TL;DR
Data analyst FMCG adalah analis yang ngurusin data penjualan dan distribusi produk konsumsi cepat habis, mulai dari sell-in ke distributor sampai sell-out ke konsumen akhir. Kerjaan hariannya muter di sekitar coverage outlet, kesehatan stok, efektivitas promo, dan performa tim sales per wilayah. Skill inti yang dipakai tiap hari cuma tiga: SQL, Excel, dan satu tool dashboard.
Data analyst FMCG adalah analis yang ngurusin data penjualan dan distribusi produk konsumsi cepat habis, dari pabrik sampai ke rak warung.
Pertanyaan yang tiap minggu mesti kamu jawab: barangnya udah nyampe belum, kebeli gak, dan kalau nggak, macetnya di mana.
FMCG (fast-moving consumer goods) itu mi instan, sabun, kopi sachet, rokok, minuman botol. Barang yang harganya kecil tapi muter cepat. Di Indonesia, industri ini punya salah satu rantai distribusi paling rumit di dunia, karena mayoritas penjualan masih lewat warung dan toko kelontong, bukan supermarket.
Kerjaan hariannya muter di 4 area: distribusi (barang nyampe outlet mana aja), sell-out (barang kebeli gak), promo (diskonnya balik modal gak), dan performa sales (tim mana yang jalan).
Hampir gak ada machine learning di sini. Yang ada: narik data, bersihin data, gabungin dari 3 sumber yang formatnya beda, terus jelasin ke orang sales kenapa angkanya begitu.
Sehari-harinya kira-kira begini.
Ini konsep pertama yang harus nempel sebelum ngapa-ngapain di FMCG.
Sell-in = penjualan dari perusahaan ke distributor atau retailer. Barang keluar dari gudangmu.
Sell-out = penjualan dari toko ke konsumen akhir. Barang keluar dari rak toko.
| Sell-in | Sell-out | |
|---|---|---|
| Sumber data | Sistem internal (ERP) | POS toko, distributor, Nielsen |
| Kelengkapan | Lengkap dan bersih | Sering bolong, telat, format beda-beda |
| Yang diukur | Barang keluar gudang | Barang beneran kebeli orang |
| Bisa dimanipulasi? | Gampang, dorong stok akhir kuartal | Susah, konsumen gak bisa dipaksa |
Selisih dua angka ini yang paling menarik. Kalau sell-in tinggi tapi sell-out datar, artinya barang numpuk di gudang distributor. Itu bom waktu: bulan depan distributor bakal stop order sampai stoknya habis.
Bulan Maret 2025 aku pernah lihat kasus di mana sell-in naik 22 persen dan tim sales dapet bonus. Kuartal berikutnya order anjlok 40 persen karena stoknya nyangkut semua. Angka sell-in yang bagus itu nyembunyiin masalah.
Berapa persen outlet yang punya produk kamu. Kalau ada 10.000 warung dan 6.000 punya produk kamu, numeric distribution-nya 60 persen.
SELECT
s.sku,
COUNT(DISTINCT s.outlet_id) AS outlet_punya,
ROUND(
COUNT(DISTINCT s.outlet_id) * 100.0
/ (SELECT COUNT(*) FROM outlet WHERE status = 'aktif')
, 1) AS numeric_distribution
FROM stok_outlet s
WHERE s.qty > 0
GROUP BY s.sku
ORDER BY numeric_distribution DESC;Sama, tapi ditimbang pakai omzet outletnya. Produk bisa ada di 60 persen outlet, tapi kalau semuanya warung kecil, weighted distribution-nya cuma 25 persen.
Perbedaan angka numeric dan weighted itu langsung ngasih tau kamu ada di toko gede atau toko kecil.
Berapa persen kunjungan sales yang berujung order. Kalau sales datang ke 200 outlet dan cuma 90 yang order, ECO-nya 45 persen. Ini metrik yang bikin manajer sales seneng atau panik.
Berapa persen outlet yang stoknya kosong padahal seharusnya ada. Tiap 1 persen OOS itu penjualan yang hilang dan gak akan balik.
Ini contoh dari data distribusi UMKM yang aku olah. Perusahaan punya 12.000 outlet terdaftar. Bulan ini cuma 7.400 yang transaksi.
Tim sales bilang "outletnya emang lagi sepi." Aku tarik datanya.
SELECT
o.nama_outlet,
o.wilayah,
MAX(t.tanggal) AS restock_terakhir,
CURRENT_DATE - MAX(t.tanggal) AS hari_sejak_restock
FROM outlet o
LEFT JOIN transaksi_distribusi t ON t.outlet_id = o.id
GROUP BY o.nama_outlet, o.wilayah
HAVING CURRENT_DATE - MAX(t.tanggal) > 60
ORDER BY hari_sejak_restock DESC;Hasilnya bikin kaget. Dari 4.600 outlet yang gak transaksi, 1.870 di antaranya udah gak order lebih dari 8 bulan. Itu bukan "lagi sepi". Itu outlet yang udah tutup atau pindah ke kompetitor, tapi masih kehitung di target coverage.
