Data menyesatkan bisa menjadi masalah besar dalam manajemen risiko keuangan. Banyak keputusan bisnis dibuat berdasarkan angka, padahal angka tersebut belum tentu benar, lengkap, atau relevan.
Dalam perusahaan, data dipakai untuk membaca risiko kredit, menghitung kebutuhan modal, menilai investasi, sampai memperkirakan dampak perubahan iklim. Karena itu, data yang terlihat rapi dan resmi tetap perlu diperiksa.
Angka bisa datang dari vendor, lembaga pemeringkat, regulator, model internal perusahaan, hingga sistem kecerdasan buatan atau AI. Aaron Brown, praktisi risiko dan penulis buku Wrong Number, mengingatkan bahwa manajer risiko sering memakai angka yang tidak mereka buat sendiri. Karena itu, mereka perlu mampu mengenali data menyesatkan sebelum data tersebut memengaruhi keputusan besar.
Data Menyesatkan dalam Manajemen Risiko Keuangan
Manajemen risiko keuangan modern lahir dari kesadaran bahwa banyak lembaga keuangan pernah memakai angka yang tidak cukup kuat. Pada akhir 1970-an, sejumlah bank besar bahkan belum punya jawaban jelas soal kinerja modal mereka sendiri.
Situasi berubah pada awal 1990-an. Bank-bank besar mulai membuat ukuran risiko yang lebih rapi. Citibank mengembangkan capital-at-risk. J.P. Morgan membuat laporan risiko pasar harian yang kemudian mendorong lahirnya Value-at-Risk atau VaR.
Semua langkah itu muncul karena para eksekutif sadar bahwa angka lama tidak cukup menjawab pertanyaan penting. Dari masalah inilah manajemen risiko modern berkembang.
Kini tantangannya berbeda. Perusahaan bukan lagi kekurangan angka, melainkan kebanjiran angka. Ada skor risiko iklim, peringkat ESG, penilaian kredit, hasil uji model, skenario tekanan ekonomi, sampai ringkasan dari AI. Banyak data dibuat oleh pihak luar dengan metode yang tidak selalu mudah diperiksa.
Data Resmi Belum Tentu Bisa Dipercaya
Data dari sumber resmi tidak otomatis benar. Angka dari lembaga besar, jurnal ilmiah, regulator, atau vendor ternama tetap bisa bermasalah.
Karena itu, manajer risiko perlu bertanya sejak awal. Dari mana data ini berasal? Bagaimana cara menghitungnya? Apakah datanya bisa diperiksa? Apakah ada pihak lain yang pernah menguji hasilnya?
Data yang baik biasanya punya sumber jelas, metode terbuka, dan bisa dikoreksi. Sebaliknya, data menyesatkan sering muncul sebagai klaim besar tanpa penjelasan kuat.
Contohnya bisa terlihat pada skor risiko iklim dari vendor pihak ketiga. Satu aset bisa mendapat nilai berbeda dari beberapa vendor. Jika cara menghitungnya tertutup, perusahaan sulit menentukan data mana yang paling masuk akal.
Angka Perbandingan Bisa Menyesatkan
Data juga bisa menyesatkan ketika hanya menampilkan perbandingan. Misalnya, sebuah laporan menyebut suatu aset 40 persen lebih berisiko dibanding aset lain. Angka itu terdengar besar, tetapi belum tentu penting.
Pertanyaan utamanya adalah risiko awalnya seberapa besar. Jika risiko awalnya sangat kecil, kenaikan 40 persen mungkin tidak banyak mengubah keputusan.
Dalam bisnis, kesalahan seperti ini bisa terjadi pada risiko kredit, risiko pasar, atau risiko operasional. Angka perbandingan bisa terlihat dramatis, padahal dampaknya belum tentu besar.
Data Harus Bisa Dijelaskan
Tanda bahaya paling jelas muncul ketika pembuat data tidak mau membuka dasar perhitungannya. Jika data dipakai untuk keputusan penting, perusahaan perlu tahu asal-usulnya.
Perusahaan perlu memahami data apa yang digunakan, bagaimana angka dihitung, dan asumsi apa yang dipakai. Jika pembuat data tidak bisa menjelaskan, perusahaan perlu lebih waspada.
Hal yang sama berlaku untuk AI. Teknologi ini bisa membantu membaca data dalam jumlah besar dan mempercepat analisis risiko. Meski begitu, hasil AI tetap perlu diperiksa.
Model yang rumit tetap bisa salah jika datanya buruk atau asumsinya keliru. Karena itu, manajer risiko perlu memilah data mana yang layak dipercaya dan data mana yang harus dipertanyakan.
Di tengah banjir data dan penggunaan AI, manajemen risiko keuangan tidak cukup hanya mengandalkan model dan laporan. Perusahaan juga perlu berani bertanya: apakah data ini benar, bisa diuji, dan berguna untuk keputusan yang akan diambil?
Artikel ini telah diterbitkan oleh GARP, dengan judul Wrong Numbers and Risk Managers. Artikel selengkapnya dapat dibaca di sini.
