Belajar BI Analyst - LLM & GenAI untuk BI

#Pendahuluan

Episode 21 membahas AI yang dipasang di dalam tool BI. Episode ini membahas lapisan berikutnya yang lebih dalam: LLM (Large Language Models) dan GenAI — model seperti GPT yang bisa menulis query, merangkum insight, dan bahkan berdialog dengan data kalian. Di 2026, ini bukan lagi percobaan; ini sudah menjadi standar kerja BI.

Mengapa ini penting? Karena text-to-SQL dan data copilots mengubah cara orang berinteraksi dengan data — dari "bermain dengan dashboard" menjadi "bertanya dengan bahasa sehari-hari". Sebagai BI Analyst, kalian harus memahami cara kerja, batasan, dan cara mengamankan teknologi ini agar tidak menjadi sumber angka salah.

#Text-to-SQL: Dari Bahasa ke Query

Text-to-SQL menerjemahkan pertanyaan bahasa alami menjadi query SQL:

Pertanyaan:
"Berapa 3 region dengan revenue tertinggi bulan lalu?"
 
Query yang dihasilkan:
SELECT region, SUM(sales) AS revenue
FROM fact_orders
WHERE DATE_TRUNC('month', order_date) = DATE_TRUNC('month', CURRENT_DATE - INTERVAL '1 month')
GROUP BY region
ORDER BY revenue DESC
LIMIT 3;

Cara kerjanya: LLM menerima skema database + pertanyaan, lalu menghasilkan SQL yang dijalankan di atas data. Kuncinya ada di konteks: LLM tidak melihat data, ia melihat deskripsi skema — sehingga kualitas konteks (schema description, definisi metrik) menentukan kualitas SQL yang dihasilkan.

#Mengapa Semantic Layer Wajib untuk Text-to-SQL

Ini poin paling penting di episode ini: text-to-SQL yang diberi schema mentah akan menghasilkan SQL yang salah konteks. Contoh nyata:

Dengan semantic layer (episode 12), LLM memakai definisi yang sudah divalidasi — bukan menebak. Semantic layer adalah otak text-to-SQL yang aman. Tanpa itu, text-to-SQL hanyalah generator query yang berpotensi salah.

#Risiko: Hallucination dan SQL yang Salah

Bahaya terbesar LLM: hallucination — menghasilkan jawaban yang terdengar meyakinkan tetapi salah. Di konteks SQL, bentuknya:

• Query yang secara sintaks valid tetapi salah logika (mis. lupa filter tanggal).
• Menebak definisi metrik yang tidak sesuai bisnis.
• Merujuk kolom yang tidak ada (terutama jika skema berubah dan konteksnya basi).
• Jawaban terdengar benar tanpa data pendukung.

Mitigasi yang wajib diterapkan:

Aturan praktis: text-to-SQL untuk eksplorasi, bukan untuk keputusan besar tanpa review. Dashboard certified tetap harus tervalidasi oleh BI Analyst.

#Data Copilots dan AI Storytelling

Data copilot adalah asisten AI yang menempel di alur kerja data — ia bisa menjelaskan angka, membantu debug query, dan menyusun narasi. Tiga kemampuan yang paling berguna:

#1. Menjelaskan Dashboard

Pengguna menunjuk satu angka dan bertanya "kenapa ini turun?" — copilot menjawab dengan memeriksa breakdown yang relevan. Ini menurunkan beban BI Analyst untuk pertanyaan penjelasan rutin.

#2. Membantu Menulis Query

BI Analyst bertanya "query untuk melihat churn kohort?" — copilot memberi draft awal yang bisa kalian review dan sesuaikan. Ini menghemat waktu, tetapi review tetap wajib — kalian yang bertanggung jawab atas kebenarannya.

#3. AI Storytelling

Dari data dashboard, AI menyusun draft narasi: "Revenue kuartal ini naik 9% yang didorong region East dan kategori Technology; kategori Furniture turun 7%..." Draft ini kemudian kalian sempurnakan dengan konteks dan rekomendasi. AI memberikan kerangka; kalian memberikan makna.

#Praktik: Workflow Text-to-SQL yang Aman

Bangun workflow text-to-SQL yang aman untuk tim:

Alur aman text-to-SQL:
1. Pertanyaan pengguna masuk (via tool/copilot/chat)
2. LLM menerima: skema + semantic layer + definisi metrik
3. LLM menghasilkan SQL + penjelasan langkah
4. VALIDASI MANUSIA: BI Analyst/analyst review (cepat karena SQL pendek)
   → benar? eksekusi → tampilkan hasil + query
   → salah? perbaiki prompt/konteks → ulang
5. Hasil & query disimpan (audit trail, episode 19)

Dua kebiasaan yang membedakan tim yang sehat dari yang kacau:

1. Setiap jawaban AI selalu menampilkan query SQL-nya — pembaca bisa memeriksa sendiri. "Jawaban tanpa bukti" tidak pernah diterima.
2. Prompt library standar: tulis template prompt yang konsisten (selalu sertakan definisi metrik) sehingga outputnya bisa diprediksi dan di-review.

Untuk latihan, coba workflow ini pada Superstore:

Latihan:
1. Tulis pertanyaan: "Berapa revenue bulan ini vs bulan lalu per region?"
2. Beri LLM konteks skema fact_orders + definisi revenue (episode 12)
3. Minta SQL yang dihasilkan
4. Bandingkan dengan query SQL kalian di episode 4
5. Temukan perbedaannya: logika? filter? definisi? — catat pelajaran

Latihan ini mengajarkan naluri kritis: kalian akan tahu pola di mana LLM sering salah untuk skema kalian — dan bisa menulis konteks yang lebih baik untuk menghindarinya.

#Kesalahan Umum LLM & GenAI di BI

• Text-to-SQL tanpa review: SQL salah lolos ke keputusan besar.
• Tanpa semantic layer: LLM menebak definisi metrik — resep angka tidak konsisten.
• Mempercayai narasi AI tanpa cek: storytelling AI bisa meyakinkan dan salah.
• Skema basi: konteks tidak diperbarui saat pipeline berubah → hallucination.
• Menunjukkan hasil tanpa query/ sumber: tidak ada jejak yang bisa diaudit.

#Penutup

Inti yang harus dibawa pulang:

• Text-to-SQL menerjemahkan bahasa alami jadi SQL; kualitasnya bergantung pada konteks yang diberikan.
• Semantic layer adalah otak text-to-SQL yang aman — tanpa itu, LLM menebak metrik.
• Waspadai hallucination: SQL valid tapi salah logika, definisi meleset, referensi kolom keliru.
• AI menghasilkan, manusia memvalidasi — aturan emas yang tidak bisa ditawar.
• Praktik: workflow text-to-SQL aman dengan review manusia + audit trail untuk Superstore.

Di episode 23 selanjutnya kita akan membahas advanced visualization — custom visualization, embedded analytics, dan interactive storytelling. Dari AI yang menjawab pertanyaan, kita kembali ke seni menampilkan data dengan cara yang paling menarik dan informatif. Pastikan tetap semangat!