Data Analytics Adalah: Dari Data Mentah ke Keputusan

Data analytics adalah proses memeriksa, membersihkan, dan mengolah data untuk menjawab pertanyaan bisnis. Contohnya: produk mana yang paling menguntungkan bulan ini, pelanggan mana yang mulai jarang belanja, atau cabang mana yang biaya operasionalnya naik tanpa alasan jelas.

Banyak bisnis sebenarnya sudah punya datanya. Ada ribuan baris transaksi di aplikasi kasir, file Excel penjualan per bulan, dan catatan piutang di software akuntansi. Masalahnya, data itu hanya dipakai untuk tutup buku, lalu disimpan. Artikel ini menjelaskan bagaimana data mentah seperti itu bisa berubah jadi dasar keputusan.

Pengertian data analytics

Secara sederhana, data analytics punya tiga bagian:

Data: catatan kejadian bisnis, seperti transaksi, stok, kunjungan pasien, atau tiket keluhan.
Analisis: mengelompokkan, membandingkan, dan mencari pola dari data itu.
Keputusan: tindakan yang diambil berdasarkan hasil analisis.

Kalau salah satu hilang, analytics tidak ada gunanya. Laporan yang tidak pernah dibaca tidak menghasilkan keputusan. Keputusan tanpa data hanya mengandalkan firasat.

Data analytics sering tertukar dengan istilah lain. Business intelligence biasanya merujuk pada sistem dan tools untuk menyajikan data secara rutin, misalnya dashboard penjualan harian. Data analytics lebih luas: termasuk menggali pertanyaan baru yang belum ada di dashboard mana pun.

Empat jenis data analytics

Analytics biasanya dibagi ke dalam empat tingkat. Pembagian ini dipopulerkan oleh firma riset Gartner dan masih sering dipakai sampai sekarang.

Piramida empat tingkat data analytics: descriptive, diagnostic, predictive, dan prescriptive, dengan pertanyaan yang dijawab di tiap tingkat

Descriptive: apa yang sudah terjadi? Ini tingkat paling dasar dan paling sering dipakai. Contohnya total omzet bulan lalu, jumlah pesanan per hari, atau rata-rata nilai transaksi. Laporan bulanan dan dashboard umumnya ada di tingkat ini.

Diagnostic: kenapa itu terjadi? Setelah tahu omzet turun, pertanyaan berikutnya adalah kenapa. Anda memecah angka per cabang, per produk, per salesman, atau per minggu, lalu membandingkannya. Misalnya ternyata penurunan hanya terjadi di satu kota setelah kompetitor buka toko baru.

Predictive: apa yang kemungkinan terjadi? Di tingkat ini, data masa lalu dipakai untuk memperkirakan masa depan. Contohnya perkiraan kebutuhan stok menjelang Lebaran berdasarkan pola dua tahun terakhir, atau daftar pelanggan yang kemungkinan berhenti berlangganan.

Prescriptive: apa yang sebaiknya dilakukan? Tingkat paling atas memberi rekomendasi tindakan. Misalnya berapa jumlah pesanan ulang yang optimal untuk tiap SKU, atau diskon mana yang paling efektif untuk pelanggan yang mulai pasif.

Satu catatan penting: jangan loncat ke atas sebelum bawahnya rapi. Model prediksi yang dibangun di atas data transaksi yang berantakan hanya menghasilkan tebakan yang terlihat canggih.

Contoh pertanyaan bisnis yang bisa dijawab

Supaya lebih konkret, berikut contoh pertanyaan per jenis bisnis:

Distributor: pelanggan mana yang rata-rata terlambat bayar lebih dari 30 hari, dan berapa total piutangnya?
Toko online: produk apa yang paling sering dibeli bersamaan, sehingga cocok dijadikan paket?
Klinik: jam dan hari apa antrean paling panjang, dan berapa dokter yang perlu berjaga?
Agensi: klien mana yang menghabiskan jam kerja paling banyak dibanding nilai kontraknya?
Sekolah: berapa persen siswa yang pembayaran SPP-nya terlambat setiap bulan, dan apakah trennya naik?
SaaS: fitur apa yang paling sering dipakai pelanggan yang bertahan lebih dari setahun?

