Data Bisa Benar, tetapi Kesimpulannya Bisa Salah: Mengapa Konteks Tidak Boleh Diabaikan

Data sering dianggap sebagai dasar yang objektif dalam mengambil keputusan.

Ketika angka sudah tersedia, kita merasa memiliki sesuatu yang lebih kuat daripada opini. Ada tabel, grafik, persentase, rata-rata, tren, dan berbagai indikator yang dapat digunakan untuk menjelaskan sebuah kondisi.

Namun ada satu hal yang sering terlupakan:

Data yang benar tidak otomatis menghasilkan kesimpulan yang benar.

Angkanya mungkin akurat. Perhitungannya mungkin tidak salah. Dashboard mungkin menampilkan informasi sesuai dengan sumber data.

Tetapi jika data tersebut dibaca tanpa memahami konteks, kita tetap dapat menghasilkan interpretasi yang keliru.

Inilah salah satu tantangan penting dalam data analytics.

Masalahnya tidak selalu berada pada datanya.

Terkadang masalah justru berada pada cara kita membaca data tersebut.

Angka Tidak Berbicara Sendiri

Bayangkan sebuah laporan menunjukkan bahwa jumlah pengaduan meningkat 40% dibandingkan tahun sebelumnya.

Secara matematis, angka tersebut mungkin benar.

Kesimpulan pertama yang muncul bisa saja:

“Kualitas layanan semakin buruk.”

Tetapi apakah itu satu-satunya penjelasan?

Belum tentu.

Mungkin pada tahun tersebut tersedia kanal pengaduan digital baru yang membuat masyarakat lebih mudah menyampaikan keluhan.

Mungkin sebelumnya banyak keluhan tidak tercatat.

Mungkin jumlah pengguna layanan meningkat secara signifikan.

Mungkin definisi pengaduan berubah.

Atau mungkin memang benar kualitas layanan mengalami penurunan.

Angka +40% tetap sama.

Tetapi maknanya dapat berubah ketika konteksnya berubah.

Karena itu data tidak seharusnya langsung membawa kita dari:

Angka → Kesimpulan

Pendekatan yang lebih aman adalah:

Angka → Pertanyaan → Konteks → Evidence → Interpretasi → Kesimpulan

Persentase Besar Belum Tentu Berarti Dampaknya Besar

Persentase merupakan salah satu angka yang mudah menarik perhatian.

Misalnya sebuah laporan mengatakan:

“Terjadi peningkatan sebesar 100%.”

Kedengarannya sangat besar.

Namun jika sebelumnya hanya terdapat satu kasus dan sekarang menjadi dua kasus, peningkatannya memang 100%.

Secara matematis, pernyataan tersebut benar.

Tetapi pembaca membutuhkan konteks berupa angka absolut untuk memahami skalanya.

Bandingkan dengan kondisi lain:

10.000 kasus meningkat menjadi 11.000 kasus.

Persentase kenaikannya hanya 10%, tetapi terdapat tambahan 1.000 kasus.

Mana yang lebih penting?

Tidak dapat ditentukan hanya dari persentase.

Kita membutuhkan konteks.

Karena itu ketika melihat angka persentase, tanyakan:

“Berapa nilai awalnya?”

“Berapa nilai akhirnya?”

“Berapa jumlah sebenarnya?”

Persentase memberikan satu perspektif. Bukan seluruh cerita.

Rata-Rata Dapat Menyembunyikan Kondisi Sebenarnya

Rata-rata juga sangat berguna, tetapi dapat menyesatkan jika digunakan sendirian.

Misalnya rata-rata waktu penyelesaian sebuah layanan adalah tiga hari.

Kesimpulan awal:

“Sebagian besar layanan selesai sekitar tiga hari.”

Belum tentu.

Mungkin 80% layanan selesai dalam satu hari, tetapi beberapa kasus membutuhkan waktu sangat lama sehingga rata-ratanya naik menjadi tiga hari.

Atau sebaliknya.

Tanpa melihat distribusi data, median, nilai minimum, maksimum, dan outlier, kita belum mengetahui bagaimana data sebenarnya tersebar.

Karena itu sebuah angka ringkasan harus dibaca sebagai pintu masuk untuk analisis, bukan selalu sebagai kesimpulan akhir.

Perbandingan Harus Menggunakan Konteks yang Setara

Data sering digunakan untuk membandingkan dua unit, dua periode, dua wilayah, atau dua kelompok.

