Salah satu hal yang saya temukan dalam helping people to solve business problem adalah “problem understanding” itu sendiri. Seringnya kita terjebak dari tahap “meeting pertama” langsung lompat ke “bikin dashboard” padahal belum tentu apa yang disajikan di dashboard benar-benar menjawab “real problemnya”. Jadinya sudahlah capek-capek data analyst nya bikin dashboard ehh ujung-ujungnya di cuekin dong..#gedeg. Untuk data analyst nya sih gak rugi banyak karena KPI nya dia udah terpenuhi untuk serving client nya.. Tapiii perusahaan bakal mengalami “opportunity lost” karena waktu yang terbuang sia-sia hanya karena kita terburu-buru menyimpulkan real problemnya.
Saya mendapatkan kesempatan untuk sharing terkait data analysis process di revoU, at some point saya mbatin bahwa sometime we stuck in data analysis process it self, Kita menganggap bahwa proses data analysis dimulai saat kita memiliki data, padahal saat anda mengutak atik data anda di excel, BI tools atau python/R IDE anda sedang berada di tengah-tengah proses data analisis. Tidak banyak yang menyadari bahwa proses analisa data dimulai dari “problem understanding. Disinilah kita memerlukan alat untuk membedah masalahnya dan menemukan “root cause”. Sebagai data analyst tentu saja pengetahuan kita terbatas, oleh karena itu kita memerlukan domain expert atau business owner untuk membantu kita dalam membedah masalahnya.
Pada saat diskusi gunakan 5 (can be more) WHY’s
Pernah baca atau denger buku Simon Sinek “Start With Why?” nah kita gunakan filosofi yang sama untuk bener-bener paham apa sih masalahnya.
Dengan menanyakan WHY terus menerus akan membantu kita mengumpulkan semua kemungkinan problem sedetail mungkin, semakin detail semakin baik. Pada step ini kalian harus hati-hati dengan hal berikut
Ini lah jebakan yang sering membuat kita salah mengidentifikasi root cause, yang kita lihat bisa jadi merupakan gejala/symptoms. Jika kita buru-buru melakukan action maka yang kita selesaikan adalah gejalanya saja, akar masalahnya masih ada. Contoh yang gampang adalah demam, kita menganggap demam itu adalah masalah padahal jika kita teliti lagi apa penyebab demam… maka kita menemukan beberapa kemungkinan virus, infeksi luka atau hal lain. Jika kita minum paracetamol dan menganggap bahwa itu menyelesaikan masalah, maka anda salah besar. Yang harus anda lakukan adalah mengobati penyebab demamnya… sampai sini paham?
Pada saat kita membuat issue tree ada satu prinsip yang harus kita pegang namanya MECE singkatan dari Mutually Exclusive Collectively Exhaustive yang artinya antar cabang tidak boleh ada irisan (berdiri sendiri) dan secara keseluruhan mencakup semua kemungkinan. Pada tree di atas kita punya dua cabang yang mungkin menyebabkan revenue turun yakni customer turun atau usage/penggunaan turun, antara kedua faktor ini saling berdiri sendiri dan tidak terkait satu sama lain dan disini kita anggap keduanya sudah mencakup semua kemungkinan masalah.
Ujung dari tree ini adalah root cause, cirinya adalah kita tidak bisa membuat anak cabang lagi. Root cause ini kemudian kita rubah strukturnya menjadi hipotesis. contoh di cabang paling kiri revenue turun–> customer turun–> pindah ke kompetitor, kita rubah menjadi hipotesis
Null hypothesis: customer yang pindah ke kompetitor tidak menyebabkan revenue turun
Alternative hypothesis: customer yang pindah ke kompetitor menyebabkan revenue turun
Untuk membuktikan hipotesis diatas kita memerlukan data untuk kita analisis apakah kita akan terima atau menolak null hipotesis nya. Nah disinilah kalian menggunakan berbagai macam ilmu statistika/data science kalian.
Datatalker Analytics 