TL;DR: Fenomena data analytics gagal di Indonesia bukan soal keterbatasan teknologi atau anggaran — melainkan soal fondasi yang diabaikan: kualitas data yang buruk, kultur organisasi yang resisten, dan absennya kepemimpinan yang memahami apa sebenarnya yang ingin dijawab oleh analytics. Artikel ini membedah lima akar masalah utama dan menyajikan langkah konkret untuk memperbaikinya.
Sepanjang dua dekade terakhir, saya menyaksikan gelombang investasi teknologi datang dan pergi di perusahaan-perusahaan Indonesia. ERP, CRM, business intelligence — semuanya pernah menjadi “obat mujarab” yang dijanjikan vendor. Sekarang giliran data analytics. Dan pola yang sama berulang: anggaran dikucurkan, tools dibeli, tim dibentuk, lalu dua tahun kemudian hasilnya mengecewakan. Realita bahwa data analytics gagal di Indonesia bukan fenomena baru. Yang baru adalah skala kekecewaannya — karena ekspektasinya juga makin tinggi pasca-pandemi.
Survei McKinsey pada 2021 menunjukkan bahwa kurang dari 20% organisasi di Asia Tenggara merasa telah berhasil menangkap value signifikan dari investasi analytics mereka. Di Indonesia sendiri, angka ini kemungkinan lebih rendah lagi mengingat tingkat digital maturity yang masih bervariasi tajam antar industri. [Source: McKinsey Global Survey on AI and Analytics, 2021]
Pertanyaannya bukan lagi “apakah kita perlu data analytics” — itu sudah jelas jawabannya. Pertanyaan yang lebih penting: mengapa begitu banyak inisiatif analytics berakhir sebagai dashboard cantik yang tidak pernah dibuka siapa pun?
Masalah Fundamental: Ini Bukan Soal Tools
Kesalahan paling umum yang saya temui adalah memperlakukan data analytics sebagai proyek teknologi. Perusahaan membeli Tableau, Power BI, atau platform analytics lainnya, lalu mengharapkan insight muncul secara otomatis. Ini seperti membeli mesin espresso profesional dan mengharapkan kopi berkualitas kafe — tanpa mempedulikan kualitas biji kopinya, tanpa barista yang terlatih, dan tanpa tahu selera pelanggan.
Dari pengalaman saya mendampingi berbagai organisasi — dari perusahaan manufaktur di Jawa Timur hingga institusi keuangan di Jakarta — masalahnya hampir selalu bersifat organisasional, bukan teknikal. Tools hanyalah enabler. Yang menentukan keberhasilan adalah bagaimana organisasi mengelola data, membentuk kultur pengambilan keputusan, dan menyelaraskan analytics dengan tujuan bisnis yang spesifik.
Lima Penyebab Utama Data Analytics Gagal di Indonesia
1. Kualitas Data yang Diabaikan
Prinsip lama tetap berlaku: garbage in, garbage out. Sebagian besar perusahaan Indonesia yang saya temui memiliki masalah fundamental dengan kualitas data mereka. Data duplikat, format tidak konsisten, field yang kosong, dan — yang paling berbahaya — data yang secara teknis terisi tapi isinya tidak akurat.
Contoh nyata: sebuah perusahaan distribusi FMCG di Surabaya menginvestasikan ratusan juta rupiah untuk platform analytics yang menjanjikan demand forecasting. Setelah enam bulan, akurasi prediksinya lebih buruk dari estimasi manual tim sales. Penyebabnya? Data penjualan di sistem mereka tidak membedakan antara penjualan reguler dan retur yang diproses ulang. Selama bertahun-tahun, tidak ada yang memperbaiki logika pencatatan ini karena “laporan keuangannya tetap balance.”
Sebagai seseorang dengan latar belakang akuntansi, saya paham betul bagaimana sistem pencatatan bisa terlihat “benar” secara agregat namun menyimpan inkonsistensi di level transaksional. Rekonsiliasi keuangan dan data readiness untuk analytics adalah dua hal yang berbeda.
2. Tidak Ada Pertanyaan Bisnis yang Jelas
Terlalu sering saya mendengar brief seperti: “Kita mau jadi data-driven company.” Ketika saya tanya balik — “Data-driven untuk menjawab pertanyaan apa?” — ruangan hening.
Inisiatif analytics yang berhasil selalu dimulai dari pertanyaan bisnis yang spesifik:
- Produk mana yang marginnya menurun dan mengapa?
- Segmen pelanggan mana yang paling berisiko churn dalam 90 hari ke depan?
- Di titik mana dalam supply chain kita kehilangan efisiensi paling besar?
Tanpa pertanyaan yang jelas, tim analytics akan sibuk membuat dashboard yang cantik tapi tidak actionable. Mereka mengukur segalanya tanpa memahami apa yang sebenarnya penting. Ini pemborosan sumber daya yang luar biasa, terutama di masa seperti sekarang ketika setiap rupiah investasi teknologi harus bisa dipertanggungjawabkan.
3. Kultur Organisasi yang Menolak Transparansi
Ini adalah penyebab yang paling jarang dibicarakan, tapi menurut saya paling kritis — terutama dalam konteks Indonesia.
