Pengumpulan data mengumpulkan informasi dari berbagai sumber. Survei, sensor, log web, catatan transaksi, media sosial, dan basis data publik semuanya menjadi masukan dalam proses ini. Metode yang digunakan membentuk data. Survei dengan pertanyaan yang mengarahkan menghasilkan jawaban yang bias. Sensor dengan penyimpangan kalibrasi menghasilkan pembacaan yang tidak akurat. Web scraper yang mengabaikan batasan laju akan diblokir. Pengumpulan data bukanlah proses yang netral. Setiap pilihan memengaruhi apa yang Anda pelajari.

Pertanyaan pertama adalah apa yang Anda butuhkan dan mengapa. Mengumpulkan semuanya memang menggiurkan, tetapi biasanya boros. Penyimpanan data membutuhkan biaya. Pemrosesan membutuhkan biaya. Pembersihan membutuhkan biaya. Data yang tidak digunakan adalah beban, bukan aset. Pertanyaan kedua adalah bagaimana mengumpulkannya secara etis dan legal. Persetujuan itu penting. Undang-undang privasi seperti GDPR mensyaratkan dasar hukum untuk mengumpulkan data pribadi. Ketentuan layanan membatasi pengambilan data (scraping) di banyak platform. Pertanyaan ketiga adalah kualitas. Apakah sumbernya dapat diandalkan? Apakah sampelnya representatif? Apakah ada celah? Pengumpulan tanpa kontrol kualitas menghasilkan kumpulan data yang kemudian gagal. Waktu terbaik untuk mendeteksi masalah adalah sebelum data masuk ke dalam alur kerja, bukan setelah seseorang membangun model berdasarkan data tersebut.

Metode pengumpulan

• Survei — pertanyaan terstruktur, rentan terhadap bias respons.
• Sensor — otomatis, kontinu, sensitif terhadap kalibrasi
• Pengambilan data dari web (web scraping) — mengekstrak data publik, tunduk pada batasan hukum.
• Log transaksi — mencatat perilaku pengguna secara otomatis
• Catatan publik — pemerintah dan sumber data terbuka

Pengumpulan data adalah keputusan desain. Apa yang Anda kumpulkan menentukan apa yang dapat Anda pelajari. Apa yang Anda lewatkan menentukan apa yang tidak akan pernah Anda ketahui.