Ketika menerima sebuah file Excel, CSV, atau dataset, apa yang biasanya kita lakukan pertama kali?
Membuka filenya.
Melihat kolom.
Membuat filter.
Mencoba PivotTable.
Menghitung rata-rata.
Mencari nilai tertinggi dan terendah.
Kemudian mulai membuat grafik.
Tidak ada yang salah dengan Excel, PivotTable, dashboard, SQL, Python, atau tools analytics lainnya.
Masalahnya muncul ketika kita mulai menganalisis sebelum mengetahui apa yang sebenarnya ingin kita cari.
Kita dapat menghabiskan waktu berjam-jam mengolah data dan menghasilkan banyak grafik, tetapi pada akhirnya tetap kesulitan menjawab pertanyaan sederhana:
“Jadi, apa yang sebenarnya kita pelajari dari data ini?”
Karena itu analisis yang baik seharusnya tidak dimulai dari software.
Analisis dimulai dari pertanyaan.
Sebelum membuka Excel dan mulai menghitung apa pun, coba jawab tujuh pertanyaan berikut.
1. Masalah Apa yang Sebenarnya Ingin Dipahami?
Ini adalah pertanyaan pertama dan paling penting.
Bayangkan seseorang memberikan data transaksi satu tahun dan mengatakan:
“Tolong analisis data ini.”
Permintaan tersebut masih sangat luas.
Apa yang ingin diketahui?
Apakah ingin mengetahui pertumbuhan transaksi?
Mencari kategori dengan nilai terbesar?
Mendeteksi transaksi yang tidak biasa?
Membandingkan performa antarperiode?
Mencari penyebab penurunan?
Atau menentukan area yang perlu diperiksa lebih lanjut?
Dataset yang sama dapat digunakan untuk menjawab banyak pertanyaan berbeda.
Karena itu sebelum melakukan analisis, ubah permintaan yang luas menjadi problem statement yang lebih jelas.
Misalnya:
“Kita ingin memahami mengapa waktu penyelesaian layanan meningkat selama tiga bulan terakhir.”
Sekarang analisis memiliki arah.
Kita mulai mengetahui data apa yang perlu diperiksa dan perbandingan apa yang mungkin dibutuhkan.
Prinsip sederhananya:
Jangan mulai dari data. Mulailah dari masalah.
2. Keputusan Apa yang Akan Didukung oleh Analisis Ini?
Analisis seharusnya memiliki tujuan.
Setelah mengetahui masalahnya, tanyakan:
“Jika analisis ini selesai, keputusan apa yang akan terbantu?”
Misalnya kita ingin mengetahui mengapa waktu proses meningkat.
Hasil analisis mungkin digunakan untuk menentukan:
apakah kapasitas perlu ditambah,
apakah proses perlu diubah,
apakah terdapat bottleneck,
apakah masalah hanya terjadi pada kategori tertentu,
atau apakah diperlukan pemeriksaan lebih lanjut.
Pertanyaan ini penting karena dua analisis terhadap masalah yang sama dapat memiliki kebutuhan berbeda tergantung pada keputusan yang ingin didukung.
Jika tujuannya hanya monitoring, analisis mungkin cukup sederhana.
Jika hasilnya akan digunakan untuk mengambil keputusan besar, evidence yang dibutuhkan tentu harus lebih kuat.
Jadi jangan hanya bertanya:
“Apa yang ingin diketahui?”
Tanyakan juga:
“Apa yang akan dilakukan setelah kita mengetahuinya?”
3. Data Apa yang Benar-Benar Dibutuhkan?
Setelah memahami masalah dan keputusan yang ingin didukung, barulah kita membicarakan data.
Kesalahan yang sering terjadi adalah mengumpulkan sebanyak mungkin data karena merasa:
“Semakin banyak data, semakin baik.”
Belum tentu.
Data yang terlalu banyak tetapi tidak relevan justru dapat menambah noise.
Misalnya kita ingin menganalisis keterlambatan proses.
Mungkin kita membutuhkan:
tanggal mulai,
tanggal selesai,
jenis layanan,
unit,
volume pekerjaan,
tahapan proses,
status,
dan beberapa atribut lain yang relevan.
Kita belum tentu membutuhkan seluruh data yang tersedia di dalam sistem.
Pertanyaannya:
“Variabel apa yang benar-benar membantu menjawab pertanyaan analisis?”
Dengan cara ini kita dapat membedakan:
Need to Know
dari
Nice to Have.
Analisis yang baik bukan tentang mengumpulkan data sebanyak mungkin.
