Banyak manajer menengah rutin menerima laporan dan memantau dashboard, tetapi tidak semua benar-benar mengambil keputusan berdasarkan data. Terdapat perbedaan mendasar antara sekadar meneruskan angka dan secara kritis mempertanyakan makna di baliknya,seperti menguji validitas masalah, membedakan korelasi dari kausalitas, hingga menentukan tindakan yang tepat.
Kemampuan membaca data secara kritis inilah yang membedakan kualitas keputusan yang dihasilkan. Ketika dua orang melihat dashboard yang sama, arah kebijakan mereka akan ditentukan oleh sejauh mana literasi data yang mereka miliki, bukan sekadar akses terhadap informasi tersebut.
Pentingnya Literasi Data Bagi Middle Manager
Selama bertahun-tahun, data analytics adalah domain tim khusus: analis data, tim BI, atau data scientist. Manajer operasional menunggu output dari mereka, laporan yang sudah jadi, rekomendasi yang sudah disimpulkan, lalu membuat keputusan berdasarkan itu.
Model itu tidak lagi cukup untuk dua alasan yang saling terkait.
Pertama, kecepatan pengambilan keputusan. Di lingkungan bisnis yang bergerak cepat, menunggu tim analis menyelesaikan laporan sebelum bisa membuat keputusan operasional adalah hambatan yang makin mahal. Manajer yang bisa langsung menginterpretasi data dari sistem yang tersedia, CRM, ERP, dashboard operasional, dan mengambil keputusan dengan cepat memiliki keunggulan operasional yang nyata.
Kedua, kualitas pertanyaan yang diajukan. Tim analis data menghabiskan mayoritas waktu mereka menjawab pertanyaan yang diberikan kepada mereka. Kualitas insight yang mereka hasilkan sangat bergantung pada kualitas pertanyaan yang diajukan. Manajer yang memiliki literasi data yang memadai bisa mengajukan pertanyaan yang lebih tajam, menantang asumsi dalam analisis yang diterima, dan mengidentifikasi dimensi yang belum dieksplorasi.
Laporan LinkedIn Global Talent Trends 2025 menempatkan data literacy sebagai salah satu dari lima keterampilan yang paling banyak dicari dari kandidat managerial di seluruh industri, naik dari posisi 12 pada 2020. Di perusahaan teknologi dan manufaktur, “bisa membaca data” sudah menjadi ekspektasi default dari semua posisi manajerial, bukan bonus.
Kompetensi Utama Data-Driven Decision Making
Miskonsepsi terbesar yang menghambat pengembangan kompetensi ini di banyak perusahaan Indonesia: data-driven decision making diasosiasikan dengan kemampuan teknis, Python, SQL, machine learning, yang dianggap domain orang IT atau data scientist.
Itu salah sasaran untuk manajer non-teknis.
Data literacy untuk middle manager bukan tentang bisa menulis kode atau membangun model statistik. Ini tentang sekumpulan kompetensi yang sangat berbeda:
- Memahami jenis data dan bagaimana data dikumpulkan. Tidak semua angka diciptakan sama. Data dari survei pelanggan memiliki keterbatasan yang berbeda dari data transaksi. Angka yang berasal dari sampling memiliki margin error yang perlu dipahami. Manajer yang tahu ini tidak akan membuat keputusan besar berdasarkan data dengan n=50 tanpa pertanyaan lebih lanjut.
- Membaca visualisasi data secara kritis. Grafik yang sama bisa menceritakan dua cerita yang sangat berbeda tergantung bagaimana skalanya dibuat. Manajer yang terlatih dapat melihat di mana visualisasi menyesatkan, intentionally atau tidak, dan meminta representasi yang lebih jujur.
- Membedakan korelasi dan kausalitas. Dua variabel yang bergerak bersama tidak berarti satu menyebabkan yang lain. Ini adalah kesalahan paling umum dalam pengambilan keputusan berbasis data di level manajerial, dan sering menghasilkan intervensi yang tidak efektif atau bahkan kontraproduktif.
