sim-manajement-book/chapters/outlines/outline-bab-05.md

# OUTLINE DETAIL — BAB 5
## Data dan Informasi sebagai Aset Organisasi

> **Bagian:** III — Data, Informasi & Pengambilan Keputusan  
> **Level:** Menengah  
> **Estimasi Halaman:** 15–20  
> **Reader Outcome:** Pembaca mampu **menjelaskan** hirarki DIKW, **mengevaluasi** kualitas data organisasi, dan **memahami** prinsip *data governance* dari perspektif manajerial.

---

### SEK 5.1 — PEMBUKA

**Hook:** Google memproses 8,5 miliar pencarian per hari. Namun dari triliunan byte data itu, hanya sebagian kecil yang menjadi informasi, lebih sedikit lagi yang menjadi pengetahuan, dan hanya sedikit yang berujung pada kebijaksanaan pengambilan keputusan. Pertanyaannya: di mana posisi data organisasi Anda dalam hirarki ini?

**Opening Bridge (dari Bab 4):**
> Bab 4 menunjukkan bahwa enterprise system (ERP/CRM/SCM) menghasilkan volume data yang masif. Tetapi data mentah belum berarti apa-apa. Bab ini membawa kita ke pertanyaan fundamental: bagaimana data mentah menjadi informasi yang actionable, dan mengapa data harus diperlakukan sebagai aset strategis — bukan sekadar output sistem.

**Central Question:**
> *Apa yang membedakan data, informasi, pengetahuan, dan kebijaksanaan — dan mengapa kualitas data menentukan kualitas setiap keputusan yang diambil manajer?*

---

### SEK 5.2 — MODEL UTAMA (Gambar 5.1)

**Nama Model:** Piramida DIKW (Data–Information–Knowledge–Wisdom)

```mermaid
graph TD
    D[Data: Fakta mentah, angka, teks] -->|+Konteks| I[Informasi: Data bermakna, terstruktur]
    I -->|+Pengalaman| K[Pengetahuan: Informasi terinterpretasi]
    K -->|+Penilaian| W[Kebijaksanaan: Keputusan yang bijak]
    
    D -.->|Risiko: Data sampah| BAD[Garbage In — Garbage Out]
    I -.->|Risiko: Informasi misleading| BIAS[Bias Interpretasi]
    K -.->|Risiko: Pengetahuan usang| STALE[Knowledge Decay]
```

**Penjelasan Node:**
- **Data** — fakta mentah tanpa konteks: angka penjualan, timestamp, nama pelanggan. Tanpa pengolahan, data tidak punya makna. Organisasi dengan data banyak belum tentu kaya informasi.
- **Informasi** — data yang telah diberi konteks, dikategorisasi, dihitung, dan diringkas sehingga bermakna. "Penjualan Q1 naik 15% YoY" adalah informasi, bukan sekadar angka.
- **Pengetahuan** — informasi yang telah diinterpretasikan berdasarkan pengalaman dan pola. Manajer yang memahami konteks industri bisa membaca "penjualan naik 15%" sebagai sinyal bahaya (jika pasar tumbuh 30%).
- **Kebijaksanaan** — kemampuan menggunakan pengetahuan untuk keputusan yang tepat di situasi yang belum pernah dihadapi. Ini level tertinggi yang tidak bisa diotomasi — domain eksklusif manajer.
- **Risiko di setiap level** — setiap transisi memiliki risiko: data kotor menghasilkan informasi salah, informasi tanpa konteks melahirkan pengetahuan bias, pengetahuan usang menghasilkan keputusan berbahaya.

---

### SEK 5.3 — DEFINISI KUNCI

📌 **Kualitas Data** (*Data Quality*)
Tingkat di mana data memenuhi empat dimensi utama: akurasi (seberapa benar), kelengkapan (seberapa lengkap), konsistensi (tidak saling kontradiksi), dan ketepatan waktu (masih relevan saat digunakan).
**Relevansi manajerial:** "Garbage in, garbage out" — keputusan manajerial hanya sebaik kualitas data yang mendasarinya. Manajer yang tidak mengevaluasi kualitas data berisiko mengambil keputusan berdasarkan ilusi.

