Literasi Data Eksekutif: Apa yang Sebenarnya Perlu Anda Ketahui

🇬🇧 Read this article in English

Executive Summary

Literasi data eksekutif bukan berarti belajar menulis query SQL atau membangun dashboard. Ini berarti tahu bagaimana mengajukan pertanyaan yang tepat, mengevaluasi kualitas data yang disajikan kepada Anda, dan membuat keputusan yang dapat dipertanggungjawabkan ketika angka-angkanya ambigu. Artikel ini mengupas seperti apa praktiknya di dunia nyata — dan hal-hal apa saja yang bisa berhenti Anda pedulikan.

Seorang CFO yang bekerja dengan saya tahun lalu membagikan sesuatu yang terus membekas di pikiran saya. Ia berkata: “Saya punya dua belas dashboard, tiga perangkat analitik, dan tim data science beranggotakan empat orang. Saya tetap membuat sebagian besar keputusan berdasarkan insting.” Ia tidak malu dengan hal ini. Ia frustrasi. Ia telah berinvestasi besar-besaran pada kapabilitas data tetapi tidak pernah mengembangkan satu hal yang akan membuat investasi tersebut membuahkan hasil — kemampuannya sendiri untuk secara kritis menguji hasil dari data tersebut. Kesenjangan itulah yang tepatnya dijawab oleh literasi data eksekutif, dan hal ini jauh lebih umum terjadi daripada yang mau diakui oleh sebagian besar pemimpin.

Pembicaraan seputar literasi data telah didominasi oleh tim teknis selama bertahun-tahun. Mereka berbicara tentang metode statistik, pemodelan data, dan praktik terbaik visualisasi. Semuanya penting. Namun hampir tidak ada satupun yang menjawab pertanyaan yang sebenarnya dibutuhkan oleh seorang eksekutif senior: Apa yang perlu saya pahami untuk membuat keputusan yang lebih baik dengan data — tanpa harus menjadi seorang data scientist?

Itulah pertanyaan yang ingin saya jawab di sini.

Mengapa Literasi Data Eksekutif Lebih Penting di Tahun 2022 Dibandingkan Sebelumnya

Kita beroperasi di lingkungan di mana optimalisasi biaya bukan lagi sebuah pilihan. Inflasi menekan margin keuntungan. PHK di sektor teknologi semakin cepat. Jajaran direksi meneliti setiap rupiah pengeluaran teknologi dengan intensitas yang baru. Era membuang-buang uang untuk “inisiatif data” dan sekadar berharap mendapatkan wawasan sudah berakhir.

Pada saat yang sama, volume data yang tersedia bagi para pembuat keputusan telah berkembang secara eksponensial. Laporan McKinsey awal tahun ini menemukan bahwa organisasi yang digerakkan oleh data (data-driven) 23 kali lebih mungkin mendapatkan pelanggan, 6 kali lebih mungkin mempertahankan mereka, dan 19 kali lebih mungkin untuk meraih profit [Sumber: McKinsey Global Institute]. Angka-angka tersebut terdengar meyakinkan — sampai Anda menyadari bahwa menjadi “data-driven” bukanlah kondisi biner. Sebagian besar organisasi berada di tengah-tengah situasi yang berantakan, di mana mereka memiliki data tetapi tidak memiliki kapabilitas organisasi untuk menggunakannya dengan baik.

Hambatannya jarang sekali pada teknologinya. Jarang sekali pada data engineer atau analisnya. Seringkali, hambatannya ada di puncak pimpinan — para eksekutif yang tidak dapat secara efektif menginterogasi, menafsirkan, atau bertindak berdasarkan data karena mereka tidak pernah diajari caranya. Dan tidak ada yang mau menjadi orang di ruang rapat yang bertanya, “Bisakah seseorang menjelaskan apa yang sebenarnya disampaikan oleh analisis regresi ini kepada kita?”

Jadi mereka mengangguk. Mereka menyetujui. Dan organisasi terus membuat keputusan mahal berdasarkan analisis yang tidak sepenuhnya dipahami oleh siapa pun di ruangan itu.

Apa Arti Sebenarnya dari Literasi Data (Dan Apa yang Bukan)

Mari saya sampaikan secara langsung apa arti literasi data bagi seseorang di posisi C-suite atau kepemimpinan senior. Ini bukan tentang kemahiran teknis. Ini tentang kefasihan kritis (critical fluency) — kemampuan untuk berinteraksi dengan data sebagai alat berpikir, bukan sekadar sebagai dekorasi untuk slide presentasi.

