Belajar Data Scientist - Communication & Storytelling

#Pendahuluan

Setelah di episode 16 kita membuktikan kausalitas, pada episode ini kita membahas bagian yang paling sering diremehkan — padahal menentukan apakah kerja keras kalian dipakai: komunikasi. Model terbaik di dunia tidak bernilai jika tidak ada yang memahaminya.

Mengapa storytelling penting bagi data scientist? Karena keputusan tidak dibuat dari angka — keputusan dibuat oleh manusia yang diyakinkan oleh cerita. Stakeholder (direktur, product manager, tim sales) tidak peduli pada p-value; mereka peduli pada "apa yang harus kami lakukan dan mengapa". Kemampuan menyampaikan ini secara jelas dan meyakinkan adalah yang membedakan data scientist yang diundang ke ruang rapat dari yang hanya disuruh "buat laporannya".

#Kenali Audiens

Presentasi yang sama tidak cocok untuk semua orang. Sebelum menyusun, jawab tiga pertanyaan:

Pertanyaan	Contoh Jawaban
Siapa audiensnya?	CEO, Head of Product, tim operasional
Apa yang mereka pedulikan?	Revenue, biaya, keputusan cepat, cara kerja
Apa yang harus mereka lakukan setelah ini?	Menyetujui budget, mengubah proses, mengevaluasi

Ini menentukan isi: untuk CEO fokus ke dampak & keputusan; untuk tim teknis boleh masuk ke metodologi; untuk operasional fokus ke aksi konkret.

#Struktur Cerita yang Efektif

Struktur presentasi insight klasik adalah piramida terbalik — kesimpulan di depan, detail di belakang:

Kesimpulan utama — "Churn naik 30% karena customer baru tanpa onboarding".
Bukti pendukung — grafik churn vs tenure, perbandingan segmen.
Detail metodologi (opsional, sesuai audiens) — metrik, metode, keterbatasan.
Rekomendasi & next step — "kita perlu program onboarding di minggu pertama".

Prinsipnya: jangan memaksa audiens menebak kesimpulan dari grafik. Sampaikan kesimpulan dulu, lalu dukung dengan bukti.

Tip

Formula satu kalimat yang selalu dipakai: "Data menunjukkan [temuan], karena [bukti], sehingga kita perlu [rekomendasi]." Kalau kalian bisa mengisi kalimat ini, presentasi kalian sudah 80% jadi.

#Seni Membuat Slide

Slide yang baik mendukung cerita, bukan menyainginya:

Satu pesan per slide — judul slide adalah kesimpulannya, bukan deskripsinya. Bukan "Churn Analysis" tapi "Churn didorong customer baru tanpa onboarding".
Satu grafik per slide — kalian belajar ini di episode 7; tetap berlaku.
Angka dalam konteks — "churn naik 3 poin" lebih baik dari "churn 18.3% vs 15.1%" — tapi berikan keduanya.
Sertakan keterbatasan — menyebutkan asumsi & keterbatasan justru menaikkan kredibilitas.

Contoh slide pembuka yang baik:

text

SLIDE 1 — JUDUL: "Churn naik 30% — dan kita bisa menahannya"
 
Temuan utama:
  • Churn 3 bulan terakhir naik dari 12% ke 15.6%
  • 2/3 peningkatan berasal dari customer baru (< 3 bulan)
  • Pola sama di semua produk → bukan masalah harga
 
Rekomendasi:
  • Program onboarding 14 hari untuk customer baru
  • Ekspektasi: turunkan churn kembali ke 13%
  • Estimasi dampak: +Rp 4,2 M/tahun dari retensi

#Praktik: Menyusun Presentasi Insight

Mari susun kerangka presentasi churn dari data yang sudah kita analisis di episode 6-11:

text

# 1. Context (1 slide)
   - Perusahaan kehilangan customer, retention jadi prioritas
   - Pertanyaan: apa penyebab utama churn?
 
# 2. Temuan (2-3 slide)
   - Churn terkonsentrasi di customer baru + kontrak bulanan
   - Monthly charges tinggi memperparah
   - Pola sama di semua wilayah → bukan isu lokal
 
# 3. Bukti (grafik)
   - boxplot tenure vs churn
   - bar chart churn per contract type
   - line chart churn bulanan
 
# 4. Keterbatasan (0.5 slide)
   - Data historis, bukan eksperimen
   - Kausalitas belum dibuktikan (episode 16)
 
# 5. Rekomendasi + next step (1 slide)
   - Uji A/B: program onboarding vs kontrol
   - Metrik: churn 90-hari; durasi 8 minggu
   - Keputusan yang diminta: budget + timeline

Perhatikan slide keterbatasan: kalian mengakui bahwa data ini belum membuktikan kausalitas — lalu menawarkan eksperimen sebagai next step. Ini menaikkan kredibilitas sekaligus membuka pekerjaan berikutnya.

#Menghadapi Pertanyaan Sulit

Tiga pertanyaan yang pasti muncul dan cara menjawabnya:

Pertanyaan	Cara Menjawab
"Apakah datanya akurat?"	Sebutkan sumber, periode, dan proses quality check
"Kenapa angkanya berbeda dari laporan X?"	Bandingkan definisi metrik secara eksplisit
"Apa yang terjadi jika kita salah?"	Diskusikan risiko, downside, dan mitigasi

Siapkan slide cadangan dengan detail metodologi dan semua definisi metrik — ini yang menyelamatkan kalian saat audiens mendetail.

#Kesalahan Umum

Pitfall	Dampak	Solusi
Memulai dari metodologi	Audiens hilang di menit pertama	Kesimpulan di depan
Slide penuh teks	Tidak ada yang dibaca	Satu pesan, satu grafik per slide
Mengabaikan audiens	Pesan tidak sampai	Sesuaikan isi & kedalaman
Menyembunyikan keterbatasan	Kredibilitas hancur saat ketahuan	Akui keterbatasan sejak awal
Tidak menutup dengan aksi	Presentasi tanpa dampak	Tutup dengan rekomendasi & keputusan

#Penutup

Inti yang harus dibawa pulang:

Komunikasi mengubah insight menjadi keputusan — sama pentingnya dengan modeling.
Kenali audiens: keputusan untuk eksekutif, metodologi untuk teknis, aksi untuk operasional.
Struktur piramida terbalik: kesimpulan → bukti → detail → rekomendasi.
Slide: satu pesan, satu grafik, angka dalam konteks, keterbatasan disebutkan.
Tutup selalu dengan aksi: keputusan apa yang kalian minta?

Di episode 18 selanjutnya kita akan membahas data ethics & bias — mengenali dan mengurangi bias dalam data dan model, serta tanggung jawab membangun AI yang adil. Sampai jumpa di episode 18!