Analitik Data Kampus: Jimat Kos, Naikkan Prestasi

Tekanan kewangan dalam pendidikan tinggi bukan cerita baharu—tetapi sejak dua tiga tahun kebelakangan ini, ia makin “menghimpit”. Apabila geran penyelidikan semakin ketat, kos operasi naik, dan corak pendaftaran pelajar berubah, satu perkara jadi jelas: keputusan berdasarkan “rasa-rasa” tak lagi selamat. Pentadbiran kampus perlukan bukti, dan bukti itu datang daripada analitik data.

Dalam senarai keutamaan EDUCAUSE Top 10 untuk 2026, isu #3 menekankan Data Analytics for Operational and Financial Insights—analitik untuk faham apa yang sedang berlaku (operasi), apa yang sedang bocor (kos), dan apa yang patut dibiayai (pelaburan strategik). Dalam siri “AI dalam Pendidikan dan EdTech”, saya suka letak pendirian begini: AI dan analitik bukan projek IT semata-mata; ia alat kepimpinan. Bila dibuat betul, ia boleh bantu institusi buat keputusan yang lebih adil, lebih cepat, dan lebih menjimatkan.

Kenapa analitik operasi & kewangan kini jadi “wajib”

Jawapan ringkas: kerana margin kesilapan semakin kecil. Bila pendapatan yuran terancam dan kos kekal berjalan, kampus perlukan cara yang konsisten untuk menjawab soalan yang susah seperti “program mana patut dikembangkan?” atau “di mana kita patut kurangkan belanja tanpa menjejaskan kualiti pembelajaran?”.

Dalam konteks pendidikan tinggi, tekanan biasanya datang dari tiga arah:

1. Pendanaan yang mengetat: pemotongan geran/geran penyelidikan menjadikan perancangan kewangan lebih rapuh.
2. Trend pendaftaran yang berubah: populasi pelajar, keutamaan program, serta persaingan EdTech dan mikro-kredensial menekan pendapatan yuran.
3. Tuntutan pulangan pelaburan (ROI) yang lebih jelas: masyarakat dan pihak berkepentingan mahu bukti bahawa pelaburan kepada institusi memberi kesan nyata.

Analitik data membantu memindahkan perbincangan daripada “siapa yang paling lantang” kepada “apa yang data tunjuk”. Itu perubahan budaya yang besar.

Analitik bukan sekadar dashboard—ia bahasa bersama

Ramai organisasi tersangkut pada dashboard yang cantik tetapi tak mengubah tindakan. Nilai sebenar analitik ialah menyelaraskan bahasa dan definisi: apa maksud “pelajar aktif”, “dropout”, “kos per graduan”, atau “kelas kurang permintaan”?

Bila definisi selari, barulah mesyuarat bajet jadi produktif. Kalau tidak, semua orang bercakap tentang nombor yang berbeza.

Dua keputusan paling sukar: tempat untuk melabur, dan tempat untuk berhenti

Poin penting dari laporan EDUCAUSE itu begini: kerja analitik biasanya ada dua dimensi besar.

Pertama, institusi perlu sepakat tentang di mana perlu melabur. Contohnya:

• sasaran pengambilan pelajar bagi kumpulan tertentu (contoh: B40, pelajar dewasa bekerja, pelajar antarabangsa)
• pematuhan syarat pembiayaan kerajaan/negeri
• keperluan akreditasi (kualiti program, kadar tamat pengajian, kebolehpasaran graduan)

Kedua—dan ini lebih pedih—ialah berbincang tentang bidang operasi atau program yang kurang sejajar dengan matlamat utama. Bila dana semakin ketat, kampus perlu buat pilihan:

• hentikan inisiatif yang kurang impak
• gabungkan fungsi yang bertindih
• kurangkan kos proses manual yang memakan masa

Analitik yang kemas tak “melembutkan” keputusan sukar, tetapi ia membuat keputusan itu lebih defensible—lebih mudah diterangkan kepada senat universiti, lembaga pengarah, audit, dan masyarakat.

