Datanya sudah ada. Ceritanya belum.

·Pembuka

Dari tumpukan ke keputusan.

Hampir setiap pimpinan yang kami ajak bicara punya keluhan yang mirip. Datanya ada di mana-mana, tapi setiap kali butuh jawaban, jawabannya tidak pernah siap. Ekspor sistem menumpuk, Excel cabang beranak-pinak, rekap harian tenggelam di grup WhatsApp. Bahannya sudah ada. Bentuknya belum bisa dipakai.

Jalan dari tumpukan itu ke sebuah keputusan bisa dipecah jadi enam tahap. Data: bahan mentahnya. Pilah: dikelompokkan dengan definisi yang disepakati semua orang. Susun: diurutkan menurut pertanyaan yang ingin dijawab. Visual: ditampilkan supaya mata bisa membandingkan. Cerita: diberi satu kalimat "jadi apa". Keputusan: seseorang melakukan sesuatu secara berbeda.

Sebagian besar anggaran data biasanya habis di tahap empat: dashboard, tool BI, warna yang indah. Padahal tahap yang paling menentukan justru yang tidak terlihat: menyepakati arti sebuah kata, memilih pertanyaan yang layak dijawab, menganalisis sebelum menampilkan, dan memutuskan sebelum melihat datanya. Chart yang cantik tidak otomatis menghasilkan insight.

Esai ini membahas keenam tahapnya satu per satu: apa artinya, bagaimana ia bocor di bisnis nyata, dan apa yang bisa dilakukan. Coba tekan tiap tahap di bawah, atau biarkan berjalan sendiri.

01Data

Masalahnya bukan kurang data.

Coba hitung sumber data di bisnis Anda sekarang. Biasanya ada POS atau sistem kasir, software akuntansi, satu atau dua aplikasi operasional, Excel per cabang, form Google, dan grup WhatsApp tempat rekap harian dikirim sebagai foto atau pesan panjang. Di klinik dan lab, tambahkan SIMRS atau RME, LIS, dan portal BPJS.

Itu bukan kekurangan data. Itu tumpukan.

Di Indonesia, tumpukannya punya ciri khas. Survei OCBC dan NielsenIQ menemukan 77% pemilik usaha yang melakukan pembukuan masih mengerjakannya secara manual¹⁸. Bahkan di level nasional, Kementerian Kesehatan mengakui integrasi sebagian data rekam medis ke SATUSEHAT "masih manual melalui pemadanan berkala"¹⁹. Kalau sistem kesehatan nasional masih mencocokkan data dengan tangan, wajar kalau bisnis menengah juga begitu.

Riset AWS dan Strand Partners tahun ini menambah satu angka yang lebih tajam. Dari bisnis Indonesia yang sudah memakai AI, hanya 21% yang punya tata kelola data, dan hanya 19% yang punya cara jelas untuk mendefinisikan keberhasilan¹⁷. Alatnya sudah dibeli. Fondasinya belum.

MitosStatistik soal data berantakan pun berantakan

Anda mungkin pernah mendengar bahwa data scientist menghabiskan 80% waktunya untuk membersihkan data. Angka itu ternyata berasal dari survei kecil tahun 2016 yang dua kategorinya dijumlahkan, dan sudah lama dipertanyakan². Survei Anaconda yang lebih besar (3.493 responden) memberi angka yang lebih membumi: sekitar 38% waktu habis untuk menyiapkan dan membersihkan data¹.

38% tetap besar. Tapi pelajarannya lebih menarik dari angkanya: bahkan statistik tentang data berantakan pun lahir dari data yang tidak dipilah dengan benar. Ini akan jadi tema yang terus kembali.

GejalaTanda bisnis Anda masih di tahap 1

• Laporan bergantung pada satu orang. Kalau admin keuangan cuti, laporan bulanan ikut cuti.
• "Nanti saya tarikkan datanya" butuh tiga hari. Pertanyaan sederhana dari pimpinan jadi proyek kecil.
• Angka penting tinggal di chat. Rekap harian cabang dikirim sebagai foto, lalu tenggelam di antara stiker dan ucapan selamat pagi.

