Bab 1: Apa Itu Data Analytics dan Kenapa Perannya Penting

Data di Sekitar Kita

Coba bayangkan aktivitas sederhana: kamu membuka aplikasi belanja online, mencari sepatu, membandingkan beberapa toko, membaca ulasan pembeli lain, lalu akhirnya memutuskan membeli satu pasang sepatu berwarna hitam dengan metode pembayaran transfer bank. Bagi kamu, ini hanya proses belanja biasa yang selesai dalam beberapa menit. Namun di balik layar, setiap langkah yang kamu lakukan tadi sebenarnya menghasilkan jejak data: pencarian yang kamu ketik, produk yang kamu lihat tapi tidak dibeli, waktu yang kamu habiskan di satu halaman produk, ulasan mana yang kamu buka, hingga metode pembayaran yang akhirnya kamu pilih.

Satu transaksi ini terlihat kecil dan tidak berarti apa-apa jika berdiri sendiri. Namun bayangkan jika ada seratus ribu orang melakukan hal serupa setiap hari di platform yang sama. Di titik inilah data mulai memiliki nilai. Perusahaan tidak hanya ingin tahu bahwa "ada orang yang membeli sepatu hitam", melainkan ingin memahami pola yang lebih besar: warna apa yang paling sering dicari tapi stoknya justru sering habis, jam berapa biasanya orang paling banyak berbelanja, metode pembayaran apa yang paling sering gagal di tengah jalan sehingga transaksi batal, atau kategori produk apa yang penjualannya menurun dibanding bulan lalu tanpa alasan yang jelas dari sisi tim pemasaran.

Pertanyaan-pertanyaan semacam ini tidak bisa dijawab hanya dengan menduga-duga atau mengandalkan perasaan pengambil keputusan. Di sinilah data berperan sebagai bukti yang bisa diverifikasi, dan di sinilah pekerjaan seorang Data Analyst dimulai. Data yang berserakan dalam bentuk transaksi, klik, ulasan, dan interaksi lainnya perlu dikumpulkan, dibersihkan, dianalisis, dan pada akhirnya diterjemahkan menjadi sesuatu yang bisa dipahami dan ditindaklanjuti oleh orang-orang yang mengambil keputusan bisnis, meskipun mereka sendiri tidak memahami teknis di baliknya.

Apa Itu Data Analytics

Secara sederhana, Data Analytics adalah proses mengumpulkan, mengolah, dan menganalisis data untuk menemukan pola, tren, atau wawasan (insight) yang bisa digunakan untuk mengambil keputusan yang lebih baik. Kata kuncinya di sini bukan sekadar "mengolah data", melainkan "mengambil keputusan yang lebih baik". Data Analytics pada dasarnya bukan aktivitas teknis yang berdiri sendiri, melainkan alat bantu untuk menjawab pertanyaan bisnis yang konkret.

Sebagai ilustrasi, seorang manajer pemasaran di sebuah platform e-commerce mungkin bertanya, "Kenapa penjualan kategori pakaian turun 15% bulan ini dibanding bulan lalu?" Pertanyaan ini terdengar sederhana, tapi jawabannya bisa sangat kompleks. Apakah penurunan ini terjadi merata di semua produk, atau hanya di produk tertentu? Apakah ada masalah teknis di aplikasi yang membuat orang kesulitan checkout? Apakah kompetitor sedang mengadakan diskon besar-besaran di periode yang sama? Apakah cuaca ekstrem di beberapa kota memengaruhi pengiriman? Seorang Data Analyst bertugas menelusuri data yang tersedia, baik data transaksi, data traffic aplikasi, maupun data eksternal jika diperlukan, untuk mencari jawaban yang didukung bukti, bukan sekadar tebakan.

Penting dipahami bahwa Data Analytics bukan hanya soal membuat laporan atau grafik yang terlihat rapi. Membuat dashboard yang indah tapi tidak menjawab pertanyaan bisnis yang sebenarnya adalah kesalahan umum yang sering terjadi, terutama bagi pemula yang baru belajar. Fokus utama dari Data Analytics selalu kembali pada satu hal: apakah hasil analisis ini membantu seseorang mengambil keputusan yang lebih baik dibanding sebelumnya. Prinsip ini akan terus kita tekankan di sepanjang Handbook ini, karena seluruh keterampilan teknis yang akan dipelajari, mulai dari Spreadsheet, SQL, hingga Python, pada akhirnya hanyalah alat untuk mencapai tujuan tersebut.

