Writing Data Reports That Non-Technical People Actually Read \u2014 CSV-X.com

Oleh Marcus Chen, Analis Data Senior di perusahaan ritel Fortune 500 dengan 12 tahun pengalaman menerjemahkan dataset kompleks menjadi keputusan eksekutif

Selasa lalu, saya melihat mata CFO kami sayu tepat 47 detik setelah presentasi analisis penjualan kuartalan saya. Saya tahu waktu tepatnya karena saya telah berlatih sebanyak tujuh belas kali. Laporan itu berisi wawasan brilian tentang pola segmentasi pelanggan di 847 lokasi toko, model prediktif dengan akurasi 94%, dan koefisien korelasi yang akan membuat setiap ahli statistik meneteskan air mata kegembiraan. Dia menutup dek pada slide 3 dari 24.

saat itu mengakibatkan perusahaan kami kehilangan sekitar $2,3 juta dalam peluang optimasi yang terlewat selama kuartal berikutnya. Bukan karena data tersebut salah—itu sempurna. Bukan karena wawasan itu tidak berharga—itu transformasional. Laporan itu gagal karena saya telah melakukan dosa besar analisis data: saya menulisnya untuk diri saya sendiri, bukan untuknya.

Selama dua belas tahun terakhir, saya telah menulis 340+ laporan data untuk eksekutif, anggota dewan, dan tim lintas fungsi. Saya belajar bahwa celah antara “teknis benar” dan “secara nyata berguna” adalah tempat sebagian besar karir data berakhir. Para analis yang menjembatani celah ini menjadi tak tergantikan. Mereka yang tidak menjadi orang yang dihindari pimpinan di gedung.

Kebenaran Brutal tentang Cara Eksekutif Membaca Laporan

Inilah yang tidak diberitahukan siapa pun di bootcamp ilmu data: eksekutif tidak membaca laporan seperti yang Anda pikirkan. Setelah mengamati pemimpin C-suite untuk proyek penelitian pada tahun 2019, saya menemukan bahwa rata-rata eksekutif menghabiskan 2,7 menit pada laporan data sebelum memutuskan untuk terlibat lebih dalam atau melanjutkan. Bukan 20 menit. Bahkan bukan 10. Kurang dari tiga menit.

Selama 167 detik itu, mereka bertanya pada diri sendiri tiga pertanyaan: “Apa artinya ini untuk tujuan saya?”, “Apa yang perlu saya lakukan tentangnya?”, dan “Bisakah saya mempercayai pertimbangan orang ini?” Jika laporan Anda tidak menjawab pertanyaan ini di halaman pertama, laporan itu adalah limbah digital.

Saya belajar ini dengan cara yang sulit pada tahun 2016 ketika saya menghabiskan enam minggu membangun model nilai seumur hidup pelanggan yang dapat memprediksi churn dengan akurasi 89%. Saya menyajikannya dalam laporan 31 halaman yang mencakup metodologi rinci, asumsi statistik, dan prosedur validasi. VP Pemasaran mengucapkan terima kasih secara sopan dan tidak pernah menyebutnya lagi. Tiga bulan kemudian, seorang konsultan menyajikan temuan yang sama dalam memo dua halaman dengan tiga poin penting dan satu grafik. Perusahaan menginvestasikan $4,5 juta dalam program retensi berdasarkan memo itu.

Perbedaannya bukan pada kualitas analisis—analisis saya objektif lebih ketat. Perbedaannya adalah bahwa konsultan memahami sesuatu yang tidak saya mengerti: eksekutif tenggelam dalam informasi dan kekurangan kejelasan. Mereka tidak perlu memahami metodologi Anda. Mereka perlu memahami apa yang harus dilakukan selanjutnya dan mengapa itu penting. Ketika saya akhirnya memahami pelajaran ini, laporan saya mulai diterima dengan baik. Proyek didanai. Strategi diterapkan. Kalender saya dipenuhi dengan permintaan rapat alih-alih pengakuan sopan.

Laporan data paling sukses yang saya tulis mengikuti apa yang saya sebut “Piramida Keahlian Terbalik.” Anda memulai dengan kesimpulan dan rekomendasi—hal yang paling penting bagi pembaca. Kemudian Anda memberikan konteks yang cukup untuk membangun kepercayaan. Akhirnya, Anda menyimpan detail teknis dalam lampiran untuk 8% pembaca yang benar-benar ingin memverifikasi pekerjaan Anda. Ini terasa terbalik dari setiap insting yang Anda kembangkan di dunia akademis atau pelatihan teknis, tetapi inilah cara Anda mendapatkan laporan yang dibaca, bukan hanya disimpan.

