Prompt Engineering untuk Analisa Data Bisnis: Cara Bertanya ke AI yang Benar

"Analisa data ini."

Tiga kata itu adalah prompt paling sering dipakai pemilik bisnis ketika pertama kali mencoba AI tools. Dan hasilnya? Analisa yang terlalu umum, tidak relevan, dan tidak bisa ditindaklanjuti.

Masalahnya bukan di AI-nya. Masalahnya di cara Anda bertanya. AI adalah alat yang sangat powerful, tapi kualitas output-nya 100% tergantung pada kualitas instruksi yang Anda berikan. Prompt yang tepat menghasilkan insight bisnis yang tajam. Prompt yang asal-asalan menghasilkan teks generik yang tidak ada bedanya dengan Google.

Artikel ini akan mengajarkan Anda framework dan template prompt yang sudah teruji untuk analisa data bisnis. Pastikan Anda sudah memahami dasar manajemen keuangan untuk founder agar bisa menyusun prompt yang benar-benar relevan dengan kebutuhan bisnis Anda.

Framework CTFC: Struktur Prompt yang Efektif

CTFC adalah singkatan dari Context, Task, Format, Constraint. Ini framework sederhana yang memastikan prompt Anda selalu lengkap dan menghasilkan output yang sesuai harapan.

Context: Siapa Anda dan Apa Bisnis Anda

Bagian ini menjawab pertanyaan "siapa yang bertanya?" AI tidak tahu apa-apa tentang bisnis Anda kecuali Anda kasih tahu. Semakin spesifik konteks, semakin relevan insight-nya.

Contoh context yang baik: "Bisnis saya adalah toko online fashion wanita, berjalan 2 tahun, omzet rata-rata Rp200 juta per bulan, 3 orang tim, marketplace utama di Shopee dan Tokopedia."

Contoh context yang buruk: "Saya punya bisnis online." Terlalu vague. AI tidak tahu skala bisnis, jenis produk, atau channel penjualan Anda.

Task: Apa yang Mau Anda Ketahui

Ini inti dari prompt. Apa pertanyaan spesifik yang ingin dijawab? Semakin spesifik task, semakin actionable hasilnya.

Contoh task yang baik: "Identifikasi tren revenue per minggu selama 3 bulan terakhir, cari tahu produk mana yang konsisten naik dan mana yang menurun."

Contoh task yang buruk: "Analisa data penjualan saya." Terlalu luas. AI tidak tahu harus fokus ke aspek mana.

Format: Bagaimana Output yang Anda Mau

Tentukan bentuk output yang Anda harapkan. Tabel? Chart? Paragraf naratif? Bullet points? Kalau tidak ditentukan, AI akan memilih format sendiri, yang belum tentu sesuai kebutuhan Anda.

Contoh format yang baik: "Tampilkan dalam tabel dengan kolom: nama produk, revenue bulan ini, revenue bulan lalu, persentase perubahan. Lalu buat line chart untuk tren mingguan."

Constraint: Batasan dan Preferensi

Batasan membantu AI menyesuaikan output dengan kebutuhan spesifik Anda. Bahasa, periode waktu, metrik tertentu, atau hal yang harus dihindari.

Contoh constraint: "Bahasa Indonesia, fokus 3 bulan terakhir saja, jangan include data dari marketplace lain, highlight hanya produk dengan revenue di atas Rp5 juta."

Contoh CTFC Lengkap

Berikut satu prompt yang menggunakan framework CTFC secara utuh:

"Context: Bisnis saya F&B, 3 outlet di Jakarta, omzet Rp200 juta per bulan, data dari POS system.

Task: Analisa tren penjualan 3 bulan terakhir. Identifikasi: (1) tren revenue per minggu, (2) top 10 menu by revenue dan by margin, (3) hari apa penjualan tertinggi per outlet, (4) menu yang declining.

Format: Tabel untuk ranking produk, line chart untuk tren mingguan, bar chart untuk perbandingan antar outlet.

Constraint: Bahasa Indonesia, fokus 3 bulan terakhir, pisahkan analisa per outlet."

