Kualitas Data dan Persiapan Migrasi ERP: Pekerjaan yang Tidak Diinginkan Siapapun

Migrasi data bertanggung jawab atas lebih dari 75% masalah implementasi ERP, namun secara konsisten menjadi fase yang paling kurang didanai dan ditunda dari setiap proyek. Dalam setiap implementasi ERP yang pernah saya kerjakan sebagai konsultan ERP lepas, timeline migrasi data diremehkan oleh klien. Posting ini adalah panduan praktisi untuk melakukan migrasi data dengan benar.

Audit Data: Mulai di Hari Pertama

Sebelum satu baris kode ERP ditulis, jalankan audit data. Audit menjawab empat pertanyaan: Di mana data Anda? Format apa? Seberapa kotor? Berapa banyak yang benar-benar Anda butuhkan di sistem baru? Sebagian besar UKM Indonesia memiliki data di tiga hingga lima tempat: spreadsheet akuntansi utama, file HR terpisah, data master vendor dan pelanggan, dan catatan transaksi historis.

Masalah Kualitas Data Umum di UKM Indonesia

Masalah kualitas data paling umum yang saya temui dalam migrasi UKM Indonesia: catatan duplikat, bidang wajib yang hilang (tidak ada nomor NPWP untuk catatan vendor), pengkodean yang tidak konsisten, ketidakkonsistenan format tanggal, dan catatan 'mati' yang belum dibersihkan. Masing-masing memerlukan strategi remediasi spesifik sebelum migrasi.

Proses Pembersihan Data

Pembersihan data bukan tugas IT — ini adalah tugas bisnis dengan dukungan IT. Bisnis memiliki data dan bisnis harus memvalidasinya. Untuk setiap jenis entitas, tunjuk data steward bisnis yang bertanggung jawab membersihkan domain mereka. Tetapkan tenggat waktu yang keras: pembersihan data harus selesai sebelum UAT dimulai, bukan setelahnya.

ERP Data Migration Pipeline (Excel/Access → PostgreSQL)

  SOURCE SYSTEMS                STAGING DB               TARGET ERP
  ┌───────────────┐             ┌──────────────┐         ┌──────────────┐
  │ Excel Files   │──extract──▶│  customers   │         │              │
  │ (many sheets) │            │  vendors     │──load──▶│  ERP         │
  ├───────────────┤            │  products    │         │  PostgreSQL  │
  │ Access DB     │──extract──▶│  invoices    │         │  (clean)     │
  │ (.mdb/.accdb) │            │  employees   │         │              │
  ├───────────────┤            └──────┬───────┘         └──────────────┘
  │ Old ERP       │──export──▶        │
  │ (CSV export)  │            TRANSFORM STAGE
  └───────────────┘            ┌──────▼───────────────────────────┐
                               │ 1. Remove duplicates              │
                               │ 2. Standardize date formats       │
                               │ 3. Validate required fields       │
                               │ 4. Map old codes → new codes      │
                               │ 5. Validate referential integrity │
                               │ 6. Flag records needing review    │
                               └──────────────────────────────────┘

DRY RUN CHECKLIST (run 3 times before go-live):
  Run 1: Fix structural errors (column mappings, missing fields)
  Run 2: Fix business logic errors (dates, balances, codes)
  Run 3: Dress rehearsal — must complete cleanly ✓

Arsitektur Migrasi Teknis

Pipeline migrasi yang kuat memiliki tiga tahap: Extract (tarik data dari sistem sumber), Transform (bersihkan, petakan, dan validasi), dan Load (masukkan ke database ERP target). Untuk sistem sumber Excel dan Access, tahap ekstrak menggunakan skrip Python untuk membaca file dan menormalkan data ke dalam database staging.

# Python: Extract from Excel → Staging DB → Validate

import pandas as pd
import psycopg2
from datetime import datetime

# Stage 1: Extract
df = pd.read_excel("vendor_master.xlsx", sheet_name="Vendors")

# Stage 2: Profile — identify quality issues
print("=== DATA PROFILE ===")
print(f"Total rows: {len(df)}")
print(f"Null NPWP: {df['npwp'].isna().sum()}")
print(f"Duplicate vendor_code: {df['vendor_code'].duplicated().sum()}")
print(f"Invalid email: {df[~df['email'].str.contains('@', na=False)].shape[0]}")

# Stage 3: Transform
def standardize_date(val):
    """Handle multiple date formats from Indonesian Excel files"""
    formats = ['%d/%m/%Y', '%d-%m-%Y', '%Y-%m-%d', '%d %b %Y']
    for fmt in formats:
        try:
            return datetime.strptime(str(val), fmt).date()
        except (ValueError, TypeError):
            continue
    return None  # Flag for review

df['created_date'] = df['created_date_raw'].apply(standardize_date)
df['vendor_code'] = df['vendor_code'].str.upper().str.strip()

# Remove duplicates — keep most recent
df = df.sort_values('created_date', ascending=False)
df = df.drop_duplicates(subset=['vendor_code'], keep='first')

# Stage 4: Validate
invalid_rows = df[df['npwp'].isna() | df['email'].isna()]
print(f"Rows needing review: {len(invalid_rows)}")
invalid_rows.to_excel("vendor_review_needed.xlsx", index=False)

# Stage 5: Load clean rows
clean_df = df[df['npwp'].notna() & df['email'].notna()]
print(f"Clean rows ready to load: {len(clean_df)}")

Validasi Migrasi: Cara Mengetahui Data Anda Benar

Setelah setiap uji coba migrasi, validasi dengan tiga pemeriksaan: validasi jumlah catatan, validasi saldo keuangan, dan validasi spot check. Semua tiga pemeriksaan harus lulus sebelum Anda dapat menyatakan migrasi siap.

Mengelola Migrasi Cutover

Migrasi final — dari hari terakhir parallel running hingga go-live — adalah operasi data paling berisiko tinggi dalam proyek. Rencanakan migrasi cutover dalam buku panduan yang terperinci: setiap langkah, siapa yang mengeksekusinya, berapa lama waktu yang dibutuhkan, cara memverifikasi selesai, dan apa yang dilakukan jika gagal.

Kualitas Data Pasca-Migrasi: Pekerjaan Berkelanjutan

Kualitas data tidak berakhir saat go-live. Data baru memasuki sistem setiap hari, dan tanpa proses tata kelola data, kualitas akan menurun dari waktu ke waktu. Tetapkan standar entri data, tunjuk data steward per jenis entitas, dan siapkan peringatan otomatis untuk pelanggaran kualitas data.