Vanity Metrics vs KPI: Cara Memilih Angka yang Benar-Benar Penting

Vanity metric adalah angka yang kelihatan bagus dan bikin senang di atas kertas — kayak Total Sales, total pengunjung, atau total pelanggan terdaftar — tapi berdiri sendiri tanpa konteks, sehingga tidak memberi tahu apa yang harus dilakukan selanjutnya. Bedanya sama KPI (Key Performance Indicator) gampang dilihat: KPI selalu bisa dikaitkan ke satu aksi konkret, sementara vanity metric cuma “kelihatan naik” tanpa jelas sebabnya apa.

Waktu saya pertama kali bikin laporan penjualan, saya bangga banget nunjukkin angka Total Sales yang gede ke stakeholder. Tapi pertanyaan pertama yang saya dapat balik cuma satu: “terus, kita harus ngapain?” Saya kelabakan, karena angka itu memang benar tapi nggak ngasih arah aksi apa-apa. Dari situ saya belajar buat selalu memecah angka besar jadi metrik yang lebih spesifik sebelum dipresentasikan.

Kenapa Saya Pilih Breakdown per Pelanggan Dibanding Cuma Lihat Total?

Ada beberapa cara buat “mengubah” vanity metric jadi lebih bermakna: dibagi per waktu (misal per bulan), dibagi per segmen (per negara/kategori), atau dibagi per unit (per pelanggan/per transaksi). Saya pilih breakdown per pelanggan dan per transaksi dibanding cuma per waktu, karena tujuan akhirnya adalah tahu seberapa besar kontribusi tiap pelanggan — bukan cuma tahu tren naik-turun. Kalau cuma dipecah per bulan, angkanya tetap bisa “vanity” karena belum tentu menunjukkan siapa yang sebenarnya mendorong pertumbuhan itu.

Konsep vanity metric ini pertama kali dipopulerkan oleh Eric Ries lewat buku The Lean Startup. Buat referensi lebih lengkap soal definisi dan ciri-cirinya, kamu bisa cek glosarium vanity metrics dari ProductPlan.

1. Apa yang Perlu Disiapkan Sebelum Mulai?

Sebelum hitung metrik apa pun, siapkan dulu dataset transaksi yang punya minimal kolom: ID transaksi, ID pelanggan, quantity, harga satuan, dan tanggal. Saya pakai dataset Online Retail — data transaksi online retail asal UK dengan lebih dari 500 ribu baris — supaya contohnya konkret dan datanya cukup “kotor” untuk dipraktikkan cleaning-nya juga.

2. Gimana Cara Membersihkan Data Sebelum Dihitung?

Data mentah biasanya masih punya invoice yang dibatalkan, quantity/harga tidak valid, dan baris tanpa ID pelanggan. Kalau langsung dihitung tanpa dibersihkan dulu, hasilnya bisa salah total — dan ini juga alasan lain kenapa vanity metric sering muncul: datanya belum dicek dulu.

df_clean = df.copy()

# Buang invoice yang dibatalkan (kode diawali 'C')
df_clean = df_clean[~df_clean['InvoiceNo'].astype(str).str.startswith('C')]

# Buang baris dengan Quantity atau UnitPrice tidak valid
df_clean = df_clean[(df_clean['Quantity'] > 0) & (df_clean['UnitPrice'] > 0)]

# Buang baris tanpa CustomerID
df_clean = df_clean.dropna(subset=['CustomerID'])

# Buat kolom Sales
df_clean['Sales'] = df_clean['Quantity'] * df_clean['UnitPrice']

3. Gimana Cara Menghitung Vanity Metric-nya Dulu?

Setelah data bersih, saya hitung dulu angka yang paling sering dipamerkan di laporan — Total Sales, Total Transaksi, dan Total Pelanggan. Angka-angka ini penting sebagai gambaran umum, tapi belum cukup buat ambil keputusan.

total_sales = df_clean['Sales'].sum()
total_transactions = df_clean['InvoiceNo'].nunique()
total_customers = df_clean['CustomerID'].nunique()

print(f"Total Sales     : £{total_sales:,.0f}")
print(f"Total Transaksi : {total_transactions:,}")
print(f"Total Pelanggan : {total_customers:,}")

4. Gimana Cara Mengubahnya Jadi KPI?

Dari tiga angka besar tadi, saya pecah jadi tiga KPI yang langsung mengarah ke aksi: Average Order Value, Revenue per Customer, dan Repeat Purchase Rate.

# Average Order Value
aov = total_sales / total_transactions

# Revenue per Customer
revenue_per_customer = total_sales / total_customers

# Repeat Purchase Rate
orders_per_customer = df_clean.groupby('CustomerID')['InvoiceNo'].nunique()
repeat_customers = (orders_per_customer > 1).sum()
repeat_purchase_rate = repeat_customers / total_customers * 100

print(f"Average Order Value  : £{aov:,.2f}")
print(f"Revenue per Customer : £{revenue_per_customer:,.2f}")
print(f"Repeat Purchase Rate : {repeat_purchase_rate:.1f}%")

Ketiga angka ini langsung punya arah aksi: AOV rendah bisa didorong lewat strategi bundling atau upsell, Revenue per Customer jadi dasar hitung Customer Lifetime Value, dan Repeat Purchase Rate yang rendah artinya fokusnya harus ke retensi, bukan cuma nambah pelanggan baru terus-menerus.

5. Kenapa Angka Total per Negara Bisa Menipu?

Ini bagian yang paling sering bikin salah kesimpulan: kalau cuma lihat Total Sales per negara, negara dengan volume transaksi paling banyak (di dataset ini, UK) otomatis kelihatan paling “unggul”. Tapi begitu dibagi jadi Revenue per Customer, ceritanya bisa terbalik — negara lain dengan pelanggan lebih sedikit justru punya nilai belanja rata-rata yang lebih tinggi per orangnya.

country_stats = df_clean.groupby('Country').agg(
    Total_Sales=('Sales', 'sum'),
    Total_Customers=('CustomerID', 'nunique')
)
country_stats['Revenue_per_Customer'] = (
    country_stats['Total_Sales'] / country_stats['Total_Customers']
)

# Filter negara dengan minimal 5 pelanggan biar rata-ratanya tidak bias
country_stats[country_stats['Total_Customers'] >= 5] \
    .sort_values('Revenue_per_Customer', ascending=False) \
    .head(10)

Dari perbandingan di atas, kelihatan jelas kenapa angka total sendirian bisa menyesatkan — konteks jumlah pelanggan di baliknya ternyata mengubah kesimpulan sepenuhnya.

Apa Saja Kesalahan yang Sering Terjadi?

• Langsung hitung metrik dari data mentah tanpa dibersihkan dulu (invoice batal, harga nol, dsb).
• Melaporkan angka total tanpa filter minimal sampel, jadi rata-rata bias karena satu segmen cuma punya 1-2 pelanggan.
• Berhenti di angka/chart tanpa menutupnya dengan satu kalimat insight yang jelas arah aksinya.
• Menganggap vanity metric selalu salah, padahal tetap berguna sebagai konteks — masalahnya di cara memaknainya, bukan datanya.

Biar Nggak Lupa, Ini Rangkumannya

Kalau Digabung, Alurnya Kayak Gini

Cara Menulis Insight Statement dari KPI Ini

Tugas data analyst nggak berhenti di angka atau chart. Langkah terakhir yang membedakan analyst dari sekadar “orang yang bisa Excel” adalah menerjemahkan angka jadi satu kalimat kesimpulan yang actionable, pakai template berikut:

Abis Ini Belajar Apa Lagi?

Kesimpulan

Vanity metric bukan musuh — mereka tetap berguna sebagai gambaran umum. Yang perlu diingat, angka besar tanpa konteks nyaris tidak berguna untuk pengambilan keputusan. Tugas data analyst adalah membedah angka itu jadi KPI dengan cara breakdown per transaksi, per pelanggan, atau per segmen, lalu menutupnya dengan satu insight statement yang tegas.

Lain kali sebelum lapor angka besar ke stakeholder, tanya dulu ke diri sendiri: “Kalau angka ini naik atau turun, apa yang harus kita lakukan?” Kalau jawabannya “nggak tahu”, berarti itu masih vanity metric.

Ditulis oleh Aziz Achmad Juniar