Misalnya:

Unit A menyelesaikan 1.000 pekerjaan.

Unit B menyelesaikan 600 pekerjaan.

Apakah Unit A lebih produktif?

Mungkin.

Tetapi kita belum mengetahui jumlah pegawai masing-masing unit.

Jika Unit A memiliki 100 pegawai sementara Unit B hanya memiliki 20 pegawai, perspektifnya berubah.

Kita mungkin perlu melihat produktivitas per pegawai.

Begitu pula ketika membandingkan wilayah.

Jumlah kejadian di wilayah dengan satu juta penduduk tidak selalu dapat dibandingkan langsung dengan wilayah berpenduduk 100 ribu.

Kita mungkin membutuhkan angka per capita, rasio, atau denominator lain yang relevan.

Perbandingan yang tidak setara dapat menghasilkan kesimpulan yang terlihat logis tetapi sebenarnya menyesatkan.

Periode Waktu Dapat Mengubah Cerita

Pemilihan periode analisis juga sangat memengaruhi kesimpulan.

Bayangkan sebuah grafik menunjukkan kenaikan tajam selama tiga bulan terakhir.

Jika kita hanya melihat tiga bulan tersebut, kita mungkin menyimpulkan bahwa sedang terjadi tren peningkatan.

Namun ketika data diperluas menjadi lima tahun, ternyata pola yang sama muncul setiap tahun pada periode tersebut.

Yang sebelumnya terlihat sebagai tren baru ternyata merupakan pola musiman.

Sebaliknya, menggunakan periode terlalu panjang juga dapat menyembunyikan perubahan terbaru.

Karena itu pertanyaan pentingnya bukan hanya:

“Apakah angkanya naik?”

Tetapi:

“Naik dibandingkan kapan?”

Konteks waktu sangat menentukan interpretasi.

Data yang Sama Dapat Menjawab Pertanyaan yang Berbeda

Sebuah dataset dapat digunakan untuk banyak analisis.

Namun tidak semua analisis menjawab pertanyaan yang sama.

Misalnya data penjualan menunjukkan bahwa Produk A menghasilkan pendapatan terbesar.

Apakah Produk A merupakan produk terbaik?

Belum tentu.

Jika pertanyaannya adalah pendapatan, mungkin jawabannya ya.

Tetapi jika pertanyaannya adalah margin keuntungan, produk lain mungkin lebih baik.

Jika pertanyaannya adalah pertumbuhan, jawabannya dapat berubah lagi.

Begitu juga jika kita melihat retensi pelanggan, risiko, biaya operasional, atau kontribusi jangka panjang.

Data yang sama dapat menghasilkan perspektif berbeda tergantung pada pertanyaan yang diajukan.

Karena itu sebelum menganalisis data, tentukan:

“Pertanyaan apa yang sebenarnya ingin kita jawab?”

Tanpa pertanyaan yang jelas, kita mudah menemukan angka yang menarik tetapi tidak relevan dengan keputusan.

Jangan Abaikan Denominator

Salah satu kesalahan umum dalam membaca data adalah hanya melihat jumlah kejadian tanpa melihat jumlah kesempatan terjadinya kejadian tersebut.

Misalnya:

Unit A memiliki 50 kesalahan.

Unit B memiliki 20 kesalahan.

Sekilas Unit A terlihat lebih buruk.

Tetapi bagaimana jika Unit A memproses 100.000 transaksi sementara Unit B hanya memproses 5.000 transaksi?

Sekarang kita perlu menghitung error rate.

Konteks denominator mengubah interpretasi secara signifikan.

Prinsip yang sama berlaku pada banyak hal:

jumlah keluhan dibanding jumlah pengguna,

jumlah kegagalan dibanding jumlah transaksi,

jumlah insiden dibanding jumlah aktivitas,

jumlah kasus dibanding populasi.

Jumlah tanpa denominator sering hanya memberikan sebagian cerita.

Korelasi Tidak Otomatis Berarti Sebab-Akibat

Data dapat menunjukkan bahwa dua variabel bergerak bersama.

Ketika A meningkat, B juga meningkat.

Temuan tersebut penting.

Tetapi kita harus berhati-hati sebelum mengatakan:

“A menyebabkan B.”

Mungkin memang ada hubungan sebab-akibat.

