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.
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?
Ini akan melihat lokasi, preferensi, data profil mu dan mencocokkan semuanya
sepersonal mungkin untuk pembelian mu yang berikutnya.
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.
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.
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.
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 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.
Akan ada perbedaan di semua organisasi, tetapi berikut ini adalah gambaran tentang
keseharian Data Analyst
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.
Tanggung jawab utama sebagai data analyst bervariasi tergantung dengan definisi di
setiap organisasi. Beberapa tanggung jawab utamanya adalah:
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.
Memiliki pondasi yang kuat dalam hal ini dapat membantumu menganalisis dan
mengeksplorasi solusi dari data yang sedang kamu kerjakan.
Menguasai dasar-dasar statistik untuk data science & data analytics akan banyak
membantu pekerjaanmu.
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.
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.
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.
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.
Ini bisa menjadi jebakan atau perangkap bagi banyak data analyst.
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.
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.
4.3 Persiapan & transformasi data
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.
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.
Dashboard KPI
Laporan pendapatan bulanan
Overview prospek penjualan
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.
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.
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.
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.
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.
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.
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.
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.