📌 **Tata Kelola Data** (*Data Governance*)
Kerangka kebijakan, proses, dan tanggung jawab untuk mengelola data sebagai aset organisasi secara konsisten dan akuntabel. (Definisi kanonik — lihat MASTER-ANCHOR)
**Relevansi manajerial:** Data governance bukan urusan IT — ia menentukan siapa yang bertanggung jawab atas data apa, siapa yang boleh mengakses, dan bagaimana kualitas data dijaga. Tanpa governance, data menjadi aset yang tidak terkendali.

📌 **Dark Data**
Data yang dikumpulkan dan disimpan organisasi tetapi tidak pernah dianalisis atau digunakan untuk pengambilan keputusan — biasanya 60–73% dari total data yang dimiliki.
**Relevansi manajerial:** Dark data bukan hanya pemborosan storage — ia adalah risiko: mengandung informasi sensitif yang tidak terproteksi, dan opportunity cost dari insight yang tidak pernah diekstraksi.

📌 **Siklus Hidup Data** (*Data Lifecycle*)
Tahapan data dari pengumpulan (*collection*), penyimpanan (*storage*), pengolahan (*processing*), distribusi (*sharing*), pengarsipan (*archiving*), hingga pemusnahan (*destruction*).
**Relevansi manajerial:** Manajer harus memahami bahwa data memiliki "umur pakai" — data yang dulu relevan bisa menjadi beban jika tidak dikelola sepanjang siklus hidupnya.

---

### SEK 5.4 — KONSEP INTI (6 sub-seksi)

**5.4.1 Data vs Informasi vs Pengetahuan: Perbedaan Fundamental**
- **Argumen:** Kebanyakan organisasi mengklaim "kami punya banyak data" tetapi yang mereka miliki sebenarnya adalah angka-angka tanpa konteks. Perbedaan antara data, informasi, dan pengetahuan bukan semantik — ia fundamental untuk keputusan.
- **Data pendukung:** Hanya 32% organisasi yang menganggap data mereka "fit for purpose" untuk pengambilan keputusan (Harvard Business Review Analytics Survey, 2023).
- **Contoh:** Database 1 juta transaksi (data) → laporan tren penjualan per region (informasi) → insight bahwa Jawa Tengah menurun 15% karena competitor baru (pengetahuan) → keputusan membuka distribution center baru (kebijaksanaan).

**5.4.2 Dimensi Kualitas Data: Akurasi, Kelengkapan, Konsistensi, Ketepatan Waktu**
- **Argumen:** Empat dimensi ini adalah "vital signs" data — seperti tekanan darah dan suhu tubuh, jika salah satu dimensi bermasalah, seluruh keputusan berbasis data berisiko salah.
- **Data pendukung:** Data berkualitas buruk menelan biaya rata-rata $12,9 juta per tahun per organisasi (Gartner Data Quality Report, 2023).
- **Contoh Indonesia:** DUKCAPIL menemukan 2,7 juta data ganda NIK pada 2022 — duplikasi data ini berdampak langsung pada akurasi penyaluran bantuan sosial yang menggunakan data kependudukan.

**5.4.3 Data sebagai Aset: Implikasi Manajerial**
- **Argumen:** Jika data adalah aset, ia harus dikelola seperti aset: diinventarisir, diukur nilainya, diproteksi, dan dioptimalkan pemanfaatannya. Ini bukan metafora — KPMG (2023) menemukan bahwa perusahaan yang memperlakukan data sebagai aset memiliki valuasi 20-30% lebih tinggi.
- **Data pendukung:** The Economist (2017): "Data is the new oil" — dan seperti minyak, data mentah harus diolah untuk menghasilkan nilai.
- **Contoh:** Gojek/GoTo memiliki data perjalanan, transaksi, dan lokasi ratusan juta pengguna. Data ini bukan sekadar log — ia adalah aset yang memungkinkan GoTo memperluas dari ride-hailing ke fintech, food delivery, dan lainnya.

