Sekarang saat kamu membaca kalimat ini, kamu mungkin sudah pernah mendengar istilah Data
Analytics di mana-mana.
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.
Kekurangan ini akhirnya memaksa beberapa unicorn seperti Gojek untuk meng-outsource ahli
teknologi mereka dari India.
Hal ini menunjukkan bahwa ada permintaan yang besar untuk talenta teknologi, khususnya data
di Indonesia.
Tetapi mengapa demikian? Dan apa yang dibutuhkan untuk menjadi seorang Data Analyst?
Kamu akan punya referensi untuk mempelajari dan melihat apakah kamu cocok untuk menjadi
data analyst. Stay tuned!
Akan ada 5 bagian dalam panduan ini yang dapat kamu pelajari:
Pertama, kamu akan search di Google dan mengetik 'restoran di dekat saya'. Lalu kamu scroll ke
bawah halaman Google tersebut dan melihat menu restoran yang kamu minati.
Kemudian, kamu membuka SuperApp favoritmu dan meng-klik spanduk promosi, yang
menunjukkan banyak opsi-opsi lainnya.
Setelah browsing beberapa saat, akhirnya kamu klik menu dan bayar makanan pilihanmu.
Percaya nggak kalau dalam waktu 5 menit dalam hidupmu hanya untuk memilih makanan, ada
ribuan baris data yang dihasilkan oleh berbagai perusahaan (Google, SuperApp, restoran), dan
itu berawal dari klik di Google Search?
Dan di seluruh dunia ini ada jutaan orang yang sedang melakukan hal yang sama seperti kamu.
Fun fact! Menurut data LocaliQ, setiap menit sepanjang hari di tahun 2020, ada:
Ada 218 miliar unduhan aplikasi seluler di semua platform pada tahun 2020 (Statista, 2021).
Selain itu, adanya explosion dalam belanja online dan user-generated content melalui TikTok,
YouTube, dan Instagram selama beberapa tahun terakhir.
Dapatkah Anda bayangkan jumlah data yang perlu ditangani? Inilah sebabnya mengapa orang
menyebutnya 'big data.'
Data sangat bisa membantu bisnis untuk melakukan hal yang luar biasa:
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.
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.
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.
Semoga guide ini memberikan lebih banyak wawasan dan konteks seputar data analytics untuk
kamu yang baru di bidang ini.
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.
Hal berikutnya yang selalu ditanyakan orang adalah, '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
Akan ada perbedaan di semua organisasi, tetapi berikut ini adalah gambaran tentang keseharian
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
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.
"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:
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:
Memiliki pondasi yang kuat dalam hal ini dapat membantumu menganalisis dan mengeksplorasi
solusi dari data yang sedang kamu kerjakan.
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.
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.
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)
Ini adalah salah satu skill yang sering diremehkan banyak orang dalam menjadi data analyst.
Mereka menciptakan sense of connection; salah satu contoh yang ditulis dalam Harvard Business
Corporate Learning adalah:
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.
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.
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
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 interview results, or it can be quantitative, like the NPS (Net
Promoter Score).
Conducting analysis for these experiments or hypothesis testing is also something that will be
learned during the weeks in the RevoU data analytics program.
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).
Melakukan analisis untuk eksperimen atau pengujian hipotesis ini juga merupakan sesuatu yang
akan dipelajari selama berminggu-minggu dalam program Data Analytics RevoU.
Kemudian, setelah kumpulan data tersebut siap, kamu perlu mempersiapkannya sebelum
melakukan analisis.
Yah, tidak semua kumpulan data itu sudah ideal untuk kamu.
Beberapa titik data akan lebih jauh dari rata-rata; ada 'outliers'.
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.
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 in, garbage 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.
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.
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).
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.
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.
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)
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.
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.
"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:
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.
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.
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!
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.
Itulah sebabnya Program Analisis Data RevoU bertujuan untuk membantu student mempercepat
karir mereka di bidang teknologi.
Kenapa? Karena RevoU tidak hanya mengajarkan semua skill yang disebutkan di atas dalam
waktu 12 minggu.
Dengan live learning bersama mentor dari unicorn seperti Traveloka, Gojek, dan Kitabisa,
student dapat mendapatkan ilmu dari para leader dan praktisi di lapangan.
Kamu juga mendapatkan peluang besar untuk melatih keterampilan mu selama beberapa minggu
dengan mengikuti program apprenticeship dan dipekerjakan oleh perusahaan teknologi top
hanya dalam 3 bulan.
Ke mana pun kamu pergi, percayalah, kamu akan dihadapkan dengan banyak data.
Bisa jadi kamu dihadapkan dengan data penjualan ketika kamu bekerja sebagai sales manager.
Bisa juga data marketing saat kamu sedang melakukan digital marketing.
Selain itu, bisa jadi kamu juga berhadapan dengan data produksi saat kamu bekerja di
manufacturing.
Kamu tidak akan bisa menjadi seorang pemimpin, kalau kamu tidak terbiasa menganalisis data
dengan cepat untuk membuat keputusan.
Jadi, jika kita berbicara tentang value, data analytics adalah sesuatu yang berharga untuk
dipelajari dan dapat kamu bawa selama sisa karir atau kehidupan berbisnis kamu.
Memulai belajar data analytics sangatlah mudah. Data analytics mempunyai peluang besar untuk
berkembang di market.
Kamu juga bisa memberikan dampak melalui pekerjaanmu, dan kamu sangat bisa mendapatkan
peluang untuk bekerja freelancer sebagai tambahan!