- Framing masalah yang tepat sebelum melihat data. Manajer yang tidak bisa mendefinisikan masalah bisnis yang ingin dijawab sebelum membuka dashboard akan tenggelam dalam angka tanpa arah. Data literacy yang baik dimulai dari pertanyaan yang tajam, bukan dari data yang tersedia.
- Menilai kualitas dan kelengkapan data. Data yang hilang, outlier yang mencurigakan, dan inkonsistensi dalam definisi metrik adalah masalah yang sering tidak terdeteksi oleh manajer yang belum terlatih. Keputusan yang dibuat berdasarkan data yang buruk bisa lebih berbahaya dari tidak ada data sama sekali.
- Mengkomunikasikan insight berbasis data kepada stakeholder. Bisa membaca data saja tidak cukup. Manajer perlu bisa mengkomunikasikan temuan dan rekomendasi dengan cara yang dipahami oleh berbagai audiens, dari tim operasional hingga C-level yang tidak melihat detail yang sama.
Tantangan Literasi Data di Perusahaan Indonesia
Berdasarkan pengamatan terhadap program pengembangan manajerial di berbagai industri, ada tiga gap yang paling konsisten muncul di kalangan middle manager Indonesia.
Gap pertama: Percaya pada data tanpa mempertanyakannya. Banyak manajer memperlakukan angka yang muncul di dashboard sebagai kebenaran absolut. Mereka tidak mempertanyakan bagaimana data dikumpulkan, apakah definisi metriknya konsisten dari waktu ke waktu, atau apakah ada faktor kontekstual yang tidak tertangkap dalam angka. Ini menghasilkan kepercayaan berlebih pada data yang sebenarnya memiliki keterbatasan signifikan.
Gap kedua: Menggunakan rata-rata untuk memahami variasi. Rata-rata menyembunyikan distribusi. Rata-rata kepuasan pelanggan 7.5 dari 10 bisa berarti semua pelanggan puas di tingkat 7.5, atau bisa berarti separuh pelanggan sangat puas (9-10) dan separuh lainnya sangat tidak puas (5-6). Dua situasi itu membutuhkan respons yang sangat berbeda, tapi keduanya menghasilkan rata-rata yang sama. Manajer yang terlatih akan selalu bertanya: bagaimana distribusinya?
Gap ketiga: Mengkonfirmasi asumsi, bukan mengujinya. Ketika mencari data untuk mendukung keputusan yang sudah diambil secara intuitif, orang cenderung berhenti saat menemukan angka yang mengkonfirmasi pandangan mereka. Data literacy yang matang mengharuskan manajer untuk secara aktif mencari data yang bisa menyangkal hipotesis mereka, dan menganggap serius apa yang ditemukan.
Cara Efektif Meningkatkan Capability Data Tim
Pelatihan data analytics untuk manajer non-teknis sering gagal karena dua alasan yang berlawanan: terlalu teknis (peserta merasa ini bukan untuk mereka) atau terlalu konseptual (peserta mengerti teorinya tapi tidak tahu cara mengaplikasikannya).
Yang bekerja adalah pendekatan yang dimulai dari konteks bisnis nyata, bukan dari konsep statistik atau alat teknologi. Pelatihan yang efektif untuk manajer non-teknis dirancang dengan urutan yang berbeda: mulai dari masalah bisnis yang ingin dipecahkan → identifikasi data yang relevan untuk menjawabnya → interpretasi data dalam konteks bisnis itu → pengambilan keputusan dan komunikasi hasilnya.
Beberapa karakteristik program yang menghasilkan perubahan perilaku nyata:
Menggunakan data dari industri atau konteks bisnis peserta. Studi kasus tentang manufaktur lebih relevan untuk manajer produksi daripada contoh dari industri keuangan. Peserta yang bisa langsung melihat hubungan antara skill yang diajarkan dan pekerjaan sehari-hari mereka jauh lebih mungkin untuk menggunakannya.
Berfokus pada tools yang sudah peserta gunakan. Excel dan Google Sheets yang digunakan dengan baik sudah cukup untuk sebagian besar kebutuhan analisis manajerial. Memaksakan tools baru yang tidak akan digunakan setelah pelatihan berakhir hanya menambah hambatan adopsi.
