Kenapa Kami Bangun Dashboard Analitik — dan Apa yang Kami Pelajari tentang Laporan yang Benar-Benar Dipakai

Laporan yang Nggak Pernah Dibuka

Waktu kami riset POS yang sudah ada di pasar, satu pattern yang kami lihat berulang: banyak laporan, sedikit yang benar-benar dipakai.

Ada POS yang punya 30+ jenis laporan — dari inventory aging sampai customer cohort analysis. Kedengarannya impressive di sales pitch. Tapi waktu kami ngobrol dengan pemilik kafe yang pakai tools ini, kebanyakan bilang hal yang sama: "Saya cuma buka laporan penjualan harian. Yang lain? Nggak pernah."

Ini bukan masalah user yang "kurang tech-savvy." Ini masalah desain yang nggak match dengan realita operasional. Pemilik kafe kecil nggak punya waktu atau training untuk interpreting complex reports. Mereka butuh jawaban atas pertanyaan spesifik — bukan spreadsheet yang perlu di-decode.

Pertanyaan yang Sebenarnya Ingin Dijawab

Kalau kamu tanya pemilik kafe "data apa yang kamu butuhkan?", jawabannya sering teknis: "laporan penjualan", "grafik revenue", "data per produk." Tapi kalau kamu tanya lebih dalam — "keputusan apa yang sedang kamu coba buat?" — jawabannya jauh lebih konkret:

• "Apakah hari ini lebih baik atau lebih buruk dari biasanya?"
• "Menu mana yang paling menguntungkan — bukan cuma paling laku?"
• "Jam berapa saya harus tambah staf, dan jam berapa bisa kurangi?"
• "Tren penjualan minggu ini naik atau turun dibanding minggu lalu?"
• "Berapa persen revenue dari dine-in vs takeaway?"

Pertanyaan-pertanyaan ini sederhana. Tapi menjawabnya dari raw data — scroll laporan, hitung manual, bandingkan antar periode — itu butuh waktu yang kebanyakan pemilik kafe nggak punya.

Insight pertama kami: dashboard yang baik menjawab pertanyaan, bukan menampilkan data.

Apa yang Kami Pilih untuk Di-Highlight

Dengan prinsip "jawab pertanyaan, bukan tampilkan data", kami memilih beberapa metrik utama:

Revenue hari ini vs rata-rata. Bukan cuma angka absolut, tapi perbandingan. "Rp 2.3 juta" nggak berarti apa-apa tanpa context. "Rp 2.3 juta — 15% di atas rata-rata hari Selasa" langsung kasih insight apakah hari ini bagus atau nggak.

Top items by revenue, bukan cuma by quantity. Item yang paling laku (by jumlah terjual) belum tentu yang paling menguntungkan. Kopi Susu mungkin terjual 80 cup tapi margin-nya tipis. Croissant terjual 20 tapi margin per piece jauh lebih besar. Kami menampilkan kedua perspektif — by quantity DAN by revenue — supaya kamu bisa lihat picture yang lengkap.

Tren per periode. Grafik yang menunjukkan penjualan harian selama 7 hari, 30 hari, atau custom range. Pattern yang nggak kelihatan di angka harian — seasonal dips, growing trends, anomali — jadi visible.

Breakdown per shift. Alih-alih satu angka harian, kami pecah per shift. Karena satu kafe yang sama bisa punya performance sangat berbeda di shift pagi vs shift sore. Dan keputusan yang tepat (staffing, prep quantity, promo timing) tergantung di data per shift, bukan per hari.

Breakdown per service mode. Setelah kami bangun fitur service mode (dine-in vs takeaway), breakdown revenue per mode menjadi salah satu insight paling sering dilihat. Pemilik kafe yang sebelumnya "merasa" kebanyakan revenue dari dine-in sering surprised bahwa takeaway bisa jadi 40-50%.

Apa yang Kami Pilih untuk NGGAK Bikin

Yang nggak kalah penting dari apa yang kami bikin adalah apa yang kami decide untuk nggak bikin di V1:

Customer segmentation report. Powerful? Ya. Tapi untuk kafe kecil yang belum collect customer data (dan kebanyakan belum), laporan ini akan kosong — dan feature yang selalu kosong itu demoralizing.

