BAB 8 - Pengambilan Keputusan Berbasis Data

8.1 Pembuka

Bab 7 menunjukkan bahwa arsitektur enterprise system - ERP, CRM, dan SCM yang terintegrasi - menghasilkan satu hal yang sebelumnya sulit dicapai: data terpusat yang mencerminkan seluruh operasional bisnis dalam satu sumber kebenaran tunggal (single source of truth). Template A.7 membantu Anda mengevaluasi kesiapan integrasi sistem perusahaan. Tetapi integrasi saja tidak cukup. Banyak organisasi berhasil membangun sistem yang terintegrasi dengan baik, lalu bingung: data sudah ada, lengkap, dan terhubung - tetapi kualitas keputusan yang diambil masih tetap mediokre. Problem sesungguhnya bukan pada data, melainkan pada bagaimana manajer menggunakan data itu dalam proses pengambilan keputusan.

Seorang manajer mengambil ratusan hingga ribuan keputusan setiap hari - dari yang sepele (menyetujui email) hingga yang strategis (mengalokasikan anggaran divisi). Riset McKinsey (2023) menunjukkan bahwa organisasi yang menerapkan data-driven decision making memiliki profitabilitas 23% lebih tinggi. Bukan karena data membuat keputusan mereka sempurna - tidak ada keputusan yang sempurna - tetapi karena data membuat keputusan mereka lebih defendable: bisa dipertanggungjawabkan, bisa diaudit, bisa dipelajari ketika salah.

Bagaimana manajer menggunakan data dan sistem informasi untuk mengambil keputusan yang lebih baik - dan di mana batas antara augmentasi data dan judgment manusia?

8.2 Model Utama

Gambar 8.1 - Model Pengambilan Keputusan Simon dengan Layer Dukungan SI

graph TD
 INT[" INTELLIGENCE<br/>Identifikasi & Pahami Masalah"]
 DES[" DESIGN<br/>Rancang Alternatif Solusi"]
 CHO["️ CHOICE<br/>Pilih Solusi Terbaik"]
 IMP[" IMPLEMENTATION<br/>Jalankan & Monitor"]

 INT -->|"data scanning"| DES
 DES -->|"analisis skenario"| CHO
 CHO -->|"eksekusi"| IMP
 IMP -->|"feedback loop"| INT

 SI1["SI: Dashboard,<br/>alert system,<br/>data monitoring"] -.-> INT
 SI2["SI: Simulasi,<br/>what-if analysis,<br/>DSS"] -.-> DES
 SI3["SI: Scoring model,<br/>decision matrix,<br/>AI recommendation"] -.-> CHO
 SI4["SI: KPI tracking,<br/>real-time reporting"] -.-> IMP

 style INT fill:#8c4a1a,color:#ffffff
 style DES fill:#8c4a1a,color:#ffffff
 style CHO fill:#8c4a1a,color:#ffffff
 style IMP fill:#8c4a1a,color:#ffffff
 style SI1 fill:#d4a574,color:#000000
 style SI2 fill:#d4a574,color:#000000
 style SI3 fill:#d4a574,color:#000000
 style SI4 fill:#d4a574,color:#000000

Gambar 8.1 - Model Pengambilan Keputusan Simon: empat fase siklus keputusan (kotak gelap) dengan layer dukungan SI di setiap fase (kotak terang).

Herbert Simon menerbitkan model ini pada 1977 - hampir lima dekade lalu. Model ini tetap relevan karena ia menangkap logika universal pengambilan keputusan, terlepas dari teknologi yang mendukungnya.

1. INTELLIGENCE - Fase mengenali dan memahami masalah. Manajer mendeteksi bahwa ada sesuatu yang membutuhkan perhatian: penjualan menurun, keluhan pelanggan meningkat, turn-over karyawan naik. SI mendukung melalui dashboard yang menyoroti anomali, alert system yang memberi notifikasi saat KPI melewati ambang batas, dan data monitoring yang memungkinkan deteksi dini.

2. DESIGN - Fase merancang alternatif solusi. Masalah sudah teridentifikasi, sekarang manajer perlu opsi. SI mendukung melalui model simulasi dan what-if analysis - "Jika kita menaikkan harga 10%, apa dampaknya terhadap volume penjualan?" - yang memungkinkan evaluasi skenario tanpa eksperimen nyata yang berisiko.

3. CHOICE - Fase memilih solusi terbaik dari alternatif yang tersedia. SI mendukung melalui scoring model dan decision matrix yang mengkuantifikasi trade-off antar-opsi, serta rekomendasi AI yang memprioritaskan opsi berdasarkan pola historis.