Latihan membaca dan mengkritisi data, bukan hanya menganalisisnya. Simulasi di mana peserta diminta mengidentifikasi kelemahan dalam analisis yang diberikan lebih efektif membangun critical thinking daripada latihan mengulang analisis yang sudah diarahkan langkah demi langkah.
Coaching pasca pelatihan. Kompetensi analitis tidak terbentuk dari satu program pelatihan. Pendampingan dalam mengaplikasikan framework ke kasus nyata selama beberapa minggu pasca pelatihan adalah yang paling efektif menghasilkan perubahan permanen dalam cara manajer membuat keputusan.
Membangun Budaya Berbasis Data di Perusahaan
Kompetensi individual tidak akan mencapai dampak penuh jika lingkungan organisasi tidak mendukung pengambilan keputusan berbasis data.
Beberapa tanda bahwa budaya data di organisasi belum matang: keputusan penting masih lebih sering diambil berdasarkan senioritas atau intuisi tanpa referensi data yang jelas; data digunakan untuk membenarkan keputusan yang sudah diambil, bukan untuk memandu pengambilan keputusan; dan manajer yang mempertanyakan data atau menunjukkan bahwa data tidak mendukung asumsi manajemen mendapat resistensi alih-alih apresiasi.
Membangun data culture adalah tanggung jawab pemimpin bisnis, bukan departemen IT atau tim analytics. Ini dimulai dari kebiasaan sederhana: meminta referensi data dalam setiap presentasi proposal, menghargai keputusan yang diambil dengan metodologi yang jelas meski hasilnya tidak optimal, dan menunjukkan toleransi terhadap insight yang menyangkal asumsi yang sudah ada.
Program Pelatihan Data Literacy Proxsis Academy
Proxsis AI and Data Institute, bagian dari ekosistem Proxsis Academy, membantu perusahaan membangun literasi data dan kemampuan pengambilan keputusan berbasis data di seluruh level manajerial, tidak hanya di tim teknis.
Program yang dirancang untuk manajer non-teknis:
- Business Intelligence for Non-Technical Managers, membaca dan menginterpretasi laporan bisnis, dashboard BI, dan KPI metrics dengan pendekatan yang berfokus pada keputusan, bukan teknik
- Data Literacy for Business Leaders, fondasi berpikir berbasis data: memahami jenis data, membaca visualisasi secara kritis, mengajukan pertanyaan analitis yang tepat
- Data-Driven Decision Making Series, framework pengambilan keputusan yang mengintegrasikan data kuantitatif dan pertimbangan kontekstual, dengan simulasi kasus bisnis nyata dari berbagai industri
- Excel & Data Analytics for Managers, memanfaatkan tools yang sudah familiar untuk analisis yang lebih mendalam, tanpa perlu belajar coding
- Analytics Leadership & Data Culture Series, untuk pemimpin bisnis yang ingin membangun ekosistem pengambilan keputusan berbasis data di organisasi mereka
Setiap program dirancang dengan mempertimbangkan bahwa peserta adalah manajer bisnis, bukan analis teknis. Fokusnya adalah pada kompetensi yang langsung berdampak pada kualitas keputusan operasional sehari-hari.
Cara Mengukur Kesiapan Data Team Perusahaan
Sebelum merencanakan program pengembangan, ada tiga pertanyaan diagnostik yang berguna untuk memetakan gap yang sebenarnya ada di tim manajerial perusahaan Anda:
Pertama: dalam rapat manajemen terakhir di mana keputusan penting diambil, berapa persen waktu dihabiskan untuk mendiskusikan data yang mendukung setiap opsi, versus mendiskusikan opsi berdasarkan pengalaman atau intuisi?
Kedua: ketika tim Anda menerima laporan atau dashboard dari sistem, apakah mereka langsung menggunakannya untuk membuat keputusan, atau apakah mereka rutin mempertanyakan metodologi pengumpulan data, definisi metrik, atau kelengkapan data yang tersedia?
Ketiga: apakah ada kasus dalam enam bulan terakhir di mana keputusan yang diambil berdasarkan data ternyata keliru karena data yang digunakan ternyata tidak akurat, tidak lengkap, atau tidak relevan, dan apakah tim Anda mampu mendeteksi hal itu sebelum atau sesudah keputusan diambil?
Jawaban atas tiga pertanyaan itu akan menunjukkan dengan jelas di mana prioritas pengembangan kompetensi perlu difokuskan.
Konsultasikan program data literacy dan analytics untuk tim manajerial perusahaan Anda bersama Proxsis Academy. 📞 WhatsApp:
academy.proxsisgroup.com Referensi: LinkedIn Global Talent Trends Report 2025 | McKinsey Analytics: The Analytics Talent Divide 2024 | Gartner: Data Literacy as a Core Competency 2025 | World Economic Forum: Future of Jobs Report 2025 | Deloitte Insights: Data-Driven Decision Making in Indonesian Corporates 2024
FAQ
Data-driven decision making untuk manajer non-teknis itu skill teknis seperti Python atau SQL?
Bukan, dan itu miskonsepsi terbesar yang menghambat pengembangan kompetensi ini di perusahaan Indonesia. Data literacy untuk middle manager bukan tentang menulis kode atau membangun model statistik, melainkan: memahami jenis data dan bagaimana data dikumpulkan, membaca visualisasi data secara kritis, membedakan korelasi dan kausalitas, melakukan framing masalah sebelum melihat data, menilai kualitas dan kelengkapan data, serta mengomunikasikan insight berbasis data kepada stakeholder.
Mengapa middle manager perlu literasi data?
Dua alasan yang saling terkait. Kecepatan: di lingkungan bisnis yang bergerak cepat, menunggu tim analis menyelesaikan laporan sebelum bisa mengambil keputusan operasional adalah hambatan yang makin mahal. Kualitas pertanyaan: tim analis menghabiskan mayoritas waktunya menjawab pertanyaan yang diberikan kepada mereka, jadi kualitas insight bergantung pada kualitas pertanyaan yang diajukan manajer. Laporan LinkedIn Global Talent Trends 2025 menempatkan data literacy sebagai salah satu dari lima keterampilan paling banyak dicari dari kandidat managerial di seluruh industri, naik dari posisi 12 pada 2020.
Kesalahan literasi data apa yang paling sering terjadi di perusahaan Indonesia?
Tiga gap yang paling konsisten muncul. Pertama, percaya pada data tanpa mempertanyakannya — memperlakukan angka di dashboard sebagai kebenaran absolut tanpa mengecek cara pengumpulan, konsistensi definisi metrik, atau faktor kontekstual. Kedua, menggunakan rata-rata untuk memahami variasi — rata-rata kepuasan pelanggan 7,5 dari 10 bisa berarti semua puas di tingkat itu, atau separuh sangat puas (9–10) dan separuh sangat tidak puas (5–6). Ketiga, mengkonfirmasi asumsi bukan mengujinya — berhenti mencari saat menemukan angka yang mendukung pandangan sendiri.
Pelatihan data literacy seperti apa yang efektif untuk manajer non-teknis?
Yang dimulai dari konteks bisnis nyata, bukan dari konsep statistik atau alat teknologi. Karakteristik program yang menghasilkan perubahan perilaku: menggunakan data dari industri atau konteks bisnis peserta, berfokus pada tools yang sudah mereka pakai (Excel dan Google Sheets yang digunakan dengan baik sudah cukup untuk sebagian besar kebutuhan analisis manajerial), melatih membaca dan mengkritisi data bukan hanya menganalisisnya, dan memberi pendampingan mengaplikasikan framework ke kasus nyata selama beberapa minggu pasca pelatihan.
Siapa yang bertanggung jawab membangun budaya berbasis data?
Pemimpin bisnis, bukan departemen IT atau tim analytics. Ini dimulai dari kebiasaan sederhana: meminta referensi data dalam setiap presentasi proposal, menghargai keputusan yang diambil dengan metodologi jelas meski hasilnya tidak optimal, dan menunjukkan toleransi terhadap insight yang menyangkal asumsi yang sudah ada.
