Roadmap Data Analyst: Skill yang Perlu Dipelajari Pemula

Apa yang Sebenarnya Dikerjakan Data Analyst?

Sebelum membahas skill, penting untuk memahami pekerjaan yang akan dilakukan. Bayangkan sebuah perusahaan e-commerce mengalami penurunan penjualan selama tiga bulan. Manajemen ingin mengetahui penyebabnya.

Data Analyst tidak cukup hanya membuat grafik omzet. Ia perlu menggali pertanyaan lebih dalam: apakah penjualan turun di semua kategori? Apakah jumlah customer berkurang? Apakah conversion rate menurun? Apakah hanya wilayah tertentu yang terkena dampak? Apakah customer lama berhenti melakukan repeat order?

Proses analisis kemudian dapat bergerak melalui beberapa tahap:

Business Question → Data Collection → Data Cleaning → Analysis → Visualization → Insight → Recommendation

Misalnya setelah dianalisis, ternyata traffic website relatif stabil tetapi conversion rate turun cukup besar pada pengguna mobile. Analisis berikutnya menemukan bahwa penurunan mulai terjadi setelah perubahan checkout flow.

Insight tersebut jauh lebih berguna dibanding sekadar mengatakan:

“Penjualan bulan ini turun 12%.”

Inilah inti pekerjaan Data Analyst. Kamu menggunakan data untuk menjawab pertanyaan bisnis dan membantu orang lain memahami apa yang sedang terjadi.

Google juga menggambarkan proses data analytics melalui tahapan menyiapkan, memproses, menganalisis, membagikan, dan menggunakan data untuk mendukung tindakan yang lebih baik. credly.com

Roadmap Data Analyst Tahap 1: Kuasai Spreadsheet

Untuk pemula, kamu tidak harus langsung belajar programming.

Spreadsheet seperti Microsoft Excel atau Google Sheets masih sangat berguna untuk memahami fondasi pengolahan data karena kamu dapat melihat secara langsung bagaimana data tersusun dalam baris, kolom, tabel, dan formula. Beberapa kemampuan spreadsheet yang perlu dipelajari terlebih dahulu antara lain:

• sort dan filter

• basic formula seperti SUM, AVERAGE, COUNT, dan IF

• SUMIF atau SUMIFS

• COUNTIF atau COUNTIFS

• lookup seperti XLOOKUP atau fungsi sejenis

• text dan date functions

• PivotTable

• basic chart

• data cleaning sederhana

Tidak perlu menghafal ratusan formula. Lebih penting memahami kapan sebuah fungsi digunakan.

Sebagai latihan, gunakan dataset transaksi penjualan dengan kolom tanggal, kategori produk, wilayah, jumlah transaksi, harga, dan revenue. Coba jawab beberapa pertanyaan sederhana:

Produk mana yang paling banyak terjual?
Wilayah mana yang menghasilkan revenue tertinggi?
Bagaimana tren penjualan setiap bulan?

Google sendiri menempatkan spreadsheets sebagai salah satu tools penting dalam pembelajaran fundamental data analytics bersama SQL dan visualization. Google Skills

Spreadsheet juga membantu kamu memahami konsep yang nantinya muncul kembali saat belajar SQL, Python, atau Business Intelligence.

Roadmap Data Analyst Tahap 2: Belajar SQL

Setelah cukup nyaman dengan tabel dan data, langkah berikutnya adalah SQL atau Structured Query Language. SQL digunakan untuk mengambil dan mengolah data dari database.

Bayangkan perusahaan memiliki jutaan transaksi. Membuka semuanya melalui spreadsheet bukan pendekatan yang efisien. Dengan SQL, kamu dapat meminta database hanya memberikan informasi yang dibutuhkan.

Misalnya:

Berapa revenue setiap kategori produk selama enam bulan terakhir?

Untuk menjawabnya, kamu mungkin perlu memahami beberapa konsep seperti:

• SELECT

• FROM

• WHERE

• ORDER BY

• GROUP BY

• aggregate functions

• CASE WHEN

• JOIN

• subquery

• Common Table Expression atau CTE

Pemula sebaiknya tidak langsung mengejar query yang sangat kompleks. Mulai dengan satu tabel, belajar filtering dan aggregation, lalu perlahan masuk ke JOIN.

Contohnya, satu tabel berisi transaksi dan satu lagi berisi customer. Dengan JOIN, kamu dapat menggabungkan keduanya untuk mengetahui:

Segmen customer mana yang menghasilkan revenue tertinggi?