Yang dilakukan tim yang berhasil: mereka tidak mulai dengan membeli tool. Mereka membuat daftar sederhana: semua sumber data, siapa pemegangnya, seberapa sering diperbarui, dan bisa diekspor atau tidak. Daftar ini biasanya muat di satu halaman, dan hampir selalu mengejutkan pimpinannya sendiri.

Tumpukan data tidak bisa ditanya. Yang bisa ditanya adalah data yang sudah disepakati.

02Pilah

Satu kata, tiga angka.

Memilah kedengarannya seperti pekerjaan mekanis: kelompokkan berdasarkan warna. Di bisnis, memilah adalah pekerjaan politik. Karena sebelum data bisa dikelompokkan, semua orang harus setuju apa arti tiap kelompok.

Contoh: rapat Senin dengan tiga angka pendapatan. Di salah satu provider MCU korporat, rapat Senin pagi dibuka dengan pertanyaan sederhana: berapa pendapatan MCU bulan lalu? Sales menjawab Rp4,6 miliar. Operasional punya angka Rp4,3 miliar. Keuangan menjawab Rp4,1 miliar. Empat puluh menit kemudian, rapat selesai tanpa membahas apa pun selain angka mana yang benar.

Yang menarik: ketiganya benar. Sales menghitung nilai kontrak yang ditandatangani bulan itu. Operasional menghitung peserta yang sudah diperiksa, dikali harga paket. Keuangan menghitung invoice yang terbit setelah hasil dikirim ke HR klien, dikurangi peserta yang batal. Tiga definisi yang masuk akal, dipakai untuk satu kata yang sama.

Ini bukan masalah bisnis kecil. Airbnb, dengan ribuan karyawan dan tim data kelas dunia, pernah mengalami hal yang persis sama. Tim Data Science dan Finance kadang memberi jawaban berbeda untuk pertanyaan sederhana seperti kota mana yang paling banyak booking minggu lalu, karena memakai tabel dan definisi metrik yang sedikit berbeda⁵. Jawaban mereka adalah Minerva, platform yang kini menyimpan lebih dari 12.000 definisi metrik dengan satu prinsip: define once, use everywhere⁶.

Detail yang jarang dibahas: Minerva lahir dari tim eksperimen A/B testing. Di sana, definisi yang salah langsung membuat keputusan yang salah, dan semua orang melihatnya. Baru setelah itu disiplinnya menyebar ke laporan biasa⁶. Pelajarannya: definisi diperbaiki di tempat keputusan dipaksa terjadi. Kalau tidak ada keputusan yang bergantung pada sebuah angka, tidak ada yang peduli angka itu didefinisikan dengan benar.

TemplateKamus metrik satu halaman

Anda tidak butuh Minerva. Versi murahnya adalah satu halaman yang ditandatangani keuangan dan operasional. Mulai dari lima angka yang paling sering diperdebatkan di rapat.

Sebelum data bisa dipilah, semua orang harus setuju apa arti tiap kelompok.

03Susun

Dari urutan sistem ke urutan pertanyaan.

Tahap menyusun paling sering dilewati, karena terasa tidak perlu: datanya kan sudah rapi. Menurut kami justru sebaliknya. Menyusun adalah tahap tempat pertanyaan pertama kali masuk.

Bedanya begini. Memilah soal konsistensi: setiap orang menghitung hal yang sama dengan cara yang sama. Menyusun soal relevansi: dari semua yang sudah rapi, mana yang ditaruh di depan, dan apa hubungannya satu sama lain. Menyusun tanpa pertanyaan menghasilkan pivot table. Menyusun dengan pertanyaan menghasilkan argumen.

Contoh: 23 sheet yang disusun menurut sistem. Sebuah grup klinik mengirim laporan bulanan ke direksi dalam satu file Excel berisi 23 sheet. Urutannya mengikuti modul sistem: pendaftaran, kasir, laboratorium, farmasi, dan seterusnya. Semuanya benar dan lengkap. Tapi direktur hanya punya satu pertanyaan setiap bulan: cabang mana yang perlu dibantu bulan ini, dan kenapa? Untuk menjawabnya, dia harus membuka tujuh sheet dan menghitung sendiri.