Namun mungkin B menyebabkan A.

Mungkin keduanya dipengaruhi oleh faktor C.

Atau hubungan tersebut hanya kebetulan.

Analytics membantu menemukan pola dan hubungan.

Tetapi hubungan tersebut sering kali merupakan awal dari pertanyaan berikutnya, bukan akhir dari analisis.

Gunakan pola untuk membangun hipotesis.

Kemudian cari evidence tambahan untuk memverifikasinya.

Outlier Tidak Selalu Berarti Kesalahan

Ketika sebuah nilai jauh berbeda dari mayoritas data, kita menyebutnya outlier atau anomali.

Respons pertama sering kali adalah menganggap datanya salah.

Padahal nilai yang tidak biasa dapat memiliki banyak arti.

Mungkin memang terjadi kesalahan input.

Mungkin terdapat transaksi khusus.

Mungkin ada kondisi yang jarang terjadi.

Mungkin proses berubah.

Atau justru outlier tersebut menunjukkan sesuatu yang sangat penting.

Karena itu anomali sebaiknya tidak langsung dihapus atau dianggap sebagai kesalahan.

Tanyakan:

“Mengapa bagian ini berbeda dari yang lain?”

Anomali adalah signal untuk melakukan pemeriksaan, bukan otomatis sebuah kesimpulan.

Data Historis Memiliki Konteks Historis

Data masa lalu sangat berguna untuk memahami pola.

Tetapi kondisi yang menghasilkan data tersebut mungkin sudah berubah.

Misalnya kita menggunakan data lima tahun terakhir untuk memperkirakan kebutuhan saat ini.

Selama lima tahun tersebut mungkin terjadi perubahan regulasi, teknologi, perilaku pengguna, struktur organisasi, harga, ekonomi, atau proses kerja.

Secara teknis datanya tetap benar.

Namun relevansinya terhadap kondisi sekarang dapat berkurang.

Karena itu selain bertanya:

“Apakah datanya benar?”

kita juga perlu bertanya:

“Apakah konteks yang menghasilkan data ini masih relevan?”

Dashboard Dapat Menampilkan Angka Benar tetapi Tetap Menyesatkan

Dashboard membuat data lebih mudah dipahami.

Namun dashboard juga dapat menciptakan ilusi bahwa sesuatu sudah dianalisis hanya karena terlihat rapi.

Grafik naik.

Indikator merah.

Persentase berubah.

KPI berada di bawah target.

Semua informasi tersebut mungkin benar.

Tetapi dashboard biasanya lebih kuat dalam menjawab:

“Apa yang terjadi?”

daripada:

“Mengapa hal tersebut terjadi?”

Untuk menjawab pertanyaan kedua, kita perlu melakukan analisis lebih dalam.

Segmentasi.

Perbandingan.

Drill-down.

Pemeriksaan distribusi.

Validasi sumber.

Analisis periode.

Dan yang sangat penting: memahami konteks proses yang menghasilkan data tersebut.

Dashboard adalah alat observasi. Bukan pengganti reasoning.

AI Juga Membutuhkan Konteks

Masalah konteks menjadi semakin penting ketika kita menggunakan Artificial Intelligence.

AI dapat menganalisis data, membuat ringkasan, menemukan pola, dan menghasilkan penjelasan dengan sangat cepat.

Tetapi jika konteks yang diberikan salah atau tidak lengkap, AI dapat menghasilkan jawaban yang terdengar sangat meyakinkan tetapi sebenarnya tidak relevan.

Misalnya AI melihat penurunan sebuah indikator.

Tanpa mengetahui adanya perubahan definisi, sistem pencatatan, atau kebijakan pada periode tersebut, AI dapat membuat interpretasi berdasarkan pola yang tersedia.

Secara logis jawabannya mungkin terlihat masuk akal.

Namun konteks yang hilang membuat kesimpulannya lemah.

Karena itu AI tidak menghilangkan kebutuhan manusia untuk memahami konteks.

Justru semakin kuat kemampuan AI menghasilkan jawaban, semakin penting kemampuan manusia untuk bertanya:

“Apakah jawaban ini sesuai dengan realitas yang sebenarnya?”

Jangan Mencari Data Hanya untuk Membenarkan Kesimpulan

Ada bahaya lain yang lebih sulit terlihat.

Kita sudah memiliki kesimpulan.

Kemudian kita mencari data yang mendukungnya.

