Sebagai sesama pemilik UMKM, saya sering menghadapi satu pertanyaan klasik ketika ingin membesarkan bisnis: sebenarnya apa yang diinginkan pelanggan?
Kenyataannya, sebagian jawabannya sering sudah ada di depan mata kita—mulai dari chat WhatsApp, komentar media sosial, pertanyaan yang berulang, komplain, sampai ulasan setelah pembelian.
Masalahnya, sebagai pelaku usaha yang merangkap banyak peran sekaligus, kita jarang memiliki cukup waktu untuk menyatukan potongan informasi yang tersebar itu dan melihat apakah ada pola yang berulang.
Di sinilah AI untuk riset pelanggan mulai masuk akal untuk digunakan.
Bukan untuk menggantikan kepekaan kita sebagai pemilik bisnis, tetapi sebagai asisten praktis untuk membantu mengelompokkan, merangkum, dan membaca pola dari feedback pelanggan yang sebenarnya sudah kita miliki.
Dengan cara ini, kita bisa memulai dari data sederhana sebelum merasa perlu membuat survei besar, membeli tools mahal, atau membangun sistem riset yang rumit.
Tetapi ada satu batas penting: AI hanya boleh membantu membaca apa yang benar-benar dikatakan pelanggan, bukan mengisi bagian yang belum kita ketahui dengan asumsi.
Sebelum memasukkan puluhan chat atau review ke AI, saya lebih dulu menentukan satu pertanyaan bisnis yang ingin dijawab. Apakah saya ingin memahami keluhan yang paling sering muncul, alasan pelanggan memilih produk tertentu, pertanyaan yang berulang sebelum membeli, atau masalah yang belum terjawab dengan baik? Pertanyaan ini akan menentukan data apa yang perlu kita kumpulkan dan bagaimana AI sebaiknya digunakan.
1. Mulai dari Pertanyaan Bisnis yang Ingin Dijawab
Saya tidak menyarankan memulai riset pelanggan dengan perintah seperti:
“Analisis pelanggan saya dan beri tahu apa yang mereka inginkan.”
Pertanyaannya terlalu luas. AI akhirnya mudah menghasilkan kesimpulan yang terdengar masuk akal tetapi sulit kita verifikasi.
Saya lebih memilih memulai dari satu pertanyaan bisnis yang spesifik, misalnya:
- keluhan apa yang paling sering muncul setelah pembelian;
- pertanyaan apa yang berulang sebelum pelanggan membeli;
- bagian produk apa yang paling sering dipuji;
- masalah apa yang masih membingungkan pelanggan;
- atau alasan apa yang benar-benar disebut pelanggan ketika memilih atau menolak suatu penawaran.
Pertanyaan tersebut menentukan data mana yang perlu kita baca.
Prinsipnya sederhana:
Jangan meminta AI memahami seluruh pelanggan. Minta AI membantu menjawab satu pertanyaan berdasarkan evidence yang tersedia.
Prompt 1: Menentukan Pertanyaan Riset Pelanggan
Saya ingin melakukan riset pelanggan untuk bisnis saya.
Produk/jasa:
[isi]
Masalah bisnis yang sedang saya hadapi:
[isi]
Data pelanggan yang tersedia:
[chat WhatsApp / review / komentar / survei / catatan CS / wawancara / lainnya]
Tugas:
Bantu saya menyusun maksimal 5 pertanyaan riset yang spesifik dan dapat dijawab dari data tersebut.
Untuk setiap pertanyaan, jelaskan:
1. keputusan bisnis apa yang bisa dibantu;
2. data apa yang perlu dianalisis;
3. informasi apa yang tidak bisa disimpulkan hanya dari data tersebut.
Batasan:
Jangan membuat kebutuhan, motivasi, kepuasan, atau perilaku pelanggan yang belum memiliki evidence.
2. Kumpulkan Suara Pelanggan yang Benar-Benar Tersedia
Riset pelanggan tidak selalu harus dimulai dari survei besar.
