Banyak proyek data yang gagal bukan karena analisisnya salah, tapi karena sejak awal pertanyaannya sudah keliru. Tim data sibuk membuat dashboard, menjalankan query, bahkan membangun model machine learning, tapi ketika hasilnya disajikan, stakeholder cuma bilang, “Terus, maksudnya apa buat bisnis kita?” Di titik itu biasanya baru terasa bahwa masalahnya bukan di teknis, melainkan di tahap paling awal yang sering dilewati begitu saja: problem framing.

Problem framing adalah proses menerjemahkan masalah bisnis yang masih kabur menjadi pertanyaan yang bisa dijawab dengan data. Kedengarannya sederhana, tapi ini justru tahap yang paling sering diabaikan karena semua orang buru-buru ingin masuk ke tahap “kerja”, yaitu mengolah data. Padahal, kalau pertanyaannya saja belum jelas, hasil analisis sebagus apa pun jadi kurang berguna.

Kenapa Problem Framing Penting

Coba bayangkan seorang manajer marketing datang ke tim data dan bilang, “Penjualan kita turun, tolong dianalisis.” Kalimat itu terdengar jelas bagi si manajer, tapi bagi analis data, itu masih terlalu luas. Turun di produk mana? Dibandingkan periode apa? Turun dalam jumlah unit atau dalam pendapatan? Apakah penurunan ini terjadi di semua wilayah atau cuma di segmen tertentu?

Kalau analis langsung terjun mengolah data tanpa mempertanyakan hal-hal ini, ada risiko besar dia menghasilkan laporan yang secara teknis benar tapi tidak menjawab kekhawatiran sebenarnya dari si manajer. Ujung-ujungnya, waktu terbuang, dan kepercayaan terhadap tim data ikut berkurang.

Problem framing yang baik membantu:

• Menghindari kerja analisis yang salah arah
• Memastikan hasil analisis bisa langsung dipakai untuk pengambilan keputusan
• Membangun komunikasi yang lebih efektif antara tim data dan pemilik bisnis
• Menghemat waktu, karena tidak perlu bolak-balik revisi akibat salah paham di awal

Dari Masalah Bisnis ke Business Question

Langkah pertama dalam problem framing adalah memisahkan antara masalah bisnis (business problem) dan pertanyaan bisnis (business question). Masalah bisnis biasanya masih berupa keluhan atau gejala, semacam “penjualan turun”, “pelanggan banyak yang churn”, atau “biaya operasional membengkak”. Sedangkan business question adalah pertanyaan yang lebih spesifik dan bisa diuji dengan data.

Contohnya begini:

Perhatikan bedanya. Pertanyaan kedua sudah mengandung batasan waktu, unit analisis (segmen pelanggan), dan arah perbandingan yang jelas. Ini yang membuat pertanyaan tersebut bisa langsung diterjemahkan menjadi query atau desain analisis.

Langkah-Langkah Praktis Melakukan Problem Framing

1. Gali konteks di balik permintaan

Jangan langsung menerima permintaan analisis apa adanya. Tanyakan lebih dalam, misalnya: Kenapa pertanyaan ini penting sekarang? Keputusan apa yang akan diambil dari hasil analisis ini? Siapa saja yang akan menggunakan hasilnya?

Pertanyaan-pertanyaan ini kelihatan sepele, tapi sering kali justru mengungkap bahwa permintaan awal belum mewakili kebutuhan sebenarnya.

2. Definisikan metrik dan batasan dengan jelas

Setiap kata yang ambigu dalam permintaan bisnis perlu diperjelas. “Performa menurun” itu diukur pakai metrik apa? Revenue, konversi, retensi, atau margin? Periode pembandingnya bulan lalu, kuartal lalu, atau tahun lalu? Tanpa definisi yang jelas, dua orang bisa punya pemahaman berbeda tentang hasil analisis yang sama.