4. IMPLEMENTATION - Fase menjalankan keputusan dan memonitor hasilnya. SI mendukung melalui KPI tracking dan real-time reporting yang memberi sinyal jika implementasi menyimpang dari rencana.

5. Feedback loop - Inilah yang membedakan organisasi yang belajar dari yang mengulang kesalahan. Hasil implementasi menjadi input untuk siklus berikutnya: intelligence baru yang memicu evaluasi, desain ulang, atau pilihan yang berbeda.

Di setiap fase, SI berperan sebagai augmentor - bukan pengganti. SI menyediakan data dan model; manajer menyediakan judgment, konteks sosial, dan tanggung jawab atas keputusan. Garis putus-putus pada diagram menegaskan relasi ini: SI mendukung, manajer memutuskan.

8.3 Definisi Kunci

Pengambilan Keputusan Berbasis Data (Data-Driven Decision Making / DDDM) Pendekatan pengambilan keputusan yang mengutamakan bukti data terverifikasi di atas intuisi atau kebiasaan semata (Vidgen et al., 2021). Relevansi manajerial: DDDM bukan berarti data menggantikan manajer - melainkan data menjadi fondasi yang memperkuat judgment. Manajer yang DDDM tetap menggunakan pengalaman, tetapi pengalaman tersebut di-ground-kan pada bukti yang bisa diverifikasi ulang.

Keputusan Terstruktur (Structured Decision) Keputusan yang mengikuti prosedur baku, berulang, dan dapat diotomasi karena memiliki kriteria dan data yang jelas (Laudon & Laudon, 2022). Relevansi manajerial: Manajer harus mengidentifikasi keputusan terstruktur di organisasinya dan mempertimbangkan otomasi - agar waktu dan energi bisa dialokasikan ke keputusan yang benar-benar membutuhkan judgment manusia.

Sistem Pendukung Keputusan (Decision Support System / DSS) Sistem informasi interaktif yang membantu manajer dalam pengambilan keputusan semi-terstruktur dan tidak terstruktur dengan menyediakan akses data, model analitik, dan tools simulasi (Simon, 1977). Relevansi manajerial: DSS bukan decision-making system - ia decision-SUPPORT system. Manajer tetap pembuat keputusan; DSS menyediakan lensa yang membuat keputusan lebih informed.

Bounded Rationality (Rasionalitas Terbatas) Konsep Herbert Simon yang menyatakan bahwa manusia tidak bisa sepenuhnya rasional karena keterbatasan informasi, waktu, dan kemampuan kognitif - sehingga cenderung mencari solusi yang "cukup baik" (satisficing) alih-alih yang optimal (Simon, 1977; Kahneman, 2011). Relevansi manajerial: Memahami bounded rationality membantu manajer menerima bahwa data dan SI tidak menjadikan mereka perfectly rational - tetapi memperluas batas rasionalitas mereka secara signifikan. Manajer yang sadar akan keterbatasannya lebih terbuka terhadap dukungan data.

8.4 Konsep Inti

8.4.1 Model Keputusan Simon: Mengapa Masih Relevan setelah Lima Dekade

Model Simon bukan model teknis - ia model manajerial. Simon memecah proses keputusan menjadi fase yang masing-masing bisa didukung SI secara spesifik. Inilah yang membuatnya bertahan: ia cukup abstrak untuk mengakomodasi perubahan teknologi (dari mainframe ke AI), tetapi cukup konkret untuk diaplikasikan di organisasi nyata.

Framework decision intelligence modern - termasuk yang dikembangkan McKinsey dan Gartner - mayoritas masih mengacu pada struktur fase Simon sebagai fondasi (Harvard Business Review, 2023). Framework baru menambahkan layer (AI, real-time analytics, collaborative decision making), tetapi kerangka dasarnya identik: identifikasi masalah → rancang opsi → pilih → implementasi → evaluasi.

Contoh konkret: seorang manajer regional mendeteksi penurunan penjualan 15% di dashboard-nya (intelligence). Ia meminta tim analis merancang tiga skenario respons - diskon agresif, penambahan sales force, dan perubahan distribusi (design). Model simulasi menunjukkan skenario ketiga menghasilkan margin terbaik dalam 6 bulan (choice). Ia mengeksekusi perubahan distribusi dan memonitor KPI mingguan (implementation). Ketika KPI bulan kedua menunjukkan deviasi, ia kembali ke fase intelligence untuk evaluasi ulang.

8.4.2 Tipologi Keputusan: Terstruktur, Semi-Terstruktur, Tidak Terstruktur

Tidak semua keputusan bisa didukung SI dengan cara yang sama. Mengelompokkan keputusan berdasarkan tingkat strukturnya menentukan jenis dukungan yang tepat - dan mencegah kesalahan umum: mengotomasi keputusan yang seharusnya membutuhkan judgment, atau membiarkan keputusan yang bisa diotomasi tetap bergantung pada intuisi seseorang.

