Data analytics sering dianggap berhasil ketika sebuah dashboard selesai dibuat, laporan berhasil disusun, atau pola menarik berhasil ditemukan.
Kita menemukan tren.
Kita menemukan anomali.
Kita mengetahui bagian yang berbeda dari biasanya.
Kita bahkan mungkin berhasil menjelaskan mengapa sesuatu terjadi.
Semua itu penting.
Tetapi ada satu pertanyaan yang jauh lebih menentukan:
“Lalu, apa yang akan kita lakukan setelah mengetahui semua itu?”
Sebuah insight yang sangat baik tidak otomatis menghasilkan perubahan.
Jika hasil analisis hanya berhenti di dashboard, laporan, presentasi, atau rapat, maka kita baru menghasilkan informasi.
Belum menghasilkan perbaikan.
Nilai sebenarnya dari analytics muncul ketika pemahaman yang diperoleh dari data dapat membantu manusia mengambil keputusan yang lebih baik, melakukan tindakan yang tepat, kemudian mengukur apakah tindakan tersebut benar-benar menghasilkan dampak.
Karena itu perjalanan analytics seharusnya tidak berhenti pada:
Data → Insight
Tetapi berlanjut menjadi:
Data → Evidence → Insight → Decision → Action → Measure → Improve
Di situlah data mulai berubah menjadi sesuatu yang benar-benar berguna.
Banyak Data Tidak Otomatis Menghasilkan Perubahan
Organisasi saat ini dapat menghasilkan data dalam jumlah sangat besar.
Ada data transaksi.
Data layanan.
Data keuangan.
Data pengguna.
Data operasional.
Data pengaduan.
Data kinerja.
Data dari berbagai aplikasi dan sistem.
Kemudian data tersebut dikumpulkan menjadi laporan dan dashboard.
Namun memiliki banyak data tidak berarti organisasi otomatis menjadi data-driven.
Sebuah organisasi dapat memiliki puluhan dashboard tetapi tetap mengambil keputusan berdasarkan kebiasaan.
Dapat memiliki ratusan indikator tetapi tidak mengetahui mana yang benar-benar membutuhkan perhatian.
Dapat menemukan masalah berulang tetapi tidak pernah memperbaiki penyebabnya.
Artinya persoalannya bukan lagi sekadar:
“Apakah kita memiliki data?”
Pertanyaan berikutnya adalah:
“Apakah data tersebut membantu kita melakukan sesuatu dengan lebih baik?”
Inilah perbedaan antara data availability dan data utilization.
Data tersedia belum tentu digunakan.
Data digunakan belum tentu menghasilkan keputusan.
Keputusan dibuat belum tentu menghasilkan tindakan.
Dan tindakan dilakukan belum tentu menghasilkan perbaikan.
Karena itu analytics membutuhkan rantai yang lebih lengkap.
Dashboard Adalah Awal, Bukan Tujuan Akhir
Dashboard sangat berguna untuk melihat kondisi secara cepat.
Kita dapat melihat apakah sebuah indikator naik atau turun.
Kita dapat membandingkan periode.
Melihat distribusi.
Menemukan kelompok yang berbeda.
Mendeteksi nilai yang tidak biasa.
Tetapi dashboard pada dasarnya lebih banyak membantu menjawab:
“Apa yang sedang terjadi?”
Sementara problem solving membutuhkan pertanyaan berikutnya:
“Mengapa ini terjadi?”
“Apakah ini benar-benar masalah?”
“Apa dampaknya?”
“Apa yang perlu dilakukan?”
“Siapa yang perlu melakukan?”
“Bagaimana kita mengetahui bahwa tindakan tersebut berhasil?”
Karena itu dashboard seharusnya menjadi pintu masuk menuju analisis dan tindakan, bukan menjadi titik akhir pekerjaan.
Dashboard yang bagus bukan hanya yang terlihat menarik.
Dashboard yang bagus membantu seseorang mengetahui:
“Bagian mana yang perlu saya perhatikan?”
Temuan Harus Diubah Menjadi Pertanyaan
Misalnya sebuah analisis menemukan bahwa waktu penyelesaian layanan meningkat 25% selama tiga bulan terakhir.
