Data analytics bukan hanya tentang menggunakan rumus, membuat grafik, atau menjalankan software analisis.
Bagian yang jauh lebih penting adalah bagaimana kita berpikir ketika membaca data.
Sebuah dataset dapat berisi angka yang benar. Perhitungannya juga dapat dilakukan dengan benar. Namun kesimpulan akhirnya tetap bisa keliru jika proses analisis dimulai dari pertanyaan yang salah, menggunakan data yang tidak berkualitas, atau mengabaikan konteks.
Masalah seperti ini menjadi semakin penting ketika hasil analisis digunakan sebagai dasar pengambilan keputusan.
Kesalahan membaca data bukan hanya menghasilkan grafik yang salah.
Ia dapat menghasilkan keputusan yang salah.
Karena itu sebelum menggunakan teknik analytics yang semakin kompleks, ada beberapa kesalahan dasar yang sebaiknya kita hindari.
Berikut 7 kesalahan yang sering terjadi ketika menganalisis data dan cara sederhana untuk menghindarinya.
1. Langsung Menganalisis Data Tanpa Menentukan Pertanyaan
Kesalahan pertama sering terjadi bahkan sebelum analisis dimulai.
Kita mendapatkan sebuah dataset.
Kemudian langsung membuka Excel, membuat pivot table, menghitung rata-rata, mencari nilai tertinggi, atau membuat dashboard.
Kita menemukan banyak angka menarik.
Tetapi sebenarnya kita belum mengetahui:
“Apa yang sedang ingin kita cari?”
Data analytics sebaiknya dimulai dari pertanyaan.
Misalnya kita memiliki data transaksi.
Daripada langsung mencari seluruh pola yang tersedia, mulailah dengan pertanyaan seperti:
Apakah terdapat perubahan nilai transaksi dibanding periode sebelumnya?
Kategori mana yang memberikan kontribusi terbesar?
Apakah terdapat transaksi yang jauh berbeda dari pola normal?
Apakah peningkatan hanya terjadi pada kelompok tertentu?
Pertanyaan membantu menentukan data apa yang dibutuhkan, metode analisis apa yang relevan, dan hasil seperti apa yang perlu diperhatikan.
Tanpa pertanyaan, kita mudah mengalami analysis wandering: terus mengeksplorasi data tanpa mengetahui keputusan apa yang sebenarnya ingin didukung.
Prinsip sederhananya:
Jangan mulai dari “Data apa yang saya punya?”
Mulailah dari:
“Pertanyaan apa yang ingin saya jawab?”
2. Langsung Mempercayai Data Tanpa Memeriksa Kualitasnya
Dataset yang terlihat rapi belum tentu siap dianalisis.
Sebelum mencari insight, periksa terlebih dahulu kualitas datanya.
Beberapa masalah sederhana dapat memberikan dampak besar:
data kosong,
record duplikat,
format tanggal berbeda,
penulisan kategori tidak konsisten,
angka tersimpan sebagai teks,
nilai negatif yang tidak seharusnya ada,
satuan yang berbeda,
atau nilai yang jauh di luar rentang normal.
Bayangkan kita ingin menghitung jumlah vendor.
Di dalam data terdapat:
PT ABC
PT. ABC
PT ABC.
PT. ABC INDONESIA
Jika sebenarnya seluruh nama tersebut mengacu pada entitas yang sama, sistem dapat menghitungnya sebagai beberapa vendor berbeda.
Perhitungannya secara teknis tidak salah.
Tetapi kesimpulannya dapat salah karena kualitas input belum diperiksa.
Karena itu sebelum melakukan analisis, lakukan pemeriksaan dasar:
Completeness — apakah ada data penting yang kosong?
Consistency — apakah format dan definisinya konsisten?
Validity — apakah nilainya masuk akal?
Uniqueness — apakah terdapat duplikasi?
Accuracy — apakah data sesuai dengan sumber yang seharusnya?
Analytics yang canggih tidak dapat memperbaiki data buruk secara otomatis.
Jika fondasinya lemah, insight yang dihasilkan juga perlu dipertanyakan.
3. Hanya Melihat Rata-Rata
Rata-rata adalah salah satu statistik yang paling sering digunakan.