Banyak UMKM sebenarnya sudah memiliki bahan riset dalam aktivitas sehari-hari, seperti:
- chat WhatsApp sebelum pembelian;
- pertanyaan pelanggan di marketplace;
- komentar media sosial;
- review setelah transaksi;
- komplain;
- catatan customer service;
- alasan pembatalan jika memang dicatat;
- atau jawaban dari wawancara dan survei sederhana.
Saya menyebutnya sebagai customer evidence: sesuatu yang benar-benar dikatakan atau dilakukan pelanggan dan bisa kita periksa kembali.
Ini berbeda dengan asumsi seperti:
“Pelanggan saya pasti lebih mementingkan harga.”
Kalau pelanggan memang berulang kali menyebut harga sebagai pertimbangan, kita memiliki evidence. Kalau tidak, itu masih hipotesis.
Riset pelanggan membantu kita mengurangi jarak antara apa yang kita kira dibutuhkan pelanggan dan apa yang benar-benar mereka katakan.
3. Rapikan dan Anonimkan Data sebelum Dimasukkan ke AI
Data pelanggan biasanya tidak datang dalam format yang rapi.
Satu percakapan bisa panjang. Nama produk ditulis berbeda-beda. Ada pesan yang tidak relevan. Informasi pelanggan juga bisa bercampur dengan data pribadi.
Sebelum dianalisis, saya lebih memilih membuat format sederhana seperti:
| Source ID | Jenis Sumber | Tanggal | Isi Feedback |
|---|---|---|---|
| VOC-001 | 12/08/2026 | “Apakah tersedia ukuran yang lebih kecil?” | |
| VOC-002 | Review | 15/08/2026 | “Produknya bagus, tetapi petunjuk penggunaannya kurang jelas.” |
Source ID membantu kita menelusuri sebuah insight kembali ke sumber aslinya.
Saya juga menghapus atau menyamarkan informasi yang tidak diperlukan, seperti nama lengkap, nomor telepon, alamat, nomor rekening, atau data pribadi lain jika identitasnya memang tidak relevan untuk analisis.
Jika Anda menggunakan ChatGPT, periksa juga pengaturan dan kebijakan data yang berlaku pada akun Anda. OpenAI menyediakan Kontrol Data ChatGPT untuk mengatur bagaimana percakapan digunakan. Pengaturan dan kebijakan dapat berbeda pada tools AI lain.
4. Gunakan AI untuk Menemukan Tema yang Berulang
Setelah datanya cukup rapi, AI mulai berguna untuk membaca volume feedback yang sulit kita telusuri satu per satu.
Misalnya, AI bisa membantu mengelompokkan:
- pertanyaan tentang harga;
- keluhan pengiriman;
- kebingungan mengenai cara menggunakan produk;
- permintaan variasi tertentu;
- alasan pelanggan merasa terbantu;
- atau pertanyaan yang terus muncul sebelum transaksi.
Namun saya tidak hanya ingin mendapatkan daftar tema.
Setiap tema sebaiknya disertai:
- berapa kali muncul;
- Source ID yang mendukung;
- contoh pernyataan pelanggan;
- dan bagian mana yang masih belum jelas.
Dengan begitu, kita bisa memeriksa apakah insight AI memang berasal dari suara pelanggan atau hanya interpretasi model.
Prompt 2: Analisis Voice of Customer
Saya ingin menganalisis feedback pelanggan berikut.
Pertanyaan riset:
[isi]
Data:
[tempel data yang sudah diberi Source ID]
Tugas:
Temukan tema yang berulang dari data.
Untuk setiap tema, tampilkan:
1. nama tema;
2. jumlah kemunculan;
3. Source ID yang mendukung;
4. contoh pernyataan pelanggan;
5. fakta yang benar-benar terlihat;
6. interpretasi yang masih berupa hipotesis.
Urutkan berdasarkan frekuensi atau relevansi terhadap pertanyaan riset.
Batasan:
Jangan membuat kutipan yang tidak ada dalam data. Jangan menyimpulkan motivasi, emosi, preferensi, atau alasan pelanggan kecuali dinyatakan atau didukung evidence yang cukup. Jika evidence tidak cukup, tulis “Belum Cukup Evidence”.
5. Pisahkan Ucapan Pelanggan dari Interpretasi Kita
Bagian ini menurut saya sangat penting.
Misalnya tiga pelanggan mengatakan:
“Apakah ada paket yang lebih kecil?”
Faktanya adalah ada permintaan mengenai ukuran paket.
Tetapi kita belum otomatis boleh menyimpulkan:
“Pelanggan menganggap produk terlalu mahal.”
Mungkin mereka memiliki kebutuhan pemakaian kecil. Mungkin ingin mencoba terlebih dahulu. Mungkin ruang penyimpanan terbatas. Atau memang mempertimbangkan harga.
Kita belum tahu.
Saya menggunakan format sederhana:
Evidence: apa yang benar-benar dikatakan pelanggan.
Pattern: apa yang berulang.
Interpretation: kemungkinan artinya.
Unknown: apa yang belum kita ketahui.
Model seperti ini mencegah kita mengubah satu komentar pelanggan menjadi cerita panjang yang sebenarnya belum pernah dikonfirmasi.
6. Gunakan Riset untuk Menemukan Pertanyaan Berikutnya
Riset pelanggan yang baik tidak selalu menghasilkan jawaban final.
Kadang hasil paling berguna justru berupa pertanyaan baru.
Misalnya analisis menunjukkan banyak pelanggan bertanya tentang ukuran yang lebih kecil.
Daripada langsung membuat varian baru, kita bisa menanyakan:
- mengapa mereka membutuhkan ukuran tersebut;
- berapa ukuran yang dianggap ideal;
- apakah untuk mencoba produk atau kebutuhan rutin;
- dan apakah permintaan tersebut cukup sering muncul pada kelompok pelanggan yang relevan.
Di sinilah survei sederhana, wawancara, atau percakapan langsung tetap berguna.
AI membantu menemukan apa yang perlu kita tanyakan berikutnya. AI tidak menghilangkan kebutuhan untuk berbicara dengan pelanggan.
Jika yang ingin dipahami adalah kondisi pasar yang lebih luas, tren industri, dan kompetitor, itu sudah masuk ke konteks riset pasar dan kompetitor.
7. Validasi Insight sebelum Mengubah Produk atau Marketing
Temuan dari 20 chat pelanggan belum tentu mewakili seluruh pasar.
Review negatif juga bisa lebih menonjol dibanding pengalaman pelanggan yang sebenarnya biasa saja.
Karena itu, sebelum melakukan perubahan besar, saya melihat beberapa hal:
- berapa banyak evidence yang mendukung;
- apakah berasal dari beberapa pelanggan atau hanya satu orang;
- apakah terjadi berulang dalam periode berbeda;
- apakah sesuai dengan data transaksi;
- dan apakah ada cara kecil untuk menguji insight tersebut.
Data transaksi dapat membantu menguji sebagian pola tersebut. Pembahasannya saya pisahkan pada artikel analisis data penjualan.
Jika pola pelanggan sudah cukup jelas dan kita perlu membentuk kelompok berdasarkan perilaku transaksi, langkah berikutnya bisa masuk ke segmentasi pelanggan.
Prompt 3: Audit Insight Riset Pelanggan
Saya ingin memvalidasi insight hasil riset pelanggan berikut.
Pertanyaan riset:
[isi]
Insight sementara:
[isi]
Evidence dan Source ID:
[isi]
Keputusan bisnis yang sedang dipertimbangkan:
[isi]
Tugas:
Audit insight tersebut dan pisahkan:
1. fakta yang didukung evidence;
2. interpretasi yang masih berupa hipotesis;
3. kemungkinan bias pada data;
4. informasi yang masih kurang;
5. pertanyaan lanjutan yang sebaiknya diajukan kepada pelanggan;
6. satu eksperimen kecil sebelum keputusan besar dibuat.
Output:
Evidence → Insight → Confidence Reason → Unknown → Validation Question → Small Test
Batasan:
Jangan menganggap sampel mewakili seluruh pelanggan tanpa dasar. Jangan membuat angka, kutipan, atau kebutuhan pelanggan yang tidak terdapat dalam evidence.
Workflow Riset Pelanggan dengan AI yang Saya Gunakan
Kalau disederhanakan, alurnya menjadi:
Pertanyaan → customer evidence → rapikan → analisis → temukan pola → pisahkan interpretasi → validasi → action.
Saya tidak ingin AI langsung berada di bagian “action”.
Ada beberapa lapisan yang harus dilewati terlebih dahulu supaya keputusan bisnis tetap mempunyai dasar.
Semakin besar konsekuensi keputusan—misalnya mengubah produk, harga, positioning, atau strategi marketing—semakin penting proses validasinya.
AI Tidak Menggantikan Percakapan dengan Pelanggan
Ada hal yang bisa kita pelajari dari 500 baris feedback. Tetapi ada juga hal yang baru terlihat ketika berbicara langsung dengan seseorang.
Nada bicara, konteks penggunaan produk, proses pengambilan keputusan, atau masalah yang belum pernah mereka tuliskan mungkin tidak muncul dalam data yang kita miliki.
Karena itu, saya tidak melihat AI sebagai pengganti customer interview.
Saya melihatnya sebagai alat yang membuat kita datang ke percakapan dengan pertanyaan yang lebih baik.
Daripada bertanya:
“Apakah Anda suka produk kami?”
kita mungkin menemukan pertanyaan yang lebih berguna:
“Saya melihat beberapa pelanggan bertanya soal ukuran produk. Dalam penggunaan Anda sendiri, kapan ukuran yang sekarang terasa kurang sesuai?”
Pertanyaan kedua muncul dari evidence, tetapi jawabannya tetap datang dari manusia.
Pertanyaan yang Sering Diajukan
Apakah saya membutuhkan banyak data untuk mulai riset pelanggan dengan AI?
Tidak selalu. Kita bisa mulai dari jumlah feedback yang masih kecil selama sumbernya jelas dan pertanyaan risetnya spesifik. Namun jangan membuat generalisasi besar dari evidence yang terbatas.
Apakah chat WhatsApp pelanggan aman dimasukkan ke AI?
Jangan langsung memasukkan seluruh percakapan tanpa mempertimbangkan privasi. Gunakan hanya bagian yang relevan, samarkan identitas jika memungkinkan, hindari informasi sensitif, dan periksa kebijakan serta pengaturan data pada tools AI yang digunakan. Jika memakai ChatGPT, pengaturan penggunaan percakapan dapat diperiksa melalui Kontrol Data.
Apakah AI bisa membuat buyer persona dari feedback pelanggan?
AI dapat membantu merangkum pola yang didukung feedback, tetapi jangan membangun karakter, motivasi, atau profil psikologis yang tidak memiliki evidence. Jika ingin membuat persona, gabungkan data transaksi, customer interview, survei, dan sumber lain yang relevan.
Kadang Pelanggan Sudah Memberi Jawaban, Kita Saja Belum Mendengarnya
Menjalankan UMKM membuat perhatian kita terbagi ke banyak hal. Hari ini mengejar order, besok mengurus stok, lalu ada pelanggan yang bertanya, komplain, atau memberi komentar yang hanya sempat kita baca sebentar.
Satu pesan mungkin terlihat kecil.
Tetapi ketika pertanyaan yang sama muncul dari pelanggan kedua, ketiga, lalu kelima, mungkin ada sesuatu yang perlu kita dengarkan lebih serius.
Di situlah AI membantu saya: bukan menggantikan percakapan dengan pelanggan, tetapi membantu menyatukan potongan percakapan yang mudah terlewat ketika kita sibuk menjalankan bisnis.
Sekarang coba ingat satu komentar pelanggan yang pernah membuat Anda melihat produk atau bisnis sendiri dengan cara berbeda.
Mungkin keluhan sederhana. Mungkin pertanyaan yang awalnya Anda anggap sepele. Atau mungkin pelanggan justru menggunakan produk Anda dengan cara yang tidak pernah Anda bayangkan sebelumnya.
Ceritakan di kolom komentar. Saya ingin tahu apa yang pelanggan Anda katakan, dan perubahan apa—besar atau kecil—yang akhirnya Anda lakukan setelah mendengarnya.