Selama satu dekade terakhir, teman saya telah bekerja dalam berbagai peran analitis di beragam perusahaan-mulai dari startup fintech kecil di Jerman, scale-up menjelang IPO seperti Rippling, hingga perusahaan teknologi raksasa seperti Uber dan Meta.
Setiap perusahaan memiliki budaya data yang unik. Setiap peran menghadirkan tantangan tersendiri dan pelajaran berharga yang diperoleh dengan susah payah. Berikut ini adalah 10 pelajaran kunci yang saya dapatkan selama perjalanan karir saya, yang saya temukan berlaku universal terlepas dari tahap perusahaan, jenis produk, atau model bisnis.
1. Bercerita Melalui Data adalah Keterampilan Utama
Pikirkan siapa audiens Anda sebelum memulai.
Jika Anda bekerja di organisasi yang fokus pada riset atau presentasi Anda ditujukan untuk stakeholder teknis (misalnya tim Engineering), pendekatan analisis gaya "white paper" akademis mungkin tepat.
Namun, jika audiens Anda adalah tim bisnis non-teknis atau para eksekutif, Anda perlu memastikan fokus pada insight utama, bukan detail teknis, dan menghubungkan temuan dengan keputusan bisnis yang ingin dipengaruhi. Jika terlalu fokus pada detail teknis analisis, Anda akan kehilangan perhatian audiens.
Contoh Konkret:
Saat mempresentasikan analisis penurunan konversi pada e-commerce terbesar di Indonesia, alih-alih menjelaskan metodologi statistik yang rumit, saya langsung menunjukkan: "Terjadi penurunan 23% pada konversi di aplikasi mobile sejak update terakhir. Root cause-nya adalah penambahan langkah verifikasi yang membuat 40% pengguna meninggalkan halaman checkout."
Actionable Insight:
Pelajari teknik komunikasi Pyramid Principle yang dikembangkan oleh konsultan McKinsey, Barbara Minto. Teknik ini mengajarkan cara menyampaikan pesan dengan pendekatan top-down, dimulai dari kesimpulan utama, baru detail pendukung. Untuk presentasi data, selalu mulai dengan "what" (apa yang terjadi), lalu "so what" (mengapa ini penting), dan terakhir "now what" (apa langkah selanjutnya).
2. Business Acumen adalah Pembeda Terbesar
Jika Anda adalah Senior Data Scientist di perusahaan dengan standar tinggi, Anda bisa mengharapkan semua rekan Anda memiliki keterampilan teknis yang kuat.
Anda tidak akan menonjol hanya dengan meningkatkan skill teknis secara inkremental, tetapi dengan memastikan bahwa pekerjaan Anda memberikan dampak maksimal bagi stakeholder (Tim Produk, Engineering, Tim Bisnis).
Disinilah Business Acumen berperan penting: Untuk memaksimalkan dampak, Anda perlu:
- Memahami secara mendalam prioritas bisnis dan masalah yang dihadapi stakeholder
- Merancang solusi analitik yang secara langsung membantu prioritas tersebut atau menyelesaikan masalah tersebut
- Mengkomunikasikan insight dan rekomendasi dengan cara yang dipahami audiens (lihat poin #1)
Dengan Business Acumen yang kuat, Anda juga akan mampu melakukan sanity check terhadap hasil analisis karena memiliki konteks bisnis dan penilaian untuk memahami apakah hasil atau proposal Anda masuk akal atau tidak.
Contoh Nyata:
Saat menganalisis performa operasional Gojek di kota-kota tier-2, saya tidak hanya menyajikan metrics standard seperti jumlah order dan GMV, tetapi juga mengidentifikasi tantangan spesifik seperti: "Area suburban Kota Malang memiliki demand tinggi tapi supply yang rendah karena 70% driver enggan beroperasi di area tersebut akibat kemacetan dan jarak tempuh yang jauh." Insight ini langsung bisa ditindaklanjuti tim operasional.
Actionable Insight:
- Hadiri rapat All Hands perusahaan dan perhatikan saat prioritas strategis dibahas
- Hubungkan prioritas tersebut dengan pekerjaan tim Anda
- Saat melakukan analisis, selalu tanyakan "So what?" - mengapa data ini penting dan apa yang harus dilakukan?
3. Jadilah Pencari Kebenaran yang Objektif
Banyak orang melakukan cherry picking data untuk mendukung narasi mereka. Ini masuk akal: Kebanyakan organisasi menghargai orang karena mencapai target, bukan karena menjadi paling objektif.
Sebagai Data Scientist, Anda memiliki kemewahan untuk melawan kecenderungan ini. Tim Data Science biasanya tidak secara langsung bertanggung jawab atas metrik bisnis, sehingga mengalami tekanan lebih kecil untuk mencapai tujuan jangka pendek dibandingkan tim seperti Sales.
Stakeholder terkadang akan menekan Anda untuk menemukan data yang mendukung narasi yang telah mereka ciptakan sebelumnya. Meskipun mengikuti permintaan ini mungkin menguntungkan Anda dalam jangka pendek, yang akan membantu Anda dalam jangka panjang adalah menjadi pencari kebenaran dan mempromosikan narasi yang benar-benar didukung data.
Contoh Konkret:
Saat bekerja dengan unicorn e-commerce lokal, CEO sangat optimis dengan performa kampanye diskon besar-besaran yang menghabiskan budget marketing Rp15 miliar. Data awal menunjukkan lonjakan transaksi 300%. Namun, analisis mendalam saya mengungkap bahwa 80% pembeli adalah existing customers dengan average order value yang lebih rendah dari biasanya, dan customer acquisition cost naik 2.5x lipat. Saat mempresentasikan temuan ini-meski tidak populer-CEO akhirnya menghargai kejujuran dan mengubah strategi marketing untuk kampanye berikutnya.
Actionable Insight:
Bangun reputasi sebagai "truth seeker" dengan selalu mengajukan pertanyaan kritis dan melatih kemampuan "devil's advocate" dalam diskusi strategi. Jangan ragu mengungkapkan temuan yang berlawanan dengan konsensus, tetapi lakukan dengan data solid dan komunikasi yang diplomatis.
4. Data + Primary Research = Kombinasi Sempurna
Orang-orang data sering mengerutkan dahi pada "bukti anekdotal", tetapi ini adalah pelengkap yang diperlukan untuk analisis kuantitatif yang ketat.
Menjalankan eksperimen dan menganalisis dataset besar dapat memberi Anda insight yang signifikan secara statistik, tetapi Anda sering melewatkan sinyal yang belum mencapai skala cukup besar untuk muncul dalam data atau yang tidak tertangkap dengan baik oleh data terstruktur.
Menyelami catatan deal yang gagal, berbicara dengan pelanggan, membaca tiket support, dll. terkadang adalah satu-satunya cara untuk mengungkap masalah tertentu (atau benar-benar memahami akar masalahnya).
Contoh Nyata:
Saat menganalisis tingkat konversi aplikasi kesehatan digital, data menunjukkan penurunan konversi sebesar 42% pada fitur konsultasi dokter. Meski analisis kuantitatif menunjukkan korelasi dengan pembaruan UI, hanya setelah membaca tiket support dan mewawancarai 20 pengguna kami menemukan masalah sebenarnya: tampilan baru membuat tombol "Booking Dokter" terlihat seperti banner iklan yang biasa pengguna abaikan karena visual yang terlalu mirip dengan iklan.
Actionable Insight:
Buat ritual "customer listening" mingguan di tim Anda:
- Baca minimal 20 tiket customer service setiap minggu
- Lakukan 2-3 wawancara pengguna setiap bulan
- Bergabunglah dengan tim sales saat meeting dengan klien potensial
- Buat dashboard yang menggabungkan insight kuantitatif dan kualitatif
5. Jika Data Terlihat Terlalu Bagus, Biasanya Ada Masalah
Ketika orang melihat lonjakan tajam dalam metrik, mereka cenderung bersemangat dan mengaitkan pergerakan ini dengan sesuatu yang mereka lakukan, misalnya peluncuran fitur baru.
Sayangnya, ketika perubahan metrik terlihat mencurigakan positif, sering kali karena masalah data atau efek satu kali. Misalnya:
- Data belum lengkap untuk periode terbaru, dan metrik akan merata setelah semua data masuk
- Ada tailwind satu kali yang tidak akan bertahan (misalnya, Anda melihat peningkatan Penjualan di awal Januari; alih-alih peningkatan berkelanjutan dalam kinerja Penjualan, itu hanya backlog dari periode liburan yang sedang diselesaikan)
Contoh Konkret:
Sebuah startup fintech merayakan lonjakan 200% dalam akuisisi pengguna baru setelah kampanye digital terbaru. Sebagai lead data analyst, saya menyelidiki lebih dalam dan menemukan bahwa 80% dari registrasi baru memiliki pola mencurigakan: mereka berasal dari rentang IP yang sama dan tidak ada aktivitas pasca-registrasi. Investigasi lebih lanjut mengungkap bot yang dibuat oleh agency marketing untuk memanipulasi KPI kampanye.
Actionable Insight:
Kembangkan "Checklist Validasi Data" untuk setiap lonjakan atau penurunan metrik yang signifikan:
- Verifikasi kelengkapan data untuk periode tersebut
- Periksa overlap dengan kampanye atau event seasonal
- Bandingkan dengan tren historis dan anomali sebelumnya
- Segmentasi berdasarkan user type, geography, dan channels untuk menemukan sumber perubahan
- Buat anomaly detection system sederhana menggunakan model time series basic
6. Bersedialah Mengubah Pendapat
Jika Anda bekerja dengan data, adalah hal yang wajar untuk mengubah pendapat secara berkala. Misalnya:
- Anda merekomendasikan suatu tindakan kepada eksekutif, tetapi kehilangan keyakinan bahwa itu adalah jalur yang tepat setelah Anda mendapatkan lebih banyak data
- Anda menafsirkan pergerakan metrik dengan cara tertentu, tetapi Anda menjalankan analisis tambahan dan sekarang Anda berpikir ada hal lain yang terjadi
Namun, kebanyakan orang analitis ragu untuk mundur dari pernyataan yang mereka buat di masa lalu karena takut terlihat tidak kompeten atau membuat marah stakeholder.
Itu bisa dimengerti; mengubah rekomendasi biasanya berarti pekerjaan tambahan bagi stakeholder untuk menyesuaikan diri dengan realitas baru, dan ada risiko mereka akan kesal akibatnya.
Tetap saja, Anda tidak boleh mempertahankan rekomendasi sebelumnya hanya karena takut kehilangan muka. Anda tidak akan bisa melakukan pekerjaan dengan baik membela pendapat setelah Anda kehilangan keyakinan terhadapnya.
Contoh Nyata:
Saat memimpin tim analytics di perusahaan logistik, saya merekomendasikan ekspansi agresif ke 12 kota baru berdasarkan analisis awal potensi pasar. Dua minggu kemudian, data baru dari pilot di 3 kota menunjukkan unit economics jauh lebih buruk dari proyeksi. Alih-alih bertahan dengan rekomendasi awal, saya segera mengundang meeting dengan leadership dan menyajikan analisis baru yang merekomendasikan ekspansi bertahap ke 4 kota prioritas saja. CEO mengapresiasi kejujuran dan keterbukaan untuk pivot berdasarkan data baru.
Actionable Insight:
- Jangan terjebak dalam "sunk cost fallacy" dengan rekomendasi sebelumnya
- Gunakan framework "Bayesian thinking": mulai dengan prior belief, tetapi update secara kontinyu seiring data baru masuk
- Normalisasi frasa "dengan data baru yang kita miliki, saya merekomendasikan pendekatan berbeda..."
- Dokumentasikan asumsi awal di setiap analisis, sehingga mudah diidentifikasi saat asumsi tersebut tidak terpenuhi
7. Anda Perlu Bersikap Pragmatis
Saat bekerja di dunia Analytics, sangat mudah mengembangkan perfeksionisme. Anda telah dilatih dengan metode ilmiah, dan bangga mengetahui cara ideal untuk mendekati analisis atau eksperimen.
Sayangnya, realitas menjalankan bisnis sering memberi batasan yang ketat. Kita membutuhkan jawaban lebih cepat dari waktu yang diperlukan eksperimen untuk memberikan hasil yang signifikan secara statistik, kita tidak memiliki cukup pengguna untuk split yang tidak bias, atau dataset kita tidak cukup lama untuk menetapkan pola time series yang ingin kita lihat.
Tugas Anda adalah membantu tim yang menjalankan bisnis (yang mengirimkan produk, menutup kesepakatan, dll.) menyelesaikan pekerjaan. Jika Anda bersikeras pada pendekatan sempurna, kemungkinan besar bisnis akan bergerak maju tanpa Anda dan insight Anda.
Contoh Konkret:
Saat merancang eksperimen A/B test untuk fitur baru aplikasi fintech, secara ideal kami membutuhkan 4 minggu untuk mencapai significance statistik. Namun, deadline peluncuran fitur hanya dalam 10 hari karena tekanan kompetitor. Alih-alih bersikeras pada timeline ideal, saya merancang "early stopping criteria" berdasarkan metrics proxy yang bisa memberikan signal lebih cepat, dikombinasikan dengan guardrail metrics untuk mendeteksi masalah kritis dengan cepat. Pendekatan ini memungkinkan tim produk mengambil keputusan informed dalam timeline yang ada, meski dengan confidence level yang lebih rendah.
Actionable Insight:
- Kembangkan "Minimum Viable Analysis" framework untuk timeline berbeda (1 hari, 1 minggu, 1 bulan)
- Selalu komunikasikan trade-off antara kecepatan vs akurasi dengan stakeholders
- Prioritaskan analisis berdasarkan irreversibility dan impact dari keputusan
- Untuk keputusan dengan risiko tinggi, desain eksperimen bertahap dengan mekanisme early stopping dan safety metrics
8. Jangan Membuat Data Scientist Burnout dengan Permintaan Ad-hoc
Mempekerjakan full-stack data scientist terutama untuk membangun dashboard atau melakukan ad-hoc data pulls & investigations setiap hari adalah cara pasti untuk membuat mereka burnout dan menciptakan churn di tim.
Banyak perusahaan, terutama startup pertumbuhan tinggi, ragu untuk mempekerjakan Data Analyst atau spesialis BI khusus untuk investigasi metrik dan pembuatan dashboard. Headcount terbatas, dan manajer menginginkan fleksibilitas dalam tugas yang dapat ditangani tim mereka, sehingga mereka mempekerjakan Data Scientist serba bisa dan merencanakan untuk memberi mereka tugas dashboarding atau permintaan investigasi metrik sesekali.
Namun, dalam praktiknya, hal ini sering kali membengkak dan DS menghabiskan waktu yang tidak proporsional untuk tugas-tugas ini. Mereka tenggelam dalam ping Slack yang menarik mereka dari pekerjaan yang fokus, dan "permintaan cepat" (yang tidak pernah secepat yang terlihat) menumpuk hingga memenuhi hari penuh, membuat sulit untuk membuat kemajuan pada proyek strategis yang lebih besar secara paralel.
Contoh Nyata:
Di sebuah unicorn e-commerce, tim product, marketing, dan finance masing-masing meminta ad-hoc analysis setiap hari ke tim DS. Alhasil, dari 5 senior DS yang dipekerjakan untuk machine learning dan eksperimen strategis, 80% waktu mereka habis untuk query data dan membuat dashboard ad-hoc. Setelah 6 bulan, dua DS terbaik mengundurkan diri. Untuk mengatasi masalah ini, kami melakukan reorganisasi dengan membentuk tim khusus "Data Analytics Support" yang terdiri dari 2 Data Analyst dan 1 BI Developer yang menangani semua permintaan ad-hoc, membebaskan DS untuk fokus pada proyek strategis.
Actionable Insight:
Untungnya, ada solusi untuk masalah ini:
- Implementasikan chatbot AI yang dapat menjawab pertanyaan data sederhana
- Latih tim terkait dengan dasar-dasar SQL (minimal 1-2 analis per tim) untuk membuat mereka lebih mandiri
- Gunakan tools BI self-serve yang memberi pengguna otonomi dan fleksibilitas dalam mendapatkan insight yang mereka butuhkan
- Tetapkan waktu "office hours" khusus untuk permintaan ad-hoc, dan lindungi waktu focused work untuk DS
9. Tidak Semua Hal Membutuhkan Dashboard Tableau yang Mewah
Perusahaan cenderung melihatnya sebagai tanda budaya data yang matang dan kuat ketika data ditarik dari spreadsheet ke dalam solusi BI.
Meski dashboard yang banyak digunakan oleh stakeholder di seluruh organisasi dan digunakan sebagai dasar untuk keputusan kritis yang sulit dibalik sebaiknya ada di tools BI yang terkelola seperti Tableau, ada banyak kasus di mana Google Sheets memberi Anda apa yang Anda butuhkan dan membawa Anda ke sana jauh lebih cepat, tanpa perlu merancang dan membangun dashboard yang robust selama berhari-hari atau berminggu-minggu.
Contoh Konkret:
Saat menganalisis efektivitas campaign marketing sebuah startup edtech, tim marketing meminta dashboard Tableau yang komprehensif. Namun, setelah diskusi tentang kebutuhan sebenarnya, kami menyadari bahwa Google Sheet dengan pivot tables dan beberapa grafik sederhana memenuhi 90% kebutuhan mereka dan bisa dibuat dalam 2 jam, dibandingkan 2 minggu untuk Tableau dashboard. Kami membuat sheet dengan formula dan visualisasi, lalu mengajarkan tim cara memperbarui dan mengubahnya sendiri. Ini mempercepat decision making tim marketing tanpa membebani resource data.
Actionable Insight:
- Selalu mulai dengan pertanyaan "apa keputusan yang perlu diambil dari data ini?"
- Gunakan framework "effort vs impact" untuk menentukan format deliverable
- Latih tim business dengan skills dasar data literacy dan visualisasi di tools sederhana
- Untuk kebutuhan analisis berulang: buat template dan "cookbook" yang bisa digunakan tim secara mandiri
10. Memiliki Metrik Standar Sempurna di Seluruh Perusahaan adalah Mimpi
Seperti yang dibahas pada #9 di atas, tim di seluruh perusahaan akan selalu membuka blokir diri mereka dengan melakukan analisis hacky di luar tools BI, mempersulit penegakan model data bersama. Terutama di startup yang bertumbuh cepat, tidak mungkin menegakkan tata kelola sempurna jika Anda ingin memastikan tim tetap dapat bergerak cepat dan menyelesaikan pekerjaan.
Meskipun banyak Data Scientist mengalami mimpi buruk ketika definisi metrik tidak cocok, dalam praktiknya itu bukan akhir dunia. Seringkali, perbedaan antara angka cukup kecil sehingga tidak mengubah narasi keseluruhan atau rekomendasi yang dihasilkan.
Contoh Nyata:
Di perusahaan teknologi dengan 15+ tim produk, kami menemukan bahwa metrik "Active User" memiliki 8 definisi berbeda yang digunakan oleh tim yang berbeda. Alih-alih memaksakan standardisasi yang memakan waktu berbulan-bulan, kami membuat tiered approach: untuk laporan ke investor dan board, kami mendefinisikan satu metrik "North Star" yang standar, sementara tim individual tetap bisa menggunakan definisi mereka untuk analisis dan eksperimen internal. Pendekatan ini menyeimbangkan kebutuhan akan konsistensi di tingkat eksekutif dengan kecepatan dan fleksibilitas operasional.
Actionable Insight:
- Buat "Metric Dictionary" perusahaan untuk definisi yang disetujui resmi
- Prioritaskan standardisasi untuk metrik yang paling kritis untuk pelaporan eksternal
- Implementasikan "metric testing" untuk memastikan konsistensi dalam reporting kunci
- Bangun data lineage system untuk melacak definisi metrik dan perubahannya dari waktu ke waktu
Final Thoughts
Beberapa poin di atas mungkin terasa tidak nyaman pada awalnya (misalnya, mendorong mundur narasi yang dipilih secara bias, mengambil pendekatan pragmatis daripada mengejar kesempurnaan, dll.). Namun, dalam jangka panjang, Anda akan menemukan bahwa hal itu akan membantu Anda menonjol dan membangun diri sebagai mitra berpikir yang dihargai oleh organisasi.
Glosarium
Business Acumen
Kemampuan memahami bagaimana bisnis beroperasi dan menghasilkan value, serta menghubungkan analisis data dengan prioritas strategis perusahaan.
Pyramid Principle
Metode komunikasi yang dikembangkan oleh Barbara Minto dari McKinsey, di mana pesan dimulai dengan kesimpulan utama diikuti detail pendukung, bukan sebaliknya.
Ad-hoc Analysis
Analisis data yang dilakukan untuk menjawab pertanyaan spesifik satu kali, bukan sebagai bagian dari proses pelaporan reguler.
Cherry Picking
Praktik memilih secara selektif data yang mendukung hipotesis atau narasi tertentu, sambil mengabaikan data yang bertentangan.
Root Cause Analysis
Teknik pemecahan masalah yang sistematis untuk mengidentifikasi akar penyebab masalah, bukan hanya gejala permukaannya.
Self-serve BI
Tools dan platform yang memungkinkan pengguna non-teknis mengakses, menganalisis, dan membuat laporan data tanpa bantuan tim data.
Data Literacy
Kemampuan untuk membaca, bekerja dengan, menganalisis, dan berkomunikasi dengan data secara efektif.
Metric Dictionary
Dokumen terstandarisasi yang berisi definisi resmi dari semua metrik bisnis kunci dalam organisasi.
KPI (Key Performance Indicator)
Metrik kuantitatif yang mengukur kinerja terhadap tujuan bisnis yang telah ditetapkan.
Data Lineage
Dokumentasi yang melacak asal usul data, termasuk dari mana datangnya, bagaimana diproses, dan bagaimana berubah seiring waktu.
Bayesian Thinking
Pendekatan untuk mengupdate keyakinan berdasarkan bukti baru, bukan memegang teguh keyakinan awal meskipun ada data bertentangan.
Guardrail Metrics
Metrik keamanan yang dipantau selama eksperimen untuk memastikan perubahan tidak menyebabkan dampak negatif terhadap aspek kritis bisnis.