Namun rata-rata juga dapat menyembunyikan banyak informasi.
Misalnya rata-rata waktu penyelesaian sebuah proses adalah 3 hari.
Sekilas kita dapat mengatakan:
“Proses biasanya selesai sekitar tiga hari.”
Tetapi bagaimana jika kenyataannya:
sebagian besar selesai dalam satu hari,
sementara beberapa kasus membutuhkan 15–20 hari?
Nilai ekstrem tersebut dapat menarik rata-rata ke atas.
Sebaliknya, rata-rata juga dapat terlihat baik meskipun terdapat kelompok tertentu yang mengalami kondisi jauh lebih buruk.
Karena itu jangan hanya melihat mean.
Periksa juga:
median,
minimum dan maksimum,
distribusi,
persentil,
segmentasi,
dan outlier.
Pertanyaan yang lebih baik bukan hanya:
“Berapa rata-ratanya?”
Tetapi:
“Bagaimana angka tersebut tersebar?”
Kadang insight justru tidak berada pada nilai rata-rata.
Insight berada pada bagian data yang berbeda dari mayoritas.
4. Membaca Angka Tanpa Pembanding
Sebuah angka sendirian sering memiliki makna yang terbatas.
Misalnya sebuah laporan mengatakan:
“Terdapat 500 keluhan bulan ini.”
Apakah itu banyak?
Kita belum tahu.
Bagaimana jika bulan sebelumnya terdapat 1.000 keluhan?
Berarti kondisinya membaik.
Tetapi bagaimana jika biasanya hanya terdapat 100 keluhan?
Sekarang 500 menjadi signal yang perlu diperhatikan.
Data membutuhkan pembanding.
Pembanding dapat berupa:
periode sebelumnya,
periode yang sama tahun lalu,
baseline,
target,
rata-rata historis,
kelompok lain,
atau benchmark yang relevan.
Hal yang sama berlaku pada jumlah.
Misalnya Unit A memiliki 100 kesalahan dan Unit B hanya memiliki 50.
Apakah Unit A lebih buruk?
Belum tentu.
Jika Unit A memproses 100.000 transaksi sementara Unit B hanya memproses 5.000, kita perlu melihat error rate, bukan sekadar jumlah kesalahan.
Jadi sebelum menyimpulkan sebuah angka besar atau kecil, tanyakan:
“Dibandingkan dengan apa?”
5. Menganggap Anomali Sebagai Kesalahan
Ketika menemukan nilai yang sangat berbeda dari mayoritas data, kita sering tergoda untuk mengatakan:
“Datanya pasti salah.”
Kemudian nilai tersebut dihapus.
Padahal anomali tidak selalu berarti kesalahan.
Nilai yang tidak biasa dapat disebabkan oleh:
kesalahan input,
kejadian khusus,
transaksi yang memang bernilai besar,
perubahan proses,
perubahan perilaku,
kondisi yang jarang terjadi,
atau bahkan masalah yang sebelumnya belum diketahui.
Karena itu anomali sebaiknya diperlakukan sebagai signal untuk diperiksa.
Bukan langsung sebagai bukti kesalahan.
Misalnya sebagian besar transaksi berada pada rentang Rp10 juta hingga Rp100 juta.
Kemudian terdapat satu transaksi sebesar Rp2 miliar.
Jangan langsung menghapusnya.
Tanyakan:
Apakah nilainya benar?
Apakah terdapat dokumen pendukung?
Apakah transaksi tersebut berasal dari kategori berbeda?
Apakah terdapat transaksi serupa pada periode lain?
Apakah terdapat penjelasan operasional yang masuk akal?
Baru setelah verifikasi kita dapat menentukan apakah data tersebut:
valid,
salah input,
memerlukan koreksi,
atau merupakan temuan yang perlu dianalisis lebih lanjut.
Prinsipnya:
Anomaly ≠ Error
Lebih tepat:
Anomaly → Investigate → Evidence → Conclusion
6. Menganggap Korelasi Sebagai Sebab-Akibat
Misalnya data menunjukkan bahwa ketika variabel A meningkat, variabel B juga meningkat.
Kita menemukan korelasi.
Kemudian muncul kesimpulan:
“A menyebabkan B.”
Belum tentu.
Ada beberapa kemungkinan.
A memang menyebabkan B.
B justru menyebabkan A.
A dan B sama-sama dipengaruhi faktor C.
Atau hubungan tersebut hanya kebetulan.
Contoh sederhana:
Penjualan minuman dingin meningkat pada periode tertentu.
Pada periode yang sama, penggunaan listrik untuk pendingin juga meningkat.
Apakah pembelian minuman dingin menyebabkan konsumsi listrik meningkat?
Mungkin keduanya sebenarnya dipengaruhi faktor lain:
cuaca yang lebih panas.
Inilah mengapa korelasi sebaiknya digunakan untuk membangun pertanyaan dan hipotesis, bukan langsung menghasilkan klaim sebab-akibat.
Ketika menemukan hubungan, tanyakan:
“Apa kemungkinan penjelasan lainnya?”
Kemudian cari evidence tambahan.
Data analytics yang baik bukan tentang seberapa cepat kita membuat kesimpulan.
Tetapi seberapa disiplin kita menguji kesimpulan tersebut.
7. Berhenti Setelah Menemukan Temuan
Ini salah satu kesalahan yang paling mudah terjadi.
Kita sudah menganalisis data.
Menemukan pola.
Membuat grafik.
Menemukan anomali.
Menyusun presentasi.
Kemudian selesai.
Padahal temuan hanyalah salah satu tahap.
Misalnya analisis menemukan:
“Waktu proses meningkat 30% dalam tiga bulan terakhir.”
Temuan tersebut penting.
Tetapi masih ada pertanyaan berikutnya:
Mengapa meningkat?
Di bagian mana peningkatan terjadi?
Siapa yang paling terdampak?
Apa risikonya?
Apakah perlu tindakan?
Apa tindakan yang paling tepat?
Bagaimana kita mengetahui tindakan tersebut berhasil?
Analytics yang berguna seharusnya bergerak dari:
Finding
menuju:
Understanding
kemudian:
Decision
dan akhirnya:
Action.
Karena tujuan analytics bukan menghasilkan sebanyak mungkin temuan.
Tujuannya adalah membantu manusia memahami kondisi dengan lebih baik agar dapat mengambil keputusan yang lebih tepat.
Bonus: Jangan Memaksa Data Membenarkan Dugaan Kita
Ada satu kebiasaan yang perlu selalu diwaspadai.
Kita sudah memiliki keyakinan.
Kemudian mencari data untuk membuktikannya.
Misalnya kita yakin sebuah unit memiliki performa buruk.
Kita mulai mencari indikator yang menunjukkan penurunan.
Ketika menemukan data yang mendukung keyakinan tersebut, kita berhenti.
Sementara evidence yang bertentangan diabaikan.
Ini adalah bentuk confirmation bias.
Pendekatan yang lebih baik adalah mencoba mencari evidence yang dapat mendukung sekaligus membantah hipotesis kita.
Misalnya:
Hipotesis: keterlambatan disebabkan kekurangan pegawai.
Jangan hanya mencari hubungan antara jumlah pegawai dan keterlambatan.
Periksa juga:
volume pekerjaan,
kompleksitas kasus,
tahapan proses,
waktu tunggu,
sistem yang digunakan,
dan faktor lainnya.
Tujuannya bukan membuktikan bahwa dugaan kita benar.
Tujuannya adalah menemukan penjelasan yang paling sesuai dengan evidence.
Gunakan Checklist Sederhana Sebelum Menarik Kesimpulan
Sebelum menyampaikan hasil analisis, berhenti sebentar dan tanyakan:
Apa pertanyaan yang sebenarnya ingin saya jawab?
Apakah kualitas datanya sudah diperiksa?
Apakah ada missing data atau duplikasi?
Apakah saya hanya melihat rata-rata?
Apakah ada pembanding yang relevan?
Apakah denominator sudah diperhitungkan?
Apakah terdapat anomali yang belum diperiksa?
Apakah saya menganggap korelasi sebagai sebab-akibat?
Apakah ada penjelasan alternatif?
Apakah kesimpulan saya benar-benar didukung evidence?
