Pengantar Data Storytelling
Sebagian besar analis data mampu membuat grafik, tetapi tidak semua mahir dalam menceritakan kisah yang menarik dengan data. Kemampuan ini membedakan analis data dan membantu mereka menonjol dalam mencari pekerjaan, terutama di era AI yang dapat menghasilkan grafik dengan cepat. Analis yang mampu mengkomunikasikan insights kepada berbagai audiens akan lebih cepat mendapatkan pekerjaan dan lebih sukses dalam karir mereka.
Perbedaan Data Visualisasi dan Data Storytelling
- Data visualisasi adalah proses menggunakan alat seperti Excel, PowerBI, Looker, Python, atau Tableau untuk membuat grafik yang menampilkan tren dan pola dalam data.
- Data storytelling melangkah lebih jauh dengan menginterpretasikan apa yang terjadi dalam angka dan visualisasi, sehingga orang yang tidak memiliki latar belakang data pun dapat memahami tidak hanya apa yang terjadi tetapi juga tindakan yang perlu diambil.
- Contoh data visualisasi: Grafik tren penjualan selama 6 bulan terakhir.
- Contoh data storytelling: "Penjualan telah menurun sebesar 30% dalam 6 bulan terakhir. Hal ini terutama disebabkan oleh penurunan penjualan Apple iPhone di wilayah Asia, dan kita perlu menyelidiki lebih lanjut mengapa demikian".
Proses Data Storytelling: Contoh Proyek Portofolio E-commerce
Untuk proyek portofolio tanpa stakeholder langsung, ChatGPT dapat digunakan untuk mengajukan pertanyaan yang relevan dengan stakeholder. Beberapa contoh pertanyaan relevan tersebut adalah:
- Kinerja pemasaran: Saluran pemasaran mana yang menghasilkan pendapatan dan pelanggan paling berharga?
- Kinerja regional: Wilayah mana yang menghasilkan penjualan terbanyak, dan bagaimana harga bervariasi antar wilayah?
- Perilaku pembelian segmen pelanggan yang berbeda: Bagaimana tren penjualan berfluktuasi dari waktu ke waktu, dan apakah ada puncak musiman?
- Nilai umur pelanggan (Customer Lifetime Value): Berapa perkiraan pendapatan dari seorang pelanggan dari waktu ke waktu?
Pertanyaan mengenai fluktuasi tren penjualan dari waktu ke waktu dianggap penting karena melibatkan metrik utama (northstar metric) dan dimensi waktu yang sering dianalisis oleh analis data.
Contoh eksplorasi menggunakan Tableau menunjukkan bagaimana tren penjualan dari waktu ke waktu dapat divisualisasikan, mengungkapkan adanya lonjakan penjualan pada tahun 2020 diikuti dengan penurunan yang stabil hingga tahun 2023, meskipun terdapat beberapa lonjakan musiman.
Drill-down dan Identifikasi Penyebab
Untuk memahami penyebab penurunan penjualan, dilakukan drill-down berdasarkan dimensi yang berbeda, seperti saluran pemasaran, nama produk, dan wilayah.
- Saluran pemasaran: Penurunan terbesar terjadi pada saluran "direct", meskipun saluran lain cenderung stabil tetapi dengan volume yang lebih rendah.
- Nama produk: Penurunan terjadi di hampir semua produk, tetapi produk dengan penjualan tertinggi menunjukkan penurunan terbesar.
- Wilayah: Penurunan terjadi di semua wilayah, dengan penurunan paling signifikan di Amerika Utara dan AMIA (yang juga merupakan wilayah dengan penjualan tertinggi). Karena penurunan terjadi di semua wilayah, ini tidak mengindikasikan masalah spesifik di satu wilayah.
Tujuan dari data storytelling adalah memberikan gambaran besar (big picture overview) tentang apa yang terjadi, diikuti dengan pemahaman yang lebih mendalam tentang mengapa hal itu terjadi. Stakeholder kemudian akan memberikan konteks bisnis untuk menentukan langkah selanjutnya.
Contoh Data Storytelling yang Efektif
Contoh dari siswa Christine Jiang menunjukkan judul grafik yang menyampaikan so what dari data, seperti "Pendapatan Penjualan Bulanan Melonjak pada Tahun 2020 dan Terus Menurun Sejak Saat Itu". Contoh lain menunjukkan visualisasi yang secara langsung menceritakan apakah program loyalitas yang baru diluncurkan berjalan dengan baik.
Kategori Utama Data Storytelling
Data storytelling dapat dikategorikan menjadi beberapa jenis:
- Pelaporan nilai (Value reporting): Melaporkan nilai metrik aktual. Biasanya menggunakan tabel. Contoh: Nilai clickthrough rate, jumlah pendaftaran, atau penjualan.
- Tren dari waktu ke waktu (Trends over time): Memahami bagaimana metrik telah berkembang. Biasanya menggunakan grafik garis (line graph) tunggal atau ganda berdasarkan dimensi. Contoh: Tren keseluruhan dalam pendaftaran atau penjualan.
- Distribusi atau campuran (Distribution or mix): Melihat bagaimana metrik utama terbagi dalam dimensi tertentu dari waktu ke waktu. Biasanya menggunakan grafik area (area graph). Contoh: Distribusi pendaftaran berdasarkan kategori.
- Perbandingan (Comparisons): Memahami bagaimana satu metrik dibandingkan dengan yang lain atau bagaimana satu dimensi dibandingkan dengan dimensi lain. Biasanya menggunakan grafik batang (bar graph). Contoh: Perbandingan clickthrough rate antar wilayah atau platform.
Visualisasi yang jelas (clarity) lebih penting daripada visualisasi yang mencolok (flashy) dalam data storytelling.
Do's and Don'ts dalam Data Storytelling
- Don'ts:
- Jangan menggunakan grafik pai (pie charts): Grafik pai jarang digunakan dalam praktik industri karena tidak menunjukkan banyak informasi, terutama tren dari waktu ke waktu. Grafik area seringkali merupakan alternatif yang lebih baik karena dapat menunjukkan perubahan komposisi dari waktu ke waktu.
- Jangan memprioritaskan tampilan keren di atas kejelasan: Visualisasi yang terlalu rumit dapat mengaburkan insight yang sebenarnya.
- Do's:
- Relabel judul grafik dengan judul yang story-driven: Alih-alih judul deskriptif, gunakan judul yang menyampaikan insight utama atau so what dari grafik.
- Gunakan warna untuk tujuan, bukan dekorasi: Penggunaan warna yang minimal dan disengaja dapat membantu menyoroti informasi penting. Terlalu banyak warna dapat menetralkan efek penekanan.
- Gunakan alat visualisasi yang tepat: Alat seperti Tableau, PowerBI, atau Looker lebih direkomendasikan untuk visualisasi yang efektif karena memiliki default yang lebih baik dan interaktivitas. Excel dan Python mungkin lebih sulit untuk visualisasi yang efektif karena defaultnya kurang menarik.
- Prioritaskan kesederhanaan (simplicity): Kurangi elemen visual yang tidak perlu (garis grid, tick marks, dll.) untuk meningkatkan rasio data terhadap tinta (data to ink ratio).
Actionable Insights:
- Tingkatkan kemampuan data storytelling Anda: Selain mahir dalam membuat grafik, fokuslah pada kemampuan untuk menginterpretasikan data dan mengkomunikasikannya secara efektif kepada audiens yang beragam. Ini akan menjadi pembeda utama Anda di pasar kerja.
- Gunakan pertanyaan yang relevan dengan stakeholder dalam proyek portofolio Anda: Meskipun tidak ada stakeholder langsung, simulasikan perspektif mereka dengan mengajukan pertanyaan bisnis yang penting seperti yang disebutkan (kinerja pemasaran, regional, perilaku pelanggan, tren penjualan, CLTV).
- Saat menganalisis tren, tidak hanya tunjukkan perubahannya, tetapi juga selidiki penyebabnya: Lakukan drill-down ke berbagai dimensi data (misalnya, segmen, wilayah, waktu) untuk memahami faktor-faktor yang mendasari tren yang diamati.
- Pilih jenis visualisasi yang tepat sesuai dengan tujuan analisis Anda: Gunakan tabel untuk melaporkan nilai, grafik garis untuk tren, grafik area untuk distribusi, dan grafik batang untuk perbandingan.
- Hindari penggunaan grafik pai dalam proyek dan presentasi Anda: Sebagai gantinya, pertimbangkan grafik batang atau grafik garis untuk perbandingan atau tren dari waktu ke waktu, atau grafik area untuk melihat perubahan komposisi.
- Fokus pada kejelasan dan kesederhanaan dalam visualisasi Anda: Hindari elemen visual yang berlebihan dan pastikan pesan utama mudah dipahami.
- Gunakan judul yang story-driven untuk menyampaikan insight utama dari visualisasi Anda secara langsung: Ini membantu audiens Anda dengan cepat memahami so what dari data.
- Gunakan warna secara strategis untuk menyoroti informasi penting: Hindari penggunaan banyak warna yang tidak perlu yang dapat mengurangi dampak visual.
- Manfaatkan alat visualisasi yang dirancang khusus seperti Tableau, PowerBI, atau Looker: Alat ini menawarkan default yang lebih baik dan fitur interaktif yang berguna untuk data storytelling.