Perusahaan bisa memiliki ribuan bahkan jutaan baris data transaksi, tetapi banyaknya data tidak otomatis membuat pertanyaan bisnis lebih mudah dijawab.
Ketika revenue turun, misalnya, manajemen tidak hanya ingin mengetahui bahwa terjadi penurunan. Pertanyaan berikutnya jauh lebih penting: wilayah mana yang memberikan kontribusi terbesar? Produk apa yang mengalami perubahan? Apakah penurunan berasal dari volume transaksi, average order value, margin, atau kombinasi beberapa faktor?
Generative AI mulai membuat proses eksplorasi seperti ini lebih mudah dilakukan dengan bahasa sehari-hari. Pengguna tidak selalu harus memulai dengan formula, SQL query, atau serangkaian pivot table untuk mengajukan pertanyaan terhadap data.
Namun, ada perbedaan besar antara menggunakan AI untuk menghasilkan jawaban dan menggunakan AI untuk melakukan analisis yang dapat dipertanggungjawabkan.
Untuk penggunaan di perusahaan, pendekatannya sebaiknya tidak dimulai dengan pertanyaan:
“Apa insight dari data ini?”
Ada beberapa langkah yang perlu dilakukan terlebih dahulu.
Sebelum meminta AI mencari penyebab kenaikan atau penurunan performa, mulai dengan memahami dataset yang digunakan.
Misalnya, sebuah tim sales memiliki dataset dengan kolom:
Date | Region | Product | Revenue | Quantity | Margin | Customer Segment
Daripada langsung meminta analisis performa, gunakan AI untuk memeriksa kualitas datanya terlebih dahulu.
Contoh instruksi:
“Sebelum menganalisis performa, periksa dataset ini untuk menemukan missing values, duplicate records, inconsistent categories, dan transaksi tidak biasa yang berpotensi memengaruhi hasil analisis.”
Langkah sederhana ini penting karena kesalahan kecil pada data dapat menghasilkan kesimpulan yang terlihat masuk akal, padahal dasarnya tidak tepat.
Dokumentasi OpenAI untuk data analysis juga merekomendasikan penggunaan data terstruktur dengan nama kolom yang jelas dan satu record per baris. ChatGPT dapat digunakan untuk memeriksa tren, outlier, melakukan perhitungan, transformasi data, hingga analisis statistik berbasis Python.
Artinya, penggunaan AI untuk data analysis sebaiknya dimulai dari data inspection, bukan langsung menuju business conclusion.
Setelah kondisi data cukup dipahami, tahap berikutnya adalah menentukan apa yang sebenarnya ingin diketahui.
Instruksi seperti:
“Analyze this sales data.”
memang dapat menghasilkan jawaban, tetapi ruang interpretasinya terlalu luas.
Bandingkan dengan:
“Bandingkan performa Q1 dan Q2. Identifikasi region dan produk yang memberikan kontribusi terbesar terhadap penurunan revenue, kemudian periksa apakah perubahan tersebut terutama berasal dari transaction volume, average order value, atau margin.”
Perbedaannya bukan sekadar prompt yang lebih panjang.
Instruksi kedua memberikan AI sebuah business question yang harus diinvestigasi.
Untuk perusahaan, ini jauh lebih berguna karena analisis data hampir selalu berhubungan dengan keputusan tertentu. Tim finance mungkin ingin memahami perubahan margin. Tim operations ingin mencari bottleneck. Tim sales ingin mengetahui penyebab perubahan performance per region.
AI perlu mengetahui pertanyaan bisnis tersebut agar analisisnya memiliki arah.
Kesalahan lain yang cukup umum adalah meminta AI menemukan semua insight sekaligus.
Untuk investigasi yang lebih mudah diverifikasi, pecah pertanyaan menjadi beberapa langkah.
Jika revenue Q2 turun, misalnya:
Pertama, region mana yang mengalami perubahan terbesar?
Kedua, produk mana yang memberikan kontribusi terbesar terhadap perubahan tersebut?
Ketiga, apakah jumlah transaksi berubah?
Keempat, bagaimana perubahan average order value?
Kelima, apakah margin mengalami pola yang berbeda?
Setelah itu, baru minta AI menghubungkan beberapa temuan tersebut.
Cara ini membuat proses analisis lebih transparan. Jika kesimpulan akhirnya terlihat tidak masuk akal, analyst dapat kembali ke langkah sebelumnya dan melihat di mana asumsi atau interpretasinya mulai berubah.
AI kemudian bukan hanya menjadi alat untuk menghasilkan summary, tetapi membantu mempersempit area yang perlu diinvestigasi lebih lanjut.
Ini mungkin bagian terpenting dari workflow.
Ketika AI mengatakan:
“Penurunan revenue terutama disebabkan oleh Region A.”
jawaban tersebut belum cukup.
Pertanyaan berikutnya seharusnya:
“Tunjukkan perhitungan yang mendukung kesimpulan tersebut.”
Lanjutkan dengan meminta:
Jika analisis menggunakan Python atau code-generated analysis, output tersebut juga sebaiknya diperiksa.
OpenAI secara eksplisit menyarankan pengguna untuk meninjau generated code, output, dan assumptions sebelum mengandalkan hasil analisis. Dokumentasinya juga mencatat bahwa metode analisis atau chart yang dipilih AI pada percobaan pertama belum tentu sesuai dengan tujuan pengguna.
Karena itu, pendekatan yang lebih aman adalah memperlakukan output pertama AI sebagai working hypothesis, bukan final conclusion.
Penggunaan conversational AI untuk analisis data bukan lagi sekadar eksperimen individual.
PDI Technologies, perusahaan teknologi yang melayani lebih dari 200.000 pelanggan di 60 negara, sebelumnya menggunakan berbagai sistem dan spreadsheet untuk menyusun operational reporting.
Dalam salah satu proses sales reporting mereka, AWS melaporkan bahwa implementasi Amazon Quick Sight mengurangi waktu reporting dari lebih dari 10 jam menjadi hitungan menit. PDI juga melaporkan peningkatan efficiency sebesar 83% pada proses operational reporting tersebut.
Di atas data yang sama, tim mereka kemudian dapat menggunakan kemampuan AI seperti natural-language querying, anomaly detection, dan automated forecasting.
Kasus lain datang dari Availity, sebuah health information network di Amerika Serikat.
Availity menggunakan Amazon Q in QuickSight agar pengguna dapat melakukan eksplorasi terhadap enterprise dataset menggunakan natural-language questions. Dataset yang mereka gunakan mencapai sekitar dua triliun baris, dan menurut AWS, pengguna dapat mengeksplorasi data tersebut dalam hitungan detik tanpa selalu bergantung pada data analyst untuk setiap pertanyaan.
Kedua kasus tersebut tentu tidak berarti setiap perusahaan akan mendapatkan angka efficiency yang sama.
Namun, keduanya menunjukkan pola yang menarik.
AI dapat mengurangi sebagian friction antara business question dan data exploration.
Sebelumnya, pertanyaan sederhana dari manajemen mungkin harus melalui beberapa tahap: permintaan ke analyst, pembuatan query, pengolahan data, pembuatan report, kemudian interpretasi.
Conversational analytics dapat memperpendek sebagian proses tersebut, terutama ketika pengguna ingin melakukan initial exploration atau mempersempit area yang perlu dianalisis lebih dalam.
Nilai AI dalam data analysis bukan berarti perusahaan dapat menyerahkan seluruh proses pengambilan keputusan kepada model.
AI cukup baik digunakan untuk membantu:
Prepare → Explore → Compare → Investigate
Tetapi manusia tetap dibutuhkan untuk:
Validate → Interpret → Decide
AI mungkin dapat menemukan bahwa penjualan sebuah produk turun 20 persen.
Tetapi AI belum tentu mengetahui bahwa produk tersebut sedang mengalami supply shortage, perubahan pricing strategy, campaign yang dihentikan, perubahan regulasi, atau keputusan bisnis lain yang tidak tercatat di dataset.
Data menjelaskan apa yang terjadi.
Konteks bisnis membantu menjelaskan mengapa hal tersebut terjadi.
Karena itu, penggunaan AI yang lebih matang bukan tentang menggantikan proses analisis. Tujuannya adalah membuat proses investigasi menjadi lebih cepat dan membantu analyst sampai ke pertanyaan yang tepat lebih awal.
Jika ingin mulai menggunakan AI untuk menganalisis business data, jangan mulai dengan meminta AI:
“Find insights.”
Gunakan alur yang lebih terstruktur:
1. Inspect the data
Pastikan kondisi dataset dipahami terlebih dahulu.
2. Define the business question
Tentukan keputusan atau masalah apa yang ingin diinvestigasi.
3. Break the problem down
Uji satu faktor demi satu faktor.
4. Ask for evidence
Periksa calculation, supporting data, dan assumptions.
5. Validate before deciding
Gunakan business context dan human judgement sebelum menjadikan output sebagai dasar keputusan.
AI dapat memperpendek jarak antara data dan kemungkinan jawaban.
Tetapi untuk penggunaan enterprise, proses validasi tetap tidak boleh dipersingkat.