Checklist sederhana seperti ini sering lebih berharga daripada langsung menambah metode analisis yang semakin kompleks.
Tools Membantu Menghitung, Manusia Tetap Harus Berpikir
Excel, SQL, Python, Power BI, statistical software, dan AI dapat mempercepat proses analytics secara luar biasa.
Kita dapat menganalisis ribuan bahkan jutaan record.
Membuat visualisasi dalam hitungan detik.
Menghitung statistik.
Menemukan pola.
Mendeteksi anomali.
Bahkan menghasilkan interpretasi awal.
Namun tools tidak menghilangkan kebutuhan untuk berpikir kritis.
Software dapat menghitung rata-rata dengan sempurna.
Tetapi manusia tetap harus bertanya:
“Apakah rata-rata merupakan ukuran yang tepat?”
AI dapat menemukan korelasi.
Tetapi kita tetap harus bertanya:
“Apakah hubungan tersebut masuk akal dan memiliki evidence yang cukup?”
Dashboard dapat menunjukkan indikator merah.
Tetapi kita tetap harus bertanya:
“Mengapa indikator tersebut merah?”
Semakin kuat tools yang kita gunakan, semakin penting kemampuan untuk mengajukan pertanyaan yang tepat.
Dari Data Menuju Keputusan
Tujuh kesalahan tadi sebenarnya dapat dirangkum dalam satu alur sederhana:
Question → Check → Compare → Analyze → Verify → Interpret → Act
Question
Tentukan pertanyaan sebelum mulai menganalisis.
Check
Periksa kualitas dan struktur data.
Compare
Gunakan baseline, denominator, periode, atau kelompok pembanding.
Analyze
Cari pola, distribusi, hubungan, dan anomali.
Verify
Jangan langsung mempercayai temuan. Cari evidence tambahan.
Interpret
Masukkan konteks dan jelaskan batas kesimpulan.
Act
Gunakan hasil analisis untuk mendukung keputusan atau menentukan pemeriksaan berikutnya.
Alur ini tidak harus selalu kompleks.
Bahkan analisis sederhana dapat menghasilkan insight yang sangat berguna jika proses berpikirnya benar.
Understand → Evidence → Analyze → Solve → Improve
Data analytics yang baik pada akhirnya bukan hanya soal teknik.
Ia adalah cara berpikir.
Understand — pahami pertanyaan sebelum menyentuh data.
Evidence — pastikan informasi yang digunakan cukup berkualitas dan relevan.
Analyze — cari pola tanpa terburu-buru mengubahnya menjadi kesimpulan.
Solve — gunakan hasil analisis untuk membantu menentukan tindakan yang tepat.
Improve — ukur hasilnya dan gunakan evidence baru untuk memperbaiki pemahaman berikutnya.
Karena semakin banyak data yang tersedia, tantangan terbesar bukan lagi sekadar mendapatkan informasi.
Tantangannya adalah membedakan signal dari noise dan evidence dari asumsi.
Kesimpulan
Kesalahan dalam data analytics tidak selalu berasal dari rumus yang salah.
Sering kali kesalahan justru muncul dari cara berpikir.
Kita mulai tanpa pertanyaan.
Mempercayai data tanpa memeriksa kualitasnya.
Hanya melihat rata-rata.
Membaca angka tanpa pembanding.
Menganggap anomali sebagai kesalahan.
Menganggap korelasi sebagai sebab-akibat.
Atau berhenti setelah menemukan pola tanpa mencari maknanya.
Karena itu sebelum mencari teknik analytics yang semakin kompleks, bangun terlebih dahulu kebiasaan analitis yang sederhana:
Tanyakan.
Periksa.
Bandingkan.
Analisis.
Verifikasi.
Interpretasikan.
Baru simpulkan dan bertindak.
Data yang banyak belum tentu menghasilkan keputusan yang baik.
Tools yang canggih juga belum tentu menghasilkan analisis yang baik.
Pada akhirnya, kualitas analytics sangat bergantung pada kualitas pertanyaan, evidence, dan reasoning yang digunakan untuk membaca data.
Jangan hanya belajar menghitung data. Belajarlah mempertanyakan apa yang sebenarnya dikatakan oleh data.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar