Data analis

Data analyst adalah salah satu talent yang paling dicari alias menjadi the most wanted jobs di dunia.

Bank Dunia memperkirakan bahwa antara tahun 2015 dan 2030, akan terjadi kekurangan sebanyak 9 juta pekerja TIK (Teknologi Informasi & Komunikasi) ahli dan semi ahli di Indonesia.

Kenapa Data Sangat Penting untuk bisnis?

Data sangat bisa membantu bisnis untuk melakukan hal yang luar biasa:

Memahami customer, meningkatkan kampanye bisnis, mempersonalisasikan promosi, dan meningkatkan pendapatan, serta membangun bisnis yang sustainable.

Beberapa keuntungan ini tidak akan bisa didapatkan tanpa menggunakan tools dan proses yang tepat untuk menganalisis data.

Data mentah ibaratnya seperti 'tambang emas', tapi orang tidak bisa melihat value dari kalung emas atau perhiasan yang kita tahu tanpa proses ekstraksi dan pencetakan yang tepat.

Kamu memerlukan big data analytics untuk dapat melihat value dari data yang ada, dan ini dapat digunakan untuk mengembangkan bisnis.

Big data mempunyai skala, keragaman, dan kompleksitas yang memerlukan arsitektur, algoritma, dan analitik tertentu untuk mengekstrak nilai darinya.

#1.2.1 Karakteristik dari Big Data

Terdapat 3 karakteristik dari Big Data, yaitu 3V: velocity (kecepatan), volume, dan variety.

Beberapa sumber mendefinisikannya sebagai 5V, termasuk veracity (kebenaran) dan value.

Statista (2021) menunjukkan bahwa market dari big data dan business analytics secara global bernilai sebesar 168,8 miliar dolar AS pada 2018 dan diperkirakan akan tumbuh menjadi 274,3 miliar dolar AS pada 2022.

Dengan jumlah data dan pangsa pasar yang terus bertambah, ada tantangan besar di balik pertumbuhan masyarakat.

#1.3 Data Analytics in Southeast Asia

Apa yang terjadi di Asia Tenggara?

Kementerian Komunikasi Indonesia telah menunjukkan bahwa dalam setahun ada lebih dari 600.000 kekurangan talent dalam keterampilan digital dan teknis.

Kamu bisa melakukan sedikit riset melalui LinkedIn Jobs seputar keyword “data” dan “analyst”, dan inilah angkanya:

Sumber: LinkedIn Job Search

Menurut wawancara dengan seorang data leader di salah satu unicorn di SEA, talent gap terlihat jelas karena unicorn di SEA saling membajak talenta karena keterbatasan sumber talent.

Apalagi, startup dengan modal lebih seperti Gojek mendapat dukungan IT dari India, seperti Bangalore.

Dengan kekurangan talenta ini, ada permintaan dan peluang kerja yang sangat besar untuk para talenta digital.

Salah satu demand yang tinggi adalah untuk ahli data.

Semoga guide ini memberikan lebih banyak wawasan dan konteks seputar data analytics untuk kamu yang baru di bidang ini.

Part #2 - Perbedaan Terminologi di Data Analytics

#2.1 Siapakah Seorang Data Analyst?

Ahli data adalah istilah yang cukup luas, dan mungkin ada perbedaan pandangan dalam hal definisi dan cakupan. Mari kita mulai dengan definisi.

Data analytics, singkatnya, dapat didefinisikan sebagai cara untuk mengekstrak value dari big data.

Data analyst bekerja dengan big data melalui eksplorasi, analisis, dan visualisasi untuk mengekstrak insight- insight penting memungkinkan para pemilik bisnis untuk membuat keputusan berdasarkan data.

Apa perbedaan antara Data Analytics vs Business Intelligence vs Data Engineer vs Data Scientists vs Machine Learning?’.

  • Data Analyst adalah bagian dari data science, yang bertugas untuk mencari jawaban atas pertanyaan tentang apa yang telah terjadi, serta melihat nilai atau pembelajaran apa yang dapat kita ambil.
  • Data Engineer akan mempersiapkan landasan bagi data analyst untuk melakukan pekerjaan; mereka mengumpulkan data dan membangun gudang data.
  • Business Intelligence agak mirip dengan data analyst tetapi lebih berat pada keahlian bisnis atau pengetahuan domain.
  • Data Scientist membuat algoritma untuk membuat model dan membantu menginformasikan strategi organisasi secara keseluruhan.
  • Machine Learning Engineer mempunyai keahlian khusus di beberapa bidang, seperti pembelajaran mesin non-neural, pemrosesan natural language, dan computer vision.

Ini membawa kita kepada beberapa istilah penting mengenai data: analitik deskriptif, diagnostik, prediktif, dan preskriptif.

Gambar di bawah menjelaskan bagaimana kami mendefinisikan berbagai jenis analitik. Ada empat jenis analitik, seperti yang kamu lihat di bawah.

  • Analitik Deskriptif –– menggunakan data dari sumber yang ada untuk menganalisis pola, tren, atau signifikansi yang dapat mempengaruhi kinerja untuk mendefinisikan masalah
  • Analitik Diagnostik –– lebih dalam dari analitik deskriptif, dengan menggunakan insights untuk meningkatkan kinerja bisnis dan mengetahui mengapa hal itu terjadi
  • Analitik Prediktif –– penggunaan teknik statistik dan pemodelan untuk menentukan apa yang mungkin terjadi di masa depan
  • Analitik Preskriptif –– menggunakan statistik dan model untuk memprediksi kinerja masa depan dan membuat keputusan terbaik

Sumber: Governance Analytics

Part #3 - Keseharian Data Analyst & skill yang Dibutuhkan

#3.1 Keseharian Seorang Data Analyst

Akan ada perbedaan di semua organisasi, tetapi berikut ini adalah gambaran tentang keseharian Data Analyst

  • Daily stand up - dengan tim data untuk menyelaraskan prioritas.
  • Periksa Asana atau Favro Board untuk melihat pekerjaan mana yang perlu dilakukan untuk hari itu.
  • Mempersiapkan dan menjelajahi kumpulan data baru untuk memecahkan masalah menggunakan Python atau SQL.
  • Membuat dokumentasi data proyek di Docs, atau biasa kita sebut PRD (Project Requirement Documents).
  • Analisis dataset dan visualisasikan data di Metabase, Tableau, PowerBI, mencari insight penting dari data.
  • Berhubungan dengan stakeholders untuk menyelaraskan strategi, menyelaraskan pertanyaan yang muncul dari tren data.
  • Membuat story dan deck presentasi untuk menyampaikan temuan yang ada kepada stakeholders.
  • Mempelajari kode baru dari Stack Overflow atau sumber lain untuk menjawab masalah (ya, mempelajari hal-hal baru setiap hari!).

#3.2 Keuntungan bekerja sebagai full-stack data analyst

#1 Pertama, fleksibilitas dan eksposur. Kamu bisa bekerja dengan stakeholder penting dan dapat belajar banyak dari mereka dan memajukan jalur career-path mu.

Barrier antara CxO dan data analyst sangat kecil; kamu harus bekerja sama dengan para pemimpin organisasi tempatmu bekerja karena insight mu penting.

#2 Kedua, dampak dari data yang sedang kamu kerjakan dapat membantu dalam pembuatan keputusan.

#3 Ketiga, lingkungan dinamis yang memungkinkanmu untuk mempelajari hal-hal baru setiap hari. Bisnis selalu punya masalah yang tak terbatas, yang memberikanmu banyak peluang untuk dikerjakan!

Agile Data Science

#3.3 Tanggung jawab utama

Tanggung jawab utama sebagai data analyst bervariasi tergantung dengan definisi di setiap organisasi. Beberapa tanggung jawab utamanya adalah:

  • Memahami masalah, membuat dan merancang proyek data untuk performance review atau untuk growth experimentation seperti A/B testing atau pengujian hipotesis.
  • Menambang data dan kemudian memanipulasi dan mengatur data ke dalam format yang dapat dieksplorasi, menggunakan tools dan statistik untuk menafsirkan kumpulan data (dari sumber primer dan sekunder)
  • Membantu pelaporan ad-hoc, pembersihan data dan bersiap ketika masalah bisnis datang dan membutuhkan perhatian yang sifatnya segera
  • Menyiapkan dashboard dan report untuk stakeholders yang secara efektif dapat mengkomunikasikan tren, pola, prakiraan menggunakan kumpulan data yang relevan
  • Berkolaborasi dengan tim produk, tim pemasaran, tim teknik, dan pemegang kepentingan bisnis lainnya untuk mengidentifikasi peluang untuk meningkatkan proses bisnis untuk mencapai growth yang diinginkan

#3.4 Keterampilan yang Dibutuhkan untuk menjadi Analis Data yang Hebat

Tidak ada rahasia untuk menjadi seorang data analyst yang hebat, kuncinya adalah segera memulai dan berlatih.

Tentu saja, ada keistimewaan bagi mereka yang sudah pernah belajar ilmu yang relevan sebelumnya, seperti ilmu komputer atau IT.

Tapi, data analytics atau data science adalah bidang yang relatif baru dan punya 'fakultas' sendiri di sebagian besar sekolah S1.

Jadi, kalau kamu sering berhubungan dengan angka ketika kuliah ataupun pada pekerjaan sebelumnya: matematika, sains, teknik, statistik, keuangan, ekonomi, dan kamu suka-- artinya kamu berada dalam jalur yang tepat.

Kalau belum, mulailah membiasakan diri dengan hal tersebut.

"Di dunia big data ini, basic dari literasi data—kemampuan untuk menganalisis, menafsirkan, dan bahkan mempertanyakan data—adalah keterampilan yang semakin berharga." -Profesor Jan Hammond, Harvard Business School

Title dari “data analyst” sendiri dapat mempunyai arti yang berbeda di perusahaan yang berbeda pula.

Berikut perbandingan role data analyst di beberapa unicorn: Shopee, Gojek, Grab.

Kamu bisa melihat beberapa kesamaan dalam job description yang telah di-highlight.

Dari situ, kita bisa membedah skill-skill penting yang di-highlight ke dalam beberapa kategori:

  • Pemecahan Masalah & Pemikiran Analitis
  • Matematika & Statistik (bekerja dengan data/angka)
  • Keahlian Basis Data & Pemrograman (R, Python, SQL)
  • Kemampuan berkomunikasi

Sumber: Research on some data analyst jobs in SEA

#3.4.1 Pemecahan Masalah & Berpikir Analitis

Pertama dan terpenting, kamu perlu memahami data dan punya pendekatan logis dan terstruktur, untuk menjadi seorang data analyst.

Di luar semua hard skill, skill ini adalah yang paling mendasar dan penting untuk menjadi seorang data analyst.

Skill inilah yang memungkinkan kamu untuk bisa 'mengamati, meneliti, dan menafsirkan suatu subjek untuk mengembangkan ide dan solusi yang kompleks' (Indeed, 2021).

Sebagai seorang data analyst, kamu akan menghadapi tantangan dan masalah bisnis yang berbeda setiap hari.

Untuk mengatasinya adalah dengan menafsirkan data untuk mendapatkan informasi yang penting untuk bisnis.

Kamu benar-benar perlu mempunyai pemahaman untuk memahami logika dengan cepat; ini termasuk tetapi tidak terbatas pada:

  • Menyimpulkan insight penting
  • Meng-eksplor relationship
  • Memberikan back-up atas keputusan
  • Menemukan pola
  • Menilai eksperimen
  • Menjawab pertanyaan

#3.4.2 Matematika & Statistik

Matematika dan statistik sangatlah penting dalam data analytics.

Statistik berperan dalam mempersiapkan dan membersihkan data.

Memiliki pondasi yang kuat dalam hal ini dapat membantumu menganalisis dan mengeksplorasi solusi dari data yang sedang kamu kerjakan.

