Peta Transisi Antar Level
Ringkasan Visual Perjalanan
| Level | Nama | Rasanya Seperti | Fokus Utama Investasi | Peran Kunci yang Muncul |
|---|---|---|---|---|
| 0 | Data Liar | "Kami tidak tahu angka pastinya" | Kesadaran & pemetaan | Pemilik bisnis |
| 1 | Data Tercatat | "Datanya ada, tapi tersebar" | Source system & SOP | Data Steward (informal) |
| 2 | Data Terhubung | "Datanya sudah di satu tempat" | Warehouse & pipeline | Data Engineer |
| 3 | Data Termodel | "Angkanya sekarang konsisten" | Pemodelan & governance | Analytics Engineer, Data Owner |
| 4 | Data Beroperasi | "Data dipakai tiap hari" | Self-service & eksperimen | Data Scientist, Data Analyst |
| 5 | Data Strategis | "Data adalah bagian dari siapa kami" | Budaya & AI production | CoE, ML Engineer |
Prinsip Gate Logic: Kenapa Tidak Bisa Lompat Level
Bayangkan mencoba membangun Level 4 (self-service dashboard) di atas fondasi Level 0-1 (data tersebar, tidak konsisten):
Self-Service Dashboard (Level 4)
↑
Data yang belum konsisten definisinya (Level 3 belum tercapai)
↑
Data yang belum terintegrasi (Level 2 belum tercapai)
↑
Data yang masih tersebar (Level 0-1)
Hasilnya: stakeholder yang memakai self-service dashboard akan menemukan angka yang berbeda-beda tergantung bagaimana mereka menyusun query sendiri — karena definisi metrik belum disepakati (Level 3) dan datanya sendiri belum terintegrasi penuh (Level 2). Ini justru menciptakan kekacauan baru yang lebih sulit dilacak karena terlihat "canggih" di permukaan.
Karena itu formula scoring di handbook ini (lihat /assessment/formula-scoring.md)
menerapkan gate: skor Level N hanya dianggap valid jika Level N-1 ke bawah juga
sudah memenuhi ambang batas minimum.
Pola Umum Kegagalan Lintas Level
Kegagalan "Teknis Duluan, Organisasi Menyusul (Tidak Pernah)"
Perusahaan investasi besar di tools (warehouse, BI tool, bahkan model AI) tapi tidak pernah membangun kejelasan kepemilikan data (Data Owner), governance, atau literasi. Hasilnya: tools canggih dipakai segelintir orang, sisanya balik ke Excel.
Cara mendeteksi: Skor dimensi Teknis jauh lebih tinggi dari skor dimensi Organisasi pada level yang sama.
Kegagalan "Budaya Duluan, Fondasi Menyusul"
Leadership sangat percaya "data-driven" secara retorik, tapi data yang tersedia masih kotor dan tidak terintegrasi (Level 0-1). Tekanan untuk "jadi data-driven" justru mendorong keputusan buruk karena berbasis data yang salah.
Cara mendeteksi: Skor dimensi Strategi jauh lebih tinggi dari skor dimensi Teknis pada level yang sama — biasanya gejala perusahaan yang leadership-nya baru belajar dari buku/seminar tanpa memahami kondisi riil datanya.
Kegagalan "Proyek, Bukan Kapabilitas"
Setiap kebutuhan data ditangani sebagai proyek terpisah (mis. "proyek dashboard penjualan Q1") tanpa membangun kapabilitas yang reusable (pipeline, model data, definisi metrik). Setiap proyek baru mulai dari nol lagi.
Cara mendeteksi: Banyak dashboard/laporan yang saling tidak konsisten definisinya walau secara teknis semua "sudah pakai data warehouse".
Kapan Perusahaan Boleh "Skip" Sebagian Level?
Dalam praktik, tidak semua perusahaan perlu melalui tiap sub-langkah dengan durasi lama — terutama perusahaan baru (startup) yang bisa langsung memilih source system dan warehouse modern sejak awal, sehingga Level 0→2 bisa berlangsung sangat cepat (hitungan bulan, bukan tahun). Namun substansi tiap level tetap harus terpenuhi — bukan levelnya yang di-skip, tapi durasinya yang bisa dipercepat dengan pilihan teknologi dan proses yang tepat sejak awal.
Yang tidak bisa di-skip adalah kerja organisasional: menyepakati Data Owner, mendefinisikan metrik bersama, membangun governance. Ini butuh waktu manusia dan konsensus, tidak bisa dipercepat semata dengan membeli tools lebih mahal.
Peran Konsultan di Tiap Transisi
| Transisi | Fokus Kerja Konsultan |
|---|---|
| 0 → 1 | Fasilitasi pemetaan proses bisnis, dorong kesepakatan prioritas pencatatan |
| 1 → 2 | Rancang arsitektur integrasi, pilih tools warehouse sesuai skala & budget |
| 2 → 3 | Fasilitasi konsensus definisi metrik, bangun quality rules, susun governance |
| 3 → 4 | Latih tim non-teknis (data literacy), rancang eksperimen awal, bangun model pertama |
| 4 → 5 | Bantu leadership menjadikan data bagian strategi, bangun kerangka etika AI |
Sebelumnya: 06-level-5-data-strategis.md | Lanjut ke: 08-glossary.md