Efeknya ke bisnis: rute kunjungan sales dihitung berdasarkan 12.000 outlet. Berarti ada sales yang tiap minggu mampir ke toko yang udah gak ada.
Rekomendasinya cuma satu baris di slide: bersihin master outlet, hitung ulang rute. Sederhana, tapi ini tipe temuan yang bikin analis dianggap berharga.
JOIN antara tabel transaksi, outlet, dan produk tiap hari. Latihan bisa mulai dari GROUP BY.Python bagus buat punya, tapi jarang jadi syarat masuk. Yang lebih menentukan: mau turun ke pasar sekali dua kali buat lihat langsung gimana barang sampai ke rak. Sekali kamu lihat warung dengan 3 merek mi instan berjejer, angka di dashboard jadi punya makna.
Dari lowongan yang aku pantau di Jakarta sepanjang 2025 sampai awal 2026:
| Level | Pengalaman | Range gaji |
|---|---|---|
| Junior / fresh grad | 0-1 tahun | Rp 6-9 juta |
| Analyst | 2-4 tahun | Rp 12-20 juta |
| Senior / lead | 5+ tahun | Rp 22-35 juta |
Perusahaan multinasional biasanya di atas lokal. Jalur naiknya biasanya ke commercial analytics, trade marketing, atau revenue growth management. Yang terakhir itu posisi yang lumayan dicari, karena ngurusin harga dan promo di skala nasional.
Kalau mau kenal lebih jauh soal struktur data ritel modern, laporan riset NielsenIQ gratis dan lumayan buat ngerti cara pasar dibaca.
Percaya angka sell-in bulat-bulat. Angkanya bersih, gampang ditarik, dan menyesatkan. Selalu cek pasangannya di sell-out.
Bikin dashboard 20 chart. Manajer sales punya 4 menit buat lihat dashboard sebelum masuk mobil. Kasih 4 angka yang penting. Prinsipnya ada di desain dashboard.
Gak pernah ke pasar. Analis yang cuma lihat data dari kursi bakal ngasih rekomendasi yang gak bisa dijalanin di lapangan.
Lupa ngecek master data. Outlet duplikat, SKU yang namanya beda di 2 sistem, wilayah yang ketulis "Jkt" dan "Jakarta". Ini yang bikin angka kamu salah, bukan query-nya.
Sell-in itu penjualan dari pabrik ke distributor atau retailer. Sell-out itu penjualan dari toko ke konsumen akhir. Sell-in gampang dilihat karena tercatat di sistem sendiri. Sell-out lebih susah karena datanya ada di kasir toko orang lain. Selisih dua angka ini nunjukin barang yang masih nyangkut di rantai distribusi dan belum kebeli siapa-siapa.
SQL buat narik data transaksi dari database, Excel buat kerja bareng tim sales yang mayoritas hidup di spreadsheet, dan satu tool dashboard kayak Looker Studio atau Power BI. Python berguna tapi jarang jadi syarat masuk. Yang lebih menentukan justru paham istilah lapangan: outlet, SKU, coverage, ECO, dan cara kerja rantai distribusi.
Dari lowongan yang aku pantau di Jakarta sepanjang 2025 sampai awal 2026, fresh graduate biasanya dapet Rp 6 sampai 9 juta per bulan. Level menengah dengan 2 sampai 4 tahun pengalaman di kisaran Rp 12 sampai 20 juta. Perusahaan multinasional biasanya di atas lokal. Angka ini bergerak, jadi tetap cek lowongan terbaru.
Numeric distribution dan weighted distribution jadi dua yang paling sering ditanya. Numeric distribution ngukur berapa persen outlet yang punya produkmu. Weighted distribution ngukur hal yang sama tapi ditimbang pakai omzet outletnya. Produk bisa ada di 60 persen outlet tapi cuma di toko-toko kecil, dan weighted distribution yang bakal nunjukin itu.
Gak harus. Yang dicari itu kemampuan narik dan bersihin data, plus mau belajar istilah bisnisnya. Aku lihat banyak analis pindah dari retail, e-commerce, atau bahkan perbankan ke FMCG. Yang bikin cepat nyambung biasanya orang yang mau ikut turun ke pasar sekali dua kali buat lihat langsung gimana barang sampai ke rak.
Kuasain SQL sampai bisa gabungin 3 tabel tanpa mikir. Itu 70 persen kerjaan harian.
Paham beda sell-in dan sell-out sampai bisa jelasin ke orang non-data dalam 30 detik.
Bikin dashboard yang bisa dibaca sambil jalan ke mobil, bukan yang butuh 20 menit dipelototin.
Mulai dari SQL. Latihan JOIN dan SKU dulu, terus coba bikin query coverage sendiri.
Lanjut baca: prinsip desain dashboard. Biar dashboard distribusimu beneran dipakai tim sales, bukan cuma dibuka pas kamu tanya.
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.