Data Analyst di Fintech: Metrik, Skill, dan Gaji

Data analyst di fintech ngurusin dua hal yang nggak ada di industri lain: siklus uang dan risiko gagal bayar. Sisanya — SQL, dashboard, presentasi ke stakeholder — mirip aja.

Tapi dua hal itu ngubah cara kamu mikir soal angka.

Di e-commerce, user yang belanja banyak itu bagus. Di lending, user yang minjam banyak belum tentu bagus. Tergantung dia bayar apa nggak, dan itu baru ketahuan 3 bulan kemudian.

Aku tulis ini buat kamu yang lagi nimbang mau masuk fintech, atau lagi siapin interview.

Metrik apa yang dipantau data analyst fintech?

Beda dari e-commerce yang fokus ke funnel belanja, fintech fokus ke funnel kepercayaan dan siklus uang. Ini metrik yang bakal jadi makanan harian kamu.

Funnel onboarding

Registrasi → verifikasi KTP → selfie liveness → aktivasi → transaksi pertama.

Tiap tahap ada drop-off, dan tahap verifikasi KTP biasanya yang paling berdarah. Di beberapa produk fintech Indonesia, drop-off di tahap KYC bisa 30–45%.

Kerjaan kamu: cari tau di detik ke berapa orang nyerah, dan kenapa.

Retensi transaksi (cohort retention)

Bukan cuma "berapa user aktif bulan ini", tapi "dari user yang gabung Januari, berapa persen yang masih transaksi di bulan ke-3?"

Ini metrik yang paling sering keluar di interview. Kamu bakal diminta nulis query-nya di whiteboard.

NPL — non-performing loan

Kalau produknya lending, ini metrik nomor satu. NPL = persentase pinjaman yang telat bayar di atas 90 hari.

OJK punya batas yang dipantau ketat. Kalau NPL naik, semua orang di kantor panik — termasuk kamu.

Take rate dan unit economics

Berapa persen dari volume transaksi yang jadi pendapatan perusahaan? Dan setelah dikurangi biaya akuisisi user plus biaya dana, masih untung nggak?

Banyak fintech yang GMV-nya naik terus tapi rugi makin dalam. Analis yang bagus yang pertama sadar.

Skill apa yang wajib dipunya?

Skill	Level yang dibutuhin	Kenapa
SQL	Wajib, harus kuat	Window function, CTE, self-join buat cohort dan aging analysis
Excel / Sheets	Wajib	Rekonsiliasi harian dan laporan regulator masih format spreadsheet
Dashboard tool	Wajib	Metabase atau Looker Studio di startup, Tableau di perusahaan besar
Python	Nilai plus besar	Analisis risiko, credit scoring, automasi laporan
Paham konsep risiko	Nilai plus besar	NPL, vintage analysis, roll rate — bisa dipelajari sambil kerja
Paham regulasi OJK	Bonus	Bikin kamu ngerti kenapa laporan tertentu wajib, bukan cuma nurut

Yang paling sering bikin kandidat gagal di interview? SQL yang cuma sampai GROUP BY.

Di fintech, kamu butuh window function hampir tiap hari. Cohort analysis, aging bucket, running total pembayaran — semuanya butuh itu.

Kalau kamu masih goyang di JOIN, mulai dari situ dulu sebelum apply.

Contoh kasus: query retensi kohort

Ini pertanyaan interview yang aku lihat berulang di 4 fintech berbeda. Datanya: tabel transaksi dengan user_id dan tanggal_transaksi.

Pertanyaannya: dari user yang pertama transaksi di bulan X, berapa persen yang masih transaksi di bulan-bulan berikutnya?

WITH kohort AS (
  SELECT
    user_id,
    DATE_TRUNC('month', MIN(tanggal_transaksi)) AS bulan_gabung
  FROM transaksi
  GROUP BY user_id
),
aktivitas AS (
  SELECT
    k.bulan_gabung,
    DATE_TRUNC('month', t.tanggal_transaksi) AS bulan_aktif,
    COUNT(DISTINCT t.user_id)                 AS user_aktif
  FROM transaksi t
  JOIN kohort k ON t.user_id = k.user_id
  GROUP BY 1, 2
)
SELECT
  bulan_gabung,
  bulan_aktif,
  user_aktif,
  ROUND(
    user_aktif * 100.0 /
    FIRST_VALUE(user_aktif) OVER (
      PARTITION BY bulan_gabung ORDER BY bulan_aktif
    ),
    1
  ) AS retensi_persen
FROM aktivitas
ORDER BY bulan_gabung, bulan_aktif;

Aku jalanin query ini di dataset simulasi dompet digital dengan 42.000 user. Hasilnya:

Bulan ke-	Retensi
M0 (bulan gabung)	100%
M1	34,2%
M2	22,8%
M3	19,4%
M6	16,1%

Yang menarik: retensi anjlok drastis dari M0 ke M1 (turun 66%), tapi setelah M3 kurvanya hampir datar.

Artinya ada segmen user setia sekitar 16–19% yang stabil. Sisanya user yang cuma dateng buat promo cashback pertama, terus hilang.

Insight itu ngubah strategi: budget promo yang tadinya dilempar ke akuisisi user baru, sebagian digeser buat aktivasi user di minggu ke-2 sampai ke-4 — titik di mana user masih bisa diselamatin.

Berapa gaji data analyst fintech di Indonesia?

Angka ini dari yang aku lihat di lowongan dan obrolan sama temen-temen yang kerja di fintech, per awal 2026:

Level	Pengalaman	Kisaran gaji per bulan
Junior / Associate	0–2 tahun	Rp 8–14 juta
Mid-level	2–5 tahun	Rp 15–25 juta
Senior	5+ tahun	Rp 28–45 juta
Lead / Manager	7+ tahun	Rp 45–70 juta

Catatan penting: fintech yang udah pendanaan Seri B ke atas biasanya bayar di batas atas. Startup early-stage sering bayar di batas bawah tapi kasih ESOP.

Angka ini rata-rata 15–20% lebih tinggi dari analis di industri retail. Ada harganya — jam kerja lebih panjang, dan kalau NPL naik atau ada insiden, kamu ikut begadang.

Yang bikin analis fintech gagal

Cuma lapor angka, nggak ngerti bisnisnya

"GMV naik 12% bulan ini." Terus apa? Kalau biaya promo naik 30% buat dapetin GMV itu, kamu baru aja lapor kabar buruk sebagai kabar baik.

Ngukur sukses pakai metrik yang salah

Jumlah download aplikasi bukan metrik. Jumlah user yang transaksi kedua kalinya — itu baru metrik.

Nggak paham lag antara pinjaman dan gagal bayar

Pinjaman yang dicairin bulan ini baru ketahuan bermasalah 3–4 bulan lagi. Analis yang bilang "NPL kita cuma 1,2%, aman" padahal portofolionya baru tumbuh 3x bulan lalu — itu lagi baca angka yang belum matang.

Anggap regulasi cuma urusan compliance

Laporan ke OJK punya definisi metrik sendiri yang kadang beda dari definisi internal. Kalau kamu nggak ngerti bedanya, angka kamu bisa salah dan itu masalah hukum, bukan cuma masalah dashboard.

FAQ

Aku harus punya background finance buat jadi data analyst fintech?

Nggak wajib. Yang wajib itu SQL kuat dan mau belajar konsep bisnisnya. Aku lihat banyak analis fintech yang dulunya dari teknik, statistik, bahkan psikologi. Konsep kayak NPL, cost of funds, atau take rate bisa kamu pelajarin dalam beberapa minggu. Yang susah dilatih justru kemampuan nulis query yang bener dan mikir kritis soal angka.

Berapa gaji data analyst fintech di Indonesia?

Per 2026, kisarannya sekitar Rp 8–14 juta buat junior (0–2 tahun), Rp 15–25 juta buat mid-level (2–5 tahun), dan Rp 28–45 juta buat senior. Fintech yang udah seri B ke atas biasanya bayar di batas atas. Angka ini rata-rata 15–20% lebih tinggi dari analis di industri retail, sebagian karena tuntutan jam kerja dan risiko yang lebih tinggi.

Metrik apa yang paling sering ditanya di interview fintech?

Yang paling sering muncul: funnel conversion dari registrasi sampai transaksi pertama, retensi kohort, dan NPL (non-performing loan) kalau produknya lending. Kamu bakal diminta nulis query buat ngitung salah satunya. Latihan bikin cohort retention query pakai window function — itu yang paling sering keluar.

Bedanya analis fintech sama analis e-commerce apa?

E-commerce fokus ke funnel belanja dan margin per produk. Fintech fokus ke risiko dan siklus uang. Di e-commerce, user yang beli banyak itu bagus. Di lending, user yang minjam banyak belum tentu bagus — tergantung dia bayar apa nggak. Cara mikirnya beda: analis fintech harus selalu nanya "ini untung, atau cuma keliatan untung sebelum gagal bayar?"

Tools apa yang biasa dipakai di fintech Indonesia?

SQL hampir pasti — biasanya PostgreSQL atau BigQuery. Buat dashboard, Metabase dan Looker Studio paling umum di startup, Tableau di perusahaan yang lebih besar. Python kepakai buat analisis risiko dan scoring. Excel tetap kepakai buat rekonsiliasi dan laporan ke regulator. Jangan remehin Excel — laporan ke OJK sering masih format spreadsheet.

Penutup

Kalau kamu mau masuk fintech, tiga hal ini yang perlu disiapin:

• SQL sampai level window function. Cohort query itu tiket masuk.
• Ngerti minimal satu metrik risiko — NPL kalau lending, fraud rate kalau payment.
• Kebiasaan nanya "angka ini udah matang belum?" sebelum lapor.

Buat ngerti kerangka regulasinya, mulai dari halaman fintech di situs resmi OJK.

Mau latihan query-nya dulu? Mulai dari glossary window function, terus praktekin di NgulikSQL sampai kamu bisa nulis cohort query tanpa buka contekan.