AI untuk Analisis Data: Bertanya ke Data dengan Bahasa Biasa

AI untuk analisis data memungkinkan Anda bertanya ke data dengan kalimat biasa, misalnya “berapa omzet cabang Jakarta bulan lalu dibanding bulan sebelumnya?”, lalu mendapat jawaban dalam hitungan detik. Di balik layar, AI menerjemahkan pertanyaan itu menjadi query SQL, menjalankannya di database, lalu merangkum hasilnya. Teknik ini sering disebut text to SQL.

Kalau Anda manajer yang setiap minggu mengirim pesan “tolong tarik data ini ya” ke analis lalu menunggu dua hari, pendekatan ini menarik. Tapi hasilnya hanya sebaik data dan definisi yang ada di belakangnya. Artikel ini membahas cara kerjanya, syaratnya, dan cara menjaga supaya jawaban AI tidak asal terdengar meyakinkan.

Cara kerja text to SQL

SQL adalah bahasa standar untuk mengambil data dari database. Kalau istilah ini masih asing, artikel SQL adalah menjelaskannya dengan bahasa sederhana. Intinya, hampir semua data bisnis yang tersimpan rapi bisa ditanya lewat SQL.

Model bahasa besar (LLM) seperti yang dipakai di ChatGPT atau Claude cukup pandai menulis SQL. Alur yang umum di sistem tanya-jawab data:

  1. Pengguna bertanya dengan bahasa biasa.
  2. AI mencari konteks: tabel mana yang relevan, kolom apa artinya apa, dan bagaimana metrik seperti “omzet” didefinisikan.
  3. AI menyusun query SQL berdasarkan konteks itu.
  4. Query dijalankan di database atau data warehouse dengan akses baca saja.
  5. AI merangkum hasilnya menjadi jawaban, tabel, atau grafik, dan idealnya menampilkan SQL yang dipakai.

Sequence diagram: pengguna bertanya ke asisten AI, AI mencari definisi metrik di kamus metrik, menyusun SQL, menjalankan query di data warehouse, menerima hasil angka, lalu mengirim jawaban beserta SQL yang dipakai ke pengguna

Langkah kedua adalah kunci. Tanpa konteks, AI hanya menebak dari nama kolom. Kolom bernama amount bisa berarti nilai pesanan, nilai invoice, atau uang yang sudah diterima. Tebakan yang salah menghasilkan angka yang salah, tapi disampaikan dengan kalimat yang sangat yakin.

Beberapa tools BI sudah menyediakan fitur ini secara bawaan, misalnya Conversational Analytics di Looker dan BigQuery, serta Copilot di Power BI. Semuanya bekerja paling baik kalau model data dan definisi metriknya sudah rapi. Fitur dan ketersediaannya berubah cepat, jadi cek dokumentasi resmi masing-masing sebelum memilih.

Syarat data dan definisi metrik

Sebelum memasang AI, pastikan tiga hal ini sudah ada.

1. Data terkumpul di satu tempat. Kalau penjualan ada di aplikasi kasir, piutang di software akuntansi, dan target di spreadsheet, AI tidak bisa menggabungkannya dengan andal. Biasanya data dikumpulkan dulu ke data warehouse seperti BigQuery atau PostgreSQL.

2. Tabel yang siap pakai. Tabel mentah dari sistem sumber sering punya kolom teknis yang membingungkan. Siapkan tabel yang sudah bersih dengan nama kolom yang jelas, misalnya tanggal_invoice, cabang, omzet_bersih.

3. Kamus metrik. Ini dokumen yang menjelaskan arti setiap metrik penting: rumusnya, tabel sumbernya, dan pengecualiannya. Contoh:

  • Omzet bersih: total invoice terbit dikurangi retur dan diskon, tanpa PPN.
  • Pelanggan aktif: pelanggan dengan minimal satu transaksi dalam 90 hari terakhir.
  • Cabang: mengikuti kolom kode_cabang, bukan alamat pengiriman.

Kamus metrik ini diberikan ke AI sebagai konteks setiap kali ada pertanyaan. Bagian ini sebenarnya pekerjaan data governance: menyepakati definisi dan pemiliknya. AI hanya memanfaatkan hasilnya.

Menjaga jawaban tetap benar

AI bisa salah, dan kesalahannya sulit terlihat karena jawabannya selalu rapi. Beberapa pengaman yang sebaiknya dipasang:

  • Akses baca saja. Akun database yang dipakai AI tidak boleh bisa mengubah atau menghapus data.
  • Batasi tabel yang boleh dipakai. Hanya tabel yang sudah didokumentasikan. Tabel gaji atau data pribadi sebaiknya tidak ikut.
  • Tampilkan SQL dan asumsi. Jawaban yang baik menyebut, misalnya, “omzet dihitung dari invoice terbit 1 sampai 30 September, tanpa PPN”. Pengguna jadi bisa mengecek.
  • Uji dengan pertanyaan yang jawabannya sudah diketahui. Siapkan 20 sampai 30 pertanyaan contoh beserta angka yang benar dari laporan resmi. Jalankan secara berkala, terutama setelah ada perubahan tabel atau model AI.
  • Arahkan AI ke metrik yang sudah didefinisikan. Kalau tools Anda mendukung semantic layer (lapisan definisi metrik yang dipakai bersama), arahkan AI ke sana. AI cukup memilih metrik dan filter, tidak menulis ulang rumus.
  • Catat pertanyaan dan jawaban. Dari log ini Anda bisa melihat pertanyaan apa yang sering salah dan definisi mana yang perlu diperjelas.

Satu hal lagi soal keamanan data: pahami ke mana data dikirim. Kalau Anda memakai layanan AI pihak ketiga, cek kebijakan penyimpanan dan pemakaian datanya, terutama kalau hasil query berisi data pribadi pelanggan.

Contoh pertanyaan bisnis yang cocok

Text to SQL paling berguna untuk pertanyaan yang jawabannya ada di data, tapi tidak tersedia di dashboard yang sudah ada. Misalnya:

Tim Contoh pertanyaan
Sales “10 pelanggan dengan penurunan pembelian terbesar kuartal ini dibanding kuartal lalu?”
Finance “Berapa total piutang lewat 60 hari per sales?”
Operasional “Produk apa yang stoknya di bawah minimum di gudang Surabaya?”
Klinik “Rata-rata jumlah kunjungan pasien per hari di bulan September, per dokter?”
SaaS “Berapa pelanggan yang upgrade paket dalam 30 hari pertama?”

Pertanyaan seperti ini biasanya butuh satu sampai dua hari kalau lewat analis, padahal query-nya sendiri hanya beberapa baris.

Kapan tetap butuh analis

AI mempercepat pertanyaan rutin, tapi tidak menggantikan kerja analis sepenuhnya. Anda tetap butuh analis atau tim data untuk:

  • Menyiapkan fondasinya: data warehouse, tabel yang bersih, dan kamus metrik.
  • Pertanyaan “kenapa”. AI bisa menunjukkan bahwa penjualan turun 15%. Menjelaskan penyebabnya butuh konteks bisnis, wawancara dengan tim, dan penilaian.
  • Analisis yang hasilnya menentukan keputusan besar, seperti membuka cabang baru atau mengubah harga. Angkanya perlu diperiksa manusia.
  • Merawat kualitas jawaban: memperbarui definisi, menambah contoh pertanyaan uji, dan memperbaiki tabel saat sistem sumber berubah.

Cara pandang yang sehat: AI mengambil alih pekerjaan “tarik data”, supaya analis punya waktu untuk pekerjaan “pahami data”.

Kalau Anda ingin tim bisa bertanya langsung ke data tapi belum yakin datanya siap, Aqilatic bisa membantu mengecek fondasinya lewat audit proses gratis. Detail pekerjaan data dan AI kami ada di bagian layanan.

Pertanyaan yang sering muncul

Apakah bisa bertanya ke data yang masih di Google Sheets?

Bisa untuk data kecil dan sederhana. Namun spreadsheet sering punya format yang tidak konsisten, sehingga jawabannya kurang bisa diandalkan. Untuk pemakaian rutin, data sebaiknya dipindahkan ke database atau data warehouse dulu.

Seberapa akurat AI menulis SQL?

Untuk pertanyaan sederhana dengan tabel yang terdokumentasi baik, umumnya cukup akurat. Akurasi turun saat pertanyaannya ambigu, tabelnya banyak, atau definisi metriknya tidak tertulis. Karena itu, uji dengan pertanyaan yang jawabannya sudah diketahui.

Apakah data perusahaan aman kalau dipakai AI?

Tergantung pengaturannya. Pakai akun database baca saja, batasi tabel yang bisa diakses, dan pilih layanan AI dengan kebijakan data yang jelas. Untuk data pribadi, pertimbangkan untuk tidak menyertakannya sama sekali.