Yang Benar-Benar Dibutuhkan dalam Analisis Data Bukan Keahlian Teknis, Tapi 'Kemampuan Menerjemahkan'

Selamat pagi, saya まさきん.

Soal pekerjaan analisis data atau analisis akses, saya sering mendengar pertanyaan “apakah ini pekerjaan yang butuh keahlian tinggi?”

Setelah lama menjalani pekerjaan ini, yang saya rasakan justru bukan pengetahuan statistik atau machine learning tingkat tinggi itu sendiri, tapi kemampuan lain.

Analis seharusnya jadi “penerjemah”

Peran analisis data sering dibayangkan sebagai pekerjaan yang sangat teknis. Tapi seperti yang saya tulis waktu membaca buku Competing on Analytics, menurut saya pribadi tidak sepenuhnya begitu.

Tentu ada orang yang bisa menarik insight bisnis dari analisis tingkat tinggi, atau yang bisa mengerjakan sendiri dari analisis sampai desain dan implementasi. Tapi menurut saya, orang seperti itu tidak terlalu banyak.

Yang benar-benar dibutuhkan di banyak lapangan kerja adalah kemampuan menerjemahkan bahasa teknis data menjadi bahasa bisnis. Bukan cuma melihat angka, tapi mengubah maknanya jadi bentuk yang bisa dipahami orang lain.

Rasa “menerjemahkan” ini rasanya juga bisa dipakai untuk angka di luar pekerjaan. Misalnya biaya HP bulanan, kalau cuma dilihat saja tanpa diterjemahkan, artinya tidak akan terasa.

Bahaya berhenti jadi “alat pencari informasi yang praktis”

Ada satu jebakan yang selalu saya waspadai di tim analisis. Yaitu tim analisis berubah jadi sekadar “loket pencarian informasi”.

Minta tunjukkan angka ini, minta tampilkan tren periode ini. Permintaan seperti itu memang pekerjaan penting. Tapi kalau berhenti di situ saja, perannya jadi sedikit melenceng dari yang seharusnya, yaitu “membantu pengambilan keputusan”. Kalau cuma jadi tempat menyalurkan angka yang diminta dari satu sisi ke sisi lain, nilai tim analisis tidak akan keluar dari batas “loket pencarian informasi yang praktis”.

Meski begitu, saya juga tidak berpikir kondisi ini harus ditolak mentah-mentah. Sebagai langkah awal, tidak masalah kalau jadi organisasi yang tekun menjawab permintaan pencarian. Karena tanpa terus menambah informasi yang terlihat sekecil apa pun, dan terus menyampaikannya ke sekitar, kepercayaan berikutnya tidak akan terbangun. Tidak melupakan tujuan akhir, tapi tetap menumpuk apa yang bisa dilakukan sekarang. Sikap seperti itu rasanya sudah cukup pas.

Sisi pengguna atau sisi pembangun, condong ke mana

Pekerjaan yang berkaitan dengan data terasa terbagi jadi dua arah besar. Satu, sisi yang memakai angka yang sudah keluar. Dua, sisi pembangun yang mengambil dan menyiapkan data.

Kalau sisi pengguna, cakupannya meluas ke analisis CRM, edukasi pengguna, sampai desain rekomendasi. Kalau sisi pembangun, mencakup desain kebutuhan data, implementasi, sampai penyiapan infrastruktur data.

Dalam memikirkan karier, tergantung mana yang jadi pijakan, skill yang perlu dikembangkan jadi cukup berbeda. Waktu memikirkan soal pekerjaan “product manager”, saya merasakan pergumulan yang mirip. Terus terang, saya sendiri sampai sekarang belum benar-benar menemukan jawaban pasti, mana yang seharusnya jadi pijakan saya. Sebagai orang yang mulai dari sisi pengguna, lalu bolak-balik antara desain, implementasi, dan program, keinginan untuk lebih mengembangkan kekuatan di sisi pembangun, dan keraguan soal posisi saya sekarang, sejujurnya masih berdampingan sampai hari ini.

Di era AI generatif, bobot kemampuan menerjemahkan justru makin besar

Sekarang, dengan AI generatif, pekerjaan seperti menulis SQL atau membuat dashboard jadi lebih mudah dibanding sebelumnya.

