TL;DR
Prompt pattern adalah kerangka kalimat yang bisa dipakai ulang buat tugas sejenis. Buat analis data, dua belas pola paling sering kepakai: penerjemah pertanyaan bisnis, penulis query, penjelas query orang lain, pembersih data, pemeriksa asumsi, penantang temuan, penyusun ringkasan eksekutif, pembuat data uji, pengubah rumus antar tool, penulis dokumentasi, perancang skema tabel, dan pemeriksa bias analisis. Kunci semua pola itu sama: kasih konteks skema dan minta format keluaran yang tegas.
Prompt yang jalan buat analis punya bentuk yang berulang. Peran, konteks skema, tugas, batasan, format keluaran.
Begitu kamu hafal bentuknya, kamu berhenti nulis prompt dari nol tiap kali. Tinggal ganti isian.
Dua belas pola di bawah ini yang paling sering aku pakai buat kerjaan analisis harian. Masing-masing ada kerangkanya plus catatan kapan dia gagal.
Sebelum masuk ke dua belas pola, ini strukturnya. Empat bagian, urut.
| Bagian | Isinya | Kalau dilewatin |
|---|---|---|
| Peran dan tujuan | Siapa yang kamu ajak bicara dan hasil akhirnya buat apa | Jawabannya generik, kadang salah tingkat kedalaman |
| Konteks | Skema tabel, contoh baris, dialek SQL, kondisi bisnis | Kolom yang disebut nggak ada di databasemu |
| Tugas dan batasan | Apa yang harus dikerjakan, apa yang nggak boleh | Jawaban melebar ke hal yang nggak kamu minta |
| Format keluaran | Tabel, kode saja, daftar bernomor, panjang maksimal | Kamu ngedit ulang lebih lama dari nulis sendiri |
Bagian konteks yang paling sering dilewatin, dan itu penyebab utama hasil query salah kolom.
Dipakai waktu stakeholder ngasih permintaan yang kabur dan kamu perlu mecahnya jadi pertanyaan yang bisa dijawab data.
Kamu analis data senior. Aku dapat permintaan ini dari tim marketing:
"[tempel permintaan asli apa adanya]"
Data yang aku punya: [daftar tabel dan kolom utama].
Pecah permintaan itu jadi maksimal 4 pertanyaan yang bisa dijawab
langsung dari data. Untuk tiap pertanyaan, sebutkan kolom apa
yang dibutuhkan. Tandai kalau ada bagian permintaan yang datanya
belum tersedia.
Keluaran: tabel 3 kolom (pertanyaan, kolom dibutuhkan, catatan).Kalimat terakhir di badan prompt itu yang paling berharga. Daftar "data belum tersedia" jadi bahan balasan ke peminta sebelum kamu buang waktu ngerjain.
Dialek: PostgreSQL 15.
Skema:
[tempel hasil \d atau CREATE TABLE dari tiap tabel]
Contoh 3 baris tiap tabel:
[tempel]
Tugas: tulis satu query yang menjawab [pertanyaan].
Batasan: jangan pakai CTE bertingkat lebih dari 2 level.
Tambahkan komentar singkat di tiap blok.
Keluaran: hanya blok kode SQL, tanpa penjelasan di luar kode.Sebutin dialeknya. Fungsi tanggal PostgreSQL, MySQL, dan BigQuery beda-beda, dan itu sumber error paling sering waktu query hasil AI ditempel ke editor.
Tiga baris contoh data lebih berguna dari deskripsi panjang. Dari situ ketauan format tanggalnya, apakah kolom kota isinya "Jakarta" atau "DKI JAKARTA", dan apakah ada nilai kosong.
Ini pola yang paling ngirit waktu buat aku. Query warisan 200 baris tanpa komentar dari orang yang udah resign.
Ini query yang aku warisi:
[tempel query]
Jelaskan dalam bahasa Indonesia:
1. Apa pertanyaan bisnis yang dijawab query ini
2. Alur logikanya per blok, urut
3. Asumsi tersembunyi yang bisa bikin hasilnya salah
4. Bagian yang paling mungkin jadi sumber bug
Jangan tulis ulang querynya. Cukup jelaskan.Poin tiga sering ngasih temuan nyata. Filter status != 'batal' yang diam-diam ngebuang baris dengan status NULL, misalnya.