Bandingkan dengan prompt tanpa framework: "Tolong analisa data penjualan resto saya." Perbedaan kualitas output-nya sangat signifikan.

Good vs Bad Prompts: Perbandingan Nyata

Mari lihat beberapa contoh perbandingan prompt yang buruk vs yang baik untuk kebutuhan analisa data bisnis.

Contoh 1: Revenue Analysis

Bad: "Gimana revenue saya?"

Output: AI akan menjumlahkan total revenue dan memberikan angka. Selesai. Tidak ada insight.

Good: "Dari data penjualan 3 bulan ini, hitung: (1) total revenue per bulan, (2) growth rate bulan ke bulan, (3) revenue per minggu dalam line chart, (4) hari dengan revenue tertinggi dan terendah. Highlight minggu yang growth-nya di atas 10% atau turun lebih dari 10%."

Output: Tabel perbandingan bulanan, chart tren mingguan, dan insight tentang pola yang tidak biasa. Jauh lebih actionable.

Contoh 2: Product Performance

Bad: "Produk mana yang laris?"

Output: Daftar produk terurut by quantity. Informasi minimal.

Good: "Ranking produk berdasarkan dua kriteria: (1) by total revenue, (2) by gross margin (revenue minus HPP). Tampilkan top 10 untuk masing-masing. Highlight produk yang masuk top 10 revenue tapi tidak masuk top 10 margin, yaitu yang laris tapi margin-nya tipis. Sertakan rekomendasi: produk mana yang harus diprioritaskan promosi."

Output: Dua tabel ranking, analisa cross-reference, dan rekomendasi strategis. Anda bisa langsung ambil keputusan dari output ini.

Contoh 3: Seasonal Pattern

Bad: "Ada pola musiman tidak?"

Output: Jawaban generik tentang kemungkinan pola musiman.

Good: "Analisa pola penjualan berdasarkan: (1) hari dalam seminggu (Senin-Minggu), (2) minggu dalam bulan (minggu 1-4), (3) tanggal gajian (25-30 dan 1-5). Apakah ada spike di hari tertentu? Apakah minggu pertama konsisten lebih tinggi dari minggu keempat? Tampilkan dalam heatmap kalau memungkinkan."

Output: Analisa granular yang mengungkap kapan pelanggan Anda paling aktif belanja. Data ini langsung bisa dipakai untuk planning promo dan stok.

6 Template Prompt Siap Pakai

Berikut enam template yang sudah teruji dan bisa langsung Anda gunakan. Sesuaikan bagian dalam kurung siku dengan data bisnis Anda.

Template 1: Revenue Analysis

"Dari data penjualan [periode], analisa revenue bisnis saya:

1. Total revenue per [minggu/bulan] dalam tabel dan line chart.
2. Growth rate periode ke periode.
3. Breakdown revenue per [kategori/channel/outlet].
4. Hari dan jam dengan revenue tertinggi.
5. Anomali: periode yang revenue-nya menyimpang lebih dari 20% dari rata-rata. Bahasa Indonesia. Sertakan 3 insight utama dan 2 rekomendasi aksi."

Template 2: Product Performance

"Ranking produk dari data [periode] ini:

1. Top 15 produk by revenue, tampilkan: nama, quantity, revenue, kontribusi persen terhadap total.
2. Top 15 produk by margin (kalau data HPP tersedia).
3. Produk declining: yang turun lebih dari [20%] vs periode sebelumnya.
4. Produk rising: yang naik lebih dari [20%].
5. Rekomendasi: produk mana yang harus di-push promosinya dan mana yang harus dievaluasi. Format tabel, bahasa Indonesia."

Template 3: Customer Segmentation (RFM)

"Dari data transaksi ini, lakukan segmentasi customer RFM:

• Recency: kapan terakhir beli (dalam hari).
• Frequency: berapa kali beli dalam [3 bulan].
• Monetary: total belanja dalam [3 bulan]. Bagi jadi 4 segmen: Champions (R tinggi, F tinggi, M tinggi), Loyal Customers (F tinggi), At Risk (R rendah, F dulu tinggi), dan Lost (R sangat rendah). Tampilkan jumlah customer per segmen, rata-rata monetary per segmen, dan rekomendasi aksi untuk setiap segmen."

