What Does a Data Analyst Do? 3 Tipe Kerjaan Selama 9 Tahun di Role ini

Kalau ditanya orang "kerjaan data analyst itu ngapain sih sehari-hari?", jawaban paling gampang biasanya: bikin dashboard, narik data pakai SQL, atau ngoding Python. Saya dulu juga mikirnya persis begitu waktu baru masuk ke bidang ini. Bayangan saya, hari-hari bakal dihabiskan di depan query editor, deep-dive sama angka dan spreadsheet, terus keluar dengan insight yang bikin semua orang manggut-manggut.

Sembilan tahun kemudian, realitanya jauh lebih beragam dari itu. Setelah ngerjain berbagai project nyata, dari product analytics sampai content analytics, saya sadar kalau rutinitas kerja sebagai data analyst itu sebenarnya terbagi ke dalam tiga pilar besar yang saling relevan satu sama lain. Bukan cuma soal teknis, tapi juga soal komunikasi dan pemahaman konteks bisnis. Di tulisan ini saya mau bongkar ketiganya satu per satu, plus apa yang saya pelajari (dan kadang salah duga) di sepanjang jalan.

Data Analyst Itu Ngapain Aja? Realita di Balik Ekspektasi

Ekspektasi vs Realita Kerja sebagai Data Analyst

Waktu awal-awal kerja, saya kira porsi teknis bakal mendominasi hampir seluruh waktu saya. Nyatanya nggak. Ada banyak hari di mana saya lebih banyak duduk di meeting daripada nulis query ato berkutat sama spreadsheet. Ada juga fase di mana saya lebih sibuk baca dokumen strategi perusahaan daripada bikin visualisasi. Awalnya saya bingung, kok kerasa nggak produktif ya kalau nggak lagi ngulik? Tapi belakangan saya sadar, justru di situlah nilai sebenarnya dari peran ini.

Menurut Coursera, seorang data analyst pada dasarnya mengumpulkan, membersihkan, menganalisis, dan menafsirkan data untuk menjawab pertanyaan bisnis, menemukan pola, serta mendukung pengambilan keputusan. Definisi ini kedengarannya simpel, tapi prosesnya melibatkan banyak lapisan yang nggak kelihatan dari luar.

3 Pilar Utama Pekerjaan Data Analyst: Meetings, Knowledge, dan Analytics

Dari pengalaman saya, tiga pilar ini bukan cuma kategori administratif, tapi benar-benar mencerminkan bagaimana waktu saya terpakai setiap minggunya. Meetings untuk alignment dan kolaborasi, Knowledge untuk memahami konteks bisnis, dan Analytics untuk kerja teknis yang sesungguhnya. Ketiganya saling menopang. Kalau salah satu diabaikan, hasil kerja yang lain jadi kurang tajam atau malah salah sasaran.

Pilar 1: Meetings, Kolaborasi yang Ternyata Menyita Banyak Waktu

Ini bagian yang paling bikin saya kaget di awal karier. Porsi rapat di bidang ini ternyata cukup besar, dan alasannya masuk akal kalau dipikir-pikir: data nggak pernah berdiri sendiri. Sebelum narik data atau bikin visualisasi, saya harus duduk dulu bareng stakeholder, product manager, content team, developer, atau business lead untuk menyamakan pemahaman.

Sebelum sebuah fitur atau project jalan, biasanya ada diskusi panjang soal success metrics. Pertanyaannya sederhana tapi sering bikin pusing: fitur baru ini dibilang berhasil kalau angka apa yang naik? Kalau lagi ada A/B testing atau eksperimen, saya juga ikut menentukan durasi tes, ukuran sampel, sampai metrik apa yang nggak boleh sampai terdampak negatif. Setelah eksperimen selesai, ada lagi sesi evaluasi buat membahas hasil analisis bareng tim supaya semua orang tahu langkah apa yang perlu diambil berikutnya.

Belum lagi presentasi, one-on-one dengan atasan langsung, one-on-one dengan anggota tim, sampai iteration planning meeting. Awalnya saya merasa ini kayak buang-buang waktu dari kerjaan "asli" saya. Tapi makin ke sini, saya makin sadar bahwa meeting-meeting ini justru yang menentukan apakah hasil analisis saya nanti relevan atau cuma jadi laporan yang dilupakan. Tanpa alignment di awal, sebagus apa pun analisa yang saya tulis, hasilnya bisa saja menjawab pertanyaan yang salah.

Pilar 2: Knowledge, Belajar dan Berbagi Pemahaman Bisnis

Banyak orang lupa kalau memahami bisnis itu butuh proses belajar yang terus-menerus, bukan sekali jalan terus selesai. Saya juga begitu. Awalnya saya kira begitu paham satu produk atau satu metrik, saya bisa langsung jalan tanpa perlu belajar ulang. Ternyata konteks bisnis berubah terus, dan kalau saya nggak ikut update, analisis yang saya buat bisa jadi ketinggalan konteks meski secara teknis benar.

Bagian acquiring knowledge ini mencakup banyak hal: membaca dokumen strategi perusahaan, mempelajari metrik bisnis yang sedang jadi fokus, sampai me-review riset atau eksperimen yang pernah dilakukan sebelumnya. Tujuannya supaya saya nggak mengulang analisis yang sama dua kali, atau lebih parah, menarik kesimpulan yang sudah pernah terbantahkan sebelumnya. Kadang saya juga belajar lewat mentoring, baik jadi yang dimentor maupun yang mentoring orang lain.

Di sisi lain, ada juga sharing knowledge, yaitu menjelaskan hasil temuan data ke tim lain tanpa jargon yang rumit, menulis dokumentasi, sampai peer review untuk mengecek logika analisis atau query teman satu tim. Bagian ini yang menurut saya sering diremehkan padahal krusial. Analisis sebagus apa pun nggak akan berguna kalau nggak bisa dikomunikasikan dengan cara yang dipahami orang di luar tim data. Saya pernah punya insight bagus tapi gagal menyampaikannya dengan jelas, dan hasilnya cuma jadi slide yang nggak pernah dibuka lagi.

Pilar 3: Analytics, Pekerjaan Teknis yang Sesungguhnya

Nah, ini bagian yang sering dikira sebagai satu-satunya isi pekerjaan seorang data analyst. Padahal di lapangan, porsinya sendiri masih terbagi lagi jadi beberapa jenis kerja yang karakteristiknya cukup berbeda. Menurut Syracuse, pekerjaan ini memadukan keterampilan teknis seperti SQL, Excel, dan Python dengan kemampuan pemecahan masalah serta komunikasi, dan itu tercermin jelas dalam keseharian saya.

Data wrangling biasanya yang paling banyak makan waktu. Mulai dari sanity checking untuk memastikan data yang masuk itu masuk akal dan nggak ngaco, membersihkan data yang berantakan, sampai menggabungkan berbagai tabel dari sumber berbeda. Saya sering bilang ke tim yang baru gabung, kalau data mentahnya jelek, sebagus apa pun analisanya nanti, hasilnya tetap nggak bisa dipercaya.

Setelah data beres, baru masuk ke pulling data dan visualization, menjawab pertanyaan ad-hoc dari stakeholder atau membangun dashboard yang benar-benar dipakai, bukan sekadar dipajang. Di level yang lebih dalam, ada statistical dan deep analysis, seperti menguji hipotesis eksperimen atau mencari pola perilaku pengguna dan performa produk maupun konten. Bagian inilah yang paling dekat dengan bayangan orang soal kerjaan data analyst, meski nyatanya cuma sepertiga dari keseluruhan cerita.

Kalau saya rangkum dari pengalaman sembilan tahun ini, jadi seorang data analyst itu bukan cuma soal jago query atau bikin chart yang cantik. Tiga pilar ini, meetings, knowledge, dan analytics, sama-sama penting dan saling mempengaruhi hasil kerja satu sama lain. Kalau kamu baru mau masuk ke bidang ini atau sedang mempertimbangkan pindah karier ke arah sini, coba mulai perhatikan bagaimana ketiga pilar ini berjalan di tempat kerja kamu sekarang, siapa tahu insight-nya lebih relevan dari yang kamu kira.