Ini 20 baris contoh dari kolom [nama kolom] yang berantakan:
[tempel 20 nilai apa adanya]
Aku mau nyeragamkan jadi [format tujuan].
Sebutkan dulu semua pola berbeda yang kamu temukan, beserta
jumlahnya. Baru setelah itu tulis aturan pembersihannya
dalam bentuk [SQL / rumus spreadsheet / Python].
Jangan gabungkan pola yang kamu nggak yakin sama.Urutannya penting: minta daftar pola dulu, baru aturan. Kalau langsung minta aturan, kamu nggak tau pola apa yang diam-diam dianggap sama padahal beda.
Buat kerangka pemeriksaannya sendiri, konsep data quality ngasih daftar dimensi yang layak dicek satu per satu.
Aku mau ngitung [metrik] dengan cara ini:
[jelaskan rumus dan logikanya]
Data: [struktur tabel singkat].
Sebutkan asumsi yang aku buat tanpa sadar, dan untuk tiap asumsi
kasih satu query atau pengecekan yang bisa aku jalankan buat
membuktikan asumsi itu benar.
Urutkan dari yang paling berisiko bikin angkanya salah.Contoh temuan yang sering muncul: ngitung pelanggan unik pakai kolom email padahal satu orang bisa punya dua akun, atau nganggap semua transaksi di tabel udah lunas.
Dipakai sebelum kamu presentasi. Tujuannya nyari lubang sebelum orang lain yang nemu.
Temuanku: [tulis kesimpulan dalam 2-3 kalimat].
Dasar datanya: [jelaskan sumber, periode, jumlah baris].
Peranmu: manajer yang skeptis dan paham statistik.
Serang temuan ini. Sebutkan:
1. Penjelasan alternatif untuk pola yang sama
2. Bias pengambilan data yang mungkin ada
3. Pertanyaan yang bakal ditanya di rapat dan aku belum siap jawab
Maksimal 6 poin. Jangan menghibur aku.Kalimat penutup itu perlu. Tanpa itu, jawabannya cenderung ngasih pujian dulu di paragraf pertama.
Ini hasil analisisku:
[tempel temuan lengkap, boleh berantakan]
Pembaca: [jabatan], punya waktu baca 90 detik, nggak paham
istilah teknis.
Tulis ringkasan dengan struktur:
- 1 kalimat kesimpulan utama
- 3 angka pendukung, tulis dalam rupiah kalau memungkinkan
- 1 rekomendasi tindakan dengan tenggat
- 1 kalimat batasan analisis
Maksimal 120 kata. Bahasa Indonesia, tanpa istilah statistik.Bagian "batasan analisis" jangan dihapus. Ringkasan yang nggak nyebut batasan bikin orang ngambil keputusan lebih jauh dari yang datanya sanggup dukung.
Buat 30 baris data sintetis buat tabel ini:
[tempel CREATE TABLE]
Aturan:
- Nama dan kota pakai konteks Indonesia
- Sisipkan 3 baris bermasalah: 1 duplikat, 1 tanggal mundur,
1 nilai kosong di kolom yang harusnya wajib
- Tandai di komentar baris mana yang sengaja bermasalah
Keluaran: INSERT statement saja.Data sintetis kayak gini yang harusnya dipakai buat lingkungan uji coba, bukan salinan data produksi. Lebih cepat dibikin dan nggak bikin masalah kepatuhan.
Rumus Excel ini:
[tempel rumus]
Ubah jadi:
1. Query SQL setara (dialek PostgreSQL)
2. Kode pandas setara
Untuk tiap versi, sebutkan satu perbedaan perilaku yang perlu
aku waspadai, terutama soal nilai kosong dan pembulatan.Poin perbedaan perilaku itu yang bikin pola ini berguna. AVERAGE di Excel ngelewatin sel kosong, sementara perlakuan NULL di SQL punya aturan sendiri. Selisihnya kecil sampai kamu bandingin dua laporan dan angkanya beda.
Ini definisi tabel dan 5 baris contohnya:
[tempel]
Tulis dokumentasi buat analis baru yang isinya:
- Satu kalimat: tabel ini nyimpen apa
- Tabel penjelasan tiap kolom (nama, arti, contoh nilai,
boleh kosong atau nggak)
- Kolom mana yang dipakai buat gabung ke tabel lain
- Jebakan yang perlu diwaspadai
Baris "jebakan" boleh kamu tandai sebagai dugaan kalau kamu
nggak yakin.Instruksi terakhir bikin dugaan dipisahkan dari fakta. Dokumentasi yang nyampur keduanya lebih berbahaya daripada nggak ada dokumentasi.
Aku mau nyimpan data [jelaskan kebutuhan] buat bisnis
[jenis usaha dan skalanya].
Rancang skema tabelnya. Untuk tiap tabel sebutkan kolom,
tipe data, kunci utama, dan kunci asing.
Tambahan:
- Sebutkan pertanyaan bisnis apa saja yang bisa dijawab
- Sebutkan yang nggak bisa dijawab dengan skema ini
- Tandai kolom yang termasuk data pribadi
Keluaran: CREATE TABLE plus tabel penjelasan.Penandaan kolom data pribadi ngebantu kamu mikirin masking sejak awal, bukan setelah tabelnya dipakai enam bulan.
Aku ngebandingin [kelompok A] dan [kelompok B] pada metrik
[metrik]. Cara pembagian kelompoknya: [jelaskan].
Periode data: [rentang]. Jumlah baris tiap kelompok: [angka].
Sebutkan bias yang mungkin ada di perbandingan ini, khususnya:
- Bias seleksi dari cara aku bagi kelompok
- Faktor lain yang mungkin jelasin selisihnya
- Efek musiman di rentang periode itu
Untuk tiap bias, kasih satu cara ngeceknya dari data yang ada.Pola ini paling kepakai sebelum kamu bikin klaim sebab akibat. Kalau analisismu berbentuk uji perbandingan, konsep A/B testing punya daftar jebakan yang lebih lengkap.
Aku pakai dua belas pola ini buat ngerjain satu analisis nyata di dataset toko_berkah, 1.842 pelanggan dan 24.106 baris transaksi.
Yang aku catat: berapa kali putaran bolak-balik sampai hasilnya kepakai tanpa diedit besar.
| Pola | Putaran sampai kepakai | Catatan |
|---|---|---|
| Penulis query SQL | 1 | Kalau skema ditempel lengkap |
| Penulis query SQL | 4 | Kalau skema cuma disebut nama kolomnya |
| Penjelas query | 1 | Paling stabil dari semua pola |
| Pembersih data | 2 | Putaran kedua buat pola yang kelewat |
| Ringkasan eksekutif | 3 | Sering perlu dipangkas panjangnya |
Baris satu dan dua itu perbandingan yang paling jelas. Prompt yang sama persis, bedanya cuma nempel definisi tabel atau nggak. Empat putaran versus satu putaran.
Waktu nempel skema itu 20 detik. Tiga putaran tambahan itu sekitar 6 menit. Perbandingan yang nggak perlu dipikir lama.
Simpan di tempat kamu kerja, bukan di aplikasi catatan terpisah.
Kalau kamu kerja di editor SQL, simpan sebagai snippet dengan awalan p_. Kalau di spreadsheet, satu sheet berisi dua kolom: nama pola dan isi prompt.
Tambahin kolom ketiga: tanggal terakhir dipakai. Pola yang nggak kesentuh tiga bulan biasanya memang nggak kamu butuhin, dan boleh dihapus.
Buat alur kerja yang lebih panjang dan bertahap, pola prompt chaining nyambungin beberapa pola di atas jadi satu rangkaian.
Empat bagian di tiap prompt: peran, konteks, tugas, format keluaran. Yang paling sering dilewatin bagian konteks, dan itu yang paling mahal.
Tiga pola yang paling kepakai harian: penjelas query orang lain, pemeriksa asumsi, dan penyusun ringkasan eksekutif.
Dan semua angka yang keluar dari AI harus kamu hitung ulang sendiri. Pola prompt ngirit waktu nyusun, bukan ngirit waktu verifikasi.
Mau lihat pola dengan contoh isian yang lebih banyak? Coba few-shot prompting untuk analisis data buat kasus yang formatnya harus konsisten.
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.