3. Kenali siapa yang bakal pakai hasilnya

Business question untuk seorang direktur biasanya berbeda levelnya dengan business question untuk manajer operasional. Direktur mungkin butuh gambaran besar untuk keputusan strategis, sementara manajer lapangan butuh detail yang bisa langsung ditindaklanjuti. Mengetahui audiens membantu menentukan seberapa dalam dan seberapa teknis analisis yang perlu dilakukan.

4. Uji apakah pertanyaannya bisa dijawab dengan data yang ada

Business question yang bagus itu percuma kalau datanya tidak tersedia atau kualitasnya buruk. Sebelum melangkah lebih jauh, cek dulu apakah data yang dibutuhkan memang ada, cukup lengkap, dan cukup andal untuk menjawab pertanyaan tersebut. Kalau belum, mungkin perlu direformulasi jadi pertanyaan yang lebih realistis, atau ada pekerjaan tambahan untuk mengumpulkan data yang kurang.

5. Rumuskan ulang jadi pertanyaan yang terukur

Setelah konteks, metrik, audiens, dan ketersediaan data sudah jelas, susun ulang menjadi satu atau beberapa business question yang konkret. Idealnya pertanyaan ini punya subjek yang jelas, metrik yang terukur, dan kerangka waktu yang spesifik.

Ciri-Ciri Business Question yang Baik

Sebuah business question yang matang biasanya punya beberapa karakteristik berikut:

• Spesifik, tidak lagi menyisakan ruang untuk multi-tafsir
• Terukur, ada metrik yang jelas untuk menjawabnya
• Relevan, hasilnya benar-benar berhubungan dengan keputusan yang akan diambil
• Bisa dijawab dengan data yang tersedia atau bisa diperoleh
• Actionable, artinya jawabannya bisa langsung mengarah ke tindakan tertentu

Kalau sebuah pertanyaan belum memenuhi kelima hal di atas, biasanya masih perlu digali lagi sebelum dilempar ke tahap analisis.

Menutup

Problem framing sering dianggap sebagai basa-basi sebelum “kerja beneran” dimulai, padahal justru di sinilah nilai sebenarnya dari seorang data analyst atau data scientist diuji. Kemampuan menerjemahkan kegelisahan bisnis yang masih kabur menjadi pertanyaan yang tajam dan bisa dijawab dengan data adalah keterampilan yang membedakan analis biasa dengan analis yang benar-benar dipercaya oleh bisnis.

Sebelum buru-buru membuka tools analisis, coba luangkan waktu sejenak untuk memastikan pertanyaannya sudah benar. Karena jawaban yang tepat untuk pertanyaan yang salah, tetap saja bukan jawaban yang dibutuhkan.

Referensi

Beberapa kerangka kerja berikut bisa jadi bahan bacaan lanjutan bagi yang ingin memperdalam praktik problem framing dalam konteks data:

• CRISP-DM (Cross Industry Standard Process for Data Mining) — metodologi klasik yang menempatkan business understanding sebagai fase pertama sebelum data understanding, data preparation, modeling, evaluation, dan deployment.
• Team Data Science Process (TDSP) dari Microsoft — kerangka kerja yang juga memulai siklus proyek data dari tahap business understanding, termasuk perumusan pertanyaan dan definisi metrik keberhasilan.
• Google Data Analytics Professional Certificate — materi pengantar analisis data yang membahas tahap “Ask” (bertanya) sebagai langkah pertama dalam siklus analisis data, sebelum tahap Prepare, Process, Analyze, Share, dan Act.
• McKinsey Problem Solving Approach — pendekatan konsultasi yang menekankan pentingnya merumuskan masalah secara tepat (problem definition) sebelum masuk ke tahap hipotesis dan analisis.

Referensi-referensi ini bisa ditelusuri lebih lanjut melalui dokumentasi resmi masing-masing metodologi untuk pembahasan yang lebih mendalam.

Penulis : Siti Fatimah Nur Azzahra

Link Github : https://portfolio.edusoftcenter.com/contributors/bb830f4d-4fa3-48f6-b996-bb221ec66e98