Beberapa statistik yang mungkin perlu kamu perhatikan meliputi:

  • Statistik deskriptif (rata-rata, median, skewness, standar deviasi)
  • Distribusi (z-score, signifikansi)
  • Pengujian hipotesis (p-value)

Dalam hal matematika, kamu memerlukan beberapa pemahaman tentang probabilitas, regresi, dan korelasi. Hal-hal tersebut dapat membantu analyst untuk memahami apakah dua variabel saling berkaitan.

Menguasai dasar-dasar statistik untuk data science & data analytics akan banyak membantu pekerjaanmu.

#3.4.3 Keahlian Database & Pemrograman

Memahami data warehousing, penambangan data (data mining), dan visualisasi data sangat penting kalau kamu ingin bekerja sebagai data analyst.

Kamu tidak perlu menjadi ahli dalam semuanya, tetapi paham akan database dan cara kerjanya akan membantu kamu.

Mulai baca tentang kosakata data dan cobalah untuk memahami end-to-end pipeline agar kamu mempunyai pemahaman data secara keseluruhan.

Sumber: End-to-end Data Steps, Yemunn Soe, 2021

Dan, tentu saja, kamu harus mempunyai beberapa hard skill di atas.

Beberapa hard skill, seperti yang tercantum dalam Job Description di atas, sudah cukup menjelaskan sendiri.

Seperti yang kamu lihat, 5 perangkat keras teratas yang dibutuhkan adalah pemrograman SQL, Excel, Python, Tableau, dan R.

Persamaan Job Description di Gojek, Shopee, Grab, dan Tokopedia bisa kamu lihat di atas! Kamu juga bisa melihat perbandingan pada grafik di bawah ini.

Sumber: Towards Data Science, Jeff Hale (2020)

#3.4.4 Keterampilan Berkomunikasi

Ini adalah salah satu skill yang sering diremehkan banyak orang dalam menjadi data analyst.

Bercerita dengan data bukanlah tugas yang mudah untuk dilakukan.

Cerita yang baik dapat memberikan lebih dari sekedar cerita.

Mereka menciptakan sense of connection; salah satu contoh yang ditulis dalam Harvard Business Corporate Learning adalah:

Di Perusahaan A, seorang pemimpin mempresentasikan hasil keuangan untuk kuartal tersebut.

Di Perusahaan B, seorang pemimpin menceritakan kisah “kemenangan” tentang apa yang membuat kuartal tersebut berhasil.

Seusai rapat, karyawan Perusahaan A sekedar paham bahwa mereka sudah mencapai target.

Sedangkan karyawan Perusahaan B belajar tentang strategi efektif di mana sales, marketing, dan product development bekerja sama untuk mencapai target. Karyawan tersebut sekarang mempunyai pengetahuan baru, pemikiran baru untuk mereka aplikasikan.

Mereka telah ter-influence. Mereka telah belajar.

Menjadi seorang data analyst bukan hanya tentang menjadi orang cerdas yang bisa coding dan bekerja dengan datasets.

Tetapi sebenarnya berkomunikasi dan bercerita adalah bagian besar pada pekerjaan seorang analyst.

Kamu harus bisa meyakinkan CEO mu yang waktunya sangat terbatas, agar dia bisa tahu insight penting lewat presentasi pendek mu.

Kamu harus bisa menggunakan visual yang efektif, dan cara kamu berkomunikasi juga penting.

Part #4 - Langkah Penting dalam Data Analytics

Kita sudah belajar tentang definisi data analytics dan skill apa yang diperlukan untuk menjadi seorang data analyst.

Tapi seperti apakah proses menganalisis data?

Setidaknya ada 5 langkah utama yang terlibat dalam analisis data.

Sumber: Data Camp

4.1 Definisi masalah dan hipotesis

Data analytics tidaklah melulu tentang coding.

Untuk melakukan analisis, pertama-tama tentu kamu perlu mendefinisikan masalah yang ada.

Ini bisa menjadi jebakan atau perangkap bagi banyak data analyst.

Hal ini membutuhkan analytical thinking dan problem solving, menafsirkan requirement bisnis untuk memandu menganalisis data, dan mulai merancang proyek data mu.

Kamu memerlukan dokumentasi yang tepat; banyak yang menyebutnya PRD (Project Requirement Document). Amazon mempunyai gaya "narasi" untuk memandu proyek dan menentukan goal.