Perhatikan bahwa setiap pertanyaan terkait langsung dengan uang atau waktu. Pertanyaan analytics yang baik selalu punya tindakan di ujungnya. Kalau jawabannya tidak mengubah apa pun, pertanyaannya perlu diganti. Cara menurunkan pertanyaan seperti ini menjadi angka yang dipantau rutin dibahas di artikel tentang KPI.

Proses analisis data

Proses analisis data umumnya mengikuti langkah berikut:

Tentukan pertanyaannya. Tulis satu pertanyaan spesifik. “Kenapa margin cabang Bandung turun di kuartal ini?” lebih berguna daripada “analisis data penjualan”.
Kumpulkan data. Tarik data dari sumbernya: aplikasi kasir, software akuntansi seperti Accurate atau Jurnal, Google Sheets, atau database aplikasi Anda.
Bersihkan data. Samakan format tanggal, hapus duplikat, perbaiki nama produk yang ditulis berbeda-beda. Langkah ini sering memakan waktu paling lama.
Analisis. Kelompokkan, bandingkan, hitung tren. Mulai dari yang sederhana, seperti pivot table, sebelum memakai metode statistik.
Sajikan. Ubah hasilnya jadi tabel atau grafik yang mudah dibaca oleh orang yang akan memutuskan.
Putuskan dan ukur. Ambil tindakan, lalu pantau apakah angkanya berubah sesuai harapan.

Langkah kedua dan ketiga adalah bagian yang paling layak diotomatisasi. Kalau tim Anda setiap minggu mengunduh file dari tiga sistem lalu menggabungkannya manual di Excel, waktu itu bisa dipakai untuk langkah keempat dan kelima.

Tools yang umum dipakai

Anda tidak perlu langsung membeli software mahal. Pilih tools sesuai ukuran data dan kemampuan tim.

Tools	Cocok untuk
Excel dan Google Sheets	Data kecil sampai menengah, analisis cepat, pivot table
Looker Studio, Power BI	Dashboard rutin yang dibagikan ke tim
SQL dan data warehouse (misalnya BigQuery)	Data besar dari banyak sumber
Python atau R	Analisis statistik dan model prediksi

Catatan: sejak April 2026, Google mengganti nama Looker Studio menjadi Data Studio. Banyak orang masih mencarinya dengan nama lama, jadi keduanya merujuk ke produk yang sama.

Untuk sebagian besar bisnis kecil dan menengah, kombinasi spreadsheet yang rapi dan satu tools dashboard sudah cukup untuk tingkat descriptive dan diagnostic. Kebutuhan akan data warehouse biasanya baru muncul saat data datang dari banyak sistem sekaligus dan spreadsheet mulai lambat dibuka.

Kesalahan yang sering terjadi

Beberapa hal yang sering membuat proyek analytics tidak jalan:

Mulai dari tools, bukan dari pertanyaan. Membeli lisensi BI sebelum tahu apa yang mau dijawab.
Definisi angka berbeda-beda. Tim sales menghitung omzet dari pesanan, tim keuangan dari invoice. Rapatnya jadi debat angka.
Data dikumpulkan manual setiap kali. Laporan selalu telat dan rawan salah ketik.
Terlalu banyak metrik. Dashboard berisi 40 grafik yang tidak ada satu pun dibaca.

Kalau data Anda tersebar di beberapa aplikasi dan setiap laporan masih dirakit manual, Aqilatic bisa membantu merapikan alurnya, dari penarikan data otomatis sampai dashboard yang benar-benar dipakai. Mulai dengan audit proses gratis, atau lihat dulu layanan kami.

Pertanyaan yang sering muncul

Apa bedanya data analytics dan data science?

Data analytics fokus menjawab pertanyaan bisnis dari data yang ada. Data science lebih luas, termasuk membangun model statistik dan machine learning untuk prediksi. Dalam praktik, keduanya sering tumpang tindih.

Apakah bisnis kecil perlu data analytics?

Perlu, dalam skala yang sesuai. Mengetahui produk paling menguntungkan dan pelanggan yang paling sering telat bayar sudah termasuk data analytics, dan bisa dikerjakan dengan spreadsheet.

Apakah harus bisa coding untuk mulai?

Tidak harus. Excel, Google Sheets, dan tools dashboard sudah cukup untuk memulai. SQL akan sangat membantu saat data mulai besar dan tersebar di beberapa sistem.