TL;DR
Prompt AI buat data analyst paling berguna kalau spesifik: kasih konteks data, batasi output, dan minta AI nyebutin asumsi yang dia ambil. Artikel ini punya 15 prompt siap pakai buat tiap tahap kerja, dari eksplorasi sampai presentasi hasil. Tapi ingat, prompt sebagus apapun gak bisa nyelametin data yang kotor.
Prompt AI untuk data analyst yang bagus itu spesifik, bukan sopan. Kamu kasih konteks datanya, batasin apa yang kamu mau, terus minta AI nunjukin asumsi yang dia ambil.
Kebanyakan orang nulis "tolong analisis data ini" terus bingung kenapa hasilnya ngambang. Wajar sih. Prompt kayak gitu gak ngasih AI bahan buat mikir.
Di bawah ada 15 prompt yang aku pisah per tahap kerja: eksplorasi, cleaning, analisis, sama presentasi. Tiap prompt ada teks siap copy, alasan kenapa strukturnya jalan, dan yang paling penting: apa yang wajib kamu cek dari outputnya.
Prompt AI untuk data analyst adalah instruksi yang kamu kasih ke tool kayak ChatGPT atau Claude buat bantu kerjaan data, mulai dari nebak isi kolom sampai nulis query SQL. Prompt yang berstruktur ngasih konteks, batasan, dan format output yang jelas. Makin spesifik instruksinya, makin kecil peluang AI ngarang jawaban.
Pola yang aku pakai di semua prompt di bawah mirip: konteks dulu, tugas yang jelas, terus batasan. Ini juga yang direkomendasiin di panduan prompt engineering OpenAI: kasih konteks yang cukup dan pecah tugas jadi langkah kecil.
Satu hal yang perlu kamu pegang dari awal: prompt di bawah bukan tombol ajaib. Semuanya butuh kamu verifikasi. Makanya tiap prompt aku kasih bagian "Cek dulu".
Tahap eksplorasi itu pas kamu baru kenalan sama dataset dan belum tau isinya. Tujuannya bikin peta: kolomnya apa aja, pertanyaan apa yang bisa dijawab, dan bagian mana yang rawan bermasalah. AI kepake banget di sini buat mempercepat pemahaman awal.
Aku punya dataset penjualan Toko Berkah dengan kolom: tanggal,
id_produk, nama_produk, kategori, qty, harga_satuan, kota.
Sebelum aku analisis, tolong:
1. Tebak arti tiap kolom dan tipe datanya.
2. Sebutin 5 pertanyaan bisnis yang bisa dijawab dari data ini.
3. Tandai kolom mana yang paling rawan kotor.
Jangan bikin query dulu. Aku cuma mau peta datanya.Kenapa jalan: kamu kasih daftar kolom eksplisit, batasi outputnya (jangan query dulu), dan minta peta bukan jawaban akhir. Ini bikin AI fokus.
Cek dulu: cocokin tebakan tipe data ke schema aslimu. AI sering nebak "qty" itu integer padahal di datamu ada nilai desimal atau kosong.
Tujuan bosku: tau produk mana yang bikin margin tipis
di Keripik Juara.
Pecah tujuan ini jadi 5-7 pertanyaan analisis yang lebih
spesifik dan bisa dihitung dari data penjualan plus data biaya.
Urutkan dari yang paling gampang dijawab.Kenapa jalan: tujuan bos biasanya samar. Prompt ini maksa AI nerjemahin jadi pertanyaan yang beneran bisa diukur, lengkap sama urutan prioritas.
Cek dulu: pastiin tiap pertanyaan beneran kejawab pakai kolom yang kamu punya. AI bisa ngasih pertanyaan bagus yang butuh data biaya yang sebenernya gak kamu pegang.
Ini hasil df.describe() dari data transaksi Toko Berkah:
[tempel outputnya di sini]
Baca angkanya dan sebutin 3 hal yang keliatan aneh atau perlu
dicek lebih lanjut. Jelasin kenapa tiap hal itu mencurigakan.Kenapa jalan: kamu kasih data nyata, bukan minta AI ngarang. Batasan "3 hal" bikin jawabannya tajam, gak muter-muter.
