Ketika sebuah organisasi mulai berbicara tentang data analytics, salah satu hal pertama yang sering muncul adalah dashboard.
Grafik dibuat lebih menarik. Angka-angka penting ditempatkan dalam kartu indikator. Data dapat difilter berdasarkan periode, unit, wilayah, atau kategori. Pimpinan tidak perlu lagi membuka spreadsheet dengan ribuan baris hanya untuk mengetahui kondisi terbaru.
Semua itu berguna.
Namun ada satu kesalahpahaman yang cukup sering terjadi:
dashboard dianggap sebagai data analytics itu sendiri.
Padahal dashboard pada dasarnya adalah salah satu cara untuk menyajikan informasi. Data analytics memiliki tujuan yang lebih jauh: membantu manusia memahami apa yang sedang terjadi, menemukan sesuatu yang penting di balik angka, dan menggunakan pemahaman tersebut untuk menentukan tindakan berikutnya.
Sebuah organisasi bisa memiliki dashboard yang sangat modern tetapi tetap kesulitan mengambil keputusan.
Sebaliknya, analisis sederhana terhadap data yang tepat terkadang dapat menghasilkan keputusan yang jauh lebih bernilai.
Perbedaannya terletak bukan pada seberapa indah data ditampilkan, tetapi pada seberapa jauh data membantu kita berpikir.
Dashboard Menjawab “Apa”, Analytics Harus Melangkah Lebih Jauh
Bayangkan sebuah dashboard menunjukkan:
Jumlah transaksi bulan ini: 12.480
Total nilai transaksi: Rp86,4 miliar
Jumlah vendor: 327
Kenaikan dibandingkan bulan sebelumnya: 18%
Secara visual, informasi tersebut mungkin terlihat sangat informatif.
Tetapi setelah membacanya, pertanyaan sebenarnya baru dimulai.
Mengapa transaksi meningkat 18%?
Apakah peningkatan terjadi secara merata atau terkonsentrasi pada beberapa unit?
Kategori apa yang paling banyak mengalami peningkatan?
Apakah kenaikan tersebut memang sesuai dengan aktivitas organisasi?
Apakah terdapat transaksi tertentu yang berkontribusi sangat besar?
Apakah pola yang sama juga terjadi pada periode sebelumnya?
Dashboard memberi tahu kita apa yang terjadi.
Analytics membantu kita mencari tahu mengapa hal tersebut terjadi dan apa artinya.
Di sinilah perbedaan penting antara data presentation dan data analytics.
Banyak Angka Tidak Selalu Menghasilkan Banyak Insight
Ada kecenderungan untuk menganggap bahwa semakin banyak indikator yang ditampilkan, semakin baik sebuah dashboard.
Akibatnya satu layar dapat berisi puluhan grafik.
Pie chart.
Bar chart.
Line chart.
Heatmap.
Tabel.
Persentase.
Ranking.
KPI.
Semua terlihat lengkap.
Tetapi pengguna justru menghadapi masalah baru: information overload.
Mereka melihat banyak informasi tetapi tidak tahu mana yang penting.
Misalnya sebuah dashboard memiliki 25 indikator dan seluruhnya berubah setiap bulan. Pimpinan yang melihat dashboard tersebut harus melakukan interpretasi sendiri:
Mana perubahan normal?
Mana yang membutuhkan perhatian?
Mana yang hanya fluktuasi sementara?
Mana yang memiliki dampak besar?
Mana yang perlu ditindaklanjuti?
Jika seluruh proses berpikir tersebut masih harus dilakukan secara manual, maka dashboard baru menyelesaikan sebagian kecil dari persoalan.
Dashboard yang baik seharusnya tidak hanya membuat data terlihat.
Ia harus membantu membuat hal yang penting menjadi lebih mudah terlihat.
Pertanyaan Lebih Penting daripada Grafik
Salah satu cara terbaik memulai data analytics adalah tidak langsung bertanya:
“Dashboard seperti apa yang ingin kita buat?”
