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:

  1. Berapa besar penurunannya, dan dibanding apa? (April dibanding Maret)
  2. Penurunan itu terjadi di semua cabang, atau di cabang tertentu?
  3. Yang turun jumlah pembelinya, atau nilai belanja per pembeli?
  4. 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.

Grafik batang omzet empat cabang di bulan Maret dan April 2026: Tebet turun dari 236 ribu ke 113 ribu, Buahbatu dari 161 ribu ke 102 ribu, Dago hampir tetap, Darmo naik dari 109 ribu ke 172 ribu

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:

  1. Konfirmasi ke tim Tebet apakah ada perubahan di bulan April (jam buka, promo, staf, atau kompetitor).
  2. Kirim pengingat atau penawaran ke member yang aktif di Maret tetapi tidak kembali di April, dan ukur berapa yang kembali di Mei.
  3. 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:

  1. 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).
  2. Simpan semua query di satu file dengan komentar per langkah.
  3. Tulis ringkasan satu halaman seperti bagian kesimpulan di atas, lengkap dengan satu atau dua grafik.
  4. Unggah ke GitHub atau Google Drive yang bisa dibuka perekrut.

Langkah Berikutnya