Tabel 6.1 - Tipologi keputusan: tipe, contoh, dan pembagian peran antara SI dan manajer.

Di level operasional, 60% keputusan bersifat terstruktur. Di level strategis, hanya 10% yang terstruktur (Laudon & Laudon, 2022). Implikasinya: semakin tinggi posisi manajer, semakin besar porsi keputusan yang tidak bisa diotomasi - dan semakin penting kemampuan judgment yang di-augmen data.

8.4.3 Decision Support System: Bukan Autopilot, Melainkan Co-pilot

DSS dirancang untuk memperluas kemampuan manajer dalam mengolah informasi kompleks. Ia berada di antara "otomasi penuh" (keputusan terstruktur yang tidak perlu manusia) dan "intuisi murni" (keputusan tanpa data sama sekali).

Perusahaan yang menggunakan DSS melaporkan peningkatan kecepatan keputusan 35% dan peningkatan akurasi keputusan 28% (Gartner, 2022). Angka-angka ini tidak datang dari DSS yang "mengambil keputusan lebih baik" - melainkan dari manajer yang mampu mengevaluasi lebih banyak variabel dan skenario dalam waktu yang sama.

Contoh Indonesia: SIPD (Sistem Informasi Pemerintah Daerah) membantu kepala daerah dan DPRD mengalokasikan anggaran berdasarkan data capaian program tahun sebelumnya. Sebelum SIPD, alokasi anggaran dominan berdasarkan "kebiasaan tahun lalu" dan lobi antar-dinas. Dengan SIPD, data capaian menjadi argumen yang bisa diadu dengan lobi - tidak menghilangkan politik anggaran, tetapi menambahkan evidence ke dalam ruang negosiasi.

8.4.4 Informasi per Level Manajemen: Bukan Satu Ukuran untuk Semua

Kebutuhan informasi berbeda drastis antar-level. Kesalahan desain SI yang paling umum: menyuplai informasi operasional ke eksekutif strategis - mengakibatkan 68% C-level mengeluhkan "information overload dari data yang tidak relevan" (Deloitte, 2023).

Tabel 6.2 - Kebutuhan informasi per level manajemen: apa yang dibutuhkan manajer di setiap level berbeda secara mendasar.

Manajer gudang membutuhkan data stok per SKU yang diperbarui setiap jam. Direktur utama yang menerima laporan stok per SKU tidak mendapat informasi - ia mendapat noise. Sebaliknya, manajer gudang yang menerima proyeksi pangsa pasar 3 tahun tidak bisa melakukan apa-apa dengan informasi tersebut. SI yang dirancang baik menyaring, meringkas, dan menyesuaikan informasi sesuai level pemakainya.

8.4.5 Bias Kognitif: Musuh Diam-diam Setiap Keputusan

Daniel Kahneman (2011) membuktikan bahwa otak manusia memiliki bias sistematis yang secara konsisten menghasilkan keputusan suboptimal. Tiga bias paling relevan bagi manajer:

Confirmation bias - Kecenderungan mencari dan memprioritaskan informasi yang mendukung keyakinan awal, dan mengabaikan informasi yang menentangnya. Manajer yang sudah yakin "produk ini akan berhasil" secara tidak sadar memprioritaskan data positif dan mengecilkan data negatif.

Anchoring - Kecenderungan berpegang pada informasi pertama yang diterima sebagai acuan, bahkan jika informasi itu tidak relevan. Manajer yang membaca "target penjualan tahun lalu: Rp10 miliar" akan cenderung menetapkan target tahun ini di sekitar angka itu - terlepas dari apakah kondisi pasar mendukung angka yang sangat berbeda.

Availability heuristic - Kecenderungan menilai probabilitas berdasarkan seberapa mudah contoh terlintas di pikiran. Manajer yang baru membaca berita tentang kegagalan ekspansi perusahaan lain akan menilai risiko ekspansi lebih tinggi dari yang sebenarnya.

Keputusan yang didukung data mengurangi confirmation bias hingga 45% dibanding keputusan berbasis intuisi murni (Ransbotham et al., 2021). Data bukan obat sempurna - data sendiri bisa mengandung bias - tetapi ia adalah penangkal terkuat yang tersedia bagi manajer.

8.4.6 Bounded Rationality: Mengapa Manajer Butuh Bantuan SI

Simon sendiri mengingatkan bahwa manusia bukan makhluk rasional sempurna. Ia adalah satisficer - mencari solusi yang "cukup baik" karena tidak mungkin mengevaluasi semua opsi secara sempurna. Kapasitas working memory manusia terbatas pada 7±2 variabel simultan (Miller, 1956). Di luar ambang itu, kualitas keputusan menurun tajam.

