Correlation vs Causation: Kenapa Dashboard BI Bisa Menyesatkan
Causal analytics bisnis menjawab pertanyaan paling penting dalam bisnis: kenapa angka bergerak, bukan sekadar ke mana arahnya. Dashboard BI menunjukkan tren; analisis kausal menunjukkan penyebabnya.
Dashboard BI menunjukkan apa yang terjadi, bukan mengapa
Dashboard BI modern sangat baik dalam menjawab pertanyaan deskriptif: "Berapa penjualan bulan ini?", "Produk apa yang paling laku?", "Berapa rasio konversi?".
Tapi ketika tiba pertanyaan kausal: "Apakah promo ini menyebabkan kenaikan penjualan?" Dashboard BI sering menjawab dengan angka yang menyesatkan.
Contoh konkret: toko retail di Jakarta
Bayangkan sebuah toko retail di Jakarta dengan data berikut:
| Bulan | Pengeluaran iklan (Rp) | Penjualan (Rp) |
|---|---|---|
| Jan | 5.000.000 | 50.000.000 |
| Feb | 7.000.000 | 65.000.000 |
| Mar | 6.000.000 | 58.000.000 |
| Apr | 10.000.000 | 80.000.000 |
Dashboard BI akan menunjukkan: ada korelasi positif antara pengeluaran iklan dan penjualan. Tim marketing pun menyimpulkan: "Iklan berhasil, tambah budget!" Tapi apakah ini kesimpulan yang benar?
Masalahnya: confounder
Confounder adalah variabel ketiga yang mempengaruhi kedua variabel yang sedang Anda amati. Dalam kasus ini, apa yang terjadi di bulan April?
Bulan April adalah bulan Ramadhan. Seluruh ritel di Indonesia mengalami lonjakan penjualan, terlepas dari iklan. Uang THR beredar, orang belanja lebih banyak. Kenaikan penjualan di bulan April mungkin sebagian besar disebabkan oleh Ramadhan, bukan iklan.
Dashboard BI tidak bisa membedakan mana kenaikan dari iklan dan mana kenaikan dari Ramadhan. Yang bisa dilakukannya hanyalah menunjukkan: "uang iklan naik, penjualan naik."
Contoh kedua: promo F&B vs musiman
Sebuah kafe di Bandung menjalankan promo diskon 20% untuk minuman kopi setiap bulan Juni. Penjualan naik 30%. Manajer senang dan ingin melanjutkan promo.
Tapi bulan Juni adalah bulan liburan sekolah. Banyak keluarga pergi liburan ke Bandung. Kafe-kafe lain juga mengalami kenaikan pengunjung, tanpa promo. Seberapa besar promo yang benar-benar mendorong kenaikan? Berapa banyak pelanggan yang tetap datang tanpa diskon?
Tanpa metode kausal, sulit menjawab. Mungkin promo hanya memberikan diskon kepada pelanggan yang sudah akan datang. Ini disebut deadweight loss, biaya promo yang sebenarnya tidak perlu.
Confounder dalam skenario nyata
Seorang manajer produk di perusahaan e-commerce melihat bahwa pengguna yang mengikuti program loyalitas memiliki nilai transaksi 2 kali lebih tinggi. Kesimpulan: program loyalitas berhasil.
Tapi confounder di sini adalah: pengguna yang sudah sering belanja secara alami lebih mungkin mendaftar program loyalitas. Bukan programnya yang membuat mereka belanja lebih banyak. Mereka sudah menjadi pelanggan setia sebelum program ada.
Untuk mengetahui dampak kausal program loyalitas, Anda perlu membandingkan pengguna yang serupa: yang satu ikut program, yang lain tidak, lalu lihat perbedaan transaksi mereka.
Fenomena yang sering menyesatkan di dashboard
Seasonality
Banyak bisnis memiliki pola musiman. Penjualan naik setiap akhir tahun, terlepas dari strategi yang dijalankan. Jika dashboard Anda membandingkan penjualan November dengan Januari, kenaikan mungkin hanya karena musim liburan, bukan karena strategi yang berhasil.
Toko baju: penjualan naik 40% di bulan Desember. "Strategi Q4 kami berhasil!" Atau memang semua toko baju naik di Desember? Tanpa membandingkan dengan tahun sebelumnya atau dengan toko yang tidak menjalankan strategi yang sama, Anda tidak bisa tahu.
