Insight Doang Nggak Cukup — Saya Butuh Tau Ini Membaik atau Memburuk

Dua tulisan sebelumnya mengajarkan saya cara membaca satu potret kesehatan portofolio. Potret itu ternyata tidak pernah cukup — dan begitu saya rangkai jadi alur antar waktu, kesimpulan yang muncul di level agregat ternyata bertolak belakang dengan yang terjadi di level yang lebih detail.

Progress Migrasi Profil Cabang

Dua tulisan pertama di seri ini membangun peta dua-sumbu: satu untuk melihat cabang/salesman mana yang terlalu bergantung pada satu customer, satu lagi untuk melihat customer mana yang terlalu bergantung pada satu kategori produk. Keduanya berguna. Keduanya juga punya keterbatasan yang sama persis: keduanya cuma potret di satu titik waktu.

Satu Potret Nggak Pernah Cukup Buat Jawab “Ini Membaik atau Memburuk?”

Bayangkan seorang salesman yang bulan ini masuk kategori “Whale Hunter” — aktif menggarap portofolionya, tapi mayoritas revenue-nya tetap dari satu customer besar. Potret itu sendiri tidak menjawab pertanyaan yang sebenarnya paling penting buat manajemen: apakah dia baru saja bergerak ke arah situ dari kategori yang lebih sehat, atau justru sedang dalam perjalanan pulih dari kategori yang lebih buruk? Dua cerita itu butuh respons yang sama sekali berbeda — yang satu butuh diingatkan sebelum makin dalam, yang satu lagi justru sedang menunjukkan hasil dari intervensi yang sudah berjalan.

Tanpa melihat arah pergerakannya, satu angka archetype di satu titik waktu gampang disalahartikan jadi status permanen, padahal ia cuma posisi sesaat dalam sebuah lintasan yang sedang bergerak entah ke mana.

Snapshot yang Aman Bisa Menyembunyikan Tren yang Sedang Memburuk

Kalau organisasi cuma memantau potret terbaru tanpa histori pergerakannya, ada beberapa ongkos yang baru terasa belakangan:

• Tidak ada cara membuktikan sebuah intervensi berhasil. Kalau bulan lalu tim follow-up sebuah cabang yang rawan, satu-satunya cara tahu itu berhasil adalah membandingkan posisinya sekarang dengan posisi sebelumnya — bukan cuma melihat posisinya sekarang saja.
• Urgensi jadi tidak terkalibrasi. Subjek yang baru mulai bergeser ke arah berisiko butuh perhatian yang berbeda dari subjek yang sudah lama stabil di posisi berisiko itu — snapshot tunggal menyamakan keduanya begitu saja.
• Sinyal bisa hilang tergantung di level mana Anda memantau — ini yang, seperti akan saya tunjukkan di bagian hasil, ternyata jadi temuan paling signifikan dari tulisan ini.

Dari Potret ke Alur: Archetype per Kuartal, Dirangkai Jadi Sankey

Solusinya secara konsep sederhana: hitung archetype yang sama persis dari tulisan pertama (Active Ratio × Top-1 Concentration, ambang 50/50) bukan sekali di akhir periode, tapi per kuartal — lalu rangkai posisi tiap subjek antar kuartal jadi satu alur, divisualisasikan sebagai diagram Sankey. Lebar tiap pita di diagram itu mewakili berapa banyak cabang atau salesman yang berpindah dari satu archetype ke archetype lain antar kuartal; pita yang lurus dari kiri ke kanan pada archetype yang sama berarti stabil.

Dari alur itu, tiap subjek juga diberi label Trend — dengan membandingkan archetype di kuartal pertama yang tersedia terhadap kuartal terakhir yang tersedia, memakai skala kesehatan berjenjang (Portofolio Sehat di puncak, Rentan Ganda di dasar). Kalau posisinya naik jenjang, itu Membaik; turun jenjang, Memburuk; jenjang sama, Stabil.

Perjalanan profil cabang pada timeline kuartal

Kenapa Ini Bisa Jadi Kasus Simpson’s Paradox Kecil-kecilan

Ada satu keputusan desain yang menentukan apakah alur ini bermakna atau menyesatkan: di level mana subjeknya diukur. Ini yang membuat saya teringat konsep Simpson’s Paradox — fenomena statistik di mana sebuah tren yang muncul di data agregat bisa terbalik arahnya, atau menghilang sama sekali, begitu data itu dipecah ke kelompok yang lebih kecil (atau sebaliknya). Saya tidak menemukan kasus pembalikan arah yang sepenuhnya terbalik di data ini — tapi saya menemukan sesuatu yang secara efek serupa: sebuah tren yang di level agregat nyaris tidak terlihat, ternyata jelas dan mengkhawatirkan begitu dipecah ke level yang lebih granular. Detailnya ada di bagian hasil.

Cara Kerjanya: Kuartal, Bukan Bulan atau Tahun

Beberapa keputusan yang menentukan bentuk akhir analisis ini:

1. Kuartal dipilih sebagai satuan waktu, bukan bulan atau tahun. Per bulan terlalu noisy — archetype bisa berubah-ubah cuma karena fluktuasi transaksi bulanan yang wajar, bukan pergeseran perilaku yang sungguhan. Per tahun terlalu lambat untuk sebuah tahun berjalan — intervensi yang perlu diambil sekarang tidak bisa menunggu laporan tahunan. Kuartal jadi titik tengah yang cukup stabil untuk archetype dihitung dengan andal, tapi cukup sering untuk menangkap pergeseran dalam satu tahun berjalan.

2. Trend dihitung dari kuartal pertama vs kuartal terakhir yang tersedia — bukan dari tiap pasangan kuartal berurutan. Ini sengaja disederhanakan jadi satu angka per subjek yang menjawab “ke arah mana keseluruhan pergerakannya sejauh ini”, bukan mencatat setiap gerak-gerik kuartal demi kuartal yang justru bisa mengaburkan arah keseluruhannya.

3. Kuartal dengan data kosong di scope filter yang dipilih dilewati, bukan dipaksa tetap ditampilkan sebagai nol — supaya alurnya tidak menyesatkan seolah-olah ada pergerakan padahal datanya memang belum ada.

Cabang-nya Tenang. Salesman-nya Tidak.

Perbandingan perubahan profil antara segmen cabang vs salesman

Tahun berjalan ini baru punya data lengkap untuk dua kuartal, Q1 dan Q2. Di level Cabang (40 cabang), hasilnya nyaris seluruhnya diam: 39 stabil, 1 membaik (satu cabang bergerak dari Whale Hunter ke Portofolio Sehat), dan nol yang memburuk. Kalau saya berhenti di level ini, kesimpulannya jelas dan menenangkan: portofolio hampir semua cabang sehat dan stabil sepanjang semester ini.

Tapi cabang bukan unit yang benar-benar bergerak sehari-hari — salesman yang bergerak. Begitu saya jalankan analisis yang sama persis di level Salesman (lebih dari 100 salesman aktif), gambarannya berubah total: dari 109 salesman yang datanya lengkap di kedua kuartal, 21 di antaranya berpindah archetype — jauh lebih dinamis daripada yang terlihat di level cabang. Trend keseluruhannya: 7 membaik, 88 stabil, dan 14 memburuk. Lebih banyak salesman yang bergerak ke arah lebih berisiko daripada yang bergerak menjauhinya.

Detail perpindahannya lebih spesifik lagi: pola paling dominan adalah salesman yang di kuartal pertama masih Portofolio Sehat, lalu di kuartal kedua sudah masuk Whale Hunter — terjadi pada 10 salesman, jauh lebih banyak dari arah sebaliknya (Whale Hunter kembali ke Portofolio Sehat, cuma 6 salesman). Ada juga satu kasus paling ekstrem: seorang salesman jatuh langsung dari Portofolio Sehat ke Rentan Ganda — kombinasi paling berisiko di kerangka ini — dalam satu kuartal saja.

Revenue di level cabang bisa tetap terlihat sepenuhnya aman selama total pencapaian cabang itu tidak berubah — walau di baliknya, distribusi risiko antar salesman individual di cabang yang sama sedang bergeser ke arah yang kurang sehat. Level agregat menyerap perubahan itu sampai tidak terlihat sama sekali.

Kenapa Granularitas Analisis Itu Sendiri Keputusan Bisnis

Implikasinya langsung: kalau laporan manajemen berhenti di level cabang — yang biasanya memang level paling umum dilaporkan — 14 salesman yang trennya memburuk itu tidak akan pernah muncul di radar mana pun, sampai suatu saat cukup banyak dari mereka memburuk bersamaan hingga akhirnya kelihatan juga di angka cabang. Dengan kata lain, menunggu sinyal muncul di level agregat berarti menunggu masalahnya sudah cukup besar untuk tidak bisa lagi disembunyikan oleh rata-rata.

Ini bukan argumen untuk selalu turun ke level paling granular untuk semua hal — itu justru bisa membanjiri dengan noise yang tidak actionable. Tapi untuk pertanyaan spesifik “apakah ada yang memburuk”, pemilihan level analisis bukan detail teknis yang netral — ia menentukan apakah masalahnya kelihatan sama sekali atau tidak. 14 salesman dengan tren memburuk itu sekarang jadi daftar konkret yang bisa langsung ditindaklanjuti tim BD, jauh sebelum dampaknya terasa di laporan cabang.

Tulisan berikutnya kembali ke sisi customer: bagaimana insight pasif (“customer ini belum beli kategori X”) diubah jadi rekomendasi jualan yang nilainya bisa dipertanggungjawabkan, bukan cuma tebakan. Komentar dan diskusi sangat terbuka.