Negosiasi kontrak pengadaan yang melibatkan 15+ variabel - harga, volume, payment term, penalti keterlambatan, garansi, minimum order, mata uang, inflasi, lead time - melampaui kapasitas otak manajer mana pun jika diolah tanpa bantuan. DSS membantu menyintesis variabel-variabel ini ke dalam model yang bisa dievaluasi secara terstruktur, membuat trade-off yang biasanya tersembunyi menjadi eksplisit.

Bounded rationality bukan kelemahan manajer - ia adalah kondisi manusia. SI tidak menghapus batas ini, tetapi menggesernya secara signifikan: manajer yang menggunakan DSS mampu mengevaluasi lebih banyak variabel, lebih banyak skenario, dan lebih cepat dari manajer tanpa DSS.

8.4.7 AI sebagai Augmentasi Keputusan, Bukan Pengganti

AI dalam konteks pengambilan keputusan bukan tentang menggantikan manajer. Ia tentang membuat manajer mampu melihat pola yang tidak terlihat oleh mata manusia, dan memproses volume data yang melampaui kapasitas kognitif. 79% eksekutif yang menggunakan AI untuk keputusan menyebut augmentation - bukan automation - sebagai nilai utama (McKinsey, 2024).

Bank BRI menggunakan AI-based credit scoring yang memproses 50+ variabel untuk keputusan kredit mikro - mempercepat proses dari 2 minggu menjadi 2 jam. Tetapi relationship manager di cabang tetap memiliki otoritas override jika konteks lokal yang tidak tertangkap data (misalnya: calon debitur baru pindah desa, belum ada track record di database) menunjukkan risiko atau peluang yang berbeda dari skor AI.

Pembagian peran ini menggambarkan model augmentasi: AI menangani volume dan kompleksitas data yang tidak bisa diproses manusia, sementara manajer menangani konteks, etika, dan judgment yang tidak bisa diproses mesin. Manajer yang perannya seluruhnya terstruktur - hanya menjalankan prosedur baku tanpa judgment - memang berisiko digantikan AI. Tetapi itu bukan karena AI terlalu pintar; itu karena perannya sudah bisa diotomasi jauh sebelum AI ada.

8.5 Komparasi

Tabel 8.3 - Keputusan Intuitif vs Keputusan Berbasis Data: 8 Dimensi

Insight: Dikotomi "intuisi versus data" adalah false dichotomy. Manajer terbaik menggunakan keduanya - data untuk mengurangi blind spot, intuisi untuk mengisi gap di mana data belum tersedia atau konteks lokal belum tertangkap angka. Yang berbahaya bukan intuisi itu sendiri, melainkan intuisi yang menolak divalidasi oleh data.

8.6 Realitas Lapangan

Fenomena 1: HiPPO Effect - Ketika "Siapa yang Bicara" Lebih Penting dari "Data Apa yang Bicara"

HiPPO - Highest Paid Person's Opinion. Di banyak organisasi, keputusan akhir ditentukan oleh opini orang dengan jabatan tertinggi di ruangan, bukan oleh data yang paling kuat. Harvard Business Review (2023) melaporkan bahwa 61% perusahaan masih membuat keputusan strategis berdasarkan opini pimpinan, bukan data.

Di Indonesia, budaya hierarkis memperkuat dinamika ini. Bawahan yang memiliki data berbeda dari pandangan atasan cenderung menyimpan data itu - bukan karena datanya lemah, tetapi karena menyampaikannya berisiko secara karir. Hasilnya: data tersedia tetapi tidak pernah sampai ke ruangan tempat keputusan diambil.

Insight: Kultur hierarkis organisasi sering mempersempit ruang bagi data untuk berbicara lebih keras dari pangkat. Membangun data-driven culture berarti memastikan argumen berbasis bukti mendapat ruang yang setara dengan senioritas - mulai dari desain rapat, cara mengevaluasi proposal, hingga bagaimana data dihadirkan kepada pimpinan.

Fenomena 2: Dashboard Fatigue - Terlalu Banyak Dashboard, Terlalu Sedikit Keputusan

Gartner (2023) melaporkan bahwa 75% dashboard BI yang dibangun perusahaan "tidak pernah menjadi dasar keputusan aktual." Fenomena dashboard fatigue: organisasi membangun dashboard di mana-mana - setiap departemen punya, setiap proyek punya - tetapi tidak pernah mendefinisikan keputusan apa yang seharusnya didukung oleh masing-masing dashboard.

