TL;DR
Business intelligence adalah rangkaian proses dan tool buat ngumpulin data dari berbagai sumber, ngerapiin jadi satu bentuk yang konsisten, lalu nyajiinnya sebagai angka dan grafik yang siap dipakai ambil keputusan. Komponen utamanya ada empat: sumber data, proses ETL, gudang data, dan lapisan penyajian kayak dashboard. Bedanya dari analisis biasa ada di sifatnya yang berulang dan otomatis, bukan sekali jalan.
Business intelligence adalah rangkaian proses dan tool buat ngumpulin data dari macam-macam sumber, ngerapiinnya jadi satu bentuk yang konsisten, lalu nyajiin hasilnya sebagai angka dan grafik yang siap dipakai ambil keputusan.
Singkatannya BI. Kata kuncinya ada di "siap dipakai". Data mentah dari kasir dan marketplace itu belum berguna sampai formatnya disamain dan angkanya bisa dibandingin.
Yang bikin BI beda dari analisis biasa: sifatnya berulang. Laporan yang kamu bikin sekali lalu ditinggal itu analisis. Laporan yang tiap Senin pagi udah terisi sendiri tanpa ada yang nyentuh itu BI.
BI adalah cara perusahaan ngubah data operasional jadi informasi yang bisa dipakai buat keputusan sehari-hari. Prosesnya mencakup pengumpulan data dari sistem yang beda-beda, pembersihan, penyimpanan di satu tempat, dan penyajian lewat dashboard atau laporan berkala.
Istilah ini dipakai buat dua hal sekaligus: prosesnya, dan tool yang dipakai buat ngerjain prosesnya.
Waktu orang bilang "kita lagi bangun BI", biasanya maksudnya bikin alur otomatis dari sumber data sampai dashboard. Waktu orang bilang "tool BI", maksudnya software kayak Power BI, Looker Studio, Tableau, atau Metabase.
Fokusnya di masa lalu dan masa sekarang. Berapa omzet kemarin, cabang mana yang turun, produk mana yang stoknya menipis. Prediksi masa depan biasanya masuk wilayah lain.
Empat lapisan, dari bawah ke atas.
Tempat data lahir. Sistem kasir, aplikasi akuntansi, marketplace, iklan, sampai file Excel yang diisi manual sama admin gudang.
Ini lapisan yang paling sering jadi biang masalah. Nama produk di kasir "Beras Prem 5kg", di file gudang "BERAS PREMIUM 5 KG". Buat manusia jelas sama. Buat komputer itu dua barang beda.
Singkatan dari extract, transform, load. Narik, rapiin, masukin.
Di sini nama produk disamain, format tanggal diseragamin, dan baris duplikat dibuang. Kualitas seluruh BI kamu ditentukan di lapisan ini. Penjelasan lebih lengkap soal tahapannya ada di halaman ETL.
Tempat data yang udah bersih disimpan. Biasanya database yang dirancang khusus buat dibaca cepat, bukan buat nulis cepat.
Strukturnya sering pakai model bintang: satu tabel fakta yang isinya angka transaksi, dikelilingi tabel dimensi yang isinya keterangan kayak nama cabang, kategori produk, dan tanggal.
Dashboard, laporan terjadwal, dan alat eksplorasi buat tim yang mau nanya sendiri.
Ini satu-satunya lapisan yang dilihat orang non teknis. Makanya sering dikira BI itu cuma dashboard. Padahal dashboard itu ujungnya doang.
Urutannya begini di kebanyakan tim:
Langkah keenam yang paling sering dilupain. Dashboard yang rusak itu masih lebih baik daripada dashboard yang jalan tapi angkanya salah, soalnya yang rusak ketahuan.
Setelah gudang datanya jadi, sebagian besar kerjaan harian isinya query kayak ini. Ambil angka dari tabel fakta, gabungin dengan tabel dimensi, lalu kelompokkan.
SELECT
d.bulan,
c.nama_cabang,
SUM(f.total_penjualan) AS omzet,
SUM(f.jumlah_transaksi) AS transaksi,
ROUND(SUM(f.total_penjualan) / NULLIF(SUM(f.jumlah_transaksi), 0), 0) AS nilai_per_transaksi
FROM fakta_penjualan f
JOIN dim_tanggal d ON f.tanggal_id = d.tanggal_id
JOIN dim_cabang c ON f.cabang_id = c.cabang_id
WHERE d.tahun = 2025
GROUP BY d.bulan, c.nama_cabang
ORDER BY d.bulan, omzet DESC;Perhatiin NULLIF di pembagi. Fungsi itu ngubah nol jadi NULL, jadi query-nya nggak error waktu ada cabang yang bulan itu nol transaksi.
Struktur JOIN kayak gini yang bikin model bintang enak dipakai. Angka ada di satu tabel, keterangan ada di tabel lain, dan kamu tinggal nyambungin lewat kolom id.
Toko_berkah punya tiga cabang dan satu toko di marketplace. Sebelum ada BI, laporan bulanan disusun manual: tiga file Excel dari kasir, satu unduhan CSV dari marketplace, digabung tangan tiap awal bulan.
Waktu yang habis buat rekap: sekitar 6 jam per bulan. Dan itu belum termasuk waktu benerin waktu ada yang komplain angkanya beda.
Setelah alur BI-nya jalan, angka November 2025 dari dataset latihan ngulikdata kelihatan begini:
| Cabang | Omzet | Transaksi | Nilai per transaksi |
|---|---|---|---|
| Cabang Pusat | Rp 61.400.000 | 2.140 | Rp 28.692 |
| Cabang Timur | Rp 38.900.000 | 1.618 | Rp 24.042 |
| Cabang Selatan | Rp 27.300.000 | 1.402 | Rp 19.472 |
| Marketplace | Rp 15.900.000 | 389 | Rp 40.874 |
Yang menarik ada di kolom terakhir. Marketplace omzetnya paling kecil, tapi nilai per transaksinya 42 persen lebih tinggi dari cabang pusat.
Angka itu nggak akan kelihatan di laporan lama, soalnya marketplace dulu direkap terpisah dan nggak pernah dibandingin sejajar dengan cabang fisik. Itu contoh nilai konkret dari nyatuin sumber data.
Mulai dari tool, bukan dari pertanyaan. Beli lisensi dulu, mikir mau nampilin apa belakangan. Hasilnya dashboard penuh grafik yang nggak pernah dibuka.
Definisi metrik nggak disepakati. Tim penjualan ngitung omzet sebelum diskon, tim keuangan setelah diskon. Dua-duanya benar, dan dua-duanya bakal berantem tiap rapat. Tulis definisinya di satu dokumen sebelum bikin dashboard.
Nggak ada pengecekan kualitas data. Alur ETL yang gagal setengah jalan bakal ngasih angka yang lebih kecil tanpa peringatan apa pun. Pasang pengecekan sederhana: jumlah baris hari ini nggak boleh turun lebih dari 30 persen dari rata-rata seminggu. Lebih lanjut soal ini ada di data quality.
Dashboard kepenuhan. Dua puluh grafik dalam satu halaman itu tanda nggak ada yang berani milih. Satu halaman, satu pertanyaan, maksimal enam angka.
Panduan resmi soal cara nyusun model data yang rapi ada di dokumentasi Microsoft soal star schema.
Beda di arah pertanyaannya. Business intelligence fokus ke apa yang udah kejadian dan disajikan berulang, misalnya laporan omzet mingguan yang jalan otomatis. Data analytics lebih sering sekali jalan buat jawab pertanyaan spesifik, termasuk yang sifatnya prediksi. Dalam praktik keduanya nyampur. BI nyediain data yang rapi, analytics yang ngulik lebih dalam dari situ.
Perlu kalau kamu udah rutin ngerekap data dari lebih dari satu sumber. Toko dengan satu kasir dan satu file Excel belum butuh. Tapi begitu ada dua cabang, satu marketplace, dan catatan stok terpisah, kamu udah masuk wilayah BI. Nggak harus mahal. Google Sheets plus Looker Studio udah bisa jalan dengan biaya nol rupiah.
ETL singkatan dari extract, transform, load. Extract itu narik data dari sumbernya. Transform itu ngerapiin, misalnya nyamain format tanggal dan nama produk. Load itu masukin hasilnya ke gudang data. Proses ini yang bikin angka dari kasir, marketplace, dan file stok bisa dijumlahin tanpa ketuker. Tanpa ETL, dashboard kamu bakal nampilin angka yang beda tiap sumber.
Looker Studio kalau data kamu ada di Google Sheets atau BigQuery, gratis dan cepat dipelajari. Power BI kalau kantor kamu pakai Microsoft dan datanya di Excel atau SQL Server. Metabase kalau kamu punya database sendiri dan mau tim non teknis bisa nanya sendiri. Pilih yang paling dekat sama tempat data kamu sekarang, bukan yang paling lengkap fiturnya.
Iya, hampir pasti. Semua lapisan BI berhenti di database, dan SQL bahasa yang dipakai buat minta datanya. Kamu nggak perlu jago sampai tuning performa, tapi JOIN, GROUP BY, dan window function dasar itu bekal minimum. Tanpa SQL kamu cuma bisa pakai dashboard yang udah jadi, dan nggak bisa benerin waktu angkanya kelihatan aneh.
Tiga hal yang perlu diinget:
Kalau kamu mau masuk ke bidang ini, mulai dari SQL. Semua lapisan BI berhenti di database, dan SQL yang bikin kamu bisa nyentuh datanya langsung. Latihan querynya bisa kamu kerjain di NgulikSQL.
Lanjut baca: cara bikin dashboard eksekutif buat lapisan penyajiannya, dan query SQL buat cek kualitas data biar angka di dashboard kamu bisa dipercaya.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom waktu isinya angka gede kayak 1704067200 dan bikin bingung? Itu Unix timestamp. Ini cara ngubahnya jadi tanggal beneran di SQL, plus balik lagi.
Data transaksi tersimpan UTC, tapi laporan harus jam WIB. Kalau salah konversi, angka penjualan tengah malam bisa kecatat di tanggal yang salah. Ini cara handle timezone di SQL dengan benar.
Nambah 30 hari ke tanggal invoice, ngurangin sebulan buat cari periode lalu, ngitung selisih hari antar order. Semua itu aritmetika tanggal, dan SQL punya operator INTERVAL buat ngerjainnya.