Apa Itu Data Analyst? Ngapain Aja, dan Gimana Cara Mulainya

Pernah nggak kamu dengar istilah "data analyst" tapi bingung sebenernya mereka ngapain sih sehari-hari? Atau penasaran gimana caranya masuk ke profesi ini tapi nggak tahu harus mulai dari mana?

Tenang. Kita bahas pelan-pelan.

Data Analyst Itu Sebenarnya Ngapain?

Gampangnya gini: data analyst itu orang yang bantu perusahaan bikin keputusan berdasarkan data, bukan cuma feeling.

Bayangin kamu punya toko online. Kamu lihat penjualan turun. Tapi kamu nggak tahu kenapa. Apakah karena harganya kemahalan? Ongkirnya bikin kapok? Atau produknya nggak sesuai ekspektasi?

Nah, data analyst ini yang bantu jawab pertanyaan kayak gitu—pakai data yang ada.

Mereka:

• Kumpulin data dari berbagai sumber (database, Google Analytics, sistem penjualan)
• Bersihin dulu datanya—soalnya data mentah itu sering berantakan
• Analisis: cari pola, hitung angka-angka penting
• Jelasin hasilnya ke tim lain dalam bahasa yang gampang dimengerti

Jadi bukan cuma bikin tabel Excel aja. Mereka itu semacam penerjemah: dari angka yang ribet, jadi cerita yang bisa dipake buat ambil tindakan.

Contoh nyata:
Misalnya tim marketing kamu ngirim email promo. Data analyst bisa ngecek: berapa orang yang buka emailnya? Berapa yang klik? Berapa yang akhirnya beli? Terus kalau hasilnya jelek, mereka bisa kasih saran: "Coba subject line-nya diganti" atau "Kirimnya jangan Senin pagi, coba Rabu siang."

Simpel kan?

Bedanya Data Analyst, Data Scientist, Data Engineer—Emang Beda?

Ini sering bikin bingung. Sebenarnya simpel kok:

• Data Analyst: Fokusnya ke insight buat bisnis. Outputnya dashboard, laporan, rekomendasi.
• Data Scientist: Lebih ke bikin model prediksi. Misalnya: "Bulan depan kemungkinan penjualan naik 15%."
• Data Engineer: Bangun infrastruktur data-nya. Biar data bisa ngalir lancar dari berbagai sistem.

Analoginya gini:
Kalau kamu lagi masak di restoran:

• Data Engineer = yang nyiapin dapur dan pastiin bahan makanan selalu ready.
• Data Analyst = yang ngecek: menu mana yang paling laku, jam berapa rame, bahan apa yang sering abis.
• Data Scientist = yang nyoba bikin resep baru berdasarkan data pelanggan, prediksi tren makanan bulan depan.

Di perusahaan kecil, sering satu orang ngerjain semuanya. Di perusahaan gede, ini beda role.

Sehari-hari Kerja Data Analyst Kayak Gimana?

Ini yang jarang dijelasin. Jadi gini alurnya:

1. Kumpulin datanya dulu

Data itu bisa dari mana aja:

• Database perusahaan (SQL)
• File Excel atau CSV
• Google Analytics, iklan Facebook, Instagram Insights
• Sistem internal kayak CRM

Kadang ini yang paling lama—nyari data dari berbagai tempat, terus digabungin. Banyak yang bilang sekitar 60–70% waktu data analyst itu dihabiskan di tahap ini.

2. Bersihin datanya

Data mentah itu jarang yang rapi. Sering ada:

• Data yang bolong (missing value)
• Formatnya beda-beda (tanggal ada yang pakai "/", ada yang pakai "-")
• Ada duplikat
• Ada angka yang nggak masuk akal (misalnya umur pelanggan -5 tahun)

Jadi harus dibersihin dulu. Kalau nggak, analisisnya bisa salah.

Contoh simpel:
Kamu mau hitung rata-rata umur pelanggan. Tapi di data ada yang umurnya kosong, ada yang 150 tahun (typo). Kalau langsung dihitung, hasilnya jadi nggak masuk akal. Makanya harus dibersihin dulu.

3. Analisis

Baru deh mulai analisis. Ini bisa macem-macem tergantung pertanyaan bisnisnya:

• Hitung rata-rata, median, persentase
• Lihat tren: apa penjualan naik atau turun?
• Bagi-bagi kelompok pelanggan: siapa yang sering beli? Siapa yang udah lama nggak belanja?
• Tes A/B: mana yang lebih bagus, desain A atau B?

4. Bikin visualisasi dan laporan

Setelah dapat insight, harus disampaikan ke orang lain. Makanya bikin:

• Dashboard (pakai Power BI atau Tableau)
• Chart sederhana (grafik batang, line chart)
• Slide presentasi

Yang penting: jangan terlalu ribet. Orang bisnis nggak mau lihat tabel 100 baris. Mereka mau tahu: "Jadi apa yang harus gue lakuin?"

Tools yang Biasa Dipakai

Kamu nggak perlu belajar semuanya sekaligus. Tapi ini yang umum:

Saran buat pemula:
Mulai dari SQL dulu. Ini yang paling sering dipake di kerjaan. Setelah itu pilih satu: Python atau Power BI, tergantung kamu lebih suka coding atau drag-and-drop.

Contoh Kasus Nyata: Biar Kebayang

Kasus 1: Pelanggan banyak yang kabur

Sebuah layanan subscription (misalnya Netflix, Spotify, atau SaaS) ngeliat banyak pelanggan yang cancel langganan di minggu ke-3 setelah trial.

Data analyst:

1. Ngecek data: kapan orang biasanya cancel? Apa ada pola?
2. Temuin insight: ternyata yang cancel itu belum pernah pakai fitur utama.
3. Kasih rekomendasi: kirim email tutorial atau notifikasi in-app di hari ke-7–14, ajarin cara pakai fitur utama.

Hasilnya: Churn turun dari 6% jadi 4%. Artinya lebih banyak pelanggan yang bertahan.

Kasus 2: Iklan buang-buang budget

Tim marketing habis Rp50 juta buat iklan, tapi hasilnya biasa aja.

Data analyst:

1. Analisis: segmen pelanggan mana yang paling sering beli dan paling untung (pakai metode RFM: Recency, Frequency, Monetary).
2. Temuin: ternyata 25% pelanggan itu kontribusi 60% dari total revenue.
3. Rekomendasi: fokus budget iklan ke segmen itu aja, jangan di-spray ke semua orang.

Hasilnya: Cost per acquisition turun 18%.

Skill yang Perlu Kamu Punya

Hard Skills:

• SQL (wajib)
• Excel/Google Sheets (minimal intermediate)
• Satu bahasa scripting: Python atau R
• Satu tool visualisasi: Power BI atau Tableau
• Paham statistik dasar (rata-rata, median, korelasi)

Soft Skills (ini yang sering dilupain):

• Komunikasi: bisa jelasin insight ke orang non-teknis
• Problem solving: nggak cuma ngikutin rumus, tapi bisa mikir: "Pertanyaan bisnisnya apa sih?"
• Storytelling: bikin laporan yang orang mau baca, bukan cuma numpuk angka

Ini sering kejadian di kerjaan: kamu punya analisis bagus, tapi kalau nggak bisa jelasin dengan sederhana, hasilnya percuma. Tim lain nggak ngerti, jadi nggak dipakai.

Cara Mulai (Buat Pemula)

Oke, sekarang pertanyaan paling penting: gimana cara mulainya?

Step 1: Kuasai SQL dasar

Cari tutorial SQL untuk pemula. Fokus ke:

• SELECT, WHERE, JOIN
• GROUP BY, ORDER BY
• Fungsi aggregate: COUNT, SUM, AVG

Coba latihan di platform gratis kayak SQLZoo atau Mode Analytics.

Step 2: Pilih satu bahasa scripting

Python paling populer. Belajar library pandas buat manipulasi data.

Jangan langsung machine learning dulu. Fokus ke:

• Baca file CSV/Excel
• Bersihin data (handle missing values, duplikat)
• Hitung statistik dasar

Step 3: Bikin project kecil

Ini yang paling penting. Portfolio lebih penting dari sertifikat.

Contoh project:

• Analisis data penjualan e-commerce (banyak dataset gratis di Kaggle)
• Analisis churn pelanggan
• Dashboard sederhana pakai Power BI atau Tableau

Yang ditunjukin di project:

• Pertanyaan bisnis apa yang kamu jawab?
• Gimana proses kamu bersihin datanya?
• Apa insight-nya?
• Apa rekomendasinya?

Step 4: Latih komunikasi

Bikin slide sederhana atau tulisan blog yang jelasin hasil analisismu. Coba jelasin ke temen atau keluarga yang nggak ngerti data. Kalau mereka paham, berarti kamu udah bagus.

Hal-Hal yang Sering Kejadian (Tapi Jarang Diomongin)

• Sebagian besar waktu itu buat cari dan bersihin data, bukan analisis. Jadi sabar ya.
• Data itu jarang bersih. Ekspektasinya kayak di tutorial YouTube. Realitanya? Berantakan.
• Pertanyaan bisnis sering nggak jelas. Kadang kamu harus bantu klarifikasi dulu: "Sebenernya yang mau dijawab itu apa sih?"
• Analisismu nggak selalu dipake. Kadang udah capek-capek analisis, tapi keputusan bisnis tetep berdasarkan "feeling" atasan. It happens.

Tapi kalau kamu bisa ngasih rekomendasi yang jelas, didukung data, dan gampang dipahami—lama-lama orang bakal dengerin.

Penutup

Jadi intinya, data analyst itu bukan cuma jago Excel atau Python. Mereka itu jembatan antara data dengan keputusan bisnis.

Yang bikin seorang data analyst bagus itu:

• Bisa bersihin dan ngolah data
• Bisa nemuin insight yang relevan
• Bisa jelasin ke orang lain dengan cara yang gampang dimengerti

Kalau kamu baru mulai: tenang aja. Mulai dari SQL, coba satu project kecil, dan latih cara jelasinnya.

Nggak usah buru-buru. Pelan-pelan aja, yang penting paham.

Selamat belajar!