Dari Data ke Wawasan: Mengapa Makna Harus Dibuat Eksplisit

Dari Data ke Wawasan: Mengapa Makna Harus Dibuat Eksplisit Ada asumsi berbahaya dalam sebagian besar solusi BI: jika kita menampilkan angka-angka dengan cukup jelas, maka wawasan akan diperoleh. Itu tidak akan terjadi.Dari data hingga wawasan hanya terjadi bila maknanya dibuat eksplisit.

Kesenjangan tak kasat mata di sebagian besar dasbor

Pikirkan tentang alur kerja BI pada umumnya.

• Kumpulkan datanya
• Bersihkan datanya
• Modelkan datanya
• Visualisasikan datanya

Dan kemudian kita berhenti. Kami berasumsi bahwa wawasan tersebut sekarang ada “di sana” di suatu tempat, menunggu untuk diserap oleh siapa pun yang melihat laporan tersebut.

Namun wawasan tidak secara otomatis muncul dari diagram batang. Yang sebenarnya terjadi adalah ini:

• Orang melihat pola
• Mereka menafsirkan pola-pola tersebut secara berbeda
• Mereka mengisi kesenjangan dengan asumsi
• Mereka berdebat tentang apa maksudnya

Dan tiba-tiba pembicaraan beralih dari pengambilan keputusan ke interpretasi.

Datanya benar.
Visualnya jelas.
Namun wawasan itu tidak pernah sampai.

Wawasan bukanlah informasi

Inilah perbedaan utamanya.

Jawaban informasi: Apa yang terjadi?

Jawaban wawasan: Mengapa itu penting?

Itu bukanlah hal yang sama.

Anda dapat menunjukkan bahwa churn meningkat sebesar 2%. Anda dapat menunjukkan bahwa pendapatan menurun di Q3. Anda dapat menunjukkan bahwa biaya akuisisi pelanggan meningkat.

Tak satu pun dari hal tersebut merupakan wawasan tersendiri. Itu adalah observasi.

Wawasan hanya ada ketika seseorang dapat mengartikulasikan:

• Mengapa perubahan ini penting
• Apa yang tersirat di dalamnya
• Apa yang harus terjadi selanjutnya

Sampai hal itu terjadi, Anda memiliki informasi, bukan wawasan.

Mengapa hal ini lebih penting dari sebelumnya

Seperti yang telah kita bahas dalam seri ini, kita tidak kekurangan data, kita malah tenggelam di dalamnya. Kami tidak berenang lagi!

Dalam lingkungan bervolume tinggi, kemampuan mengekstraksi wawasan menjadi lebih penting daripada kemampuan menghasilkan visual.

Karena ketika informasi bertambah, ambiguitas pun meningkat, kecuali ada yang sengaja menguranginya.

Jika wawasan tidak dieksplisitkan, orang akan menciptakannya. Dan ketika orang yang berbeda memberikan penafsiran yang berbeda, yang terjadi adalah gesekan, bukan gerakan maju.

Cerita adalah jembatannya

Di sinilah peran mendongeng.

Bukan bercerita seperti teater.
Bukan mendongeng seperti berputar.

Bercerita sebagai struktur.

Sebuah cerita menghubungkan angka-angka dengan dunia nyata. Ini membingkai apa yang kita lihat, menyoroti apa yang penting, dan menjelaskan implikasinya.

Misalnya:

“Pendapatan turun 3%” adalah informasi.

“Pendapatan turun sebesar 3%, terutama didorong oleh penurunan pembaruan pasar menengah setelah perubahan harga pada bulan Juni, yang menempatkan target tahunan kami dalam risiko kecuali retensi meningkat” itulah wawasan.

Versi kedua tidak membodohi apa pun. Itu membuat maknanya menjadi eksplisit.

Ini menghilangkan kebutuhan akan interpretasi bagi penonton.

Ini bukan tentang menyederhanakan data

Ada keberatan umum pada saat ini:

“Tentunya orang harus menarik kesimpulannya sendiri?”

Terkadang, ya. Namun jika peran Anda adalah pendukung keputusan, tanggung jawab Anda adalah kejelasan.

Bersikap sengaja terhadap makna bukanlah manipulasi. Itu disiplin.

Artinya bertanya:

• Apa inti dari hal ini?
• Asumsi apa yang perlu dihilangkan?
• Keputusan apa yang didukung hal ini?

Jika Anda tidak menjawab pertanyaan-pertanyaan itu, dasbor akan menjadi terlalu terbuka. Dan interpretasi terbuka dalam lingkungan bisnis sering kali menyebabkan keputusan terhenti.

Di Power BI, struktur lebih penting daripada visual

Ini adalah bagian yang diremehkan kebanyakan orang. Wawasan tidak datang dari pemilihan jenis grafik yang “tepat” saja.

Itu berasal dari:

• struktur
• tata letak
• pengurutan
• judul
• anotasi
• alur narasi

Halaman Power BI dengan lima visual yang secara teknis sempurna masih bisa gagal jika tidak memandu pemirsa melalui cerita yang jelas.

• Apa yang kita lihat?
• Mengapa ini penting?
• Apa yang berubah?
• Apa yang harus kita lakukan?

Jika aliran itu tidak jelas, wawasan tidak akan tercapai.

Biaya meninggalkan makna yang tersirat

Ketika dasbor meninggalkan makna yang tersirat, ada tiga hal yang terjadi:

1. Rapat menjadi lebih lama
2. Fragmen interpretasi
3. Keputusan melambat

Karena audiens sedang melakukan pekerjaan analitis yang seharusnya dilakukan sebelum laporan dipublikasikan. Itu bukan pemberdayaan. Itu adalah inefisiensi.

Peran analitik bukanlah menyajikan pilihan tanpa henti. Hal ini untuk mengurangi ketidakpastian. Dan reduksi memerlukan pemaknaan yang eksplisit.

Pergeseran yang kami kerjakan di dalam Akselerator Data

Di dalam Akselerator Datasalah satu latihan inti yang kami jalankan sederhana saja:

Ambil dasbor dan paksa tim untuk menulis, dalam bahasa sederhana:

• Apa wawasan utamanya?
• Mengapa itu penting?
• Apa implikasinya?

Jika pernyataan itu sulit dihasilkan, berarti dasbornya belum selesai.

Kami tidak memulai dengan mengubah visual.

Kita mulai dengan memperjelas maknanya.

Karena wawasan bukanlah sesuatu yang diekstraksi oleh pemirsa.

Ini adalah sesuatu yang harus diartikulasikan oleh analis.

Sebuah tes sederhana

Lihatlah salah satu bagan utama Anda dan tanyakan:

Jika saya menghapus judul dan label, dapatkah dua pemangku kepentingan berbeda menafsirkan hal ini secara berbeda?

Jika jawabannya ya, maka wawasan tersebut belum dibuat secara eksplisit.

Data adalah bahan mentah. Visual adalah presentasi. Wawasan adalah interpretasi. Dan interpretasi tidak terjadi secara kebetulan.

---

Di postingan berikutnya, kita akan mengeksplorasi bagaimana struktur, awal, tengah, dan akhir, mengubah wawasan yang terisolasi menjadi cerita yang siap mengambil keputusan.

Dari seri: Dasbor Tidak Mendorong Keputusan (Dan Itulah Masalah Analisis Sebenarnya)