SQL menjadi skill penting karena Data Analyst sering bekerja dengan data yang tersimpan di database. Google memasukkan SQL sebagai salah satu keterampilan inti dalam jalur Data Analytics mereka, bersama spreadsheets dan visualization. Google Skills

Roadmap Data Analyst Tahap 3: Pelajari Data Cleaning

Salah satu realitas yang perlu diketahui pemula adalah bahwa data di dunia kerja tidak selalu rapi. Kamu mungkin menemukan:

• baris duplikat

• nilai kosong

• format tanggal yang berbeda

• salah penulisan kategori

• angka tersimpan sebagai teks

• outlier

• data yang tidak konsisten antar-sumber

Contohnya, kolom kota dapat berisi:

Jakarta
DKI Jakarta
Jakarta Selatan
JKT

Jika analisis membutuhkan grouping berdasarkan kota, ketidakkonsistenan tersebut dapat membuat hasilnya salah.

Karena itu, data cleaning bukan pekerjaan tambahan yang tidak penting. Ini justru bagian mendasar dari analisis.

Microsoft memasukkan cleaning dan transformation sebagai tanggung jawab utama dalam jalur pembelajaran Data Analyst. Microsoft Learn

Saat belajar data cleaning, biasakan selalu bertanya:

Apakah ada data kosong?
Apakah tipe datanya sudah benar?
Apakah kategori ditulis konsisten?
Apakah terdapat duplicate record?
Apakah nilai ekstrem masuk akal atau merupakan error?

Kualitas insight sangat bergantung pada kualitas data yang dianalisis.

Roadmap Data Analyst Tahap 4: Pahami Statistik Dasar

Kamu tidak harus menjadi ahli matematika untuk memulai sebagai Data Analyst. Namun beberapa konsep statistik dasar akan membantu kamu membaca data dengan lebih hati-hati.

Mulailah dari:

• mean

• median

• mode

• minimum dan maximum

• percentage

• growth rate

• distribution

• variance dan standard deviation

• correlation

• basic probability

Contohnya, gaji rata-rata sebuah tim adalah Rp15 juta. Apakah itu berarti sebagian besar karyawan menerima sekitar Rp15 juta?

Belum tentu.

Jika satu director memiliki gaji Rp80 juta dan mayoritas staf berada di kisaran Rp7–10 juta, mean dapat memberikan gambaran yang berbeda dari kondisi mayoritas. Median mungkin lebih representatif.

Statistik membantu kamu tidak hanya menghasilkan angka, tetapi memahami apa arti angka tersebut.

Untuk tahap awal, fokuslah pada statistik deskriptif yang sering digunakan dalam pekerjaan analisis sehari-hari. Konsep yang lebih kompleks dapat dipelajari nanti ketika kebutuhan analisismu meningkat.

Roadmap Data Analyst Tahap 5: Belajar Data Visualization

Insight yang bagus dapat kehilangan nilainya jika sulit dipahami.

Karena itu, Data Analyst juga perlu memahami data visualization.

Tujuannya bukan membuat grafik paling ramai atau dashboard yang penuh warna. Visualisasi seharusnya membuat informasi penting lebih cepat terlihat.

Contoh sederhana:

Line chart cocok untuk melihat tren waktu.
Bar chart berguna membandingkan kategori.
Scatter plot membantu melihat hubungan antarvariabel.
Map dapat digunakan untuk data geografis.
KPI card cocok menampilkan angka utama.

Jika ingin menunjukkan bahwa omzet menurun selama enam bulan, line chart biasanya lebih mudah dibaca dibanding pie chart.

Kesalahan yang umum dilakukan pemula adalah memasukkan terlalu banyak visual sekaligus. Dashboard memiliki 20 chart tetapi pengguna justru tidak tahu informasi mana yang paling penting.

Microsoft menempatkan kemampuan membuat report dan visualization sebagai bagian inti pekerjaan Data Analyst karena hasil analisis perlu diubah menjadi informasi yang dapat digunakan stakeholder. Microsoft Learn

Roadmap Data Analyst Tahap 6: Kuasai Satu BI Tool

Setelah memahami analisis dan visualisasi dasar, mulailah mempelajari salah satu Business Intelligence tool.

Pilihan yang umum antara lain Power BI, Tableau, dan Looker Studio.

Kamu tidak perlu menguasai semuanya di awal.

Pilih satu lalu belajar sampai cukup nyaman melakukan:

1. import data

2. data transformation

3. membuat relationship antar-tabel

4. membuat calculated field atau measure

5. membangun chart

6. menggunakan filter dan slicer

7. menyusun dashboard

8. menyampaikan insight

Power BI dapat menjadi salah satu pilihan karena Microsoft mempunyai learning path khusus Data Analyst yang mencakup preparation, modeling, visualization, hingga reporting. Microsoft Learn

Fokusnya tetap sama: bukan tool-nya yang menjadi tujuan akhir, tetapi kemampuan menyampaikan insight.

Apakah Pemula Harus Langsung Belajar Python?

Tidak harus.

Python memang sangat berguna dalam data analytics, terutama ketika dataset mulai besar, workflow perlu diotomatisasi, atau analisis membutuhkan proses yang lebih kompleks.

Google saat ini juga memasukkan Python dalam jalur sertifikasi Data Analytics mereka bersama SQL, R, Tableau, dan penggunaan AI dalam analisis. Google Skills

Namun jika kamu benar-benar mulai dari nol, belajar Excel, SQL, dan visualisasi terlebih dahulu sering membuat perjalanan lebih mudah.

Python dapat dipelajari setelah kamu memahami logika pengolahan data.

Ketika mulai belajar Python, fokus pada library yang relevan seperti:

Pandas untuk manipulasi data
NumPy untuk operasi numerik
Matplotlib untuk visualisasi dasar

Jangan merasa belum bisa menjadi Data Analyst hanya karena belum menguasai Python. Banyak tugas analisis dasar dapat dilakukan dengan spreadsheet, SQL, dan BI tool.

Soft Skill Data Analyst yang Sering Terlupakan

Skill teknis memang penting, tetapi pekerjaan Data Analyst tidak selesai ketika query berhasil dijalankan.

Kamu juga perlu menjelaskan apa arti hasilnya.

Beberapa kemampuan nonteknis yang sangat berguna antara lain:

Business understanding. Kamu harus memahami pertanyaan yang ingin dijawab.

Critical thinking. Jangan menerima angka tanpa mempertanyakan konteksnya.

Problem solving. Data sering tidak langsung memberikan jawaban. Kamu perlu memecah masalah menjadi pertanyaan yang lebih kecil.

Communication. Insight harus dapat dipahami oleh orang yang tidak bekerja dengan data.

Data storytelling. Kamu perlu menghubungkan angka menjadi cerita yang logis.

Misalnya dibanding mengatakan:

Conversion rate turun dari 4,2% menjadi 3,5%.

Akan lebih berguna jika disampaikan:

Conversion rate turun 0,7 percentage point setelah perubahan checkout mobile. Penurunan terbesar terjadi pada tahap pembayaran, sehingga checkout flow menjadi area pertama yang perlu diperiksa.

Data yang sama, tetapi nilai bisnisnya jauh berbeda.

Jangan Tunggu Mahir untuk Membuat Portofolio

Kesalahan lain yang sering dilakukan pemula adalah belajar terlalu lama tanpa pernah membuat project.

Padahal portofolio dapat menunjukkan bahwa kamu mampu menerapkan skill secara end-to-end.

Mulailah dengan dataset sederhana.

Contoh project pertama:

Analisis Penjualan Retail

Pertanyaan yang dapat dijawab:

• bagaimana tren revenue bulanan?

• produk apa yang paling menguntungkan?

• wilayah mana yang memiliki performa terendah?

• kategori mana yang tumbuh paling cepat?

• rekomendasi apa yang dapat diberikan?

Project dapat dibuat melalui tahapan:

Raw Data → Cleaning → Analysis → Visualization → Insight → Recommendation

Output-nya dapat berupa satu dashboard dan satu halaman penjelasan insight.

Project kedua bisa membahas customer behavior. Project ketiga dapat mengambil tema HR analytics, marketing, finance, atau supply chain.

Microsoft juga menyarankan praktik melalui data analysis dan visualization project sebagai salah satu cara membangun pengalaman sebelum sertifikasi atau pekerjaan profesional. TECHCOMMUNITY.MICROSOFT.COM

Portofolio tidak perlu berisi sepuluh dashboard. Dua sampai empat project yang memiliki problem statement, proses analisis, dan insight yang jelas jauh lebih berguna dibanding puluhan visual tanpa konteks.

Urutan Roadmap Data Analyst untuk Pemula

Jika masih bingung menentukan urutan belajar, gunakan roadmap sederhana berikut:

Tahap 1 — Fundamental Data
Pahami tabel, data type, metric, dimension, dan basic business question.

Tahap 2 — Spreadsheet
Pelajari formula, PivotTable, cleaning, dan chart.

Tahap 3 — SQL
Mulai dari basic query, filtering, aggregation, lalu JOIN.

Tahap 4 — Data Cleaning & Basic Statistics
Belajar membersihkan data dan memahami statistik deskriptif.

Tahap 5 — Data Visualization
Pelajari pemilihan chart dan cara menyampaikan insight.

Tahap 6 — Power BI, Tableau, atau Looker Studio
Bangun dashboard interaktif dan reporting.

Tahap 7 — Portfolio Project
Gabungkan seluruh skill ke dalam studi kasus.

Tahap 8 — Python
Tambahkan setelah fondasi analisis cukup kuat jika kebutuhan pekerjaanmu memang memerlukannya.

Google dan Microsoft sama-sama menunjukkan bahwa perjalanan Data Analyst melibatkan kombinasi kemampuan mengolah data, query, cleaning, transformation, visualization, dan penyampaian insight, meskipun tools yang digunakan pada masing-masing learning path dapat berbeda. Microsoft Learn

Roadmap tersebut juga bukan aturan kaku. Kamu dapat menyesuaikannya dengan target pekerjaan.

Jika ingin fokus pada Business Intelligence, kamu dapat memperdalam SQL, data modeling, dan Power BI lebih awal. Jika ingin bergerak ke advanced analytics, Python dan statistik dapat diberikan porsi lebih besar.

Berapa Lama Belajar Menjadi Data Analyst?

Tidak ada durasi yang berlaku untuk semua orang. Seseorang yang sudah terbiasa menggunakan Excel dan bekerja dengan laporan bisnis tentu memiliki starting point berbeda dari orang yang baru pertama kali melihat dataset.

Daripada menentukan target seperti “harus menjadi Data Analyst dalam tiga bulan”, lebih baik gunakan milestone kemampuan.

Misalnya:

Milestone 1: mampu membersihkan dataset sederhana.
Milestone 2: mampu menulis SQL query menggunakan JOIN dan GROUP BY.
Milestone 3: mampu membuat dashboard interaktif.
Milestone 4: mampu menjelaskan tiga insight bisnis dari data.
Milestone 5: mempunyai minimal dua portfolio project.

Google menyebut jalur Career Certificate Data Analytics mereka dirancang agar dapat diselesaikan secara fleksibel dan tidak mensyaratkan pengalaman sebelumnya. Namun waktu belajar tetap sangat bergantung pada intensitas dan latar belakang masing-masing learner. Grow with Google US

Ukurlah kemajuan berdasarkan apa yang sudah dapat kamu kerjakan, bukan hanya berapa banyak course yang selesai.

Kesimpulan

Memulai karier di bidang data terasa lebih sederhana jika kamu mempunyai roadmap data analyst yang jelas.

Kamu tidak perlu belajar Excel, SQL, Python, Power BI, Tableau, statistik, dan machine learning dalam minggu yang sama. Mulailah dari kemampuan yang membentuk alur kerja analisis.

Pelajari spreadsheet untuk memahami struktur data. Gunakan SQL untuk mengambil dan mengolah data dari database. Latih kemampuan data cleaning agar hasil analisis dapat dipercaya. Tambahkan statistik dasar untuk membaca angka secara lebih tepat. Setelah itu, gunakan visualization dan BI tool untuk mengubah hasil analisis menjadi informasi yang mudah dipahami.

Yang tidak kalah penting adalah membangun project.

Karier Data Analyst bukan hanya soal mengetahui syntax SQL atau cara membuat chart. Nilai seorang analyst terlihat dari kemampuannya menghubungkan pertanyaan bisnis, data, analisis, insight, dan rekomendasi.

Jika ingin tahu apakah kamu sudah berada di jalur yang tepat, gunakan satu pertanyaan sederhana: ketika diberikan dataset dan sebuah masalah bisnis, apakah kamu sudah mampu mencari jawabannya dan menjelaskan hasilnya dengan jelas?

Jika jawabannya semakin mendekati “ya”, berarti roadmap belajarmu mulai bekerja.