Terlalu Banyak KPI Bisa Membuat Organisasi Semakin Sulit Melihat
Ketika teknologi membuat pengukuran semakin mudah, godaan berikutnya adalah mengukur semakin banyak hal. Setiap departemen memiliki dashboard. Setiap proses memiliki indikator. Setiap proyek memiliki metrik. Tidak lama kemudian, organisasi memiliki puluhan bahkan ratusan angka yang harus dipantau.
Secara teori, semakin banyak informasi seharusnya membuat organisasi semakin memahami operasi. Dalam praktiknya, yang terjadi bisa sebaliknya. Ketika terlalu banyak indikator dianggap penting, perhatian menjadi terfragmentasi. Orang kesulitan membedakan sinyal yang benar-benar membutuhkan tindakan dari variasi normal yang tidak perlu dikejar. Meeting berubah menjadi aktivitas membaca angka satu per satu, bukan memahami hubungan di antara angka tersebut.
Lebih buruk lagi, setiap fungsi dapat mulai mengoptimalkan indikatornya sendiri. Produksi mengejar output. Maintenance mengejar availability. Quality mengejar defect rate. Supply chain mengejar inventory. Purchasing mengejar harga. Masing-masing memiliki data yang menunjukkan keberhasilan, sementara kinerja keseluruhan sistem belum tentu membaik.
Pada titik ini, persoalannya bukan kekurangan data. Organisasi justru tenggelam di dalamnya. Operational Excellence membutuhkan kemampuan memilih informasi yang membantu melihat aliran, variasi, abnormalitas, dan kebutuhan pelanggan. Tidak semua hal yang dapat diukur harus menjadi KPI, dan tidak semua KPI membutuhkan perhatian yang sama setiap saat.
Tujuan pengukuran bukan menghasilkan lebih banyak angka. Tujuannya membuat kondisi proses lebih mudah dipahami.
Feeling Tidak Harus Dihilangkan
Menjadi data-driven sering disalahartikan sebagai mengganti pengalaman manusia dengan angka. Padahal keputusan operasional yang baik jarang bekerja sesederhana itu. Pengalaman memiliki sesuatu yang sulit sepenuhnya direpresentasikan dalam dashboard: konteks. Orang yang telah bertahun-tahun bekerja dengan sebuah proses sering mengenali hubungan yang tidak langsung terlihat melalui indikator. Mereka mengetahui kejadian apa yang tidak biasa, perubahan mana yang perlu diperhatikan, dan pertanyaan mana yang layak ditelusuri lebih jauh.
Intuisi seperti ini memiliki nilai besar. Namun organisasi yang matang memperlakukan intuisi sebagai hipotesis, bukan sebagai fakta. Kalimat seperti “sepertinya material baru menyebabkan reject meningkat” adalah awal yang baik untuk investigasi, tetapi seharusnya tidak langsung berubah menjadi kesimpulan. Organisasi perlu melihat apakah reject memang mulai meningkat setelah material berubah, apakah pola defect konsisten dengan karakteristik material tersebut, bagaimana performa lot sebelumnya, dan apakah ada perubahan lain pada mesin atau parameter pada periode yang sama.
Dengan cara ini, pengalaman dan data tidak perlu dipertentangkan. Pengalaman membantu organisasi mengetahui ke mana harus melihat. Data membantu menguji apakah apa yang dirasakan benar-benar didukung oleh kenyataan proses. Keduanya bekerja jauh lebih baik ketika saling melengkapi.
Data Baru Bernilai ketika Mengubah Cara Organisasi Bertanya
Investasi pada data sering dinilai dari kemampuan menghasilkan informasi lebih cepat. Laporan bulanan menjadi harian. Laporan harian menjadi per jam. Data per jam menjadi real time. Namun kecepatan informasi hanya memberikan manfaat jika organisasi mampu menggunakan waktu tambahan tersebut untuk mengambil tindakan yang lebih baik.
Jika dashboard real-time hanya membuat manajemen menanyakan pencapaian target setiap lima belas menit, teknologi justru dapat memperbesar tekanan tanpa meningkatkan pembelajaran. Sebaliknya, data yang tepat dapat mengubah kualitas pertanyaan. Diskusi tidak hanya berhenti pada “berapa output hari ini?”, tetapi berkembang menjadi “di bagian mana aliran mulai melambat?”. Bukan hanya “berapa reject bulan ini?”, tetapi “kapan pola defect mulai berubah?”. Bukan sekadar “kenapa OEE turun?”, tetapi “loss mana yang berubah dan kondisi apa yang terjadi ketika perubahan itu muncul?”.
Pertanyaan yang lebih baik membuat data memiliki fungsi yang berbeda. Ia tidak lagi hanya digunakan untuk mengawasi performa, tetapi untuk memahami proses. Di sinilah organisasi mulai bergerak dari sekadar having data menuju using data.
AI Tidak Akan Menyelamatkan Data yang Tidak Dipahami
Perkembangan AI membuat organisasi memiliki kemampuan baru untuk menemukan pola, melakukan prediksi, merangkum informasi, dan membantu pengambilan keputusan. Dalam manufacturing, potensinya besar: predictive maintenance, quality prediction, demand forecasting, process optimization, anomaly detection, hingga decision support.
Namun AI juga membawa risiko lama dalam bentuk yang lebih canggih. Organisasi dapat mempercayai sebuah output karena sistem yang menghasilkannya terlihat pintar, tanpa benar-benar memahami kualitas data dan asumsi di belakangnya. Jika histori downtime tidak konsisten, model akan belajar dari ketidakkonsistenan tersebut. Jika kategori defect berubah antarperiode, analisis dapat membaca perubahan definisi sebagai bagian dari pola. Jika proses mengalami perubahan besar tetapi konteks tersebut tidak tercatat, hubungan yang ditemukan dapat terlihat meyakinkan tetapi kehilangan makna operasional.
Teknologi dapat membantu manusia menemukan pola yang sebelumnya sulit terlihat, tetapi ia tidak membebaskan organisasi dari kebutuhan memahami proses. Justru semakin canggih alat analisis yang digunakan, semakin penting kemampuan manusia untuk mengajukan pertanyaan yang tepat terhadap hasilnya. AI dapat mempercepat analisis. Ia tidak otomatis memperbaiki cara berpikir.
SHIFT Insight
Organisasi tidak menjadi data-driven ketika berhasil memasang dashboard di setiap layar. Ia menjadi data-driven ketika data mengubah kualitas percakapan dan keputusan yang terjadi di dalam organisasi. Itu membutuhkan lebih dari teknologi. Definisi harus konsisten, konteks harus dipahami, variasi harus dibedakan dari perubahan yang benar-benar berarti, dan KPI harus membantu melihat sistem, bukan hanya mempercantik performa masing-masing fungsi.
Pengalaman manusia tetap perlu digunakan, bukan sebagai pengganti bukti, tetapi sebagai sumber pertanyaan yang dapat diuji. Operational Excellence tidak meminta organisasi memilih antara data atau feeling. Yang perlu dihindari adalah keputusan yang hanya mencari data untuk membenarkan feeling yang sudah terbentuk sebelumnya.
Data seharusnya membuat organisasi lebih berani mempertanyakan asumsi, termasuk asumsi yang selama bertahun-tahun dianggap benar. Ketika itu terjadi, data tidak lagi sekadar menjadi sesuatu yang dilihat. Ia menjadi sesuatu yang membantu organisasi belajar.
Kesimpulan
Memiliki banyak data adalah sebuah kemampuan. Mengubahnya menjadi pemahaman adalah kemampuan yang berbeda. Organisasi dapat memiliki sensor, ERP, MES, dashboard real-time, analytics, bahkan AI, tetapi tetap membuat keputusan dengan pola yang sama seperti ketika informasi masih dicatat secara manual. Teknologi hanya mengubah seberapa cepat angka tersedia. Ia tidak otomatis menentukan bagaimana angka tersebut dipahami.
Karena itu, perjalanan menuju data-driven manufacturing tidak dimulai dari pertanyaan mengenai berapa banyak data yang dapat dikumpulkan. Ia dimulai dari pertanyaan yang lebih sederhana: keputusan apa yang ingin dibuat lebih baik, proses apa yang perlu dipahami, dan informasi apa yang benar-benar membantu melihat kenyataan tersebut?
Ketika organisasi memiliki disiplin untuk menghubungkan data dengan proses, pengalaman dengan bukti, dan indikator dengan konteks, feeling tidak perlu menghilang. Ia mendapatkan sesuatu yang selama ini sering tidak dimilikinya: kesempatan untuk diuji. Dan mungkin itulah tanda organisasi yang benar-benar data-driven—bukan ketika orang berhenti mengatakan “menurut saya”, tetapi ketika kalimat berikutnya menjadi, “mari kita lihat apakah datanya juga mengatakan hal yang sama.”