru yang inovatif, mengeksplorasi AI generatif atau memposisikan untuk kripto — yang semuanya melibatkan pemanfaatan data baru yang perlu akurat, dilindungi, dan diintegrasikan ke dalam kerangka tata kelola data mereka. Selain itu, teknologinya sendiri semakin mampu, sehingga taruhannya terus meningkat.

Tentu saja, nilai strategis tata kelola data melampaui kepatuhan regulasi, tetapi keduanya saling terkait. Kebangkrutan Synapse baru-baru ini dan kebangkrutan Silicon Valley Bank menyoroti perlunya manajemen data yang kuat untuk mengurangi risiko yang timbul dari model bisnis yang kompleks, pertumbuhan data yang cepat, dan kecepatan data. Peristiwa pasar modal seperti kebangkrutan Archegos telah meningkatkan fokus pada pengelolaan risiko rekanan secara lebih efektif di seluruh bisnis perbankan investasi dan perdagangan.

Kualitas data, arsitektur, tata kelola, dan interoperabilitas menimbulkan tantangan yang signifikan bagi bank. Bank mengumpulkan sejumlah besar data dari pelanggan, vendor, pasar, dan sumber internal, namun sebagian besar data ini tetap terisolasi dan dikumpulkan dengan cara yang membatasi kegunaannya. Entri data manual memperburuk masalah ini, yang memerlukan “pembersihan” yang ekstensif agar data dapat bermanfaat. Meskipun praktik pengumpulan, penyimpanan, dan manipulasi data bervariasi di berbagai lembaga, masalah keseluruhan data yang kotor dan/atau tidak lazim sangat meluas. Keterbatasan ini menghambat kegunaan data dalam segmen bisnis individual dan di seluruh bank secara keseluruhan.

Ini adalah topik yang sulit untuk ditangani dan dilakukan dengan benar. Bank menghadapi tantangan yang signifikan dalam mencapai kualitas dan tata kelola data yang sempurna. Bahkan bank yang lebih kecil dengan lini bisnis yang terbatas menghadapi tantangan dengan entri data manual, penangkapan data yang tidak konsisten, dan manipulasi di seluruh sistem dan vendor. Seiring pertumbuhan dan diversifikasi bank, memastikan konsistensi data di seluruh lini bisnis menjadi semakin rumit. Apakah Gene Ludwig dan Eugene Ludwig adalah orang yang sama? Bagaimana dengan ABC Advisory, LLC, yang dimiliki dan dikendalikan oleh Gene Ludwig?

Mengakuisisi lembaga lain — yang mungkin telah memecahkan masalah secara berbeda atau tidak sama sekali — semakin mempersulit pengelolaan data. Sementara operasi yang terisolasi dapat menutupi masalah ini, mencapai efisiensi dan penghematan biaya di seluruh perusahaan memerlukan data yang terkonsolidasi.

Secara historis, beberapa bank dapat beroperasi dengan program data yang kurang baik karena informasi penting dilengkapi oleh personel bank dengan pengetahuan tentang silo spesifik mereka dan orang atau lingkungan yang penting bagi mereka. Saat ini, dengan bank yang lebih besar, persaingan fintech yang semakin ketat, dan semakin bergantung pada teknologi berbasis data, hal ini semakin jarang terjadi.

Bagi banyak bank yang menghadapi tekanan margin, persaingan, dan tingginya biaya pengelolaan data, memprioritaskan tata kelola dan kontrol data mungkin tampak seperti kemewahan. Namun, hal ini dapat berubah menjadi tindakan yang tidak bijaksana. Pertama, bank harus mengumpulkan dan mengelola data nasabah yang sensitif, sehingga pengelolaan data yang cermat menjadi krusial bagi keamanan siber. Selain itu, pengelolaan data yang efektif sangat penting untuk mempertahankan diri dari tuntutan pelanggaran kepatuhan dan mengidentifikasi tren yang muncul yang dapat mengancam kesehatan bank, mulai dari tren nasabah hingga masalah yang berkaitan dengan komposisi neraca.

Meskipun manfaat awal dari data berkualitas tinggi sering kali diakui, tekanan biaya sering kali menyebabkan solusi sementara yang kurang optimal. Pendekatan ini dapat menjadi kontraproduktif karena lingkungan yang kompetitif, kompleksitas model bisnis bank, dan/atau ukuran dan kompleksitas bank itu sendiri. Selain itu, regulator semakin mengharapkan bank, khususnya lembaga yang lebih besar, untuk memiliki program manajemen data yang kuat.

Pentingnya arsitektur data berkualitas tinggi mudah diutarakan, tetapi sebenarnya membangun arsitektur itu sulit.

Komitmen eksekutif, yang didukung oleh dewan direksi dan anggaran, sangat penting untuk menarik bakat terbaik dan mendorong kolaborasi lini bisnis. Definisi yang ada perlu disesuaikan untuk mencapai standar bank secara keseluruhan. Secara historis, berkompromi demi kebaikan bersama sulit dicapai. Namun, menetapkan dasar, menetapkan tujuan, dan pengukuran berkelanjutan sangat penting untuk kemajuan.

Seorang kepala petugas data yang terampil, yang mampu melihat dan mengeksekusi, sangatlah penting. Kedua, meskipun jalan menuju program data terbaik masih panjang, mengembangkan peta jalan dan memulai perjalanan sangatlah penting. Penundaan memperburuk tantangan seiring munculnya program, produk, dan kompleksitas data baru.

Pada akhirnya, program pengelolaan data yang kuat sangat penting untuk keberhasilan jangka panjang bank, khususnya bank yang asetnya melebihi $10 miliar.