Roadmap Business Intelligence: Jalur Karir yang Sering Dilewatkan

Business Intelligence adalah kerjaan ngubah data mentah perusahaan jadi dashboard dan laporan yang dipakai orang buat ambil keputusan. Bukan riset, bukan model machine learning — output-nya angka yang bisa dipercaya dan gampang dibaca.

Yang aneh, jalur ini jarang dilirik. Semua orang yang mau switch career ngincer posisi "Data Analyst" atau "Data Scientist", padahal lowongan BI di Indonesia sama banyaknya dengan pelamar yang jauh lebih sedikit.

Di bawah ini roadmap 5 tahap yang bisa kamu ikutin dari nol, plus contoh query dan portfolio yang bikin lamaran kamu dilihat.

Apa itu Business Intelligence?

Business Intelligence (BI) adalah proses ngumpulin data dari berbagai sistem perusahaan, ngerapiin jadi satu struktur yang konsisten, lalu nyajiin lewat dashboard dan laporan supaya tim bisnis bisa ambil keputusan tanpa nanya ke tim data tiap hari.

Contoh nyatanya gini. Manajer toko mau tau omzet mingguan per kota. Tanpa BI, dia WA kamu tiap Senin pagi. Dengan BI, dia buka dashboard sendiri dan angkanya udah update.

Kerjaan BI itu ngebangun "sendiri" yang tadi. Kamu bikin tabel ringkasan, bikin definisi metrik yang disepakati, terus bikin dashboard di atasnya.

Kenapa jalur BI sering dilewatkan?

Soalnya namanya kurang seksi. "Data Scientist" kedengeran keren, "BI Analyst" kedengeran kayak staf laporan.

Padahal kalau kamu buka lowongan di JobStreet atau LinkedIn Indonesia, judul BI Analyst, BI Developer, sampai Analytics Engineer nongol terus. Perusahaan retail, bank, dan e-commerce butuh orang yang bisa bikin angka mereka rapi — dan itu kerjaan yang nggak akan habis.

Efek sampingnya bagus buat kamu: saingan lebih sepi. Banyak pelamar yang stuck di tutorial machine learning dan nggak pernah nyentuh data modeling sama sekali.

Tahap 1: SQL sampai kamu nggak googling lagi

Ini nggak bisa dilewatin. 90% kerjaan BI harian itu nulis SQL.

Yang harus lancar: SELECT, WHERE, GROUP BY, semua jenis JOIN, subquery, CTE, dan window function kayak ROW_NUMBER() sama SUM() OVER (...).

Patokan gampangnya: kamu dianggap siap kalau bisa nulis query kayak ini tanpa buka contekan.

SELECT
    DATE_TRUNC('month', tanggal) AS bulan,
    kategori,
    SUM(total_harga) AS omzet,
    COUNT(DISTINCT id_transaksi) AS jml_transaksi,
    SUM(total_harga) / COUNT(DISTINCT id_transaksi) AS rata_rata_belanja
FROM transaksi t
JOIN produk p ON p.id_produk = t.id_produk
WHERE tanggal >= '2026-01-01'
GROUP BY 1, 2
ORDER BY bulan, omzet DESC;

Hasilnya: omzet, jumlah transaksi, dan rata-rata belanja per kategori tiap bulan. Ini query paling sering diminta di kerjaan BI beneran.

Kalau DATE_TRUNC masih asing, mampir dulu ke fungsi DATE_TRUNC. Buat window function, ada penjelasan lengkap di artikel window function SQL.

Target waktu: 8 minggu, latihan 4 hari seminggu, 45 menit sekali duduk.

Tahap 2: Data modeling — bagian yang paling sering diskip

Di sinilah BI beda dari data analyst biasa. Kamu nggak cuma query data, kamu nyusun strukturnya.

Konsep yang wajib kamu pahami:

• Fact table — tabel kejadian, misal tiap baris = satu transaksi.
• Dimension table — tabel konteks, misal daftar produk, daftar pelanggan, daftar kota.
• Star schema — satu fact table di tengah, dikelilingi dimension table. Ini struktur yang bikin dashboard kamu nggak lemot.
• Grain — satu baris di tabel kamu mewakili apa. Salah nentuin grain = angka dobel.