**5.4.4 Data Governance: Siapa Bertanggung Jawab atas Data?**
- **Argumen:** Tanpa data governance yang jelas, tidak ada yang bertanggung jawab saat data salah — dan semua orang menyalahkan "sistem." Framework governance menetapkan: data owner, data steward, data quality rules, dan akses kontrol.
- **Data pendukung:** Organisasi dengan formal data governance memiliki 40% lebih sedikit data-related incidents (DAMA International, 2023).
- **Contoh Indonesia:** BI (Bank Indonesia) mewajibkan bank untuk memiliki Chief Data Officer dan framework data governance sejak 2023 (POJK terkait manajemen data) — ini bukti bahwa regulator pun menganggap governance data sebagai keharusan manajerial.

**5.4.5 Data Lifecycle: Dari Pengumpulan hingga Pemusnahan**
- **Argumen:** Data bukan abadi — ia memiliki siklus hidup. Data yang dulu relevan bisa menjadi beban storage, risiko compliance, dan bahkan liabilitas hukum jika tidak dikelola sampai akhir.
- **Data pendukung:** Rata-rata organisasi menyimpan 60% data yang tidak pernah diakses lagi setelah 90 hari (Veritas Data Genomics Index, 2022).
- **Contoh:** UU Perlindungan Data Pribadi (UU PDP No. 27/2022) mengatur retensi dan pemusnahan data — organisasi yang tidak memiliki data lifecycle management berisiko melanggar regulasi.

**5.4.6 Tantangan: Data Silos, Dark Data, dan Data yang "Terlalu Banyak"**
- **Argumen:** Ironi era digital: organisasi tenggelam dalam limpahan data tetapi haus informasi. Tiga tantangan utama — silo (data terisolasi), dark data (data tak terpakai), dan data overload (terlalu banyak data, terlalu sedikit insight).
- **Data pendukung:** 73% data organisasi dikategorikan sebagai dark data — dikumpulkan tetapi tidak pernah dianalisis (Splunk, 2022).
- **Contoh:** Rumah sakit di Indonesia mengumpulkan ribuan data pasien per hari tetapi hanya menggunakan sebagian kecil untuk keputusan klinis dan manajerial — sisanya menjadi dark data yang memakan storage dan mengandung risiko privasi.

---

### SEK 5.5 — KOMPARASI (Tabel 5.1)

**Judul:** "Data Berkualitas vs Data Bermasalah: Dampak Keputusan"

| Skenario | Data Berkualitas | Data Bermasalah | Dampak Keputusan |
|----------|-----------------|-----------------|------------------|
| Penjualan regional | Angka per toko, real-time | Aggregated, 3 bulan lalu | Alokasi resource salah sasaran |
| Credit scoring | Data kredit lengkap + terverifikasi | Data duplikat, 20% kosong | NPL meningkat akibat approval tanpa dasar |
| Inventory management | Stok real-time per warehouse | Data stok weekly, manual count | Overstock + stockout bersamaan |
| Customer segmentation | Profil 360° multichannel | Data dari 1 channel saja | Personalisasi gagal, customer churn |
| HR workforce planning | Attendance + performance + comp data | Attendance only | Turnover tinggi tak terdeteksi |
| Financial forecasting | Data 5 tahun, konsisten, audited | Data 2 tahun, format berubah | Proyeksi arus kas meleset 30%+ |
| Public policy (bansos) | Data terpadu antar kementerian | Data silo per lembaga | Penerima ganda + yang berhak terlewat |

💡 **Insight:** Kualitas data bukan masalah teknis yang bisa didelegasikan ke departemen IT — ia adalah isu manajerial strategis, karena setiap keputusan yang diambil berdasarkan data buruk bukan hanya berisiko salah, tetapi juga menciptakan ilusi bahwa keputusan tersebut "berbasis bukti."