Predictive forecasting. "Prediksi penjualan besok berdasarkan historis." Kedengarannya keren, tapi akurasinya butuh data minimal 6-12 bulan. Untuk kafe baru yang pakai sistem 2-3 bulan, prediksinya misleading — bisa lebih berbahaya dari nggak ada prediksi sama sekali.

Inventory-linked analytics. Misalnya: "berapa porsi Nasi Goreng lagi yang bisa dibuat dari stok saat ini." Ini butuh data inventory real-time yang akurat — dan dari pengalaman kami, inventory accuracy di kafe kecil itu tantangan besar. Report yang based on inaccurate data = keputusan yang salah.

Prinsipnya: lebih baik 5 metrik yang akurat dan selalu di-cek daripada 30 metrik yang 25-nya nggak pernah dibuka.

Keputusan Desain: Clarity Over Density

Satu hal yang kami pelajari: jumlah informasi di layar berbanding terbalik dengan kemungkinan informasi itu benar-benar dibaca.

Dashboard yang penuh angka, grafik, dan tabel memang terlihat "canggih." Tapi kalau pemilik kafe butuh 30 detik untuk cari angka yang dia butuhkan — itu terlalu lama. Mereka buka dashboard di sela-sela ngecek dapur dan handling customer. Atensi itu 5-10 detik, bukan 5-10 menit.

Beberapa keputusan desain yang kami ambil:

• Angka besar, label kecil. Revenue hari ini = angka besar yang langsung terlihat. Label "Revenue Hari Ini" = kecil, karena setelah 2-3 kali buka dashboard, kamu sudah tahu layout-nya.
• Warna untuk trend, bukan dekorasi. Hijau = naik. Merah = turun. Nggak ada gradient rainbow atau warna-warni tanpa makna.
• Progressive disclosure. Halaman utama = overview. Klik untuk detail. Jangan dump semua data di satu layar.
• Mobile-readable. Pemilik kafe sering cek dari HP, bukan desktop. Angka dan grafik harus readable di layar 6 inch.

Apa yang Data Ini Enable

Dashboard analytics bukan cuma tentang "lihat angka." Yang penting adalah keputusan apa yang bisa diambil dari data itu:

• Menu optimization. Item yang laku tapi margin-nya tipis → adjust harga atau porsi. Item yang nggak laku tapi margin tinggi → push lewat rekomendasi kasir atau placement.
• Staffing decisions. Revenue per jam → tahu kapan peak, kapan slow. Kalau Selasa siang selalu sepi tapi Selasa malam rame — staffing yang sama sepanjang hari itu waste.
• Promo evaluation. Revenue di hari promo vs hari normal → tahu apakah promo beneran naikin revenue atau cuma shift dari hari lain.
• Trend spotting. Revenue mingguan menurun 3 minggu berturut-turut? Itu signal untuk investigate — sebelum penurunan jadi krisis.

Apa Selanjutnya

Analytics yang sekarang masih basic — dan kami sengaja. Fondasi yang benar lebih penting dari feature set yang besar tapi fragile.

Yang kami eksplorasi ke depan:

• Perbandingan antar periode. "Minggu ini vs minggu yang sama bulan lalu" — supaya seasonal patterns lebih visible.
• Analytics per kasir. Bukan untuk micromanage, tapi untuk identify training needs — kasir mana yang average order-nya consistently lebih rendah (mungkin butuh coaching di upselling).
• Export otomatis. Laporan mingguan yang otomatis dikirim ke email owner — supaya nggak perlu login untuk cek tren.

Semua ini masih eksplorasi. Yang sudah ada: dashboard yang memberikan jawaban atas pertanyaan paling penting — dengan clarity yang cukup supaya jawaban itu bisa dibaca dalam 5 detik. Karena dashboard yang canggih tapi nggak pernah dibuka itu sama nilainya dengan nggak punya dashboard sama sekali.