Itu adalah temuan.
Namun temuan tersebut belum otomatis menjelaskan penyebabnya.
Langkah berikutnya bukan langsung mengatakan:
“Prosesnya semakin buruk.”
Kita perlu mengubah temuan menjadi pertanyaan.
Apakah jumlah permintaan meningkat?
Apakah jumlah petugas berkurang?
Apakah terdapat perubahan prosedur?
Apakah keterlambatan terkonsentrasi pada jenis layanan tertentu?
Apakah hanya terjadi pada periode tertentu?
Apakah ada tahapan proses yang menjadi bottleneck?
Sekarang analytics bergerak dari observation menuju investigation.
Temuan memberi tahu kita di mana harus melihat lebih dalam.
Itulah salah satu fungsi penting insight.
Insight yang baik tidak hanya mengatakan bahwa sesuatu berbeda.
Insight membantu mempersempit ruang masalah.
Bedakan Temuan, Insight, dan Keputusan
Ketiga hal ini sering tercampur.
Padahal sebenarnya berbeda.
Temuan:
“Waktu penyelesaian meningkat 25%.”
Ini menjelaskan sesuatu yang terlihat dari data.
Insight:
“Sebagian besar peningkatan berasal dari satu tahapan verifikasi yang mengalami antrean setelah volume permintaan meningkat.”
Sekarang kita memiliki pemahaman yang lebih dalam.
Keputusan:
“Kapasitas pada tahapan verifikasi perlu diperbaiki dan prosesnya akan diuji dengan mekanisme baru selama satu bulan.”
Sekarang pemahaman mulai diterjemahkan menjadi tindakan.
Perbedaannya penting.
Karena menemukan pola belum tentu berarti kita sudah mengetahui apa yang harus dilakukan.
Analytics harus membantu perjalanan dari:
What happened?
menuju:
Why did it happen?
kemudian:
What should we do?
Insight yang Baik Harus Memiliki Konteks
Bayangkan kita menemukan bahwa satu unit memiliki jumlah kesalahan paling tinggi.
Apakah unit tersebut langsung harus menjadi prioritas perbaikan?
Belum tentu.
Mungkin unit tersebut juga memproses transaksi paling banyak.
Karena itu kita perlu melihat error rate, bukan hanya jumlah kesalahan.
Atau mungkin jenis pekerjaan unit tersebut jauh lebih kompleks.
Konteks dapat mengubah interpretasi.
Sebelum sebuah temuan diterjemahkan menjadi tindakan, kita perlu memastikan bahwa insight tersebut sudah mempertimbangkan:
baseline,
denominator,
periode waktu,
volume aktivitas,
segmentasi,
kondisi proses,
dan faktor lain yang relevan.
Jika konteksnya salah, tindakan yang dihasilkan juga dapat salah sasaran.
Jangan Langsung Melompat dari Anomali ke Tindakan
Analytics dapat menemukan sesuatu yang tidak biasa.
Misalnya nilai transaksi jauh lebih besar dibanding kelompok lain.
Vendor muncul jauh lebih sering.
Satu periode memiliki lonjakan aktivitas.
Beberapa record memiliki pola yang sama.
Temuan seperti ini penting.
Namun anomali bukan otomatis kesalahan.
Anomali adalah signal untuk diperiksa.
Karena itu alurnya sebaiknya:
Detect → Verify → Understand → Decide
Bukan:
Detect → Accuse → Act
Kita perlu melihat dokumen pendukung, konteks proses, data pembanding, atau evidence tambahan sebelum mengambil keputusan.
Semakin besar konsekuensi tindakan, semakin kuat evidence yang dibutuhkan.
Analytics membantu menentukan di mana perhatian perlu diarahkan.
Tetapi keputusan tetap membutuhkan reasoning dan verifikasi.
Insight Harus Dihubungkan dengan Dampak
Tidak semua insight memiliki nilai yang sama.
Ada insight yang menarik tetapi tidak terlalu penting.
Ada insight yang sederhana tetapi memiliki dampak besar.
Misalnya analisis menemukan bahwa sebagian besar keterlambatan berasal dari satu tahapan proses.
