Tidak semua masalah selesai pada percobaan pertama.
Kita sudah mencoba satu cara, tetapi hasilnya tidak sesuai harapan. Kita mencoba pendekatan lain, masih belum berhasil. Setelah beberapa kali percobaan, muncul pertanyaan yang sangat manusiawi:
“Sebenarnya cara yang benar itu yang mana?”
Dalam situasi seperti ini, kegagalan mudah dianggap sebagai tanda bahwa kita tidak mampu menyelesaikan masalah.
Padahal dalam problem solving, percobaan yang belum berhasil tidak selalu berarti kita kembali ke titik awal.
Jika kita memperhatikannya dengan benar, setiap percobaan menghasilkan sesuatu yang sangat berharga: evidence.
Kita mengetahui pendekatan mana yang tidak bekerja, kondisi apa yang menyebabkan kegagalan, asumsi mana yang ternyata salah, dan bagian mana yang perlu diperbaiki.
Artinya, kita tidak benar-benar mengulang dari nol.
Kita mencoba kembali dengan pengetahuan yang lebih banyak daripada sebelumnya.
Solusi Tidak Selalu Terlihat Sejak Awal
Ada masalah yang penyelesaiannya sudah jelas.
Jika sebuah lampu mati karena bohlamnya rusak, kita mengganti bohlam tersebut.
Namun banyak masalah dunia nyata tidak sesederhana itu.
Sebuah aplikasi lambat dapat disebabkan oleh database, jaringan, konfigurasi, kode, kapasitas server, atau kombinasi beberapa faktor.
Sebuah proses kerja terlambat dapat disebabkan oleh terlalu banyak tahapan persetujuan, informasi yang tidak lengkap, pembagian tanggung jawab yang tidak jelas, atau sistem yang belum mendukung proses tersebut.
Sebuah hasil analisis yang tidak masuk akal dapat berasal dari data yang salah, asumsi yang keliru, metode yang tidak sesuai, atau konteks yang belum dipahami.
Dalam kondisi seperti ini, solusi jarang muncul hanya dengan menebak.
Kita perlu mencoba, mengamati, mempelajari hasilnya, kemudian memperbaiki pendekatan.
Percobaan yang Gagal Tetap Menghasilkan Informasi
Bayangkan kita memiliki sebuah masalah dan terdapat lima kemungkinan solusi.
Kita mencoba solusi pertama.
Tidak berhasil.
Apakah percobaan tersebut sia-sia?
Belum tentu.
Sekarang kita mengetahui bahwa solusi pertama tidak bekerja pada kondisi yang sedang dihadapi.
Kemudian kita mencoba solusi kedua.
Hasilnya sedikit lebih baik, tetapi masalah belum sepenuhnya selesai.
Sekarang kita mendapatkan evidence tambahan: ada bagian dari pendekatan kedua yang bekerja.
Percobaan ketiga kemudian menggabungkan apa yang dipelajari dari dua percobaan sebelumnya.
Perlahan-lahan ruang ketidakpastian semakin kecil.
Prosesnya bukan:
Gagal → Ulang dari Awal
Tetapi:
Try → Observe → Learn → Adjust → Try Again
Setiap siklus membuat kita semakin dekat dengan pemahaman yang benar.
Jangan Hanya Mencatat Bahwa Sesuatu Gagal
Ada perbedaan besar antara mengalami kegagalan dan belajar dari kegagalan.
Misalnya sebuah pendekatan tidak berhasil.
Jika kita hanya mengatakan:
“Cara ini gagal.”
informasi yang kita miliki masih sangat sedikit.
Pertanyaan yang lebih berguna adalah:
Bagian mana yang gagal?
Apa yang sebenarnya terjadi?
Apa yang kita harapkan terjadi?
Apa perbedaan antara hasil yang diharapkan dan hasil sebenarnya?
Evidence apa yang muncul selama percobaan?
Apakah ada bagian yang justru berhasil?
Pertanyaan-pertanyaan tersebut mengubah kegagalan dari sebuah hasil negatif menjadi bahan analisis.
Kegagalan sekarang memiliki nilai.
