Di era AI saat ini, data science mengalami evolusi besar: dari sekadar aktivitas analisis data menjadi fondasi utama berbagai solusi kecerdasan buatan yang terintegrasi dengan proses bisnis. Data tidak lagi hanya diolah untuk menghasilkan laporan atau dashboard, tetapi dimanfaatkan untuk membangun sistem cerdas yang mampu memprediksi, merekomendasikan, hingga mengotomasi pengambilan keputusan. Dalam konteks ini, data scientist berperan sebagai jembatan antara data, teknologi, dan kebutuhan bisnis, dengan tujuan akhir menciptakan nilai yang nyata dan terukur.
Perubahan paling terasa terlihat dari pergeseran fokus data science, yang sebelumnya lebih banyak berkutat pada analitik deskriptif, kini meluas ke pengembangan produk berbasis AI. Model tidak lagi berhenti di tahap eksperimen, tetapi di-deploy ke lingkungan produksi, dipantau performanya, dan terus diimprovisasi. Hal ini mendorong munculnya pendekatan end‑to‑end, mulai dari pengumpulan dan pembersihan data, eksplorasi, pemodelan, deployment, hingga monitoring dan perbaikan berkelanjutan. Dengan demikian, keberhasilan data science tidak lagi dinilai dari kecanggihan algoritma semata, tetapi dari seberapa kuat kontribusinya terhadap peningkatan pendapatan, efisiensi biaya, dan pengurangan risiko.
Secara teknis, beberapa perkembangan penting turut membentuk wajah baru data science. Di ranah pemrosesan bahasa alami (NLP), arsitektur transformer dan model bahasa besar (large language models) menjadi fondasi banyak aplikasi modern, mulai dari chatbot hingga sistem tanya jawab dan ringkasan otomatis. Konsep contextual embeddings memungkinkan model memahami makna kata berdasarkan konteks kalimat, sehingga analisis teks menjadi jauh lebih akurat dan relevan. Di sisi lain, teknik seperti contrastive learning dan representation learning membantu model belajar pola dari data yang minim label, misalnya untuk mengenali kemiripan produk pada katalog e‑commerce atau mengelompokkan dokumen secara otomatis.
Tidak kalah penting adalah pemanfaatan struktur data berbasis graf melalui graph neural networks (GNN). Banyak permasalahan bisnis sebenarnya tersusun dalam bentuk jaringan—seperti relasi antar nasabah, rekening, transaksi, atau hubungan antar entitas di media sosial. Dengan memodelkan node dan hubungan di antara mereka, GNN memungkinkan organisasi mendeteksi pola kompleks, misalnya untuk deteksi fraud, rekomendasi berbasis hubungan, atau analisis risiko. Pendekatan ini membuka peluang baru di sektor-sektor yang selama ini mengandalkan analisis linier tradisional.
Di level operasional, lahirnya disiplin MLOps mengubah cara organisasi mengelola siklus hidup model. MLOps menggabungkan praktik terbaik dari dunia software engineering dan machine learning untuk memastikan model dapat di-versioning, di-deploy secara konsisten, serta dimonitor dalam jangka panjang. Aspek seperti data drift, penurunan performa, dan kebutuhan retraining ditangani secara sistematis, bukan insidental. Bersamaan dengan itu, semakin banyak platform terpadu dan solusi low‑code/no‑code yang memungkinkan tim lintas fungsi—termasuk tim bisnis—berpartisipasi dalam inisiatif data dan AI tanpa harus menjadi programmer penuh.
Di tengah derasnya inovasi teknis, muncul pula kesadaran baru terkait etika, governance, dan orientasi nilai. Praktik data science yang bertanggung jawab menuntut perhatian serius terhadap isu bias, fairness, dan transparansi model. Pengelolaan data yang baik—meliputi kualitas, keamanan, lineage, dan akses—menjadi prasyarat utama sebelum organisasi dapat memanen manfaat AI secara berkelanjutan. Pada akhirnya, esensi data science di era AI bukanlah pada kompleksitas model yang digunakan, melainkan pada kemampuan untuk mengubah data menjadi keputusan yang lebih baik, proses yang lebih efisien, dan pengalaman pelanggan yang lebih relevan.
Di sektor perbankan, data science dan AI mendorong transformasi yang jauh melampaui otomasi proses manual. Bank tidak lagi hanya mengandalkan laporan historis untuk membaca kinerja, tetapi membangun sistem cerdas yang mampu memahami perilaku nasabah secara real‑time, memprediksi risiko, dan merekomendasikan tindakan terbaik berikutnya. Pendekatannya bukan lagi “satu produk untuk semua”, melainkan layanan yang dipersonalisasi berdasarkan data transaksi, interaksi digital, hingga pola penggunaan produk perbankan.
Salah satu area yang paling terasa dampaknya adalah manajemen risiko dan kredit. Dengan memanfaatkan teknik machine learning dan pemodelan lanjutan, bank dapat menyusun credit scoring yang lebih granular dibandingkan pendekatan tradisional berbasis rule dan rasio keuangan semata. Model modern mampu memanfaatkan ratusan variabel—mulai dari riwayat transaksi, perilaku pembayaran, hingga pola penggunaan digital banking—untuk memprediksi probabilitas gagal bayar secara lebih akurat. Pendekatan ini tidak hanya membantu mengurangi non‑performing loan, tetapi juga memungkinkan bank memperluas akses kredit ke segmen yang sebelumnya sulit dinilai dengan metode konvensional.
Di sisi lain, fraud detection menjadi contoh nyata bagaimana data science dan AI bekerja di belakang layar untuk menjaga keamanan sistem perbankan. Alih‑alih mengandalkan pengecekan manual atau aturan statis, bank kini memanfaatkan model berbasis anomaly detection dan bahkan graph‑based analysis untuk melihat pola transaksi yang mencurigakan dalam jaringan rekening dan merchant. Model dapat mendeteksi pola yang tidak biasa—misalnya perubahan perilaku transaksi yang tiba‑tiba, lokasi yang janggal, atau hubungan terselubung antar rekening—dan memberikan peringatan dini untuk ditindaklanjuti. Semakin cepat deteksi, semakin kecil potensi kerugian finansial dan reputasi.
Pengalaman nasabah (customer experience) juga menjadi medan utama penerapan data science di perbankan. Dengan analitik perilaku dan segmentasi yang lebih canggih, bank dapat menawarkan produk dan kampanye pemasaran yang lebih relevan: mulai dari penawaran kartu kredit, KPR, hingga investasi yang disesuaikan dengan profil dan lifecycle nasabah. Di sini, model rekomendasi bekerja mirip dengan yang digunakan di e‑commerce, tetapi dengan konteks perbankan—misalnya memprediksi kebutuhan pembiayaan rumah, kendaraan, atau pendidikan anak berdasarkan pola finansial nasabah. Di kanal digital, chatbot dan virtual assistant berbasis AI membantu menjawab pertanyaan, memandu transaksi, dan memberikan edukasi keuangan secara lebih personal.
Dari perspektif operasional, integrasi MLOps dan platform data terpadu menjadi kunci keberhasilan implementasi di industri yang sangat teregulasi seperti perbankan. Model yang digunakan untuk credit scoring, fraud detection, atau rekomendasi produk perlu dikelola dengan disiplin: setiap versi harus terdokumentasi, basis datanya terkontrol, dan perubahan model harus dapat ditelusuri. Monitoring berkala diperlukan untuk memastikan model tetap relevan dengan kondisi pasar, perubahan regulasi, dan perilaku nasabah. Ketika ditemukan indikasi “drift”—misalnya performa prediksi menurun—proses retraining dan deployment perlu dijalankan secara sistematis tanpa mengganggu operasi harian.
Pada saat yang sama, aspek tata kelola (governance) dan etika menjadi semakin penting. Perbankan beroperasi dalam kerangka regulasi yang ketat, sehingga setiap inisiatif data dan AI harus memastikan perlindungan data nasabah, kepatuhan terhadap aturan privasi, serta transparansi dalam pengambilan keputusan berbasis model. Isu seperti bias algoritmik dalam pemberian kredit, penjelasan terhadap keputusan penolakan pinjaman, dan pengelolaan consent penggunaan data menjadi bagian dari desain solusi, bukan sekadar pemikiran setelah implementasi. Bank yang mampu mengelola keseimbangan antara inovasi dan tata kelola inilah yang akan mendapatkan kepercayaan jangka panjang dari nasabah dan regulator.
Pada akhirnya, penerapan data science di perbankan hanya akan dianggap berhasil jika berkontribusi nyata terhadap tiga hal: penguatan manajemen risiko, peningkatan profitabilitas, dan perbaikan kualitas layanan kepada nasabah. Teknologi—seperti model prediktif, graph analytics, atau sistem rekomendasi—adalah enabler yang kuat, tetapi nilai sejatinya muncul ketika pemahaman data dikaitkan dengan strategi bisnis dan kebijakan yang tepat. Di era AI ini, bank yang unggul bukan hanya yang memiliki data terbesar, tetapi yang paling mampu mengubah data tersebut menjadi keputusan yang lebih cerdas dan pengalaman perbankan yang lebih relevan bagi setiap nasabah.