Jika tahapan tersebut diperbaiki, waktu layanan secara keseluruhan berpotensi turun signifikan.
Insight seperti ini memiliki actionability yang tinggi.
Karena itu setelah menemukan insight, tanyakan:
“Jika kita melakukan sesuatu terhadap temuan ini, apa yang dapat berubah?”
Apakah dapat menghemat waktu?
Mengurangi biaya?
Mengurangi risiko?
Meningkatkan kualitas layanan?
Mengurangi kesalahan?
Meningkatkan kepuasan pengguna?
Mencegah masalah berulang?
Semakin jelas hubungan antara insight dan dampak, semakin mudah menentukan prioritas tindakan.
Jangan Mencoba Menyelesaikan Semua Temuan Sekaligus
Satu analisis dapat menghasilkan banyak temuan.
Mungkin terdapat 20 anomali.
Sepuluh bottleneck.
Lima kategori dengan tren negatif.
Tiga risiko yang membutuhkan perhatian.
Kesalahan berikutnya adalah mencoba memperbaiki semuanya sekaligus.
Sumber daya selalu terbatas.
Karena itu insight perlu diprioritaskan.
Salah satu pendekatan sederhana adalah mempertimbangkan:
Impact
Seberapa besar dampaknya?
Risk
Apa konsekuensinya jika dibiarkan?
Frequency
Seberapa sering masalah terjadi?
Effort
Seberapa sulit perbaikannya?
Confidence
Seberapa kuat evidence yang mendukung temuan?
Dari sini kita dapat membedakan antara:
Quick Win
dan
Strategic Improvement.
Tujuannya bukan menghasilkan daftar tindakan sebanyak mungkin.
Tujuannya adalah memilih tindakan yang memberikan perbaikan paling berarti.
Insight Harus Memiliki Owner
Ada satu masalah yang sering membuat hasil analisis berhenti menjadi laporan.
Tidak ada yang jelas bertanggung jawab terhadap langkah berikutnya.
Semua orang mengetahui masalah.
Semua orang memahami temuannya.
Tetapi tidak ada yang memiliki ownership untuk melakukan sesuatu.
Karena itu sebuah insight yang actionable sebaiknya menjawab:
Apa yang perlu dilakukan?
Siapa yang bertanggung jawab?
Kapan dilakukan?
Apa evidence keberhasilannya?
Tanpa owner, insight mudah berubah menjadi kalimat:
“Untuk menjadi perhatian.”
Kemudian menghilang sampai laporan berikutnya menemukan masalah yang sama.
Ubah Insight Menjadi Hipotesis Perbaikan
Kita tidak selalu tahu apakah solusi akan berhasil.
Karena itu daripada mengatakan:
“Solusi ini pasti menyelesaikan masalah.”
kita dapat membentuk hipotesis perbaikan.
Misalnya:
“Jika tahapan verifikasi disederhanakan, maka waktu penyelesaian rata-rata diperkirakan turun tanpa meningkatkan tingkat kesalahan.”
Sekarang kita memiliki sesuatu yang dapat diuji.
Kita mengetahui:
apa yang akan diubah,
hasil yang diharapkan,
dan risiko yang perlu diperhatikan.
Kemudian lakukan pilot.
Ukur hasilnya.
Bandingkan dengan baseline.
Jika berhasil, perluas.
Jika tidak, evaluasi kembali.
Polanya:
Insight → Hypothesis → Experiment → Evidence → Decision
Dengan pendekatan ini, problem solving menjadi proses belajar yang terukur.
Mulai dari Tindakan yang Proporsional
Tidak setiap insight membutuhkan proyek besar.
Kadang tindakan pertama cukup berupa:
pemeriksaan tambahan,
perubahan kecil pada proses,
pilot,
penambahan validasi,
perubahan SOP tertentu,
atau monitoring yang lebih ketat.
Jika evidence masih terbatas, tindakan juga sebaiknya terbatas dan mudah dibalik.
Jika evidence semakin kuat, tindakan dapat diperbesar.
Prinsipnya:
Evidence menentukan skala tindakan.
Pendekatan seperti ini membantu organisasi bergerak tanpa harus menunggu kepastian sempurna, tetapi tetap menjaga risiko.