Contoh metrik yang patut ada (dan kenapa)

Jika anda baru nak mula, fokus pada metrik yang menghubungkan operasi → kewangan → hasil pelajar:

• Kos per pelajar berdaftar (ikut fakulti/program): kenal pasti ketirisan kos.
• Utilisasi ruang (bilik kuliah/makmal): jadual yang tak cekap = kos tersembunyi.
• Kadar pendaftaran semula (retention) mengikut kohort: retention biasanya lebih murah daripada cari pelajar baharu.
• Masa memproses urusan pelajar (biasiswa, pendaftaran kursus, tuntutan): masa staf = kos.
• Nisbah kursus berimpak tinggi (contoh: kursus yang menyumbang kepada kadar tamat pengajian): bantu keputusan penawaran kursus.

Dalam EdTech, metrik pembelajaran (LMS) boleh digabung dengan metrik kewangan untuk mengesan “punca”: contohnya kursus yang ramai gagal mungkin meningkatkan kos sokongan akademik dan menjejaskan retention.

Di mana AI masuk: daripada laporan statik kepada ramalan & tindakan

Jawapan terus: AI menjadikan analitik lebih proaktif. Bukan sekadar “apa yang berlaku”, tetapi “apa yang akan berlaku” dan “apa tindakan paling munasabah”.

Tiga penggunaan AI/analitik yang saya lihat paling relevan untuk operasi dan kewangan kampus:

1) Ramalan pendaftaran & kapasiti (enrollment forecasting)

Model ramalan boleh menggabungkan data sejarah pendaftaran, trend demografi, data pemasaran/CRM, dan kadar conversion untuk menganggarkan:

• jumlah pelajar mengikut program
• keperluan pensyarah sambilan vs tetap
• keperluan ruang dan jadual

Hasilnya: bajet jadi lebih tepat, kurang pembaziran “over-hiring” atau “under-provision”.

2) Analitik kejayaan pelajar yang terikat pada kos

AI dalam pendidikan sering dibincang sebagai sokongan pembelajaran diperibadikan. Tetapi dari sudut operasi, manfaat besar ialah:

• mengesan risiko awal (contoh: kehadiran rendah, gagal kuiz awal, tak log masuk LMS)
• mencadangkan intervensi berperingkat (tutor, kaunseling, bantuan kewangan)

Intervensi awal ini ada kos, ya. Namun kos dropout biasanya lebih tinggi (kehilangan yuran + kos pengambilan pelajar baharu + reputasi).

3) Kecekapan proses: automasi aliran kerja (workflow)

Banyak kebocoran bajet datang daripada proses manual:

• input data berulang antara sistem
• kelulusan berlapis yang lambat
• laporan dibuat secara ad-hoc

Dengan ERP/CRM/BI yang diintegrasi, kampus boleh standardkan proses dan mengurangkan kerja “copy-paste”. AI boleh membantu menyaring anomali (contoh: tuntutan luar biasa, lonjakan kos utiliti) supaya audit dalaman lebih pantas.

Ayat yang saya selalu ulang dalam bengkel data: “Kalau data anda berselerak, AI hanya akan mempercepatkan kekeliruan.”

Pelajaran penting: teknologi baru perlukan pelaburan orang & asas data

Laporan EDUCAUSE juga menyebut ironi yang sangat realistik: untuk dapatkan insight yang menjimatkan kos, institusi perlu melabur dahulu—terutama pada pembersihan data, sistem pelaporan, dan kemahiran staf.

Sorotan kampus: Macalester College dan peranan “data strategist”

Macalester College (Minnesota) mendapati inisiatif pematangan data mereka terbantut kerana kapasiti staf terhad dan tahap kemahiran data yang tak sekata antara jabatan. Walaupun sudah ada kumpulan tadbir urus data, kerja jadi perlahan apabila kolaborasi memerlukan masa panjang.

Penyelesaiannya bukan beli alat baharu semata-mata. Mereka mencipta peranan khusus: data strategist—orang yang boleh masuk ke jabatan, bekerja “bahu ke bahu”, bantu bertanya soalan yang betul, dan menterjemah data kepada keputusan.

Ini mesej penting untuk banyak IPT: fungsi IT sedang berubah. Data bukan kerja sampingan; ia teras operasi.