Template RFM ini sejalan dengan pendekatan growth metrics yang wajib di-track untuk memahami perilaku pelanggan secara lebih terukur.

Template 4: Seasonal Pattern

"Identifikasi pola musiman dari data [6-12 bulan] ini:

1. Pola harian: hari apa penjualan tertinggi (Senin-Minggu)?
2. Pola mingguan: minggu ke berapa dalam bulan yang paling tinggi?
3. Pola event: apakah ada spike di tanggal gajian (25-5), tanggal kembar (11.11, 12.12), atau hari libur?
4. Tampilkan heatmap hari vs minggu kalau memungkinkan.
5. Rekomendasi timing untuk promo dan restock. Bahasa Indonesia."

Template 5: Cost Structure Analysis

"Analisa struktur biaya dari data [periode] ini:

1. Breakdown biaya per kategori: HPP, operasional, marketing, gaji, sewa, lainnya.
2. Persentase setiap kategori terhadap total revenue.
3. Tren biaya per bulan: kategori mana yang naik paling cepat?
4. Benchmark: apakah proporsi biaya masih sehat? (HPP idealnya 30-50%, marketing 10-20% tergantung industri).
5. Rekomendasi efisiensi: 3 area di mana biaya bisa ditekan. Tampilkan pie chart untuk komposisi dan line chart untuk tren. Bahasa Indonesia."

Memahami KPI bisnis akan membantu Anda menentukan threshold mana yang "sehat" dan mana yang perlu perhatian saat menganalisa cost structure.

Template 6: Operational Efficiency

"Dari data operasional ini, ukur efisiensi:

1. Average order processing time (kalau data timestamp tersedia).
2. Revenue per employee (kalau data tim tersedia).
3. Inventory turnover: berapa kali stok berputar per bulan.
4. Cost per acquisition: total marketing spend dibagi jumlah customer baru.
5. Bandingkan metrik bulan ini vs bulan lalu.
6. Highlight 3 area yang paling perlu improvement. Tabel perbandingan, bahasa Indonesia."

Kesalahan Umum dalam Prompt Engineering

Ada beberapa kesalahan yang sering dilakukan pemilik bisnis saat menyusun prompt untuk analisa data.

Prompt Terlalu Panjang dalam Satu Kali

Anda ingin analisa revenue, produk, customer, seasonal, biaya, dan efisiensi sekaligus dalam satu prompt. Hasilnya: output yang dangkal di semua aspek.

Solusi: pecah jadi beberapa prompt berurutan. Mulai dari yang paling penting, lalu drill down satu per satu. AI bekerja lebih baik ketika fokus pada satu area per prompt.

Tidak Specify Format Output

Kalau Anda tidak bilang mau tabel, chart, atau narasi, AI akan memilih sendiri. Kadang bagus, kadang tidak sesuai kebutuhan. Selalu tentukan format di prompt Anda.

Lupa Kasih Konteks Bisnis

"Analisa data ini" tanpa konteks berarti AI tidak tahu apakah bisnis Anda F&B, fashion, atau jasa. Insight yang diberikan jadi generik. Luangkan 1-2 kalimat untuk menjelaskan bisnis Anda di awal prompt.

Tidak Minta Verifikasi

Ini kesalahan paling berbahaya. AI bisa salah hitung. Selalu tambahkan "tunjukkan cara hitungnya" atau "sertakan formula yang dipakai" di prompt Anda. Dengan begitu, Anda bisa verifikasi angka-angka kritis sebelum dijadikan dasar keputusan.

Tidak Iterasi

Prompt pertama jarang sempurna. Itu normal. Yang penting, Anda iterasi. "Drill down ke produk kategori fashion saja" atau "Fokuskan ke data bulan November" adalah contoh iterasi yang efektif. Jangan expect output sempurna dari prompt pertama.

Tips Lanjutan untuk Prompt yang Lebih Tajam

Beberapa teknik yang bisa meningkatkan kualitas output analisa data Anda secara signifikan.

Berikan benchmark. Alih-alih minta AI bilang "bagus" atau "jelek," berikan angka pembanding. "Growth rate di atas 10% itu bagus, di bawah 5% itu mengkhawatirkan." Ini membantu AI memberikan penilaian yang lebih konkret.

Minta prioritas. Tambahkan "urutkan rekomendasi dari yang paling impactful" atau "highlight 3 insight yang paling penting untuk diketahui founder." Ini mencegah output yang terlalu panjang dan tidak fokus.

Gunakan role. "Anda adalah CFO berpengalaman yang sedang review data bisnis UKM." Role membantu AI menyesuaikan depth dan perspektif analisa-nya.

Chain prompt. Prompt pertama: overview. Prompt kedua: drill down ke area yang menarik. Prompt ketiga: rekomendasi aksi spesifik. Pendekatan bertahap ini menghasilkan analisa yang jauh lebih mendalam.

Memahami cara baca laporan keuangan UKM secara mendasar akan membuat Anda lebih percaya diri menyusun prompt yang tepat dan mengevaluasi apakah output AI-nya masuk akal.

Prompt Engineering Works Best dengan Fondasi Data

Prompt yang paling canggih sekalipun tidak bisa mengompensasi data yang berantakan atau pemahaman bisnis yang dangkal. Anda perlu tahu metrik apa yang penting, kenapa itu penting, dan keputusan apa yang ingin diinformasikan oleh data.

Butuh bantuan mengintegrasikan AI ke workflow bisnis Anda? Tim AI engineer Founderplus bisa bantu upskill karyawan dan bikin proses bisnis Anda makin efisien. Ngobrol dulu di founderplus.id untuk eksplorasi kebutuhan Anda.

FAQ

Apa itu prompt engineering dan kenapa penting untuk analisa data?

Prompt engineering adalah seni menyusun instruksi yang tepat untuk AI agar menghasilkan output yang sesuai kebutuhan. Untuk analisa data, prompt yang baik menghasilkan insight yang akurat dan actionable. Prompt yang buruk menghasilkan output yang terlalu umum atau bahkan salah. Perbedaannya seperti bertanya "gimana bisnis saya?" vs "berapa growth rate revenue bulanan Q3 vs Q2?"

Apakah prompt engineering sama untuk semua AI tools?

Prinsip dasarnya sama: berikan konteks, spesifik, dan tentukan format output. Tapi setiap AI punya kekuatan berbeda. Claude lebih kuat di analisa naratif dan reasoning panjang. ChatGPT unggul di code execution. Gemini terintegrasi dengan Google Workspace. Sesuaikan prompt dengan kemampuan tool yang Anda pakai.

Berapa panjang prompt yang ideal untuk analisa data?

Tidak ada angka pasti, tapi pedomannya: cukup detail untuk menghilangkan ambiguitas, tapi tidak terlalu panjang sampai membingungkan. Untuk analisa data, prompt 3-8 kalimat biasanya sudah cukup. Kalau kebutuhan sangat kompleks, lebih baik dipecah jadi beberapa prompt berurutan daripada satu prompt panjang.

Bagaimana kalau hasil AI tidak sesuai harapan?

Iterasi adalah kunci. Jangan buang prompt lama dan mulai dari nol. Tambahkan klarifikasi: "yang saya maksud bukan X, tapi Y" atau "fokuskan pada kolom A dan B saja." Biasanya 2-3 iterasi sudah cukup untuk mendapatkan output yang tepat. Kalau masih tidak sesuai, periksa apakah data Anda sudah cukup bersih.

Apakah saya perlu belajar Python atau SQL untuk prompt engineering data?

Tidak. Prompt engineering untuk analisa data bisa dilakukan sepenuhnya dalam bahasa Indonesia natural. Anda tidak perlu tahu coding. Yang Anda butuhkan adalah pemahaman tentang data bisnis Anda sendiri: metrik apa yang penting, apa yang mau diukur, dan keputusan apa yang ingin diinformasikan oleh data.