Ukur Baseline Sebelum Melakukan Perubahan
Jika kita ingin mengetahui apakah sebuah solusi berhasil, kita perlu mengetahui kondisi sebelum solusi diterapkan.
Inilah fungsi baseline.
Misalnya rata-rata waktu proses saat ini adalah lima hari.
Kita melakukan perubahan.
Setelah satu bulan, rata-ratanya menjadi tiga hari.
Sekarang kita memiliki evidence bahwa terdapat perbaikan.
Namun jangan berhenti di satu indikator.
Mungkin proses menjadi lebih cepat tetapi jumlah kesalahan meningkat.
Karena itu pengukuran dampak sebaiknya mempertimbangkan beberapa dimensi.
Misalnya:
Speed
Apakah proses lebih cepat?
Quality
Apakah kualitas tetap terjaga?
Cost
Apakah biaya meningkat atau menurun?
Risk
Apakah muncul risiko baru?
User Impact
Apakah pengalaman pengguna membaik?
Perbaikan yang baik tidak hanya memindahkan masalah dari satu tempat ke tempat lain.
Jangan Mengukur Aktivitas, Ukur Outcome
Misalnya sebuah tim melakukan:
10 rapat,
20 koordinasi,
5 workshop,
100 pemeriksaan,
dan menghasilkan 15 laporan.
Apakah masalahnya selesai?
Belum tentu.
Semua angka tersebut merupakan activity atau output.
Yang lebih penting adalah outcome.
Apakah waktu layanan turun?
Apakah kesalahan berkurang?
Apakah biaya menurun?
Apakah risiko terkendali?
Apakah masalah yang sama berhenti berulang?
Aktivitas menunjukkan bahwa kita melakukan sesuatu.
Outcome menunjukkan apakah sesuatu berubah.
Karena itu setelah insight diterjemahkan menjadi tindakan, ukuran keberhasilannya harus berorientasi pada dampak.
Setelah Tindakan, Kembali ke Data
Analytics tidak berhenti ketika keputusan dibuat.
Justru setelah tindakan dilakukan, data menjadi semakin penting.
Kita perlu mengetahui:
Apakah perubahan menghasilkan hasil yang diharapkan?
Apakah terdapat efek samping?
Apakah masalah berpindah ke bagian lain?
Apakah perbaikan bertahan?
Apakah ada kelompok yang tidak mendapatkan manfaat yang sama?
Sekarang data berfungsi sebagai feedback loop.
Alurnya menjadi:
Analyze → Decide → Act → Measure → Learn → Adjust
Jika hasilnya baik, kita dapat memperkuat atau memperluas tindakan.
Jika hasilnya tidak sesuai harapan, kita kembali menganalisis.
Tidak perlu mempertahankan solusi hanya karena sudah terlanjur diterapkan.
Evidence baru boleh mengubah keputusan lama.
Kegagalan Tindakan Juga Menghasilkan Evidence
Tidak semua percobaan akan berhasil.
Tetapi kegagalan yang diukur dengan baik tetap memberikan nilai.
Misalnya kita mencoba mengurangi waktu proses melalui perubahan tertentu.
Hasilnya ternyata tidak signifikan.
Artinya kita memperoleh evidence bahwa asumsi awal mungkin salah atau faktor tersebut bukan penyebab utama.
Sekarang ruang masalah menjadi lebih kecil.
Kita dapat mencoba hipotesis berikutnya.
Inilah perbedaan antara gagal tanpa belajar dan eksperimen yang menghasilkan evidence.
Problem solving bukan tentang selalu benar pada percobaan pertama.
Problem solving adalah kemampuan untuk belajar lebih cepat dari setiap hasil.
AI Dapat Membantu, tetapi Actionability Tetap Penting
AI dapat membantu mempercepat banyak bagian analytics.
AI dapat merangkum data.
Menemukan pola.
Membantu menghasilkan hipotesis.
Mengidentifikasi kemungkinan hubungan.
Menyusun rekomendasi awal.
Namun rekomendasi AI belum otomatis menjadi keputusan.
Kita tetap perlu mempertimbangkan:
Apakah evidence-nya cukup?
Apakah konteksnya benar?
Apakah tindakannya aman?
Siapa yang bertanggung jawab?
Apa risikonya?
Bagaimana keberhasilannya akan diukur?
AI dapat membantu mempercepat perjalanan dari data menuju insight.
Tetapi manusia tetap harus memastikan bahwa perjalanan dari insight menuju action dilakukan secara bertanggung jawab.
Bangun Actionable Analytics
Analytics yang actionable tidak hanya menghasilkan:
“Kami menemukan sesuatu.”
Tetapi membantu menjawab:
Apa yang ditemukan?
Mengapa hal tersebut penting?
Evidence apa yang mendukungnya?
Apa dampaknya?
Apa tindakan yang disarankan?
Siapa yang bertanggung jawab?
Bagaimana keberhasilannya diukur?
Dengan struktur seperti ini, laporan analytics berubah dari kumpulan informasi menjadi decision support.
Dan ketika decision support terhubung dengan tindakan dan pengukuran, analytics mulai memberikan dampak nyata.
Data → Evidence → Insight → Decision → Action → Measure → Improve
Kerangka sederhana ini dapat digunakan sebagai alur kerja.
Data
Kumpulkan informasi yang relevan dan dapat dipercaya.
Evidence
Validasi data dan pastikan pola yang ditemukan memiliki dasar yang cukup.
Insight
Jelaskan apa arti temuan tersebut dalam konteks masalah.
Decision
Tentukan tindakan yang paling masuk akal berdasarkan evidence, dampak, dan risiko.
Action
Laksanakan tindakan dengan owner, ruang lingkup, dan target yang jelas.
Measure
Bandingkan hasil dengan baseline dan indikator keberhasilan.
Improve
Gunakan evidence baru untuk mempertahankan, memperluas, memperbaiki, atau menghentikan tindakan.
Dengan pola ini, analytics tidak berhenti sebagai aktivitas membaca data.
Analytics menjadi bagian dari sistem perbaikan berkelanjutan.
Understand → Evidence → Analyze → Solve → Improve
Kerangka tersebut juga dapat dilihat melalui Thinking DNA ArrezaMP.
Understand — pahami masalah yang sebenarnya ingin diperbaiki.
Evidence — pastikan temuan didukung data dan konteks yang dapat dipercaya.
Analyze — cari pola, hubungan, penyebab potensial, dampak, dan prioritas.
Solve — terjemahkan insight menjadi keputusan dan tindakan yang proporsional.
Improve — ukur hasil dan gunakan evidence baru untuk melakukan perbaikan berikutnya.
Dengan demikian, data analytics tidak berdiri sendiri.
Ia terhubung langsung dengan Problem Solving dan akhirnya menghasilkan Digital Solutions atau process improvement ketika memang dibutuhkan.
Kesimpulan
Insight adalah sesuatu yang berharga.
Tetapi insight bukan tujuan akhir.
Kita dapat memiliki dashboard yang sangat baik.
Analisis yang sangat detail.
Visualisasi yang menarik.
Model yang canggih.
Bahkan rekomendasi yang terdengar sangat meyakinkan.
Namun jika tidak ada tindakan yang dilakukan, kondisi tidak akan berubah.
Karena itu setelah menemukan insight, jangan berhenti pada:
“Menarik. Ternyata ada pola seperti ini.”
Lanjutkan dengan pertanyaan:
“Mengapa ini penting?”
“Apa yang dapat kita lakukan?”
“Siapa yang akan melakukannya?”
“Apa risiko tindakannya?”
“Bagaimana kita mengetahui bahwa kondisi benar-benar membaik?”
Kemudian bertindak.
Ukur.
Pelajari hasilnya.
Perbaiki lagi.
Karena tujuan data analytics bukan menghasilkan lebih banyak grafik atau laporan.
Tujuannya adalah membantu kita memahami realitas dengan lebih baik agar dapat mengambil tindakan yang lebih tepat.
Data → Evidence → Insight → Decision → Action → Measure → Improve
Insight memberi kita pemahaman.
Keputusan menentukan arah.
Tindakan menghasilkan perubahan.
Pengukuran memberikan evidence baru.
Dan dari evidence baru itulah perbaikan berikutnya dimulai.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar