Namun dunia nyata jarang bekerja seperti itu.
Ketika sebuah masalah muncul, sebagian data mungkin belum tersedia. Informasi dari beberapa sumber bisa berbeda. Kondisi dapat berubah, sementara waktu untuk mengambil keputusan terbatas.
Di sinilah muncul dilema:
Apakah kita harus menunggu sampai seluruh data lengkap, atau mengambil keputusan menggunakan evidence yang tersedia sekarang?
Menunggu terlalu lama memiliki risiko. Namun bertindak terlalu cepat juga dapat menghasilkan keputusan yang keliru.
Karena itu, kualitas pengambilan keputusan bukan hanya ditentukan oleh banyaknya data yang dimiliki. Yang lebih penting adalah apakah evidence yang tersedia sudah cukup relevan untuk menentukan tindakan dengan risiko yang dipahami.
Data Sempurna Hampir Tidak Pernah Ada
Dalam data analytics, kondisi data tidak selalu ideal.
Ada data kosong, informasi yang terlambat diperbarui, periode yang belum lengkap, variabel yang tidak pernah dikumpulkan, atau sumber data yang kualitasnya belum sepenuhnya dapat dipastikan.
Jika setiap keputusan harus menunggu seluruh ketidakpastian tersebut hilang, banyak keputusan mungkin tidak akan pernah dibuat.
Bahkan semakin dalam kita menganalisis sesuatu, sering kali semakin banyak pertanyaan baru yang muncul.
Karena itu tujuan analytics bukan menciptakan kesan bahwa kita mengetahui semuanya.
Analytics seharusnya membantu kita menjawab:
Apa yang sudah diketahui?
Apa yang belum diketahui?
Seberapa kuat evidence yang tersedia?
Apakah evidence tersebut sudah cukup untuk menentukan langkah berikutnya?
Data Tidak Lengkap Berbeda dengan Data yang Buruk
Data yang belum lengkap tidak otomatis berarti tidak dapat digunakan.
Misalnya kita memiliki data transaksi selama sembilan bulan, sementara tiga bulan terakhir belum tersedia. Dataset tersebut memang belum cukup untuk memberikan gambaran satu tahun penuh.
Namun data itu mungkin tetap berguna untuk menganalisis pola selama sembilan bulan yang tersedia.
Sebaliknya, sebuah dataset dapat terlihat sangat lengkap tetapi memiliki masalah serius pada kualitasnya.
Kita mungkin memiliki satu juta record. Namun jika definisi variabel tidak konsisten, banyak data duplikat, atau sumbernya tidak dapat dipercaya, jumlah yang besar tidak otomatis menghasilkan evidence yang kuat.
Karena itu jangan hanya bertanya:
“Apakah datanya lengkap?”
Tanyakan juga:
“Apakah data yang tersedia cukup dapat dipercaya dan relevan untuk keputusan yang ingin dibuat?”
Tidak Semua Keputusan Membutuhkan Evidence yang Sama
Keputusan kecil dan mudah dibalik tidak seharusnya membutuhkan tingkat evidence yang sama dengan keputusan besar yang sulit dikoreksi.
Bayangkan kita ingin mengubah posisi sebuah tombol pada prototype aplikasi.
Risikonya relatif rendah. Jika perubahan tersebut tidak membantu, kita dapat mengembalikannya.
Bandingkan dengan keputusan yang melibatkan investasi besar, keamanan, data sensitif, perubahan kebijakan, atau dampak terhadap banyak orang.
Keputusan seperti itu membutuhkan evidence yang jauh lebih kuat.
Prinsip sederhananya:
Low Risk + Reversible → dapat diuji lebih cepat
High Risk + Irreversible → membutuhkan evidence lebih kuat
Artinya, kebutuhan evidence seharusnya proporsional terhadap konsekuensi keputusan.
Ketidakpastian Harus Diakui, Bukan Disembunyikan
Salah satu kesalahan dalam menyampaikan hasil analisis adalah membuat semuanya terdengar terlalu pasti.
Misalnya data menunjukkan sebuah pola.
Kemudian kesimpulannya ditulis:
“Penyebab peningkatan adalah faktor A.”
Padahal evidence yang tersedia baru menunjukkan bahwa faktor A memiliki hubungan kuat dengan peningkatan tersebut.
Pernyataan yang lebih bertanggung jawab adalah:
“Evidence saat ini menunjukkan faktor A sebagai salah satu penjelasan yang paling kuat, tetapi penyebabnya masih perlu diverifikasi.”
Perbedaannya terlihat sederhana, tetapi sangat penting.
Kita perlu membedakan:
Known — apa yang memang sudah diketahui.
Likely — apa yang cukup kuat didukung evidence.
Unknown — apa yang masih belum diketahui.
Mengakui ketidakpastian bukan kelemahan analisis.
Justru itu menunjukkan bahwa kita memahami batas dari evidence yang tersedia.
Jangan Mengubah Missing Data Menjadi Asumsi
Ketika informasi tidak tersedia, manusia memiliki kecenderungan mengisi kekosongan tersebut dengan asumsi.
Misalnya data menunjukkan biaya meningkat 18%, tetapi penyebabnya belum diketahui.
Kemudian muncul dugaan:
“Mungkin karena harga barang naik.”
Dugaan tersebut bisa benar. Namun kata mungkin tidak boleh diam-diam berubah menjadi fakta.
Kita dapat memisahkannya menjadi:
Evidence: biaya meningkat 18%.
Observation: kenaikan terkonsentrasi pada tiga kategori.
Hypothesis: perubahan harga mungkin menjadi salah satu penyebab.
Evidence Needed: data harga dan volume pada periode pembanding.
Sekarang batas antara fakta dan dugaan menjadi jelas.
Kita tidak menolak hipotesis, tetapi juga tidak memperlakukannya sebagai evidence sebelum diverifikasi.
Confidence Bukan Sekadar Angka Persentase
Dalam sistem analytics dan AI, kita sering melihat istilah confidence.
Misalnya:
Confidence: 87%
Angka tersebut terlihat meyakinkan.
Tetapi pertanyaan pentingnya adalah:
87% berdasarkan apa?
Apakah berasal dari model statistik yang telah divalidasi?
Apakah menggambarkan kualitas evidence?
Apakah hanya skor internal dari beberapa aturan?
Tanpa definisi yang jelas, angka confidence dapat menciptakan false certainty.
Dalam beberapa kondisi, klasifikasi sederhana justru lebih mudah dipahami:
Evidence kuat — didukung beberapa sumber dan hasilnya konsisten.
Evidence sedang — pola terlihat, tetapi masih membutuhkan verifikasi tambahan.
Evidence lemah — terdapat indikasi awal, tetapi informasi belum cukup.
Tujuannya bukan membuat hasil terlihat pasti.
Tujuannya adalah membantu manusia memahami seberapa jauh evidence tersebut dapat digunakan untuk mengambil keputusan.
Data Analytics Membantu Mengurangi Ketidakpastian
Analytics tidak selalu memberikan jawaban final.
Sering kali nilai terbesarnya justru berasal dari kemampuannya mengurangi ruang ketidakpastian.
Bayangkan pada awalnya terdapat sepuluh kemungkinan penyebab sebuah masalah.
Setelah data dianalisis, enam kemungkinan dapat dieliminasi.
Kita memang belum memiliki satu jawaban pasti, tetapi sekarang hanya tersisa empat kemungkinan yang layak diperiksa.
Apakah analisis tersebut gagal?
Tidak.
Ruang masalah sudah menjadi jauh lebih kecil.
Prosesnya dapat berbentuk:
Many Possibilities → Evidence → Fewer Possibilities → More Evidence → Better Understanding
Banyak keputusan kompleks sebenarnya dibuat dengan cara seperti ini.
Bukan melalui satu analisis yang langsung menghasilkan jawaban, tetapi melalui akumulasi evidence yang secara bertahap mengurangi ketidakpastian.
Gunakan Minimum Sufficient Evidence
Dalam pengambilan keputusan, kita dapat menggunakan konsep sederhana: Minimum Sufficient Evidence.
Artinya bukan menggunakan evidence sesedikit mungkin.
Maksudnya adalah mencari tingkat evidence minimum yang cukup untuk mengambil tindakan tertentu secara bertanggung jawab.
Misalnya sebuah sistem menunjukkan indikasi masalah.
Evidence yang tersedia mungkin belum cukup untuk melakukan perubahan besar. Namun evidence tersebut sudah cukup untuk memutuskan bahwa pemeriksaan tambahan perlu dilakukan.
Artinya keputusan pertama bukan:
“Ubah seluruh sistem.”
Melainkan:
“Lakukan verifikasi lebih dalam pada bagian ini.”
Evidence yang tersedia menentukan skala tindakan yang masuk akal.
Evidence terbatas dapat menghasilkan tindakan kecil dan reversible.
Ketika evidence semakin kuat, tindakan dapat diperbesar.
Dengan cara ini, kita tidak harus memilih antara tidak melakukan apa pun atau langsung mengambil keputusan besar.
Gunakan Keputusan Bertahap
Ketika ketidakpastian masih tinggi, keputusan dapat dibuat secara bertahap.
Misalnya kita memiliki sebuah ide untuk memperbaiki proses.
Daripada langsung menerapkannya ke seluruh organisasi, kita dapat mengujinya terlebih dahulu pada satu bagian.
Ukur hasilnya.
Apakah waktu proses membaik?
Apakah muncul masalah baru?
Apakah asumsi awal terbukti?
Evidence dari percobaan tersebut kemudian digunakan untuk menentukan langkah berikutnya.
Polanya:
Decide Small → Observe → Learn → Expand or Adjust
Kita tetap bergerak, tetapi risiko tetap dikendalikan.
Reversible Decision Memberikan Ruang untuk Belajar
Tidak semua keputusan harus diperlakukan sebagai keputusan final.
Ada keputusan yang mudah dibalik. Ada pula keputusan yang sangat sulit dikoreksi.
Jika sebuah keputusan mudah dikoreksi dan dampak kegagalannya rendah, kita dapat bergerak lebih cepat.
Coba → Ukur → Evaluasi → Perbaiki
Namun jika keputusan melibatkan biaya besar, reputasi, keamanan, data sensitif, atau konsekuensi jangka panjang, kita perlu lebih berhati-hati.
Dengan kata lain:
Kecepatan keputusan seharusnya dipengaruhi oleh biaya jika keputusan tersebut salah.
Bukan hanya oleh tekanan untuk segera bertindak.
Risiko Menunggu Juga Harus Dihitung
Kita sering menghitung risiko jika mengambil keputusan.
Namun terkadang kita lupa menghitung risiko jika tidak mengambil keputusan.
Misalnya terdapat indikasi bahwa sebuah proses menghasilkan pemborosan.
Evidence belum sempurna.
Kita dapat menunggu enam bulan agar mendapatkan data yang lebih lengkap.
Tetapi jika pemborosan terus terjadi selama enam bulan tersebut, menunggu juga memiliki biaya.
Karena itu pertanyaannya harus mencakup dua sisi:
Apa risiko jika kita bertindak sekarang?
dan
Apa risiko jika kita menunggu?
Kadang menunggu memang merupakan pilihan terbaik.
Tetapi dalam kondisi lain, tidak bertindak justru dapat menjadi keputusan dengan risiko terbesar.
Hindari Analysis Paralysis
Data analytics memiliki jebakan tersendiri.
Selalu ada analisis tambahan yang dapat dilakukan.
Kita dapat menambahkan satu variabel lagi, mencari dataset tambahan, membuat visualisasi baru, menggunakan metode lain, atau melakukan validasi tambahan.
Semua terdengar masuk akal.
Namun pada titik tertentu, informasi tambahan mulai memberikan manfaat yang semakin kecil sementara keputusan tidak pernah dibuat.
Inilah analysis paralysis.
Untuk menghindarinya, tentukan:
Pertanyaan apa yang ingin dijawab?
Evidence apa yang dianggap cukup?
Keputusan apa yang akan dibuat dari hasilnya?
Apa risiko jika evidence belum lengkap?
Dengan demikian, analytics memiliki decision boundary dan tidak berubah menjadi eksplorasi tanpa akhir.
AI Tidak Boleh Mengisi Ketidakpastian dengan Keyakinan Palsu
AI dapat menghasilkan penjelasan yang terdengar sangat meyakinkan.
Justru karena itulah kita perlu berhati-hati.
Ketika evidence belum tersedia, AI dapat membantu menghasilkan kemungkinan atau hipotesis.
Tetapi kemungkinan bukan fakta.
Sistem yang baik seharusnya dapat mengatakan:
“Evidence belum cukup untuk menentukan penyebab.”
atau:
“Terdapat beberapa hipotesis yang masih perlu diverifikasi.”
Jawaban seperti ini mungkin terdengar kurang spektakuler, tetapi jauh lebih berharga untuk decision support.
AI seharusnya membantu membedakan:
Evidence → Inference → Hypothesis → Unknown
Bukan mencampurkan semuanya menjadi satu jawaban yang terdengar pasti.
Evidence Trace Membuat Keputusan Dapat Dipertanggungjawabkan
Ketika keputusan dibuat dengan data yang belum sempurna, kemampuan menelusuri dasar keputusan menjadi semakin penting.
Kita seharusnya dapat menjawab:
Data apa yang digunakan?
Periode mana yang dianalisis?
Informasi apa yang belum tersedia?
Asumsi apa yang digunakan?
Apa risikonya?
Mengapa tindakan tersebut dipilih?
Informasi tersebut membentuk evidence trace.
Jika beberapa bulan kemudian muncul data baru, kita dapat mengevaluasi keputusan sebelumnya secara lebih adil.
Bukan hanya bertanya:
“Apakah keputusan dulu menghasilkan hasil yang benar?”
Tetapi juga:
“Dengan evidence yang tersedia pada saat itu, apakah keputusan tersebut masuk akal?”
Keputusan yang Baik Tidak Selalu Menghasilkan Hasil yang Baik
Ini terdengar bertentangan, tetapi sangat penting.
Sebuah keputusan dapat dibuat menggunakan proses yang baik dan tetap menghasilkan hasil yang buruk.
Mengapa?
Karena dunia memiliki ketidakpastian.
Sebaliknya, seseorang dapat mengambil keputusan tanpa evidence yang memadai dan kebetulan mendapatkan hasil yang baik.
Hasil yang baik tidak otomatis membuktikan bahwa proses keputusannya juga baik.
Karena itu kita perlu membedakan:
Decision Quality dan Outcome Quality.
Kualitas keputusan dinilai dari evidence, reasoning, risiko, alternatif, dan konteks yang tersedia ketika keputusan dibuat.
Hasil tetap penting, tetapi hasil bukan satu-satunya ukuran kualitas proses berpikir.
Keputusan Bukan Akhir dari Analisis
Setelah keputusan dibuat, proses belum selesai.
Justru pada tahap tersebut kita memperoleh evidence baru dari dunia nyata.
Apakah hasilnya sesuai harapan?
Apakah asumsi awal terbukti?
Apakah muncul efek samping?
Apakah risiko berubah?
Apakah keputusan perlu diperbaiki?
Karena itu pola yang lebih realistis bukan:
Analyze → Decide → Finish
Tetapi:
Analyze → Decide → Observe → Learn → Adjust
Keputusan menjadi bagian dari sebuah feedback loop.
Kita bertindak berdasarkan evidence terbaik yang tersedia. Realitas kemudian menghasilkan evidence baru. Evidence tersebut digunakan untuk memperbaiki keputusan berikutnya.
Understand → Evidence → Analyze → Solve → Improve
Kerangka berpikir ini dapat digunakan ketika keputusan harus dibuat dalam kondisi ketidakpastian.
Understand — pahami masalah dan keputusan yang sebenarnya perlu dibuat.
Evidence — kumpulkan informasi yang relevan dan identifikasi apa yang masih belum diketahui.
Analyze — evaluasi kekuatan evidence, alternatif, ketidakpastian, dan risiko.
Solve — ambil tindakan yang proporsional dengan evidence yang tersedia.
Improve — pantau hasil, kumpulkan evidence baru, dan koreksi keputusan jika diperlukan.
Dengan pendekatan tersebut, kita tidak harus menunggu kepastian absolut.
Tetapi kita juga tidak bertindak berdasarkan tebakan.
Kita bergerak dengan ketidakpastian yang dipahami.
Kesimpulan
Data sempurna hampir tidak pernah tersedia.
Selalu ada informasi yang belum diketahui, data yang belum terkumpul, variabel yang tidak tercatat, atau kondisi yang dapat berubah.
Karena itu keputusan yang baik tidak selalu harus menunggu sampai seluruh ketidakpastian hilang.
Yang perlu kita pahami adalah:
Apa yang sudah diketahui?
Apa yang belum diketahui?
Seberapa kuat evidence yang tersedia?
Apa risiko jika kita bertindak?
Apa risiko jika kita menunggu?
Kemudian pilih tindakan yang proporsional.
Jika evidence masih terbatas, lakukan langkah kecil yang aman dan mudah dikoreksi.
Jika evidence semakin kuat, tindakan dapat diperbesar.
Setelah keputusan dibuat, jangan berhenti mengamati. Gunakan hasilnya sebagai evidence baru.
Karena pengambilan keputusan di dunia nyata bukan tentang selalu mengetahui jawaban dengan pasti.
Ia adalah kemampuan untuk bertindak secara bertanggung jawab ketika kepastian belum tersedia.
Uncertainty → Evidence → Risk → Decision → Observe → Adjust
Jangan menunggu data sempurna jika keputusan memang harus dibuat.
Tetapi jangan pula menyembunyikan ketidakpastian hanya agar keputusan terlihat meyakinkan.
Gunakan evidence terbaik yang tersedia, pahami batasnya, kendalikan risikonya, lalu terus belajar dari hasilnya.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar