Issue Tree dan Value Quadrant: Jangan Kerjakan Semuanya
Ada teman cerita: "Bos minta cari tahu kenapa kepuasan pelanggan turun. Saya bingung mulai dari mana." Yang lain cerita: "Saya sudah analisis 12 hal, tapi bos bilang tidak ada yang menjawab." Dua-duanya masalah yang sama — belum memecah masalahnya dengan rapi.
Issue Tree — memecah satu masalah besar
Issue Tree adalah versi "masalah" dari Metrics Tree. Kita mulai dari satu pernyataan masalah, lalu pecah ke cabang-cabang penyebab yang mungkin. Contoh untuk kepuasan pelanggan menurun:
- Produk — kualitas menurun? stok sering kosong?
- Layanan — waktu tunggu CS lama? keluhan tidak terselesaikan?
- Harga — harga naik? kalah dari kompetitor?
- Pengalaman digital — aplikasi sering error? checkout rumit?
- Pengiriman — kurir telat? barang rusak?
Langkah membuatnya sederhana:
Tulis masalah utama
Satu kalimat, jelas, dan bisa diukur. "CSAT turun dari 82 ke 74 dalam 3 bulan" lebih baik daripada "pelanggan tidak puas".
Tentukan cabang besar
Kategori besar yang mungkin jadi penyebab: produk, layanan, harga, dan seterusnya.
Pecah lagi sampai bisa dicek dengan data
Berhenti ketika cabangnya sudah cukup spesifik untuk diuji.
Cek MECE
Mutually Exclusive, Collectively Exhaustive — tidak tumpang tindih, dan tidak ada yang terlewat.
Review dan iterasi
Pohon pertama hampir pasti belum sempurna. Itu normal.
Value Quadrant — memilih yang layak dikerjakan
Masalahnya, setelah pohonnya jadi, kita punya 10–15 hipotesis. Tidak mungkin semua dikerjakan. Di sinilah saya pakai Value Quadrant: setiap hipotesis dinilai dari dua sisi.
- Dampak (impact) — kalau terbukti dan diperbaiki, seberapa besar efeknya ke bisnis? Bisa diukur dari revenue, biaya, waktu, pelanggan, karyawan, risiko, atau posisi di pasar.
- Usaha (effort) — seberapa berat analisisnya? Datanya tersedia atau tidak, harus dibersihkan berapa lama, query-nya rumit atau tidak, perlu model canggih atau cukup tabel pivot.
Membaca keempat kuadran
Quick win
Dampak tinggi, usaha rendah. Kerjakan duluan — ini yang membangun kepercayaan user ke tim data.
Proyek strategis
Dampak tinggi, usaha tinggi. Layak dikerjakan, tapi butuh perencanaan dan dukungan.
Kalau sempat
Dampak rendah, usaha rendah. Perbaikan kecil yang boleh dikerjakan di sela waktu.
Hindari
Dampak rendah, usaha tinggi. Biasanya dilewati, kecuali diwajibkan regulasi.
Satu tips dari saya: tidak perlu data sempurna untuk memperkirakan dampak. Mulai dengan angka kasar dan asumsi sederhana, lalu validasi seiring waktu. Mulai dari skala kecil, tunjukkan nilai nyatanya ke user, baru perbesar.
Analis yang baik bukan yang mengerjakan semuanya. Tapi yang tahu mana yang tidak perlu dikerjakan.← Kembali ke daftar