Cek dulu: AI cuma lihat angka ringkasan. Kalau dia bilang harga minimum minus itu janggal, kamu tetep harus balik ke data mentah buat mastiin.
Aku mau EDA data pelanggan e-commerce dengan kolom:
id_pelanggan, tanggal_daftar, kota, total_order, total_belanja.
Susun checklist EDA 6 langkah, urut dari cek kualitas data
sampai cari pola. Tiap langkah sebutin 1 grafik atau tabel
yang paling masuk akal.Kenapa jalan: EDA gampang berantakan kalau gak ada urutan. Prompt ini ngasih kerangka biar kamu gak lompat-lompat.
Cek dulu: kerangkanya generik, jadi sesuain sama tujuanmu. Kalau kamu mau tau soal churn, langkah "cari pola" harus ngarah ke situ. Buat teknik query-nya, aku udah bahas terpisah di EDA pakai SQL.
Data mentah hampir selalu kotor: format tanggal beda-beda, nama kota disingkat semaunya, ada nilai kosong di mana-mana. AI bagus buat ngedeteksi pola masalah dan nyusun aturan pembersihan. Tapi keputusan akhir soal cara bersihinnya tetep di tangan kamu.
Ini 20 baris sampel data alamat pelanggan:
[tempel sampelnya]
Sebutin masalah kualitas data yang kamu lihat: format nggak
konsisten, typo, nilai kosong, atau duplikat terselubung.
Kelompokin per jenis masalah.Kenapa jalan: kamu minta AI mengelompokkan, bukan cuma nyebut satu-satu. Hasilnya lebih gampang kamu tindak lanjuti.
Cek dulu: 20 baris sampel gak mewakili sejuta baris. Jangan langsung percaya kalau AI bilang "gak ada duplikat". Itu cuma di sampel yang kamu kasih.
Kolom 'kota' punya nilai campur aduk: "Jakarta", "JKT",
"jakarta ", "DKI Jakarta", "Bandung", "bdg".
Bikin aturan mapping buat nyeragamin jadi nama kota baku.
Tampilin dalam tabel: nilai asli -> nilai baku. Kalau ragu
satu nilai artinya apa, tandai, jangan nebak.Kenapa jalan: instruksi "tandai kalau ragu, jangan nebak" itu kunci. Ini yang bikin AI jujur soal batas pengetahuannya.
Cek dulu: perhatiin nilai yang ditandai ragu. "bdg" mungkin Bandung, tapi bisa juga kode internal lain yang cuma tim kamu yang tau.
Kolom 'umur_pelanggan' kosong di 18% baris. Konteksnya:
kolom ini dipakai buat segmentasi promo.
Kasih 3 opsi cara handle missing value ini, lengkap sama
risiko tiap opsi buat hasil segmentasi. Jangan langsung
nyuruh isi pakai rata-rata.Kenapa jalan: kamu kasih persentase, konteks pemakaian, dan larangan jawaban malas. AI jadi mikirin trade-off, bukan asal isi.
Cek dulu: pilihan terbaik tergantung kenapa datanya kosong. AI gak tau apakah umur kosong karena pelanggan gak isi form atau karena bug sistem. Itu tugasmu.
Aku pakai PostgreSQL. Tabel transaksi punya harga_satuan yang
kadang berisi "Rp15.000" (teks) dan kadang 15000 (angka).
Tulis query buat bersihin kolom ini jadi angka murni.
Kasih komentar per baris kenapa langkahnya perlu.Kenapa jalan: minta komentar per baris bikin kamu bisa ngikutin logikanya, bukan cuma nyalin buta. Ini juga cara belajar sambil kerja.
Cek dulu: test di subset kecil dulu sebelum jalanin ke tabel penuh. Cek edge case kayak "Rp1.500.000" yang punya dua titik. Contoh lengkap cara bersihin data pakai SQL ada di panduan data cleaning SQL.
Ini tahap yang paling sering orang bayangin pas denger "AI buat analisis data". AI bisa nerjemahin pertanyaan bisnis jadi query, jelasin query yang bikin pusing, sampai bantu debug error. Yang gak boleh kamu lakuin: percaya angka hasilnya tanpa jalanin sendiri.
