Daftar Isi:
Data analyst sering dibayangkan sebagai orang yang bergelut dengan kode rumit dan angka raksasa. Kenyataannya, banyak pekerjaan data analyst dimulai dari hal yang sangat membumi: menjawab pertanyaan bisnis dengan data yang sudah ada, sering kali dimulai dari Excel.
Artikel ini menyusun jalur belajar data analyst dari nol, mulai dari Excel, statistik dasar, SQL, sampai dashboard, lengkap dengan contoh studi kasus portofolio dan cara melamar kerja. Cocok untuk fresh graduate maupun Anda yang sudah bekerja di bagian administrasi, keuangan, atau penjualan dan ingin berpindah ke jalur data.
Apa yang Sebenarnya Dikerjakan Data Analyst
Inti pekerjaannya bukan mengolah data demi data itu sendiri, melainkan membantu orang lain mengambil keputusan. Alur kerjanya hampir selalu berulang dalam lima tahap.
- Memahami pertanyaan: misalnya, mengapa penjualan bulan ini turun dan di bagian mana turunnya.
- Mengambil data: dari file Excel, sistem kasir, atau database perusahaan, biasanya lewat query SQL.
- Membersihkan data: merapikan duplikat, tanggal yang formatnya beragam, dan nilai kosong. Tahap ini sering memakan waktu paling banyak.
- Menganalisis: membandingkan periode, mengelompokkan per produk atau wilayah, dan mencari pola yang masuk akal.
- Menyajikan temuan: lewat grafik, dashboard, dan penjelasan singkat yang bisa dipahami orang nonteknis, plus rekomendasi tindakan.
Contoh singkat: sebuah toko online melihat omzet turun. Data analyst membandingkan penjualan per kategori dan per minggu, lalu menemukan penurunan terbesar ada di satu kategori setelah stoknya sering kosong. Rekomendasinya bukan sekadar "omzet turun", melainkan perbaikan pengelolaan stok pada kategori itu.
Skill yang Dibutuhkan dan Urutan Belajarnya
Daftar skill data analyst terlihat panjang, tetapi tidak semuanya harus dikuasai sejak awal. Urutan di bawah dibuat dari yang paling cepat memberi hasil.
| Skill | Fungsinya | Tools umum | Prioritas |
|---|---|---|---|
| Spreadsheet | Merapikan, menghitung, dan merangkum data | Excel, Google Sheets | Mulai dari sini |
| Statistik dasar | Membaca data dengan benar dan menghindari kesimpulan keliru | Rumus statistik di spreadsheet | Bersamaan dengan spreadsheet |
| SQL | Mengambil dan menggabungkan data dari database | MySQL, PostgreSQL | Sangat penting |
| Visualisasi dan dashboard | Menyajikan temuan agar mudah dipahami | Power BI, Looker Studio, Tableau | Setelah SQL |
| Python (pandas) | Mengolah data yang lebih besar atau rumit | Python, Jupyter | Tahap lanjut, bergantung posisi |
| Komunikasi | Menjelaskan temuan kepada nonteknis | Presentasi, laporan singkat | Dilatih sejak awal |
Jalur Belajar dalam 5 Fase
Perkiraan waktu mengasumsikan belajar rutin sekitar 10 sampai 15 jam per minggu. Anggap angkanya sebagai patokan kasar, karena kecepatan tiap orang berbeda.
Fase 1: Spreadsheet (sekitar 3 sampai 5 minggu)
Dipelajari: rumus dasar, VLOOKUP atau XLOOKUP, PivotTable, grafik, dan merapikan data berantakan.
Tanda siap lanjut: Anda bisa mengambil file penjualan mentah dan menyusun ringkasan per produk serta per bulan tanpa panduan.
Fase 2: Statistik dasar (sekitar 3 sampai 4 minggu)
Dipelajari: rata-rata, median, sebaran, korelasi, ukuran sampel, dan bias. Pahami juga bahwa korelasi tidak sama dengan sebab-akibat.
Tanda siap lanjut: Anda bisa menjelaskan kapan median lebih tepat daripada rata-rata.
Baca Juga:
Fase 3: SQL (sekitar 5 sampai 8 minggu)
Dipelajari: SELECT, WHERE, GROUP BY, JOIN, subquery, dan dasar window function.
Tanda siap lanjut: Anda bisa menjawab pertanyaan bisnis dengan satu atau beberapa query dari database latihan yang punya beberapa tabel.
Fase 4: Visualisasi dan dashboard (sekitar 3 sampai 5 minggu)
Dipelajari: memilih jenis grafik yang tepat, menyusun tata letak dashboard, dan menambahkan filter yang berguna.
Tanda siap lanjut: dashboard Anda bisa dipahami orang lain dalam beberapa detik tanpa Anda menjelaskan.
Fase 5: Python untuk analisis (opsional, sekitar 4 sampai 8 minggu)
Dipelajari: membaca file data, membersihkan dan menggabungkan data dengan pandas, serta membuat grafik sederhana.
Catatan: sebagian lowongan pemula cukup menuntut Excel, SQL, dan dashboard, tetapi Python membuka pintu ke posisi yang lebih teknis. Baca persyaratan lowongan yang Anda incar sebelum memutuskan.
Studi Kasus untuk Portofolio
Portofolio data analyst bukan kumpulan grafik cantik. Perekrut ingin melihat cara Anda berpikir: dari pertanyaan, ke proses, sampai rekomendasi.
| Studi kasus | Pertanyaan yang dijawab | Yang dibuktikan |
|---|---|---|
| Analisis penjualan toko (data contoh atau data usaha kecil dengan izin) | Produk dan waktu mana yang menyumbang omzet terbesar? | Spreadsheet, PivotTable, dan kesimpulan bisnis |
| Survei kepuasan pelanggan atau peserta | Aspek mana yang paling memengaruhi kepuasan? | Pembersihan data, statistik dasar, dan penyajian temuan |
| Data terbuka dari lembaga publik | Tren apa yang terlihat dari data selama beberapa tahun? | SQL, visualisasi, dan kemampuan menjelaskan keterbatasan data |
Susunan satu studi kasus yang rapi:
- Pertanyaan bisnis yang ingin dijawab.
- Asal data dan cara Anda membersihkannya.
- Temuan utama dengan grafik pendukung.
- Rekomendasi tindakan dan keterbatasan analisis.
Jangan memakai data pribadi atau data perusahaan yang bersifat rahasia. Gunakan data contoh, data terbuka, atau data yang sudah dianonimkan.
Data Analyst, Business Analyst, dan Data Scientist
Ketiganya sering dikira sama, padahal fokusnya berbeda. Perbedaan ini membantu Anda memilih arah sejak awal.
Baca Juga:
| Peran | Fokus utama | Skill yang menonjol |
|---|---|---|
| Data Analyst | Menganalisis data yang ada untuk menjawab pertanyaan bisnis | Excel, SQL, dashboard |
| Business Analyst | Menerjemahkan kebutuhan bisnis menjadi spesifikasi atau perbaikan proses | Analisis proses, komunikasi, dokumentasi |
| Data Scientist | Membangun model prediksi dan eksperimen yang lebih kompleks | Python, statistik lanjut, machine learning |
Cara Melamar Posisi Data Analyst Pertama
- Kumpulkan dua sampai tiga studi kasus: taruh di GitHub, Google Drive, atau situs portofolio sederhana yang bisa dibuka siapa saja.
- Siapkan CV yang menonjolkan hasil: tuliskan alat yang dikuasai dan satu kalimat temuan per proyek. Panduan umumnya ada di cara membuat CV fresh graduate.
- Incar posisi yang tepat: cari junior data analyst, data analyst intern, atau posisi analis di bagian penjualan, keuangan, dan operasional yang banyak memakai data.
- Latih tes teknis: biasanya berupa soal Excel, soal SQL, atau studi kasus singkat dengan tenggat waktu.
- Siapkan cerita proyek untuk wawancara: latih menjelaskan alasan memilih metode tertentu dan apa yang Anda lakukan jika data ternyata bermasalah.
- Waspada lowongan mencurigakan: posisi yang meminta biaya di muka atau menjanjikan hasil tidak wajar patut dicurigai. Lihat ciri lowongan kerja palsu sebelum mengirim data pribadi.
Jika Anda masih membandingkan jalur data dengan karir IT lainnya, roadmap 15 jalur karir IT bisa membantu melihat gambaran besarnya.
Kesalahan yang Sering Terjadi
- Langsung belajar Python dan machine learning sebelum menguasai Excel, SQL, dan cara membaca data dengan benar.
- Membuat dashboard penuh warna tanpa pertanyaan bisnis yang jelas, sehingga tidak ada keputusan yang bisa diambil darinya.
- Melewatkan tahap pembersihan data, padahal hasil analisis akan menyesatkan jika datanya kotor.
- Menyimpulkan sebab-akibat dari sekadar hubungan dua angka tanpa menguji penjelasan lain.
- Menumpuk sertifikat tanpa studi kasus yang bisa diperiksa perekrut.
FAQ
Apakah harus jago matematika untuk menjadi data analyst?
Tidak perlu matematika tingkat tinggi untuk posisi pemula. Yang dibutuhkan adalah logika, ketelitian, dan statistik dasar yang dipahami dengan benar. Kebutuhan matematika baru meningkat di jalur data scientist.
Apakah perlu belajar Python untuk menjadi data analyst?
Tidak selalu. Banyak posisi pemula cukup menuntut Excel, SQL, dan alat dashboard. Python berguna jika Anda ingin posisi yang lebih teknis atau data yang jauh lebih besar.
Bisakah orang dari jurusan nonteknik menjadi data analyst?
Bisa. Latar belakang di bidang seperti keuangan, pemasaran, atau administrasi justru memberi pemahaman bisnis yang berguna. Syaratnya Anda mampu menunjukkan kemampuan olah data lewat studi kasus.
Berapa lama belajar sampai siap melamar?
Bagi banyak orang yang belajar rutin, kisarannya beberapa bulan sampai sekitar satu tahun. Waktunya sangat bergantung pada jam belajar dan seberapa sering Anda mengerjakan studi kasus sendiri.
Di mana mencari data untuk latihan?
Gunakan data contoh dari tutorial, data terbuka milik lembaga publik, atau data buatan sendiri dengan format mirip data kerja. Hindari data pribadi dan data rahasia milik perusahaan.
Kesimpulan
Jalur data analyst paling masuk akal ditempuh secara berlapis: kuasai spreadsheet lebih dulu, tambahkan statistik dan SQL, lalu pelajari visualisasi. Python bisa menyusul sesuai kebutuhan posisi yang Anda incar. Yang membedakan kandidat yang dipanggil wawancara bukan jumlah alat yang disebutkan, tetapi kemampuan menunjukkan alur berpikir dari pertanyaan sampai rekomendasi. Karena itu, kerjakan satu studi kasus sampai tuntas, termasuk menuliskan keterbatasan datanya, sebab kejujuran tentang keterbatasan analisis sering dinilai sebagai tanda kedewasaan seorang analis. Mulailah minggu ini dengan mengambil satu file data sederhana dan merumuskan satu pertanyaan yang ingin Anda jawab dari file itu.