Inilah yang sebenarnya dibutuhkan dari literasi data tingkat eksekutif:

• Memahami apa yang direpresentasikan oleh data. Dari mana asalnya? Bagaimana data itu dikumpulkan? Apa yang diukurnya, dan apa yang tidak diukurnya? Dashboard pendapatan yang menarik data dari CRM menceritakan kisah yang berbeda dari dashboard yang menarik data dari buku besar ERP Anda. Mengetahui perbedaannya adalah hal yang penting.
• Menyadari keterbatasan analisis. Setiap model memiliki asumsi. Setiap dataset memiliki celah. Seorang eksekutif yang tidak bisa bertanya, “Apa asumsi di balik proyeksi ini?” sama saja dengan terbang buta dengan ekspresi penuh percaya diri.
• Membedakan korelasi dari kausalitas. Ini terdengar seperti kuliah statistik, tetapi hal ini terus-menerus muncul di ruang rapat. “Kita meluncurkan kampanye baru dan penjualan naik” tidak berarti kampanye tersebut yang menyebabkan peningkatan. Eksekutif yang menerima narasi itu tanpa menyelidiki lebih lanjut sedang membuat keputusan alokasi berdasarkan kebetulan.
• Mengetahui kapan ukuran sampel terlalu kecil. Saya pernah melihat seluruh strategi produk berubah arah hanya berdasarkan data survei dari 47 responden. Empat puluh tujuh. Jika Anda tidak akan mempertaruhkan rumah Anda pada 47 opini, jangan pertaruhkan peta jalan (roadmap) produk Anda pada opini tersebut.
• Menanyakan tentang kontrafaktual. “Dibandingkan dengan apa?” adalah pertanyaan tunggal paling kuat yang bisa diajukan oleh seorang eksekutif yang melek data. Peningkatan 15% terdengar mengesankan. Dibandingkan dengan tidak melakukan apa-apa? Dibandingkan dengan alternatif investasi lain? Konteks menentukan apakah sebuah angka bermakna atau tidak.

Perhatikan apa yang tidak ada dari daftar tersebut: tidak ada penyebutan Python, Tableau, atau arsitektur machine learning. Itu semua adalah alat. Alat yang berharga. Namun tugas seorang eksekutif bukanlah mengoperasikan alat tersebut — melainkan mengevaluasi hasilnya dan membuat keputusan.

Empat Tingkat Keterlibatan Data Eksekutif

Selama bertahun-tahun, saya telah mengamati bahwa para eksekutif cenderung masuk ke dalam salah satu dari empat tingkatan dalam hal bagaimana mereka berinteraksi dengan data. Ini bukan kerangka kerja formal — ini adalah pola yang berulang kali saya lihat di berbagai industri dan skala organisasi.

Level 1: Data Avoidant (Menghindari Data)

Eksekutif ini mendelegasikan semua keputusan terkait data kepada tim mereka dan menerima kesimpulan apa adanya. Mereka memandang data sebagai domain teknis yang “bukan area saya.” Hal ini masih bisa dipertahankan satu dekade lalu. Sekarang, ini adalah sebuah kewajiban yang membebani (liability).

Level 2: Data Receptive (Penerima Data)

Mereka melihat dashboard, membaca laporan, dan memahami metrik dasar. Namun mereka jarang menantang metodologi atau mengajukan pertanyaan yang menyelidik. Mereka mengonsumsi data secara pasif. Sebagian besar eksekutif yang saya temui berada di level ini.

Level 3: Data Interrogative (Penginterogasi Data)

Para pemimpin ini mengajukan pertanyaan-pertanyaan sulit. Mereka menantang asumsi. Mereka cukup memahami cara kerja analisis untuk mengidentifikasi kesimpulan yang lemah. Mereka mendorong tim mereka untuk menyajikan tidak hanya temuan, tetapi juga tingkat keyakinan (confidence level) di balik temuan tersebut. Ini adalah tingkat minimum yang menurut saya harus ditargetkan oleh para eksekutif senior.

Level 4: Data Fluent (Fasih Data)

Mereka dapat merumuskan pertanyaan analitis sendiri, memahami tarik-ulur (trade-off) antara berbagai metodologi, dan menciptakan budaya di mana kualitas data dan ketelitian analitis menjadi nilai-nilai organisasi. Mereka tidak hanya mengonsumsi analisis — mereka membentuk bagaimana analisis itu dilakukan.

Lompatan dari Level 2 ke Level 3 adalah tempat di mana tingkat pengembalian tertinggi atas usaha Anda berada. Anda tidak memerlukan gelar statistik. Anda hanya memerlukan kebiasaan terstruktur untuk mengajukan pertanyaan yang lebih baik.

