4 Jenis Analisis Data: Kapan Pakai yang Mana?

Ada satu pertanyaan yang menurut saya paling sering dilewatkan sebelum orang mulai buka spreadsheet atau bikin dashboard: analisis data ini sebenarnya mau jawab pertanyaan apa? Kedengarannya sepele, tapi ini yang membedakan orang yang cuma ngolah data dengan orang yang benar-benar bisa mengambil keputusan dari data.

Saya sering lihat orang langsung lompat ke bikin visualisasi atau jalanin model prediksi, padahal belum jelas dulu tujuan analisisnya. Padahal, analisis data itu ada empat jenis besar, dan masing-masing punya tempatnya sendiri. Ada yang cuma untuk merangkum apa yang terjadi, ada yang menggali kenapa itu terjadi, ada yang mencoba menebak apa yang akan terjadi, dan ada yang berani merekomendasikan tindakan apa yang sebaiknya diambil.

Di tulisan ini, saya mau bahas keempatnya satu per satu, dengan konteks kapan masing-masing cocok dipakai, biar kamu nggak asal pilih teknik cuma karena kelihatan canggih.

Analisis Deskriptif: Memahami Apa yang Sudah Terjadi

Analisis deskriptif ini biasanya jadi pintu masuk pertama sebelum masuk ke analisis yang lebih dalam. Fungsinya sederhana: merangkum data historis supaya kita punya gambaran jelas soal apa yang sudah terjadi. Contoh paling gampang, laporan penjualan bulanan, rata-rata durasi pengunjung di website, atau jumlah transaksi per hari. Semua itu masuk kategori deskriptif.

Yang membuat analisis deskriptif ini penting adalah karena tanpa ini, kita nggak punya baseline untuk membandingkan apa pun. Kalau kamu nggak tahu berapa rata-rata penjualan bulan lalu, gimana kamu bisa bilang bulan ini "naik" atau "turun"? Analisis deskriptif memberi kita angka pijakan.

Tapi di sinilah banyak orang berhenti terlalu cepat. Mereka bikin dashboard penuh angka dan grafik, lalu menganggap itu sudah cukup untuk "analisis data". Padahal deskriptif cuma menjawab pertanyaan permukaan. Dia bilang apa yang terjadi, tapi belum menjelaskan kenapa itu terjadi.

Saya biasanya pakai analisis deskriptif di tahap awal eksplorasi, semacam sanity check sebelum masuk ke pertanyaan yang lebih dalam. Kalau kamu baru mulai belajar analisis data, kuasai dulu tahap ini dengan baik: bagaimana meringkas data, memilih metrik yang relevan, dan menyajikannya dengan cara yang mudah dipahami orang lain. Karena kalau fondasi ini nggak kuat, tiga jenis analisis berikutnya bakal dibangun di atas dasar yang goyah.

Analisis Diagnostik: Mencari Penyebab di Balik Angka

Setelah tahu apa yang terjadi, pertanyaan wajar berikutnya adalah: kenapa ini terjadi? Di sinilah analisis diagnostik masuk. Kalau deskriptif itu laporan, diagnostik itu investigasi.

Contohnya begini. Analisis deskriptif bilang penjualan turun 15% bulan ini. Analisis diagnostik yang mencari tahu apakah penurunan itu karena harga naik, kompetitor baru masuk pasar, ada masalah di funnel checkout, atau musim yang memang sedang sepi. Biasanya prosesnya melibatkan drill-down data, membandingkan segmen, atau mencari korelasi antar variabel.

Yang saya suka dari analisis diagnostik adalah dia melatih cara berpikir yang lebih kritis. Kamu nggak bisa cuma terima angka apa adanya, kamu harus terus bertanya "kenapa" sampai ketemu akar masalahnya, bukan cuma simtomnya. Ini yang sering saya sebut sebagai proses root cause analysis, dan ini butuh kombinasi antara skill teknis dan pemahaman konteks bisnis yang cukup dalam.

Masalahnya, diagnostik ini juga paling sering disalahgunakan.Orang kadang berhenti di korelasi pertama yang ditemukan, padahal korelasi belum tentu memiliki hubungan sebab-akibat. Saya pernah lihat tim menyimpulkan penurunan retensi user karena fitur baru, padahal setelah digali lebih dalam, ternyata bertepatan dengan gangguan server yang nggak tercatat di monitoring awal. Makanya, analisis diagnostik butuh kesabaran dan kemauan untuk terus menggali, bukan langsung puas dengan jawaban pertama yang kelihatan masuk akal.

Analisis Prediktif: Memperkirakan Apa yang Mungkin Terjadi

Kalau deskriptif dan diagnostik fokus ke masa lalu, analisis prediktif mulai melihat ke depan. Tujuannya memperkirakan kemungkinan yang akan terjadi berdasarkan pola dari data historis. Ini yang biasanya dipakai untuk memprediksi churn pelanggan, memperkirakan demand produk musim depan, atau mengestimasi risiko kredit.

Secara teknis, analisis prediktif ini sering melibatkan statistik dan machine learning, mulai dari regresi sederhana sampai model yang lebih kompleks. Tapi menurut saya, bagian tekniknya bukan yang paling sulit. Yang lebih menantang adalah memahami asumsi di balik model itu. Model prediktif dibangun dari data masa lalu, jadi dia asumsikan pola yang sama akan berulang di masa depan. Kalau ada perubahan besar di pasar atau perilaku konsumen, model itu bisa jadi nggak relevan lagi.

Saya pernah lihat kasus di mana model prediksi demand yang dibangun sebelum pandemi tetap dipakai tanpa penyesuaian setelah pandemi. Hasilnya, prediksinya jauh melenceng karena pola belanja orang sudah berubah total. Ini jadi pengingat penting: analisis prediktif itu powerful, tapi bukan bola kristal. Dia cuma sebaik data dan asumsi yang dipakai.

Kapan waktu yang tepat pakai analisis prediktif? Biasanya ketika kamu sudah cukup paham pola historis (lewat deskriptif dan diagnostik), dan pertanyaan bisnisnya memang mengarah ke "apa yang mungkin terjadi kalau kondisi ini berlanjut". Kalau kamu langsung lompat ke prediktif tanpa memahami dulu konteks historisnya, hasilnya sering sulit diinterpretasikan dengan benar, bahkan meskipun modelnya secara matematis akurat.

Analisis Preskriptif: Menentukan Tindakan yang Sebaiknya Diambil

Ini jenis analisis data yang paling jarang dibahas tapi paling dekat dengan pengambilan keputusan langsung. Analisis preskriptif nggak cuma memprediksi apa yang akan terjadi, tapi juga merekomendasikan tindakan apa yang sebaiknya diambil berdasarkan prediksi itu.

Contoh konkretnya, sistem rekomendasi di e-commerce yang menyarankan produk tertentu ke user tertentu, atau optimasi rute pengiriman yang mempertimbangkan biaya, waktu, dan kapasitas kendaraan secara bersamaan. Analisis preskriptif biasanya menggabungkan model prediktif dengan optimasi, simulasi, atau aturan bisnis tertentu.

Ini jenis analisis yang paling kompleks karena butuh lebih dari sekadar angka. Dia butuh pemahaman constraint bisnis yang jelas: berapa budget yang tersedia, apa batasan operasional, dan trade-off apa yang bisa diterima. Tanpa pemahaman ini, rekomendasi yang dihasilkan bisa terdengar bagus di atas kertas tapi nggak realistis untuk dijalankan.

Saya sendiri melihat analisis preskriptif ini sebagai puncak dari perjalanan analisis data, tapi bukan berarti selalu jadi tujuan akhir. Banyak masalah bisnis yang sebenarnya sudah cukup terjawab di level diagnostik atau prediktif. Nggak semua kasus butuh sistem rekomendasi otomatis yang rumit. Kadang, insight sederhana dari analisis diagnostik yang jelas dan actionable, sudah cukup untuk membantu tim mengambil keputusan yang lebih baik.

Pada akhirnya, memilih jenis analisis data yang tepat itu bukan soal mana yang paling canggih atau paling terdengar keren di CV. Yang lebih penting adalah memahami pertanyaan bisnis yang sedang dihadapi, lalu memilih pendekatan yang paling sesuai dengan pertanyaan itu. Kadang jawabannya cukup di analisis deskriptif yang jujur dan jelas, kadang perlu naik ke diagnostik atau prediktif, dan sesekali memang butuh sampai ke preskriptif.

Kalau kamu baru mulai belajar analisis data, saya sarankan kuasai dulu urutannya dari deskriptif ke diagnostik sebelum buru-buru belajar model prediktif yang rumit. Fondasi cara berpikir ini yang akan membuat kamu bisa memilih pendekatan yang tepat untuk masalah baru yang belum pernah kamu temui sebelumnya, bukan cuma mengikuti tutorial yang kebetulan cocok dengan kasus yang sedang kamu kerjakan.