Evidence Mengurangi Ruang Tebakan
Pada percobaan pertama, kita mungkin memiliki banyak asumsi.
Kita menduga penyebabnya A, B, C, atau D.
Setelah mencoba satu pendekatan, beberapa kemungkinan dapat dieliminasi.
Setelah percobaan berikutnya, kemungkinan lainnya semakin berkurang.
Inilah salah satu cara problem solving bekerja.
Kita tidak selalu langsung menemukan jawaban.
Kita memperkecil ruang ketidakpastian sedikit demi sedikit.
Bayangkan awalnya terdapat sepuluh kemungkinan penyebab.
Setelah pemeriksaan pertama, tersisa enam.
Percobaan berikutnya mengurangi menjadi tiga.
Evidence tambahan kemudian menunjukkan satu penyebab yang paling mungkin.
Sekarang solusi tidak lagi dibuat berdasarkan tebakan.
Ia mulai dibangun berdasarkan apa yang telah dipelajari.
Kesalahan Menjadi Mahal Jika Tidak Menghasilkan Pembelajaran
Mengulangi percobaan bukan masalah.
Yang menjadi masalah adalah mengulangi kesalahan yang sama tanpa memperoleh pengetahuan baru.
Misalnya sebuah pendekatan gagal.
Kita mencobanya kembali tanpa perubahan.
Gagal lagi.
Kemudian kita mencobanya untuk ketiga kalinya dengan kondisi yang sama.
Itu bukan iterasi.
Itu hanya pengulangan.
Iterasi selalu memiliki unsur pembelajaran.
Setiap siklus seharusnya menjawab:
“Apa yang berbeda dari percobaan sebelumnya?”
Mungkin hipotesisnya berubah.
Mungkin parameternya berubah.
Mungkin evidence baru ditambahkan.
Mungkin metode pengujiannya diperbaiki.
Mungkin ruang masalah dipersempit.
Karena itu pola yang lebih sehat adalah:
Attempt → Evidence → Evaluation → Adjustment → Next Attempt
Bukan sekadar:
Attempt → Fail → Repeat
Pisahkan Gejala dari Akar Masalah
Salah satu alasan solusi sering gagal adalah karena kita mencoba menyelesaikan gejala, bukan penyebab sebenarnya.
Misalnya sebuah proses selalu terlambat.
Solusi pertama mungkin menambah orang.
Tetapi keterlambatan tetap terjadi.
Kemudian ditambah reminder.
Masih terlambat.
Setelah proses diperiksa lebih dalam, ternyata masalah sebenarnya bukan kekurangan orang atau lupa mengerjakan tugas.
Masalahnya adalah satu dokumen harus melewati terlalu banyak tahapan sebelum dapat diproses.
Sekarang perspektifnya berubah.
Percobaan sebelumnya memang tidak menyelesaikan masalah, tetapi memberikan evidence bahwa kapasitas manusia bukan akar penyebab utama.
Solusi berikutnya dapat diarahkan pada perbaikan proses.
Inilah alasan kita tidak seharusnya terburu-buru menyimpulkan bahwa sebuah percobaan gagal total.
Kadang kegagalan justru membantu menunjukkan di mana masalah sebenarnya tidak berada.
Hipotesis Membuat Percobaan Lebih Terarah
Daripada mencoba sesuatu secara acak, kita dapat menggunakan hipotesis sederhana.
Misalnya:
“Saya menduga proses lambat karena tahapan verifikasi terlalu banyak.”
Kemudian kita mencari evidence.
Berapa lama waktu yang digunakan pada setiap tahap?
Di mana antrean paling panjang?
Apakah keterlambatan memang terkonsentrasi pada tahap verifikasi?
Jika evidence mendukung hipotesis tersebut, kita dapat menguji perubahan.
Jika tidak, kita mencari penjelasan lain.
Dengan pola ini, setiap percobaan memiliki tujuan.
Kita tahu:
apa yang sedang diuji,
evidence apa yang perlu diamati,
dan
apa yang harus dipelajari dari hasilnya.
Problem solving menjadi lebih sistematis.
