Interpretasi Checklist Perusahaan
Untuk Apa Dokumen Ini
Dokumen ini menjelaskan makna tiap jawaban di checklist-perusahaan.md — bukan
untuk dinilai atau diisi, tapi untuk dibaca setelah checklist selesai diisi, supaya
hasilnya bisa dibahas dengan klien/stakeholder dengan bahasa yang tepat. Tiap
pertanyaan dijelaskan: apa yang sebenarnya diukur, apa artinya kalau jawabannya
"Belum", dan bagaimana membingkainya saat berdiskusi.
Nomor pertanyaan (#1–#38) mengikuti urutan persis di checklist-perusahaan.md.
Level 0 — Data Liar
#1 — Tahu di mana data tersimpan. Mengukur peta dasar, bukan kerapian. "Belum" itu wajar di Level 0, bukan aib — artinya belum ada yang pernah duduk mendaftar semua tempat data "hidup" di perusahaan. "Sudah" adalah modal penting: sebelum membenahi apa pun, harus tahu dulu apa yang mau dibenahi.
#2 — Bisa jawab pertanyaan penjualan minggu lalu dengan cepat. Kebanyakan bisnis di Level 0 wajar menjawab "Belum" untuk ini — bukan berarti mereka lalai, itu memang kondisi dasar sebelum ada pencatatan sistematis. Justru fungsi pertanyaan ini adalah mengukur seberapa jauh kesenjangannya: kalau butuh berhari- hari untuk jawaban sederhana seperti ini, itu bukti konkret untuk menjustifikasi mulai berinvestasi ke pencatatan sistematis (Level 1).
#3 — Tahu siapa "penjaga data informal". Mengukur apakah ada rujukan manusia yang bisa dihubungi untuk angka tertentu, meski belum ada sistem resmi. Kalau jawabannya beda-beda tergantung siapa yang ditanya, itu tanda ketergantungan pada ingatan orang, bukan proses.
#4 — Pernah alami dua angka berbeda. Kesadaran akan masalah paling mendasar dalam maturity data: sumber kebenaran yang tidak tunggal. Kalau klien punya contoh konkret (bukan cuma perasaan "kadang beda"), itu justru bahan diskusi paling kuat untuk menjustifikasi investasi ke Level 1-2.
#5 — Bisa jelaskan alur proses bisnis end-to-end. Mengukur pemahaman naratif proses bisnis, terlepas dari kondisi datanya. Kalau pemilik bisnis dan staf operasional memberi cerita yang berbeda jauh, itu sinyal ada blind spot organisasi yang lebih dalam dari sekadar masalah data.
Level 1 — Data Tercatat
#6 — Tiap proses punya sistem pencatatan. Titik mula formal maturity data: apakah proses inti (penjualan, keuangan, dst) dicatat lewat sistem, bukan kertas/ingatan. Kalau sebagian "Sudah" sebagian "Belum", prioritaskan proses dengan dampak finansial terbesar dulu.
#7 — Data di-backup dan pernah diuji restore. Dua hal digabung sengaja: backup rutin saja tidak cukup kalau belum pernah dicoba dipulihkan. Kalau klien yakin "Sudah" tapi ternyata belum pernah tes restore, itu false confidence — bedakan "punya cadangan" dari "tahu cadangannya bisa dipakai".
#8 — Ada panduan tertulis cara input data. Mengukur apakah konsistensi data bergantung pada dokumentasi atau cuma kebiasaan tidak tertulis yang hilang begitu orangnya resign. SOP yang ada tapi tidak pernah dibuka sama buruknya dengan tidak ada SOP.
#9 — Ada orang bertanggung jawab menjaga data rapi. Peran informal (belum perlu jabatan resmi di Level 1), tapi harus jelas siapa yang dihubungi kalau data bermasalah. Jawaban "beberapa orang, tergantung" sebenarnya berarti "Belum" — tanggung jawab yang tersebar sama dengan tidak ada yang bertanggung jawab.
#10 — Bisa membuat laporan rutin. Bukti pertama data mulai jadi insight, meski masih manual. Fokusnya bukan otomasi (itu Level 2), tapi konsistensi: apakah laporan bisa disusun tiap periode tanpa drama, atau tiap kali jadi krisis kecil.
#11 — Tahu proses mana yang masih digabung manual. Kesadaran akan "Excel Hell" — proses gabung data manual dari banyak sumber. Klien yang bisa menyebutkan proses spesifik ini sudah setengah jalan menuju Level 2.
Level 2 — Data Terhubung
#12 — Data tersimpan otomatis di satu tempat. Titik balik teknis: dari banyak silo ke satu pusat. Beda dari sekadar "kami punya folder bersama" — pastikan datanya benar-benar masuk otomatis dari sistem sumber, bukan di-upload manual ke satu tempat (itu masih Level 1 dengan baju baru).
#13 — Proses penggabungan data berjalan sendiri terjadwal. Mengecek otomasi sungguhan vs "otomatis" yang sebenarnya masih dipicu manual sesekali. Tanyakan kapan terakhir kali proses ini berjalan tanpa ada yang menekan tombol.
#14 — Tahu kalau proses otomatis gagal. Monitoring adalah bagian yang paling sering dilewatkan saat membangun otomasi — semua terlihat baik sampai tiba-tiba laporan terasa aneh dan ternyata pipeline sudah gagal berminggu-minggu.
#15 — Ada pihak bertanggung jawab menjaga data benar. Beda dari #9 di Level 1 (yang informal): di sini tanggung jawabnya sudah cukup jelas dan diakui, bukan cuma "kebetulan sering ditanya". Kalau orangnya sendiri tidak merasa punya peran ini, jawabannya sebenarnya "Belum".
#16 — Ada aturan siapa boleh lihat data sensitif. Fondasi keamanan data paling dasar. Kalau semua orang punya akses penuh ke semua data tanpa pembedaan, data pelanggan bisa bocor bukan karena diretas, tapi karena terlalu mudah diakses dari dalam.
#17 — Sudah minta izin (consent) dan bisa hapus data pelanggan. Kepatuhan UU Perlindungan Data Pribadi (UU PDP) yang konkret, bukan abstrak. Ini bukan cuma soal hukum, tapi soal kepercayaan pelanggan — dan risiko finansial kalau terjadi insiden dan ternyata belum ada dasar consent yang sah.
#18 — Pertanyaan lintas-sistem sekarang lebih cepat dijawab. Bukti ROI paling konkret dari investasi Level 2, dan biasanya paling mudah dikomunikasikan ke pimpinan non-teknis. Minta perbandingan waktu nyata (dari X hari jadi Y jam), bukan cuma perasaan "lebih cepat".
Level 3 — Data Termodel
#19 — Punya definisi resmi untuk istilah penting. Jawaban atas "kenapa dua laporan bisa beda angka padahal datanya sama" — karena definisinya beda ("unit terjual" dihitung dari kapan?). Definisi yang cuma ada di kepala satu orang belum cukup; harus terdokumentasi.
#20 — Definisi disepakati semua departemen. Kelanjutan dari #19 — definisi yang dibuat sepihak oleh satu tim (biasanya tim data) sering ditolak diam-diam oleh tim lain yang terus pakai definisi versi mereka sendiri.
#21 — Ada sistem otomatis deteksi data aneh. Quality control proaktif, bukan reaktif (baru tahu ada masalah setelah klien komplain). Alert yang ada tapi diabaikan (alert fatigue) sama buruknya dengan tidak ada alert sama sekali.
#22 — Ada katalog data yang menjelaskan data yang dimiliki. Mengukur apakah orang di luar tim data bisa menemukan sendiri data yang mereka butuhkan, atau harus selalu bertanya ke satu-dua orang tertentu. Katalog yang sudah usang sama dengan tidak ada katalog.
#23 — Ada forum rutin membahas perubahan data/metrik. Bukti governance yang hidup, bukan dokumen mati. Forum yang ada di atas kertas tapi sudah lama tidak berjalan sebenarnya artinya "Belum".
#24 — Punya rencana tertulis kalau ada kebocoran data. Kesiapan menghadapi skenario terburuk, bukan cuma pencegahan. Kalau terjadi insiden dan tidak ada yang tahu langkah pertama yang harus diambil, kerusakan reputasi/hukum bisa jauh lebih besar dari insidennya sendiri.
#25 — Semua orang percaya angka tanpa bertanya balik. Puncak dari Level 0-3: dari data liar sampai data yang dipercaya penuh. Kalau masih ada yang rutin bertanya "ini dihitung dari mana?", kepercayaan belum terbentuk — meski secara teknis semuanya sudah rapi.
