TL;DR
Product analyst adalah analis yang kerja bareng tim produk buat ngukur perilaku pengguna dan mutusin fitur mana yang layak dibangun. Bedanya dari data analyst: product analyst fokus ke satu produk dan alur pemakaiannya, sementara data analyst nyentuh semua fungsi bisnis dari penjualan sampai keuangan. Skill intinya SQL, analisis funnel, A/B testing, dan kemampuan ngomong sama product manager tanpa nyembunyiin ketidakpastian.
Product analyst adalah analis yang kerja bareng tim produk buat ngukur perilaku pengguna dan mutusin fitur mana yang layak dibangun.
Kalau data analyst ditanya "berapa omzet bulan ini?", product analyst ditanya "kenapa 62% orang berhenti di halaman verifikasi?"
Pertanyaan kedua yang bikin peran ini beda. Dan itu juga yang bikin gajinya sering lebih tinggi.
Product analyst adalah orang yang ngukur gimana pengguna makai produk digital, terus nerjemahin angkanya jadi keputusan produk. Dia duduk di tim produk, bukan di tim data terpusat. Lawan bicara hariannya product manager, designer, dan engineer, bukan tim keuangan.
Output utamanya bukan laporan bulanan. Outputnya rekomendasi: fitur ini layak dilanjut, fitur itu dimatiin, alur ini harus dipotong dari 5 langkah jadi 3.
Ini gambaran realistis dari yang aku lihat di tim produk startup Indonesia:
| Aspek | Product Analyst | Data Analyst |
|---|---|---|
| Fokus | Satu produk dan cara orang makainya | Semua fungsi bisnis |
| Pertanyaan khas | Kenapa user drop di step 3? | Berapa omzet per kota bulan ini? |
| Lawan bicara | Product manager, designer, engineer | Marketing, finance, operasional |
| Data utama | Event log perilaku pengguna | Data transaksi dan operasional |
| Metrik favorit | Retensi, konversi funnel, adopsi fitur | Omzet, margin, biaya per akuisisi |
| Output | Rekomendasi keputusan produk | Laporan dan dashboard |
Skill teknisnya mirip. SQL, spreadsheet, visualisasi. Yang beda konteks dan siapa yang bakal debat sama kamu di rapat.
Kalau kamu masih ngeraba-raba beda peran-peran data, perbandingan data analyst vs data scientist bisa jadi bacaan pelengkap.
SQL. Bukan pilihan. Kamu bakal nulis query yang nyentuh tabel event dengan jutaan baris tiap hari. Window function dan CTE kepake terus.
Analisis funnel. Kamu harus bisa ngubah event log jadi angka konversi per langkah. Ini query-nya:
WITH langkah AS (
SELECT
user_id,
MAX(CASE WHEN event = 'buka_halaman_daftar' THEN 1 ELSE 0 END) AS s1,
MAX(CASE WHEN event = 'isi_form' THEN 1 ELSE 0 END) AS s2,
MAX(CASE WHEN event = 'verifikasi_otp' THEN 1 ELSE 0 END) AS s3,
MAX(CASE WHEN event = 'akun_aktif' THEN 1 ELSE 0 END) AS s4
FROM events
WHERE event_date >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY user_id
)
SELECT
SUM(s1) AS buka_halaman,
SUM(s2) AS isi_form,
SUM(s3) AS verifikasi_otp,
SUM(s4) AS akun_aktif,
ROUND(100.0 * SUM(s4) / NULLIF(SUM(s1), 0), 1) AS konversi_total_persen
FROM langkah;Pola CASE WHEN di dalam MAX itu trik standar buat ngubah baris event jadi kolom per langkah.
Statistik dasar buat A/B test. Kamu gak butuh gelar statistik. Kamu butuh paham satu hal: kapan beda 2% itu berarti, dan kapan itu cuma noise. Sample size dan p-value.
Ngerti cara event dipasang. Skill yang paling sering diremehin. Kalau kamu gak tau event "klik_beli" itu kepicu waktu tombol diklik atau waktu halaman konfirmasi kebuka, angka kamu bisa meleset jauh.
