FONDASI DATA UNTUK AI
Produk data Qlik mengemas sekumpulan data dengan hal-hal yang benar-benar dibutuhkan oleh AI: kontrak, pemilik yang ditunjuk, ambang batas kualitas yang ditegakkan, komitmen keterkinian (freshness), dan lineage kembali ke sumber.
Artha merancang dan membangunnya di atas Qlik Talend Cloud, satu keputusan bisnis dalam satu waktu, sehingga tim model tidak lagi menghabiskan delapan puluh persen waktu dalam seminggu untuk memverifikasi ulang data input.
IKHTISAR AI
Artha Solutions membangun fondasi data siap-AI menggunakan produk data Qlik di Qlik Talend Cloud: dataset yang terkelola dan dapat ditemukan dengan kontrak data, pemilik yang terdaftar, ambang batas kualitas yang ditegakkan, komitmen tingkat kebaruan data (freshness), serta lineage, yang dirancang untuk melayani model AI, asisten virtual, dan analitik secara andal.
Model tersebut tidak pernah menjadi masalahnya. Inisiatif AI mengalami stagnasi karena setiap proyek dimulai dengan menemukan kembali pertanyaan yang sama: di mana data pelanggan berada, salinan mana yang benar, siapa pemiliknya, seberapa baru data tersebut, dan apakah kami secara hukum diizinkan menggunakannya. Jawab pertanyaan-pertanyaan itu sekali, per dataset, dan publikasikan jawabannya. Itulah esensi dari produk data.
Semua ini tidak memerlukan platform baru jika Anda telah menjalankan Qlik Talend Cloud. Hal ini membutuhkan kedisiplinan dalam memperlakukan data sebagai sesuatu yang Anda publikasikan secara sengaja, lengkap dengan kepemilikannya.
Enam properti membedakan produk data dari sekadar dataset dengan nama yang bagus. Hilangkan salah satu saja, dan tim AI harus kembali memverifikasi input secara manual.
Skema, semantik, dan penggunaan yang diizinkan dinyatakan dan diberi versi. Model konsumen mengetahui arti setiap field dan perubahan apa yang akan diumumkan, bukan ditemukan secara mendadak. Ketika kontrak berubah, konsumen mendengarnya sebelum pipeline mereka rusak, bukan karena pipeline mereka rusak.
Satu orang yang bertanggung jawab memegang penuh produk tersebut: arti dari data, ambang batas kualitas, dan peta jalannya. Perdebatan mengenai apa yang dihitung sebagai pelanggan aktif diselesaikan di satu meja, alih-alih berputar-putar antar tim. Produk data yang tidak memiliki pemilik akan merosot menjadi rawa kekacauan yang justru ingin mereka gantikan.
Aturan dari lapisan tata kelola Anda berjalan di dalam produk'jalur pipa tersebut, dan kumpulan data (batch) yang gagal melewati ambang batas tidak akan dipublikasikan. Konsumen dapat melihat status kualitas beserta datanya. Inilah yang membedakan antara input tersertifikasi dan input yang hanya berdasarkan harapan.
Ditetapkan sebagai metrik waktu yang terikat pada keputusan yang didukung oleh produk: dalam hitungan menit untuk sinyal penipuan, jam untuk pelaporan operasional, atau harian untuk keuangan. Komitmen ini dipantau, dan keterlambatan dari tenggat waktu dikategorikan sebagai insiden yang memiliki penanggung jawab, bukan dibiarkan basi tanpa ada yang menyadari hingga akhir kuartal.
Setiap bidang dapat dilacak kembali ke sistem dan transformasi yang menghasilkan, dicatat oleh platform alih-alih oleh diagram dari tahun 2023. Ketika sebuah model'keluaran dipertanyakan, asal-usul masukannya adalah sebuah jawaban, bukan investigasi.
Hak akses konsumsi produk, peruntukan tujuan, serta masking atribut tertentu ditegakkan pada batasan produk (product boundary). Tim AI memperoleh akses self-service sesuai hak istimewa mereka, dan pembahasan kepatuhan regulasi cukup dilakukan sekali pada tahap perancangan alih-alih pada setiap permintaan.
Sistem operasional · SAP dan ERP · Aplikasi SaaS · Peristiwa dan riwayat
Change data capture · Batch · Streaming
Kontrak dan pemilik · Gerbang kualitas · Komitmen keaktifan · Qlik Talend Cloud
Model ML dan Qlik Predict · Qlik Answers · Analitik dan pelaporan · Beban kerja Open Lakehouse.