Apa maksud “asas data” yang kukuh (secara praktikal)

Asas data bukan slogan. Ia biasanya melibatkan perkara ini:

• Data governance: siapa pemilik data, siapa boleh ubah, siapa guna.
• Kamus data (data dictionary): definisi metrik yang dipersetujui.
• Kualiti data: duplikasi, nilai kosong, format tak seragam.
• Integrasi sistem: ERP + CRM + LMS + kewangan bercakap dalam bahasa yang sama.

Kalau satu jabatan guna definisi “pelajar aktif” berdasarkan log masuk LMS, jabatan lain guna berdasarkan bayar yuran—laporan retention akan bercanggah. Keputusan bajet pun jadi keliru.

Pelan mula yang realistik: 90 hari pertama untuk IPT

Jawapan paling berguna untuk pemimpin: mulakan kecil, tapi pastikan ia boleh dibesarkan. Ini rangka kerja 90 hari yang saya cadangkan (sesuai untuk universiti, kolej, politeknik, atau organisasi latihan):

1) Minggu 1–4: audit data & soalan yang betul

Tulis 10 soalan operasi/kewangan yang paling “sakit” sekarang. Contoh:

• Program mana menyumbang margin positif selepas kos pengajaran?
• Di mana proses pentadbiran paling lambat dan mahal?
• Kumpulan pelajar mana paling berisiko untuk tidak daftar semula?

Kemudian senaraikan data yang diperlukan dan di mana ia berada (ERP, LMS, kewangan, HR).

2) Minggu 5–8: bina “minimum viable dashboard” (MVD)

Bukan dashboard untuk semua orang. Pilih 1–2 keputusan penting yang bakal dibuat dalam suku seterusnya (contoh: peruntukan tutor, pembukaan seksyen kursus, bajet pemasaran pengambilan).

Pastikan MVD ada:

• definisi metrik jelas
• sumber data konsisten
• jadual kemas kini (harian/mingguan/bulanan)

3) Minggu 9–12: jadikan dashboard satu rutin keputusan

Dashboard yang tak digunakan ialah hiasan.

• Letak 15 minit “data review” dalam mesyuarat pengurusan.
• Catat keputusan yang dibuat berdasarkan metrik.
• Pantau hasil: apa yang berubah selepas tindakan?

Di sini AI boleh masuk secara berperingkat—contohnya model ringkas untuk ramal pendaftaran atau mengesan risiko akademik.

Soalan lazim yang selalu muncul (dan jawapan terus)

“Perlu beli BI mahal dulu?”

Tak semestinya. Yang perlu dulu ialah kejelasan soalan dan definisi metrik. Banyak institusi gagal bukan sebab alat, tetapi sebab data tak kemas dan pemilik data tak jelas.

“Macam mana nak yakinkan pihak pengurusan untuk melabur?”

Bawa kes penggunaan yang kecil tetapi nyata: contohnya kurangkan masa proses pendaftaran kursus sebanyak 20% atau tingkatkan retention kohort tertentu sebanyak 2–3 mata peratus. Kesan kecil pada retention boleh beri impak besar pada hasil yuran.

“Siapa patut mengetuai—IT atau akademik?”

Kedua-dua. IT pegang infrastruktur, akademik pegang konteks pembelajaran. Model yang menjadi biasanya ada:

• penaja eksekutif (TNC/Naib Canselor/COO)
• pemilik data jabatan
• pasukan analitik (termasuk peranan seperti data strategist)

Apa langkah seterusnya untuk institusi anda

Analitik data untuk operasi dan kewangan bukan sekadar respons terhadap tekanan bajet. Ia juga asas kepada agenda yang lebih besar dalam siri “AI dalam Pendidikan dan EdTech”: pembelajaran diperibadikan yang boleh diukur, intervensi yang tepat masa, dan penggunaan sumber yang lebih adil.

Kalau anda sedang merancang 2026, saya cadangkan mulakan dengan satu keputusan yang paling mahal kalau tersilap—kemudian bina data di sekeliling keputusan itu. Bila data asas stabil, AI boleh membantu anda bergerak daripada laporan bulanan kepada amaran awal, ramalan, dan cadangan tindakan.

Anda mahu kampus anda dikenali sebagai “institusi yang banyak sistem”, atau “institusi yang membuat keputusan tepat”? Bila bajet makin ketat, pilihan itu akan makin jelas.