Prompt Pattern untuk Analis Data: 12 Pola yang Terbukti Berguna

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.

Kerangka dasar yang dipakai semua pola

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.

1. Penerjemah pertanyaan bisnis

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.

2. Penulis query SQL

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.

3. Penjelas query orang lain

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.

4. Pembersih data

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.

5. Pemeriksa asumsi

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.

6. Penantang temuan

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.

7. Penyusun ringkasan eksekutif

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.

8. Pembuat data uji

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.

9. Pengubah rumus antar tool

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.

10. Penulis dokumentasi tabel

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.

11. Perancang skema tabel

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.

12. Pemeriksa bias analisis

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.

Contoh kasus: uji 12 pola ini di toko_berkah

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.

Kesalahan umum waktu pakai prompt pattern

1. Nggak nempel skema. Penyebab nomor satu query hasil AI nyebut kolom yang nggak ada.
2. Nggak nyebut dialek SQL. Query jalan di contoh, error di databasemu gara-gara fungsi tanggal beda.
3. Nerima angka mentah-mentah. AI bisa ngarang angka riset dan sitasi. Angka apa pun harus kamu hitung ulang dari datamu sendiri.
4. Nempel data pelanggan asli. Nama, nomor HP, dan NIK jangan pernah ditempel ke layanan yang nggak dikontrak perusahaan.
5. Prompt kepanjangan tanpa format keluaran. Konteks 500 kata tanpa instruksi format bikin kamu ngedit hasilnya lebih lama dari nulis sendiri.
6. Nggak nyimpen pola yang berhasil. Prompt bagus yang cuma ada di riwayat chat sama saja nggak punya.

Cara nyimpen koleksi pola ini

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.

Ringkasnya

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.