TL;DR
Product analyst adalah analis yang fokus ke perilaku pengguna di dalam produk digital, bukan ke laporan penjualan atau keuangan. Bedanya dari analis umum ada di sumber data (event log, bukan tabel transaksi) dan di pertanyaan yang dijawab (kenapa user berhenti di langkah tertentu). Urutan belajar yang paling cepat kelihatan hasilnya: kuasai event tracking, funnel, retensi kohort, baru A/B test.
Product analyst adalah analis yang kerjanya ngukur perilaku pengguna di dalam produk digital, lalu nerjemahin angkanya jadi keputusan buat tim produk.
Bedanya dari analis umum ada di data yang dipegang. Analis umum biasa pegang tabel transaksi. Product analyst pegang event log, di mana satu baris data artinya satu aksi user: buka app, klik tombol, isi form, bayar.
Pertanyaan yang dijawab juga beda. Bukan "berapa omzet bulan ini", tapi "kenapa 58 persen user yang udah masukin barang ke keranjang nggak pernah sampai halaman bayar".
Ini urutan skill yang perlu kamu tambah, plus latihan yang bisa langsung dikerjain.
Tiga jenis kerjaan yang paling sering muncul.
Ngukur dampak fitur baru. Tim rilis fitur checkout satu halaman. Kamu yang mastiin apakah angka konversinya beneran naik, atau naiknya cuma kebetulan karena ada promo barengan.
Nyari titik bocor. Alur pendaftaran punya lima langkah. Kamu yang nunjukin langkah mana yang paling banyak bikin orang kabur, plus bedanya antara pengguna Android dan iOS.
Ngejaga definisi metrik. Waktu marketing bilang "user aktif" dan tim produk bilang "user aktif", sering artinya beda. Kamu yang bikin definisinya tunggal dan konsisten. Ini kerjaan yang nggak keren tapi paling sering nyelametin rapat.
Yang bikin peran ini beda: kamu duduk di tim produk, bukan di tim data yang terpisah. Jadi kamu ikut rapat perencanaan, dan analisis kamu masuk sebelum keputusan diambil, bukan setelahnya.
Kalau kamu udah bisa SQL dan bikin dashboard, kamu udah lewat separuh jalan. Yang kurang biasanya empat hal ini.
| Skill | Kenapa penting | Waktu belajar |
|---|---|---|
| Event tracking | Semua analisis produk mulai dari sini. Kalau event-nya salah desain, analisisnya nggak bisa diperbaiki belakangan. | 2-3 minggu |
| Funnel analysis | Cara standar nunjukin di mana user berhenti. | 2 minggu |
| Analisis kohort dan retensi | Bedain user yang balik lagi dari user yang cuma mampir sekali. | 3-4 minggu |
| A/B testing | Cara mastiin perubahan angka bukan kebetulan. | 4-6 minggu |
Perhatiin urutannya. Banyak orang loncat langsung ke A/B test soalnya kedengarannya paling canggih. Padahal tanpa event yang rapi, uji apa pun hasilnya nggak bisa dipercaya.
Event adalah catatan satu aksi user. Minimal punya tiga kolom: siapa yang ngelakuin, aksinya apa, kapan kejadiannya.
Yang perlu kamu pelajari itu cara ngerancang skema event yang nggak nyusahin di kemudian hari:
checkout_dimulai dan checkout_selesai, bukan campur "StartCheckout" dan "checkout_done".klik_tombol_merah dan klik_tombol_biru. Bikin satu event klik_tombol dengan properti warna.Dokumentasi tool analitik produk kayak dokumentasi resmi PostHog bagus buat lihat contoh skema event yang beneran dipakai di produksi.
Funnel itu urutan langkah yang kamu harap dilewati user. Yang diukur: berapa persen yang lolos dari satu langkah ke langkah berikutnya.
Dua hal yang sering salah waktu bikin funnel pertama kali:
Pertama, jendela waktu. User yang masukin barang ke keranjang hari Senin lalu bayar hari Kamis, itu dihitung konversi atau nggak? Tentuin jendelanya di depan, misalnya 24 jam, lalu konsisten.
Kedua, urutan longgar versus ketat. Funnel ketat cuma ngitung user yang lewat semua langkah persis berurutan. Funnel longgar ngizinin langkah lain nyelip di tengah. Angkanya bisa beda 10 poin persen cuma gara-gara pilihan ini.
Cohort analysis ngelompokkan user berdasar kapan mereka pertama kali masuk, lalu ngikutin kelompok itu dari waktu ke waktu.
Gunanya buat misahin dua hal yang gampang ketuker: produk yang makin bagus, atau iklan yang lagi kenceng. Total user aktif bisa naik cuma gara-gara akuisisi, padahal user lama makin banyak yang kabur. Kurva retensi per kohort langsung nunjukin itu.
Kalau kamu belum pernah bikin, mulai dari retensi mingguan sederhana: dari user yang daftar minggu ini, berapa persen yang masih buka aplikasi di minggu ke-1, ke-2, ke-4.
Ini bagian yang paling banyak jebakannya. Yang perlu kamu kuasai bukan cuma cara ngitung, tapi cara nolak eksperimen yang desainnya salah.
Tiga hal yang paling sering bikin hasil A/B testing nggak valid: sampel dihitung setelah data masuk, uji dihentikan begitu kelihatan menang, dan metrik diganti di tengah jalan.
