Belajar BI Analyst - Advanced Analytics BI (Basic ML)

#Pendahuluan

Sejauh ini dashboard kalian menjawab "apa yang terjadi". Episode ini membuka babak baru: apa yang akan terjadi? — forecast, clustering, dan anomaly detection. Ini batas tipis antara BI (menjelaskan masa lalu) dan data science (memprediksi masa depan), dan BI Analyst 2026 diharapkan menguasai dasar-dasarnya.

Mengapa penting? Karena stakeholder tidak hanya bertanya "berapa revenue kemarin", tetapi juga "berapa proyeksi bulan depan" dan "kenapa angka ini tidak wajar". Kalian tidak perlu membangun model deep learning — cukup memahami kapan tool BI sudah cukup, kapan butuh data scientist, dan bagaimana menyajikan hasil analitik dengan jujur.

#Kapan Analitik Lanjutan Diperlukan

Dasar keputusannya adalah pertanyaan bisnis:

Aturan praktis: kalau tekniknya bisa dijelaskan dengan satu rumus dan visual sederhana, kerjakan di BI. Kalau butuh pipeline model, tuning hyperparameter, dan evaluasi statistik, libatkan data scientist — peran kalian adalah penerjemah bisnis.

#Forecast dengan Time Series

Forecast paling sering diminta: proyeksi penjualan. Konsepnya sederhana — temukan pola historis (tren + musiman) lalu lanjutkan ke masa depan. Di tool BI, Power BI dan Tableau punya fitur forecast bawaan yang cocok untuk pola sederhana.

Di Power BI, klik kanan pada visual line chart → Forecast. Parameter yang perlu dipahami:

Di Tableau, buka tab Analytics → seret Forecast ke visual. Tableau memilih model secara otomatis (exponential smoothing) dan menampilkan area confidence.

Namun kalian wajib memahami batasnya: forecast hanya valid jika pola historis berlanjut. Saat ada promo besar atau kebijakan baru, forecast otomatis bisa menyesatkan — kalian yang menilai konteksnya.

#Forecast dengan SQL: Moving Average

Sebelum bergantung pada fitur otomatis, pahami fondasi matematisnya — forecast sederhana bisa dihitung di SQL:

WITH monthly AS (
    SELECT DATE_TRUNC('month', order_date) AS month, SUM(sales) AS revenue
    FROM fact_orders
    GROUP BY 1
),
smoothed AS (
    SELECT
        month,
        revenue,
        AVG(revenue) OVER (ORDER BY month ROWS BETWEEN 3 PRECEDING AND 1 PRECEDING) AS forecast_next
    FROM monthly
)
SELECT
    month,
    revenue,
    ROUND(forecast_next, 2) AS forecast
FROM smoothed
ORDER BY month;

Ini bukan model mewah — tetapi kalian paham persis apa yang dihitung, bisa menjelaskannya ke stakeholder, dan cukup akurat untuk pola stabil. Pemahaman ini yang membedakan kalian dari sekadar "klik tombol forecast".

#Clustering: Segmentasi Pelanggan

Clustering mengelompokkan pelanggan berdasarkan kesamaan perilaku — misalnya memisahkan pelanggan bernilai tinggi dari pelanggan yang mulai hengkang. Konsep kunci: setiap pelanggan adalah titik di ruang multi-dimensi (revenue, frequency, recency), lalu di kelompokkan.

Algoritma paling populer: K-Means — mengelompokkan titik ke K kelompok berdasarkan jarak ke centroid.

RFM Segments (untuk Superstore):
- Champion   : frekuensi tinggi + nilai tinggi + baru-baru ini belanja
- Loyal      : frekuensi tinggi + nilai sedang
- At Risk    : nilai pernah tinggi, lama tidak belanja
- New        : baru belanja pertama
- Lost       : lama tidak belanja

Dua pertanyaan yang harus kalian jawab sebelum clustering: berapa K? (jumlah segmen), dan apakah segmennya bermakna bisnis? (bisa ditindaklanjuti atau hanya artefak statistik?). Clustering di tool BI umumnya dilakukan dengan Python/R yang terhubung — misalnya Power BI dengan Python visual atau Tableau dengan integrasi TabPy. Di sini kalian berkolaborasi dengan data scientist.

#Anomaly Detection: Menemukan Hal yang Tidak Wajar

Anomaly detection menjawab: "angka ini menyimpang dari pola normal, kenapa?" Pendekatan paling sederhana yang bisa dijalankan di BI: batas statistik — nilai di luar beberapa standar deviasi dari rata-rata bergulir.

WITH daily AS (
    SELECT order_date::date AS d, SUM(sales) AS revenue
    FROM fact_orders
    GROUP BY 1
)
SELECT
    d,
    revenue,
    ROUND(AVG(revenue) OVER (ORDER BY d ROWS BETWEEN 14 PRECEDING AND 1 PRECEDING), 2) AS rolling_avg,
    ROUND(STDDEV(revenue) OVER (ORDER BY d ROWS BETWEEN 14 PRECEDING AND 1 PRECEDING), 2) AS rolling_std,
    CASE WHEN revenue > AVG(revenue) OVER (ORDER BY d ROWS BETWEEN 14 PRECEDING AND 1 PRECEDING)
               + 2 * STDDEV(revenue) OVER (ORDER BY d ROWS BETWEEN 14 PRECEDING AND 1 PRECEDING)
         THEN 'ANOMALI TINGGI'
         WHEN revenue < AVG(revenue) OVER (ORDER BY d ROWS BETWEEN 14 PRECEDING AND 1 PRECEDING)
               - 2 * STDDEV(revenue) OVER (ORDER BY d ROWS BETWEEN 14 PRECEDING AND 1 PRECEDING)
         THEN 'ANOMALI RENDAH'
         ELSE 'NORMAL' END AS flag
FROM daily
ORDER BY d DESC;

Hasil query ini bisa ditampilkan sebagai kolom status di dashboard — atau disorot otomatis dengan warna. Ingat: deteksi anomali menemukan penyimpangan, bukan penyebab — tugas kalian tetap menggali "kenapa" setelah anomaly terdeteksi.

#Praktik: Forecast Report Superstore

Bangun forecast report untuk Superstore:

Layout "Revenue Forecast":
[KPI: Revenue aktual] [KPI: Forecast 3 bulan] [KPI: Margin of error]
 
Baris 2: Line chart 24 bulan historis + forecast 6 bulan ke depan (dengan band confidence)
Baris 3: Bar chart per region (aktual vs forecast) | Table per bulan aktual vs forecast vs deviasi

Aturan penyajian:

1. Bedakan aktual vs forecast dengan visual yang jelas (garis penuh vs putus-putus) — jangan menipu pembaca.
2. Tampilkan band confidence — forecast tanpa rentang keyakinan adalah janji yang berlebihan.
3. Selalu tulis asumsi: "forecast mengabaikan promo Q4" — konteks menentukan kepercayaan.
4. Saat aktual menyimpang dari forecast, jadikan bahan analisis, bukan kesalahan.

#Kesalahan Umum Advanced Analytics di BI

• Mempercayai forecast buta: model otomatis tidak tahu promo, regulasi, atau krisis — kalian yang harus menilai konteks.
• Tanpa band confidence: forecast tunggal memberi rasa pasti yang palsu.
• Clustering tanpa makna bisnis: segmen yang tidak bisa ditindaklanjuti hanya membuang waktu.
• Menganggap anomaly = error: lonjakan bisa jadi promo sukses — selidiki dulu.
• Melompat ke model kompleks: mulai dari moving average yang bisa dijelaskan, baru ke model canggih jika perlu.

#Penutup

Inti yang harus dibawa pulang:

• Advanced analytics menjawab "apa yang akan terjadi" — batas BI dan data science.
• Forecast: tool BI punya bawaan; pahami asumsinya dan selalu tampilkan band confidence.
• Clustering: segmen RFM yang bermakna bisnis; kolaborasi dengan data scientist untuk kasus kompleks.
• Anomaly detection: batas ±2 std dev bisa dijalankan di SQL dan disorot di dashboard.
• Praktik: forecast report Superstore dengan pemisahan jelas aktual vs prediksi.

Di episode 16 selanjutnya kita akan membahas real-time BI & streaming — dashboard live, KPI real-time, dan kapan real-time benar-benar layak digunakan. Dari forecast yang melihat masa depan, kita kembali ke detak jantung operasi hari ini. Pastikan tetap semangat!