Kerangka Kerja Praktis: Lima Pertanyaan yang Harus Diajukan Setiap Eksekutif

Ketika seseorang menyajikan rekomendasi berbasis data kepada Anda — entah itu proposal anggaran, analisis pasar, atau dashboard operasional — ajukan kelima pertanyaan ini sebelum membuat keputusan:

1. Apa sumber data ini? Apakah internal atau eksternal? Primer atau sekunder? Seberapa baru data ini? Asal-usul data memengaruhi keandalannya.
2. Apa sampelnya, dan apakah representatif? Apakah kita melihat semua pelanggan atau hanya sebagian? Semua transaksi atau cuplikan waktu yang terbatas? Bias sampel adalah salah satu masalah paling umum — dan paling tidak terlihat — dalam analitik bisnis.
3. Asumsi apa yang mendasari analisis ini? Setiap prakiraan, model, atau proyeksi bertumpu pada asumsi. Jika asumsi tersebut berubah, apakah kesimpulannya tetap berlaku? Minta analis untuk menyebutkan tiga asumsi teratas. Jika mereka tidak bisa, analisis tersebut belum siap untuk dijadikan dasar keputusan.
4. Seperti apa interpretasi yang berlawanan? Jika data mengatakan “luncurkan produk,” tanyakan seperti apa data tersebut jika jawabannya adalah “jangan luncurkan.” Hal ini memaksa kejujuran intelektual dan mengungkapkan seberapa konklusif bukti tersebut sebenarnya.
5. Keputusan apa yang sebenarnya didukung oleh data ini? Data dapat menginformasikan sebuah keputusan tanpa harus membuatnya. Perjelas apakah analisis tersebut menjawab pertanyaan yang sebenarnya ingin Anda jawab, atau apakah ia menjawab pertanyaan berdekatan yang terasa berhubungan tetapi tidak sama.

Cetak kelima pertanyaan ini. Tempelkan di buku catatan Anda. Saya tidak sedang beretorika — saya telah melihat para eksekutif mengubah kualitas hasil analitis tim mereka hanya dengan secara konsisten mengajukan pertanyaan-pertanyaan ini. Tim mulai mengantisipasinya. Analisis menjadi lebih tajam. Keputusan menjadi lebih baik.

Seperti Apa Praktiknya di Dunia Nyata

Saya memberikan konsultasi kepada sebuah perusahaan manufaktur skala menengah awal tahun ini di mana VP Operasionalnya yakin bahwa inefisiensi gudang mereka adalah masalah kepegawaian. Data di dashboard-nya menunjukkan biaya tenaga kerja per unit trennya meningkat selama enam bulan. Solusi yang diusulkannya: merestrukturisasi tim gudang dan mendatangkan pekerja sementara untuk mengurangi biaya per unit.

Ketika kami menggali data tersebut bersama-sama, kami menemukan sesuatu yang tidak ditunjukkan oleh dashboard-nya. Kenaikan biaya tenaga kerja hampir seluruhnya didorong oleh perubahan bauran produk (product mix) — perusahaan telah beralih ke produk yang lebih berat dan lebih kompleks yang membutuhkan lebih banyak waktu penanganan. Produktivitas tenaga kerja sebenarnya sedikit meningkat berdasarkan basis kompleksitas per item.

Dashboard tersebut secara teknis akurat. Kesimpulannya salah. Dan keputusan yang diusulkan — merestrukturisasi tim — akan menelan biaya transisi sekitar $200.000 sambil memecahkan masalah yang sebenarnya tidak ada.

Ini bukanlah cerita yang tidak biasa. Hal ini terjadi di berbagai organisasi setiap minggu. Bukan karena eksekutifnya ceroboh, tetapi karena data yang diperlihatkan kepada mereka sering kali sudah dicerna terlebih dahulu oleh alat dan tim yang tidak tahu pertanyaan apa yang sebenarnya ingin dijawab oleh sang eksekutif.

Membangun Literasi Data ke Dalam Praktik Kepemimpinan Anda

Literasi data bukanlah sebuah kursus yang Anda selesaikan. Ini adalah sebuah praktik yang Anda bangun. Berikut adalah langkah-langkah konkret bagi para eksekutif yang ingin beralih dari Level 2 ke Level 3:

• Luangkan waktu 30 menit dengan tim analitik Anda untuk menanyakan bagaimana mereka menyusun laporan terakhir. Bukan apa isi laporannya — bagaimana mereka menyusunnya. Sumber data apa yang mereka gunakan. Apa yang mereka kecualikan dan mengapa. Anda akan belajar lebih banyak dalam percakapan itu daripada di kursus online mana pun.
• Pilih satu metrik yang Anda andalkan dan telusuri kembali ke sumbernya. Pahami setiap transformasi, agregasi, dan filter antara data mentah dan angka di layar Anda. Anda mungkin akan terkejut dengan apa yang Anda temukan.
• Baca satu buku tentang pemikiran statistik untuk pembuat keputusan. Saya merekomendasikan Thinking, Fast and Slow oleh Daniel Kahneman atau How to Measure Anything oleh Douglas Hubbard. Keduanya tidak memerlukan latar belakang matematika. Keduanya akan secara fundamental mengubah cara Anda mengevaluasi bukti.
• Mulailah mengatakan “Saya tidak mengerti ini” dalam rapat. Kedengarannya berlawanan dengan intuisi bagi seorang pemimpin senior. Namun saat Anda mencontohkan perilaku tersebut, Anda memberi izin kepada semua orang di ruangan itu untuk berinteraksi secara jujur dengan data daripada berpura-pura mereka memahaminya.

Pertanyaan yang Sering Diajukan (FAQ)

Apakah eksekutif benar-benar membutuhkan literasi data, atau bukankah itu tugas para analis?

Analis dapat menyiapkan dan menyajikan data. Mereka tidak dapat membuat keputusan penilaian (judgment calls) yang berada di atasnya. Jika Anda sepenuhnya mengandalkan analis untuk menafsirkan data bagi Anda, Anda mengalihdayakan pengambilan keputusan Anda kepada orang-orang yang mungkin tidak memahami konteks bisnis, tarik-ulur strategis, atau politik organisasi yang membentuk seperti apa “jawaban yang benar” itu sebenarnya. Literasi data tidak menggantikan analis — hal ini membuat kolaborasi Anda dengan mereka menjadi jauh lebih efektif.

Seberapa banyak ilmu statistik yang perlu saya pelajari?

Lebih sedikit dari yang Anda kira. Anda tidak perlu menghitung standar deviasi secara manual. Anda hanya perlu memahami apa yang direpresentasikannya — ukuran seberapa tersebar titik-titik data tersebut. Anda perlu memahami interval kepercayaan (confidence intervals) pada tingkat konseptual: ketika seseorang mengatakan mereka “yakin 95%”, Anda harus tahu apa artinya dan apa yang bukan artinya. Fokuslah pada pemahaman konseptual, bukan kemampuan komputasi. Dua hingga tiga jam membaca dengan fokus sudah dapat mencakup hal-hal esensial.

Apa kesalahan literasi data terbesar yang dilakukan para eksekutif?

Ada tiga yang paling menonjol. Pertama, memperlakukan data sebagai konfirmasi alih-alih investigasi — mencari angka yang mendukung keputusan yang sudah dibuat. Kedua, mencampuradukkan presisi dengan akurasi. Sebuah proyeksi yang mengatakan pendapatan akan menjadi $14.237.891 kuartal depan terlihat presisi tetapi mungkin sangat tidak akurat. Ketiga, mengabaikan kualitas data. Analisis paling canggih yang dibangun di atas data yang kotor, tidak lengkap, atau tidak selaras hanya akan menghasilkan omong kosong yang terdengar meyakinkan. Selalu tanyakan tentang kualitas data yang mendasarinya sebelum mempercayai kesimpulan yang dibangun di atasnya.

Apakah literasi data lebih penting daripada keahlian domain (domain expertise)?

Tidak — dan membingkainya sebagai salah satu pilihan justru mengabaikan intinya. Literasi data tanpa keahlian domain menghasilkan analisis yang secara teknis masuk akal tetapi meleset dari realitas bisnis. Keahlian domain tanpa literasi data menghasilkan keputusan berbasis intuisi yang tidak dapat diskalakan atau divalidasi. Eksekutif yang menciptakan nilai paling besar adalah mereka yang menggabungkan pengetahuan bisnis yang mendalam dengan kemampuan untuk berinteraksi secara kritis dengan bukti kuantitatif. Masing-masing tidak cukup jika berdiri sendiri.

Kesimpulan

Literasi data eksekutif bukan berarti menjadi teknis. Ini tentang menjadi lebih sulit untuk dibodohi — termasuk oleh asumsi Anda sendiri. Dalam lingkungan ekonomi di mana setiap investasi diteliti secara ketat dan setiap strategi harus dapat dipertahankan, kemampuan untuk mengevaluasi data secara kritis bukan lagi keterampilan yang “bagus untuk dimiliki” bagi para pemimpin senior. Ini adalah kompetensi inti.

Organisasi yang akan menavigasi beberapa tahun ke depan dengan paling efektif bukanlah mereka yang memiliki paling banyak data. Mereka adalah organisasi di mana orang-orang yang membuat keputusan benar-benar memahami data yang mereka gunakan untuk membuat keputusan tersebut. Hal itu dimulai dari puncak pimpinan. Dan itu dimulai dengan kesediaan untuk menanyakan pertanyaan yang tidak ingin ditanyakan oleh siapa pun di ruangan itu.

Anda tidak perlu menjadi seorang data scientist. Anda perlu menjadi penanya yang lebih baik. Itulah keterampilan yang sesungguhnya. Dan tidak seperti kebanyakan hal di ruang analitik, hal ini tidak memerlukan investasi platform bernilai miliaran rupiah untuk mengembangkannya.