Amazon menggunakan narasi yang terdiri dari:

  • Tujuan
  • Latar belakang
  • Hipotesa
  • Detail Inisiatif

Termasuk semua stakeholder dan proses yang terlibat.

Dengan cara ini, kamu bisa menghubungkan obyektif bisnis dengan analisis data.

For example, if you are building a new product, you do not have the data yet.

Which is why you need to conduct experiments to test the beta version of a product to different customers.

You need to do random sampling, but you need to make sure the sample is representative to the customers that you are targeting.

You can design the experiment to test different things, A/B  Testing by changing colors or UX of the product.

The data can be qualitative such as results, or it e quantitativ

Kedua, setelah tujuan dan latar belakang yang jelas telah teridentifikasi dari problem statement, kamu perlu menentukan data apa yang akan dikumpulkan untuk memecahkan masalah.

Data tersebut mungkin sudah ada atau mungkin perlu kamu cari dari data sekunder atau wawancara. Data tidak selalu kuantitatif; bisa juga kualitatif.

Aturan praktisnya adalah mempunyai setidaknya dua atau lebih sumber (dan pastikan datanya valid).

Kamu tidak ingin hanya mengandalkan satu dasar karena kamu perlu memvalidasi.

Dalam beberapa kasus, kalau datanya belum ada, kamu perlu membuat eksperimen untuk mendapatkan data tersebut.

Untuk melakukan eksperimen, kamu perlu menentukan pertanyaan bisnis, membuat hipotesis, dan menentukan bagaimana kamu akan menguji dan mendapatkan data.

Biasanya, bagian ini dilakukan oleh tim growth project di sebuah perusahaan.

Misalnya, kalau kamu sedang membuat produk baru, kamu belum mempunyai data.

Itulah sebabnya kamu perlu melakukan eksperimen untuk menguji versi beta suatu produk ke pelanggan yang berbeda.

Kamu perlu melakukan pengambilan sampel secara acak, tetapi juga perlu memastikan sampel tersebut mewakili pelanggan yang kamu targetkan atau tidak.

Kamu dapat merancang eksperimen untuk menguji berbagai hal, A/B testing dengan mengubah warna atau UX (User Experience) produk.

Datanya bisa kualitatif seperti hasil wawancara, atau bisa juga kuantitatif seperti NPS (Net Promoter Score).


4.3 Persiapan & transformasi data

Kemudian, setelah kumpulan data tersebut siap, kamu perlu mempersiapkannya sebelum melakukan analisis.

Apa artinya "menyiapkan data"?

Yah, tidak semua kumpulan data itu sudah ideal untuk kamu.

Beberapa titik data akan lebih jauh dari rata-rata; ada 'outliers'.

Ini berbeda dari data yang ada.

Untuk melakukan ini, kamu perlu mempunyai indikator statistik, seperti mean (rata-rata) dan standar deviasi.

Sumber: Data School

Alasan di balik pembersihan data sangatlah simple, kamu perlu memberikan insight yang baik, sehingga kamu memerlukan data yang dapat membantu membawamu ke sana.

Mari kita lihat di bawah apa yang bisa dilakukan outlier terhadap kesimpulanmu.

Bayangkan kamu mempunyai kumpulan data: 50,15,12,13,15,15.

Seperti yang mungkin kamu bisa lihat dengan mudah, 50 benar-benar berbeda dari angka lainnya, jadi ini adalah outlier.

Lihat tabel di bawah ini:

Seperti yang kamu lihat, rata-rata dan range (rentang) meningkat secara signifikan saat kamu memasukkan dan menghitung 50 (outlier).

Namun, dalam kasus lain, outlier dapat menunjukkan kepada kita indikasi sesuatu yang lain atau tren yang menarik.

Paradigma garbage ingarbage out adalah hal besar dalam analisis data.

Kamu tidak dapat menghasilkan hasil yang baik kalau datanya 'garbage (sampah)'.

4.4 Data Analysis

Setelah kamu mempersiapkan dan mendapatkan data yang bersih, saatnya kamu melakukan beberapa analisis data.

Tergantung pada jenis data yang kamu peroleh dan masalah yang ingin kamu pecahkan, ada berbagai metode analisis yang dapat kamu lakukan.

Kalau kamu melakukan analisis deskriptif, beberapa outputnya dapat berupa:

  • Dashboard KPI
  • Laporan pendapatan bulanan
  • Overview prospek penjualan

Atau mungkin kamu melakukan analisis diagnostik untuk mengetahui 'mengapa'.

Misalnya, startup SaaS perlu mengetahui aktivitas pemasaran mana yang meningkatkan jumlah free trials.

Pada dasarnya, ini adalah bagian di mana kamu melakukan pekerjaanmu untuk menganalisis data.

Ada beberapa cara untuk menganalisis data, termasuk:

  • Causal Impact Analysis
  • Correlation Analysis
  • Regression Analysis
  • Cohort Analysis
  • Segmentation (Clustering, Decision Tree)
  • Time series & Forecasting

Mari kita ambil contoh:

Salah satu analisis terpenting saat bekerja dengan data pelanggan adalah cohort analysis.

Cohort analysts sangat penting, terutama untuk Software as a Service (SaaS) atau perusahaan e-Commerce, karena menunjukkan bagaimana pelanggan berinteraksi dengan platform.

Untuk membuat analisis kohort sederhana, kamu harus mempunyai input data per customer, yang mencakup Join date pelanggan (tanggal saat pelanggan pertama kali masuk ke platform), Usia berdasarkan hari/bulan (yang merupakan pengurangan dari Calendar date dan Join date).

Lihat tabel di bawah ini:

  • Pada tabel ini, kamu bisa melihat bahwa Customer #105059, yang bergabung pada tanggal 8 Mei 2014, telah melakukan beberapa kali pembelian dan kita dapat menghitung usia berdasarkan hari sejak ia melakukan pembelian pertama.
  • Customer #106249 telah melakukan 2 pembelian, dan sisanya hanya melakukan pembelian satu kali pada tanggal mereka bergabung (Join date)
  • Kita dapat melihat bahwa Customer #105059 dan #106249 adalah pelanggan yang kembali, dan dengan analisis kohort, kita dapat melihat berapa banyak pelanggan yang kembali ke platform
  • Metrik- metrik ini penting bagi bisnis karena biaya retensi (mempertahankan) jauh lebih rendah daripada biaya untuk memperoleh pelanggan baru.

Setelah memasukkan data, kamu dapat membuat pivot table sederhana untuk mempermudah cohort analysis.

Alat yang dapat kamu gunakan di sini antara lain Excel atau Google Sheets, R, Python, SQL.

Banyak data analyst yang suka membersihkan data menggunakan Python terlebih dahulu, lalu mengekspornya ke Excel untuk melakukan analisis setelah data yang ada dibersihkan.

Jadi kamu bisa menggunakan beberapa tools untuk melakukan ini!

Di RevoU, proses pengajaran akan dilakukan secara end-to-end, sehingga student bisa melanjutkan learning journey mereka dari awal hingga akhir dengan melakukan cohort analysis dan lain-lain dengan tools yang berbeda.

4.5 Visualisasi & komunikasi

Ini adalah bagian paling menarik dari analisis data, visualisasikan datanya!

Banyak orang mungkin meremehkan betapa pentingnya bagian ini untuk membuat keputusan berdasarkan data.

Tapi, banyak yang tidak menyadari bahwa banyak data analyst yang lemah di bidang ini dengan tidak menempatkan diri mereka pada posisi stakeholder.

Inti dari analisis data adalah bagaimana menghasilkan insight melalui visualisasi yang dapat dengan mudah dipahami oleh para stakeholder.

Tahukah kamu bahwa manusia memproses visual 60000x lebih cepat daripada teks?

Neuroscientist dari MIT telah menemukan bahwa otak kita dapat memproses seluruh gambar yang dilihat mata hanya dalam 13 milidetik.

Inilah betapa pentingnya visualisasi, terutama ketika kamu membutuhkannya untuk decision making!

Sumber: “Syntactic Theory of Visual Communications” & “Humans Process Visual Data Better”

Ada banyak tool gratis yang tersedia saat ini, mulai dari Google Data Studio, Tableau Public, PowerBI, Qlik, Metabase, dan bahkan visualisasi cepat dengan Python dan R.

Kamu juga bisa membuat 'dashboard' dengan Google Spreadsheet atau Excel sederhana.

Untuk menunjukkan insight yang kamu dapat, kamu bisa menggunakan Google Slide, Powerpoint, atau Canva untuk membantu kamu mempresentasikan kepada para stakeholder

Bagian besar lain dari visualisasi data dalam pekerjaan analis data sehari-harinya adalah membuat dashboard

Apa itu dashboard? Pada dasarnya, dashboard adalah representasi visual yang menunjukkan semua metrik penting untuk bisnis hanya dalam satu halaman.

Biasanya, dashboard menampilkan real-time data bagi stakeholder untuk memantau kinerja dan KPI (Indikator Kinerja Utama) mereka.

Dashboard biasanya digunakan oleh Tim Business Intelligence untuk membagikan laporan kepada stakeholder tertentu, seperti dashboard keuangan ke departemen keuangan, CFO, dan CEO.

Kadang, mereka juga dibuat untuk eksperimen atau kampanye tertentu untuk memantau performa.

Example dashboard from Tableau (Sumber: tableau.com)

Part #5 - Karir di Data Analytics

#5.1 Apa Tipikal Career Path Data Analyst?

Ini adalah pertanyaan umum ketika kamu ingin mempelajari lebih lanjut tentang data analytics.

Untuk memudahkannya, ada beberapa area yang bisa kamu lihat dari tabel di bawah ini.

Karena sifat dari Data Analytics adalah versatile atau “serbaguna”, kamu sangat bisa untuk menyusun career-path mu sendiri dengan mudah. Singkatnya, ini ringkasannya:

  • Kalau kamu memutuskan untuk mengembangkan soft skill kamu, kamu dapat dipromosi dan menjadi Head of Data atau bahkan Chief Data Officer.
  • Kalau kamu memutuskan untuk mengembangkan hard skill kamu, kamu bisa menjadi Data Scientist atau Artificial Intelligence and Machine Learning Engineer.
  • Kalau kamu memutuskan untuk pindah industri dengan role yang sama yaitu Data Analyst, pengetahuannya sangat fleksibel untuk diterapkan di sektor lain.
  • Kalau kamu memutuskan untuk pindah role, kamu bisa beralih karir ke posisi lain seperti product, marketing, finance, karena banyak posisi lain yang membutuhkan orang yang kuat di bidang analisa data.
  • Jadilah konsultan data di perusahaan konsultan, lakukan freelance, atau bangun perusahaan konsultan mu sendiri!
  • Kalau kamu punya jiwa entrepreneur, jadilah CEO atau Pemilik Bisnis berbasis data. Pemahaman tentang analisis data sangat dibutuhkan ketika dihadapkan pada keputusan yang sulit untuk diambil sebagai seorang entrepreneur.

Jadi, tidak ada jawaban yang salah untuk menjadi seorang data analyst. Jenjang karir panjang yang bisa kamu pilih ada di tangan kamu sendiri.

#5.2 Berapa banyak penghasilan yang bisa aku dapatkan?

Ini adalah pertanyaan bagus.

Mari kita lihat kondisi di Indonesia (membandingkan beberapa pertanyaan yang diajukan pada 2020-2021).

Bisa dibilang kita bisa membedahnya menjadi tiga langkah: entry-level, mid-level dan senior-level.

Entry-level berarti data analyst biasanya berasal dari fresh graduate, terutama menggunakan Excel, SQL, visualisasi data dengan Power BI, dan beberapa alat lainnya: 8–15 juta. (Sumber: Qerja.com)

Mid-level berarti data analyst yang juga memahami bisnis dan dapat menggunakan bahasa pemrograman seperti R/SQL/Python (dengan asumsi pengalaman 2-4 tahun).

Mungkin ini gaji yang akan kamu dapat kalau kamu mahir dan bekerja di perusahaan teknologi ala unicorn: 15–25 juta.

Senior-level berarti kamu dapat menggunakan bahasa pemrograman dan memahami bisnis serta bisa memimpin tim analyst lain.

Tentu saja, ini tergantung pada seberapa besar masing-masing perusahaan. Dari riset kepada beberapa manajer HR, dalam 3-6 tahun pengalaman kerja di bidang data, kamu bisa mendapatkan gaji sebesar ini: 25–35 juta.

Cukup bagus, kan? Dan dengan fakta bahwa unicorn 'mencuri' talenta satu sama lain, keberadaan talenta data sangatlah langka.

#5.3 Haruskah aku menjadi seorang Data Analyst?

"Easy to say, tetapi bagaimana aku tahu apakah ini hal yang tepat untuk aku lakukan?"

Jangan terlalu keras pada diri sendiri! Data analytics adalah untuk semua orang, tetapi mungkin untuk melihat apakah itu pilihan yang baik buat kamu, kamu bisa mencoba mengajukan pertanyaan sederhana ini kepada diri kamu sendiri:

  • Apakah aku suka bekerja dengan angka?
  • Seberapa bersemangat kah aku untuk memecahkan masalah baru?
  • Apakah aku suka mempelajari hal-hal baru setiap hari?
  • Apakah aku suka berkomunikasi berdasarkan data?

Jika jawaban kami atas pertanyaan di atas sebagian besar 'Ya', maka mungkin itu jalan yang tepat buatmu!

#5.4 Dari mana ya aku bisa memulai? Step-by-step Menjadi Data Analyst

Secara keseluruhan, untuk menjadi seorang data analyst, tentu saja, dimulai dengan mempelajari skill yang dibutuhkan.

  • Pelajari dasar-dasar SQL dan pemrograman dalam R atau Python

Ada banyak referensi untuk belajar data analytics, seperti Datacamp, Dataquest, dan kursus pembelajaran online lainnya seperti di Coursera atau Ude.

Kamu bisa dengan mudah menemukan data analytics basics untuk memulai dan mendapatkan bayangan atau gambaran. Sisi positifnya adalah kamu bisa belajar kapan saja, di mana saja, dengan biaya yang lebih terjangkau. Sisi negatifnya adalah kamu tidak punya seseorang untuk memberitahumu metode mana yang terbaik atau tidak, atau apakah yang kamu sudah melakukan hal yang benar.

  • Mulai membangun proyek dan bergabung dengan komunitas data.

Kamu bisa menggunakan Repl.it atau Kaggle, menggunakan kumpulan data gratis mereka dan mengubahnya menjadi beberapa passion projects yang dapat kamu pamerkan di publik!

Kamu juga bisa bergabung dengan Komunitas Data, seperti Data Science Indonesia.

Kamu bisa bertemu dengan sesama calon data analyst atau data scientist untuk ngobrol, dan kadang mereka mempunyai proyek yang bisa juga kamu ikuti!

  • Baca dan ikuti blog atau artikel data analytics untuk terus update informasi.

Untungnya, ada banyak blog tentang data analytics seperti CIO atau Analytics Insight yang dapat kamu Google dengan mudah.

Kamu juga bisa mengikuti beberapa publikasi di Medium, seperti Analytics Vidhya dan Towards Data Science. Mereka membuat tulisan-tulisan keren dari tingkat pemula hingga menengah dan sangat up-to-date dengan tren saat ini.

Ide data analytics adalah sesuatu yang sangat adaptif dan cepat berubah. Sehingga, mampu untuk mengikuti apa yang terjadi di industri sangatlah penting!

  • Bergabunglah dengan Data Analytics Bootcamp

Sebenarnya, hal tersulit tentang mempelajari technical skills baru secara mandiri adalah tidak mempunyai seseorang untuk memberitahu kita kapan itu benar atau salah.

Penting sekali untuk mempunyai seseorang yang bisa memberitahumu apa yang harus dilakukan, karena terkadang akan sulit untuk kamu ketahui kalau kamu belajar secara otodidak.


Comments