Database: PostgreSQL. Tabel 'penjualan' dengan kolom:
tanggal, kota, kategori, total.
Pertanyaan: kota mana yang penjualan kategori 'minuman'
turun lebih dari 20% dibanding bulan lalu?
Tulis satu query buat jawab ini. Sebutin asumsi yang kamu
ambil soal struktur data.Kenapa jalan: kamu sebut database dan kolomnya, jadi query-nya nyambung sama datamu. Minta AI nyebutin asumsi itu cara ngecek apakah dia salah paham.
Cek dulu: jalanin query-nya di database beneran, bukan cuma dibaca. Cek asumsi yang dia sebut, misalnya dia nganggep "bulan lalu" itu 30 hari padahal maksudmu bulan kalender.
Jelasin query ini baris per baris pakai bahasa yang gampang.
Anggap aku belum ngerti window function:
[tempel query-nya]
Di akhir, sebutin 1 kondisi di mana query ini bisa ngasih
hasil salah.Kenapa jalan: ini pas banget waktu kamu warisan query dari analis sebelumnya. Bagian "kondisi hasil salah" bikin kamu waspada, bukan cuma paham.
Cek dulu: penjelasan AI bisa keliru kalau query-nya pakai fungsi khusus database tertentu. Kalau ragu, buka dokumentasi resminya.
Query ini error: "column reference 'total' is ambiguous".
[tempel query-nya]
Jelasin penyebabnya, kasih versi yang udah dibenerin, dan
sebutin kenapa error ini sering muncul pas pakai JOIN.Kenapa jalan: kamu tempel pesan error asli, jadi AI punya petunjuk konkret. Minta penjelasan "kenapa sering muncul" bikin kamu gak ngulang kesalahan yang sama.
Cek dulu: jalanin versi perbaikannya. Kadang AI benerin error-nya tapi malah ngubah logika query-nya jadi lain.
Ini data penjualan bulanan Toko Berkah sepanjang 2025:
[tempel 12 baris datanya]
Sebutin tren yang keliatan. Terus tantang temuanmu sendiri:
apa penjelasan lain selain yang kamu simpulin? Jangan langsung
yakin ada pola.Kenapa jalan: AI cenderung nemuin "pola" bahkan di angka acak. Nyuruh dia nantang temuannya sendiri itu ngurangin kesimpulan yang dipaksain.
Cek dulu: penjelasan alternatif yang dia kasih belum tentu bener juga. Anggap semuanya sebagai hipotesis yang masih harus kamu buktiin ke data.
Analisis sebagus apapun gak guna kalau bos gak paham. Tahap ini soal nerjemahin angka jadi kalimat yang bisa dicerna orang non-teknis, dan nyiapin diri buat pertanyaan yang bakal dilempar. AI kepake buat ngerapihin bahasa dan mikirin sudut pandang audiens.
Temuan aku: pelanggan yang pertama beli pas ada diskon,
40% lebih jarang beli lagi dalam 3 bulan dibanding yang
beli tanpa diskon.
Tulis ulang jadi 3 kalimat yang gampang dicerna manajer
non-teknis, tanpa istilah statistik. Kasih 1 saran tindakan.Kenapa jalan: kamu kasih temuan jadi, AI tinggal ngerapihin bahasanya. Batasan "tanpa istilah statistik" bikin outputnya cocok buat audiens bisnis.
Cek dulu: angka 40% itu harus dari analisismu. Pastiin AI gak diam-diam ngubah atau ngebuletin angkanya pas nulis ulang.
Aku mau presentasi hasil analisis churn pelanggan ke tim
marketing. Durasi 5 menit, 5 slide.
Susun kerangka slide: judul tiap slide plus 1 poin utama
per slide. Fokus ke keputusan yang bisa mereka ambil,
bukan metodologi.Kenapa jalan: batasan durasi dan jumlah slide bikin kerangkanya realistis. "Fokus ke keputusan" ngarahin isi ke hal yang audiens peduliin.
Cek dulu: kerangka cuma titik awal. Kamu yang tau data pendukung tiap poin, jadi buang slide yang datanya lemah.
Ini kesimpulan analisisku:
[tempel 3 kalimat kesimpulan]
Bikin 5 pertanyaan kritis yang mungkin dilempar bos pas aku
presentasi, plus jawaban singkat yang jujur buat tiap
pertanyaan. Termasuk pertanyaan soal kelemahan datanya.Kenapa jalan: kepikiran pertanyaan sulit sebelum presentasi itu bikin kamu tenang. Minta "kelemahan data" bikin AI gak cuma muji analisismu.
Cek dulu: jawaban yang jujur soal kelemahan data harus datang dari kamu, bukan AI. Dia gak tau seberapa lengkap datamu sebenernya.
Karena AI cuma ngolah apa yang kamu kasih, bukan ngecek kebenarannya. Kalau data penjualannya salah input atau setengah kosong, jawaban AI bakal keliatan rapi tapi tetep salah. Prompt sebagus apapun gak bisa mendeteksi angka yang keliru dari sumbernya. Output cuma sebagus data yang masuk.
Ada tiga hal yang perlu kamu inget tiap kali pakai AI buat data.
Pertama, AI gak bisa lihat data yang gak kamu kasih. Dia gak tau ada satu cabang toko yang lupa lapor bulan lalu. Angka yang keliatan turun bisa jadi cuma data yang belum masuk.
Kedua, AI suka bikin pola yang sebenernya gak ada. Kasih dia 12 angka acak, dia bakal nemu "tren". Makanya prompt nomor 12 tadi maksa dia buat skeptis sama temuannya sendiri.
Ketiga, output yang rapi bikin kamu lengah. Jawaban yang ditulis pede dan terstruktur gampang bikin percaya, walaupun angkanya ngarang. Ini justru risiko paling gede dari AI.
Jadi urutannya bukan prompt dulu baru mikir. Kamu tetep harus paham datamu, baru pakai AI buat mempercepat kerjaan yang mekanis. Prompt bagus itu ngebantu, bukan gantiin kepala kamu.
Gak usah pakai semua 15 sekaligus. Ambil dua atau tiga yang paling nyambung sama kerjaanmu minggu ini, terus modifikasi konteksnya sesuai datamu sendiri.
Kalau kamu mau lihat gimana prompt-prompt ini nyambung jadi satu alur kerja beneran, dari data mentah sampai insight, aku udah tulis panduannya di cara analisa data pakai AI. Mulai dari situ deh.
Dua yang paling sering kepake tiap hari: prompt "kenalan sama dataset baru" buat ngerti data cepet, dan prompt "terjemahin pertanyaan bisnis jadi SQL" buat bikin query. Dua ini nutup dua momen paling bikin macet buat pemula, yaitu bingung datanya apa dan bingung nulis query dari mana.
Belum, dan kayaknya masih lama. AI bagus buat bagian mekanis kayak nulis query, ngerapihin bahasa, atau ngecek error. Tapi mahamin konteks bisnis, milih pertanyaan yang tepat, dan verifikasi hasil itu tetep kerjaan manusia. AI mempercepat analis yang udah ngerti, bukan gantiin yang belum.
Kasih konteks konkret: nama kolom, tipe database, dan tujuan analisisnya. Batasi outputnya biar fokus, misalnya "sebutin 3 hal" bukan "jelasin semuanya". Minta AI nyebutin asumsi yang dia ambil. Terakhir, selalu jalanin dan verifikasi hasilnya sebelum dipakai. Akurasi datang dari verifikasi, bukan dari prompt yang panjang.
Dari yang aku pakai, ChatGPT, Claude, sama Gemini mirip-mirip buat tugas data umum kayak nulis query atau ngejelasin konsep. Bedanya lebih kerasa di cara kamu nge-prompt daripada di tool-nya. Pilih satu, kuasain cara kasih konteksnya, terus konsisten. Itu lebih ngefek daripada gonta-ganti tool.
Hati-hati. Jangan tempel data pribadi pelanggan, angka rahasia, atau apapun yang perusahaan larang keluar. Kalau mau minta bantuan struktur query, cukup kasih nama kolom dan sampel dummy, bukan data asli. Cek juga kebijakan data di kantormu sebelum nempel apapun. Kalau ragu, anggap semua yang kamu ketik bisa kesimpan.
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.