Angka sering terlihat objektif.
Rp10 miliar adalah Rp10 miliar.
Kenaikan 20% adalah kenaikan 20%.
Seratus transaksi adalah seratus transaksi.
Secara matematis, pernyataan tersebut memang benar.
Tetapi dalam data analytics, angka yang benar secara matematis belum tentu memberikan pemahaman yang benar.
Bayangkan sebuah laporan mengatakan:
“Realisasi anggaran telah mencapai 70%.”
Apakah itu baik?
Jawabannya tidak dapat ditentukan hanya dari angka 70%.
Jika tahun anggaran hampir selesai, 70% mungkin menunjukkan realisasi yang tertinggal.
Jika tahun baru berjalan enam bulan, angka yang sama mungkin menunjukkan realisasi yang cukup cepat.
Jika target pada periode tersebut memang 65%, maka 70% berarti berada di atas rencana.
Tetapi jika targetnya sudah seharusnya 85%, interpretasinya berubah lagi.
Angkanya tetap sama. Konteksnya yang mengubah makna.
Inilah salah satu kemampuan penting dalam data analytics: bukan hanya menghitung angka, tetapi menentukan dibandingkan dengan apa angka tersebut harus dibaca.
Angka Besar Belum Tentu Penting
Misalnya terdapat dua unit.
Unit A memiliki pengeluaran Rp50 miliar.
Unit B hanya Rp8 miliar.
Jika hanya melihat nilai absolut, perhatian mungkin langsung tertuju kepada Unit A.
Tetapi kemudian kita mengetahui bahwa anggaran Unit A sebesar Rp500 miliar, sedangkan Unit B hanya Rp10 miliar.
Sekarang perspektifnya berubah.
Unit A baru menggunakan sekitar 10% dari anggarannya.
Unit B sudah menggunakan sekitar 80%.
Rp50 miliar memang jauh lebih besar daripada Rp8 miliar.
Tetapi jika pertanyaan kita berkaitan dengan tingkat realisasi, justru Unit B mungkin lebih menarik untuk diperhatikan.
Analytics membantu membedakan antara:
besar secara nominal
dan
signifikan secara konteks.
Persentase Juga Bisa Menipu
Persentase sering digunakan karena memudahkan perbandingan.
Tetapi persentase tanpa nilai dasar dapat menghasilkan persepsi yang keliru.
Bayangkan dua kategori mengalami peningkatan.
Kategori A:
dari 10 transaksi menjadi 20 transaksi.
Naik 100%.
Kategori B:
dari 10.000 transaksi menjadi 11.000 transaksi.
Naik 10%.
Jika hanya melihat persentase, kategori A terlihat mengalami perubahan jauh lebih dramatis.
Tetapi secara absolut, kenaikannya hanya 10 transaksi.
Kategori B bertambah 1.000 transaksi.
Mana yang lebih penting?
Jawabannya kembali kepada konteks.
Karena itu analytics sebaiknya tidak hanya menunjukkan:
percentage change
tetapi juga:
absolute change + baseline + scale.
“Naik” Tidak Selalu Berarti “Memburuk”
Dalam laporan, warna merah sering digunakan untuk kenaikan dan hijau untuk penurunan.
Tetapi interpretasi tersebut tidak berlaku untuk semua indikator.
Jumlah gangguan keamanan meningkat?
Mungkin buruk.
Pendapatan meningkat?
Mungkin baik.
Jumlah temuan meningkat?
Belum tentu buruk.
Bisa jadi jumlah kejadian memang meningkat.
Tetapi bisa juga sistem deteksi menjadi lebih baik.
Jumlah laporan masyarakat meningkat?
Bisa menunjukkan masalah pelayanan.
Namun bisa pula berarti kanal pengaduan semakin mudah digunakan dan kepercayaan masyarakat meningkat.
Satu indikator tidak selalu memiliki satu interpretasi.
Analytics perlu memahami apa yang sebenarnya diukur.
Pembanding Mengubah Informasi Menjadi Insight
Bayangkan kita mengetahui:
Bulan ini terdapat 1.250 transaksi.
Itu adalah informasi.
Kemudian kita mengetahui:
Bulan lalu terdapat 900 transaksi.
Sekarang kita mulai melihat perubahan.
Lalu ditambahkan:
Rata-rata bulanan selama dua tahun terakhir adalah 870 transaksi.
Sekarang perubahan tersebut terlihat semakin signifikan.
Kemudian ditemukan:
70% peningkatan berasal dari satu kategori tertentu.
Sekarang kita mulai memiliki insight.
Data yang sama berkembang melalui beberapa lapisan:
Value → Comparison → Pattern → Context → Insight
Inilah mengapa pembanding sangat penting.
Tanpa pembanding, banyak angka hanya menjadi statistik yang berdiri sendiri.
Bandingkan dengan Periode yang Relevan
Salah satu kesalahan analytics adalah menggunakan pembanding yang secara teknis mudah tetapi secara konteks tidak relevan.
Misalnya membandingkan Desember dengan Januari.
Transaksi Desember jauh lebih tinggi.
Apakah terjadi anomali?
Belum tentu.
Mungkin pola tersebut terjadi setiap akhir tahun.
Pembanding yang lebih baik mungkin:
Desember tahun ini vs Desember tahun lalu.
Atau bahkan:
Desember tahun ini vs rata-rata Desember selama lima tahun.
Sekarang kita membandingkan periode yang memiliki karakteristik serupa.
Konsep ini sangat penting pada data yang memiliki seasonality.
Penjualan.
Penerimaan pajak.
Pengadaan.
Konsumsi listrik.
Traffic website.
Absensi.
Banyak aktivitas memiliki pola waktu.
Jika pola tersebut diabaikan, analytics dapat menganggap sesuatu tidak biasa padahal sebenarnya merupakan siklus normal.
Benchmark Memberikan Perspektif Tambahan
Selain membandingkan dengan masa lalu, data dapat dibandingkan dengan kelompok lain.
Misalnya waktu penyelesaian sebuah layanan rata-rata:
3,5 hari.
Apakah cepat?
Kita belum tahu.
Kemudian diketahui:
target internal adalah 5 hari.
Berarti performanya lebih baik dari target.
Tetapi kemudian benchmark organisasi sejenis menunjukkan rata-rata:
2 hari.
Sekarang muncul perspektif baru.
Organisasi memang memenuhi target internal, tetapi masih memiliki ruang perbaikan jika dibandingkan dengan benchmark eksternal.
Analytics dapat menggunakan berbagai pembanding:
- periode sebelumnya,
- target,
- baseline historis,
- unit sejenis,
- standar,
- benchmark,
- kelompok pembanding.
Pemilihan pembanding menentukan cerita yang muncul dari data.
Rata-Rata Tidak Selalu Menceritakan Kondisi Mayoritas
Bayangkan terdapat lima transaksi:
Rp10 juta
Rp12 juta
Rp11 juta
Rp13 juta
Rp200 juta
Rata-ratanya menjadi sekitar Rp49 juta.
Apakah transaksi tipikal bernilai Rp49 juta?
Tidak.
Empat dari lima transaksi berada di sekitar Rp10–13 juta.
Satu transaksi besar menarik rata-rata ke atas.
Dalam kondisi seperti ini, median dapat memberikan gambaran yang berbeda.
Ini bukan berarti median selalu lebih baik daripada rata-rata.
Keduanya menjawab pertanyaan berbeda.
Mean membantu memahami nilai rata-rata matematis.
Median membantu memahami titik tengah distribusi.
Analytics yang baik tidak sekadar memilih statistik yang tersedia.
Ia memilih statistik yang paling tepat untuk konteks pertanyaan.
Ranking Tanpa Proporsi Dapat Menyesatkan
Misalnya Vendor A berada di posisi pertama dengan nilai transaksi Rp20 miliar.
Informasi tersebut terlihat penting.
Tetapi berapa total seluruh transaksi?
Jika totalnya Rp25 miliar, Vendor A menguasai sekitar 80%.
Itu merupakan konsentrasi yang sangat besar.
Tetapi jika total transaksi Rp2 triliun, Rp20 miliar hanya sekitar 1%.
Posisi rankingnya tetap nomor satu.
Maknanya sangat berbeda.
Karena itu ranking sebaiknya tidak berdiri sendiri.
Tambahkan:
nilai + proporsi + pembanding.
Barulah pengguna memperoleh gambaran yang lebih utuh.
Perubahan Komposisi Bisa Lebih Penting daripada Perubahan Total
Ada situasi menarik ketika total tidak banyak berubah.
Misalnya total pengeluaran:
Tahun lalu: Rp100 miliar.
Tahun ini: Rp102 miliar.
Secara keseluruhan hanya naik 2%.
Terlihat stabil.
Tetapi ketika komposisinya diperiksa:
Kategori A turun dari Rp60 miliar menjadi Rp30 miliar.
Kategori B naik dari Rp20 miliar menjadi Rp50 miliar.
Kategori lainnya relatif stabil.
Total memang hampir sama.
Tetapi struktur pengeluaran berubah secara drastis.
Jika hanya melihat angka agregat, perubahan tersebut tidak terlihat.
Analytics perlu bertanya:
“Apa yang berubah di dalam total tersebut?”
Sering kali insight terbaik justru tersembunyi di balik angka agregat yang terlihat normal.
Konteks Bisnis Tidak Selalu Ada di Dataset
Ini merupakan batas penting analytics.
Dataset mungkin menunjukkan bahwa transaksi meningkat 40%.
Tetapi data tidak selalu mengetahui bahwa pada bulan tersebut organisasi membuka tiga kantor baru.
