Belajar Data Analyst - Portofolio & Studi Kasus

#Pendahuluan

Selama 24 episode kalian mengumpulkan keterampilan. Sekarang muncul pertanyaan yang menentukan karier: bagaimana membuktikannya? Sertifikat bisa dijawab "siapa saja bisa", tapi portofolio studi kasus menunjukkan cara kalian berpikir — dan itulah yang dilihat perekrut. Seorang kandidat dengan tiga case study end-to-end selalu mengalahkan kandidat dengan sepuluh sertifikat tanpa praktik.

Episode ini membangun portofolio yang benar: struktur studi kasus end-to-end, cara memilih dataset, dan cara menyajikannya agar perekrut melihat proses berpikir, bukan sekadar hasil. Target: kalian bisa menyusun 2-3 case study yang siap ditunjukkan.

#Struktur Case Study End-to-End

Case study yang baik mengikuti alur kerja analis nyata — persis kerangka episode 2:

1. Konteks & pertanyaan bisnis  : masalah apa, mengapa penting
2. Data & keterbatasan          : sumber, ukuran, isu kualitas
3. Proses & cleaning            : keputusan penting dan alasannya
4. Analisis                     : metode, temuan, bukti (chart)
5. Rekomendasi & storytelling   : aksi yang diusulkan
6. Reproducibility              : link ke notebook/repo, cara menjalankan ulang

Enam bagian ini membuktikan yang paling sulit dinilai perekrut: apakah kalian bisa berpikir seperti analis — bertanya yang benar, membersihkan dengan alasan, dan menyimpulkan dengan hati-hati.

#Memilih Topik yang Menarik

Rumus topik yang efektif: relevan dengan industri target + data nyata + pertanyaan yang menarik. Tiga contoh arah:

Sumber data publik yang bisa dipakai: dataset Kaggle, data pemerintah (BPS, data.go.id), atau dataset open dari perusahaan (misal NYC taxi). Yang penting: data harus cukup besar untuk membersihkan (bukan 50 baris yang sudah rapi) dan cukup menarik untuk bercerita.

#Praktik: Membangun Case Study Pertama

Contoh alur membangun studi kasus "churn pelanggan e-commerce":

#1. Definisikan Pertanyaan dan Definisi

Pertanyaan : Faktor apa yang paling membedakan customer yang churn vs bertahan?
Definisi   : Churn = tidak ada order dalam 60 hari terakhir (dari data 2024).

Definisikan "churn" secara eksplisit sejak awal — seperti yang kalian pelajari di episode 12 dan 14.

#2. Bersihkan Data dengan Dokumentasi

Cleaning + catatan keputusan

import pandas as pd
 
df = pd.read_csv("ecommerce_customers.csv")
 
# Catatan: 3% missing di kolom device — dihapus, tidak ada pola sistematis
df = df.dropna(subset=["device"])
 
# Catatan: harga negatif = refund, bukan order; eksklusikan dari revenue
df = df[df["amount"] > 0]
 
# Catatan: definisi churn 60 hari, didiskusikan dengan stakeholder
df["is_churn"] = df["days_since_last_order"] > 60

#3. Analisis dan Temukan Insight

Perbandingan churn per segmen

df.groupby("payment_method")["is_churn"].mean().sort_values()
df.groupby("signup_channel")["is_churn"].mean().sort_values()

Dari dua baris ini, kalian menemukan: customer dari kanal referral churn lebih rendah, customer dengan pembayaran bank transfer churn lebih tinggi — titik awal yang kuat untuk analisis lebih dalam (episode 8).

#4. Visualisasikan dan Ceritakan

Pilih 2-3 chart yang mendukung insight utama — ingat prinsip episode 9 (jujur) dan 13 (judul slide berisi insight):

Chart 1 : Tren churn per cohort bulanan (heatmap cohort — episode 14)
Chart 2 : Churn rate per kanal akuisisi (bar chart)
Chart 3 : Hubungan frekuensi order vs churn (line/scatter)

#5. Tutup dengan Rekomendasi

Rekomendasi:
1. Program retensi untuk segmen bank transfer (churn 2x rata-rata)
2. Amplifikasi kanal referral (churn terendah)
3. Eksperimen onboarding untuk cohort baru (episode 21)

#Membangun 2-3 Case Study

Jangan membuat sepuluh case study yang dangkal — buat tiga yang dalam, masing-masing menonjolkan keterampilan berbeda:

Pilih yang saling melengkapi, bukan tiga versi analisis yang sama. Kombinasi di atas menutupi seluruh peran analis: analisis, eksperimen, dan platform/dashboard.

#Menyajikan Portofolio

Format penyajian yang paling efektif untuk perekrut:

Struktur README setiap case study harus mengikuti enam bagian struktur awal, dengan ringkasan eksekutif di paling atas — perekrut yang terburu-buru bisa menilai dalam 30 detik, yang penasaran bisa mendalami.

#Kesalahan Umum

• Case study tanpa pertanyaan bisnis. Analisis yang tidak menjawab pertanyaan = latihan, bukan portofolio.
• Data yang terlalu bersih. Tidak ada cerita cleaning = tidak ada bukti skill cleaning.
• Menonjolkan tool, bukan proses. "Saya pakai Python" kurang menarik daripada "saya menemukan definisi churn yang salah karena...".
• Sepuluh case study dangkal. Tiga yang dalam selalu menang.
• Tanpa link reproducible. Case study yang tidak bisa dijalankan ulang kehilangan kredibilitas.

#Penutup

Inti yang harus dibawa pulang:

• Case study end-to-end: konteks → data → cleaning → analisis → rekomendasi → reproducible.
• Tuliskan proses berpikir — keputusan dan pertimbangan, bukan hanya hasil.
• Bangun tiga case study dalam yang saling melengkapi keterampilan.
• Sajikan lewat repo + README + ringkasan 1 halaman; ringkasan eksekutif di atas.
• Portofolio adalah bukti cara berpikir — buat ia jujur dan dalam.

Di episode 26 selanjutnya kita menengok lanskap yang lebih luas: Ekosistem & Tren Modern 2026 — hybrid data analyst/analytics engineer, bagaimana AI mengaugmentasi peran analis, dan conversational BI yang sedang naik daun. Portofolio sudah di tangan; sekarang pastikan arah karir kalian selaras dengan pasar!