Level 4 — Data Beroperasi
#26 — Tim non-teknis bisa buat laporan sendiri. Self-service sungguhan, bukan cuma akses yang diberi tapi tidak dipakai. Kalau ternyata hanya tim data yang memakai tool ini, jawabannya sebenarnya "Belum" meski aksesnya sudah dibuka ke semua orang.
#27 — Pernah menguji dua versi secara terkontrol (A/B testing). Disiplin eksperimen, bukan cuma coba-coba lalu menyimpulkan "sepertinya lebih baik". Pastikan ada perbandingan hasil yang cukup meyakinkan, bukan keputusan yang diambil terlalu cepat.
#28 — Punya sistem prediksi yang benar-benar dipakai. Bedanya dengan proyek data science yang dibangun lalu dilupakan: bukan "apakah modelnya bagus secara teknis", tapi "apakah hasilnya benar-benar dipakai minggu lalu dalam keputusan nyata".
#29 — Dashboard dibuka dan dibahas di rapat rutin. Bedanya dashboard yang hidup vs yang dibangun lalu ditinggalkan. Kalau dashboard cuma disebut di rapat tapi tidak ada yang benar-benar membuka layarnya, itu tanda belum benar-benar jadi bagian dari cara kerja.
#30 — Bisa sebutkan keputusan yang lebih cepat karena data. Bukti dampak nyata (decision velocity), bukan klaim umum "data membantu kami". Minta contoh dengan tanggal dan detail — keputusan macam apa, diambil berapa cepat dibanding sebelumnya.
#31 — Ada pelatihan rutin membantu karyawan membaca data. Data literacy yang berkelanjutan, bukan satu sesi training setahun lalu yang tidak pernah diulang. Tanpa ini, self-service (#26) berisiko menghasilkan kesimpulan salah yang tersebar luas.
Level 5 — Data Strategis
#32 — Sistem AI/prediksi terus dipantau dan diperbarui. Bedanya dengan Level 4: bukan cuma "sistemnya dipakai" tapi "sistemnya dijaga tetap akurat seiring waktu". Model yang tidak pernah dilatih ulang bisa diam-diam jadi tidak akurat (model drift) tanpa ada yang sadar.
#33 — Ada sistem yang memperbaiki dirinya sendiri dari data baru. Feedback loop tertutup — insight menghasilkan aksi, aksi menghasilkan data baru, data baru memperbaiki insight berikutnya, otomatis dan berkelanjutan. Kapabilitas paling matang, jarang dimiliki bahkan oleh perusahaan besar.
#34 — Karyawan di luar tim data terbiasa pakai data tanpa diminta. Bukti budaya data-driven yang sungguhan, bukan cuma slogan di dinding kantor. Kalau kebiasaan ini cuma terlihat di level direksi dan tidak sampai ke staf operasional, budaya ini belum benar-benar merata.
#35 — Punya kebijakan etika penggunaan data dan AI. Terutama penting untuk sistem yang berdampak langsung ke pelanggan (mis. penilaian kelayakan kredit). Kebijakan yang ada di atas kertas tapi belum pernah diuji dengan kasus nyata belum cukup — tanyakan apakah kebijakan ini pernah dipakai untuk menolak/merevisi suatu keputusan.
#36 — Kapabilitas data disebut eksplisit di dokumen strategi. Bedanya "data penting" yang cuma diucapkan sesekali vs yang benar-benar masuk alokasi budget dan rencana strategis tertulis. Kalau tidak muncul di dokumen resmi, klaim ini masih sebatas retorika.
#37 — Pernah pakai simulasi berbasis data untuk keputusan besar. Kapabilitas perencanaan skenario, bukan cuma pelaporan retrospektif. Tanyakan apakah hasil simulasi benar-benar memengaruhi keputusan akhir, atau keputusan sebenarnya diambil terpisah dari hasil simulasi itu.
#38 — Punya contoh nyata keunggulan kompetitif dari data. Bukti bahwa kapabilitas data bukan cuma efisiensi internal, tapi benar-benar membuat menang dibanding kompetitor. Minta detail spesifik (bukan cerita umum) — kapan, bagaimana datanya dipakai, dan bagaimana hasilnya bisa dibandingkan dengan kompetitor.
Lihat juga: checklist-perusahaan.md (sumber jawaban), formula-scoring.md (cara skor dihitung)