Tidak pernah ada masa ketika organisasi memiliki data sebanyak sekarang. Mesin dapat mengirimkan informasi secara real time, dashboard menampilkan puluhan indikator sekaligus, ERP mencatat transaksi hingga detail terkecil, dan laporan kinerja dapat diperbarui tanpa harus menunggu akhir bulan. Di banyak perusahaan, menjadi data-driven bahkan telah menjadi bagian penting dari agenda transformasi digital. Namun ada pemandangan yang menarik. Ketika masalah benar-benar muncul dan keputusan harus diambil, rapat masih sering dipenuhi kalimat seperti “kalau menurut saya”, “sepertinya masalahnya di sini”, atau “biasanya penyebabnya memang itu”. Data tersedia di mana-mana, tetapi keputusan tetap kembali pada feeling.
Ini bukan berarti pengalaman dan intuisi tidak memiliki nilai. Dalam operasi, pengalaman sering membantu seseorang melihat pola yang belum langsung terlihat melalui angka. Seorang supervisor berpengalaman dapat merasakan bahwa proses mulai tidak stabil. Seorang planner dapat mengenali pola permintaan yang tidak biasa. Operator bahkan dapat mengetahui bahwa mesin “tidak seperti biasanya” sebelum indikator menunjukkan perubahan yang signifikan. Masalah muncul ketika feeling tidak digunakan untuk membentuk pertanyaan, tetapi langsung menjadi jawaban. Di sinilah paradoks organisasi modern terlihat: kemampuan mengumpulkan data berkembang jauh lebih cepat dibandingkan kemampuan memahami apa yang sebenarnya dikatakan oleh data tersebut.
Akibatnya, organisasi dapat menjadi semakin kaya informasi tanpa menjadi semakin baik dalam mengambil keputusan. Mereka memiliki lebih banyak angka, lebih banyak grafik, dan lebih banyak dashboard, tetapi belum tentu memiliki lebih banyak pemahaman terhadap proses.
Banyak Data Tidak Sama dengan Banyak Pemahaman
Memiliki lebih banyak data terasa seperti sebuah kemajuan karena sesuatu yang sebelumnya tidak terlihat kini dapat diukur. Downtime dapat dipecah berdasarkan kategori. Output dapat dipantau setiap jam. Reject dapat dilihat berdasarkan mesin, produk, atau shift. OEE tersedia secara real time. Lead time, inventory, delivery performance, bahkan konsumsi energi dapat ditampilkan dalam satu layar.
Namun kemampuan melihat angka tidak otomatis menghasilkan kemampuan memahami proses. Sebuah dashboard dapat menunjukkan bahwa output turun 8 persen. Informasi tersebut penting, tetapi belum menjelaskan mengapa penurunan terjadi. OEE dapat menunjukkan bahwa performance loss meningkat, tetapi angka itu sendiri belum menjelaskan kondisi apa yang menciptakan kehilangan tersebut. Reject rate dapat meningkat pada shift tertentu, tetapi kesimpulan bahwa shift tersebut memiliki masalah belum tentu benar sebelum organisasi melihat produk yang dijalankan, kondisi mesin, material, changeover, dan berbagai faktor lain yang terjadi pada waktu yang sama.
Data menunjukkan sesuatu yang terjadi. Pemahaman menjelaskan hubungan di balik kejadian tersebut. Perbedaan ini menjadi salah satu alasan mengapa organisasi dapat memiliki dashboard yang sangat lengkap namun tetap menghadapi persoalan yang sama berulang kali. Mereka semakin baik menjawab pertanyaan “apa yang terjadi?”, tetapi belum tentu semakin baik menjawab “mengapa hal itu terjadi?”.
Dashboard yang Cantik Tidak Otomatis Membuat Proses Lebih Baik
Transformasi digital sering membuat informasi operasional menjadi jauh lebih mudah dilihat. Angka yang sebelumnya tersebar di berbagai spreadsheet kini dapat muncul dalam satu dashboard. Grafik berubah secara real time. Warna merah menunjukkan masalah, hijau menunjukkan target tercapai, dan tren dapat dibandingkan antarperiode hanya dengan beberapa klik. Semua itu merupakan kemajuan yang nyata.
Namun ada risiko ketika keberadaan dashboard mulai dianggap sebagai bukti bahwa organisasi telah menjadi data-driven. Dashboard hanyalah cara menyajikan informasi. Ia tidak menentukan kualitas percakapan yang terjadi setelah informasi tersebut dilihat.
Bayangkan sebuah indikator downtime berubah merah. Dalam organisasi yang belum memiliki disiplin analisis yang kuat, respons berikutnya bisa sangat cepat: maintenance diminta segera memperbaiki performa, target downtime diperketat, dan supervisor diminta memberikan action plan. Masalahnya, angka merah tersebut belum menjelaskan apa yang sebenarnya berubah. Apakah frekuensi breakdown meningkat? Apakah satu kejadian besar mendominasi total downtime? Apakah changeover ikut dimasukkan ke kategori yang sama? Apakah pencatatan berubah? Apakah mesin tertentu menjadi sumber utama masalah? Apakah product mix bulan ini berbeda?
Tanpa pertanyaan tersebut, dashboard hanya membuat masalah terlihat lebih cepat. Ia belum tentu membuat organisasi memahami masalah lebih baik. Digitalisasi dapat mempercepat aliran informasi, tetapi kualitas keputusan tetap bergantung pada kualitas cara berpikir orang yang menggunakan informasi tersebut.
Ketika Meeting Berubah Menjadi Perdebatan tentang Angka
Salah satu tanda bahwa organisasi belum benar-benar matang dalam menggunakan data muncul ketika sebagian besar waktu meeting justru digunakan untuk memperdebatkan data mana yang benar. Produksi memiliki angka sendiri. Quality memiliki angka berbeda. Maintenance menggunakan definisi downtime yang tidak sama. Finance mengambil informasi dari periode pencatatan lain. Planning menggunakan cut-off yang berbeda. Semua pihak memiliki data, tetapi tidak ada yang memiliki kenyataan yang sama.
Masalah seperti ini sering dianggap sebagai persoalan sistem informasi. Padahal akar persoalannya dapat jauh lebih mendasar: organisasi belum menyepakati definisi mengenai apa yang sebenarnya ingin diukur. Apa yang disebut downtime? Kapan sebuah defect dihitung? Bagaimana rework dikategorikan? Apa definisi on-time delivery? Kapan sebuah order dianggap selesai? Apakah planned stop masuk ke perhitungan tertentu atau tidak?
Pertanyaan seperti ini mungkin terasa administratif dibandingkan investasi pada analytics atau AI. Tetapi tanpa definisi yang konsisten, teknologi hanya akan memproses ketidakjelasan dengan kecepatan yang lebih tinggi. Hasilnya adalah fenomena yang ironis: organisasi menghabiskan banyak waktu membangun dashboard untuk mengurangi perdebatan, lalu menggunakan meeting untuk memperdebatkan angka yang muncul di dashboard tersebut.
Data-driven decision making dimulai jauh sebelum visualisasi. Ia dimulai dari disiplin untuk memastikan bahwa organisasi memiliki bahasa yang sama ketika berbicara mengenai proses.
Data yang Salah Tidak Selalu Berarti Angkanya Salah
Ketika berbicara mengenai kualitas data, perhatian biasanya tertuju pada akurasi. Apakah angka yang tercatat benar? Apakah sensor bekerja? Apakah input dilakukan dengan tepat? Akurasi memang penting, tetapi data dapat benar secara matematis dan tetap menyesatkan secara operasional.
Sebuah mesin, misalnya, dapat memiliki OEE yang tinggi dan angka tersebut dihitung dengan benar. Namun jika mesin memproduksi barang yang belum dibutuhkan pelanggan dan hanya menambah inventory, apakah angka itu masih memberikan gambaran yang tepat mengenai kontribusi mesin terhadap keseluruhan sistem? Sebuah departemen dapat menunjukkan produktivitas yang meningkat, tetapi jika peningkatan tersebut menciptakan antrean di proses berikutnya, indikator lokal yang baik justru dapat menyembunyikan persoalan pada aliran.
Demikian pula dengan rata-rata. Cycle time rata-rata mungkin terlihat stabil, sementara variasi di dalamnya semakin besar. Angka bulanan dapat terlihat normal meskipun proses mengalami gangguan serius selama beberapa hari lalu dikompensasi oleh performa tinggi pada periode berikutnya. Artinya, kualitas data bukan hanya persoalan apakah angka tersebut benar. Pertanyaan yang lebih penting adalah apakah angka tersebut membantu organisasi memahami kenyataan yang ingin dipahami.
Data tanpa konteks dapat menghasilkan keyakinan yang sangat kuat terhadap kesimpulan yang salah.