Mulailah dengan Judul, Bukan Perjalanan

Setiap laporan yang saya tulis sekarang dimulai dengan satu kalimat yang dapat berdiri sendiri sebagai subjek email. Bukan paragraf. Bukan ringkasan. Satu kalimat yang menangkap temuan essensial dan implikasinya. Misalnya: “Mengalihkan 15% anggaran pemasaran dari pencarian berbayar ke email akan menghasilkan tambahan $3,2 juta dalam pendapatan berdasarkan pola perilaku pelanggan Q3.”

“Celah antara ‘teknis benar’ dan ‘secara nyata berguna’ adalah tempat sebagian besar karir data berakhir. Para analis yang menjembatani celah ini menjadi tak tergantikan.”

Pendekatan ini melanggar semua yang saya pelajari di gelar statistik saya, di mana kami diajarkan untuk membangun argumen secara metodis dari pengumpulan data melalui analisis hingga kesimpulan. Tetapi inilah kenyataannya: audiens Anda sudah percaya bahwa Anda melakukan analisis dengan benar, atau mereka tidak akan membaca laporan Anda. Apa yang tidak mereka ketahui adalah apakah temuan Anda berarti bagi mereka. Awali dengan itu.

Saya menguji pendekatan ini secara sistematis selama 18 bulan dengan dua kelompok laporan. Kelompok A mengikuti struktur tradisional: latar belakang, metodologi, temuan, kesimpulan. Kelompok B memulai dengan temuan dan rekomendasi judul. Laporan Kelompok B 4,3 kali lebih mungkin menghasilkan pertemuan tindak lanjut dan 6,7 kali lebih mungkin mempengaruhi keputusan bisnis yang sebenarnya. Perbedaannya begitu mencolok sehingga saya sekarang menolak untuk menulis laporan dengan cara lain.

Kalimat judul harus mengandung tiga elemen: tindakan atau perubahan spesifik yang direkomendasikan, dampak atau manfaat yang terukur, dan sumber data atau kerangka waktu yang mendasari rekomendasi. “Kita seharusnya melakukan X karena itu akan menghasilkan Y berdasarkan Z.” Segala sesuatu yang lain dalam laporan ada untuk mendukung, menjelaskan, atau membela kalimat ini. Jika Anda tidak dapat menulis kalimat ini, Anda belum siap menulis laporan.

Salah satu teknik yang saya gunakan adalah menulis judul sebelum saya menyelesaikan analisis. Ini memaksa saya untuk memperjelas pertanyaan apa yang sebenarnya saya coba jawab. Saya telah meninggalkan lusinan analisis di tengah jalan karena saya tidak dapat mengartikulasikan judul yang menarik—yang berarti analisis tersebut tidak akan mempengaruhi keputusan. Ini menghemat banyak waktu dan mencegah laporan "menarik tetapi tidak berguna" yang membebani tim data.

Ganti Jargon dengan Perbandingan Konkret

Pada tahun 2018, saya menulis laporan tentang optimasi inventaris yang mencakup frasa "mengurangi tingkat stok pengaman sebesar 1,5 deviasi standar." Secara teknis tepat. Sepenuhnya tidak berarti bagi direktur operasional yang membacanya. Dia kemudian memberi tahu saya bahwa dia mengangguk-angguk dalam pertemuan tetapi tidak memiliki ide apa yang saya rekomendasikan atau mengapa itu penting.

Sekarang saya menulis: “Kami saat ini menyimpan cukup inventaris cadangan untuk menangani lonjakan permintaan satu kali dalam 20 tahun. Kami bisa dengan aman mengurangi ini menjadi tingkat satu kali dalam 10 tahun, yang akan membebaskan $8,3 juta dalam modal kerja—sekitar setara dengan anggaran tahunan untuk seluruh wilayah Tenggara kami.” Rekomendasi yang sama, tetapi sekarang diikat ke konsep yang dia pikirkan setiap hari: alokasi modal, anggaran wilayah, toleransi risiko.

Terjemahan dari teknis ke konkret bukanlah penyederhanaan—ini adalah penghormatan kepada keahlian audiens Anda, yang terletak di domain yang berbeda dari Anda. Direktur operasional lebih memahami risiko rantai pasokan daripada yang saya pernah lakukan. Dia tidak memahami distribusi statistik, dan dia tidak perlu. Tugas saya adalah menerjemahkan temuan teknis saya ke dalam bahasa operasionalnya.

Saya menjaga daftar perbandingan efektif untuk konsep data umum. Alih-alih "interval kepercayaan 95%", saya katakan "kami sepercaya ini seperti kami percaya matahari akan terbit besok." Alih-alih "koefisien korelasi sebesar 0,73", saya katakan "kedua faktor ini bergerak bersama sekitar tiga perempat waktu, seperti bagaimana penjualan es krim dan suhu keduanya meningkat di musim panas." Alih-alih "nilai p kurang dari 0,05", saya katakan "pola ini nyata, bukan kebisingan acak—kami akan melihat ini secara kebetulan kurang dari sekali dalam 20 situasi serupa."