Hasilnya: information overload tanpa action. Manajer yang membuka 5 dashboard setiap pagi bukan menjadi lebih informed - ia menjadi lebih lelah. Dashboard menghasilkan ilusi bahwa organisasi sudah data-driven padahal yang terjadi hanya data-exposed.

Insight: Dashboard tanpa decision framework adalah dekorasi mahal. Setiap dashboard harus dimulai dengan pertanyaan: "Keputusan apa yang akan berubah karena data ini?" - bukan "Data apa yang menarik untuk ditampilkan?"

Fenomena 3: AI Decision Tools di UMKM Indonesia - Akses Mudah, Adopsi Rendah

AI-powered decision tools semakin terjangkau. Google Analytics gratis. ChatGPT bisa membantu analisis data sederhana. Platform akuntansi menggabungkan proyeksi otomatis. Tetapi adopsi di UMKM Indonesia masih sangat rendah (McKinsey, 2024).

Penyebabnya bukan biaya. Hambatan utama: (1) data literacy rendah - pemilik UMKM tidak tahu pertanyaan apa yang harus diajukan ke data, (2) ketidakpercayaan pada "keputusan mesin" - mindset bahwa pengalaman 20 tahun di industri lebih valid daripada angka dari tools yang baru dikenal, dan (3) tidak ada framework untuk menghubungkan output AI ke keputusan bisnis aktual - AI memberi rekomendasi, tetapi pemilik UMKM tidak tahu cara mengevaluasi apakah rekomendasi itu masuk akal.

Insight: Kemampuan merumuskan pertanyaan yang tepat dan menginterpretasikan jawaban AI secara kritis adalah kompetensi yang semakin menentukan. Tools-nya terjangkau - bahkan banyak yang gratis. Yang membedakan hasilnya adalah kualitas pertanyaan yang diajukan dan kedalaman analisis kritisnya.

8.7 Salah Kaprah

"Manajer berpengalaman tidak perlu data - intuisi sudah cukup"

"Saya sudah 20 tahun di industri ini. Data mau bilang apa, saya sudah tahu jawabannya."

Intuisi yang dibangun dari dua dekade pengalaman di industri yang stabil bisa menjadi liabilitas di era yang berubah cepat. Pengalaman relevan hanya jika kondisi masa depan serupa dengan kondisi masa lalu - dan semakin sering, kondisi itu tidak serupa. Manajer ritel yang intuisinya terlatih pada perilaku konsumen pra-pandemi menemukan bahwa intuisi itu menyesatkan pasca-2020, ketika pola belanja berubah drastis.

Koreksi: Intuisi bukan musuh data - ia partner. Manajer terbaik menggunakan data untuk mengkalibrasi intuisi (memastikan "perasaan" selaras dengan bukti), dan intuisi untuk menginterpretasikan data di mana angka saja tidak cukup (konteks lokal, dinamika interpersonal, timing politik).

"Lebih banyak analisis artinya keputusan lebih baik"

"Belum bisa memutuskan - minta lagi data historis 5 tahun terakhir, per region, per produk."

Analysis paralysis - ketika permintaan data tambahan menjadi strategi (sering tidak disadari) untuk menghindari risiko keputusan. Pada titik tertentu, manfaat marginal dari data tambahan lebih kecil dari opportunity cost keterlambatan. Kompetitor yang memutuskan lebih cepat dengan data 80% sering menang atas organisasi yang masih menganalisis dengan data 95%.

Koreksi: Tetapkan decision deadline dan ambang batas "data cukup." Keputusan yang 80% informed dan diambil tepat waktu hampir selalu lebih baik dari keputusan yang 100% informed tetapi datang terlambat. Ingat: tidak memutuskan juga adalah keputusan - dan sering yang paling mahal.

"AI akan menggantikan manajer dalam pengambilan keputusan"

"Sebentar lagi manajer juga di-PHK, diganti AI semua."

AI superior di keputusan terstruktur: pattern recognition, prediksi dari data historis, optimasi parameter. AI inferior di keputusan yang membutuhkan konteks sosial, judgment etis, visi strategis jangka panjang, dan negosiasi antar-manusia. Manajer yang "digantikan" AI bukan karena AI terlalu pintar - tetapi karena manajer tersebut hanya mengambil keputusan terstruktur yang memang bisa diotomasi sejak era sistem berbasis aturan.

Koreksi: Fokus pada kompetensi yang AI tidak bisa gantikan: framing masalah, stakeholder management, ethical judgment, dan creative strategy. Serahkan keputusan repetitif dan terstruktur ke AI, dan investasikan waktu yang dibebaskan untuk keputusan yang benar-benar membutuhkan manusia.

"Kalau sudah ada dashboard, keputusan otomatis jadi lebih baik"

"Kita sudah implementasi Tableau. Berarti sekarang keputusan pasti lebih bagus, kan?"

Dashboard hanya alat visualisasi. Tanpa decision framework - pertanyaan apa yang dijawab, siapa yang memutuskan, kapan, dengan ambang batas apa - dashboard menjadi "wallpaper digital" yang indah tetapi tidak akcionabel. Organisasi yang membangun 50 dashboard tanpa mendefinisikan decision question untuk masing-masing hanya menambah information overload.

Koreksi: Rancang setiap dashboard dengan decision question yang spesifik dan action threshold yang jelas. "Jika customer churn rate melampaui 8% per bulan, maka program retensi harus diaktifkan" - bukan sekadar "lihat tren churn."

8.8 Studi Kasus

Studi Kasus A (Dasar): SIPD - Data-Driven Budgeting di Pemerintah Daerah

Sumber: Sari et al. (2023); Deloitte (2023)

Kondisi Awal: Sebelum SIPD, proses alokasi anggaran daerah berjalan seperti ini: setiap dinas mengajukan anggaran berdasarkan "kebiasaan tahun lalu" ditambah inflasi. Prioritas ditentukan oleh seniority pejabat, lobi politik, dan timing siapa yang presentasi terakhir (karena yang terakhir sering paling diingat - recency bias). Data capaian program tahun sebelumnya tersedia, tetapi tidak menjadi basis negosiasi.

Transformasi: SIPD mengintegrasikan data perencanaan, penganggaran, dan capaian program dalam satu platform. Kepala daerah dan DPRD kini bisa melihat data capaian program sebagai basis alokasi - bukan sebagai pengganti negosiasi politik, tetapi sebagai argumen tambahan yang bisa diverifikasi.

Tabel 6.4 - SIPD: dampak terhadap proses penganggaran daerah.

Pelajaran: SIPD belum sempurna - budaya lobi belum hilang, dan data literacy pejabat daerah masih bervariasi. Tetapi ketersediaan data membuat alokasi anggaran menjadi lebih challengeable: sekarang ada basis untuk bertanya "mengapa program ini dapat anggaran besar padahal capaian tahun lalu rendah?" Pertanyaan itu, sebelum SIPD, hampir tidak mungkin diajukan karena datanya tidak tersedia di satu tempat.

Studi Kasus B (Lanjutan): McKinsey Decision Intelligence Framework

Sumber: McKinsey & Company (2023); Harvard Business Review (2023)

Kondisi Awal: Bahkan di perusahaan Fortune 500, McKinsey (2023) menemukan bahwa hanya 20% keputusan strategis menggunakan data secara sistematis. Sisanya bergantung pada pengalaman, intuisi, dan konsensus politik di ruang rapat. Hasilnya: keputusan besar - M&A, market entry, peluncuran produk - gagal pada rate melebihi 60%.

Framework yang Diusulkan: McKinsey Decision Intelligence mengkategorikan keputusan ke dalam empat kuadran berdasarkan frekuensi dan dampak, kemudian menentukan level dukungan data dan peran AI yang tepat untuk masing-masing:

Tabel 6.5 - McKinsey Decision Intelligence: alokasi dukungan data dan AI berdasarkan frekuensi × dampak.

Pelajaran: Tidak semua keputusan membutuhkan level data dan AI yang sama. Framework ini membantu manajer mengalokasikan "investasi analitik" secara proporsional. Organisasi yang memperlakukan semua keputusan sama - semua butuh dashboard, semua butuh AI - justru menghasilkan decision fatigue dan membuang sumber daya analitik pada keputusan yang tidak membutuhkannya.

8.9 Template Praktis

Template A.8 - Matriks Keputusan Manajerial

============================================
Template A.8 - MATRIKS KEPUTUSAN MANAJERIAL
============================================

Nama Organisasi : ________________________________________
Departemen/Unit : ________________________________________
Tanggal Analisis : ________________________________________

═══════════════════════════════════════════════════════════════

KEPUTUSAN 1:
Deskripsi keputusan : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini : [ ] Intelligence [ ] Design [ ] Choice [ ] Implementation
Data yang dibutuhkan : ________________________________________
Data yang tersedia : ________________________________________
Gap informasi : ________________________________________
SI pendukung yang ada : ________________________________________
Rekomendasi peningkatan : ________________________________________

KEPUTUSAN 2:
Deskripsi keputusan : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini : [ ] Intelligence [ ] Design [ ] Choice [ ] Implementation
Data yang dibutuhkan : ________________________________________
Data yang tersedia : ________________________________________
Gap informasi : ________________________________________
SI pendukung yang ada : ________________________________________
Rekomendasi peningkatan : ________________________________________

