Dalam proyek big data analytics, khususnya di bidang accounting, data yang sudah dikumpulkan dan disiapkan tidak akan memberikan nilai maksimal jika tidak dianalisis menggunakan metode yang tepat. Setelah tahap Data Preparation, yaitu tahap ketika data dibersihkan, dipilih, dan dapat dilakukan sampling, proses berikutnya dalam CRISP-DM adalah Modelling. Pada tahap ini, data analyst mulai membangun model analitik untuk menemukan pola, membuat prediksi, atau mendukung pengambilan keputusan berbasis data. CRISP-DM sendiri terdiri dari enam tahap utama: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment.
Sebagai data analyst yang berkecimpung dalam Big Data Analytics dan Accounting, tahap Modelling menjadi salah satu bagian paling penting karena pada tahap inilah data akuntansi mulai diubah menjadi insight yang dapat digunakan oleh perusahaan. Misalnya, data transaksi penjualan, piutang pelanggan, pembayaran vendor, biaya operasional, dan jurnal akuntansi dapat dimasukkan ke dalam model untuk memprediksi risiko, mendeteksi anomali, atau memperkirakan kondisi keuangan masa depan. Dalam CRISP-DM, modelling dilakukan setelah data siap digunakan, sehingga kualitas model sangat bergantung pada kualitas data dari tahap sebelumnya.
Dalam dunia accounting, penerapan Modelling dapat ditemukan pada berbagai aktivitas. Salah satu contohnya adalah prediksi piutang tak tertagih. Perusahaan dapat menggunakan data historis pembayaran pelanggan, umur piutang, jumlah tagihan, frekuensi keterlambatan, dan profil transaksi untuk membangun model yang memperkirakan pelanggan mana yang memiliki risiko gagal bayar lebih tinggi. Hasil model ini dapat membantu akuntan dalam memperkirakan cadangan kerugian piutang, menyusun laporan keuangan yang lebih realistis, dan memberikan masukan kepada manajemen terkait kebijakan kredit pelanggan.
Selain itu, tahap Modelling juga dapat digunakan untuk fraud detection atau deteksi kecurangan. Dalam transaksi akuntansi yang jumlahnya sangat besar, tidak semua transaksi dapat diperiksa secara manual. Model analitik dapat membantu mengidentifikasi transaksi yang tidak biasa, seperti pembayaran dengan nominal tidak wajar, transaksi di luar jam operasional, vendor dengan pola pembayaran mencurigakan, atau jurnal penyesuaian yang berulang pada akhir periode. IBM menjelaskan bahwa CRISP-DM dapat disesuaikan untuk kebutuhan seperti pencarian pola mencurigakan dalam data keuangan, termasuk dalam konteks money laundering atau transaksi keuangan yang tidak biasa.
Tahap Modelling juga sangat relevan dalam forecasting dan budgeting. Dengan menggunakan data historis penjualan, biaya, arus kas, dan tren musiman, model dapat membantu perusahaan memperkirakan pendapatan dan beban pada periode mendatang. Bagi akuntan manajemen, hasil modelling dapat menjadi dasar dalam menyusun anggaran, mengevaluasi target keuangan, dan membuat skenario bisnis. Dalam hal ini, akuntan tidak hanya berperan sebagai pencatat transaksi, tetapi juga sebagai analis yang mampu memberikan rekomendasi strategis berdasarkan data.
Namun, penting untuk dipahami bahwa hasil modelling tidak dapat langsung dianggap benar tanpa evaluasi. Model yang terlihat akurat secara teknis belum tentu sesuai dengan kondisi bisnis dan prinsip akuntansi. Oleh karena itu, setelah tahap Modelling, CRISP-DM melanjutkan proses ke tahap Evaluation, yaitu tahap untuk menilai apakah hasil model sudah sesuai dengan tujuan bisnis dan layak digunakan. Tahap Evaluation bertujuan menilai hasil, meninjau proses, dan menentukan langkah selanjutnya sebelum hasil analisis diterapkan.
Jika dikaitkan dengan pertanyaan pada gambar, data sampling terjadi pada tahap Data Preparation, bukan pada tahap Modelling. Sampling dilakukan sebelum modelling agar data yang digunakan lebih efisien, representatif, dan siap dianalisis. Sementara itu, tahap Modelling menggunakan data yang sudah disiapkan tersebut untuk membangun model prediksi, klasifikasi, segmentasi, atau deteksi pola. Dengan kata lain, Data Preparation menyiapkan bahan baku, sedangkan Modelling mengolah bahan baku tersebut menjadi insight.
Kesimpulannya, Modelling dalam CRISP-DM merupakan tahap penting dalam big data accounting karena membantu mengubah data transaksi yang besar menjadi informasi yang bernilai. Melalui modelling, perusahaan dapat memprediksi risiko piutang, mendeteksi fraud, memperkirakan arus kas, menganalisis biaya, dan mendukung keputusan bisnis. Namun, model yang baik harus dibangun dari data yang bersih, relevan, dan representatif, serta tetap dievaluasi sebelum digunakan dalam proses bisnis atau pelaporan keuangan.