Data analytics, pada intinya, menciptakan transparansi. Dan transparansi tidak selalu nyaman. Manajer yang selama ini melaporkan kinerja berdasarkan narasi subjektif tiba-tiba menghadapi angka yang berbicara sendiri. Departemen yang selama ini “aman” karena tidak pernah diukur secara granular tiba-tiba terekspos.
Saya pernah melihat sebuah proyek analytics di perusahaan ritel dihambat secara halus oleh middle management. Bukan sabotase terang-terangan — lebih berupa penundaan dalam memberikan akses data, ketidakhadiran dalam sesi requirement gathering, dan “keberatan” teknis yang terus bermunculan. Akar masalahnya? Dashboard yang sedang dibangun akan menunjukkan secara transparan performa per cabang, dan beberapa area manager merasa terancam.
Kultur hierarkis yang kuat, di mana mempertanyakan data atasan dianggap tidak sopan, menjadi penghambat nyata. Analytics hanya berfungsi dalam organisasi yang siap menerima fakta — bahkan ketika faktanya tidak menyenangkan.
4. Kesenjangan Kompetensi yang Salah Ditangani
Perusahaan Indonesia cenderung merespons kebutuhan analytics dengan salah satu dari dua cara: merekrut data scientist mahal dari luar, atau mengirim staf IT yang ada ke pelatihan singkat. Keduanya sering gagal.
Data scientist yang direkrut tanpa konteks bisnis akan membangun model yang secara statistik elegan tapi tidak relevan dengan kebutuhan operasional. Sementara itu, staf IT yang diberi pelatihan dua minggu tentang Python dan SQL tidak serta-merta menjadi analis yang bisa menghasilkan insight bermakna.
Yang sebenarnya dibutuhkan adalah analytics translator — orang yang memahami bisnis cukup dalam untuk merumuskan pertanyaan yang tepat, dan memahami data cukup teknis untuk mengarahkan analisis. Peran ini jarang sekali diisi dengan tepat di perusahaan-perusahaan Indonesia, padahal justru inilah mata rantai yang hilang.
Gartner memperkirakan bahwa pada 2023, organisasi yang memiliki peran analytics translator secara formal akan mendapatkan value 2,6 kali lebih besar dari investasi analytics mereka dibandingkan yang tidak. [Source: Gartner, “The Role of the Analytics Translator,” 2021]
5. Sponsor Eksekutif yang Setengah Hati
Inisiatif analytics membutuhkan sponsor di level C-suite yang bukan sekadar menandatangani anggaran, tapi aktif terlibat dalam mendefinisikan prioritas, menghapus hambatan organisasional, dan — yang paling penting — menggunakan output analytics dalam pengambilan keputusan mereka sendiri.
Ketika CEO atau direktur masih membuat keputusan berdasarkan “feeling” dan laporan PowerPoint yang dikurasi secara selektif, sinyal yang dikirim ke seluruh organisasi sangat jelas: data itu pelengkap, bukan fondasi. Tim analytics yang melihat output mereka diabaikan secara konsisten akan kehilangan motivasi, dan investasinya perlahan mati.
Framework Sederhana untuk Memulai dengan Benar
Berdasarkan pengalaman saya, organisasi yang berhasil mengekstrak nilai dari analytics mengikuti pendekatan bertahap yang saya sebut “Question-First Analytics”:
| Tahap | Fokus | Output |
|---|---|---|
| 1. Define | Identifikasi 3-5 pertanyaan bisnis paling kritis | Daftar prioritas analytics use cases |
| 2. Assess | Audit kualitas data untuk setiap use case | Data readiness scorecard |
| 3. Quick Win | Pilih satu use case dengan data paling siap | Proof of value dalam 8-12 minggu |
| 4. Scale | Bangun governance dan infrastruktur berdasarkan pelajaran dari quick win | Playbook analytics internal |
| 5. Embed | Integrasikan analytics ke dalam proses keputusan rutin | Analytics sebagai bagian dari ritme operasional |
Perhatikan bahwa pembelian tools baru tidak muncul sebagai tahap pertama. Banyak organisasi bisa memulai dengan tools yang sudah mereka miliki — bahkan Excel yang digunakan dengan disiplin dan pertanyaan yang tepat bisa menghasilkan insight yang lebih berguna daripada platform analytics jutaan dolar yang tidak terarah.
Peran Low-Code dan Automasi dalam Menjembatani Gap
Satu perkembangan yang menarik di awal 2022 ini adalah adopsi platform low-code dan process automation yang makin cepat. Tools seperti Microsoft Power Platform, Appian, atau Mendix memungkinkan tim bisnis — bukan hanya tim IT — untuk membangun dashboard dan alur data sederhana tanpa harus menulis kode dari nol.
Ini bukan solusi untuk semua masalah, tapi bisa menjadi jembatan yang efektif untuk mengatasi kesenjangan kompetensi. Ketika business user bisa langsung berinteraksi dengan data mereka sendiri, dua hal terjadi: mereka mulai memahami keterbatasan datanya (dan termotivasi memperbaikinya), dan mereka mengembangkan “data literacy” secara organik.
Namun ada peringatan penting: tanpa governance yang jelas, demokratisasi data melalui low-code bisa menciptakan masalah baru — versi kebenaran yang berbeda-beda antar departemen, atau yang sering saya sebut “spreadsheet hell versi 2.0.”
Langkah Praktis untuk Eksekutif
Jika Anda seorang pengambil keputusan yang sedang mengevaluasi atau memperbaiki inisiatif analytics di organisasi Anda, berikut langkah konkret yang bisa diambil:
- Audit kualitas data sebelum membeli tools baru. Minta tim melakukan profiling terhadap 3 sumber data utama. Berapa persen field yang kosong? Berapa banyak duplikasi? Seberapa konsisten formatnya?
- Definisikan pertanyaan bisnis terlebih dahulu. Kumpulkan 3-5 pertanyaan paling kritis dari setiap kepala departemen. Prioritaskan berdasarkan dampak bisnis dan ketersediaan data.
- Identifikasi atau kembangkan analytics translator. Cari orang di organisasi Anda yang memiliki kombinasi pemahaman bisnis dan keingintahuan teknis. Ini tidak harus data scientist — bisa jadi analis keuangan, operations manager, atau bahkan staf pemasaran yang terbiasa bekerja dengan angka.
- Tunjukkan contoh dari atas. Gunakan data secara eksplisit dalam rapat manajemen. Tanyakan “apa datanya?” sebelum menerima rekomendasi. Ini mengirim sinyal yang jauh lebih kuat daripada memo tentang pentingnya data.
- Mulai kecil, buktikan value, lalu scale. Satu use case yang berhasil dan menghasilkan dampak bisnis nyata lebih berharga daripada sepuluh dashboard yang tidak pernah dibuka.
FAQ
Apakah perusahaan kecil dan menengah juga bisa menerapkan data analytics?
Tentu saja. Justru perusahaan menengah sering punya keuntungan: struktur organisasi lebih flat, proses keputusan lebih cepat, dan volume data yang masih bisa dikelola. Yang kritis bukan ukuran perusahaan, tapi kejelasan pertanyaan bisnis dan kedisiplinan dalam mengelola data. Sebuah UKM dengan data penjualan yang bersih dan pertanyaan yang tepat bisa mendapatkan insight lebih cepat daripada korporasi besar yang datanya berantakan.
Berapa lama waktu yang realistis untuk melihat hasil dari inisiatif analytics?
Quick win pertama seharusnya bisa dihasilkan dalam 8-12 minggu jika pertanyaan bisnisnya sudah jelas dan datanya memadai. Untuk membangun kapabilitas analytics yang tertanam dalam operasional sehari-hari, hitungannya 12-18 bulan. Yang penting adalah menunjukkan value secara bertahap — jangan menunggu infrastruktur “sempurna” sebelum menghasilkan output apa pun.
Haruskah perusahaan membangun tim analytics internal atau menggunakan konsultan?
Idealnya, kombinasi keduanya. Konsultan berguna untuk mempercepat tahap awal: membangun framework, mengidentifikasi use case, dan melatih tim. Tapi kapabilitas inti harus berada di internal. Organisasi yang sepenuhnya bergantung pada konsultan untuk analytics tidak akan pernah benar-benar menjadi data-driven, karena pemahaman konteks bisnis yang mendalam hanya dimiliki oleh orang-orang yang menjalankan operasional sehari-hari.
Apa peran CFO dalam keberhasilan inisiatif data analytics?
Peran CFO sangat signifikan dan sering diremehkan. CFO memiliki dua kontribusi unik: pertama, pemahaman mendalam tentang bagaimana data keuangan terhubung dengan data operasional — ini kritis untuk memastikan analytics menghasilkan insight yang berdampak pada bottom line. Kedua, CFO terbiasa dengan disiplin data melalui proses audit dan compliance, sehingga bisa menjadi champion natural untuk data governance. Saya sering merekomendasikan agar CFO menjadi co-sponsor inisiatif analytics bersama CIO.
Menatap ke Depan
Kegagalan data analytics di banyak perusahaan Indonesia bukanlah vonis permanen. Ini adalah masalah kedewasaan — organisasional, bukan teknologikal. Perusahaan yang bersedia jujur mengakui bahwa masalahnya ada pada fondasi, bukan pada tools, sudah selangkah lebih maju.
Di tengah tekanan ekonomi yang meningkat sepanjang 2022 ini — inflasi yang naik, biaya operasional yang membengkak, dan persaingan yang makin ketat — kemampuan mengambil keputusan berdasarkan data bukan lagi kemewahan. Ini adalah kebutuhan bertahan hidup. Tapi investasinya harus tepat sasaran: perbaiki datanya, perjelas pertanyaannya, bangun kulturnya, dan baru kemudian bicara tentang platform dan teknologi.
Organisasi yang memahami urutan prioritas ini akan menemukan bahwa data analytics bukan sekadar proyek IT yang mahal — melainkan cara baru dalam berpikir dan mengambil keputusan. Dan di situlah letak nilai sesungguhnya.