KEPUTUSAN 3:
Deskripsi keputusan : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini : [ ] Intelligence [ ] Design [ ] Choice [ ] Implementation
Data yang dibutuhkan : ________________________________________
Data yang tersedia : ________________________________________
Gap informasi : ________________________________________
SI pendukung yang ada : ________________________________________
Rekomendasi peningkatan : ________________________________________

KEPUTUSAN 4:
Deskripsi keputusan : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini : [ ] Intelligence [ ] Design [ ] Choice [ ] Implementation
Data yang dibutuhkan : ________________________________________
Data yang tersedia : ________________________________________
Gap informasi : ________________________________________
SI pendukung yang ada : ________________________________________
Rekomendasi peningkatan : ________________________________________

KEPUTUSAN 5:
Deskripsi keputusan : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini : [ ] Intelligence [ ] Design [ ] Choice [ ] Implementation
Data yang dibutuhkan : ________________________________________
Data yang tersedia : ________________________________________
Gap informasi : ________________________________________
SI pendukung yang ada : ________________________________________
Rekomendasi peningkatan : ________________________________________

═══════════════════════════════════════════════════════════════

ANALISIS RINGKAS:
Jumlah keputusan terstruktur : ____ (kandidat otomasi)
Jumlah keputusan semi-terstruktur : ____ (butuh DSS)
Jumlah keputusan tidak terstruktur: ____ (butuh insight + judgment)
Gap informasi terbesar : ________________________________________
Prioritas perbaikan SI : ________________________________________

8.10 Peta Konsep

Gambar 8.2 - Peta Konsep Bab 8: Pengambilan Keputusan Berbasis Data

mindmap
 root((Pengambilan Keputusan<br/>Berbasis Data))
 Model Simon
 Intelligence
 Design
 Choice
 Implementation
 Feedback Loop
 Tipologi Keputusan
 Terstruktur - otomasi
 Semi-terstruktur - DSS
 Tidak terstruktur - judgment
 Dukungan SI
 DSS
 Dashboard
 AI Augmentation
 What-if Analysis
 Bias Kognitif
 Confirmation Bias
 Anchoring
 Availability Heuristic
 HiPPO Effect
 Level Manajemen
 Operasional - data transaksi
 Taktis - exception report
 Strategis - insight eksternal
 Bounded Rationality
 Satisficing
 Cognitive Limits 7 plus minus 2
 SI sebagai Expander

Gambar 8.2 - Peta konsep pengambilan keputusan berbasis data: enam kluster dari model Simon hingga bounded rationality.

8.11 Rangkuman

Poin-poin Penting:

1. Model Simon (Intelligence-Design-Choice-Implementation) membagi keputusan ke dalam fase yang masing-masing bisa didukung SI secara spesifik - dari dashboard di fase intelligence hingga KPI tracking di fase implementation. Feedback loop menjadikan pengambilan keputusan bersifat siklus, bukan linear.

2. Tidak semua keputusan membutuhkan dukungan data yang sama. Keputusan terstruktur bisa diotomasi penuh; semi-terstruktur membutuhkan DSS; tidak terstruktur membutuhkan judgment yang di-augmen data dan insight. Semakin tinggi level manajer, semakin besar porsi keputusan tidak terstruktur.

3. DSS memperluas batas bounded rationality - manusia hanya mampu memproses 7±2 variabel simultan, DSS membantu menyintesis puluhan variabel menjadi trade-off yang eksplisit dan skenario yang bisa dibandingkan.

4. Bias kognitif - confirmation bias, anchoring, availability heuristic, HiPPO effect - adalah musuh diam-diam setiap keputusan. Data adalah penangkal terkuat, tetapi hanya jika budaya organisasi mengizinkan data menantang opini siapa pun.

5. Dashboard tanpa decision framework adalah dekorasi. Setiap dashboard harus dirancang dengan pertanyaan keputusan spesifik dan action threshold yang jelas - bukan sekadar tampilan data yang menarik.

6. AI augments, bukan replaces, keputusan manajerial. Nilai AI tertinggi ada di keputusan semi-terstruktur yang frekuen dan berdampak tinggi - di mana volume data terlalu besar untuk otak manusia, tetapi override manusia tetap diperlukan.

7. DDDM bukan soal tools - ia soal budaya organisasi yang menghargai evidensi di atas hierarki. Di konteks Indonesia yang hierarkis, ini adalah transformasi budaya yang jauh lebih sulit dari transformasi teknologi.

Menuju Bab 9:

Model keputusan sudah dipahami, tipologi keputusan sudah dipetakan, bias kognitif sudah diidentifikasi. Pertanyaan berikutnya: dari mana insight untuk mendukung keputusan itu sebenarnya datang? Bab 9 membahas Business Intelligence dan Analitik Bisnis - teknologi dan framework yang mengubah data mentah menjadi visualisasi, prediksi, dan rekomendasi yang actionable. Dari analitik deskriptif ("apa yang terjadi?") hingga preskriptif ("apa yang harus dilakukan?").

"Pengambilan keputusan berbasis data bukan tentang menghilangkan penilaian manusia, tetapi tentang memastikan bahwa penilaian itu dibangun di atas fondasi yang dapat dipertanggungjawabkan."

8.12 Latihan & Refleksi

Pertanyaan Diagnostik

Seorang manajer menerima dashboard yang lengkap, tetapi keputusan yang diambil tetap keliru. Analisis apakah sumber masalah berada pada kualitas data, perancangan indikator, bias kognitif pengambil keputusan, atau ketidakselarasan antara tipe keputusan dan informasi yang tersedia, serta jelaskan bagaimana pembedaannya dapat diuji sebelum sistem disalahkan.

Pertanyaan Reflektif

1. Identifikasi satu keputusan di organisasi yang Anda kenal yang saat ini dibuat berdasarkan intuisi tetapi seharusnya didukung data. Apa hambatan utama untuk beralih ke DDDM - teknis (tidak ada data), budaya (HiPPO effect), atau kompetensi (data literacy rendah)?

2. Apakah organisasi yang Anda kenal mengalami HiPPO effect? Berikan contoh spesifik. Apa yang bisa dilakukan untuk menguranginya tanpa memicu konflik dengan pimpinan?

3. Evaluasi satu dashboard yang ada di organisasi Anda: apakah ia dirancang untuk menjawab pertanyaan keputusan spesifik (dengan action threshold), atau hanya menampilkan data yang "menarik"? Jika belum ada decision question, rumuskan satu.

4. Dalam konteks budaya organisasi Indonesia yang hierarkis, bagaimana DDDM bisa diimplementasikan tanpa mengancam otoritas pimpinan? Apakah mungkin membangun budaya di mana data bisa "menantang" atasan secara konstruktif?

Latihan Artefak

Latihan 8.1 - Matriks Keputusan Manajerial (Template A.8)

Gunakan Template A.8 untuk memetakan 5 keputusan nyata di satu organisasi yang Anda kenal. Untuk setiap keputusan:

1. Klasifikasikan tipe keputusan (terstruktur / semi-terstruktur / tidak terstruktur) dan jelaskan alasannya
2. Identifikasi fase Simon di mana keputusan tersebut saat ini berada
3. Petakan gap antara data yang dibutuhkan dan data yang tersedia
4. Rekomendasikan dukungan SI yang spesifik untuk menutup gap tersebut

Kriteria output yang baik:

• Kelima keputusan berasal dari satu organisasi nyata, bukan hipotetis
• Minimal satu keputusan dari setiap tipe (terstruktur, semi, tidak terstruktur)
• Rekomendasi SI terhubung langsung ke gap informasi yang teridentifikasi - bukan generik
• Analisis ringkas mengidentifikasi pola: keputusan mana yang menjadi kandidat otomasi, mana yang membutuhkan DSS

Output Artefak 8.1 menjadi bahan untuk memahami peran Business Intelligence dan analitik di Bab 9.

Referensi

Deloitte. (2023). CIO survey 2023: Technology leadership in the age of AI. Deloitte Insights.

Gartner Research. (2022). Decision support systems: Market guide. Gartner, Inc.

Gartner Research. (2023). Top trends in data and analytics. Gartner, Inc.

Harvard Business Review. (2023). Data-driven decision making survey 2023. HBR Analytics Services.

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Laudon, K. C., & Laudon, J. P. (2022). Management information systems (17th ed.). Pearson.

McKinsey & Company. (2023). Decision intelligence: Topgrading your decision making. McKinsey Digital.

McKinsey & Company. (2024). The state of AI in 2024. McKinsey Digital.

Miller, G. A. (1956). The magical number seven, plus or minus two. Psychological Review, 63(2), 81-97.

Ransbotham, S., Khodabandeh, S., Fehling, R., LaFountain, B., & Kiron, D. (2021). Expanding AI's impact with organizational learning. MIT Sloan Management Review/BCG.

Sari, D. P., Wibowo, A., & Nugroho, T. (2023). Pengaruh kualitas sistem informasi terhadap kinerja manajerial. Jurnal Akuntansi dan Keuangan Indonesia, 20(1), 45-62.

Simon, H. A. (1977). The new science of management decision (Rev. ed.). Prentice-Hall.

Vidgen, R., Shaw, S., & Grant, D. B. (2021). Management challenges in creating value from business analytics. European Journal of Operational Research, 261(2), 626-639.