Sehari Jadi Data Analyst: Jam demi Jam, Beneran Ngapain Aja

Kerjaan data analyst sehari-hari itu 3 hal: narik data, jawab pertanyaan orang lain pakai data itu, dan ngejelasin jawabannya ke orang yang gak ngerti SQL.

Yang jarang diceritain di lowongan kerja: porsi terbesar waktunya bukan di analisis. Tapi di klarifikasi, bersih-bersih data, dan bolak-balik revisi.

Ini rincian satu hari kerja normal, jam demi jam. Angka dan situasinya dari pengalamanku sendiri plus obrolan sama beberapa analis di Jakarta dan Surabaya.

08.30 — Buka laptop, cek dashboard dulu

Hal pertama yang aku buka bukan email. Tapi dashboard penjualan harian.

Alasannya sederhana: kalau ada angka yang aneh, aku mau tau duluan sebelum bos yang nanya. Ada tiga hal yang aku cek dalam 5 menit:

• Angka kemarin masuk atau nggak. Kalau kosong, berarti pipeline data-nya gagal semalem.
• Ada lonjakan atau anjlok yang gak masuk akal. Penjualan naik 400 persen biasanya bukan kabar baik — biasanya data duplikat.
• Jumlah baris hari kemarin masuk akal dibanding hari-hari sebelumnya.

Sekitar 1 dari 10 hari, ada yang salah. Dan kalau ada yang salah, sisa pagi kamu bakal beda dari yang direncanain.

09.00 — Standup 15 menit

Tim ngobrol singkat: kemarin ngerjain apa, hari ini mau ngerjain apa, ada yang nge-block gak.

Buat analis, bagian "ada yang nge-block" itu paling penting. Biasanya bunyinya kayak gini: "Aku butuh akses ke tabel transaksi cabang Bandung, masih nunggu approval IT dari Senin."

Nunggu akses itu bagian normal dari kerjaan ini. Kalau kamu berpikir jadi analis artinya bisa lihat semua data kapan aja — nggak, permission itu ketat.

09.15 — Baca antrian permintaan

Permintaan datang dari mana-mana: Slack, email, tiket, atau orang yang nyamperin meja.

Contoh isi antrian pagi ini:

1. Marketing: "Bisa kirim daftar customer yang beli 2x bulan lalu tapi gak beli bulan ini?"
2. Finance: "Angka omzet di dashboard beda Rp 12 juta sama laporan akunting. Kenapa?"
3. Ops: "Kenapa penjualan turun minggu lalu?"

Permintaan nomor 3 itu jebakan. "Kenapa penjualan turun" bisa berarti lima pertanyaan berbeda. Turun dibanding minggu sebelumnya? Dibanding bulan lalu? Turun di semua cabang atau satu doang? Turun jumlah transaksinya atau nilai per transaksinya?

Jadi aku bales dengan pertanyaan, bukan query. Ini yang paling sering dilewatin analis baru — langsung nulis query, tiga jam kemudian nyadar ngerjain hal yang salah.

10.00 — Nulis query (dan revisi 4 kali)

Permintaan marketing yang paling jelas, jadi itu yang aku kerjain duluan.

-- Customer yang beli ≥2x di Mei tapi 0 transaksi di Juni
WITH beli_mei AS (
    SELECT id_customer, COUNT(*) AS trx_mei
    FROM penjualan
    WHERE tanggal BETWEEN '2026-05-01' AND '2026-05-31'
    GROUP BY id_customer
    HAVING COUNT(*) >= 2
),
beli_juni AS (
    SELECT DISTINCT id_customer
    FROM penjualan
    WHERE tanggal BETWEEN '2026-06-01' AND '2026-06-30'
)
SELECT
    c.id_customer,
    c.nama,
    c.no_hp,
    m.trx_mei
FROM beli_mei AS m
JOIN customer AS c ON c.id_customer = m.id_customer
LEFT JOIN beli_juni AS j ON j.id_customer = m.id_customer
WHERE j.id_customer IS NULL
ORDER BY m.trx_mei DESC;

Pola LEFT JOIN ... WHERE IS NULL itu cara nyari "ada di A tapi gak ada di B". Ini query yang paling sering aku pakai ulang. Kalau kamu belum familiar sama LEFT JOIN, itu yang pertama harus dikuasain.

