Belajar Data Analyst - Proses Kerja & Data Literacy
Episode ini membedah framework proses kerja analis — Google DAC (Ask, Prepare, Process, Analyze, Share) dan CRISP-DM — serta data literacy: cara pertanyaan bisnis diterjemahkan menjadi metrik, KPI, dan query data yang tepat sasaran
#Pendahuluan
Setelah di episode 1 kita memetakan peran dan tanggung jawab analis, pada episode ini kita masuk ke bagaimana pekerjaan itu dilakukan. Ada metode di balik analisis yang tampak "berantakan" di dunia nyata, dan kalian wajib menguasainya agar hasil analisis konsisten dan bisa dipertanggungjawabkan.
Mengapa framework ini penting? Karena tanpa proses yang jelas, analisis berubah menjadi eksplorasi tanpa ujung: kalian membuka dataset, bingung harus mulai dari mana, dan akhirnya menyerahkan slide yang tidak menjawab apa pun. Framework memberi kalian jalan, dan data literacy memberi kalian bahasa yang tepat untuk berkomunikasi dengan bisnis. Kombinasi keduanya membedakan analis profesional dari orang yang sekadar bisa menulis query.
#Framework Google DAC: Ask → Prepare → Process → Analyze → Share
Google Data Analytics Certificate mempopulerkan lima fase yang menjadi bahasa umum proses kerja analis:
#1. Ask (Bertanya)
Tahap paling penting dan paling sering dilompati. Sebelum menyentuh data, kalian harus paham pertanyaan bisnis yang sesungguhnya. Bedakan problem statement dari permintaan teknis: "buatkan query penjualan" berbeda dengan "kenapa penjualan kuartal ini turun?". Pertanyaan yang baik spesifik, terukur, dan bisa dijawab data.
#2. Prepare (Menyiapkan)
Identifikasi sumber data yang relevan, siapa pemiliknya, dan bagaimana kualitasnya. Kalian juga harus memastikan data bersih dari masalah privasi sejak awal — topik yang akan kita dalami di episode 19.
#3. Process (Memproses)
Membersihkan dan menstandarkan data: missing values, duplikat, tipe data, outlier. Ini fase yang paling menyita waktu — episode 7 akan membahasnya tuntas.
#4. Analyze (Menganalisis)
Menemukan pola dan hubungan dengan SQL, statistika, dan visualisasi. Di sinilah insight lahir.
#5. Share (Berbagi)
Menyampaikan temuan lewat dashboard, laporan, dan presentasi — episode 13 akan membahas storytelling data.
Perhatikan umpan balik di diagram: proses ini tidak pernah linear sempurna. Insight yang ditemukan di fase Analyze sering memunculkan pertanyaan baru yang kembali ke fase Ask.
#CRISP-DM: Alternatif dari Dunia Data Science
Sebelum Google DAC populer, industri data memakai CRISP-DM (Cross-Industry Standard Process for Data Mining) — dan masih relevan hingga kini, terutama saat analisis bertemu dengan eksperimen:
| Fase DAC | Fase CRISP-DM | Fokus |
|---|---|---|
| Ask | Business Understanding | Memahami tujuan bisnis |
| Prepare | Data Understanding | Eksplorasi data awal |
| Process | Data Preparation | Cleaning & transformasi |
| Analyze | Modeling | Analisis / pemodelan |
| Evaluate | Evaluation | Validasi hasil |
| Share | Deployment | Presentasi & operasionalisasi |
Untuk analisis sehari-hari, DAC lebih ringkas; untuk proyek yang berpotensi menjadi model, CRISP-DM lebih lengkap karena punya fase Evaluation dan Deployment.
#Data Literacy: Bahasa Bersama antara Data dan Bisnis
#Metrik dan KPI
- Metrik adalah ukuran kuantitatif dari aktivitas: jumlah order, revenue, jumlah pengguna aktif.