Praktiknya, kamu bikin tabel ringkasan (biasa disebut data mart) yang jadi sumber dashboard.

CREATE TABLE mart_penjualan_harian AS
SELECT
    t.tanggal,
    c.kota,
    p.kategori,
    SUM(t.total_harga) AS omzet,
    COUNT(DISTINCT t.id_transaksi) AS jml_transaksi,
    COUNT(DISTINCT t.id_pelanggan) AS pelanggan_unik
FROM transaksi t
JOIN produk p ON p.id_produk = t.id_produk
JOIN pelanggan c ON c.id_pelanggan = t.id_pelanggan
GROUP BY 1, 2, 3;

Dashboard yang nembak langsung ke tabel transaksi mentah bakal lambat begitu datanya jutaan baris. Yang nembak ke mart_penjualan_harian tetap ngebut.

Target waktu: 6 minggu.

Tahap 3: Kuasai satu tool dashboard sampai dalam

Jangan belajar tiga tool sekaligus. Pilih satu, pakai sampai bosan.

Tool	Biaya	Paling banyak dipakai di	Cocok kalau
Looker Studio	Gratis	Startup, UMKM, agency	Kamu lagi mulai dan butuh portfolio cepat
Power BI	Sekitar Rp150 ribu/user/bulan	Bank, BUMN, korporat besar	Kamu ngincer perusahaan besar
Tableau	Mahal, lisensi enterprise	Multinasional	Kantormu udah punya lisensinya
Metabase	Gratis (open source)	Startup tech	Tim engineering-nya suka self-host

Saranku: mulai Looker Studio karena gratis dan langsung nyambung ke Google Sheets. Habis punya 2 dashboard, baru pindah ke Power BI biar lolos filter HR di perusahaan gede.

Yang bikin dashboard kamu dianggap bagus bukan jumlah chart-nya. Tapi apakah orang yang buka bisa langsung tau harus ngapain.

Tahap 4: Ngerti metrik bisnis, bukan cuma rumusnya

Ini yang misahin BI Analyst yang dipercaya sama yang cuma disuruh-suruh.

Metrik yang harus kamu paham artinya, bukan cuma cara ngitungnya:

• AOV (average order value) — rata-rata belanja per transaksi.
• Retention rate — berapa persen pelanggan bulan lalu yang balik belanja bulan ini.
• Gross margin — omzet dikurangi harga pokok, dibagi omzet.
• Churn — pelanggan yang berhenti belanja.

Bedanya kelihatan pas meeting. Kalau omzet naik tapi AOV turun, kamu harus bisa bilang: "Transaksinya nambah tapi orang belanjanya lebih kecil-kecil. Kemungkinan gara-gara diskon kemarin."

Itu kalimat yang bikin kamu dianggap partner, bukan tukang tarik data.

Tahap 5: Portfolio 3 dashboard yang selesai

Tiga yang selesai lebih berharga dari sepuluh yang setengah jadi.

1. Dashboard penjualan — tren omzet, breakdown per kategori dan kota, top 10 produk.
2. Dashboard operasional — misal funnel dari kunjungan sampai transaksi, atau performa stok.
3. Dashboard data publik — pakai data BPS biar keliatan kamu bisa kerja sama data yang berantakan dari dunia nyata.

Tiap dashboard kasih catatan singkat: pertanyaan bisnisnya apa, query SQL-nya gimana, dan keputusan apa yang bisa diambil dari situ. Recruiter baca catatan itu lebih lama dari dashboard-nya sendiri.

Contoh kasus: dashboard toko_berkah

Aku pakai dataset toko_berkah dari ngulikdata — 3 cabang UMKM retail dengan 18.400 transaksi sepanjang 2025.

Waktu datanya diringkas jadi mart_penjualan_harian dan dipasang di dashboard, ada satu pola yang nggak keliatan pas datanya masih mentah:

• Cabang Bandung omzetnya paling kecil (Rp412 juta setahun) tapi AOV-nya paling tinggi: Rp87.500 per transaksi, versus Rp61.200 di cabang Bekasi.
• Penyebabnya kategori "perlengkapan dapur" yang cuma 9% dari jumlah transaksi tapi nyumbang 24% omzet cabang itu.
• Kalau cabang Bekasi ikutan nambah stok kategori itu, potensi tambahan omzetnya sekitar Rp70 juta per tahun.

Insight kayak gini nggak muncul dari chart cantik. Muncul dari tabel ringkasan yang grain-nya bener dan metrik yang kamu ngerti artinya.

Ini juga jawaban buat pertanyaan "portfolio-ku isinya apa?" — bukan dashboard, tapi temuan.

Kesalahan umum di roadmap BI

Loncat ke tool dashboard sebelum SQL kuat. Hasilnya kamu bisa drag-drop chart tapi bengong pas diminta gabungin 3 tabel. Ini paling sering aku lihat.

Bikin dashboard dengan 15 chart. Makin banyak chart, makin sedikit yang dibaca. Empat chart yang jawab satu pertanyaan lebih dipakai.

Nggak pernah nyoba data kotor. Data latihan di kursus itu udah rapi. Data kantor nggak. Latihan pakai data BPS atau export mentah dari kasir, biar kamu kenal rasanya tanggal ditulis 5 format berbeda.

Nggak nyimpen dokumentasi metrik. Kalau "pelanggan aktif" artinya beda antara kamu dan tim marketing, dashboard kamu bakal dianggap salah. Tulis definisinya, sepakati.

FAQ

Apa bedanya Business Intelligence sama data analyst?

BI fokus ke sistem pelaporan yang jalan terus-menerus: bikin tabel ringkasan, dashboard, dan definisi metrik yang dipakai satu perusahaan. Data analyst lebih sering jawab pertanyaan sekali jalan. Skill dasarnya mirip, sama-sama butuh SQL kuat. Bedanya BI dituntut mikirin data yang rapi dan konsisten dipakai orang lain.

Berapa lama belajar Business Intelligence dari nol?

Kalau konsisten 8-10 jam per minggu, 6 sampai 9 bulan cukup buat sampai level entry-level. Rinciannya: 2 bulan SQL, 2 bulan data modeling, 2 bulan satu tool dashboard, sisanya buat 3 proyek portfolio. Yang bikin lama biasanya bukan materinya, tapi berhenti di tengah jalan.

Tool BI mana yang paling worth dipelajari di Indonesia?

Looker Studio dulu, soalnya gratis dan banyak diminta startup sampai UMKM. Habis itu Power BI, yang paling banyak dipakai bank dan BUMN. Tableau tetap kepakai tapi lisensinya mahal. Kuasai satu sampai dalam, jangan setengah-setengah di tiga tool.

Perlu bisa Python buat jadi BI Analyst?

Buat entry-level, nggak wajib. SQL plus satu tool dashboard udah cukup lolos screening kebanyakan lowongan BI Analyst di Indonesia. Python jadi nilai tambah kalau kamu mau naik ke BI Engineer atau Analytics Engineer.

Gaji BI Analyst di Indonesia berapa?

Dari lowongan yang aku pantau sepanjang 2026, entry-level BI Analyst di Jakarta biasanya di kisaran Rp7-11 juta per bulan. Yang udah 3 tahun pengalaman dan bisa data modeling bisa nembus Rp18-25 juta. Angka ini beda-beda tergantung industri — fintech dan e-commerce biasanya di atas retail.

Mulai dari mana hari ini

Tiga hal yang perlu kamu inget dari roadmap ini:

• SQL dulu sampai lancar, baru tool dashboard. Urutan ini nggak bisa dibalik.
• Data modeling adalah tahap yang bikin kamu beda dari pelamar lain — dan itu tahap yang paling sering diskip.
• Portfolio kamu dinilai dari temuan, bukan dari jumlah chart.

Kalau SQL kamu masih goyang, mulai latihan di NgulikSQL — bisa langsung nulis query di browser tanpa install apa-apa.

Habis itu lanjut baca cara bikin dashboard Looker Studio buat proyek portfolio pertamamu.