Laporan yang sama, disusun ulang di sekitar pertanyaan itu, muat di satu halaman: tiga cabang dengan perubahan terbesar, satu baris penyebab untuk masing-masing, dan tautan ke sheet detail bagi yang ingin menggali. Tidak ada data baru. Hanya urutan baru.

Prinsip ini bukan hal baru. Barbara Minto menulisnya di McKinsey sejak 1970-an sebagai Pyramid Principle: jawaban di atas, argumen pendukung di bawahnya, data paling bawah. Amazon membawanya lebih jauh. Pada 2004, Jeff Bezos melarang PowerPoint di rapat pimpinan, dengan alasan bahwa struktur naratif sebuah memo "memaksa pemahaman yang lebih baik tentang mana yang lebih penting dari yang lain, dan bagaimana semuanya saling berhubungan"⁷. Itu definisi yang hampir sempurna untuk tahap menyusun.

Bezos juga jujur soal biayanya: memo yang bagus ditulis dan ditulis ulang, disimpan beberapa hari, lalu diedit lagi dengan kepala segar. "Memo seperti itu tidak bisa selesai dalam satu atau dua hari"⁷. Menyusun itu mahal. Itulah kenapa tahap ini paling sering dilewati.

TemplateLaporan Senin satu halaman

1. Baris 1

   Pertanyaan minggu ini, ditulis sebagai kalimat tanya. Kalau tidak bisa ditulis, laporannya belum siap.

2. Baris 2

   Jawaban singkat, satu atau dua kalimat. Pembaca yang berhenti di sini tetap dapat intinya.

3. Blok 3

   Tiga hal yang berubah paling banyak, masing-masing dengan satu baris penyebab. Bukan sepuluh, bukan semua.

4. Blok 4

   Satu chart yang mendukung jawaban, dengan judul berupa kesimpulan.

5. Lampiran

   Detail per sistem untuk yang ingin menggali. Di sini 23 sheet tadi tetap berguna.

Menyusun tanpa pertanyaan menghasilkan pivot table. Menyusun dengan pertanyaan menghasilkan argumen.

04Visual

Chart yang dibaca, bukan dipajang.

Ini tahap yang paling sering dikira sebagai tujuan akhir. Begitu ada dashboard, proyek data dianggap selesai. Kenyataannya lain. Survei BARC terhadap lebih dari 1.000 pengguna menemukan hanya 25% karyawan yang aktif memakai alat BI. Di perusahaan besar, angkanya turun ke 16%⁴. Dan angka seperempat ini hampir tidak bergerak selama tujuh tahun pengamatan BARC³.

Contoh: dashboard 40 widget. Di dunia agency, dashboard kampanye adalah bagian dari paket yang dijual ke brand. Salah satunya berisi 40 widget di enam tab: impression, reach, CTR, engagement per platform, semuanya dengan warna yang indah. Kami membuka log aksesnya: dalam delapan minggu, dashboard itu dibuka 11 kali. Tujuh di antaranya oleh tim agency sendiri. Penggantinya jauh lebih sederhana: tiga chart yang menjawab pertanyaan brand manager (apakah kampanye ini menggerakkan penjualan di area yang kita sasar?), dikirim sebagai gambar ke grup WhatsApp setiap Senin pukul 07.00. Tidak perlu login. Di minggu kedua, brand manager mulai membalas dengan pertanyaan.

Kenapa tiga chart bisa menang melawan 40? Sebagian jawabannya ada di riset persepsi yang sudah berumur 40 tahun. William Cleveland dan Robert McGill menguji seberapa akurat orang membaca berbagai cara menampilkan angka. Hasilnya: kita paling akurat membandingkan posisi pada skala yang sama, lalu panjang, lalu sudut, lalu luas, dan paling buruk volume dan warna⁸.

Artinya, bar chart yang sederhana hampir selalu lebih jujur daripada grafik 3D, pie chart berlapis, atau ilustrasi yang cantik. Dan cerita tidak boleh menggantikan chart. Cerita harus berdiri di atas chart.