Tiga Peran yang Sering Tertukar: Data Analyst vs Data Scientist vs Data Engineer

Salah satu kebingungan paling umum bagi orang yang baru memasuki dunia data adalah membedakan tiga peran yang sekilas terdengar mirip: Data Analyst, Data Scientist, dan Data Engineer. Ketiganya memang bekerja dengan data, tetapi dengan fokus, keterampilan, dan output yang cukup berbeda. Memahami perbedaan ini penting bukan hanya untuk keperluan akademis, tetapi karena akan memengaruhi ekspektasi kamu terhadap materi yang dipelajari di sepanjang program ini.

Data Analyst bisa dianggap sebagai penerjemah antara data mentah dan keputusan bisnis. Pekerjaan sehari-harinya berkutat pada mengambil data yang sudah tersedia (biasanya dari database perusahaan atau spreadsheet), membersihkannya jika masih berantakan, menganalisisnya untuk menemukan pola, lalu menyajikannya dalam bentuk laporan, dashboard, atau presentasi yang bisa dipahami oleh tim non-teknis seperti manajer pemasaran, tim operasional, atau eksekutif perusahaan. Output khas seorang Data Analyst misalnya adalah laporan mingguan performa penjualan, dashboard interaktif yang menunjukkan tren retensi pelanggan, atau analisis khusus yang menjawab pertanyaan spesifik seperti "produk mana yang paling sering dikembalikan pelanggan dan kenapa". Tools utama yang digunakan biasanya Spreadsheet, SQL, dan tools visualisasi seperti BI (Business Intelligence) platform. Seluruh Handbook ini disusun untuk membekali kamu menjadi seorang Data Analyst, sehingga peran inilah yang akan menjadi fokus utama di bab-bab selanjutnya.

Data Scientist bekerja pada level yang sedikit berbeda. Jika Data Analyst berfokus pada menjelaskan "apa yang terjadi" dan "kenapa itu terjadi" berdasarkan data historis, Data Scientist lebih sering berfokus pada memprediksi "apa yang akan terjadi" di masa depan menggunakan model statistik dan machine learning yang lebih kompleks. Sebagai contoh, jika seorang Data Analyst menganalisis kenapa churn (pelanggan yang berhenti menggunakan layanan) meningkat bulan lalu, seorang Data Scientist mungkin membangun model prediktif yang bisa memperkirakan pelanggan mana saja yang berisiko tinggi untuk churn di bulan depan, sehingga tim bisnis bisa melakukan tindakan pencegahan lebih awal. Data Scientist umumnya membutuhkan pemahaman statistik dan pemrograman yang lebih mendalam dibanding Data Analyst, serta sering bekerja dengan algoritma machine learning.

Data Engineer memiliki fokus yang berbeda lagi, yaitu membangun dan merawat infrastruktur yang memungkinkan data bisa dikumpulkan, disimpan, dan diakses dengan baik oleh Data Analyst maupun Data Scientist. Jika diibaratkan sebuah dapur restoran, Data Engineer adalah orang yang memastikan bahan baku (data) sampai ke dapur dalam kondisi baik, tersimpan rapi di tempat yang benar, dan bisa diambil kapan saja dibutuhkan. Data Engineer bertanggung jawab membangun pipeline data (alur otomatis yang memindahkan data dari satu sistem ke sistem lain), merancang struktur database yang efisien, dan memastikan data yang mengalir ke seluruh perusahaan akurat dan bisa diandalkan. Tanpa pekerjaan Data Engineer yang solid, Data Analyst maupun Data Scientist akan kesulitan bekerja karena data yang mereka butuhkan mungkin tidak tersedia, tidak rapi, atau tidak bisa diakses dengan mudah.

Ketiga peran ini pada praktiknya saling melengkapi, bukan bersaing satu sama lain. Dalam perusahaan yang cukup besar, ketiga peran ini biasanya ada sebagai tim terpisah yang saling berkolaborasi. Namun di perusahaan yang lebih kecil atau startup tahap awal, tidak jarang satu orang harus merangkap beberapa peran sekaligus, meskipun ini bukan kondisi ideal dalam jangka panjang. Sebagai peserta yang sedang belajar menjadi Data Analyst, penting untuk memahami bahwa kamu tidak dituntut menguasai machine learning seperti Data Scientist, atau membangun infrastruktur data skala besar seperti Data Engineer. Fokus utama kamu adalah kemampuan mengolah data yang sudah tersedia menjadi insight yang bisa langsung digunakan untuk pengambilan keputusan, dengan tools yang lebih accessible seperti Spreadsheet, SQL, dan visualisasi data.

Studi Kasus: Retail Decision-Making di Belanjain

Untuk memperjelas bagaimana ketiga peran ini bekerja dalam konteks nyata, mari gunakan skenario fiktif yang akan terus kita pakai di sepanjang Handbook ini: sebuah platform e-commerce bernama Belanjain.

Bayangkan tim manajemen Belanjain baru saja menyadari sesuatu yang mengkhawatirkan: jumlah pesanan yang masuk pada kategori Fashion turun cukup signifikan dalam dua minggu terakhir, padahal secara historis kategori ini biasanya menjadi salah satu penyumbang pendapatan terbesar. Manajemen tidak tahu persis apa penyebabnya, dan mereka membutuhkan jawaban secepat mungkin sebelum mengambil langkah, apakah perlu menambah anggaran promosi, mengecek apakah ada masalah teknis di aplikasi, atau justru masalahnya ada di luar kendali mereka seperti perubahan tren pasar.

Di titik inilah seorang Data Analyst di Belanjain mulai bekerja. Langkah pertama yang dilakukan bukan langsung membuka data dan mulai membuat grafik secara acak, melainkan memperjelas dulu pertanyaan bisnis yang ingin dijawab. Dalam kasus ini, pertanyaannya bisa dipersempit menjadi: "Apakah penurunan pesanan kategori Fashion ini terjadi merata di semua produk, atau terkonsentrasi pada produk atau segmen tertentu, dan sejak kapan tepatnya tren penurunan ini mulai terlihat?"

Data Analyst kemudian menarik data transaksi dua bulan terakhir dari kategori Fashion, memeriksa tren harian, lalu membandingkannya dengan kategori lain untuk memastikan apakah ini masalah spesifik kategori Fashion atau justru terjadi di seluruh platform. Setelah data diolah, ternyata ditemukan bahwa penurunan paling tajam terjadi pada sub-kategori sepatu, sementara pakaian dan aksesoris relatif stabil. Ketika ditelusuri lebih dalam, ternyata penurunan ini bertepatan dengan waktu ketika salah satu metode pembayaran cicilan yang paling sering digunakan untuk pembelian sepatu (karena harganya cenderung lebih tinggi) mengalami gangguan teknis selama beberapa hari.

Dari sinilah insight ini disampaikan kepada tim terkait bukan dalam bentuk data mentah yang rumit, melainkan dalam bentuk kesimpulan yang jelas dan actionable: "Penurunan pesanan kategori Fashion terkonsentrasi pada sub-kategori sepatu, bertepatan dengan gangguan pada metode pembayaran cicilan. Direkomendasikan tim teknis memprioritaskan perbaikan metode pembayaran tersebut, karena berdampak langsung pada kategori dengan nilai transaksi tertinggi." Laporan sesederhana ini, yang dihasilkan dari proses analisis data yang sistematis, memberikan dasar yang jelas bagi tim manajemen untuk segera bertindak, dibandingkan hanya menduga-duga atau menambah anggaran promosi yang sebenarnya tidak menyelesaikan akar masalah.

Skenario ini menunjukkan bahwa pekerjaan Data Analyst tidak berhenti pada "mengolah angka", melainkan mencakup kemampuan merumuskan pertanyaan yang tepat, menelusuri data secara sistematis, dan menerjemahkan temuan menjadi rekomendasi yang bisa langsung ditindaklanjuti oleh orang yang mungkin sama sekali tidak memahami detail teknis di baliknya. Kemampuan ini yang akan terus kita latih di sepanjang bab-bab berikutnya, dimulai dari tools paling dasar seperti Spreadsheet, hingga akhirnya SQL dan Python.

Kenapa Data Analyst Relevan Sekarang

Kebutuhan terhadap Data Analyst semakin meningkat seiring semakin banyaknya perusahaan, baik startup teknologi maupun bisnis tradisional yang sudah bertransformasi digital, yang mulai menyimpan data operasional mereka secara sistematis. Ketika sebuah bisnis masih berskala kecil, keputusan sering kali bisa diambil berdasarkan intuisi pemiliknya yang memang memahami betul kondisi lapangan. Namun ketika bisnis mulai bertumbuh dan mengelola ribuan hingga jutaan transaksi, intuisi saja tidak lagi cukup untuk memahami pola yang terjadi. Di titik inilah kemampuan mengolah data menjadi keterampilan yang semakin dicari, bukan hanya di perusahaan teknologi, tetapi juga di sektor retail, keuangan, kesehatan, hingga logistik.

Perlu dicatat bahwa relevansi ini bukan berarti setiap perusahaan sudah menerapkan budaya berbasis data secara matang. Pada praktiknya, banyak perusahaan yang masih dalam tahap awal transisi, di mana keputusan sebagian masih berdasarkan intuisi dan sebagian mulai didukung data. Justru di kondisi seperti inilah peran Data Analyst menjadi penting, karena mereka menjadi salah satu pihak yang mendorong perusahaan untuk semakin mengandalkan bukti data dalam mengambil keputusan, bukan sekadar mengikuti apa yang "terasa benar" bagi pengambil keputusan.