Roadmap Analytics Engineer 2025: Skill, Urutan, dan Estimasi Waktu

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.

Apa itu analytics engineer?

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.

Tahap 1: SQL sampai betul-betul lancar (2 sampai 3 bulan)

Ini pondasi yang nggak bisa dilompati. Bukan SQL yang "pernah belajar", tapi SQL yang kamu pakai tiap hari tanpa buka contekan.

Yang harus lancar:

• SELECT, WHERE, GROUP BY, HAVING tanpa mikir.
• JOIN semua jenis, termasuk paham kapan LEFT JOIN bikin baris berlipat.
• Window function: ROW_NUMBER, RANK, LAG, LEAD, SUM OVER.
• CTE bertingkat buat mecah query panjang jadi bagian yang kebaca.
• Tanggal dan waktu, termasuk konversi zona waktu ke WIB.

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;

Tahap 2: pemodelan data (1 sampai 2 bulan)

Di sini kamu belajar nyusun tabel supaya gampang dipakai orang lain, bukan cuma bisa dijalankan.

Yang dipelajari:

• Bedanya tabel fakta (transaksi, kejadian) dan tabel dimensi (pelanggan, produk, cabang).
• Star schema dan kapan dia lebih enak dipakai daripada satu tabel lebar.
• Granularitas, yaitu satu baris di tabel ini mewakili apa persisnya.
• Slowly changing dimension buat nyimpan riwayat perubahan, misal pelanggan pindah kota.
• Penamaan yang konsisten, termasuk aturan prefix stg_, int_, dan mart_.

Tanda kamu udah paham: kamu bisa jelasin dalam 2 kalimat kenapa tabel penjualan sebaiknya dipisah dari tabel produk, ke orang yang nggak ngerti database.

Tahap 3: alat transformasi (1 sampai 2 bulan)

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:

1. Bikin model sebagai file .sql dan paham urutan eksekusinya.
2. Fungsi ref() buat nyambungin antar model, supaya urutan jalannya otomatis kesusun.
3. Materialisasi: view, table, dan incremental. Ini yang nentuin biaya query.
4. Sumber data dan pengujian bawaan kayak unique dan not_null.
5. Dokumentasi yang kegenerate dari file YAML.

Panduan resminya lengkap dan gratis di dokumentasi dbt. Kerjakan sambil bikin proyek, jangan cuma dibaca.

Tahap 4: version control dan cara kerja tim (3 sampai 4 minggu)

Inilah yang bikin analytics engineer beda dari analis yang jago SQL. Kodenya diperlakukan kayak kode program.

Cukup kuasai Git tingkat harian:

• branch, commit, push, pull request.
• Nyelesaikan konflik saat dua orang ngubah file yang sama.
• Baca diff dan ngasih komentar di review orang lain.
• Rollback ke versi sebelumnya waktu ada model yang bikin angka kacau.

Nggak perlu paham rebase interaktif atau cherry-pick di awal. Itu bisa nyusul.

Tahap 5: orkestrasi dan penjadwalan (3 sampai 4 minggu)

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 6: testing, dokumentasi, dan kualitas data (1 bulan)

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.

Estimasi waktu keseluruhan

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.

Proyek portfolio yang layak dipamerin

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.

1. Staging: bersihin nama kolom, samakan tipe data, konversi waktu ke WIB.
2. Intermediate: gabungkan transaksi dengan produk dan cabang, hitung margin per baris.
3. Mart: tabel siap pakai buat dashboard, misal penjualan harian per cabang dan ringkasan pelanggan.

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.

Kesalahan umum saat belajar analytics engineering

• Ngejar alat sebelum SQL kuat. dbt itu SQL yang dirapikan. Kalau SQL kamu masih goyah, alatnya nggak nolong.
• Bikin satu tabel raksasa berisi semuanya. Gampang di awal, neraka pas ada perubahan definisi.
• Nggak nulis dokumentasi karena merasa masih sendirian. Kamu 3 bulan lagi itu orang lain.
• Nyalin roadmap luar negeri mentah-mentah. Banyak lowongan Indonesia masih pakai kombinasi SQL, spreadsheet, dan Looker Studio. Cek dulu iklan lowongan yang kamu incar.
• Belajar Python duluan. Berguna, tapi bukan prioritas awal buat peran ini. SQL dan pemodelan jauh lebih sering dipakai harian.
• Nggak pernah nge-review kode orang. Membaca kode orang lain itu cara belajar tercepat yang paling sering dilewatkan.

FAQ

Apa bedanya analytics engineer dan data engineer?

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.

Perlu bisa Python buat jadi analytics engineer?

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.

Berapa lama waktu belajar analytics engineer dari nol?

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.

Sertifikasi apa yang berguna buat analytics engineer?

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 nggak pindah dari data analyst ke analytics engineer?

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.

Ringkasnya

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.