Tapi ada sisi lain. Penelitian Michelle Borkin dan rekan di Harvard terhadap lebih dari 2.000 visualisasi menemukan bahwa bar chart dan line chart biasa justru paling mudah dilupakan. Yang diingat adalah visual dengan warna dan objek yang dikenali manusia⁹. Jadi ada dua pekerjaan berbeda: chart yang akurat untuk mengambil keputusan, dan satu jangkar yang mudah diingat supaya keputusannya tidak terlupa setelah rapat. Tentukan dulu tiap chart sedang mengerjakan yang mana.

Stephen Few, yang banyak menulis soal desain dashboard, punya definisi yang layak ditempel di dinding: dashboard adalah tampilan visual dari informasi paling penting yang dibutuhkan untuk mencapai satu atau lebih tujuan, yang muat di satu layar supaya bisa dipantau sekilas. Dashboard tanpa tujuan dan tanpa pemilik bukan dashboard. Itu dekorasi.

Dashboard tanpa pemilik dan tanpa pertanyaan bukan dashboard. Itu dekorasi.

05Cerita

Satu kalimat "jadi apa".

Cara tercepat menguji apakah sebuah laporan punya cerita: baca judul chart-nya. "Penjualan per cabang, Q3" adalah topik. "Cabang E 46% di bawah rata-rata, padahal biaya sewanya sama" adalah cerita. Cole Nussbaumer Knaflic menyebutnya Big Idea: satu kalimat yang menyatakan sudut pandang Anda dan apa yang dipertaruhkan¹¹.

Cerita bekerja karena manusia mengingat cerita jauh lebih baik dari angka. Itu kekuatannya. Itu juga bahayanya.

Daniel Kahneman menunjukkan bahwa keyakinan kita pada sebuah kesimpulan lebih bergantung pada seberapa koheren ceritanya, bukan seberapa banyak buktinya. Dan cerita yang paling koheren justru paling mudah dibuat ketika kita tahu lebih sedikit¹². Sampel kecil menghasilkan cerita yang paling meyakinkan. Itulah kenapa cerita data perlu satu disiplin tambahan.

DisiplinSebutkan angka yang bisa membantah ceritanya

Setiap cerita di laporan sebaiknya disertai satu kalimat: "Cerita ini salah kalau ...". Misalnya: "Cabang E tertinggal karena jam bukanya. Cerita ini salah kalau cabang dengan jam buka yang sama juga tertinggal." Kalimat itu mengubah cerita dari opini yang meyakinkan jadi hipotesis yang bisa dicek.

Contoh: 94% tepat waktu, dan klien terbesar yang marah. Sebuah provider MCU memantau satu angka di dashboard utamanya: hasil MCU yang terkirim ke HR klien sesuai janji waktu, stabil di 94%. Hijau, setiap minggu. Lalu klien korporat terbesarnya mengirim surat keberatan dan mulai membuka tender ulang. Ketika 6% hasil yang terlambat dipecah, ternyata 61% di antaranya milik klien itu, dari satu lokasi pemeriksaan onsite yang sama. Angka rata-ratanya benar. Ceritanya salah.

Jeff Bezos punya aturan untuk situasi seperti ini: "Kalau data dan anekdot tidak sejalan, biasanya anekdotnya yang benar." Bukan karena data tidak penting, tapi karena ada yang salah dengan cara kita mengukurnya¹³. Dia pernah membuktikannya di tengah rapat: metrik menyebut pelanggan menunggu kurang dari 60 detik untuk tersambung ke customer service. Dia menelepon nomor itu dari ruang rapat. Mereka menunggu dalam diam lebih dari sepuluh menit.

Surat keberatan dari klien terbesar adalah anekdot. Rata-rata 94% adalah data. Yang benar adalah anekdotnya.

Cerita yang bagus membuat angka diingat. Cerita yang jujur menyebut angka yang bisa membantahnya.

06Keputusan

Tahap yang paling sering dilupakan.

Banyak proyek data berakhir di dashboard yang indah, lalu berhenti. Padahal ujung dari semua pekerjaan data adalah satu hal: seseorang memutuskan untuk melakukan sesuatu secara berbeda. Kalau tidak, enam tahap itu hanya menghasilkan laporan yang lebih cantik.

