Setelah mengetahui apa yang terjadi melalui analisis deskriptif, langkah selanjutnya adalah memahami mengapa hal itu bisa terjadi. Di sinilah Diagnostic Analytics berperan. Analisis ini akan menggali lebih dalam data historis untuk mengidentifikasi penyebab dari suatu tren, anomali, atau peristiwa tertentu. 

 Analisis diagnostik merupakan metode pemanfaatan data untuk mengidentifikasi penyebab di balik suatu tren dan hubungan antarvariabel. Pendekatan ini sering dipandang sebagai langkah logis setelah analisis deskriptif yang hanya menyoroti apa yang terjadi. Proses analisis diagnostik dapat dilakukan secara manual melalui penerapan algoritma, maupun menggunakan perangkat lunak statistik seperti Microsoft Excel. 

Sebelum melakukan analisis ini, terdapat sejumlah konsep dasar yang perlu dipahami, antara lain pengujian hipotesis, perbedaan antara korelasi dan kausalitas, serta penerapan regresi diagnostik. 

  • Pengujian hipotesis merupakan prosedur statistik yang digunakan untuk memverifikasi atau menolak suatu asumsi. Kehadiran hipotesis yang jelas dapat membantu mengarahkan sekaligus memfokuskan jalannya analisis diagnostik. Hipotesis dapat bersifat prospektif, misalnya: “Jika kami mengubah logo perusahaan, konsumen di Jabodetabek akan lebih banyak membeli produk kami.” Hipotesis jenis ini lebih relevan untuk analisis prediktif maupun preskriptif. Dalam konteks analisis diagnostik, hipotesis umumnya bersifat historis, contohnya: “Penurunan penjualan bulan ini diperkirakan disebabkan oleh kenaikan harga produk baru-baru ini.” Dengan demikian, hipotesis berfungsi sebagai panduan dalam analisis sekaligus pengingat terhadap asumsi yang hendak diuji. 
  • Dalam menganalisis hubungan antarvariabel, penting untuk membedakan antara korelasi dan kausalitas. Korelasi menunjukkan adanya keterkaitan arah pergerakan dua variabel atau lebih. Korelasi positif berarti ketika satu variabel meningkat atau menurun, variabel lain bergerak ke arah yang sama. Sebaliknya, korelasi negatif menunjukkan bahwa kenaikan satu variabel diikuti oleh penurunan variabel lain. Hal yang perlu diingat dalam analisis diagnostik adalah bahwa adanya korelasi tidak serta-merta membuktikan adanya hubungan sebab-akibat. Menentukan kausalitas memerlukan pengujian lebih lanjut misalnya melalui eksperimen terkontrol. Walaupun kausalitas lebih ideal, korelasi tetap dapat memberikan gambaran yang berguna untuk memahami pola data dan mendukung pengambilan keputusan.
  • Sebagian hubungan antarvariabel dapat diidentifikasi dengan mudah, tetapi ada pula yang membutuhkan metode analisis lebih kompleks seperti regresi. Analisis regresi memungkinkan penentuan hubungan antara dua variabel (simple linear regression) maupun lebih dari dua variabel (multiple linear regression). Hubungan ini digambarkan melalui persamaan matematis yang merepresentasikan best fit line yang sesuai dengan pola data. Ketika regresi digunakan untuk menjelaskan hubungan variabel dalam konteks data historis, hal itu termasuk analitik diagnostik. Sebaliknya, bila regresi dimanfaatkan untuk memperkirakan kondisi di masa depan, maka ia masuk ke ranah analitik prediktif. Dengan demikian, analitik diagnostik berfungsi untuk memahami penyebab suatu kejadian dan interaksi antar faktor yang memengaruhinya. Setelah menguasai dasar-dasarnya, penting untuk melihat berbagai contoh penerapan agar lebih jelas bagaimana metode ini digunakan dalam praktik bisnis. 

Bagi perusahaan yang mengelola data konsumen, analitik diagnostik menjadi alat penting untuk memahami alasan di balik perilaku konsumen. Insight yang diperoleh dapat dimanfaatkan untuk menyempurnakan produk, memperbaiki pengalaman pengguna (UX), menyesuaikan strategi pemasaran brand, sekaligus memastikan produk tetap relevan bagi target audiens. 

Salah satu contoh nyatanya yaitu perusahaan HelloFresh yang menyediakan layanan meal kit berbasis langganan. Dalam model bisnis berlangganan, mempertahankan pelanggan jauh lebih hemat biaya dibandingkan terus-menerus mencari pelanggan baru. Oleh karena itu, HelloFresh menggunakan analitik diagnostik untuk mencari tahu penyebab utama pelanggan menghentikan layanan mereka. 

Saat pelanggan melakukan pembatalan, mereka diminta memberikan alasan, seperti “tidak sesuai anggaran” atau “tidak cocok dengan jadwal maupun kebutuhan diet”. Ada juga opsi terbuka bagi pelanggan untuk menuliskan alasan lain. Data yang terkumpul kemudian dianalisis berdasarkan wilayah dan demografi untuk menemukan pola penyebab pelanggan berhenti. Dengan cara ini, HelloFresh dapat menjawab pertanyaan mendasar tentang “Mengapa pelanggan membatalkan langganan?” Wawasan yang diperoleh dari analitik ini yang kemudian akan digunakan untuk memperbaiki produk, meningkatkan pengalaman pengguna, dan mencegah pelanggan berhenti karena alasan yang sama di masa depan. 

Dengan demikian, analitik diagnostik tidak hanya membantu perusahaan memahami alasan di balik data, tetapi juga memberikan dasar yang kuat untuk mengambil keputusan yang lebih tepat, adaptif, dan berorientasi pada masa depan.