Data Analyst di E-commerce: Metrik Harian yang Dipantau

Data analyst di e-commerce kerjanya mantau kesehatan funnel penjualan tiap hari: berapa orang datang, berapa yang beli, berapa rata-rata belanjanya, dan siapa yang balik lagi.

Bukan bikin model prediksi. Bukan deep learning. Kebanyakan hari, kerjaannya nulis query dan jelasin kenapa angka kemarin turun 8%.

Ini daftar metrik yang beneran dipantau tiap pagi, kenapa masing-masing penting, dan apa yang biasanya bikin angkanya goyang.

Sehari-hari data analyst e-commerce ngapain?

Kerjaan hariannya kira-kira begini: buka dashboard pagi hari, cek metrik funnel kemarin, cari yang anomali, telusurin penyebabnya, lalu sisa harinya jawab pertanyaan dari tim marketing dan produk. Malamnya kadang ada request dadakan buat rapat besok pagi.

Pembagian waktu yang realistis dari yang aku lihat di beberapa tim:

Aktivitas	Porsi waktu
Nulis dan debug query SQL	~40%
Ngerapiin dan validasi data	~20%
Bikin dan rawat dashboard	~15%
Rapat dan jelasin angka ke tim lain	~15%
Analisis mendalam / eksperimen	~10%

Kalau kamu masuk kerja berharap 80% waktunya buat modeling, siap-siap kaget.

Metrik apa yang dicek tiap pagi?

Ada enam angka yang hampir selalu nempel di dashboard harian e-commerce.

1. Sesi dan pengunjung unik

Berapa orang yang mampir. Ini pintu masuk funnel. Kalau sesi anjlok, semua metrik di bawahnya ikut anjlok, dan biasanya penyebabnya di luar tim data — iklan mati, SEO kena update, atau server sempat down.

2. Conversion rate

Persentase sesi yang berakhir jadi transaksi. Rumusnya:

conversion_rate = (jumlah_transaksi / jumlah_sesi) * 100

Di e-commerce Indonesia, angka 1-3% itu wajar buat toko online mandiri. Marketplace bisa lebih tinggi karena orang datang udah niat beli.

3. AOV (Average Order Value)

Rata-rata nilai belanja per transaksi. Naikin AOV 10% efeknya sama kayak naikin traffic 10%, tapi jauh lebih murah.

aov = total_gmv / jumlah_transaksi

Hati-hati sama AOV: dia rata-rata, jadi gampang ketarik satu pesanan gede. Cek median-nya juga — ini alasannya kenapa mean, median, dan modus perlu kamu bedain.

4. GMV (Gross Merchandise Value)

Total nilai barang yang terjual sebelum dipotong diskon, retur, dan biaya. Ini angka yang paling sering ditanya bos, walaupun dia hasil akhir dan bukan tuas yang bisa langsung ditarik.

5. Cart abandonment rate

Persentase orang yang masukin barang ke keranjang tapi nggak jadi bayar. Angka global dari Baymard Institute ada di sekitar 70%.

Di Indonesia sering lebih tinggi, soalnya banyak orang pakai keranjang sebagai wishlist. Jadi jangan panik lihat 75%.

6. Repeat purchase rate

Persentase pelanggan yang beli lebih dari sekali dalam periode tertentu. Ini metrik yang paling nunjukin kesehatan jangka panjang. Kalau kamu mau ngukurnya lebih rapi per bulan, pakai cohort retention di SQL.

Contoh kasus: dashboard harian toko_berkah

Ini snapshot metrik satu hari dari dataset toko_berkah, toko kelontong online yang jadi contoh di NgulikSQL.

Metrik	Kemarin	Rata-rata 7 hari	Selisih
Sesi	4.812	4.630	+3,9%
Transaksi	96	112	-14,3%
Conversion rate	2,00%	2,42%	-0,42 pp
AOV	Rp187.500	Rp164.000	+14,3%
GMV	Rp18.000.000	Rp18.368.000	-2,0%

Sesi naik, tapi transaksi turun 14%. Ini pola yang tiap analis harus bisa baca.

Ternyata penyebabnya: ada kampanye diskon ongkir minimal belanja Rp150.000. Orang jadi nambahin barang biar lolos syarat (AOV naik 14%), tapi yang belanjanya kecil malah batal checkout (conversion turun).

GMV cuma turun 2%. Kalau kamu cuma lihat GMV, kamu bakal bilang "aman". Padahal ada 16 transaksi yang hilang di situ.

Ini kerjaan analis yang sesungguhnya: nemuin cerita di balik angka yang kelihatannya biasa aja.

Skill apa yang paling kepake?

1. SQL. Dipakai tiap hari, nggak ada hari libur. Kalau cuma boleh belajar satu, belajar ini.
2. Spreadsheet. Banyak permintaan cepat lebih gampang diberesin di sheet daripada bikin dashboard baru. SUMIFS dan pivot table masih raja.
3. Nerjemahin angka ke bahasa manusia. Bos nggak peduli query kamu elegan. Dia peduli kenapa GMV turun.
4. Tool visualisasi. Looker Studio, Metabase, atau Tableau — salah satu aja udah cukup buat mulai.

Python berguna, tapi di kebanyakan tim e-commerce Indonesia dia bukan syarat masuk. Nyusul aja belakangan.

Kesalahan umum analis e-commerce pemula

Panik lihat satu hari jelek. Data harian itu berisik. Bandingin sama rata-rata 7 hari, atau sama hari yang sama minggu lalu (Senin vs Senin).

Laporin GMV doang. GMV bisa naik gara-gara satu pesanan korporat gede, sementara jumlah pelanggan malah turun. Selalu bawa conversion rate dan jumlah transaksi bareng GMV.

Percaya angka tanpa cek pipeline. Conversion rate 0% jam 3 pagi biasanya bukan karena orang nggak mau beli, tapi karena tracking-nya mati.

Bikin dashboard 40 chart. Nggak ada yang bakal buka. Enam metrik yang jelas lebih berguna dari 40 yang bikin bingung.

FAQ

Data analyst e-commerce sehari-hari ngapain aja?

Pagi buka dashboard dan cek metrik funnel kemarin: sesi, conversion rate, AOV, GMV. Kalau ada angka aneh, telusurin sampai ketemu penyebabnya. Sisa harinya buat jawab pertanyaan ad-hoc dari tim marketing atau produk, bikin analisis buat keputusan kampanye, dan rapiin data yang berantakan. Bikin model machine learning jarang masuk daftar kerjaan harian.

Metrik mana yang paling penting di e-commerce?

Conversion rate dan AOV, soalnya dua angka itu paling gampang digerakin dan langsung ngefek ke omzet. GMV itu hasil akhir, bukan tuas yang bisa kamu tarik. Tapi jawaban jujurnya tergantung tahap bisnisnya. Startup awal biasanya kejar sesi dan conversion, bisnis yang udah stabil lebih peduli sama retention.

Skill apa yang wajib buat jadi data analyst e-commerce?

SQL nomor satu, dipakai tiap hari tanpa kecuali. Setelah itu spreadsheet, soalnya banyak permintaan cepat lebih gampang diberesin di sheet. Ketiga, kemampuan jelasin angka ke orang yang nggak ngerti data. Python berguna, tapi di kebanyakan tim e-commerce Indonesia dia bukan syarat masuk.

Cart abandonment rate normalnya berapa?

Angka global dari Baymard Institute sekitar 70%, artinya 7 dari 10 orang yang masukin barang ke keranjang nggak jadi bayar. Di Indonesia sering lebih tinggi karena banyak orang pakai keranjang sebagai wishlist. Jangan panik lihat 75%. Yang penting bandingin sama angka bulan lalu, bukan sama benchmark orang lain.

Gaji data analyst e-commerce di Indonesia berapa?

Dari lowongan yang beredar, entry level di kisaran 7-11 juta per bulan, mid level 12-20 juta, senior bisa lebih tergantung ukuran perusahaan. Marketplace besar bayar lebih tinggi dari toko online skala kecil. Angka ini gerak terus, jadi cek lowongan terbaru sebelum negosiasi.

Penutup

Kalau kamu lagi nyiapin diri buat posisi analis di e-commerce:

• Hafalin enam metrik funnel di atas dan rumusnya. Ini bahan wawancara.
• Latih baca angka yang saling tarik-menarik — kayak AOV naik tapi conversion turun.
• SQL dulu. Sisanya nyusul.

Mau latihan query metrik e-commerce beneran? Dataset toko_berkah di panduan SQL dari nol udah punya tabel transaksi, produk, dan pelanggan yang siap kamu kulik.