Mulailah dengan pertanyaan:
“Keputusan apa yang ingin kita bantu?”
Perubahan kecil dalam pertanyaan tersebut dapat menghasilkan sistem yang sangat berbeda.
Misalnya sebuah organisasi memiliki data pengadaan selama lima tahun.
Jika pendekatannya dimulai dari dashboard, tim mungkin membuat grafik:
total transaksi setiap tahun,
jumlah vendor,
nilai berdasarkan unit,
kategori terbesar,
transaksi per bulan.
Informasi tersebut memang berguna.
Tetapi jika dimulai dari kebutuhan keputusan, pertanyaannya dapat berubah menjadi:
Vendor mana yang mengalami peningkatan transaksi paling signifikan?
Kategori mana yang memiliki konsentrasi belanja paling tinggi?
Unit mana yang memiliki perubahan pola transaksi dibandingkan periode sebelumnya?
Transaksi mana yang memiliki karakteristik berbeda dari pola historisnya?
Sekarang dashboard bukan lagi tujuan.
Dashboard menjadi interface untuk menjawab pertanyaan.
Perubahan cara berpikir inilah yang membedakan proyek visualisasi data dengan proyek analytics.
Dari Descriptive Menuju Diagnostic Analytics
Tahap awal analytics biasanya adalah descriptive analytics.
Tujuannya menjelaskan apa yang sudah terjadi.
Contohnya:
Penjualan turun 12% bulan ini.
Informasi tersebut penting, tetapi belum cukup untuk mengambil tindakan.
Tahap berikutnya adalah diagnostic analytics.
Pertanyaannya berubah menjadi:
Mengapa penjualan turun 12%?
Analisis kemudian dapat dilakukan berdasarkan wilayah, produk, pelanggan, waktu, channel penjualan, atau faktor lainnya.
Hasilnya mungkin menunjukkan sesuatu yang lebih spesifik:
Penurunan terbesar berasal dari wilayah A dan terutama terjadi pada kategori produk B sejak minggu kedua bulan tersebut.
Sekarang kita memiliki arah investigasi.
Dari satu angka agregat, analisis mulai mempersempit ruang masalah.
Dan semakin kecil ruang masalah yang harus diperiksa manusia, semakin bernilai analytics tersebut.
Tetapi Analytics Tidak Harus Selalu Rumit
Ketika mendengar istilah data analytics, sebagian orang langsung membayangkan machine learning, artificial intelligence, predictive model, atau algoritma statistik yang kompleks.
Padahal banyak masalah organisasi dapat dimulai dengan analisis yang jauh lebih sederhana.
Misalnya:
membandingkan nilai bulan ini dengan bulan sebelumnya,
mengurutkan sepuluh entitas dengan nilai terbesar,
mencari perubahan persentase,
membandingkan rata-rata dengan median,
mengelompokkan transaksi berdasarkan kategori,
atau mencari konsentrasi aktivitas pada periode tertentu.
Tekniknya mungkin sederhana.
Tetapi jika pertanyaannya tepat, hasilnya dapat sangat berguna.
Sebaliknya, model yang sangat canggih tidak akan banyak membantu apabila digunakan untuk menjawab pertanyaan yang tidak relevan.
Kompleksitas teknologi bukan ukuran kualitas analytics.
Nilai analytics ditentukan oleh seberapa baik analisis tersebut membantu manusia memahami masalah.
Contoh: Ketika Angka Agregat Menyembunyikan Cerita
Bayangkan laporan menunjukkan total belanja organisasi relatif stabil:
| Periode | Total Belanja |
|---|---|
| Januari | Rp42 miliar |
| Februari | Rp43 miliar |
| Maret | Rp41 miliar |
| April | Rp44 miliar |
Jika hanya melihat grafik total, tidak terlihat sesuatu yang menarik.