- KPI (Key Performance Indicator) adalah metrik yang dipilih untuk mengukur keberhasilan sebuah tujuan bisnis. Semua KPI adalah metrik, tetapi tidak semua metrik adalah KPI.
Contoh: aplikasi e-commerce punya metrik jumlah pengunjung, jumlah order, dan revenue. Jika tujuan kuartal ini adalah meningkatkan konversi, maka KPI-nya adalah conversion rate (order dibagi pengunjung) — bukan sekadar traffic.
Tip
Cara cepat memilih KPI: tanyakan "metrik apa yang paling menggambarkan kemajuan menuju tujuan bisnis kita?" Jika tujuan adalah pertumbuhan, KPI-nya growth. Jika tujuan adalah profitabilitas, KPI-nya margin. Satu tujuan utama = satu KPI utama.
#Menerjemahkan Pertanyaan Bisnis ke Query Data
Ini keterampilan inti analis: dari kalimat manusia menjadi struktur data. Contoh penerjemahan:
| Pertanyaan bisnis | Elemen data yang dibutuhkan | Query yang relevan |
|---|---|---|
| Berapa order bulan ini vs bulan lalu? | tanggal order, jumlah order | COUNT + filter DATE_TRUNC('month', created_at) |
| Segmen mana yang paling loyal? | user_id, frekuensi order | GROUP BY segmen + COUNT order |
| Kenapa churn naik? | tanggal aktivitas, status pelanggan | filter status + LAG untuk melihat pola |
Frasa "kenapa" hampir selalu membutuhkan perbandingan (bandingkan segmen, bandingkan periode, bandingkan kohort). Tanpa perbandingan, sebuah angka tidak punya arti: "revenue 1 miliar" tidak informatif sampai kalian tahu itu naik atau turun dibanding apa.
#Latihan: Pertanyaan Bisnis menjadi Kerangka Analisis
Ambil contoh pertanyaan nyata: "Kenapa penjualan kuartal ini turun?"
- Ask: Tentukan definisi "penjualan" (revenue? order? margin?) dan periode pembanding (vs kuartal lalu? vs target?). Definisikan hipotesis awal: penurunan harga? kehilangan segmen pelanggan? musiman?
- Prepare: Identifikasi tabel
orders,customers,products. Cek kualitas data. - Process: Filter periode, pastikan tidak ada duplikat order, standarkan currency.
- Analyze: Breakdown penurunan per segmen, per produk, per region.
- Share: Sajikan breakdown + rekomendasi aksi per segmen.
Dengan kerangka ini, "analisis" bukan lagi kegiatan kabur — ia menjadi proyek dengan langkah, hipotesis, dan deliverable yang jelas.
#Kesalahan Umum
- Melompat langsung ke data. Tanpa fase Ask, kalian membangun analisis untuk pertanyaan yang salah.
- KPI tanpa tujuan. Memasang dashboard dengan 50 metrik tanpa satu pun terhubung ke tujuan bisnis.
- Angka tanpa perbandingan. "Revenue 500 juta" tidak bermakna tanpa konteks.
- Menganggap proses sekali jalan. Insight baru selalu memunculkan pertanyaan baru — itulah nature pekerjaan ini.
#Penutup
Inti yang harus dibawa pulang:
- Gunakan kerangka Ask → Prepare → Process → Analyze → Share untuk semua proyek analisis.
- CRISP-DM menambah fase Evaluasi & Deployment untuk proyek yang berpotensi menjadi model.
- Metrik adalah ukuran, KPI adalah metrik yang terhubung ke tujuan bisnis.
- Frasa "kenapa" selalu butuh perbandingan — bandingkan segmen, periode, atau kohort.
Di episode 3 selanjutnya kita mulai masuk ke keterampilan teknis inti: SQL Fundamental — SELECT, WHERE, JOIN, GROUP BY, HAVING, ORDER BY, dan subquery dengan dataset bisnis yang bisa kalian praktikkan langsung di PostgreSQL. Pastikan environment episode 0 sudah siap, karena mulai sekarang kita banyak menulis query!