TL;DR
AI paling kepakai buat merapikan data marketplace di tiga pekerjaan: nyamain nama produk yang ditulis beda-beda, nerjemahin nama kolom antar marketplace jadi satu format, dan bikin rumus atau kode pembersih yang bisa diulang. Yang nggak boleh diserahin ke AI adalah menghitung angka dan menebak data yang hilang. Di uji coba 1.847 SKU, penyamaan nama produk pakai AI akurat 94,2%, dan sisanya tetap harus dicek manual.
Satu produk yang sama ditulis Minyak Goreng Sania 2L di Shopee, MINYAK GORENG SANIA 2 LITER di Tokopedia, dan Sania Minyak Goreng 2Lt (Promo) di TikTok Shop.
Waktu tiga laporan itu digabung, satu produk jadi tiga baris. Total penjualannya kelihatan tersebar, dan produk terlaris kamu nggak muncul di 10 besar.
Merapikan 1.847 SKU manual itu kerjaan dua hari. Pakai AI, bagian penyamaan namanya selesai 40 menit, dengan akurasi 94,2%. Sisa 5,8% tetap harus dicek tangan, dan bagian itu yang paling nentuin.
AI bagus di pekerjaan yang butuh ngenalin pola bahasa dan bikin aturan. AI jelek di pekerjaan yang butuh ketepatan angka.
| Pekerjaan | Kasih ke AI? | Alasan |
|---|---|---|
| Nyamain nama produk yang ditulis beda-beda | Ya | Ini pekerjaan bahasa, dan AI kuat di situ |
| Nyocokin nama kolom antar marketplace | Ya | Pola nama kolom gampang dikenali |
| Bikin rumus atau kode pembersih | Ya | Hasilnya bisa kamu baca dan uji sendiri |
| Nebak kategori produk dari namanya | Ya, dengan pemeriksaan | Akurat buat produk umum, meleset buat merek lokal |
| Ngitung total penjualan | Nggak | Model bahasa nggak dirancang buat ngitung |
| Ngisi stok yang kosong | Nggak | Tebakan yang masuk laporan kelihatan sama kayak data asli |
| Mutusin baris mana yang duplikat lalu langsung hapus | Nggak | Kamu kehilangan jejak apa yang dibuang |
Aturan yang aku pegang: AI boleh bikin aturannya, spreadsheet yang jalanin. Begitu AI mulai ngeluarin angka hasil hitungan, berhenti.
Jangan tempel seluruh file. Ambil daftar nama unik dulu.
Di spreadsheet, satu rumus:
=UNIQUE(A2:A5000)Dari 5.000 baris transaksi, biasanya keluar 300 sampai 2.000 nama unik. Itu yang dikirim ke AI, bukan 5.000 barisnya.
Prompt yang kepakai:
Aku punya daftar nama produk dari 3 marketplace.
Satu produk sering ditulis beda-beda.
Tugas kamu: kelompokkan nama yang merujuk ke produk yang sama,
lalu kasih satu nama baku per kelompok.
Aturan nama baku:
- Format: [Merek] [Jenis Produk] [Ukuran][Satuan]
- Satuan volume selalu "ml" atau "L", huruf kecil untuk ml
- Hilangkan kata promo, diskon, gratis ongkir, bonus
- Jangan gabungkan produk yang ukurannya beda
- Kalau ragu, tulis nama baku "PERLU_CEK" dan jelaskan kenapa
Keluarkan tabel 3 kolom: nama_asli | nama_baku | catatan
Jangan tambahkan produk yang tidak ada di daftarku.
Daftar:
[tempel daftar nama unik di sini]Empat bagian yang bikin prompt ini jalan:
Hasilnya kamu tempel balik ke sheet kamus_produk, lalu sambungin ke data transaksi pakai XLOOKUP:
=IFERROR(XLOOKUP(A2; kamus_produk!A:A; kamus_produk!B:B); "BELUM_ADA")Bungkus IFERROR dengan teks BELUM_ADA, bukan teks kosong. Nama produk baru bulan depan bakal langsung kelihatan, dan kamu tahu kamus produknya perlu ditambah.
