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.
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.”