Dan di sinilah datanya paling mengkhawatirkan. 67% CEO dalam survei KPMG mengaku pernah mengabaikan insight dari analisis data karena bertentangan dengan intuisi mereka¹⁰. Studi Accenture dan Qlik terhadap 9.000 karyawan menemukan 48% sering kembali ke gut feeling saat mengambil keputusan, dan hanya 21% yang yakin dengan kemampuan literasi data mereka¹⁴. Survei Oracle terhadap 14.000 lebih orang menemukan 70% pernah menyerah mengambil keputusan karena datanya terlalu banyak¹⁵.

Yang terakhir itu penting. Masalahnya bukan selalu kurang data. Kadang justru kebanyakan, tanpa satu pertanyaan yang mengikatnya.

AlatDefault action: putuskan dulu, baru lihat data

Cassie Kozyrkov, Chief Decision Scientist pertama di Google, mengajarkan satu kebiasaan yang mengubah cara kami membaca laporan. Sebelum melihat data, tentukan default action: apa yang akan Anda lakukan kalau tidak ada informasi baru sama sekali¹⁶. Tugas data hanya satu: memberi tahu apakah Anda perlu berpindah dari default itu.

Kedengarannya sederhana, tapi efeknya besar. Rapat tidak lagi bertanya "apa kata datanya?", yang bisa dijawab seribu cara. Rapat bertanya "apakah datanya cukup kuat untuk membuat kita berubah dari rencana awal?", yang jawabannya ya atau tidak.

AlatPintu satu arah, pintu dua arah

Bezos membagi keputusan jadi dua jenis. Keputusan satu arah sulit atau tidak bisa dibatalkan, dan layak diambil pelan-pelan dengan banyak pertimbangan. Keputusan dua arah bisa dibatalkan, dan sebaiknya diambil cepat oleh orang atau tim kecil yang punya penilaian bagus. Masalahnya, organisasi yang makin besar cenderung memperlakukan semua keputusan seperti pintu satu arah²⁰. Untuk keputusan dua arah, dia menyarankan cukup dengan sekitar 70% informasi yang Anda inginkan²¹.

Untuk laporan data, artinya jelas: tidak semua keputusan butuh enam tahap lengkap. Mengubah jam buka satu cabang selama sebulan adalah pintu dua arah. Menutup cabang itu adalah pintu satu arah.

AlatAngka pasangan, supaya angkanya tidak dipermainkan

Begitu sebuah angka dipakai untuk keputusan, apalagi untuk bonus, angka itu mulai berubah perilaku. Marilyn Strathern merumuskan hukum Goodhart dengan kalimat yang terkenal: ketika ukuran dijadikan target, ia berhenti jadi ukuran yang baik²². Andy Grove, mantan CEO Intel, punya penangkalnya: pasangkan setiap indikator dengan indikator lawannya. Kalau Anda mengukur tingkat stok, ukur juga kejadian stok habis. Kalau mengukur kecepatan layanan, ukur juga keluhan.

Contoh: keputusan dalam sepuluh menit. Setelah laporan Senin klinik tadi disusun ulang, kami menambahkan satu blok kecil di bawahnya: keputusan yang sudah disepakati sebelum datanya keluar. "Kalau pasien baru di satu cabang turun lebih dari 15% dua minggu berturut-turut, kepala cabang dan tim operasional bertemu dalam tiga hari untuk memeriksa jadwal dokter dan jam buka." Saat Cabang C turun 18%, tidak ada debat soal perlu atau tidaknya bertindak. Rapat itu hanya butuh sepuluh menit.

TemplateDecision brief

Cerita yang tidak mengubah tindakan tetap hanya laporan.

07Arah

Balik arahnya.

Piramida DIKW (data, informasi, pengetahuan, kebijaksanaan) dari Russell Ackoff, sampai banyak slide strategi data, semuanya punya satu kesamaan: alirannya dari bawah ke atas. Kumpulkan data, rapikan, nanti insight akan muncul.

Martin Frické, profesor ilmu informasi, menulis kritik yang cukup keras soal ini. Menurutnya, gagasan bahwa informasi "naik" dengan sendirinya dari data adalah keliru secara metodologis. Tanpa pertanyaan atau teori di awal, tidak ada yang naik²³.

