Salah satu tantangan utama adalah kualitas data. Data yang tidak lengkap, tidak konsisten, atau tidak terintegrasi dapat menghasilkan kesimpulan yang salah. Perbedaan kode akun, perubahan master data, transaksi duplikat, dan tanggal posting yang tidak tepat dapat menciptakan pola yang sebenarnya tidak mencerminkan kondisi bisnis.
Tantangan lainnya adalah bias analisis. Tim mungkin hanya menguji penyebab yang sudah diyakini sejak awal dan mengabaikan faktor alternatif. Untuk mengurangi risiko tersebut, analisis perlu mencakup beberapa hipotesis dan menggunakan bukti yang dapat diverifikasi.
Selain itu, perusahaan sering kali memiliki data yang tersebar pada general ledger, subledger, sistem penjualan, procurement, inventory, payroll, dan aplikasi operasional. Diagnostic analytics yang komprehensif membutuhkan integrasi data antarsistem agar perubahan angka keuangan dapat dihubungkan dengan aktivitas yang mendasarinya.
IBM menyatakan bahwa implementasi diagnostic analytics memerlukan pendekatan yang mencakup pengumpulan data, tata kelola, integrasi perangkat, serta pemahaman yang jelas mengenai pertanyaan bisnis yang ingin dijawab. Data historis yang bersih dan relevan merupakan fondasi penting sebelum teknik diagnostik diterapkan.
Selain itu, salah satu risiko terbesar dalam diagnostic analytics adalah menyimpulkan bahwa suatu faktor menyebabkan perubahan hanya karena keduanya memiliki hubungan statistik.
Misalnya, perusahaan menemukan bahwa biaya lembur meningkat bersamaan dengan kenaikan penjualan. Kondisi tersebut belum membuktikan bahwa kenaikan penjualan merupakan satu-satunya penyebab biaya lembur. Keduanya mungkin dipengaruhi oleh kekurangan tenaga kerja, perubahan shift, gangguan mesin, atau penurunan produktivitas.
Oleh karena itu, diagnostic analytics harus membedakan:
- Korelasi, yaitu dua variabel memiliki pola pergerakan yang berhubungan;
- Kontribusi, yaitu suatu faktor menjelaskan sebagian perubahan hasil;
- Kausalitas, yaitu perubahan suatu faktor benar-benar menyebabkan perubahan hasil.
Diagnostic analytics biasanya dapat mengidentifikasi faktor yang paling masuk akal atau paling kuat hubungannya dengan suatu hasil. Akan tetapi, klaim kausal memerlukan desain analisis, asumsi, serta bukti yang lebih kuat.
Referensi:
