TL;DR
Analytics engineer adalah peran yang ngurus perubahan data mentah jadi tabel bersih dan siap dipakai analis, pakai SQL sebagai alat utama plus praktik rekayasa perangkat lunak kayak version control dan testing. Urutan belajarnya: SQL kuat, pemodelan data, alat transformasi, version control, orkestrasi jadwal, lalu testing dan dokumentasi. Buat yang udah bisa SQL dasar, total sekitar 8 sampai 12 bulan dengan latihan 8 jam per minggu.
Analytics engineer itu orang yang ngubah data mentah jadi tabel bersih yang siap dipakai analis dan dashboard. Alat utamanya SQL, cara kerjanya niru software engineer.
Peran ini muncul karena ada celah. Data engineer sibuk mindahin data, data analyst sibuk jawab pertanyaan bisnis, dan nggak ada yang ngurus tabel di tengahnya.
Roadmap di bawah ini urut. Tiap tahap punya perkiraan waktu berdasarkan latihan 8 jam per minggu, ukuran yang realistis buat orang yang belajar sambil kerja.
Analytics engineer bertanggung jawab atas lapisan transformasi data. Dia nerima data mentah dari sistem sumber, lalu nyusun jadi tabel yang terstruktur, terdokumentasi, dan konsisten definisinya. Bedanya dengan data analyst: fokusnya bukan jawab pertanyaan bisnis, tapi bikin fondasi supaya pertanyaan itu bisa dijawab siapa pun tanpa nanya ulang definisi.
Di perusahaan kecil, satu orang bisa ngerangkap analis dan analytics engineer. Di perusahaan yang datanya udah ratusan tabel, ini peran penuh waktu.
Ini pondasi yang nggak bisa dilompati. Bukan SQL yang "pernah belajar", tapi SQL yang kamu pakai tiap hari tanpa buka contekan.
Yang harus lancar:
Ukuran siap lanjut: kamu bisa nulis query yang ngitung pelanggan aktif bulanan lengkap dengan pertumbuhannya dalam 15 menit, tanpa nyontek.
WITH transaksi_bulanan AS (
SELECT
DATE_TRUNC('month', tanggal) AS bulan,
pelanggan_id,
SUM(total) AS belanja
FROM toko_berkah.transaksi
GROUP BY 1, 2
)
SELECT
bulan,
COUNT(DISTINCT pelanggan_id) AS pelanggan_aktif,
ROUND(AVG(belanja), 0) AS rata_belanja
FROM transaksi_bulanan
GROUP BY 1
ORDER BY 1;Di sini kamu belajar nyusun tabel supaya gampang dipakai orang lain, bukan cuma bisa dijalankan.
Yang dipelajari:
Tanda kamu udah paham: kamu bisa jelasin dalam 2 kalimat kenapa tabel penjualan sebaiknya dipisah dari tabel produk, ke orang yang nggak ngerti database.
Alat yang paling banyak dipakai di lowongan Indonesia sekarang adalah dbt. Isinya SQL biasa yang dibungkus struktur folder plus fitur tambahan.
Fokus ke 5 hal ini dulu:
Panduan resminya lengkap dan gratis di dokumentasi dbt. Kerjakan sambil bikin proyek, jangan cuma dibaca.
Inilah yang bikin analytics engineer beda dari analis yang jago SQL. Kodenya diperlakukan kayak kode program.
Cukup kuasai Git tingkat harian:
Nggak perlu paham rebase interaktif atau cherry-pick di awal. Itu bisa nyusul.
Model yang bagus nggak ada gunanya kalau harus dijalanin manual tiap pagi.
Yang perlu dikuasai: cara nyusun jadwal, cara nentuin urutan ketergantungan antar job, dan cara nangani kegagalan. Alatnya bisa Airflow, Dagster, atau penjadwal bawaan dbt Cloud.
Konsep yang lebih penting dari alatnya: idempoten, artinya job yang dijalankan dua kali harus kasih hasil sama. Kalau nggak, data kamu bisa dobel tiap ada percobaan ulang.
Kalau kamu belum yakin butuh jadwal seberapa sering, baca dulu perbandingan batch dan streaming.
Tahap yang paling sering dilewati, padahal ini yang bikin kamu dipercaya.
Uji minimum yang wajib ada di tiap model penting:
| Jenis uji | Yang dicek | Contoh |
|---|---|---|
| Unik | Kunci utama nggak dobel | transaksi_id unik di tabel fakta |
| Tidak kosong | Kolom wajib terisi | tanggal dan cabang_id |
| Nilai yang diizinkan | Kategori sesuai daftar | status cuma lunas, batal, retur |
| Hubungan antar tabel | Kunci asing punya pasangan | pelanggan_id ada di tabel pelanggan |
| Kewajaran angka | Nilai masuk akal | total transaksi nggak negatif |
Konsep lengkap soal dimensi kualitas data bisa kamu baca di glossary data quality.
| Tahap | Durasi | Jam kumulatif |
|---|---|---|
| SQL lancar | 2 sampai 3 bulan | 80 sampai 100 jam |
| Pemodelan data | 1 sampai 2 bulan | 120 sampai 160 jam |
| Alat transformasi | 1 sampai 2 bulan | 160 sampai 220 jam |
| Version control | 3 sampai 4 minggu | 190 sampai 250 jam |
| Orkestrasi | 3 sampai 4 minggu | 220 sampai 280 jam |
| Testing dan dokumentasi | 1 bulan | 250 sampai 320 jam |
Total 8 sampai 12 bulan dengan ritme 8 jam per minggu. Yang udah kerja sebagai analis biasanya bisa lompat sebagian tahap 1 dan selesai dalam 6 bulan.
Satu proyek yang dikerjakan sampai tuntas lebih berharga dari 5 tutorial yang selesai setengah.
Contoh yang aku sarankan: ambil data transaksi ritel (boleh data buatan sendiri, minimal 50.000 baris), lalu bangun 3 lapisan.
Tambahin 8 sampai 12 pengujian, dokumentasi tiap kolom, dan satu diagram alur. Terakhir, tulis catatan singkat soal keputusan yang kamu ambil dan alasannya.
Waktu aku bikin proyek serupa dengan data toko_berkah 61.400 baris, bagian paling makan waktu bukan SQL-nya. Yang makan waktu itu mutusin granularitas tabel mart, sekitar 6 jam mikir dan 40 menit nulis kodenya.
Data engineer ngurus perpindahan dan penyimpanan data, termasuk pipeline masuk, infrastruktur, dan skalabilitas. Analytics engineer ngurus apa yang terjadi setelah data sampai di gudang data, yaitu ngubahnya jadi tabel yang rapi dan terdokumentasi. Alat utamanya SQL, bukan Python atau Scala, dan dia lebih dekat ke kebutuhan bisnis.
Nggak wajib di awal. Mayoritas kerjaan harian pakai SQL plus alat transformasi. Python berguna buat otomatisasi kecil dan pengujian tambahan, tapi kamu bisa dapat kerja pertama tanpa itu. Kalau mau belajar, tunda sampai selesai tahap pemodelan data supaya urutannya nggak kebalik.
Sekitar 8 sampai 12 bulan kalau kamu latihan 8 jam per minggu dan mulai tanpa pengalaman SQL. Yang udah kerja sebagai analis dan SQL-nya kuat biasanya butuh 5 sampai 7 bulan, karena tinggal nambah pemodelan, alat transformasi, dan version control. Angka ini asumsinya kamu bikin proyek nyata, bukan cuma nonton tutorial.
Sertifikat resmi dari penyedia gudang data (misal BigQuery atau Snowflake) dan sertifikasi dbt paling sering disebut di iklan lowongan. Tapi dari pengamatanku di proses rekrutmen lokal, portfolio proyek dengan kode yang bisa dibaca lebih menentukan daripada sertifikat. Sertifikat nolong lolos penyaringan awal, proyek yang nolong lolos wawancara teknis.
Bisa, dan ini jalur perpindahan yang paling umum. Modal kamu udah setengah jalan: SQL dan pemahaman bisnis. Yang perlu ditambah adalah pemodelan data, Git, alat transformasi, dan kebiasaan nulis pengujian. Mulai dari ngerapikan query berulang di kerjaan sekarang jadi model yang terstruktur, itu udah latihan nyata.
Urutannya: SQL lancar, pemodelan data, alat transformasi, Git, orkestrasi, lalu testing.
Jangan lompat ke alat sebelum SQL dan pemodelan kuat, soalnya itu yang dipakai tiap hari.
Mulai dari satu proyek 3 lapisan dengan data ritel, lengkap dengan pengujian dan dokumentasi. Kalau kamu mau paham lapisan definisi metrik yang sering jadi tugas analytics engineer, lanjut ke artikel semantic layer.
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.