---

### SEK 5.6 — REALITAS LAPANGAN (3 fenomena)

**Fenomena 1: Program Satu Data Indonesia — Ambisi vs Realitas**
> Pemerintah Indonesia meluncurkan program Satu Data Indonesia (Perpres 39/2019) untuk mengkonsolidasikan data lintas kementerian/lembaga. Namun hingga 2024, integrasi data antar-kementerian masih terfragmentasi. Bappenas (2023) melaporkan bahwa 62% kementerian masih menggunakan format data yang berbeda-beda, dan hanya 38% platform data kementerian yang interoperable.

💡 **Insight:** Tantangan Satu Data Indonesia bukan teknologi — ia adalah masalah governance, standarisasi, dan political will. Ini cermin bahwa data governance di level nasional dan organisasi sama-sama membutuhkan kepemimpinan, bukan hanya infrastruktur.

**Fenomena 2: "Data Rich, Information Poor" — Paradoks Organisasi Modern**
> KPMG (2023) menemukan bahwa 78% eksekutif C-level menyatakan organisasi mereka "kaya data" tetapi hanya 23% yang "kaya insight." Paradoks ini terjadi karena investasi besar di pengumpulan dan penyimpanan data tidak diimbangi investasi di data quality, data literacy staff, dan analytics capability.

💡 **Insight:** Mengumpulkan lebih banyak data tanpa meningkatkan kemampuan mengolahnya ibarat menambah air ke kolam tanpa memperbesar pipa distribusinya — hasilnya bukan manfaat, melainkan banjir informasi yang melumpuhkan.

**Fenomena 3: UU PDP dan Kebangkitan Kesadaran Data di Indonesia**
> UU Perlindungan Data Pribadi (UU No. 27/2022) mulai berlaku penuh Oktober 2024, memaksa setiap organisasi di Indonesia untuk meninjau ulang cara mereka mengumpulkan, menyimpan, dan menghapus data. Survei APJII (2024) menunjukkan baru 31% perusahaan di Indonesia yang memiliki kebijakan data governance tertulis. Sisanya masih "berjalan tanpa aturan main."

💡 **Insight:** UU PDP bukan hanya regulasi compliance — ia adalah katalis yang memaksa organisasi Indonesia untuk akhirnya memperlakukan data dengan serius, dari level kebijakan hingga operasional.

---

### SEK 5.7 — SALAH KAPRAH (⚠️)

⚠️ **Jebakan 1:** *"Lebih banyak data = lebih baik keputusannya"*
> **Mengapa salah:** Volume data menutupi sinyal dengan noise. Manajer yang dibanjiri data justru mengalami *analysis paralysis* — terlalu banyak variabel membuat keputusan semakin sulit, bukan semakin mudah.
> **Koreksi:** Kualitas data selalu lebih penting dari kuantitas. Fokus pada data yang relevan, tepat waktu, dan akurat — bukan pada jumlah terabyte yang disimpan.

⚠️ **Jebakan 2:** *"Data yang ada di sistem kita pasti sudah akurat"*
> **Mengapa salah:** Data di sistem informasi berasal dari input manusia yang bisa salah, migrasi yang bisa corrupt, dan integrasi yang bisa menghasilkan duplikasi. Menganggap data "pasti akurat" adalah asumsi paling berbahaya bagi pengambil keputusan.
> **Koreksi:** Selalu validasi kualitas data sebelum mendasarkan keputusan padanya. Audit kualitas data sebaiknya menjadi rutinitas, bukan one-time event.

⚠️ **Jebakan 3:** *"Data governance itu urusan IT dan legal, bukan manajer"*
> **Mengapa salah:** Data governance menentukan siapa yang boleh mengakses data apa, bagaimana data digunakan untuk keputusan, dan siapa yang bertanggung jawab saat data salah. Semua ini adalah keputusan bisnis, bukan keputusan teknis.
> **Koreksi:** Manajer harus menjadi data owner aktif — menetapkan standar kualitas data di areanya, memastikan data digunakan sesuai aturan, dan ikut serta dalam governance framework.