Simpson's Paradox
Simpson's paradox terjadi ketika tren di setiap kelompok terbalik jika kelompok-kelompok tersebut digabung, padahal setiap kelompok menunjukkan pola yang sama secara individual. Contoh dalam konteks konversi bisnis:
| Divisi | Tahun | Leads | Konversi | Tingkat Konversi |
|---|---|---|---|---|
| Divisi A | 2024 | 100 | 80 | 80% |
| Divisi A | 2025 | 100 | 85 | 85% |
| Divisi B | 2024 | 1.000 | 100 | 10% |
| Divisi B | 2025 | 1.500 | 168 | 11,2% |
| Total Perusahaan | 2024 | 1.100 | 180 | 16,36% |
| Total Perusahaan | 2025 | 1.600 | 253 | 15,81% |
Coba perhatikan: divisi A naik dari 80% ke 85%, divisi B naik dari 10% ke 11,2%. Kedua divisi meningkat. Tapi tingkat konversi perusahaan justru turun dari 16,36% menjadi 15,81%. Kok bisa?
Karena komposisi leads berubah drastis. Tahun 2024, divisi A (dengan konversi tinggi 80%) menyumbang 9,1% dari total leads. Tahun 2025, porsinya menyusut menjadi 6,25%, sementara divisi B yang konversinya lebih rendah (11,2%) mendominasi dengan 93,75% leads. Perubahan bauran ini menarik rata-rata perusahaan ke bawah, meskipun kedua divisi secara individual membaik.
Kalau Anda hanya melihat angka total di dashboard, Anda menyimpulkan strategi konversi gagal. Padahal di kedua divisi, strategi itu berhasil. Inilah bahaya Simpson's paradox dalam analisis bisnis: tanpa melihat data yang terdisagregasi, keputusan bisa salah arah.
Confirmation Bias dalam Dashboard
Confirmation bias adalah kecenderungan untuk mencari informasi yang mengonfirmasi keyakinan yang sudah ada. Dalam konteks dashboard BI, ini sering terjadi: seorang manajer yang yakin bahwa kampanye terbaru berhasil akan mencari angka yang mendukung keyakinannya dan mengabaikan data yang bertentangan.
Dashboard memperparah confirmation bias karena menyajikan banyak metrik sekaligus. Manajer bisa memilih metrik yang paling mendukung narasi mereka. Contoh: tim marketing memamerkan kenaikan impression dan klik, sementara data konversi dan revenue yang tidak bergerak diabaikan. Solusinya adalah menetapkan metrik utama (one metric that matters) sebelum kampanye berjalan, bukan setelah melihat hasilnya.
Regression to the Mean
Regression to the mean adalah fenomena statistik di mana nilai ekstrem cenderung diikuti oleh nilai yang lebih mendekati rata-rata pada pengukuran berikutnya. Dalam bisnis, ini sering disalahartikan sebagai efek dari suatu intervensi. Contoh: penjualan bulan ini sangat buruk karena cuaca buruk. Manajer menerapkan strategi baru. Bulan depan penjualan membaik. Apakah strateginya berhasil? Belum tentu. Bisa jadi hanya regression to the mean. Untuk membedakannya, bandingkan dengan data historis beberapa tahun untuk melihat variasi normal bisnis Anda.
Survivorship Bias
Survivorship bias terjadi ketika kita hanya menganalisis data dari entitas yang masih bertahan dan mengabaikan yang sudah gagal. Contoh: seorang manajer melihat semua campaign marketing yang masih aktif dan menyimpulkan bahwa semua campaign menguntungkan. Tapi campaign yang gagal sudah dihentikan. Datanya tidak ada di dashboard. Untuk menghindari bias ini, selalu sertakan data historis lengkap termasuk inisiatif yang sudah dihentikan.
Metode Causal Inference yang Bisa Dipakai
Selain memahami masalah korelasi vs kausalitas, ada metode statistik yang bisa membantu bisnis mengukur dampak secara lebih akurat. Berikut tiga metode yang penting dipahami.
Difference-in-Differences (DiD)
Metode ini membandingkan perubahan sebelum-sesudah antara kelompok yang terkena intervensi dan kelompok yang tidak terkena.
Contoh: sebuah restoran menerapkan menu baru di cabang Jakarta, sementara cabang Surabaya tidak berubah. Dengan DiD, Anda melihat perubahan penjualan di Jakarta sebelum dan sesudah menu baru, lalu membandingkannya dengan perubahan di Surabaya pada periode yang sama.
Jika penjualan Jakarta naik 15% sementara Surabaya naik 3%, maka dampak menu baru diperkirakan 12%. Ini lebih akurat daripada sekadar melihat kenaikan 15% di Jakarta.
Synthetic Control
Metode ini membuat "kembaran digital" dari bisnis Anda menggunakan data dari unit-unit pembanding. Ideal untuk situasi di mana tidak ada satu pun pembanding yang sempurna.
Contoh: sebuah brand fashion meluncurkan campaign besar-besaran. Synthetic control menggabungkan data dari beberapa merek serupa yang tidak melakukan campaign untuk menciptakan skenario "apa yang terjadi jika campaign tidak dilakukan." Selisih antara hasil aktual dan hasil sintetis adalah perkiraan dampak campaign.
Uplift Testing
Uplift testing mengukur dampak inkremental dari suatu tindakan: berapa tambahan hasil yang benar-benar disebabkan oleh tindakan tersebut.
Contoh: Anda mengirim email promo ke 50% pelanggan dan tidak mengirim ke 50% sisanya (secara acak). Perbedaan tingkat pembelian antara kedua grup adalah uplift dari email tersebut. Ini adalah gold standard untuk mengukur dampak.
Apa itu Causal Inference?
Causal inference adalah pendekatan statistik untuk menentukan apakah suatu peristiwa menyebabkan peristiwa lain, bukan sekadar berkorelasi. Ibarat dokter: Anda tidak mendiagnosis penyakit hanya dari satu gejala. Anda lihat pola, singkirkan kemungkinan lain, baru ambil kesimpulan.
Counterfactual dalam bahasa sederhana
Counterfactual adalah pertanyaan "apa yang akan terjadi jika kita tidak melakukan X?" Ini adalah pertanyaan kausal paling mendasar dalam bisnis.
Contoh: "Kita memasang spanduk di jalan Sudirman. Penjualan naik 15%. Apakah spanduk itu penyebabnya?"
Counterfactual: "Apa yang akan terjadi pada penjualan jika kita tidak memasang spanduk?"
Masalahnya: kita tidak bisa mengulang waktu. Causal inference menggunakan metode statistik untuk memperkirakan counterfactual ini, dengan membandingkan hasil aktual dengan perkiraan hasil jika intervensi tidak dilakukan.
Apa yang Ditambahkan AutoInsight?
AutoInsight adalah platform causal AI analytics yang dirancang untuk melengkapi, bukan menggantikan, dashboard BI yang sudah Anda miliki.
Cara kerjanya:
- Koneksi data: AutoInsight terhubung ke sumber data yang sama dengan dashboard Anda
- Pemodelan kausal: alih-alih membuat chart, AutoInsight membangun model kausal dari data Anda
- Analisis counterfactual: untuk setiap perubahan yang terdeteksi, AutoInsight memperkirakan apa yang akan terjadi tanpa perubahan tersebut
- Rekomendasi aksi: berdasarkan analisis, AutoInsight menunjukkan intervensi mana yang paling mungkin mempengaruhi hasil
Contoh hasil
"Iklan Facebook Anda berkorelasi dengan kenaikan penjualan 14%. Tapi setelah memperhitungkan efek musiman dan aktivitas kompetitor, dampak kausal yang terukur adalah 3,2%. Rekomendasi: alokasikan Rp 4 Juta ke strategi A yang memberikan dampak kausal 2x lebih besar per Rupiah."
Kesimpulan
Dashboard BI bukan alat yang salah. Mereka sangat berguna untuk monitoring dan pelaporan harian. Tapi untuk membuat keputusan strategis, seperti alokasi budget, evaluasi kampanye, atau penetapan target, Anda perlu analisis yang lebih dalam dari sekadar korelasi.
Causal analytics membantu bisnis menjawab pertanyaan "kenapa" dan "apa yang akan terjadi jika", bukan hanya "berapa." Dengan pemahaman kausal yang lebih baik, setiap Rupiah budget bisa dialokasikan ke intervensi yang benar-benar berdampak pada hasil bisnis.
Dashboard BI Anda sudah menunjukkan apa yang terjadi. AutoInsight membantu Anda memahami mengapa, dan apa yang harus dilakukan selanjutnya.
AutoInsight melengkapi dashboard BI Anda dengan analisis kausal — temukan penyebab sebenarnya di balik angka bisnis Anda. Minta demo AutoInsight →