Contoh analisis data dengan SQL yang lengkap berjalan dalam lima langkah: rumuskan pertanyaannya, lihat angka besarnya, pecah sampai ketemu bagian yang berubah, cari penyebabnya, lalu tulis kesimpulan dan rekomendasi. Studi kasus ini mengikuti langkah itu untuk satu pertanyaan nyata: kenapa omzet jaringan kedai kopi turun 15,4% di bulan April? Semua query bisa kamu jalankan sendiri, dan polanya bisa dipakai ulang untuk data penjualan, toko online, atau layanan apa pun.
Semua query memakai dataset latihan kedai kopi. Fungsi tanggal di sini memakai strftime khusus SQLite; padanannya untuk PostgreSQL dan MySQL ada di artikel fungsi tanggal. Teknik yang dipakai dibahas satu per satu di Roadmap SQL untuk Data Analyst.
Langkah 1: Rumuskan Pertanyaan
Manajer operasional mengirim pesan: "Omzet April turun ya? Kenapa?" Sebelum menulis query, ubah pesan itu menjadi pertanyaan yang bisa dijawab data:
- Berapa besar penurunannya, dan dibanding apa? (April dibanding Maret)
- Penurunan itu terjadi di semua cabang, atau di cabang tertentu?
- Yang turun jumlah pembelinya, atau nilai belanja per pembeli?
- Apa yang bisa dilakukan?
Pertanyaan ketiga paling penting. Omzet adalah jumlah pesanan dikali rata-rata nilai pesanan, dan obat untuk keduanya berbeda: jumlah pesanan yang turun berarti pelanggan berkurang, sedangkan nilai pesanan yang turun berarti orang membeli lebih sedikit per kunjungan.
Langkah 2: Lihat Angka Besarnya
Omzet, jumlah pesanan, dan rata-rata nilai pesanan per bulan:
WITH nilai_pesanan AS (
SELECT id_pesanan, SUM(qty * harga_satuan) AS nilai
FROM item_pesanan
GROUP BY id_pesanan
)
SELECT strftime('%Y-%m', p.tanggal) AS bulan,
COUNT(*) AS jumlah_pesanan,
SUM(n.nilai) AS omzet,
ROUND(AVG(n.nilai), 0) AS rata_rata_pesanan
FROM pesanan AS p
JOIN nilai_pesanan AS n ON n.id_pesanan = p.id_pesanan
GROUP BY bulan
ORDER BY bulan;
| bulan | jumlah_pesanan | omzet | rata_rata_pesanan |
|---|---|---|---|
| 2026-01 | 14 | 403000 | 28786 |
| 2026-02 | 16 | 671000 | 41938 |
| 2026-03 | 20 | 798000 | 39900 |
| 2026-04 | 18 | 675000 | 37500 |
Omzet April Rp675.000, turun Rp123.000 atau 15,4% dari Maret. Jumlah pesanan turun sedikit (20 menjadi 18), dan rata-rata nilai pesanan juga sedikit turun. Di level total, belum kelihatan penyebab yang jelas. Saatnya dipecah per cabang.
Satu kebiasaan baik: total omzet keempat bulan adalah Rp2.547.000, sama dengan total dataset. Angka dasarnya benar, jadi langkah berikutnya bisa dipercaya.
Langkah 3: Pecah per Cabang
Bandingkan Maret dan April untuk setiap cabang, dan urutkan dari penurunan terbesar:
WITH nilai_pesanan AS (
SELECT id_pesanan, SUM(qty * harga_satuan) AS nilai
FROM item_pesanan
GROUP BY id_pesanan
),
per_cabang AS (
SELECT c.nama_cabang,
strftime('%Y-%m', p.tanggal) AS bulan,
COUNT(*) AS jumlah_pesanan,
SUM(n.nilai) AS omzet,
ROUND(AVG(n.nilai), 0) AS rata_rata_pesanan
FROM pesanan AS p
JOIN nilai_pesanan AS n ON n.id_pesanan = p.id_pesanan
JOIN cabang AS c ON c.id_cabang = p.id_cabang
WHERE strftime('%Y-%m', p.tanggal) IN ('2026-03', '2026-04')
GROUP BY c.nama_cabang, bulan
)
SELECT nama_cabang, bulan, jumlah_pesanan, rata_rata_pesanan, omzet,
omzet - LAG(omzet) OVER (PARTITION BY nama_cabang ORDER BY bulan) AS selisih_omzet
FROM per_cabang
ORDER BY nama_cabang, bulan;
Hasilnya, diringkas menjadi satu baris per cabang:
| Cabang | Pesanan Maret | Pesanan April | Rata-rata pesanan Maret | Rata-rata pesanan April | Selisih omzet |
|---|---|---|---|---|---|
| Tebet | 6 | 3 | 39.333 | 37.667 | −123.000 |
| Buahbatu | 4 | 4 | 40.250 | 25.500 | −59.000 |
| Dago | 7 | 8 | 41.714 | 36.000 | −4.000 |
| Darmo | 3 | 3 | 36.333 | 57.333 | +63.000 |
Sekarang ceritanya jelas:
- Tebet menyumbang seluruh penurunan (−Rp123.000). Rata-rata nilai pesanannya hampir tidak berubah, tetapi jumlah pesanannya turun separuh, dari 6 menjadi 3. Masalah Tebet adalah pembeli yang tidak datang.
- Buahbatu turun dengan pola sebaliknya: jumlah pesanan sama, tetapi rata-rata nilai pesanannya jatuh dari Rp40.250 ke Rp25.500. Pembelinya tetap datang, tetapi membeli lebih sedikit.
- Darmo justru naik Rp63.000, karena nilai pesanannya naik.
- Kenaikan Darmo (+Rp63.000) persis menutup penurunan Buahbatu dan Dago (−Rp59.000 dan −Rp4.000), sehingga penurunan total sama persis dengan penurunan Tebet.
Grafik di bawah dibuat dari hasil query ini dengan CSV ke Grafik: hasil query disalin sebagai CSV, lalu ditempel ke tool.

Penurunan Tebet langsung terlihat sebagai batang oranye yang jauh lebih pendek dari batang birunya.
Langkah 4: Cari Penyebab di Tebet
Kalau jumlah pesanan turun, pertanyaan berikutnya: apakah pelanggan lamanya berhenti datang? Cek member Tebet yang membeli di bulan Maret, apakah mereka kembali di April:
WITH aktif AS (
SELECT DISTINCT id_pelanggan, strftime('%Y-%m', tanggal) AS bulan
FROM pesanan
WHERE id_cabang = 'C03' AND id_pelanggan IS NOT NULL
)
SELECT m.id_pelanggan,
CASE WHEN a.id_pelanggan IS NULL THEN 'Tidak kembali' ELSE 'Kembali' END AS april
FROM aktif AS m
LEFT JOIN aktif AS a
ON a.id_pelanggan = m.id_pelanggan AND a.bulan = '2026-04'
WHERE m.bulan = '2026-03'
ORDER BY m.id_pelanggan;
| id_pelanggan | april |
|---|---|
| M005 | Tidak kembali |
| M008 | Tidak kembali |
| M013 | Tidak kembali |
| M015 | Kembali |
| M018 | Tidak kembali |
Empat dari lima member Tebet yang aktif di Maret tidak membeli lagi di April. Apakah ini masalah Tebet saja, atau terjadi di semua cabang? Hitung retensi bulanan, yaitu persentase member aktif di satu bulan yang membeli lagi di bulan berikutnya:
WITH aktif AS (
SELECT DISTINCT id_pelanggan, strftime('%Y-%m', tanggal) AS bulan
FROM pesanan
WHERE id_pelanggan IS NOT NULL
),
pasangan AS (
SELECT a.bulan,
COUNT(*) AS member_aktif,
COUNT(b.id_pelanggan) AS kembali_bulan_depan
FROM aktif AS a
LEFT JOIN aktif AS b
ON b.id_pelanggan = a.id_pelanggan
AND b.bulan = strftime('%Y-%m', date(a.bulan || '-01', '+1 month'))
WHERE a.bulan < '2026-04'
GROUP BY a.bulan
)
SELECT bulan, member_aktif, kembali_bulan_depan,
ROUND(100.0 * kembali_bulan_depan / member_aktif, 1) AS retensi_persen
FROM pasangan
ORDER BY bulan;
| bulan | member_aktif | kembali_bulan_depan | retensi_persen |
|---|---|---|---|
| 2026-01 | 8 | 6 | 75 |
| 2026-02 | 9 | 6 | 66.7 |
| 2026-03 | 13 | 5 | 38.5 |
Retensi turun tajam di semua cabang: dari 75% (Januari ke Februari) menjadi 38,5% (Maret ke April). Penurunan di Tebet hanya bagian yang paling terlihat dari masalah yang lebih luas: member yang datang di Maret tidak kembali di April.
SQL menjawab apa yang terjadi, tetapi tidak bisa menjawab kenapa member berhenti datang. Apakah ada promo yang selesai akhir Maret? Kompetitor baru di dekat Tebet? Pergantian barista? Pertanyaan ini dibawa ke tim operasional, bukan ditebak dari data.
Langkah 5: Kesimpulan dan Rekomendasi
Hasil analisis ditulis singkat, dimulai dari jawabannya, bukan dari query:
Omzet April turun 15,4% (Rp123.000) dibanding Maret, dan hampir seluruhnya berasal dari cabang Tebet, yang jumlah pesanannya turun dari 6 menjadi 3. Empat dari lima member Tebet yang aktif di Maret tidak kembali di April. Masalah ini juga terlihat di level seluruh cabang: retensi member bulanan turun dari 75% ke 38,5%.
Disarankan:
- Konfirmasi ke tim Tebet apakah ada perubahan di bulan April (jam buka, promo, staf, atau kompetitor).
- Kirim pengingat atau penawaran ke member yang aktif di Maret tetapi tidak kembali di April, dan ukur berapa yang kembali di Mei.
- Pantau retensi bulanan sebagai angka rutin di dashboard, bukan hanya omzet.
Catatan: dataset hanya berisi 68 pesanan dari 4 cabang, jadi pergerakan beberapa pesanan saja sudah mengubah persentase secara besar. Kesimpulan perlu dicek ulang dengan data Mei.
Perhatikan bagian catatan. Menyebut keterbatasan data dengan jujur membuat analisismu lebih dipercaya, bukan lebih lemah.
Temuan Tambahan untuk Bahan Diskusi
Dua query pendek yang memberi konteks:
Produk terlaris di setiap kategori (berdasarkan omzet, dengan pola top N per kelompok dari artikel window function):
| kategori | nama_produk | terjual | omzet |
|---|---|---|---|
| Kopi | Kopi Susu Gula Aren | 37 | 814000 |
| Non-Kopi | Es Teh Lemon | 26 | 390000 |
| Makanan | Roti Bakar Keju | 9 | 162000 |
Member dibanding non-member:
| jenis | jumlah_pesanan | omzet | rata_rata_pesanan |
|---|---|---|---|
| Member | 55 | 2006000 | 36473 |
| Non-member | 13 | 541000 | 41615 |
Member menyumbang 79% omzet, jadi retensi member yang turun memang perlu diperhatikan serius.
Kesalahan yang Sering Terjadi Saat Menganalisis
- Berhenti di angka total. "Omzet turun 15%" bukan jawaban. Pecah sampai ketemu bagian yang berubah.
- Hanya melihat omzet. Pecah menjadi jumlah pesanan dan rata-rata nilai pesanan, karena tindakannya berbeda.
- Menebak penyebab dari data saja. Data menunjukkan di mana masalahnya; penyebabnya dikonfirmasi ke orang yang ada di lapangan.
- Laporan dimulai dari query. Atasan butuh jawaban dan rekomendasi di kalimat pertama. Query cukup dilampirkan.
- Tidak menyebut keterbatasan data. Sampel kecil, data yang belum lengkap, atau definisi yang berubah harus ditulis.
Jadikan Portfolio
Studi kasus seperti ini adalah bahan portfolio yang baik untuk melamar posisi data analyst:
- Kerjakan ulang dengan dataset publik yang lebih besar, atau dengan dataset ini tetapi pertanyaan yang berbeda (misalnya "jam berapa penjualan paling ramai?", setelah menambahkan kolom jam).
- Simpan semua query di satu file dengan komentar per langkah.
- Tulis ringkasan satu halaman seperti bagian kesimpulan di atas, lengkap dengan satu atau dua grafik.
- Unggah ke GitHub atau Google Drive yang bisa dibuka perekrut.
Langkah Berikutnya
- Ulas teknik yang dipakai di sini: CTE untuk langkah bertahap, window function untuk
LAGdan peringkat, dan JOIN untuk retensi. - Pahami gambaran pekerjaannya di apa itu data analyst, dan urutan belajar lengkapnya di Roadmap Data Analyst.
- Hasil query menjadi grafik dengan CSV ke Grafik, dan rata-rata serta sebaran nilai pesanan bisa dicek dengan Kalkulator Statistik Deskriptif.