Tetapi ketika data dipecah berdasarkan kategori, ditemukan bahwa belanja kategori A turun hampir 40%, sementara kategori B meningkat lebih dari dua kali lipat.
Total keseluruhan terlihat stabil karena kedua perubahan tersebut saling menutupi.
Inilah salah satu alasan mengapa angka agregat perlu dibaca dengan hati-hati.
Dashboard mungkin mengatakan:
“Kondisi relatif stabil.”
Analytics bertanya:
“Apa yang berubah di balik kestabilan tersebut?”
Dan terkadang justru di balik angka yang terlihat normal terdapat perubahan paling penting.
Dari Insight Menuju Prioritas
Setelah sebuah pola ditemukan, pekerjaan belum selesai.
Analytics yang berguna harus membantu menjawab pertanyaan berikutnya:
So what?
Apa arti temuan tersebut?
Apa dampaknya?
Siapa yang perlu mengetahui?
Apakah perlu tindakan?
Seberapa mendesak?
Misalnya terdapat 5.000 transaksi dan analytics menemukan 150 transaksi yang membutuhkan perhatian lebih lanjut.
Tetapi 150 transaksi masih terlalu banyak jika seluruhnya harus diperiksa secara manual.
Maka analytics dapat memberikan lapisan prioritas tambahan.
Misalnya berdasarkan:
besarnya nilai,
frekuensi kejadian,
tingkat penyimpangan dari pola historis,
jumlah indikator yang muncul bersamaan,
atau dampak potensial.
Hasilnya mungkin menjadi:
10 transaksi prioritas tinggi
35 transaksi prioritas menengah
105 transaksi untuk observasi
Sekarang analytics bukan hanya menemukan informasi.
Analytics membantu mengalokasikan perhatian manusia.
Dan perhatian merupakan sumber daya yang sangat terbatas dalam organisasi.
Dashboard yang Baik Membantu Pengguna Bertanya Lagi
Dashboard terbaik bukan dashboard yang membuat pengguna berkata:
“Wah, grafiknya bagus.”
Dashboard terbaik membuat pengguna berkata:
“Kenapa angka ini berubah?”
Kemudian pengguna dapat mengeksplorasi jawabannya.
Misalnya sebuah indikator menunjukkan kenaikan 32%.
Pengguna mengklik indikator tersebut.
Sistem menunjukkan bahwa kenaikan berasal dari tiga unit.
Pengguna memilih salah satunya.
Ternyata sebagian besar kenaikan berasal dari satu kategori.
Kategori tersebut kemudian dapat dibuka hingga ke daftar transaksi.
Dalam pola seperti ini, dashboard menjadi pintu masuk menuju proses investigasi.
Bukan sekadar layar laporan.
Pengguna bergerak dari:
overview → pattern → detail → evidence.
Desain seperti ini jauh lebih dekat dengan tujuan analytics.
AI Dapat Membantu, Tetapi Tidak Menggantikan Pertanyaan
Artificial Intelligence membuka kemungkinan baru dalam data analytics.
Sistem dapat membantu merangkum dataset, menjelaskan perubahan, mengidentifikasi pola, bahkan memungkinkan pengguna bertanya menggunakan bahasa sehari-hari.
Misalnya pengguna cukup bertanya:
“Apa perubahan paling besar dibandingkan bulan lalu?”
atau:
“Vendor mana yang mengalami peningkatan transaksi paling tinggi tahun ini?”
AI kemudian membantu menerjemahkan pertanyaan tersebut menjadi proses analisis.
Ini dapat membuat analytics jauh lebih mudah digunakan oleh orang yang tidak menguasai SQL, Python, atau statistik.
Namun AI tetap membutuhkan fondasi yang sama.
Data harus benar.
Definisi harus jelas.
Konteks harus dipahami.
Evidence harus dapat diperiksa.
Karena AI yang sangat pintar sekalipun tidak dapat memperbaiki keputusan yang dibangun dari data yang salah atau pertanyaan yang keliru.