Tiap marketplace punya nama kolom sendiri buat hal yang sama. Ini yang bikin penggabungan laporan makan waktu.
| Kolom baku | Marketplace A | Marketplace B | Marketplace C |
|---|---|---|---|
| order_id | No. Pesanan | Order ID | Nomor Order |
| tanggal | Waktu Pesanan Dibuat | Tgl Order | Order Time |
| nama_produk | Nama Produk | Product Name | Nama Barang |
| qty | Jumlah | Quantity | Qty |
| harga_satuan | Harga Awal | Unit Price | Harga Produk |
| total_bayar | Total Pembayaran | Grand Total | Total Bayar |
Kirim daftar nama kolom dari tiap file ke AI, minta dia bikin tabel pemetaan kayak di atas. Ini kerjaan 3 menit yang biasanya makan 30 menit kalau dibaca satu-satu.
Yang perlu kamu periksa sendiri: kolom yang namanya mirip tapi artinya beda. Total Pembayaran di satu marketplace udah termasuk ongkir, di marketplace lain belum. AI nggak bisa tahu itu dari nama kolomnya doang.
Cek dengan cara paling cepat: ambil 5 baris dari tiap file, hitung manual apakah harga_satuan × qty sama dengan total_bayar. Kalau nggak sama, cari tahu selisihnya dari mana sebelum digabung.
Ini perbedaan yang paling ngefek ke jangka panjang.
Kalau kamu minta hasil jadi, kamu harus ngulang seluruh prosesnya bulan depan. Kalau kamu minta rumusnya, kamu tinggal jalanin ulang.
Contoh prompt buat format tanggal yang berantakan:
Kolom tanggal di file aku isinya campur 3 format:
"2025-11-04 14:23:11"
"04/11/2025 14:23"
"4 Nov 2025"
Bikinin satu rumus Google Sheets yang ngubah semuanya
jadi tanggal asli (bukan teks), format YYYY-MM-DD.
Kalau ada yang nggak kebaca, hasilnya harus "CEK".
Jelaskan tiap bagian rumusnya dalam satu kalimat.Dua permintaan terakhir penting. Penanda CEK bikin baris bermasalah kelihatan, bukan diam-diam salah. Penjelasan per bagian bikin kamu bisa benerin sendiri waktu ada format keempat muncul.
Setelah dapat rumusnya, uji di 20 baris yang kamu pilih sendiri. Masukin sengaja: satu sel kosong, satu tanggal 31 Februari, satu teks acak. Rumus yang bener bakal ngeluarin CEK di tiga baris itu.
Cara nulis rumus tanggal versi manual, kalau kamu mau paham dasarnya, ada di penjelasan TEXT dan TODAY.
Data latihan toko UMKM: 3 file ekspor, total 14.208 baris transaksi selama 3 bulan, 1.847 nama produk unik.
Aku jalanin proses di atas, lalu cek hasilnya baris per baris buat tahu seberapa akurat.
| Hasil | Jumlah | Persentase |
|---|---|---|
| Dikelompokkan benar | 1.740 | 94,2% |
| Ditandai PERLU_CEK sama AI | 68 | 3,7% |
| Salah kelompok tanpa ditandai | 39 | 2,1% |
Yang 2,1% itu bagian paling penting dari seluruh angka di tabel ini. Tiga puluh sembilan produk dikelompokkan salah, dan AI-nya nggak ngerasa ragu sama sekali.
Pola kesalahannya kelihatan setelah aku urutkan:
Sabun Cair 250ml dan Sabun Cair 250ml Refill dianggap sama, padahal harganya beda Rp 4.000.Kopi Kapal Api Special dan Kopi Kapal Api Special Mix.Ketiganya punya ciri sama: nama produknya beda cuma satu kata di belakang. Setelah tahu polanya, aku bikin pemeriksaan yang nangkap semuanya dalam satu rumus:
=COUNTIFS(kamus_produk!B:B; B2) & " nama asli, " &
COUNTIFS(hasil!B:B; B2; hasil!C:C; "<>" & C2) & " harga beda"Produk yang punya banyak nama asli tapi harga satuannya beda-beda hampir pasti salah kelompok. Pemeriksaan ini nangkap 37 dari 39 kesalahan.
Setelah semuanya rapi, ada satu angka yang berubah total. Sebelum penyamaan nama, produk terlaris kelihatan kopi sachet dengan 412 transaksi. Setelah disamakan, minyak goreng naik ke posisi pertama dengan 731 transaksi, dari 6 penulisan nama yang tadinya terpisah.
Produk nomor satu selama tiga bulan nggak pernah muncul di laporan, cuma gara-gara namanya ditulis enam cara.
PERLU_CEK justru yang paling aman, soalnya kamu bakal periksa. Yang bahaya baris yang dijawab dengan yakin tapi salah.Merapikan data kayak gini bagian dari kerjaan jaga kualitas data yang biasanya nggak kelihatan sampai laporannya salah.
Jangan. Model bahasa itu bagus nyusun teks dan nebak pola, bukan ngitung. Pakai AI buat bikin rumus atau query-nya, lalu biarkan spreadsheet atau database yang ngitung. Kalau kamu nempel 2.000 baris ke chat dan minta totalnya, angkanya bisa keluar dan kelihatan meyakinkan padahal salah, dan kamu nggak punya cara ngeceknya.
Cek kebijakan perusahaan kamu dulu, dan hapus kolom yang berisi data pribadi pembeli. Nama, nomor telepon, dan alamat pengiriman nggak perlu ada buat nyamain nama produk. Kalau tetap ragu, kirim contoh 30 baris yang udah disamarkan buat bikin aturannya, lalu jalanin aturan itu di file lengkap secara lokal.
Minta AI keluarin tabel dua kolom: nama asli dan nama baku. Lalu urutkan berdasarkan nama baku dan lihat kelompoknya. Kesalahan biasanya numpuk di produk yang varian ukurannya mirip, misalnya 500 ml dan 5 liter. Cek juga jumlah nama baku yang muncul cuma sekali, karena itu biasanya tanda ada yang gagal disamain.
Minta rumus atau kodenya. Rumus bisa kamu baca, kamu uji di 20 baris, dan kamu jalanin ulang bulan depan tanpa nempel data lagi. Hasil rapi yang dikeluarkan langsung sama AI cuma sekali pakai, dan kamu nggak bisa tahu baris mana yang diam-diam diubah isinya.
Bisa nebak, dan itu masalahnya. Angka tebakan yang masuk ke laporan stok kelihatan sama persis kayak angka asli. Kalau ada sel kosong, biarkan kosong dan tandai. Keputusan mau diisi berapa itu keputusan bisnis yang harus diambil orang, lengkap dengan catatan bahwa angkanya perkiraan.
Tiga hal yang bikin AI kepakai di sini: kirim daftar nilai unik bukan seluruh file, minta rumus bukan hasil jadi, dan sediakan opsi PERLU_CEK biar AI punya jalan keluar selain nebak.
Kalau kamu mulai minggu ini, ambil satu kolom paling berantakan di file kamu, keluarin nilai uniknya pakai UNIQUE, dan mulai dari situ.
Mau ngasah rumus XLOOKUP dan IFERROR yang jadi tulang punggung proses ini? Coba latihan interaktif di NgulikSheet. Setelah datanya rapi, langkah berikutnya biasanya nebak kebutuhan stok, dan caranya ada di panduan peramalan permintaan stok di Excel.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Tools AI bisa bikin chart dan ringkas data dalam hitungan detik. Jadi Python masih perlu dipelajari analis di 2026? Jawabannya iya, tapi alasannya udah beda dari 3 tahun lalu.
Aku tes forecasting AI di data penjualan 4 cabang toko grosir. Hasilnya lebih akurat dari tebakan manual, tapi meleset parah di satu titik yang mahal.
Cara ngolah ribuan review pelanggan jadi insight pakai AI, dari nyusun prompt yang konsisten, ngasih label, sampai ngubah hasilnya jadi rekomendasi yang bisa dieksekusi.