Data yang sesuai ditampilkan.

Data yang bertentangan diabaikan.

Tanpa disadari, analytics berubah dari proses mencari pemahaman menjadi proses membenarkan keyakinan.

Inilah mengapa prinsip Evidence Before Assumption sangat penting.

Jangan mulai dari:

“Saya yakin penyebabnya A. Cari datanya.”

Mulailah dari:

“Evidence apa yang dapat membantu kita memahami apa yang sebenarnya terjadi?”

Perbedaannya menentukan apakah data digunakan untuk belajar atau hanya untuk memperkuat asumsi.

Gunakan Data untuk Bertanya Lebih Baik

Data analytics yang matang tidak selalu menghasilkan jawaban secara langsung.

Kadang hasil terbaik dari sebuah analisis adalah pertanyaan yang lebih baik.

Misalnya:

Mengapa kelompok ini berbeda?

Mengapa perubahan hanya terjadi setelah bulan tertentu?

Mengapa satu unit memiliki pola berbeda?

Mengapa rata-rata meningkat tetapi median tidak berubah?

Mengapa volume turun tetapi total nilai meningkat?

Pertanyaan-pertanyaan tersebut membawa kita menuju analisis berikutnya.

Karena itu jangan menilai analytics hanya dari banyaknya jawaban yang dihasilkan.

Nilai analytics juga berasal dari kemampuannya membantu kita menemukan apa yang perlu ditanyakan selanjutnya.

Gunakan Alur: Data → Context → Comparison → Evidence → Interpretation → Conclusion

Untuk mengurangi risiko salah membaca data, kita dapat menggunakan kerangka sederhana.

Data

Pastikan angka dan sumber yang digunakan dapat dipercaya.

Context

Pahami bagaimana, kapan, di mana, dan dalam kondisi apa data tersebut dihasilkan.

Comparison

Bandingkan dengan baseline, periode, kelompok, atau denominator yang relevan.

Evidence

Cari informasi tambahan yang mendukung atau menantang interpretasi awal.

Interpretation

Jelaskan apa yang kemungkinan ditunjukkan oleh data, termasuk batas dan ketidakpastiannya.

Conclusion

Baru kemudian buat kesimpulan yang proporsional dengan kekuatan evidence.

Urutan ini membantu mencegah kita melompat terlalu cepat dari angka menuju keputusan.

Understand → Evidence → Analyze → Solve → Improve

Prinsip yang sama sesuai dengan Thinking DNA ArrezaMP.

Understand — pahami pertanyaan dan konteks sebelum melihat angka sebagai jawaban.

Evidence — pastikan data relevan, dapat dipercaya, dan memiliki pembanding yang tepat.

Analyze — lihat pola, distribusi, denominator, periode, segmentasi, dan kemungkinan penjelasan lain.

Solve — gunakan interpretasi yang telah diverifikasi untuk menentukan tindakan.

Improve — pantau hasil dan perbarui pemahaman ketika evidence baru tersedia.

Data tidak berdiri sendiri.

Ia menjadi berguna ketika ditempatkan dalam konteks yang benar dan digunakan untuk menjawab pertanyaan yang tepat.

Kesimpulan

Data dapat benar.

Perhitungannya dapat benar.

Grafiknya dapat benar.

Persentasenya dapat benar.

Dashboard-nya pun dapat bekerja dengan sempurna.

Namun kesimpulan tetap dapat salah.

Mengapa?

Karena angka tidak membawa seluruh konteks bersama dirinya.

Kita perlu memahami nilai awal, denominator, periode, distribusi, sumber data, perubahan proses, kondisi lingkungan, dan pertanyaan yang sebenarnya ingin dijawab.

Karena itu jangan hanya bertanya:

“Apakah angkanya benar?”

Tambahkan pertanyaan:

“Apa konteks di balik angka tersebut?”

“Dibandingkan dengan apa?”

“Apa yang belum terlihat?”

“Apakah ada penjelasan lain?”

“Seberapa jauh evidence ini mendukung kesimpulan?”

Data yang baik adalah fondasi penting.

Tetapi keputusan yang baik membutuhkan lebih dari sekadar data.

Ia membutuhkan konteks, reasoning, evidence, dan kemampuan untuk tidak terburu-buru menyimpulkan.

Data → Context → Comparison → Evidence → Interpretation → Conclusion