Solusi Terbaik Sering Lahir dari Kombinasi Beberapa Percobaan
Kadang tidak ada satu percobaan yang sepenuhnya benar.
Percobaan pertama memberikan ide yang baik tetapi implementasinya kurang tepat.
Percobaan kedua memperbaiki implementasi tetapi menimbulkan masalah baru.
Percobaan ketiga menemukan cara menggabungkan kelebihan keduanya.
Akhirnya solusi yang berhasil bukan berasal dari satu momen inspirasi.
Ia merupakan hasil dari akumulasi pembelajaran.
Hal ini banyak terjadi dalam pengembangan produk, aplikasi, kebijakan, desain proses, analisis data, bahkan pekerjaan sehari-hari.
Solusi berkembang melalui iterasi.
Versi pertama membantu kita memahami masalah.
Versi kedua memperbaiki kelemahan.
Versi ketiga menguji asumsi baru.
Versi berikutnya semakin matang.
Karena itu, terkadang kita baru benar-benar memahami masalah setelah mencoba menyelesaikannya.
Data Analytics Juga Bekerja dengan Cara yang Sama
Prinsip ini sangat dekat dengan data analytics.
Misalnya kita menemukan sebuah pola yang tidak biasa.
Hipotesis pertama mengatakan penyebabnya adalah kategori tertentu.
Setelah dianalisis, ternyata kontribusinya kecil.
Apakah analisis tersebut gagal?
Tidak.
Kita baru saja mengeliminasi satu kemungkinan.
Kemudian kita melihat dimensi waktu.
Ternyata perubahan terkonsentrasi pada periode tertentu.
Analisis dilanjutkan ke unit yang paling berkontribusi.
Perlahan-lahan struktur masalah mulai terlihat.
Analytics bukan selalu proses:
Data → Jawaban
Sering kali bentuk sebenarnya adalah:
Question → Evidence → Analysis → New Question → More Evidence → Better Understanding
Setiap jawaban dapat menghasilkan pertanyaan berikutnya.
Dan setiap pertanyaan membawa kita lebih dekat pada pemahaman yang lebih utuh.
AI Mempercepat Percobaan, tetapi Manusia Tetap Harus Belajar
Artificial Intelligence membuat proses mencoba menjadi jauh lebih cepat.
Kita dapat meminta AI membuat alternatif, menganalisis kemungkinan penyebab, membantu membuat prototype, memperbaiki kode, merangkum evidence, atau menawarkan pendekatan lain.
Sesuatu yang dahulu membutuhkan waktu berjam-jam mungkin dapat dicoba dalam hitungan menit.
Ini merupakan keuntungan besar.
Namun ada risiko baru.
Karena percobaan menjadi murah dan cepat, kita dapat terjebak mencoba terlalu banyak hal tanpa memahami hasilnya.
Jika pendekatan A gagal, langsung meminta B.
B gagal, meminta C.
Kemudian D, E, dan F.
Akhirnya solusi mungkin ditemukan, tetapi kita tidak mengetahui mengapa solusi tersebut bekerja.
Kemampuan problem solving tidak berkembang.
Karena itu AI sebaiknya digunakan bukan hanya untuk:
“Coba cara lain.”
Tetapi juga:
“Mengapa cara sebelumnya tidak berhasil?”
Kecepatan percobaan harus diikuti dengan kedalaman pembelajaran.
Dokumentasikan Apa yang Sudah Dicoba
Pada masalah sederhana, kita mungkin dapat mengingat seluruh percobaan.
Tetapi pada masalah kompleks, dokumentasi menjadi penting.
Tidak perlu selalu rumit.
Cukup catat:
Masalah
Apa yang ingin diselesaikan?
Hipotesis
Apa yang kita duga sebagai penyebab?
Percobaan
Apa yang dilakukan?
Hasil
Apa yang terjadi?
Evidence
Apa yang dipelajari?
Next Step
Apa yang akan diubah pada percobaan berikutnya?
Dengan dokumentasi sederhana seperti ini, kita tidak terus berputar pada solusi yang sama.
Lebih penting lagi, pengetahuan dari proses tersebut dapat digunakan kembali ketika menghadapi masalah serupa.