Data mungkin menunjukkan pembelian perangkat meningkat tajam.
Tetapi dataset tidak mengetahui bahwa terjadi penggantian perangkat secara massal sesuai siklus lima tahunan.
Karena itu analytics tidak boleh menganggap dataset sebagai representasi sempurna dari dunia nyata.
Ada informasi yang berada di luar tabel:
kebijakan,
kejadian,
perubahan organisasi,
regulasi,
program baru,
kondisi ekonomi,
atau keputusan manajemen.
Inilah mengapa human context tetap penting.
Mesin menemukan pola.
Manusia membantu menjelaskan dunia tempat pola tersebut terjadi.
Context Layer: Kemampuan yang Sering Terlupakan
Sistem analytics masa depan tidak cukup hanya memiliki calculation engine.
Ia membutuhkan semacam context layer.
Misalnya sistem mengetahui:
target tahunan,
periode anggaran,
baseline historis,
struktur organisasi,
kategori transaksi,
event tertentu,
atau benchmark yang relevan.
Ketika sebuah angka muncul, sistem tidak hanya mengatakan:
“Naik 18%.”
Tetapi dapat memberikan konteks:
“Nilai meningkat 18% dibandingkan bulan sebelumnya, tetapi masih berada dalam rentang historis periode yang sama selama tiga tahun terakhir.”
Atau:
“Nilai hanya naik 4% secara total, tetapi komposisi kategori mengalami perubahan signifikan.”
Sekarang angka mulai memiliki makna.
AI Bisa Membantu Menjelaskan, tetapi Konteks Harus Dapat Diverifikasi
AI sangat berguna untuk menerjemahkan hasil analytics menjadi bahasa yang lebih mudah dipahami.
Namun terdapat risiko jika AI mengisi konteks yang sebenarnya tidak tersedia.
Jika data hanya menunjukkan peningkatan transaksi, AI tidak boleh mengarang alasan mengapa peningkatan terjadi.
Pendekatan yang lebih aman:
Evidence: transaksi meningkat 28%.
Context tersedia: peningkatan terutama terjadi pada kategori X.
Interpretasi: kategori X merupakan kontributor utama perubahan.
Belum diketahui: penyebab operasional peningkatan kategori X.
Sekarang batas antara evidence dan asumsi tetap jelas.
AI membantu menjelaskan.
Bukan menciptakan fakta.
Dari “Berapa?” Menuju “Dibandingkan dengan Apa?”
Pertanyaan analytics dapat berkembang.
Tahap pertama:
Berapa nilainya?
Kemudian:
Apakah nilainya naik atau turun?
Berikutnya:
Dibandingkan dengan periode apa?
Lalu:
Apakah perubahan tersebut normal secara historis?
Kemudian:
Bagian mana yang paling berkontribusi?
Dan akhirnya:
Apa konteks yang dapat menjelaskan perubahan tersebut?
Setiap pertanyaan menambahkan lapisan pemahaman.
Angka berubah menjadi cerita yang semakin lengkap.
Understand → Evidence → Analyze → Solve → Improve
Context juga memiliki tempat penting dalam Thinking DNA ArrezaMP.
Understand — pahami apa yang sedang diukur dan konteks prosesnya.
Evidence — tentukan data dan pembanding yang relevan.
Analyze — cari perubahan, pola, proporsi, distribusi, dan hubungan.
Solve — gunakan pemahaman tersebut untuk menentukan tindakan.
Improve — evaluasi hasil dan perbaiki benchmark maupun indikator jika diperlukan.
Dengan demikian analytics tidak berhenti pada:
“Angkanya berapa?”
Tetapi berkembang menuju:
“Apa arti angka tersebut bagi keputusan yang harus dibuat?”
Kesimpulan
Data memang objektif dalam arti angka tidak memiliki perasaan atau kepentingan.
Tetapi cara kita memilih, membandingkan, dan menginterpretasikan angka menentukan pemahaman yang dihasilkan.
Rp10 miliar dapat besar atau kecil.
Kenaikan 20% dapat penting atau tidak berarti.
Ranking pertama dapat menunjukkan dominasi atau hanya perbedaan kecil.
Realisasi 70% dapat cepat atau terlambat.
Semuanya bergantung pada konteks.
Karena itu salah satu kebiasaan paling sederhana tetapi paling kuat dalam data analytics adalah tidak berhenti ketika melihat sebuah angka.
Tanyakan:
“Dibandingkan dengan apa?”
Kemudian tanyakan lagi:
“Dalam konteks apa?”
Dua pertanyaan sederhana tersebut dapat mencegah banyak interpretasi yang keliru.
Karena tujuan data analytics bukan membuat angka terlihat lebih pintar.
Tujuannya adalah membantu manusia memahami apa arti angka tersebut sebelum menggunakannya untuk mengambil keputusan.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar