Mengapa Tim Data yang Unggul Secara Teknis Masih Gagal

• Nilai tim data tidak muncul dari volume produksi pipeline, skema, atau dashboard, melainkan dari perubahan pengambilan keputusan organisasi; di antara data dan tindakan dibutuhkan lapisan interpretasi berupa Perspektif (Perspective)
• Data-Perspective-Action adalah model operasi yang membangun data tepercaya, menafsirkannya sesuai konteks bisnis, lalu terus-menerus mengusulkan tindakan konkret
• Dalam 2026 AI & Data Leadership Executive Benchmark Survey, 93% pemimpin data dan AI menyebut budaya serta manajemen perubahan sebagai hambatan utama adopsi, sementara yang menunjuk teknologi hanya 7%
• Dengan dokumen satu halaman mingguan, kerangka metrik utama, desain bersama pemangku kepentingan, dan aturan menambahkan rekomendasi tindakan pada setiap analisis, organisasi dapat membiasakan perspektif dan menghubungkannya hingga keputusan nyata
• Semakin AI menghasilkan pipeline, analisis awal, dan dashboard, pengetahuan domain dan kepercayaan menjadi pembeda; karena itu tim data harus melampaui penyediaan output yang akurat dan membangun realitas bersama

---

Mengapa Data-Perspective-Action Dibutuhkan

• Nilai organisasi diciptakan bukan oleh output data, melainkan oleh keputusan; di antara keluaran mentah dan tindakan nyata dibutuhkan perspektif sebagai lapisan interpretasi
• Tim yang kompeten secara teknis dan memiliki data akurat pun bisa menjadi tidak relevan bagi pengambilan keputusan organisasi jika hanya mengoptimalkan volume produksi seperti memproses permintaan, menutup tiket, dan menerbitkan dashboard
• Sistem data yang dirancang dengan baik pun, jika tidak membiasakan hubungan antara pekerjaan dan keputusan, dapat tergeser dari prioritas, kehilangan anggaran, atau hilang karena reorganisasi
• Data-Perspective-Action adalah kerangka kerja untuk secara sengaja mengulang proses dari data, ke interpretasi yang berisi opini, hingga keputusan konkret

Titik Awal Kerangka Kerja

• Laporan bulanan sebuah agensi periklanan membutuhkan 4 minggu untuk dibuat sehingga sudah usang saat disampaikan, tetapi setelah workflow diotomatisasi menjadi sekitar satu hari, waktu yang tersisa dimanfaatkan untuk model prediktif
• Modelnya tidak rumit, tetapi menunjukkan hasil yang diperkirakan dari perpindahan anggaran antar-kanal, sehingga pelanggan dapat terlebih dahulu melihat estimasi imbal hasil dan menjalankan perubahan kanal serta eksperimen
• Dari pengalaman ini terbentuk urutan data, interpretasi, dan keputusan tertentu, lalu model yang sama diterapkan di berbagai organisasi berikutnya

Tahap 1: Data yang Dapat Dipercaya

• Lapisan Data mencakup infrastruktur, reliabilitas, konsistensi, aliran informasi, pipeline, skema, model, dan dashboard; sebagian besar pekerjaan harian data engineer dan analytics engineer berada di sini
• Perspektif tidak dapat dibangun dari data yang tidak tepercaya, tetapi jika pekerjaan berhenti pada menerima permintaan→memproses→menutup tiket, beban menafsirkan data yang akurat berpindah ke pemangku kepentingan yang belum siap
• Sebuah tim membangun 200 dashboard dengan pipeline dan skema yang rapi serta logika pembaruan yang tervalidasi, tetapi hanya 10 yang benar-benar dibuka sebelum keputusan dibuat
  • Sisa 190 dibuat tanpa kesepakatan antara tim data dan pemangku kepentingan tentang keputusan apa yang akan didukung
  • Dashboard yang tidak perlu kemudian dihentikan, tetapi akar masalahnya adalah tidak adanya definisi bersama tentang tujuan pekerjaan
• Jika berhenti di lapisan Data, backlog dan beban kerja tetap ada, tetapi jarak dari keputusan nyata makin melebar, sehingga prioritas tim mudah turun

Tahap 2: Perspective

• Perspective adalah lapisan yang mengubah tim penyedia informasi menjadi tim yang memengaruhi organisasi; intinya adalah pengetahuan domain untuk menilai apakah metrik yang dilacak cocok bagi keputusan tertentu
• Dalam 2026 AI & Data Leadership Executive Benchmark Survey, 93% pemimpin senior data dan AI memilih budaya serta manajemen perubahan sebagai tantangan utama adopsi, sementara yang memilih teknologi hanya 7%
  • Kesenjangan antara budaya/manajemen perubahan dan teknologi: {b:93,7}
  • Ini adalah kesenjangan terbesar dalam 15 survei tahunan, dan sepanjang periode survei budaya serta manajemen perubahan berulang kali muncul sebagai hambatan dibanding teknologi
  • Sekalipun organisasi berinvestasi pada infrastruktur dan talenta, hasil akan terbatas jika kemampuan interpretasi dan eksekusi perubahan kurang
• Ketika AI mulai dapat membuat pipeline, analisis awal, dan dashboard lewat prompt, bottleneck bergeser dari pembangunan ke kepercayaan
  • Semakin besar volume output, makin penting guardrail seperti kualitas data, governance, dan definisi kebenaran yang jelas
  • Mick Dreeling dari Netflix menilai bahwa dalam lingkungan tempat pemangku kepentingan bertanya langsung kepada agent, kemungkinan besar tanggung jawab untuk menjamin jawaban benar dan terus menaikkan standar ada pada tim data engineering
  • Shridhar Iyer dari Meta menilai bahwa meski agent menyerap pengetahuan umum, keahlian domain adalah kekayaan intelektual yang tidak akan hilang
• Profesional yang mengembangkan Perspective secara sistematis akan makin bernilai seiring kemajuan alat AI, sedangkan pekerjaan yang hanya bertahan di lapisan Data akan makin mudah diotomatisasi

• Jebakan Objektivitas

  • Profesional data bisa merasa bahwa memberikan interpretasi seolah melanggar kewenangan, lalu jatuh ke pasivitas dengan tidak menambahkan konteks pada analisis
  • Dengan waktu terbatas dan banyak prioritas, pemangku kepentingan akhirnya menafsirkan sendiri dashboard yang hanya setengah dipahami atau mengandalkan intuisi
  • Data tidak berbicara sendiri; jika tim data tidak menafsirkannya dengan hati-hati berdasarkan konteks dan keahlian, orang lain akan melakukannya

• Masalah Tidak Melihat Setelah Penyampaian

  • Meski pipeline berjalan, dashboard dibuka, dan test lolos, pemangku kepentingan bisa saja mengunduh CSV, membukanya di Excel, menambahkan kolom dan rumus, lalu membuat ulang analisis setiap kali diperlukan
  • Sistem seperti ini secara teknis normal, tetapi dalam praktiknya sedang diakali lewat jalur lain
  • Jika bertanya kepada 5 pemangku kepentingan tentang keputusan yang sedang mereka buat dan titik ketidakpastiannya, masalah yang bisa diselesaikan dalam satu atau dua hari dapat ditemukan
  • Kepercayaan yang dibangun dengan menyelesaikan masalah kecil secara proaktif menjadi landasan bagi tim data untuk ikut dalam rapat sebelum keputusan dibuat, bukan sesudahnya

• Melatih Perspektif dengan Satu Halaman Mingguan

  • Setiap minggu, tulis satu halaman dengan tiga bagian berikut
    • Ringkas dalam satu paragraf fakta yang ditunjukkan data
    • Tafsirkan dalam satu paragraf, dengan opini, apa artinya bagi bisnis saat ini
    • Usulkan 1–2 butir konkret tentang apa yang harus dilakukan berikutnya
  • Jika siklus ini dibagikan dengan manajer, rekan kerja, atau satu pihak bisnis dan satu umpan balik diterima selama 3 bulan, intuisi tentang data yang dianggap penting oleh pengambil keputusan akan berubah
  • Pekerjaan terpenting dimulai dari usulan tindakan, dan meski tidak nyaman, perlu berlatih membentuk opini sendiri

• Metrik Makro dan Mikro

  • Metrik makro adalah sejumlah kecil angka inti yang menjawab apakah perusahaan sehat, sedangkan metrik mikro adalah angka input yang menjelaskan pergerakan metrik makro
  • Monisha Kanoth dari Apple menilai bahwa north star metric yang kuat dan disepakati seluruh bisnis adalah dasar kepercayaan
  • Untuk seorang pemimpin marketing yang menerima data dari puluhan sumber, sistem pelaporan dibangun ulang menjadi 3 metrik makro dan 5 sinyal mikro
  • Dalam satu kuartal, mereka keluar dari kondisi tidak tahu angka mana yang harus dipercaya, dan dalam percakapan dengan dewan direksi dapat menyebut secara tepat apa yang mendorong pertumbuhan dan apa yang tidak
  • Setelah metrik penting ditetapkan dan integritasnya diprioritaskan, kualitas pertanyaan serta jawaban tim data juga membaik

• Mendesain Bersama Pemangku Kepentingan

  • Rilis versi 0.8 adalah cara menunjukkan hasil sebelum selesai dan melibatkan pemangku kepentingan dalam 20% terakhir proses pembangunan
  • Ko-kreasi menciptakan rasa kepemilikan atas hasil, dan rasa kepemilikan mengubah output menjadi komitmen tindakan nyata
  • Seorang pemangku kepentingan menuliskan 100 pertanyaan yang benar-benar penting, dan sebagian besar pertanyaan yang muncul selama beberapa tahun berikutnya berada dalam daftar ini
  • Daftar ini digunakan sebagai roadmap pembangunan sekaligus alat pengendali cakupan
  • Saat permintaan baru masuk, pembahasannya bukan apakah harus ditolak, melainkan apakah permintaan itu lebih penting daripada item yang sudah disepakati

• Jadikan Narasi, Bukan Link, sebagai Hasil

  • Jika hanya membagikan query SQL, spreadsheet, atau link dashboard, pekerjaan interpretasi yang paling sulit dipindahkan ke pengguna
  • Dengan menulis narasi, meski singkat, kita harus memilih apa yang penting dan bertanggung jawab atas interpretasi tertentu, sehingga tercipta hasil yang dapat diberi umpan balik, dibantah, dan direvisi
  • AI generatif dapat digunakan untuk merapikan kalimat, tetapi tidak boleh diserahi proses berpikir itu sendiri
  • Menulis adalah proses berpikir, dan AI tidak dapat menggantikan pengembangan perspektif yang unik
  • Jika narasi buatan AI disampaikan begitu saja tanpa keterlibatan langsung dalam pemikiran, lapisan Perspective yang seharusnya terakumulasi seiring waktu akan dilewati

Tahap 3: Action

• Jarak untuk mengubah rekomendasi menjadi keputusan organisasi nyata cukup besar, dan tim data cenderung meremehkan pekerjaan yang diperlukan dalam transisi ini serta tanggung jawab mereka sendiri
• Celah antara analisis dan rapat pengambilan keputusan harus diisi dengan rekomendasi yang jelas, pengukuran besarnya peluang, dan aktivitas dukungan yang berkelanjutan
• Jika tim data tidak terlibat di area ini, interpretasi, kepentingan, dan jadwal pemangku kepentingan akan mengisi celah tersebut, sehingga kendali atas bagian terpenting dari pekerjaan diserahkan

• Aturan untuk Tidak Hanya Menyajikan Data

  • Setiap analisis harus menyertakan tindakan yang direkomendasikan, dan data tidak boleh disajikan sendirian
  • Batasan bahwa pada akhirnya harus ada rekomendasi mengubah cakupan pekerjaan sejak awal
    • Penyelidikan akan berpusat pada pertanyaan tertentu
    • Metrik yang terkait dengan keputusan akan diinstrumentasi
    • Informasi apa yang dibutuhkan pemimpin agar bergerak akan dipertimbangkan
  • Dalam kasus ketika model yang menguantifikasi satu peluang pertumbuhan tidak berujung pada tindakan kepemimpinan, masalahnya bukan akurasi analisis, melainkan kurangnya rekomendasi dan konteks bersama
  • Jika langsung melompat dari Data ke Action, pembentukan relasi, ko-kreasi, dan pembangunan kepercayaan hilang, sehingga rekomendasi bisa tetap tidak dijalankan

• Besarnya Peluang dan Dukungan Berkelanjutan

  • Saat sebuah hipotesis muncul dari analisis, tim data harus sendiri menguantifikasi seberapa bernilai peluang itu dan mengapa harus diprioritaskan
  • Meski estimasi bisa salah, angka konkret memberi pengambil keputusan sesuatu untuk dibantah; estimasi yang dapat diperdebatkan lebih mudah berujung pada keputusan dibanding arah yang kabur
  • Satu kali presentasi tidak otomatis masuk roadmap, dan mencapai lapisan Action bisa memakan waktu berbulan-bulan
  • Pertahankan learning agenda untuk melacak rekomendasi yang dijalankan dan yang tidak, serta terus dukung item yang masih penting dengan angka yang diperbarui
  • Jika pekerjaan lanjutan dihentikan hanya karena presentasi pertama tidak diterima, berarti pekerjaan inti untuk menghubungkan analisis hingga keputusan ditinggalkan

Struktur Organisasi yang Mendukung Kerangka Kerja

• Unit dasar yang ideal adalah duo yang menempatkan 1 analytics engineer dan 1 analis pada area bisnis tertentu
  • Analytics engineer bertanggung jawab atas kekokohan sistem
  • Analis menangani narasi, hubungan dengan pemangku kepentingan, dan rekomendasi tindakan
• Engineer tanpa partner yang menangani narasi mudah membangun demi kelengkapan, bukan demi keputusan; analis tanpa partner sistem yang tepercaya sulit membuat dasar argumen yang meyakinkan
• Organisasi yang sudah ada tidak perlu langsung direstrukturisasi; mereka dapat menempatkan kedua peran ini pada satu area bisnis selama satu kuartal untuk memvalidasi model, lalu memperluasnya
• Jika pekerjaan infrastruktur menyerap sebagian besar kapasitas tim seperti di perusahaan tahap awal, alih-alih duo, waktu untuk berbagi perspektif dapat dilindungi
  • Adakan tinjauan bisnis setiap minggu
  • Demo bulanan dapat dibuka untuk tim yang tidak ditangani langsung
• Yang lebih penting daripada bagan organisasi itu sendiri adalah kebiasaan mengulang Perspective

Ritme Operasional yang Terakumulasi dalam Jangka Panjang

• Jika pekerjaan membangun perspektif dan mendukung tindakan diulang setiap minggu, dampaknya akan terakumulasi selama berbulan-bulan dan bertahun-tahun
• Semakin sering terlibat dalam proses pengambilan keputusan, semakin baik kemampuan membedakan pipeline yang alasan keberadaannya tidak jelas, alert yang hampir hanya noise, dan investasi infrastruktur yang benar-benar akan dibutuhkan
• Peran tim data adalah membangun realitas bersama yang dapat dipercaya bersama oleh anggota organisasi tentang situasi saat ini dan maknanya
• Data-Perspective-Action adalah model operasi yang terus memperlihatkan bahwa tujuan pekerjaan teknis adalah keputusan yang lebih baik, dan pipeline serta skema pun ada demi keputusan tersebut