Dalam proyek big data analytics, terutama yang berkaitan dengan accounting, proses analisis tidak berhenti setelah model atau hasil analisis dibuat. Sebagai data analyst yang berkecimpung di bidang Big Data Analytics dan Accounting, saya melihat tahap Evaluation sebagai proses penting untuk memastikan bahwa hasil analisis benar-benar sesuai dengan tujuan bisnis, relevan untuk kebutuhan akuntansi, dan dapat digunakan sebagai dasar pengambilan keputusan. Dalam kerangka CRISP-DM, Evaluation merupakan tahap kelima setelah Business Understanding, Data Understanding, Data Preparation, dan Modelling. CRISP-DM sendiri terdiri dari enam tahap utama, yaitu Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment.
Tahap Evaluation berfungsi untuk menilai apakah model, hasil analisis, atau insight yang dihasilkan sudah memenuhi tujuan bisnis yang ditetapkan sejak awal. Pada tahap ini, data analyst tidak hanya melihat apakah model bekerja secara teknis, tetapi juga apakah hasilnya masuk akal secara bisnis dan akuntansi. Evaluasi biasanya mencakup penilaian hasil, peninjauan proses, serta penentuan langkah berikutnya sebelum hasil analisis diterapkan ke dalam proses bisnis.
Dalam konteks accounting, tahap Evaluation sangat penting karena keputusan keuangan tidak boleh hanya bergantung pada output model tanpa pemeriksaan lebih lanjut. Misalnya, ketika perusahaan menggunakan model untuk mendeteksi transaksi tidak wajar, memprediksi risiko piutang tak tertagih, atau mengestimasi beban operasional, hasil model harus dievaluasi apakah sesuai dengan kondisi bisnis, kebijakan akuntansi, dan prinsip kehati-hatian. Jika hasil analisis menunjukkan adanya anomali transaksi, akuntan dan auditor perlu menilai apakah anomali tersebut benar-benar indikasi kesalahan, fraud, atau hanya transaksi normal yang memiliki karakteristik khusus.
Evaluation juga membantu memastikan bahwa model tidak menghasilkan kesimpulan yang bias. Dalam big data accounting, data yang digunakan bisa berasal dari berbagai sumber, seperti ERP, sistem penjualan, sistem pembayaran, e-commerce, bank statement, dan database pelanggan. Jika data sebelumnya memiliki masalah kualitas, seperti duplikasi, missing value, outlier, atau salah klasifikasi akun, maka hasil modelling dapat menjadi kurang akurat. Karena CRISP-DM bersifat fleksibel dan iteratif, tim dapat kembali ke tahap sebelumnya jika hasil Evaluation menunjukkan bahwa data, model, atau tujuan analisis perlu diperbaiki.
Contoh penerapan tahap Evaluation dalam accounting dapat dilihat pada analisis cadangan kerugian piutang. Setelah model dibuat untuk memperkirakan pelanggan yang berisiko gagal bayar, hasil model perlu dievaluasi dengan membandingkan prediksi terhadap realisasi pembayaran historis. Jika model terlalu banyak menandai pelanggan sebagai berisiko tinggi, perusahaan bisa membuat cadangan terlalu besar. Sebaliknya, jika model terlalu rendah memperkirakan risiko, laporan keuangan dapat menyajikan piutang yang terlalu optimistis. Di sinilah tahap Evaluation membantu menjaga kualitas analisis agar tetap relevan dengan kebutuhan pelaporan keuangan dan pengambilan keputusan.
Selain itu, Evaluation juga dapat digunakan dalam audit berbasis data. Misalnya, data analyst membuat model untuk mendeteksi transaksi pengeluaran yang tidak biasa berdasarkan nominal, waktu transaksi, vendor, atau pola persetujuan. Pada tahap Evaluation, hasil model perlu diperiksa bersama auditor atau tim accounting untuk memastikan apakah transaksi yang ditandai benar-benar perlu ditindaklanjuti. Dengan demikian, Evaluation menjadi jembatan antara hasil analisis data dan pertimbangan profesional di bidang akuntansi.
Dalam praktiknya, tahap Evaluation dapat menjawab beberapa pertanyaan penting: apakah hasil analisis sudah sesuai dengan tujuan bisnis, apakah model cukup akurat, apakah insight yang dihasilkan dapat dijelaskan kepada manajemen, apakah terdapat risiko salah interpretasi, dan apakah hasil tersebut siap digunakan pada tahap Deployment. Jika jawaban atas pertanyaan tersebut belum memadai, maka model atau proses analisis perlu diperbaiki sebelum diterapkan dalam sistem atau laporan bisnis.
Kesimpulannya, Evaluation dalam CRISP-DM adalah tahap penting untuk memastikan bahwa hasil big data analytics tidak hanya terlihat baik secara teknis, tetapi juga bermanfaat secara bisnis dan akuntansi. Dalam dunia accounting, tahap ini membantu menjaga kualitas insight, mengurangi risiko kesalahan keputusan, mendukung audit, meningkatkan kualitas pelaporan keuangan, dan memastikan bahwa hasil analisis benar-benar dapat dipercaya sebelum digunakan oleh manajemen.