Mulailah dari satu keputusan atau model yang krusial dan saat ini kurang mendapatkan sumber daya: skor churn, peramalan permintaan (demand forecasting), atau asisten AI yang memerlukan konteks terkelola. Keputusan tersebut mendefinisikan produk Anda'cakupan, bukan sebaliknya.
Menyelaraskan skema, semantik, ambang batas kualitas, kebaruan, dan izin penggunaan bersama pemilik dan tim konsumen dalam satu forum. Sebagian besar nilai dari sebuah data product diciptakan dalam diskusi ini, bahkan sebelum pipeline data apa pun dibuat.
Implementasikan pipeline, quality gates, dan transformasi di Qlik Talend Cloud, dengan memanfaatkan pola ingestion yang sudah ada di estate Anda alih-alih menciptakan pola paralel yang baru.
Jalankan produk terhadap kontraknya sendiri: ambang batas terpenuhi pada data produksi, lineage lengkap, kebijakan akses diuji dengan peran nyata, dan tingkat kebaruan (freshness) diamati selama siklus penuh termasuk akhir bulan. Sertifikasi adalah bukti, bukan sekadar rapat.
Jadikan produk dapat ditemukan (discoverable), lakukan onboarding pada konsumen pertama, dan ukur penggunaannya. Produk data dengan satu konsumen yang berkomitmen jauh lebih baik daripada pasar yang memiliki empat puluh pengguna tetapi tidak ada yang mempercayainya, dan dari konsumen kedualah ekonomi penggunaan ulang (reuse) mulai memberikan hasil.
BUKTI KEBERHASILAN KLIEN
Dipilih dari sistem studi kasus Artha yang telah dipublikasikan. Anonimisasi pelanggan tetap terjaga.
Tantangan: Penyedia analitik layanan kesehatan perlu menyerap dan mengelola lebih dari 100 TB beragam data sekaligus meningkatkan akses dan performa pemrosesan.
Solusi Artha: Artha menerapkan Talend dengan Dynamic Ingestion Framework di atas AWS dan Snowflake, menambahkan validasi otomatis dan pemrosesan yang dapat disesuaikan skalanya.
Talend, AWS, Snowflake, Tableau
Tantangan: Keputusan kepegawaian klinik dijalankan berdasarkan riwayat yang tidak konsisten dan volume pasien yang berfluktuasi setiap hari, minggu, dan musim, sehingga situs-situs tersebut secara rutin kekurangan atau kelebihan staf.
Solusi Artha: Artha menerapkan peramalan permintaan AI/ML yang disesuaikan untuk setiap lokasi, termasuk penanganan cold-start untuk lokasi tanpa riwayat.
Talend, Data Integration
Tantangan: Sebuah organisasi layanan kesehatan ingin mengadopsi AI/ML tetapi tidak memiliki prototipe yang divalidasi, model tata kelola, atau titik awal yang jelas.
Solusi Artha: Artha mendirikan Lab AI/ML Quick-Start: prototipe peramalan kerja pada organisasi.'data miliknya sendiri, ditambah panduan adopsi, pelatihan ulang, dan tata kelola.
Azure
SUMBER DAYA TERKAIT
KONEKSI ANALIS Disponsori oleh: Qlik dan Artha Solutions AI and Data Modernization: Enterprise Readiness and Value Realization Desember 2025 Pertanyaan diajukan oleh: Qlik dan Artha Solutions Jawaban oleh: Stewart Bond.
Jelajahi whitepaperKeberhasilan dengan AI dimulai dari data. Meningkatkan kualitas dan aksesibilitas data untuk AI adalah prioritas utama organisasi saat ini; sembilan bulan lalu, prioritas tersebut adalah meningkatkan infrastruktur AI. Namun, membangun fondasi data yang solid untuk...
Jelajahi whitepaperDalam dunia yang digerakkan oleh data saat ini, tetap relevan di masa depan seringkali berarti meninggalkan platform ETL legacy seperti Informatica PowerCenter, terutama saat platform tersebut mendekati akhir dukungan (end-of-support). Meskipun migrasi semacam itu sering dianggap...'etl removes both problems by carrying Informatica business logic across to Talend as metadata, so more than 70 percent of jobs convert with nobody retyping a rule.
Jelajahi artikelMICROSITE QLIK TERHUBUNG
PERTANYAAN YANG SERING DIAJUKAN
Jawaban ringkas berdasarkan informasi produk Qlik saat ini dan pendekatan konsultan Artha.
Kumpulan dataset terkemuka dan dikemas yang dibangun untuk melayani hasil bisnis tertentu: dataset ini membawa kontrak yang menjelaskan skema dan semantik, pemilik yang ditunjuk, ambang batas kualitas yang diberlakukan, komitmen kekinian data, garis keturunan, serta kebijakan akses. Qlik Talend Cloud menyediakan pipeline, fungsi kualitas, dan metadata yang membuat paket tersebut dapat ditegakkan alih-alih sekadar angan-angan.
Tabel adalah lokasi; produk data adalah komitmen. Perbedaannya bersifat operasional: perubahan skema versi yang diumumkan kepada konsumen, gerbang kualitas yang menghentikan batch buruk agar tidak dipublikasikan, target kekinian data yang dipantau, dan satu orang yang bertanggung jawab ketika salah satu dari hal tersebut gagal. Konsumen membangun sistem di atasnya seperti mereka membangun API, karena produk data berperilaku seperti sebuah API.
Karena model adalah konsumen yang tidak dapat mengajukan pertanyaan klarifikasi. Seorang analis manusia yang melihat angka yang mencurigakan akan melakukan investigasi; sebuah model melatih dirinya pada angka tersebut. Reproducibility, auditability, dan quality gating harus menjadi properti dari data masukan, dan produk data adalah unit yang membawa properti tersebut. Hal ini juga yang memungkinkan kasus penggunaan AI kedua dan ketiga dimulai dalam hitungan hari alih-alih kembali bertempur dalam pertempuran data yang sama.
Produk data adalah pola operasional, bukan keputusan penyimpanan. Produk ini dapat dipublikasikan ke dalam warehouse, data lakehouse Apache Iceberg, atau keduanya, dan tempat yang tepat mengikuti beban kerja: histori volume tinggi dan akses ML multi-mesin mendukung lakehouse, sementara penyajian BI yang diatur sering kali tetap berada di warehouse. Kontrak, pemilik, dan gerbang kualitas menyertai produk tersebut apa pun pilihannya.
Qlik Answers memerlukan konten yang terkelola dan aktual untuk dijadikan referensi; Qlik Predict memerlukan data pelatihan yang diketahui lineage dan kualitasnya. Produk data menyediakan keduanya: asisten memanfaatkan data terstruktur tersertifikasi, sementara model dilatih menggunakan input yang dapat direproduksi secara persis. Tanpa lapisan tersebut, kedua alat tetap berfungsi, tetapi output yang dihasilkan akan mewarisi apa pun yang terkandung dalam input yang belum terkelola.
Satu, dipilih karena keputusan penting akan terhambat tanpanya. Produk pertama membuktikan pola operasional: kontrak, pemilik, gerbang, publikasi. Produk kedua dan ketiga menggunakan kembali pola ingesti dan kualitas serta selesai jauh lebih cepat. Program yang mengumumkan empat puluh produk di awal biasanya menghabiskan anggaran mereka untuk mengkatalogkan niat alih-alih melayani konsumen.
Bisnis memegang kendali atas makna, ambang batas, dan peta jalan, karena produk ini ada untuk melayani hasil bisnis. Tim platform memegang kendali atas pipeline dan mekanisme penegakan. Artha menetapkan pembagian ini secara eksplisit dengan nama yang jelas, karena produk yang dimiliki oleh semua orang berarti tidak dimiliki oleh siapa pun, dan hal itu akan terlihat dalam waktu satu kuartal.
Model operasional dan produk pertama: lokakarya kontrak dengan pemilik dan konsumen, implementasi pipeline dan quality-gate di Qlik Talend Cloud, bukti sertifikasi, publikasi dan orientasi konsumen, serta runbook untuk mengoperasikan produk dalam produksi. Jika fondasi memerlukan perbaikan terlebih dahulu, kami akan menyampaikannya secara transparan; Data Quality & Halaman tata kelola menjelaskan lapisan tersebut.
LANGKAH BERIKUTNYA
Pilih satu keputusan yang saat ini kekurangan data yang dapat dipercaya, dan luncurkan produk yang memasok data tersebut.