Tetapi menggunakan data yang relevan untuk menjawab pertanyaan yang tepat.
4. Dari Mana Data Berasal dan Seberapa Dapat Dipercaya?
Memiliki data belum berarti data tersebut siap dipercaya.
Sebelum menganalisis, pahami sumbernya.
Apakah berasal langsung dari sistem?
Apakah hasil ekspor?
Apakah pernah diedit manual?
Apakah digabungkan dari beberapa sumber?
Apakah definisi kolom konsisten?
Apakah terdapat perubahan sistem pencatatan?
Kemudian lakukan pemeriksaan dasar terhadap kualitas data.
Periksa:
Completeness — apakah terdapat nilai penting yang kosong?
Consistency — apakah format dan kategorinya konsisten?
Validity — apakah nilainya masuk akal?
Uniqueness — apakah terdapat record duplikat?
Accuracy — apakah data sesuai dengan sumber yang seharusnya?
Contoh sederhana:
Sebuah kolom kategori berisi:
Teknologi
teknologi
TEKNOLOGI
Tekhnologi
Bagi manusia mungkin terlihat sama.
Tetapi software dapat membacanya sebagai kategori berbeda.
Jika masalah seperti ini tidak diperiksa, hasil analisis dapat menyesatkan.
Karena itu sebelum bertanya:
“Apa insight dari data ini?”
Tanyakan terlebih dahulu:
“Seberapa jauh data ini dapat dipercaya?”
5. Dibandingkan dengan Apa agar Angka Memiliki Makna?
Bayangkan sebuah laporan mengatakan:
“Bulan ini terdapat 750 transaksi.”
Apakah itu bagus?
Buruk?
Tinggi?
Rendah?
Kita belum tahu.
Sebuah angka membutuhkan konteks pembanding.
Mungkin bulan sebelumnya terdapat 500 transaksi.
Berarti terjadi peningkatan.
Tetapi mungkin periode yang sama tahun lalu terdapat 1.200 transaksi.
Sekarang ceritanya berbeda.
Pembanding dapat berupa:
periode sebelumnya,
periode yang sama tahun lalu,
baseline,
target,
rata-rata historis,
kelompok lain,
benchmark,
atau denominator yang relevan.
Hal yang sama berlaku ketika membandingkan jumlah kejadian.
Misalnya:
Unit A memiliki 100 kesalahan.
Unit B memiliki 50 kesalahan.
Sekilas Unit A terlihat lebih buruk.
Tetapi bagaimana jika Unit A memproses 100.000 transaksi sedangkan Unit B hanya memproses 5.000?
Sekarang kita perlu melihat error rate.
Karena itu biasakan bertanya:
“Dibandingkan dengan apa?”
Angka tanpa pembanding sering hanya memberikan sebagian cerita.
6. Konteks Apa yang Dapat Memengaruhi Interpretasi?
Data tidak hidup di ruang kosong.
Angka dihasilkan oleh proses, manusia, sistem, kebijakan, kondisi ekonomi, waktu, dan berbagai faktor lain.
Misalnya jumlah pengaduan meningkat 40%.
Kesimpulan cepat:
“Pelayanan semakin buruk.”
Tetapi mungkin pada periode tersebut baru diluncurkan kanal pengaduan digital sehingga masyarakat jauh lebih mudah menyampaikan keluhan.
Angka +40% tetap benar.
Namun interpretasinya berubah setelah kita mengetahui konteks.
Contoh lain:
penjualan turun karena toko tutup beberapa hari,
volume pekerjaan naik karena perubahan regulasi,
jumlah transaksi berubah karena migrasi sistem,
atau data historis menggunakan definisi yang berbeda.
Karena itu sebelum menarik kesimpulan, tanyakan:
“Apa yang terjadi di dunia nyata ketika data ini dihasilkan?”
Konteks membantu kita membedakan antara:
angka yang benar
dan
interpretasi yang benar.
7. Evidence Seperti Apa yang Cukup Sebelum Menarik Kesimpulan?
Ini pertanyaan yang sering terlupakan.
Kita menemukan sebuah pola.
Misalnya satu vendor muncul jauh lebih sering dibanding vendor lain.
Apakah kita sudah dapat menyimpulkan bahwa ada masalah?
Belum tentu.
Itu adalah signal.
Signal memberi alasan untuk melihat lebih dalam.
Kita mungkin perlu memeriksa:
jenis transaksi,
periode,
nilai,
kategori pekerjaan,
volume,
dokumen pendukung,
atau informasi lain yang relevan.
