Hampir setiap kelas yang saya isi tahun ini memunculkan pertanyaan yang sama. “Kalau sudah ada ChatGPT, masih perlu belajar analisis data?” Jawaban saya selalu sama: perlu, tetapi caranya berubah. AI untuk analisis data memang mempercepat banyak pekerjaan teknis. Namun, AI tidak tahu keputusan apa yang sedang Anda kejar.

Di artikel ini saya membahas AI dari sudut pandang manajer dan tim Business Intelligence. Fokusnya bukan tutorial tool tertentu. Sebaliknya, fokusnya adalah bagian mana yang aman untuk AI, bagian mana yang tetap butuh manusia, dan cara memulainya tanpa membuat data perusahaan bocor.

Apa Itu AI untuk Analisis Data?

Secara sederhana, AI untuk analisis data adalah pemakaian model kecerdasan buatan untuk membantu tahapan analisis. Contohnya membersihkan data, menulis query, mencari pola, sampai merangkum temuan menjadi narasi.

Saat ini bentuk yang paling umum adalah asisten berbasis large language model (LLM). Anda mengetik pertanyaan dalam bahasa sehari-hari. Lalu, AI membalas dengan rumus, kode, grafik, atau ringkasan. Selain itu, banyak tool BI kini menanam fitur serupa langsung di dalam produknya.

Namun, ada satu hal penting. AI bekerja dengan probabilitas, bukan dengan pemahaman bisnis Anda. Karena itu, hasilnya bisa terdengar meyakinkan sekaligus salah.

Di Mana AI Membantu dalam Alur Analisis Data

Saya biasa membagi alur analisis menjadi lima tahap. Gambar berikut menunjukkan tahap mana yang paling terbantu oleh AI.

Alur AI untuk analisis data: lima tahap dari pertanyaan bisnis sampai keputusan
Peran AI di lima tahap analisis. AI paling kuat di tahap persiapan data dan eksplorasi.

1. Menyiapkan dan merapikan data

Tahap ini biasanya menghabiskan waktu paling banyak. Misalnya, format tanggal yang campur aduk, nama cabang dengan lima ejaan berbeda, atau kolom yang kosong. AI bisa menulis draf rumus, skrip, atau langkah pembersihan dalam hitungan detik. Meski begitu, Anda tetap perlu menguji hasilnya pada sampel data.

2. Eksplorasi pola dan anomali

Setelah data rapi, AI membantu mengajukan pertanyaan awal. Contohnya, produk apa yang penjualannya turun tiga bulan berturut-turut? Cabang mana yang angkanya tidak wajar? AI juga bisa mengusulkan jenis grafik yang cocok. Akan tetapi, Anda tetap perlu menyaring usulan itu dengan prinsip visualisasi yang benar.

3. Menulis draf narasi laporan

AI cukup mahir mengubah tabel menjadi paragraf. Fitur ini berguna untuk ringkasan eksekutif atau catatan rapat. Meski begitu, narasi yang baik tetap butuh sudut pandang. Saya pernah menulis tentang pentingnya storytelling dengan data. Prinsip itu tidak berubah walaupun drafnya berasal dari AI.

Batas AI yang Sering Terlupakan

Banyak tim terlalu cepat percaya pada jawaban AI. Padahal, ada beberapa batas yang perlu Anda pahami sejak awal.

  • Halusinasi angka. AI bisa mengarang angka atau rumus yang tampak masuk akal. Karena itu, selalu cocokkan hasilnya dengan data sumber.
  • Tidak paham konteks. AI tidak tahu bahwa bulan lalu ada promo besar atau gudang sempat tutup. Padahal, konteks seperti ini sering menjelaskan lonjakan angka.
  • Definisi metrik berbeda. “Pelanggan aktif” versi tim sales bisa berbeda dengan versi tim finance. AI akan memakai definisi yang paling umum, belum tentu definisi perusahaan Anda.
  • Risiko kerahasiaan. Data pelanggan, gaji, atau kontrak tidak boleh masuk ke tool publik tanpa izin. Selain itu, Indonesia kini punya UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Sebagai rujukan tata kelola, saya menyarankan tim membaca AI Risk Management Framework dari NIST. Kerangka ini membantu tim memetakan risiko AI sebelum masuk ke proses kerja harian.

Tugas yang Cocok untuk AI dan Tugas Milik Manusia

Agar lebih mudah, berikut pembagian kerja yang saya pakai di proyek dan kelas. Prinsipnya sederhana. Serahkan pekerjaan berulang ke AI, tetapi simpan penilaian dan tanggung jawab untuk manusia.