Jangan Mulai dari Teknologi
Ketika organisasi ingin membangun kemampuan data analytics, godaan terbesar adalah memulai dari alat.
Software apa yang digunakan?
Business intelligence platform apa?
Database apa?
AI model apa?
Framework apa?
Semua pertanyaan tersebut penting, tetapi bukan pertanyaan pertama.
Pertanyaan pertama seharusnya:
Masalah apa yang ingin kita pahami?
Kemudian:
Data apa yang tersedia?
Evidence apa yang dibutuhkan?
Analisis apa yang dapat membantu?
Keputusan apa yang akan dibuat berdasarkan hasil tersebut?
Barulah teknologi dipilih.
Dengan urutan tersebut, teknologi mengikuti kebutuhan.
Bukan kebutuhan yang dipaksakan mengikuti teknologi.
Dari Data Menuju Keputusan
Data analytics yang matang dapat dilihat sebagai sebuah aliran:
Data → Information → Pattern → Insight → Decision → Action
Data mentah memberikan bahan.
Informasi memberikan struktur.
Pola menunjukkan hubungan atau perubahan.
Insight memberikan pemahaman.
Keputusan menentukan arah.
Action menghasilkan perubahan nyata.
Jika proses berhenti pada grafik, organisasi baru sampai pada tahap informasi.
Jika berhenti pada insight, organisasi memahami masalah tetapi belum melakukan sesuatu.
Nilai terbesar baru muncul ketika insight membantu menghasilkan keputusan dan tindakan yang lebih baik.
Thinking DNA: Understand → Evidence → Analyze → Solve → Improve
Cara berpikir tersebut dapat dirangkum dalam lima langkah.
Understand
Pahami terlebih dahulu masalah yang ingin diselesaikan.
Jangan mulai dari dashboard atau teknologi.
Evidence
Pastikan data yang digunakan memang relevan dan cukup untuk mendukung analisis.
Pisahkan fakta dari asumsi.
Analyze
Cari pola, perubahan, hubungan, konsentrasi, dan bagian yang membutuhkan perhatian.
Solve
Terjemahkan hasil analisis menjadi pilihan tindakan atau prioritas.
Improve
Lihat kembali hasil keputusan.
Apakah tindakan berhasil?
Apakah indikator perlu diperbaiki?
Apakah terdapat pertanyaan baru?
Dengan siklus tersebut, analytics tidak berhenti sebagai proyek teknologi.
Ia menjadi bagian dari proses belajar organisasi.
Kesimpulan
Dashboard memiliki peran penting dalam dunia data.
Ia membuat informasi lebih mudah dilihat, dibandingkan, dan dieksplorasi.
Tetapi dashboard bukan tujuan akhir data analytics.
Sebuah dashboard dapat menunjukkan bahwa angka berubah.
Analytics harus membantu kita memahami mengapa perubahan tersebut penting.
Dashboard dapat menunjukkan siapa yang memiliki nilai terbesar.
Analytics membantu menentukan apakah kondisi tersebut normal atau membutuhkan perhatian.
Dashboard dapat menampilkan puluhan indikator.
Analytics membantu manusia mengetahui indikator mana yang seharusnya diperhatikan terlebih dahulu.
Karena pada akhirnya, organisasi tidak membutuhkan lebih banyak grafik hanya untuk melihat data.
Organisasi membutuhkan kemampuan untuk mengubah data menjadi pemahaman, pemahaman menjadi keputusan, dan keputusan menjadi tindakan.
Dashboard membantu kita melihat angka.
Data analytics membantu kita memahami apa yang harus dilakukan setelah melihatnya.
Dan ketika kemampuan tersebut dibangun secara konsisten, data tidak lagi hanya menjadi arsip tentang apa yang telah terjadi.
Data mulai menjadi salah satu alat untuk menentukan apa yang sebaiknya dilakukan berikutnya.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar