Bab 15: BI Tools dari Nol (Koneksi Data, Dimension vs Measure)

Apa Itu BI Tool dan Kenapa Dibutuhkan

BI (Business Intelligence) Tool adalah aplikasi khusus yang dirancang untuk menghubungkan, mengolah, dan memvisualisasikan data dalam bentuk dashboard interaktif, dengan kemampuan yang jauh lebih besar dibanding Pivot Table pada Spreadsheet yang sudah kamu pelajari di Bab 8. Contoh BI Tool yang populer dan akan kamu pakai dalam program ini adalah Looker Studio (sebelumnya bernama Google Data Studio) dan Tableau.

Pertanyaan yang wajar muncul adalah, jika Pivot Table pada Spreadsheet sudah bisa membuat dashboard dengan Pivot Chart dan Slicer seperti yang dipelajari di Bab 8, kenapa masih perlu mempelajari BI Tool terpisah. Jawabannya berkaitan dengan skala dan tujuan penggunaan. Spreadsheet dengan Pivot Table sangat cocok untuk analisis cepat dan dashboard sederhana dengan data berukuran kecil hingga menengah, namun memiliki keterbatasan ketika data yang perlu dihubungkan berasal dari banyak sumber sekaligus, ukurannya sangat besar, atau dashboard tersebut perlu diakses dan diperbarui secara berkelanjutan oleh banyak orang dengan tampilan yang lebih profesional. BI Tool dirancang khusus untuk menjawab kebutuhan seperti ini, dengan kemampuan menghubungkan berbagai sumber data sekaligus, memproses data dalam skala jauh lebih besar, dan menghasilkan dashboard dengan tampilan yang lebih matang untuk kebutuhan presentasi kepada eksekutif maupun stakeholder eksternal.

Live Connection vs Extract: Dua Cara Menghubungkan Data

Sebelum mulai membangun dashboard apa pun, langkah pertama dalam BI Tool adalah menghubungkan sumber data yang ingin diolah, misalnya spreadsheet, database, atau sumber data lainnya. Pada tahap ini, kamu akan dihadapkan pada pilihan mendasar mengenai cara data tersebut terhubung ke BI Tool, yaitu live connection atau extract, dan memahami perbedaan keduanya penting sejak awal karena akan memengaruhi bagaimana dashboard kamu berperilaku.

Live connection berarti BI Tool terhubung secara langsung ke sumber data asli, dan setiap kali dashboard dibuka atau di-refresh, BI Tool akan mengambil data terbaru langsung dari sumbernya saat itu juga. Sebagai ilustrasi, jika dashboard Belanjain terhubung secara live ke database transaksi, setiap kali seseorang membuka dashboard tersebut, angka yang ditampilkan akan selalu mencerminkan kondisi data paling baru pada saat itu, termasuk transaksi yang baru saja terjadi beberapa menit sebelumnya. Keunggulan live connection adalah data yang selalu up-to-date tanpa perlu langkah tambahan, namun konsekuensinya adalah setiap kali dashboard dibuka, BI Tool perlu memproses ulang data dari sumbernya, yang bisa memakan waktu lebih lama terutama jika sumber data tersebut berukuran sangat besar, dan juga membebani sistem sumber data setiap kali ada yang mengakses dashboard.

Extract berarti BI Tool mengambil salinan data dari sumbernya pada waktu tertentu, menyimpannya secara terpisah, dan dashboard akan menampilkan data berdasarkan salinan tersebut, bukan langsung dari sumber aslinya setiap saat. Data pada extract ini perlu diperbarui secara berkala (biasanya disebut proses refresh) agar tetap relevan, namun tidak secara otomatis setiap kali dashboard dibuka seperti pada live connection. Keunggulan extract adalah performa yang jauh lebih cepat ketika dashboard dibuka, karena BI Tool hanya perlu membaca salinan data yang sudah tersimpan, tanpa perlu memproses ulang dari sumber aslinya setiap saat, namun konsekuensinya adalah data yang ditampilkan bisa saja tidak benar-benar real-time, tergantung kapan terakhir kali proses refresh dilakukan.

Pemilihan antara live connection dan extract pada praktiknya bergantung pada kebutuhan spesifik dashboard yang dibangun. Untuk kebutuhan yang benar-benar memerlukan data real-time, misalnya monitoring transaksi yang sedang berlangsung, live connection menjadi pilihan yang lebih tepat meskipun ada trade-off dari sisi kecepatan. Namun untuk kebutuhan laporan rutin seperti laporan penjualan mingguan atau bulanan yang tidak memerlukan data hitungan detik, extract yang diperbarui secara terjadwal (misalnya setiap pagi) sudah lebih dari cukup, dengan keuntungan performa dashboard yang jauh lebih cepat bagi penggunanya.

Dimension vs Measure: Fondasi Cara Berpikir dalam BI Tool

Setelah data berhasil terhubung, konsep paling fundamental yang perlu dipahami sebelum mulai membangun visualisasi apa pun dalam BI Tool adalah perbedaan antara dimension dan measure. Hampir seluruh BI Tool, baik Looker Studio, Tableau, maupun tools sejenis lainnya, secara otomatis akan mengklasifikasikan setiap kolom data yang terhubung ke dalam salah satu dari dua kategori ini, dan memahami logika di balik klasifikasi ini akan sangat membantu kamu bekerja dengan BI Tool apa pun, tidak terbatas hanya pada satu platform tertentu.

Dimension adalah kolom data yang bersifat kategorikal atau deskriptif, dipakai untuk mengelompokkan atau memecah data ke dalam kategori-kategori tertentu. Contoh dimension pada data Belanjain misalnya kolom Kategori Produk, Kota, Metode Pembayaran, atau Tanggal Transaksi. Perhatikan bahwa meskipun Tanggal Transaksi berbentuk data tanggal (bukan teks), kolom ini tetap diklasifikasikan sebagai dimension, karena fungsinya dalam analisis adalah untuk mengelompokkan data berdasarkan waktu tertentu (misalnya per hari, per bulan), bukan untuk dihitung atau dijumlahkan.

Measure adalah kolom data numerik yang dimaksudkan untuk dihitung atau diagregasi, seperti dijumlahkan, dirata-ratakan, atau dihitung jumlah kemunculannya. Contoh measure pada data Belanjain misalnya kolom Nilai Transaksi, Jumlah Unit Terjual, atau Jumlah Pesanan. Ketika kolom-kolom ini ditempatkan dalam sebuah chart, BI Tool secara otomatis akan menerapkan fungsi agregasi tertentu padanya, misalnya menjumlahkan seluruh Nilai Transaksi, mirip dengan konsep area Values pada Pivot Table yang sudah dipelajari di Bab 8.

Konsep dimension dan measure ini sebenarnya sangat mirip dengan pembagian antara area Rows/Columns dan area Values pada Pivot Table di Spreadsheet. Dimension pada BI Tool setara dengan field yang ditempatkan di area Rows atau Columns pada Pivot Table, karena sama-sama berfungsi mengelompokkan data. Sementara measure setara dengan field yang ditempatkan di area Values, karena sama-sama berfungsi menghasilkan angka ringkasan melalui agregasi. Jika kamu sudah cukup nyaman dengan cara berpikir Pivot Table dari Bab 8, transisi ke konsep dimension dan measure pada BI Tool akan terasa jauh lebih mudah dipahami, karena logika dasarnya sebenarnya serupa, hanya istilah dan antarmukanya yang berbeda.

Sebagai ilustrasi penerapan langsung, bayangkan kamu ingin membuat visualisasi total penjualan per kategori produk Belanjain dalam BI Tool. Kamu akan menempatkan Kategori Produk (dimension) sebagai pengelompokan utama chart, dan Nilai Transaksi (measure) sebagai angka yang dihitung dan ditampilkan untuk masing-masing kategori tersebut, hasilnya berupa chart yang menampilkan total penjualan per kategori, persis seperti logika Pivot Table yang sudah kamu kuasai sebelumnya.

Mengenal Antarmuka Dasar BI Tool

Meskipun setiap platform BI Tool memiliki tampilan antarmuka yang sedikit berbeda, secara umum terdapat beberapa elemen dasar yang konsisten ditemui. Panel sumber data biasanya menampilkan daftar seluruh kolom yang tersedia dari data yang sudah terhubung, dengan penanda visual (biasanya berupa warna atau ikon berbeda) yang membedakan mana kolom yang diklasifikasikan sebagai dimension dan mana yang diklasifikasikan sebagai measure.

Area kerja utama adalah kanvas kosong tempat kamu menyusun berbagai elemen visual, seperti chart, tabel, maupun elemen teks, yang bisa disusun bebas sesuai kebutuhan layout dashboard yang diinginkan. Ketika kamu menambahkan sebuah chart baru ke kanvas ini, biasanya akan muncul panel pengaturan di sisi lain layar yang memungkinkan kamu menentukan dimension dan measure apa yang ingin dipakai untuk chart tersebut, mirip dengan panel field pada Pivot Table di Spreadsheet, hanya dengan istilah dan tata letak yang berbeda.

Satu hal penting yang perlu disadari sejak awal adalah, BI Tool terkadang secara otomatis salah mengklasifikasikan sebuah kolom sebagai dimension atau measure, terutama jika format data pada sumber aslinya kurang konsisten. Sebagai ilustrasi, jika kolom ID Pelanggan pada data Belanjain berupa angka murni, BI Tool bisa saja secara otomatis mengklasifikasikannya sebagai measure karena bentuknya numerik, padahal secara fungsi, ID Pelanggan seharusnya diperlakukan sebagai dimension, karena tujuannya untuk mengidentifikasi dan mengelompokkan, bukan untuk dijumlahkan atau dirata-ratakan. Kesalahan seperti ini perlu dikoreksi secara manual, biasanya melalui pengaturan pada panel sumber data, agar analisis yang dihasilkan tidak keliru, misalnya mencegah BI Tool secara tidak sengaja menjumlahkan seluruh ID Pelanggan yang jelas tidak memiliki makna apa pun jika dijumlahkan.

Calculated Field Dasar dalam BI Tool

Sama seperti calculated field pada Pivot Table yang sudah dipelajari di Bab 8, BI Tool juga mendukung pembuatan kolom hasil perhitungan baru, yang dibentuk dari kombinasi dimension maupun measure yang sudah ada, tanpa perlu mengubah data sumber aslinya. Calculated field ini sangat berguna ketika kamu membutuhkan sebuah angka yang tidak tersedia secara langsung dari data mentah, namun bisa dihasilkan melalui perhitungan sederhana dari kolom-kolom yang sudah ada.

Sebagai ilustrasi, bayangkan data Belanjain yang terhubung ke BI Tool memiliki kolom Nilai Transaksi dan Jumlah Unit secara terpisah, namun tim manajemen ingin melihat rata-rata harga per unit sebagai metrik tersendiri. Kamu bisa membuat calculated field baru, misalnya diberi nama "Rata-Rata Harga per Unit", dengan formula yang membagi Nilai Transaksi dengan Jumlah Unit. Setelah dibuat, calculated field ini akan diperlakukan sama seperti measure lainnya, bisa ditempatkan dalam chart apa pun yang membutuhkan angka tersebut, dan akan otomatis ikut ter-update setiap kali data sumbernya berubah, tanpa kamu perlu menghitung ulang secara manual.

Penulisan formula pada calculated field umumnya menggunakan sintaks yang mirip dengan formula Spreadsheet yang sudah kamu kuasai, misalnya menggunakan nama kolom yang dirujuk secara langsung, operator matematika dasar seperti tanda bagi dan tanda kali, serta fungsi-fungsi tertentu yang tersedia pada masing-masing platform BI Tool. Meskipun sintaks detailnya bisa sedikit berbeda antara Looker Studio dan Tableau, konsep dasarnya tetap sama, yaitu menciptakan angka baru dari kombinasi logis kolom-kolom yang sudah tersedia, sebuah kemampuan yang akan sangat sering kamu pakai ketika kebutuhan analisis semakin spesifik dan tidak bisa dipenuhi hanya dari kolom mentah yang tersedia secara langsung.

Membangun Worksheet Pertama: Distribusi Demografi Pelanggan

Untuk mengaplikasikan seluruh konsep yang sudah dibahas, mari bayangkan skenario membangun visualisasi pertama menggunakan BI Tool, yaitu memvisualisasikan distribusi demografi pelanggan Belanjain berdasarkan kota asal mereka. Langkah pertama adalah memastikan data pelanggan sudah terhubung ke BI Tool, baik melalui live connection maupun extract sesuai kebutuhan yang sudah dibahas sebelumnya.

Setelah data terhubung, kamu akan melihat kolom Kota terklasifikasi sebagai dimension, dan kamu bisa menambahkan measure berupa Jumlah Pelanggan, yang bisa dihasilkan dari penghitungan baris (count) pada kolom ID Pelanggan, mirip dengan konsep COUNT yang sudah dipelajari pada Bab 11. Dengan menempatkan Kota sebagai dimension dan Jumlah Pelanggan sebagai measure pada sebuah bar chart, kamu akan mendapatkan visualisasi yang menunjukkan berapa banyak pelanggan Belanjain berasal dari masing-masing kota, sesuai prinsip pemilihan chart yang sudah dipelajari di Bab 14, di mana bar chart memang paling tepat untuk perbandingan antar kategori seperti ini.

Worksheet sederhana ini menjadi fondasi awal sebelum kamu belajar merangkai beberapa visualisasi sekaligus menjadi dashboard yang lebih lengkap dan interaktif pada bab berikutnya, di mana kamu akan mempelajari bagaimana menghubungkan beberapa worksheet, menambahkan interaktivitas melalui filter, dan menyusun tata letak yang memperhatikan prinsip UI/UX yang baik untuk pengguna bisnis.