Pembagian tugas AI untuk analisis data dan tugas yang tetap milik manusia
Pekerjaan berulang cocok untuk AI. Penilaian dan tanggung jawab tetap milik manusia.
Tahap Peran AI Peran manusia
Pertanyaan bisnis Memberi ide pertanyaan turunan Menentukan keputusan dan KPI
Persiapan data Menulis draf rumus, SQL, atau skrip Menguji hasil pada sampel
Eksplorasi Mencari pola, outlier, dan tren Menilai apakah pola itu masuk akal
Visualisasi Mengusulkan jenis grafik Memilih grafik yang paling jelas
Laporan Menyusun draf narasi Menambah konteks dan rekomendasi

Perhatikan baris pertama. Pertanyaan bisnis dan KPI tetap menjadi tugas manusia. Jika Anda belum punya KPI yang jelas, mulailah dari cara menentukan KPI untuk dashboard manajemen. Tanpa itu, AI hanya mempercepat analisis ke arah yang salah.

Cara Memulai AI untuk Analisis Data di Tim Anda

Anda tidak perlu langsung membeli platform mahal. Berikut lima langkah yang realistis untuk tim kecil maupun besar.

  1. Pilih satu kasus yang sering berulang. Misalnya, laporan penjualan mingguan atau rekap keluhan pelanggan. Hasil kasus kecil lebih mudah Anda ukur.
  2. Rapikan data sumbernya dulu. AI tidak bisa memperbaiki data berantakan dari akarnya. Jadi, prinsip menyiapkan data sebelum analisis tetap berlaku.
  3. Buat aturan data yang boleh masuk ke AI. Tentukan mana data publik, internal, dan rahasia. Kemudian, tulis aturan ini dalam satu halaman yang mudah tim pahami.
  4. Wajibkan validasi. Setiap angka dari AI harus punya pembanding dari sistem sumber. Contohnya, total penjualan dari ERP atau laporan keuangan resmi.
  5. Ukur waktu yang hemat. Catat jam kerja sebelum dan sesudah memakai AI. Angka ini membantu Anda menilai apakah investasi itu layak Anda lanjutkan.

Contoh Sederhana: Laporan Penjualan Mingguan

Berikut ilustrasi, bukan data klien nyata. Seorang manajer penjualan butuh ringkasan mingguan dari 12 cabang. Sebelumnya, analis menghabiskan setengah hari untuk menyalin data, merapikan, dan menulis komentar.

Dengan AI, analis cukup memasukkan tabel yang sudah bersih ke tool AI resmi perusahaan. Lalu, ia meminta AI menandai cabang dengan penurunan di atas 10% dan menulis draf ringkasan. Setelah itu, analis memeriksa angka, menambah konteks promo, lalu mengirimnya ke manajer.

Dalam ilustrasi ini, waktu kerja bisa turun cukup jauh. Namun, perhatikan bahwa keputusan tetap ada di tangan manajer. AI hanya mempercepat jalan menuju keputusan itu.

Kompetensi yang Tetap Penting di Era AI

AI mengubah cara kerja analis, tetapi tidak menghapus kebutuhan akan dasar-dasarnya. Justru, beberapa kemampuan kini makin bernilai.

  • Merumuskan pertanyaan. Prompt yang baik lahir dari pertanyaan bisnis yang jelas.
  • Literasi data. Anda perlu tahu kapan rata-rata menyesatkan atau kapan sampel terlalu kecil.
  • Visualisasi data. Grafik usulan AI sering ramai dan kurang fokus. Oleh karena itu, kemampuan memilih grafik yang tepat tetap jadi pembeda.
  • Komunikasi. Pada akhirnya, angka harus meyakinkan orang untuk bertindak.

Pertanyaan yang Sering Diajukan

Apakah AI untuk analisis data bisa menggantikan analis?

Tidak sepenuhnya. AI mengambil alih pekerjaan berulang, seperti merapikan data dan menulis draf. Namun, penentuan pertanyaan, validasi, dan keputusan tetap butuh analis yang paham bisnis.

Apakah aman memasukkan data perusahaan ke AI?

Tergantung tool dan kebijakan perusahaan. Pilih versi enterprise atau tool resmi kantor yang menjamin data Anda tidak menjadi bahan pelatihan model. Selain itu, hindari data pribadi dan data rahasia tanpa izin.

Apakah tim kecil perlu tool AI khusus?

Belum tentu. Banyak tim bisa mulai dari asisten AI umum dengan data yang sudah anonim. Setelah manfaatnya terbukti, barulah Anda menimbang tool khusus atau fitur AI di platform BI.

Dari mana sebaiknya manajer mulai belajar?

Mulailah dari dasar literasi data dan KPI. Setelah itu, coba satu kasus nyata di tim Anda dengan aturan validasi yang jelas. Dengan begitu, Anda belajar sambil langsung melihat hasilnya.

Penutup

AI untuk analisis data paling bermanfaat jika tim sudah punya pertanyaan bisnis yang jelas, data yang rapi, dan kebiasaan validasi. Tanpa ketiganya, AI hanya membuat kesalahan lebih cepat.

Jika Anda ingin menyusun strategi BI yang siap memanfaatkan AI, lihat layanan konsultasi Business Intelligence saya. Untuk penguatan kemampuan tim, cek juga topik pelatihan data yang saya bawakan. Silakan hubungi saya untuk diskusi awal.