TL;DR
Case study interview data analyst nguji cara kamu mecah masalah bisnis jadi angka, bukan hafalan rumus. Kerangka yang paling sering dipakai kandidat yang lolos: klarifikasi konteks dulu, pecah metrik jadi komponen, ajukan 2-3 hipotesis, tentuin data apa yang dibutuhin buat nguji, lalu tutup dengan satu rekomendasi plus trade-off-nya. Ngomong keras-keras selama mikir itu bagian dari penilaian.
Case study interview data analyst itu sesi di mana kamu dikasih masalah bisnis terbuka, lalu diminta mikir keras-keras sampai ketemu rekomendasi. Yang dinilai adalah cara mikirnya, bukan jawaban akhirnya.
Pertanyaan klasiknya kayak gini: "Order kita turun 18% bulan ini dibanding bulan lalu. Menurut kamu kenapa, dan apa yang harus kita lakuin?"
Nggak ada kunci jawaban. Yang ada cuma cara mikir yang rapi atau cara mikir yang berantakan.
Pewawancara nyari empat hal: apakah kamu mecah masalah gede jadi bagian yang bisa diukur, apakah kamu tau metrik mana yang penting, apakah kamu sadar batas datamu, dan apakah kamu bisa ngasih rekomendasi yang bisa dieksekusi.
Yang nggak dinilai: kecepatan, hafalan rumus, dan seberapa canggih model statistik yang kamu sebut.
Dari beberapa proses rekrutmen yang aku ikutin dan aku bantu review, pola kegagalan paling umum: langsung lompat ke solusi tanpa nanya apa-apa dulu.
Ini urutan yang aku pakai dan yang paling sering aku lihat dipakai kandidat yang lolos ke tahap akhir.
Waktu 45 menit kira-kira kebagi: 5 menit langkah 1, 10 menit langkah 2-3, 20 menit langkah 4, 10 menit langkah 5.
Pertanyaan brief-nya sengaja dibikin kabur. Itu bagian dari tesnya.
Empat pertanyaan yang hampir selalu relevan:
Kalau pewawancara jawab "anggap aja kamu belum tau", itu justru hint. Artinya dia mau lihat kamu bikin asumsi eksplisit.
Bilang aja: "Oke, aku asumsiin ini jumlah order dan periodenya bulan kalender. Kalau asumsinya salah, kesimpulannya bisa beda. Aku sebut lagi nanti di akhir."
Ini bagian yang paling ngebedain kandidat. Angka besar selalu bisa dipecah jadi perkalian atau penjumlahan komponen yang lebih kecil.
Jumlah order = User aktif × Order per user aktif
User aktif = User baru + User lama yang balik
Order/user = Frekuensi belanja dalam periodeSekali kamu pecah kayak gitu, penurunan 18% berhenti jadi misteri. Dia jadi dua pertanyaan yang jelas: apakah user aktifnya yang turun, atau frekuensi belanjanya?
Pecah lagi kalau perlu:
GMV = Jumlah order × Rata-rata nilai order (AOV)
AOV = Jumlah item per order × Harga rata-rata itemNgomong sambil nulis di whiteboard. Pewawancara pengen lihat struktur mikirmu, bukan hasil akhirnya doang.
Tiga hipotesis cukup. Sepuluh hipotesis dangkal malah kelihatan panik.
| Hipotesis | Cara ngujinya | Kalau bener, kelihatannya gimana |
|---|---|---|
| Akuisisi user baru drop | Hitung user baru per minggu | User baru turun tajam, user lama datar |
| Masalah teknis di checkout | Funnel: view → cart → bayar | Drop-off di satu step tertentu naik |
| Efek musiman (habis Ramadan) | Bandingin YoY periode sama | Pola turun yang mirip tahun lalu |
Kolom ketiga itu yang bikin kamu kedengeran kayak analyst beneran. Kamu nggak cuma nebak. Kamu udah tau bentuk buktinya kayak apa sebelum lihat datanya.
Kalau ada laptop, tulis query-nya. Kalau lisan, sebutin tabel dan kolom.
-- Cek apakah penurunan order merata atau terpusat di satu channel
SELECT
DATE_TRUNC('week', order_date) AS minggu,
channel,
COUNT(DISTINCT order_id) AS jumlah_order,
COUNT(DISTINCT user_id) AS user_aktif,
SUM(total) AS gmv
FROM orders
WHERE order_date >= '2026-01-01'
GROUP BY 1, 2
ORDER BY 1, 2;Query ini jawab dua hal sekaligus: apakah masalahnya di semua channel, dan apakah user aktif yang turun atau order per user.
Lanjut pisahin user baru dari user lama, karena obat buat dua masalah itu beda total:
SELECT
DATE_TRUNC('week', o.order_date) AS minggu,
CASE WHEN o.order_date <= u.first_order_date + INTERVAL '7 days'
THEN 'user_baru' ELSE 'user_lama' END AS segmen,
COUNT(DISTINCT o.order_id) AS jumlah_order
FROM orders o
JOIN users u ON u.user_id = o.user_id
GROUP BY 1, 2
ORDER BY 1, 2;Kalau kamu masih kagok sama DATE_TRUNC dan agregasi mingguan, ada penjelasan lengkapnya di halaman fungsi DATE_TRUNC. Konsep cohort analysis juga sering kepake di case study retensi.
Aku pernah bikin simulasi case ini pakai dataset mega_retail, 240 ribu transaksi e-commerce Indonesia sepanjang 2025-2026.
Hasil setelah dipecah:
| Komponen | Feb 2026 | Mar 2026 | Perubahan |
|---|---|---|---|
| Jumlah order | 21.400 | 17.548 | −18% |
| User aktif | 12.100 | 11.780 | −2,6% |
| Order per user | 1,77 | 1,49 | −15,8% |
Ketauan langsung: user-nya masih datang, cuma belanjanya jadi lebih jarang. Jadi ini bukan masalah akuisisi.
Pecah lagi per channel, dan jawabannya nongol. Order dari channel voucher turun 41%, sedangkan channel organik cuma turun 3%. Kampanye vouchernya berhenti tanggal 28 Februari.
Angka yang paling berguna buat rekomendasi: user yang cuma pernah belanja pakai voucher punya repeat rate 12%, sedangkan user organik 47%. Artinya voucher selama ini narik order, tapi nggak narik pelanggan.
Jangan tutup dengan "jadi kita perlu analisis lebih lanjut". Itu jawaban yang bikin kamu nggak lolos ke tahap berikutnya.
Tutup kayak gini:
"Penurunan 18% ini hampir seluruhnya dari berhentinya kampanye voucher. Rekomendasiku: jangan buru-buru nyalain lagi vouchernya, karena user voucher cuma punya repeat rate 12% dibanding 47% user organik. Kita bayar mahal buat order yang nggak balik lagi. Yang aku sarankan, alihin budget-nya ke reaktivasi user lama yang udah pernah belanja 2 kali. Trade-off-nya, angka order bulan depan bakal tetep kelihatan jelek, dan kita perlu sabar 2 bulan buat lihat efeknya."
Ada angka. Ada aksi. Ada risiko yang kamu akui sendiri. Itu tiga hal yang dicari pewawancara.
Langsung nebak penyebab di 30 detik pertama. "Mungkin karena kompetitor." Ini bikin kamu kelihatan asal. Klarifikasi dulu.
Diam lama sambil mikir. Pewawancara nggak bisa baca pikiranmu. Kalau lagi bingung, bilang: "Aku lagi mikir apakah lebih masuk akal pecah dari sisi user atau dari sisi produk."
Ngarang angka. Jangan pernah bilang "biasanya sekitar 20%" kalau kamu nggak tau. Bilang aja "aku perlu cek datanya dulu buat jawab ini".
Nyebut model canggih tanpa alasan. Nggak ada yang kepincut sama "kita bisa pakai XGBoost buat prediksi churn" kalau pertanyaannya diagnostik, bukan prediktif.
Lupa nyambungin balik ke bisnis. Analisis paling rapi pun nggak berguna kalau kamu nggak bilang "jadi tim marketing harus ngapain besok".
Ambil satu berita bisnis Indonesia minggu ini. Misalnya "pengguna aplikasi X turun". Lalu jalanin kerangka 5 langkah tadi sendirian, 20 menit, ngomong keras-keras.
Rasanya aneh di awal. Tapi itu persis kondisi yang bakal kamu hadapin di ruangan interview.
Buat referensi cara perusahaan besar nyusun metrik bisnis, panduan Google soal metrik dan dimensi di Analytics Data API lumayan bagus buat lihat gimana metrik dipecah secara formal.
Case study interview adalah sesi di mana pewawancara ngasih masalah bisnis terbuka (misalnya "order turun 18% bulan ini, kenapa?") dan kamu diminta mikir keras-keras sampai ketemu rekomendasi. Yang dinilai bukan jawaban benarnya, tapi cara kamu mecah masalah, milih metrik, dan sadar sama keterbatasan data.
Rata-rata 30-45 menit buat satu case. Bagi kasar: 5 menit klarifikasi, 10 menit mecah metrik dan bikin hipotesis, 15 menit bahas data, 10 menit rekomendasi. Kalau udah 20 menit belum nyentuh angka sama sekali, itu tanda kamu kelamaan di fase framing.
Boleh, malah wajib. Kandidat yang langsung jawab tanpa nanya konteks hampir selalu dapat nilai rendah. Tanya definisi metriknya, periode datanya, dan segmen mana yang dimaksud. Brief-nya sengaja dibikin kabur buat lihat apakah kamu berani ngeklarifikasi.
Bilang apa yang kamu nggak tau, terus jelasin gimana cara kamu bakal nyari tau. "Aku nggak yakin apakah penurunan ini musiman. Yang bakal aku cek pertama, bandingin sama periode yang sama tahun lalu." Yang bikin gagal itu ngarang angka atau diam total dua menit.
Tergantung formatnya. Case study lisan biasanya cuma minta kamu sebutin tabel dan kolom yang dibutuhin. Kalau ada laptop, siap-siap nulis query beneran, biasanya GROUP BY, JOIN, dan window function dasar. Latih nulis query sambil ngomong.
Dua hal yang perlu kamu inget sebelum masuk ruangan:
Latihan nulis query agregasi buat case study bisa kamu mulai di halaman GROUP BY, bagian yang paling sering keluar waktu live coding.
Lanjut baca: cara ngerjain take-home test data analyst.
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.