Kegagalan akhirnya berubah menjadi knowledge asset.
Kapan Harus Berhenti Mencoba Pendekatan yang Sama?
Persistensi penting.
Tetapi persistensi tidak berarti memaksakan satu pendekatan selamanya.
Ada saat ketika evidence menunjukkan bahwa arah yang kita ambil memang tidak tepat.
Jika berkali-kali percobaan menghasilkan kegagalan dengan pola yang sama, mungkin pertanyaannya bukan lagi:
“Bagaimana memperbaiki solusi ini?”
Tetapi:
“Apakah kita sedang menyelesaikan masalah dengan pendekatan yang salah?”
Terkadang kita perlu kembali ke awal.
Periksa kembali definisi masalah.
Periksa asumsi.
Periksa evidence.
Mungkin solusi yang selama ini dicari sebenarnya berada pada level yang berbeda.
Kemampuan untuk mengganti arah berdasarkan evidence bukan tanda menyerah.
Itu merupakan bagian dari problem solving yang matang.
Dari Frustrasi Menjadi Proses
Ketika sebuah masalah sudah dicoba berkali-kali, frustrasi adalah reaksi yang wajar.
Namun ada perubahan cara berpikir yang dapat membantu.
Daripada melihat setiap kegagalan sebagai:
“Saya belum berhasil.”
Lihat sebagai:
“Saya baru memperoleh evidence baru.”
Kemudian tanyakan:
“Apa yang sekarang saya ketahui yang sebelumnya belum saya ketahui?”
Pertanyaan sederhana tersebut mengubah fokus.
Dari emosi terhadap hasil menuju pembelajaran dari proses.
Kita mungkin belum memiliki solusi.
Tetapi kita memiliki peta masalah yang semakin jelas.
Dan sering kali itulah yang akhirnya membawa kita menuju solusi.
Understand → Evidence → Analyze → Solve → Improve
Prinsip ini sangat cocok dengan Thinking DNA ArrezaMP.
Understand — jangan langsung mencoba solusi. Pahami dulu masalah yang sebenarnya.
Evidence — gunakan setiap percobaan untuk memperoleh informasi baru.
Analyze — cari tahu mengapa hasil berbeda dari yang diharapkan.
Solve — gunakan pembelajaran tersebut untuk menentukan pendekatan berikutnya.
Improve — setelah solusi ditemukan, jangan berhenti. Evaluasi apakah solusi dapat dibuat lebih sederhana, lebih aman, lebih cepat, atau lebih efektif.
Prosesnya tidak selalu lurus.
Kita dapat kembali dari Analyze ke Evidence.
Dari Solve kembali ke Understand.
Dari Improve menemukan masalah baru.
Itu normal.
Problem solving adalah proses iteratif.
Kesimpulan
Tidak semua solusi ditemukan pada percobaan pertama.
Beberapa masalah membutuhkan dua percobaan. Beberapa membutuhkan sepuluh. Masalah yang lebih kompleks mungkin membutuhkan jauh lebih banyak.
Yang menentukan kualitas proses bukan hanya berapa kali kita gagal, tetapi berapa banyak yang kita pelajari dari setiap kegagalan.
Percobaan yang tidak berhasil tetap dapat memberikan evidence.
Evidence mengurangi ketidakpastian.
Ketidakpastian yang semakin kecil menghasilkan pemahaman yang lebih baik.
Dan pemahaman yang lebih baik membawa kita semakin dekat pada solusi.
Karena itu ketika sebuah cara belum berhasil, jangan hanya bertanya:
“Kenapa gagal lagi?”
Tanyakan juga:
“Apa yang saya pelajari dari percobaan ini, dan apa yang harus saya ubah pada langkah berikutnya?”
Inilah perbedaan antara sekadar mencoba berkali-kali dan beriterasi menuju solusi.
Try → Observe → Learn → Adjust → Try Again → Solve
Kegagalan bukan selalu jalan buntu.
Jika setiap percobaan menghasilkan pembelajaran, kegagalan dapat menjadi evidence yang menunjukkan ke mana kita harus melangkah berikutnya.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar