Kita sering menganggap semakin banyak data yang dimiliki, semakin mudah sebuah masalah diselesaikan.
Kenyataannya tidak selalu demikian.
Sebuah organisasi dapat memiliki jutaan baris data, dashboard yang lengkap, puluhan indikator, bahkan teknologi artificial intelligence terbaru—tetapi tetap kesulitan menentukan tindakan.
Masalahnya terkadang bukan kekurangan data.
Masalahnya adalah kita belum tahu pertanyaan apa yang sebenarnya ingin dijawab.
Data analytics yang baik tidak dimulai dari grafik.
Tidak pula dimulai dari algoritma.
Ia dimulai dari masalah yang ingin dipahami.
Data Tidak Otomatis Menjadi Insight
Bayangkan terdapat dataset berisi 100.000 transaksi.
Kita dapat menghitung banyak hal:
total transaksi,
nilai rata-rata,
median,
vendor terbesar,
jumlah transaksi setiap bulan,
kategori paling dominan,
hingga transaksi dengan nilai ekstrem.
Semua perhitungan tersebut benar secara matematis.
Tetapi apakah semuanya berguna?
Belum tentu.
Jika tujuan sebenarnya adalah mengetahui mengapa pengeluaran meningkat tajam dalam tiga bulan terakhir, maka ranking vendor sepanjang lima tahun mungkin bukan prioritas pertama.
Sebaliknya, kita perlu membandingkan periode, kategori, unit, serta transaksi yang paling berkontribusi terhadap perubahan tersebut.
Data yang sama dapat menghasilkan analisis berbeda karena pertanyaannya berbeda.
Mulai dari “Apa yang Ingin Kita Ketahui?”
Sebelum membuka spreadsheet, pertanyaan pertama seharusnya bukan:
“Grafik apa yang bisa dibuat?”
Tetapi:
“Apa yang ingin kita ketahui dari data ini?”
Misalnya sebuah dataset berisi transaksi pengadaan.
Pertanyaannya dapat bermacam-macam.
Apakah nilai transaksi meningkat?
Vendor mana yang paling dominan?
Apakah terdapat konsentrasi transaksi?
Apakah ada pola yang berbeda dibandingkan tahun sebelumnya?
Apakah terdapat kelompok transaksi yang membutuhkan pemeriksaan lebih lanjut?
Masing-masing pertanyaan membutuhkan pendekatan berbeda.
Inilah alasan analytics bukan sekadar menjalankan formula terhadap seluruh kolom.
Analytics adalah proses menghubungkan pertanyaan dengan evidence yang tepat.
Pertanyaan Besar Harus Dipecah
Misalnya seorang pimpinan bertanya:
“Mengapa biaya operasional meningkat?”
Pertanyaan tersebut terlalu besar untuk langsung dijawab.
Analytics perlu memecahnya.
Apakah kenaikan terjadi di seluruh unit?
Kapan kenaikan mulai terlihat?
Kategori pengeluaran mana yang paling meningkat?
Apakah jumlah transaksi meningkat atau nilai rata-rata transaksinya yang meningkat?
Apakah terdapat aktivitas baru?
Apakah perubahan hanya terjadi pada beberapa entitas?
Dari satu pertanyaan besar, kita menghasilkan beberapa pertanyaan yang dapat diperiksa menggunakan data.
Proses inilah yang mengubah masalah abstrak menjadi analytical questions.
Bedakan Pertanyaan Deskriptif dan Diagnostik
Salah satu kesalahan umum adalah berhenti pada pertanyaan deskriptif.
Contohnya:
“Berapa total transaksi tahun ini?”
Jawabannya mungkin:
Rp86,4 miliar.
Informasinya benar.
Tetapi belum banyak membantu pengambilan keputusan.
Pertanyaan berikutnya jauh lebih bernilai:
“Mengapa nilainya berubah dibandingkan tahun lalu?”
Sekarang kita bergerak dari descriptive analytics menuju diagnostic analytics.
Kita mulai mencari penyebab, kontribusi, hubungan, dan perubahan.
Perbedaannya sederhana:
Descriptive: Apa yang terjadi?
Diagnostic: Mengapa hal tersebut terjadi?
Dan ketika analytics berkembang lebih jauh:
Predictive: Apa yang mungkin terjadi berikutnya?
Prescriptive: Apa yang sebaiknya dilakukan?
Semakin matang pertanyaannya, semakin dekat analytics dengan keputusan.
Jangan Biarkan Data Memaksa Cerita
Ada bahaya lain ketika kita mulai dari dataset tanpa pertanyaan.
Kita dapat menemukan begitu banyak pola sehingga akhirnya memilih pola yang terlihat menarik dan kemudian membuat cerita di sekitarnya.
Misalnya:
Vendor A memiliki transaksi paling banyak.
Apakah itu masalah?
Belum tentu.
Mungkin memang vendor tersebut menyediakan barang yang paling sering dibutuhkan.
Atau:
Unit B mengalami peningkatan pengeluaran 40%.
Apakah itu tidak normal?
Belum tentu.
Mungkin terdapat program baru.
Analytics yang bertanggung jawab tidak mencari cerita untuk membenarkan angka.
Ia menggunakan angka untuk menguji pertanyaan dan asumsi.
Pertanyaan yang Baik Membutuhkan Evidence
Misalnya kita bertanya:
“Apakah Vendor A terlalu dominan?”
Pertanyaan tersebut belum dapat dijawab hanya dengan mengetahui jumlah transaksi Vendor A.
Kita membutuhkan konteks.
Berapa jumlah seluruh vendor?
Berapa proporsi nilai Vendor A?
Kategori apa yang disediakan?
Berapa banyak vendor alternatif?
Bagaimana pola beberapa tahun terakhir?
Apakah dominasi hanya terjadi pada satu unit?
Semakin serius sebuah kesimpulan, semakin kuat evidence yang dibutuhkan.
Karena itu analytics yang baik selalu menjaga hubungan:
Question → Evidence → Analysis → Finding.
Bukan:
Data → Dugaan → Kesimpulan.
Analisis yang Tidak Relevan Tetaplah Pemborosan
Bayangkan sistem memiliki 50 algoritma.
Secara teknis, kita dapat menjalankan semuanya terhadap sebuah dataset.
Tetapi itu tidak berarti kita harus melakukannya.
Jika pertanyaan pengguna hanya ingin mengetahui tren penerimaan, menjalankan seluruh pemeriksaan relationship, anomaly, clustering, dan berbagai analisis lain mungkin hanya menghasilkan noise.
Kemampuan analytics yang matang justru terletak pada kemampuan memilih:
analisis apa yang relevan untuk pertanyaan ini?
Dengan demikian sistem tidak membanjiri pengguna dengan temuan.
Ia membantu pengguna memusatkan perhatian pada informasi yang memiliki nilai.
AI Membuat Bertanya Menjadi Lebih Mudah
Artificial Intelligence dapat mengubah cara manusia berinteraksi dengan analytics.
Pengguna tidak harus mengetahui SQL.
Tidak harus memahami Python.
Tidak harus mengetahui nama algoritma statistik.
Ia dapat bertanya:
“Apa yang menyebabkan pengeluaran meningkat bulan ini?”
Kemudian sistem membantu menerjemahkan pertanyaan tersebut menjadi langkah analisis.
Namun AI tetap tidak boleh menggantikan evidence.
AI dapat membantu memahami maksud pertanyaan.
AI dapat membantu memilih metode.
AI dapat membantu menjelaskan hasil.
Tetapi angka, perhitungan, dan evidence harus tetap dapat diverifikasi.
Dengan demikian AI menjadi jembatan antara pertanyaan manusia dan mesin analisis.
Dari “Upload Data” Menjadi “Apa yang Ingin Anda Ketahui?”
Bayangkan sebuah aplikasi analytics.
Pengguna mengunggah Excel.
Daripada langsung menampilkan 30 grafik, sistem terlebih dahulu memahami struktur data.
Kemudian sistem dapat menawarkan pertanyaan:
Saya menemukan data transaksi. Apa yang ingin Anda ketahui?
Lihat gambaran umum.
Cari perubahan penting.
Periksa transaksi yang tidak biasa.
Analisis vendor.
Bandingkan periode.
Cari hubungan antarentitas.
Ajukan pertanyaan sendiri.
Sekarang pengguna tidak dipaksa berpikir seperti data scientist.
Sistemlah yang membantu menerjemahkan kebutuhan pengguna menjadi proses analytics.
Inilah bentuk digital solution yang lebih manusiawi.
Temuan Bukan Tujuan Akhir
Misalnya analytics menemukan:
Nilai transaksi meningkat 27%.
Itu sebuah temuan.
Tetapi pekerjaan belum selesai.
Pertanyaan berikutnya:
Apa penyebabnya?
Setelah dianalisis:
72% kenaikan berasal dari dua kategori.
Pertanyaan berikutnya:
Mengapa dua kategori tersebut meningkat?
Kemudian ditemukan:
Sebagian besar peningkatan terjadi pada tiga unit tertentu.
Sekarang ruang masalah semakin kecil.
Analytics bekerja seperti proses memperbesar gambar.
Dari kondisi umum menuju faktor yang paling relevan.
Dan dari sana manusia dapat menentukan tindakan.
Thinking DNA: Understand → Evidence → Analyze → Solve → Improve
Pendekatan ini kembali kepada satu pola berpikir.
Understand
Mulai dengan memahami masalah dan pertanyaan.
Evidence
Cari data yang benar-benar diperlukan untuk menjawabnya.
Analyze
Gunakan metode yang relevan untuk menemukan pola dan hubungan.
Solve
Terjemahkan hasil analisis menjadi pilihan tindakan.
Improve
Evaluasi apakah tindakan tersebut menghasilkan perubahan yang diharapkan.
Jika tidak, kita kembali bertanya.
Mungkin pertanyaan awal perlu diperbaiki.
Mungkin evidence belum cukup.
Mungkin terdapat faktor yang belum diperhitungkan.
Analytics menjadi sebuah siklus pembelajaran.
Kesimpulan
Data analytics bukan perlombaan menghasilkan grafik sebanyak mungkin.
Bukan pula tentang menggunakan algoritma paling rumit.
Analytics adalah kemampuan untuk mengajukan pertanyaan yang tepat, mencari evidence yang relevan, dan menggunakan data untuk mempersempit ketidakpastian sebelum mengambil keputusan.
Karena dataset yang besar tidak otomatis menghasilkan insight.
Dashboard yang indah tidak otomatis menghasilkan keputusan.
AI yang canggih tidak otomatis menghasilkan pemahaman.
Semuanya baru memiliki nilai ketika digunakan untuk menjawab masalah yang benar.
Jadi sebelum bertanya:
“Data ini bisa dianalisis menggunakan apa?”
Cobalah bertanya terlebih dahulu:
“Apa yang sebenarnya ingin saya ketahui?”
Karena sering kali kualitas sebuah analisis sudah ditentukan bahkan sebelum perhitungan pertama dilakukan.
Pertanyaan yang tepat mengarahkan kita kepada evidence yang tepat. Evidence yang tepat membawa kita kepada keputusan yang lebih baik.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar