Kenapa Harus Business Understanding?
Di era kecerdasan buatan saat ini, banyak praktisi data merasa cemas karena perkembangan AI yang semakin hari semakin diluar nalar kita 10 tahun lalu. AI kini mampu menulis SQL yang rumit dalam hitungan detik, membersihkan data yang berantakan dengan berbagai metode, hingga membuat visualisasi yang cantik secara otomatis dari data Anda. Pertanyaannya:
Jika AI bisa melakukan semua hal teknis tersebut, di mana nilai seorang Data Analyst?
Saya membaca sebuah artikel menarik dari Medium yang berjudul Future of Data Analytics in AI Era memberikan jawaban telak tentang kondisi Data Analyst. Kata penulisnya, kita saat ini berada dalam kondisi Data-Rich, Insight-Poor. Kita memiliki lautan data, namun haus akan wawasan yang benar-benar bisa mengubah bisnis. AI memang hebat dalam menjawab pertanyaan Apa yang terjadi (misal: "Penjualan turun 10%"), namun AI belum memiliki intuisi untuk menjawab Mengapa hal itu terjadi dan Langkah apa yang harus diambil selanjutnya berdasarkan bisnis yang sekarang Anda geluti dan pelanggan yang tentunya beragam.
Di sinilah Business Understanding menjadi jembatan pemisah antara analis yang sekadar tukang tarik data dengan seorang partner strategis yang tak tergantikan.
Yuk Belajar dari Kasus Nyata!
Bayangkan Anda bekerja di sebuah perusahaan SaaS (Software as a Service). Manager Anda meminta laporan karena meskipun pengguna baru melonjak 30%, pendapatan perusahaan tetap stagnan. Jika Anda tidak memahami bisnis, Anda mungkin hanya akan memberikan grafik pertumbuhan pengguna yang terlihat indah. Padahal, masalah sebenarnya mungkin bukan pada jumlah pengguna baru, melainkan pada Churn Rate (pengguna lama yang berhenti). Tanpa pemahaman konteks bisnis, analisis Anda hanya akan menjadi sampah visual yang tidak memberikan solusi.
Oleh karena itu, untuk memastikan Anda tetap relevan di era AI, berikut adalah 5 tahapan praktis untuk memahami bisnis sebelum menyentuh dataset:
How do we make money?
Pahami bagaimana mesin uang beroperasi di perusahaan tempat Anda bekerja. Apa produk utamanya? Siapa pelanggannya (B2B atau B2C)? Dari mana pendapatan masuk? Mengetahui struktur ini membantu Anda memprioritaskan data mana yang benar-benar penting.Gunakan teknik ‘The 5 Whys’
Saat Anda menerima permintaan laporan, jangan langsung dikerjakan. Tanyakan Kenapa berkali-kali sampai Anda menemukan akar masalahnya. Seringkali, apa yang diminta stakeholder hanyalah gejala, bukan penyakit utamanya.
Identifikasi KPI yang Relevan
Berbicaralah dengan bahasa yang dimengerti departemen lain. Marketing peduli pada CAC (Cost Per Acquisition), sedangkan tim Product peduli pada Retention Rate. Sesuaikan metrik Anda dengan target mereka.Lakukan Stakeholder Interview yang Santai
Data di database seringkali tidak memiliki konteks, bahkan akan terlihat hampa tanpa Anda paham bagaimana domain knowledge-nya. Luangkan waktu mengobrol dengan tim Sales atau CS atau yang lainnya. Tanyakan apa tantangan terbesar mereka. Informasi kualitatif ini akan memberikan jiwa pada angka-angka di laporan Anda.Terjemahkan Masalah Bisnis ke Masalah Data
Ini adalah tugas terpenting Anda. Anda harus bisa mengubah kalimat bisnis seperti "Pelanggan kita banyak yang kabur" menjadi tugas teknis data seperti "Melakukan Churn Prediction Analysis berdasarkan frekuensi login".
Kesimpulan
AI adalah asisten yang luar biasa untuk mempercepat pekerjaan teknis kita sebagai seorang data analisis. Namun, tanggung jawab untuk memberikan arah dan makna pada data tetap ada di tangan Anda. Dengan menguasai Business Understanding, Anda tidak hanya mengolah angka, tetapi Anda sedang membangun arsitektur solusi bagi masa depan perusahaan.
AI bisa menghitung angkanya, tapi Anda yang memberikan maknanya.