Mengapa Transformasi Digital Gagal: Ini adalah Masalah Kecerdasan Operasional, bukan Masalah Teknologi

Setiap program transformasi dimulai dengan peta proses, diagram swimlane, alur kerja yang didokumentasikan, dan keyakinan bersama bahwa organisasi memahami bagaimana pekerjaan mereka bergerak.

Keyakinan itu hampir selalu salah dan biaya menemukannya di tengah migrasi jarang kecil. Tanyakan kepada TSB.

Pada April 2018, TSB memigrasikan 1,3 miliar catatan pelanggan dari platform Lloyds warisan ke sistem baru yang dibangun oleh induk perusahaan Spanyol, Sabadell. Dalam waktu 48 jam, 1,9 juta pelanggan terkunci dari akun mereka.

LebihCerita

                                    Dalam pembelaan hati-hati terhadap Air Peace

9 Mei 2026

                                    Memperbaiki masalah nyata dengan sistem daur ulang SIM Nigeria

7 Mei 2026

Nasabah hipotek bisa melihat saldo orang lain. Akun bisnis tidak dapat diakses selama berminggu-minggu.

Biayanya melebihi £330 juta. CEO mengundurkan diri. Tinjauan berikutnya menemukan bahwa migrasi berlangsung tanpa pemahaman yang memadai tentang ketergantungan antara proses yang ada di TSB dan arsitektur sistem baru. Teknologi berfungsi tetapi tidak ada yang memetakan apa yang seharusnya dibawa. Masalah ini memiliki nama, dan itu lebih tepat daripada yang dipahami kebanyakan organisasi.

Apa itu Intelijen Operasional?

Intelijen operasional menghasilkan gambaran data yang akurat tentang bagaimana pekerjaan benar-benar bergerak melalui proses, sistem, keputusan, dan orang, dari sistem yang sudah ada. Ini menjawab pertanyaan yang tidak dapat dijawab secara andal oleh wawancara stakeholder atau lokakarya: Jalur apa yang sebenarnya diambil pekerjaan? Di mana penundaan terkumpul, dan mengapa? Keputusan apa yang sedang dibuat, di titik mana, oleh siapa, dan dengan konsistensi apa? Tanpa itu, tiga hal terjadi secara andal. Tim mengotomatisasi alur kerja yang tidak terdefinisi. Mereka mendigitalkan hambatan. Mereka memperbesar ketidakefisienan di seluruh platform.

Lapisan Data

Bahan mentah dari intelijen operasional adalah data kejadian. Setiap sistem perusahaan: ERP, CRM, manajemen kasus, manajemen pesanan menulis log kejadian. Setiap perubahan status, pemicu persetujuan, dan pembaruan catatan meninggalkan cap waktu. Cap waktu tersebut, yang terkait dengan pengenal kasus, berisi catatan lengkap tentang perilaku operasional yang sebenarnya. Data ini sudah ada di sistem yang sudah dijalankan organisasi. Yang biasanya tidak ada adalah praktik memperlakukan data ini sebagai input utama untuk strategi transformasi daripada sebagai produk sampingan kepatuhan.

Dari log kejadian yang bersih, alat penambangan proses seperti Celonis, UiPath Process Mining, dan SAP Signavio merekonstruksi jalur proses yang sebenarnya, menunjukkan di mana penundaan terkonsentrasi, dan membandingkan perilaku nyata dengan model yang didokumentasikan. Celah antara apa yang ditunjukkan peta proses dan apa yang ditunjukkan log kejadian jarang bersifat sepele. Persetujuan yang tampak otomatis dalam diagram bisa melibatkan tiga utas email dan spreadsheet yang tidak resmi disahkan siapa pun. Ketika DHL menerapkan proses penambangan pada operasi bea cukainya, mereka tidak menemukan hambatan yang diharapkan manajer mereka. Kebanyakan penundaan bukan di waktu proses. Mereka di latensi keputusan, jarak antara kedatangan kasus di titik keputusan dan keputusan yang sebenarnya dibuat.

Perbedaan itu penting. Sebagian besar program transformasi berfokus pada visibilitas proses: di mana sesuatu berada dalam pipeline. Visibilitas keputusan lebih jauh lagi. Titik keputusan adalah tempat alur kerja bercabang, dan menumpangkan atribut kasus pada cabang tersebut mengungkap faktor apa yang mengatur pemilihan jalur dan apakah pengelolaan tersebut konsisten di seluruh tim dan dari waktu ke waktu. Ini memberi tahu Anda jalur pengecualian mana yang mengkonsumsi kapasitas secara tidak proporsional dan bagaimana alur kerja benar-benar berperilaku versus bagaimana arsitek proses mengasumsikan mereka akan.

Intelijen Operasional dan Kesiapan AI

Di sinilah taruhannya paling tinggi, dan di sinilah urutan yang buruk menyebabkan kerusakan paling besar. Model pembelajaran mesin yang dilatih untuk mengotomatisasi keputusan pengaturan akan berkinerja baik jika data pelatihan secara akurat mencerminkan logika keputusan yang seharusnya mengatur keputusan tersebut. Penekanannya adalah pada seharusnya.

Di sebagian besar organisasi, data keputusan historis tidak mencerminkan logika yang dimaksudkan. Data tersebut mencerminkan aturan formal yang dicampur dengan solusi sementara informal, diskresi individu, dan pengecualian yang ditangani di luar sistem dan tidak pernah direkam. Model yang dilatih berdasarkan data itu mempelajari versi yang rusak dari logika yang dimaksudkan, bukan aturan, tetapi rata-rata dari apa yang sebenarnya dilakukan orang, termasuk setiap jalan pintas dan jalur eskalasi yang tidak terdokumentasi. Diterapkan secara skala besar, model tersebut mereproduksi pola-pola tersebut dengan kecepatan mesin: secara konsisten, percaya diri, dan salah. Menetapkan logika keputusan yang benar sebelum pelatihan, dan membangun dataset yang mencerminkan perilaku yang dimaksudkan daripada yang diamati, bukanlah langkah kebersihan. Itu adalah perbedaan antara sistem AI yang mempercepat keputusan yang baik dan yang memperbesar keputusan buruk.

Urutan Sebelum Pemilihan

Intelijen operasional bukanlah alur kerja yang berjalan paralel dengan implementasi. Itu adalah prasyarat yang membuat keputusan implementasi dapat dipertanggungjawabkan. Sebelum platform apa pun dipilih atau ringkasan otomatisasi ditulis, tiga pertanyaan perlu dijawab dari data: Jalur apa yang sebenarnya diambil pekerjaan, dan seberapa sering setiap varian terjadi? Di mana penundaan terkumpul, dan atribut apa yang memprediksi mereka? Di titik keputusan mana alur kerja bercabang, apa yang mengatur cabang tersebut dalam praktik, dan seberapa konsisten pengelolaan itu di seluruh tim dan dari waktu ke waktu?

Felicia Oyedara adalah Analis Data berbasis di Inggris yang mengkhususkan diri dalam operasi digital, optimalisasi proses, dan analitik tenaga kerja di seluruh fintech, perbankan, dan lingkungan konsultasi. Dia fokus pada menerjemahkan data operasional dan tenaga kerja menjadi wawasan yang jelas dan dapat ditindaklanjuti yang meningkatkan kinerja, menyederhanakan proses, dan mendukung pengambilan keputusan yang lebih baik.