Query ini gak langsung jadi. Iterasi normalnya:

• Versi 1: lupa filter transaksi yang statusnya batal. Angkanya kegedean.
• Versi 2: customer yang punya 2 akun kehitung dua kali.
• Versi 3: nomor HP kosong buat 40 persen customer. Perlu dicek dari mana sumber datanya.
• Versi 4: baru bener.

Yang di luar nyangkanya query jadi dalam 5 menit. Kenyataannya 5 menit nulis, 50 menit mastiin angkanya bener.

11.30 — Selisih Rp 12 juta yang bikin pusing

Ini permintaan finance. Dan ini tipe kerjaan yang gak keliatan produktif tapi wajib.

Cara ngeceknya: pecah selisihnya sampai ketemu sumbernya.

SELECT
    status,
    COUNT(*)         AS jumlah_trx,
    SUM(total_harga) AS nilai
FROM penjualan
WHERE tanggal BETWEEN '2026-05-01' AND '2026-05-31'
GROUP BY status;

Ketemu: ada 47 transaksi dengan status refund senilai Rp 12,3 juta. Dashboard ngitung semua transaksi, akunting cuma ngitung yang gak di-refund.

Jadi dua-duanya "bener" — cuma definisinya beda. Solusinya bukan benerin query, tapi nyepakatin definisi "omzet" sama finance, terus tulis definisi itu di dokumentasi dashboard.

Kerjaan kayak gini muncul minimal 2 kali sebulan. Dan tiap kali kamu selesaiin, dashboard-nya makin dipercaya.

13.00 — Meeting sama tim marketing

Bawa hasil query pagi tadi: 218 customer yang beli 2 kali di Mei tapi hilang di Juni.

Yang aku pelajarin dari meeting-meeting kayak gini: jangan buka dengan query. Buka dengan angka dan konsekuensinya.

"218 customer hilang bulan ini. Kalau tiap orang rata-rata belanja Rp 185.000, itu Rp 40 juta yang nggak balik."

Terus baru masuk ke detail: 60 persen dari mereka terakhir belanja produk kategori Sembako, dan Sembako kehabisan stok selama 9 hari di awal Juni.

Meeting-nya berubah dari "kirim daftarnya dong" jadi "berarti masalahnya di stok, bukan di promo". Itu momen di mana kerjaan analis kerasa berguna.

15.00 — Bikin slide (3 chart, gak lebih)

Hasil analisisnya masuk deck buat rapat mingguan besok.

Aturan yang aku pegang: maksimal 3 chart per topik. Lebih dari itu orang berhenti baca.

Tiga chart-nya:

1. Jumlah customer aktif per bulan (garis, 6 bulan terakhir).
2. Customer hilang per kategori produk terakhir (bar).
3. Hari kosong stok per kategori (bar, ditumpuk di chart yang sama biar keliatan hubungannya).

Judul tiap slide ditulis sebagai kesimpulan, bukan deskripsi. Bukan "Customer Aktif per Bulan", tapi "Customer aktif turun 14% di Juni, paling tajam di Sembako".

16.30 — Permintaan dadakan

Chat dari manajer: "Besok pagi rapat direksi. Bisa kirim angka pertumbuhan per cabang 3 bulan terakhir?"

Ini kejadian sekitar 2 kali seminggu. Kalau kamu udah nyimpen query yang bisa dipakai ulang, 20 menit selesai. Kalau belum, ya lembur.

Ini alasan kenapa aku nyimpen semua query di satu folder Git dengan nama yang jelas: pertumbuhan_per_cabang.sql, customer_churn_bulanan.sql. Cari file, ganti tanggal, jalanin.

17.00 — Rapihin dokumentasi

15 menit terakhir buat nulis catatan singkat:

• Definisi omzet yang disepakati sama finance (exclude refund).
• Query customer churn disimpan, plus catatan kenapa harus filter status batal.
• Catatan buat besok: cek kenapa 40 persen nomor HP kosong.

Kebanyakan analis skip bagian ini. Terus tiga bulan kemudian gak inget kenapa angkanya dihitung begitu, dan ngulang investigasi yang sama dari nol.

Jadi, waktunya habis ke mana?