Belajar hitung ukuran sampel di depan itu wajib. Tanpa itu kamu bakal sering ngasih rekomendasi dari perbedaan yang sebenarnya cuma noise.
Ini data dari dataset latihan ngulikdata, versi aplikasi belanja toko_berkah selama satu bulan.
| Langkah | Jumlah user | Lolos ke langkah berikutnya |
|---|---|---|
| Buka aplikasi | 12.480 | 34,5% |
| Tambah ke keranjang | 4.310 | 42,4% |
| Mulai checkout | 1.826 | 65,9% |
| Bayar berhasil | 1.204 | - |
Konversi total dari buka aplikasi sampai bayar: 9,65 persen.
Langkah pertama yang biasanya diambil orang: benerin langkah paling bocor, yaitu dari buka aplikasi ke keranjang. Cuma 34,5 persen yang lolos.
Tapi coba hitung dampaknya. Naikin langkah pertama 5 poin persen nambah sekitar 174 transaksi. Naikin langkah ketiga 5 poin persen cuma nambah 91 transaksi. Yang pertama memang lebih besar, tapi juga jauh lebih susah: itu soal katalog, harga, dan alasan orang buka aplikasi.
Langkah ketiga beda cerita. 34,1 persen orang yang udah niat bayar tapi gagal itu biasanya masalah teknis. Metode pembayaran habis waktu, kode promo ditolak, alamat nggak bisa disimpan. Perbaikannya lebih murah dan hasilnya lebih cepat kelihatan.
Ini cara mikir yang dicari waktu wawancara product analyst. Bukan siapa yang bisa bikin angkanya, tapi siapa yang bisa milih mana yang layak dikerjain duluan.
Rencana ini asumsinya kamu udah kerja sebagai analis dan SQL-nya lancar. Sekitar 6 sampai 8 jam per minggu.
Studi kasus bulan keenam itu yang bakal kamu pakai buat melamar. Satu kasus yang dalam lebih berguna daripada lima analisis dangkal.
Ngumpulin tool, bukan pemahaman. Amplitude, Mixpanel, PostHog, GA4. Antarmukanya beda, konsepnya sama persis. Kuasai konsepnya, tool-nya bisa dipelajari dalam seminggu.
Ngasih angka tanpa rekomendasi. Product manager nggak butuh tau konversi turun 3 persen. Mereka butuh tau apa yang harus dikerjain minggu depan. Selalu tutup analisis dengan satu usulan konkret.
Nggak ngerti cara produknya dibangun. Kalau kamu nggak tau bedanya event yang dikirim dari aplikasi dan dari server, kamu bakal salah baca data waktu ada yang hilang. Duduk bareng engineer sekali dua kali itu investasi yang murah.
Nunggu izin buat mulai. Kamu nggak butuh jabatan product analyst buat mulai ngerjain analisis produk. Kalau perusahaan kamu punya aplikasi, minta akses ke log-nya lalu bikin satu funnel. Itu portofolio sekaligus lamaran internal.
Beda di objek yang dianalisis, bukan di tools. Data analyst umum sering pegang data transaksi, keuangan, atau operasional. Product analyst pegang event log dari aplikasi, jadi satu baris data itu satu aksi user. SQL, statistik, dan visualisasi tetap sama. Yang harus kamu tambah itu pemahaman soal cara produk dibangun dan cara tim produk ngambil keputusan.
SQL wajib sampai level window function, soalnya hampir semua perhitungan retensi dan funnel butuh itu. Python berguna tapi bukan syarat masuk, terutama buat perusahaan yang tool analitiknya udah lengkap. Kalau kamu mau ngerjain analisis kohort besar atau uji statistik sendiri, pandas dan scipy cukup. Nggak perlu belajar machine learning dulu buat masuk ke peran ini.
Bikin dataset event sendiri. Ambil aplikasi apa pun yang kamu pakai, gambar alur langkahnya dari buka sampai selesai, lalu bikin tabel event dengan kolom user_id, nama_event, dan waktu. Isi beberapa ribu baris dengan pola yang masuk akal. Dari situ kamu bisa latihan funnel, retensi, dan segmentasi. Portofolio kayak gini lebih dilirik daripada analisis dataset publik yang dipakai ribuan orang.
Kalau kamu udah kerja sebagai analis dan SQL-nya lancar, sekitar 4 sampai 6 bulan cukup buat nutup gap-nya. Sebulan buat konsep event dan funnel, dua bulan buat retensi dan segmentasi, sisanya buat A/B test dan satu proyek portofolio. Kalau kamu mulai dari nol tanpa dasar SQL, tambahin 3 bulan di depan buat dasar query dan statistik.
Sertifikasi tool analitik produk kayak Amplitude atau Mixpanel gampang didapat dan lumayan buat nunjukin kamu paham konsepnya. Tapi dari yang aku lihat di proses rekrutmen, yang paling ngangkat itu satu studi kasus yang kamu tulis sendiri: ada pertanyaan bisnis, ada query, ada angka, ada rekomendasi. Sertifikat cuma pelengkap.
Dua hal yang paling menentukan di jalur ini:
Kalau SQL kamu masih di level dasar dan window function masih bikin bingung, itu yang perlu dibereskan duluan. Latihan querynya bisa kamu kerjain di NgulikSQL sambil langsung praktek.
Lanjut baca: cara bikin CV data analyst yang ATS friendly buat nyusun pengalaman analisis produk kamu, dan cara cari mentor data analyst kalau kamu butuh orang buat review studi kasusnya.
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.