Dalam diskusi yang baru-baru ini saya baca, perubahan ini dibahas sebagai pergeseran dari “kekuatan analisis” menjadi “kekuatan menemukan jalan kemenangan”. Karena pekerjaan rutin seperti pengolahan data, visualisasi, dan pemilihan model sudah bisa diserahkan ke AI, bobot kekuatan menemukan KPI dan kekuatan menyusun hipotesis soal “apa yang seharusnya ditanyakan” justru makin besar, begitu pandangannya. Diskusi lain menyebutkan, peran data scientist meluas ke tiga arah, yaitu penjembatan pengetahuan antar bidang, penyusun pertanyaan strategis, dan storyteller yang menghubungkan hasil analisis ke keputusan manajemen.

Artinya, bobot bagian “apa yang harus ditanyakan” dan “bagaimana menafsirkan angka yang keluar untuk dihubungkan ke bisnis” justru makin besar. Semakin pintar alatnya, perbedaan antara kekuatan menyusun pertanyaan dan kekuatan menerjemahkan jawaban akan langsung jadi perbedaan hasil. Menurut saya, titik yang membedakan antara sekadar jadi alat pencari informasi atau berhasil menembus pengambilan keputusan sebagai penerjemah, ada di bagian ini.

Kalau ditanya bagaimana melatih kemampuan ini dalam praktik, saya selalu mencoba membiasakan urutan ini. Sebelum masuk ke analisis, saya rumuskan dulu “apa yang saya mau orang lakukan setelah melihat angka ini”. Bukan keluarkan angka dulu baru pikirkan tafsirannya, tapi pegang dulu hipotesis kesimpulan yang mau disampaikan, baru hadapi data. Hanya dengan mengubah urutan ini saja, kualitas output sebagai penerjemah rasanya jauh berbeda.

Istilah “demokratisasi analisis” juga makin sering terdengar. Dengan AI generatif, makin banyak orang tanpa pengetahuan teknis bisa langsung bertanya ke data sendiri. Akibatnya, kelangkaan “kekuatan mencari” yang dulu hanya dimiliki tim analisis jadi menurun. Justru karena itu, nilai tambah sebagai penerjemah, yaitu bagaimana menafsirkan jawaban yang keluar dan menghubungkannya ke aksi selanjutnya, jadi makin menonjol. Itulah yang saya rasakan.

Sekarang setiap orang di lapangan bisa menyentuh data sampai taraf tertentu, dan justru karena itu peran menjelaskan istilah teknis dengan bahasa yang mudah dipahami terasa makin menyebar ke berbagai penjuru perusahaan, bukan cuma di tim analisis. Zaman ketika hanya tim analisis yang perlu jadi penerjemah, pelan-pelan sepertinya sudah mendekati akhir.

Kesimpulan

Teknologi dan alat berubah seiring zaman. Tapi inti peran sebagai “penerjemah” yang berdiri di antara data dan bisnis, rasanya tidak banyak berubah.

Ngomong-ngomong, angka di sekitar diri sendiri ternyata memang tidak benar-benar diperhatikan dengan baik. Saya mau mulai dari biaya HP bulanan, memeriksa angkanya sendiri dengan tangan saya sendiri.

Artikel ini mengandung iklan afiliasi. Jika Anda mendaftar produk atau layanan melalui tautan di situs ini, kami mungkin menerima komisi dari perusahaan mitra. Selain itu, pengelola adalah karyawan Rakuten Group dan mungkin menerima imbalan melalui program referral karyawan. Konten dan penilaian artikel dibuat berdasarkan pengalaman nyata dan riset pengelola, terlepas dari ada atau tidaknya iklan, namun kami harap Anda membaca dengan memahami hubungan di atas. Untuk detailnya, silakan lihat Sangkalan & Info Afiliasi. Sangkalan & Info Afiliasi

Artikel ini menggunakan terjemahan mesin. Untuk syarat resmi, silakan cek halaman multibahasa di situs resmi Rakuten Mobile.

Jika Anda memiliki kekhawatiran tentang area jangkauan atau kondisi sinyal Rakuten Mobile, Anda dapat berkonsultasi melalui formulir permintaan perbaikan sinyal resmi.