Kalau dijumlah dari hari di atas:

Aktivitas	Waktu	Porsi
Nulis dan benerin query	2 jam 15 menit	28%
Klarifikasi + komunikasi + meeting	2 jam 30 menit	31%
Ngecek dan benerin data yang aneh	1 jam 30 menit	19%
Bikin slide dan visualisasi	1 jam 15 menit	16%
Dokumentasi	30 menit	6%

Yang bener-bener "analisis" dalam arti nyari pola dan insight? Kira-kira seperempat hari. Sisanya nyiapin bahan dan ngejelasin hasilnya.

Ini bukan keluhan. Ini deskripsi kerjaannya. Analis yang cuma jago SQL tapi gak bisa jelasin hasilnya bakal mentok di level junior.

Yang gak ada di hari normal seorang analis

Beberapa hal yang orang kira ada, padahal jarang banget:

Machine learning. Di kebanyakan perusahaan Indonesia, analis gak bikin model. Itu kerjaan data scientist, dan cuma di perusahaan yang udah gede.

Big data beneran. Sebagian besar analisis harian jalan di data yang muat di spreadsheet. Query yang aku tulis hari ini nyentuh 84.000 baris, bukan 84 juta.

Dashboard yang cantik. Dashboard yang dipakai orang biasanya sederhana: 4 angka besar di atas, 3 chart di bawah. Yang penuh gauge dan animasi biasanya gak dibuka setelah minggu pertama.

FAQ

Data analyst tiap hari ngapain aja?

Sebagian besar hari diisi tiga aktivitas: narik dan bersihin data pakai SQL atau spreadsheet, ngerjain permintaan analisis dari tim lain kayak marketing atau finance, dan ngejelasin hasilnya lewat dashboard, slide, atau chat. Ditambah rapat, klarifikasi permintaan yang masih kabur, dan ngerawat dashboard yang udah jalan. Machine learning jarang masuk pekerjaan harian analis.

Berapa jam sehari data analyst nulis query?

Dari pengalamanku, sekitar 2 sampai 3 jam sehari, dan itu gak berturut-turut. Query yang dipakai berulang biasanya udah disimpan, jadi kamu tinggal ubah tanggal atau filter. Sisa waktunya habis buat mahamin pertanyaannya, nyari tabel yang bener, dan mastiin angkanya cocok sama laporan yang udah ada.

Apa bagian paling susah dari kerjaan data analyst?

Bukan teknisnya. Yang paling susah adalah nerjemahin pertanyaan kabur jadi pertanyaan yang bisa dijawab data. "Kenapa penjualan turun?" itu bisa berarti lima hal berbeda. Kalau kamu langsung nulis query tanpa klarifikasi, kemungkinan besar kamu ngerjain hal yang salah selama tiga jam.

Data analyst kerjanya lembur terus?

Nggak, kecuali di akhir bulan atau akhir kuartal pas semua laporan numpuk. Ritme normalnya cukup teratur, 9 sampai 5-an. Yang bikin lembur biasanya bukan volume kerjaan, tapi permintaan mendadak jam 4 sore yang katanya butuh besok pagi. Cara ngeceknya waktu interview: tanya gimana mereka nanganin permintaan dadakan.

Skill apa yang paling kepakai tiap hari?

SQL nomor satu, dipakai hampir tiap hari. Spreadsheet nomor dua, buat cek cepat dan kirim data ke orang yang gak punya akses database. Nomor tiga, dan ini yang sering diremehkan: kemampuan nulis penjelasan singkat yang bisa dimengerti orang non-teknis. Python dan machine learning kepakai, tapi frekuensinya jauh lebih rendah.

Penutup

Dua hal yang paling nentuin kamu betah atau nggak di kerjaan ini:

• Kamu nyaman gak sama pertanyaan yang kabur dan data yang berantakan. Karena itu porsi terbesar harinya.
• Kamu bisa gak jelasin hasil ke orang yang gak peduli sama query kamu. Karena itu yang bikin kerjaannya kepakai.

Skill teknisnya bisa dilatih, dan yang paling cepat kasih hasil itu SQL. Kalau mau mulai dari situ, coba NgulikSQL — latihan langsung di browser pakai dataset yang mirip kasus di atas.

Lanjut baca: KPI Marketing: 12 Metrik Wajib di Dashboard Kamu — metrik yang bakal paling sering diminta ke kamu.