Pengalaman kami di lapangan sejalan dengan itu. Tim yang berhasil membangun laporan bekerja dengan arah sebaliknya. Mereka mulai dari keputusan yang harus diambil, turun ke pertanyaan yang harus dijawab, turun ke angka yang dibutuhkan, dan baru di akhir menyentuh sumber datanya. Hasilnya, mereka hanya memilah dan menyusun data yang benar-benar dipakai.

Ini juga menjawab kenapa begitu banyak proyek data terasa tidak selesai. Kalau dimulai dari bawah, selalu ada data lain yang belum dibersihkan. Kalau dimulai dari keputusan, proyeknya selesai ketika keputusan itu bisa diambil dengan lebih baik. Ada garis akhirnya.

Kalau dimulai dari data, selalu ada data lain yang belum rapi. Kalau dimulai dari keputusan, ada garis akhirnya.

08Batas

Di mana polanya melentur.

Enam tahap ini adalah pola, bukan prosedur wajib. Masing-masing punya batas.

1. 01Saat eksplorasi

   Jangan buru-buru membuat cerita saat masih mencari. Cerita memaksakan koherensi, sementara eksplorasi butuh kesabaran terhadap hal yang belum masuk akal. Cerita dipakai untuk menyampaikan keputusan, bukan untuk menemukannya.

2. 02Keputusan kecil

   Keputusan dua arah tidak butuh enam tahap. Untuk hal yang bisa dibatalkan bulan depan, cukup dengan data secukupnya, putuskan, ukur, lalu kembalikan kalau salah.

3. 03Data-informed

   Data mengoptimalkan strategi yang sedang berjalan, bukan memilih strategi baru. Andrew Chen, mengutip Adam Mosseri, menyebut metrik hanyalah cerminan strategi produk yang sedang dijalankan²⁴. Untuk keputusan arah, data membantu, tapi tidak memutuskan.

4. 04Spreadsheet

   Spreadsheet bukan musuh. Audit lapangan menemukan sebagian besar spreadsheet nyata mengandung kesalahan, tapi per sel tingkat kesalahannya kecil, sekitar 1 sampai 5%²⁵. Masalahnya bukan alatnya, tapi satu sel yang salah di tempat yang dipakai untuk keputusan. Pada 2020, 15.841 kasus Covid di Inggris tidak terlaporkan karena file Excel versi lama mencapai batas barisnya²⁶.

5. 05Satu tempat

   Menyatukan data juga berarti menyatukan risiko. Sejak 17 Oktober 2024, UU Pelindungan Data Pribadi No. 27/2022 berlaku penuh. Data kesehatan termasuk data pribadi yang bersifat spesifik²⁷. Satu tempat untuk semua data juga satu tempat yang harus dijaga: akses per peran, log aktivitas, dan hanya data yang benar-benar dibutuhkan.

09Self-check

Laporan Senin Anda berhenti di tahap berapa?

Satu pertanyaan per tahap. Jawab dengan jujur untuk satu laporan yang paling sering dipakai di bisnis Anda.

"Belum" pertama dari atas adalah tempat laporan Anda berhenti. Perbaiki yang itu dulu. Tahap di bawahnya hampir selalu ikut membaik.

10Penutup

Penutup.

Tumpukan data memang perlu dipilah, disusun, divisualkan, dan diceritakan. Tapi jalan itu sering terlihat seperti urusan tampilan, padahal yang paling sulit justru tidak terlihat: menyepakati arti sebuah kata, memilih pertanyaan yang layak dijawab, dan memutuskan sebelum melihat datanya.

Kalau harus diringkas jadi satu kebiasaan: mulailah dari keputusan, lalu bangun hanya data yang dibutuhkan untuk mengambilnya dengan lebih baik. Sisanya bisa menunggu.

Datanya sudah ada.
Yang belum ada adalah keputusan yang menunggunya.

Ini pekerjaan yang kami kerjakan di AksesData: mengambil data yang sudah ada di bisnis Anda, dari ekspor sistem sampai Excel cabang, lalu menyusunnya jadi laporan pimpinan yang dimulai dari pertanyaan, bukan dari tabel. Lihat cara kerja AksesData.