TL;DR
Data analyst di e-commerce mantau metrik funnel harian: sesi, conversion rate, AOV (rata-rata nilai belanja), GMV, cart abandonment rate, dan retention. Kerjaan hariannya bukan bikin model machine learning, tapi ngecek dashboard pagi, cari anomali, dan jawab pertanyaan tim marketing atau produk. Skill yang paling kepake tiap hari adalah SQL dan kemampuan jelasin angka ke orang non-teknis.
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.
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.
Ada enam angka yang hampir selalu nempel di dashboard harian e-commerce.
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.
Persentase sesi yang berakhir jadi transaksi. Rumusnya:
conversion_rate = (jumlah_transaksi / jumlah_sesi) * 100Di e-commerce Indonesia, angka 1-3% itu wajar buat toko online mandiri. Marketplace bisa lebih tinggi karena orang datang udah niat beli.
Rata-rata nilai belanja per transaksi. Naikin AOV 10% efeknya sama kayak naikin traffic 10%, tapi jauh lebih murah.
aov = total_gmv / jumlah_transaksiHati-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.
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.
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%.
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.
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.
Python berguna, tapi di kebanyakan tim e-commerce Indonesia dia bukan syarat masuk. Nyusul aja belakangan.
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.
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.
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.
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.
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.
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.
Kalau kamu lagi nyiapin diri buat posisi analis di e-commerce:
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.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kerja data analyst di luar negeri bukan soal ijazah luar negeri. Yang nentuin: sponsorship visa, portfolio, dan negara yang kamu incar.
Financial analyst kerja di angka uang, data analyst kerja di angka apa pun. Tapi di 2026 tools-nya makin sama. Ini beda dan irisannya.
Apa itu marketing analyst, metrik apa yang tiap hari dipegang, tools yang wajib bisa, dan jalur masuk yang paling realistis buat orang non-teknis di Indonesia.