Prinsipnya:
Finding ≠ Conclusion
Gunakan alur:
Finding → Question → Verification → Evidence → Interpretation → Conclusion
Semakin besar konsekuensi dari sebuah kesimpulan, semakin kuat evidence yang seharusnya dibutuhkan.
Karena itu analytics yang bertanggung jawab tidak hanya bertanya:
“Apa yang ditunjukkan data?”
Tetapi juga:
“Seberapa kuat data tersebut mendukung kesimpulan kita?”
Baru Setelah Itu Buka Excel
Setelah tujuh pertanyaan tadi mulai terjawab, sekarang kita memiliki sesuatu yang jauh lebih berharga daripada sekadar dataset.
Kita memiliki arah analisis.
Sekarang kita dapat membuka Excel, SQL, Python, Power BI, atau tools lainnya dengan tujuan yang lebih jelas.
Kita mengetahui:
apa masalahnya,
keputusan apa yang ingin didukung,
data apa yang diperlukan,
bagaimana kualitas datanya,
pembanding apa yang relevan,
konteks apa yang perlu diperhatikan,
dan evidence seperti apa yang dibutuhkan.
Sekarang tools bekerja untuk membantu reasoning.
Bukan reasoning yang mengikuti apa pun yang kebetulan ditemukan oleh tools.
Excel Adalah Alat, Bukan Metodologi
Excel adalah alat yang sangat powerful.
Begitu juga SQL, Python, R, Power BI, Tableau, dan berbagai platform analytics lainnya.
AI bahkan dapat membantu membuat formula, membersihkan data, menemukan pola, membuat visualisasi, dan menghasilkan interpretasi awal.
Namun kemampuan menggunakan tools tidak otomatis berarti kita sudah melakukan analisis yang baik.
Seseorang dapat sangat mahir membuat PivotTable tetapi tetap membandingkan dua kelompok yang sebenarnya tidak setara.
Seseorang dapat membuat dashboard yang indah tetapi menggunakan denominator yang salah.
Model AI dapat menghasilkan penjelasan yang terlihat meyakinkan tetapi kehilangan konteks penting.
Karena itu teknologi tidak menggantikan analytical thinking.
Semakin kuat tools yang tersedia, semakin penting kemampuan kita menentukan:
apa yang harus ditanyakan,
apa yang harus diperiksa,
dan
kapan evidence sudah cukup untuk mendukung kesimpulan.
Hindari Analysis Wandering
Tanpa pertanyaan yang jelas, kita mudah masuk ke pola seperti ini:
Buat PivotTable.
Menemukan angka menarik.
Buat grafik.
Menemukan kategori lain.
Filter lagi.
Membuat grafik baru.
Mencoba korelasi.
Melihat nilai tertinggi.
Kemudian setelah satu jam:
“Sebenarnya kita sedang mencari apa?”
Eksplorasi data tetap penting.
Bahkan terkadang insight terbaik muncul dari eksplorasi.
Namun eksplorasi sebaiknya tetap memiliki batas.
Bedakan antara:
Exploratory Analysis
dan
Decision-Oriented Analysis.
Eksplorasi bertujuan memahami apa yang mungkin terdapat dalam data.
Decision-oriented analysis bertujuan membantu menjawab pertanyaan tertentu.
Keduanya berguna.
Yang penting kita mengetahui mode analisis apa yang sedang dilakukan.
Gunakan Kerangka Sederhana
Sebelum mulai menganalisis data, gunakan alur:
Problem → Question → Data → Check → Compare → Analyze → Evidence → Decision
Problem
Apa masalah yang sebenarnya ingin dipahami?
Question
Pertanyaan apa yang perlu dijawab?
Data
Data apa yang relevan?
Check
Apakah kualitas data cukup baik?
Compare
Apa baseline atau pembanding yang tepat?
Analyze
Pola, distribusi, hubungan, atau anomali apa yang terlihat?
Evidence
Apa yang perlu diverifikasi sebelum menyimpulkan?
Decision
Bagaimana hasil analisis dapat membantu menentukan langkah berikutnya?
Kerangka ini sederhana.
Namun justru kesederhanaannya membuatnya dapat digunakan dalam banyak situasi.
Contoh Sederhana
Misalnya kita menerima data penjualan selama dua tahun.
Jangan langsung membuat grafik.
Mulailah:
Problem
Penjualan beberapa bulan terakhir terlihat menurun.
Question
Apakah penurunan terjadi secara keseluruhan atau hanya pada produk tertentu?