Nulis rekomendasi yang bisa dieksekusi. "Konversi turun 8%" itu bukan rekomendasi. "Konversi turun 8% sejak OTP dipindah ke langkah 2, saranku balikin ke langkah 4". Itu baru rekomendasi.
Toko_berkah nambahin fitur checkout baru. Datanya dari 30 hari terakhir, 12.400 pengguna yang mulai proses beli:
| Langkah | Jumlah user | Lolos dari langkah sebelumnya |
|---|---|---|
| Buka keranjang | 12.400 | - |
| Isi alamat | 9.180 | 74,0% |
| Pilih pengiriman | 5.760 | 62,7% |
| Pilih pembayaran | 5.290 | 91,8% |
| Bayar selesai | 4.630 | 87,5% |
Konversi total: 37,3%. Kelihatannya lumayan.
Tapi lihat langkah "pilih pengiriman". Cuma 62,7% yang lolos, 3.420 orang kabur di situ. Ini kebocoran terbesar, jauh di atas langkah lain.
Waktu aku pecah lagi berdasarkan kota, polanya kelihatan: pengguna dari luar Jawa yang paling banyak kabur, 71% dari mereka berhenti di langkah ini. Ongkir baru muncul di situ, dan buat sebagian besar, angkanya lebih mahal dari produknya.
Rekomendasinya jelas: tampilin estimasi ongkir di halaman produk, jangan tunggu sampai checkout. Ini yang gak bakal kelihatan dari laporan omzet biasa.
Angkanya beda jauh antar perusahaan. Startup yang baru dapat pendanaan biasanya bayar di atas rata-rata. Perusahaan konvensional yang baru mulai bikin tim produk biasanya di bawah.
Ngelaporin angka tanpa rekomendasi. Product manager gak butuh dashboard tambahan. Dia butuh tau apa yang harus dilakuin Senin depan.
Percaya hasil A/B test yang sample-nya kecil. Beda 3% dari 200 pengguna itu bisa jadi kebetulan murni. Hitung sample size sebelum tes jalan, bukan sesudah.
Gak ngecek kualitas event. Konversi tiba-tiba naik 40%? Sebelum senang, cek dulu apakah ada event yang double-fire setelah rilis terakhir.
Ngukur metrik yang gampang, bukan yang penting. Jumlah klik gampang diitung. Apakah pengguna dapat manfaat dari kliknya, itu yang susah dan yang penting.
Product analyst fokus ke satu produk dan gimana orang makainya: funnel, retensi, adopsi fitur. Data analyst cakupannya lebih luas, dari penjualan sampai keuangan. Skill teknisnya mirip, yang beda konteks dan siapa yang jadi lawan bicara.
Entry level di startup Jakarta Rp 8-14 juta. Level menengah Rp 15-28 juta. Senior bisa tembus Rp 35-50 juta. Angka ini beda jauh antar perusahaan.
SQL wajib. Python berguna tapi bukan syarat mutlak. Yang lebih penting: kamu paham cara event tracking dipasang, dan tau kapan angka dari tool itu gak bisa dipercaya.
Ambil kerjaan analisis yang nyentuh produk di tempat kamu sekarang. Analisis funnel pendaftaran, retensi mingguan, hasil rilis fitur baru. Dua atau tiga proyek udah cukup jadi bahan cerita di wawancara.
SQL buat narik data mentah, plus satu product analytics tool kayak Amplitude, Mixpanel, atau PostHog. Spreadsheet tetap kepake buat ngitung cepat dan bikin tabel keputusan.
Ini yang bikin kamu siap ngelamar product analyst:
Buat yang mau ngerti cara ngukur retensi dan funnel dengan bener, dokumentasi funnel PostHog gratis dan penjelasannya lugas.
Mau bangun skill SQL-nya dulu? Latihan window function dan CTE di NgulikSQL, dua topik itu yang paling sering keluar di tes product analyst. Bacaan lanjutan: glossary cohort analysis.
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.