⚠️ **Jebakan 4:** *"Big data hanya relevan untuk perusahaan teknologi"*
> **Mengapa salah:** Big data bukan soal volume — ia soal kemampuan mengekstrak insight dari data yang tidak bisa dikelola dengan tools tradisional. UMKM dengan data media sosial, data transaksi, dan data lokasi sudah "bermain" di ranah big data tanpa disadari.
> **Koreksi:** Pertanyaan yang tepat bukan "apakah kami cukup besar untuk big data" tetapi "apakah kami sudah mengoptimalkan data yang sudah kami miliki?"

---

### SEK 5.8 — STUDI KASUS (📊)

**📊 Studi Kasus Dasar — Satu Data Indonesia: Ambisi Konsolidasi Data Nasional**

❌ **Kondisi Awal:**
Data pemerintah Indonesia tersebar di 34 kementerian, 100+ lembaga, dan 514 pemerintah daerah — masing-masing dengan format, definisi, dan standar kualitas yang berbeda. Akibatnya: data kemiskinan dari BPS, Kemensos, dan Bappenas tidak pernah selaras, menyebabkan tumpang tindih penerima bantuan dan warga miskin yang terlewat.

✅ **Solusi & Transformasi:**
Perpres 39/2019 menetapkan framework Satu Data Indonesia: metadata standar, interoperabilitas platform, portal data terbuka (data.go.id). Wali data ditunjuk di setiap kementerian. Progress bertahap namun masih menghadapi tantangan standarisasi.

| Dimensi | Sebelum SDI | Setelah SDI (2024) |
|---------|------------|-------------------|
| Format data | 100+ format berbeda | Standardisasi bertahap (38% compliant) |
| Interoperabilitas | Minimal | 38% platform interoperable |
| Portal data terbuka | Fragmentasi situs | data.go.id (15.000+ dataset) |
| Wali data | Tidak ada peran formal | 34 kementerian memiliki wali data |

💡 **Pelajaran:** Konsolidasi data di level nasional membuktikan bahwa tantangan terbesar bukan infrastruktur teknis, melainkan governance: siapa yang bertanggung jawab, standar apa yang digunakan, dan bagaimana memaksa keseragaman tanpa menghancurkan otonomi.

**📊 Studi Kasus Lanjutan — KPMG: Data sebagai Aset di Neraca Strategis**

❌ **Kondisi Awal:**
Mayoritas perusahaan Fortune 500 memperlakukan data sebagai "by-product" operasi — dikumpulkan, disimpan, tetapi tidak dikelola sebagai aset bernilai. KPMG (2023) menemukan bahwa hanya 22% dari data perusahaan yang digunakan aktif untuk pengambilan keputusan.

✅ **Pendekatan Baru:**
KPMG mengusulkan Data Valuation Framework: data dikelola seperti aset finansial — diinventarisir, dinilai (replacement value, market value, income value), dan dimaksimalkan pemanfaatannya. Perusahaan yang mengadopsi framework ini melaporkan value creation 23% lebih tinggi dari data mereka.

| Dimensi | Data sebagai By-product | Data sebagai Aset |
|---------|------------------------|-------------------|
| Inventarisasi | Tidak ada data catalog | Data catalog lengkap |
| Valuasi | Tidak diukur | Diukur: replacement + income value |
| Governance | Ad-hoc | Framework formal dengan owner |
| Pemanfaatan | 22% data digunakan | 60%+ data dioptimalkan |
| Impact | Cost center (IT budget) | Value creator (revenue enabler) |

💡 **Pelajaran:** Ketika data diperlakukan sebagai aset — bukan beban — organisasi mulai menginvestasikan upaya yang setara dengan pengelolaan aset fisik lainnya. Dan hasilnya: data yang dikelola baik menghasilkan nilai yang jauh melampaui biaya pengelolaannya.

---

### SEK 5.9 — TEMPLATE PRAKTIS (🔧)

**Nama:** Audit Kualitas Data Organisasi

```
TEMPLATE A.5 — AUDIT KUALITAS DATA

Nama Organisasi     : ________________________________________
Dataset yang Diaudit: ________________________________________
Sumber Data         : ________________________________________
Tanggal Audit       : ________________________________________
Auditor             : ________________________________________

═══════════════════════════════════════════════════════════════

DIMENSI 1: AKURASI
Jumlah record total              : ________
Jumlah record dengan error       : ________
Akurasi rate                     : _____%
Contoh error ditemukan           : ________________________________________
Penyebab utama inakurasi         : ________________________________________

DIMENSI 2: KELENGKAPAN
Jumlah field wajib               : ________
Jumlah field kosong/null         : ________
Kelengkapan rate                 : _____%
Field yang paling sering kosong  : ________________________________________
Penyebab utama data tidak lengkap: ________________________________________

DIMENSI 3: KONSISTENSI
Jumlah record duplikat           : ________
Inkonsistensi format ditemukan   : ________________________________________
Cross-check antar sistem         : [ ] Konsisten  [ ] Ada perbedaan: ________
Penyebab utama inkonsistensi     : ________________________________________

DIMENSI 4: KETEPATAN WAKTU
Frekuensi update data            : ________________________________________
Delay rata-rata                  : ________________________________________
Data terakhir di-update          : ________________________________________
Apakah delay berdampak pada keputusan? : [ ] Ya: ________  [ ] Tidak

═══════════════════════════════════════════════════════════════

RINGKASAN AUDIT:
Skor keseluruhan (1-5)           : ____
Risiko tertinggi                 : ________________________________________
Rekomendasi perbaikan prioritas  :
  1. ________________________________________
  2. ________________________________________
  3. ________________________________________

Data ini layak untuk keputusan?  : [ ] Ya  [ ] Ya dengan catatan  [ ] Tidak
```

---

### SEK 5.10 — PETA KONSEP (Gambar 5.2)

```mermaid
mindmap
  root((Data & Informasi sebagai Aset))
    Hirarki DIKW
      Data — fakta mentah
      Informasi — data + konteks
      Pengetahuan — informasi + pengalaman
      Kebijaksanaan — judgment keputusan
    Kualitas Data
      Akurasi
      Kelengkapan
      Konsistensi
      Ketepatan Waktu
    Data Governance
      Data Owner
      Data Steward
      Kebijakan Akses
      Standarisasi
    Tantangan
      Data Silos
      Dark Data
      Data Overload
      Data Quality Debt
    Regulasi
      UU PDP Indonesia
      GDPR Global
      Satu Data Indonesia
    Data Lifecycle
      Collection
      Storage
      Processing
      Sharing
      Archiving
      Destruction
```

---

### SEK 5.11 — RANGKUMAN

**Takeaway utama:**
1. Data, informasi, pengetahuan, dan kebijaksanaan bukan sinonim — setiap level memiliki nilai dan risiko yang berbeda. Manajer harus memahami di level mana organisasinya beroperasi.
2. Kualitas data diukur melalui 4 dimensi fundamental: akurasi, kelengkapan, konsistensi, dan ketepatan waktu. Keputusan hanya sebaik kualitas data yang mendasarinya.
3. Data adalah aset strategis — bukan by-product. Organisasi yang memperlakukan data sebagai aset memiliki kinerja dan valuasi lebih tinggi.
4. Data governance bukan urusan IT — ia adalah kerangka tanggung jawab bisnis yang menetapkan siapa memiliki data apa dan bagaimana kualitasnya dijaga.
5. 60–73% data organisasi adalah dark data — dikumpulkan tetapi tidak digunakan. Ini bukan hanya pemborosan, tetapi juga risiko compliance.
6. UU PDP Indonesia (2022) memaksa setiap organisasi memperlakukan data dengan serius — dari pengumpulan hingga pemusnahan.
7. Paradoks "data rich, information poor" hanya bisa diselesaikan dengan investasi yang seimbang: bukan hanya di storage, tetapi juga di kualitas data, analytics capability, dan data literacy SDM.

**Closing Bridge (ke Bab 6):**
> Jika data adalah fondasi, pertanyaan berikutnya: bagaimana fondasi itu digunakan untuk mengambil keputusan? Bab 6 membahas model pengambilan keputusan manajerial — mulai dari model klasik Simon hingga peran bias kognitif — dan mengapa dashboard tanpa framework keputusan hanya menjadi pajangan.

🔥 **Final Statement:**
> "Data bukan tentang seberapa banyak yang Anda kumpulkan, tetapi tentang seberapa tepat Anda bisa mempercayainya saat keputusan kritis harus diambil."

---

### SEK 5.12 — LATIHAN & REFLEKSI

**Pertanyaan Refleksi:**
1. Identifikasi satu keputusan buruk di organisasi Anda (atau studi kasus) yang disebabkan oleh kualitas data yang rendah. Dimensi kualitas data mana yang menjadi akar masalah?
2. Apakah organisasi Anda memperlakukan data sebagai "aset" atau "by-product"? Apa buktinya?
3. Mengapa manajer sering menyerahkan tanggung jawab data governance ke IT? Apa risiko dari delegasi ini?
4. Diskusikan: apakah regulasi seperti UU PDP Indonesia cukup untuk memaksa perubahan budaya data di organisasi, atau dibutuhkan faktor pendorong lain?

**Tugas Artefak:**
> Gunakan Template A.5 (Audit Kualitas Data) untuk mengaudit satu dataset nyata dari organisasi yang Anda kenal. Identifikasi dimensi terlemah dan buat rekomendasi perbaikan 1 halaman.

---

### REFERENSI BAB 5

1. KPMG International. (2023). *Data as an asset: Driving value through responsible data practices*. KPMG LLP.
2. Deloitte Insights. (2023). *The analytics advantage*. Deloitte.
3. McKinsey & Company. (2022). *The data-driven enterprise of 2025*. McKinsey Digital.
4. Grover, V., Chiang, R. H. L., Liang, T.-P., & Zhang, D. (2022). Creating strategic business value from big data analytics. *Journal of Management Information Systems*, *35*(2), 388–423.
5. Rialti, R., Marzi, G., Ciappei, C., & Busso, D. (2021). Big data and dynamic capabilities. *Management Decision*, *57*(8), 2052–2072.
6. Provost, F., & Fawcett, T. (2013). *Data Science for Business*. O'Reilly Media.
7. Gartner Research. (2023). *Data quality market guide 2023*. Gartner, Inc.
8. DAMA International. (2023). *DAMA-DMBOK: Data management body of knowledge* (2nd ed. update). Technics Publications.
9. Splunk. (2022). *The state of dark data 2022*. Splunk Inc.
10. Bappenas. (2023). *Laporan Satu Data Indonesia 2023*. Badan Perencanaan Pembangunan Nasional.
11. Republik Indonesia. (2022). *Undang-Undang No. 27 Tahun 2022 tentang Perlindungan Data Pribadi*.
12. Harvard Business Review. (2023). *Data-driven decision making survey 2023*. HBR Analytics Services.

---

### QUALITY GATES CHECK

```
[✓] Gate 1 — THINK   : Mengubah pandangan dari "data = angka di sistem" ke "data = aset strategis yang harus dikelola"
[✓] Gate 2 — APPLY   : Template A.5 langsung applicable untuk audit kualitas data di organisasi nyata
[✓] Gate 3 — REFLECT : Pembaca merefleksikan apakah organisasinya "data rich, information poor" dan apa yang harus berubah
```