Data
Tanggal, produk, jumlah transaksi, nilai penjualan, wilayah, dan channel.
Check
Periksa missing value, duplikasi, format tanggal, dan konsistensi kategori.
Compare
Bandingkan dengan bulan sebelumnya dan periode yang sama tahun lalu.
Analyze
Segmentasikan berdasarkan produk, wilayah, dan channel.
Evidence
Periksa apakah penurunan konsisten dan apakah ada perubahan lain pada periode tersebut.
Decision
Tentukan area mana yang perlu diperiksa atau ditindaklanjuti terlebih dahulu.
Sekarang analisis memiliki alur.
Kita tidak sekadar menghasilkan grafik.
Kita menggunakan data untuk mempersempit ketidakpastian.
Pertanyaan yang Baik Menghemat Waktu
Ada anggapan bahwa semakin banyak analisis yang dilakukan, semakin baik hasilnya.
Tidak selalu.
Pertanyaan yang tepat justru dapat mengurangi pekerjaan yang tidak diperlukan.
Jika kita mengetahui dengan jelas bahwa tujuan analisis adalah mencari penyebab peningkatan waktu proses, kita tidak perlu menghabiskan waktu menganalisis variabel yang tidak memiliki hubungan dengan proses tersebut.
Pertanyaan membantu memfokuskan:
data,
metode,
waktu,
dan perhatian.
Dalam konteks ini, kemampuan bertanya bukan sekadar soft skill.
Ia merupakan bagian dari efisiensi analytics.
AI Membuat Pertanyaan Menjadi Semakin Penting
Hari ini AI dapat membantu melakukan banyak pekerjaan teknis.
Kita dapat meminta AI:
membuat formula,
menulis query,
membersihkan data,
membuat kode,
menjelaskan grafik,
bahkan mengusulkan hipotesis.
Akibatnya hambatan teknis untuk melakukan analytics semakin rendah.
Tetapi muncul tantangan baru.
Jika pertanyaannya salah, AI dapat membantu kita mendapatkan jawaban yang sangat cepat terhadap pertanyaan yang salah.
Karena itu pada era AI, kemampuan paling penting bukan hanya:
“Bagaimana menghitungnya?”
Tetapi:
“Apa yang sebenarnya layak dihitung?”
dan:
“Apa yang sebenarnya ingin kita pahami?”
Tools semakin cepat.
Reasoning harus semakin baik.
Understand → Evidence → Analyze → Solve → Improve
Tujuh pertanyaan tadi sebenarnya membawa kita kembali pada satu pola berpikir.
Understand
Pahami masalah dan keputusan yang ingin didukung.
Evidence
Tentukan data yang dibutuhkan dan periksa kualitas serta sumbernya.
Analyze
Gunakan pembanding, konteks, segmentasi, dan teknik analisis yang relevan.
Solve
Terjemahkan insight menjadi pilihan tindakan atau pemeriksaan berikutnya.
Improve
Ukur hasilnya dan gunakan evidence baru untuk memperbarui pemahaman.
Dengan pola ini, analytics tidak dimulai dari software.
Analytics dimulai dari pemahaman terhadap masalah.
Kesimpulan
Ketika menerima sebuah dataset, jangan terburu-buru membuka Excel.
Tanyakan terlebih dahulu:
1. Masalah apa yang sebenarnya ingin dipahami?
2. Keputusan apa yang akan didukung oleh analisis ini?
3. Data apa yang benar-benar dibutuhkan?
4. Dari mana data berasal dan seberapa dapat dipercaya?
5. Dibandingkan dengan apa agar angka memiliki makna?
6. Konteks apa yang dapat memengaruhi interpretasi?
7. Evidence seperti apa yang cukup sebelum menarik kesimpulan?
Setelah itu, silakan buka Excel.
Buat PivotTable.
Gunakan SQL.
Jalankan Python.
Bangun dashboard.
Gunakan AI.
Tetapi sekarang setiap tools tersebut memiliki tujuan yang jelas.
Karena data analytics bukan kompetisi tentang siapa yang paling banyak membuat grafik.
Analytics adalah proses menggunakan evidence untuk mengurangi ketidakpastian dan membantu manusia memahami masalah dengan lebih baik.
Jadi sebelum bertanya:
“Rumus apa yang harus saya gunakan?”
Cobalah bertanya:
“Pertanyaan apa yang sebenarnya ingin saya jawab?”
Karena sering kali kualitas sebuah analisis sudah mulai ditentukan sebelum satu rumus pun ditulis.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar