TL;DR
Rubrik take-home test data analyst biasanya punya enam dimensi: pemahaman masalah, penanganan data, ketepatan metode, kualitas kode, komunikasi hasil, dan rekomendasi bisnis. Bobot terbesar jatuh ke komunikasi dan ketepatan metode, masing-masing sekitar 20%. Reviewer buka file ringkasanmu duluan, jadi kesimpulan yang kebaca di 3 menit pertama nentuin nilai keseluruhan.
Reviewer take-home test nggak baca notebook kamu dari atas ke bawah.
Mereka buka file ringkasan, cari kesimpulan, lalu balik ke kode cuma buat ngecek apakah kesimpulan itu bisa dipercaya. Rata-rata tiga sampai lima menit per kandidat di putaran pertama.
Rubrik di bawah adalah versi yang paling sering dipakai tim data di startup, lengkap dengan bobot dan contoh skor.
Take-home test data analyst dinilai lewat enam dimensi: pemahaman masalah, penanganan data, ketepatan metode, kualitas kode, komunikasi hasil, dan rekomendasi bisnis. Bobot terbesar jatuh ke komunikasi dan ketepatan metode, masing-masing sekitar 20%. Kode yang rapi penting, tapi dia bukan yang paling nentuin.
| Dimensi | Bobot | Pertanyaan reviewer |
|---|---|---|
| Pemahaman masalah | 15% | Dia jawab pertanyaan yang ditanya, atau pertanyaan lain? |
| Penanganan data | 15% | Dia nyadar datanya kotor dan bilang apa yang dia lakukan? |
| Ketepatan metode | 20% | Hitungannya benar dan cocok sama pertanyaannya? |
| Kualitas kode | 15% | Bisa dijalanin ulang orang lain tanpa nebak-nebak? |
| Komunikasi hasil | 20% | Aku ngerti kesimpulannya dalam 3 menit? |
| Rekomendasi bisnis | 15% | Ada aksi konkret, bukan cuma deskripsi angka? |
Dua baris dengan bobot 20% itu yang paling sering jadi pembeda antara lolos dan nggak.
| Dimensi | Skor 1 | Skor 2 | Skor 3 | Skor 4 |
|---|---|---|---|---|
| Pemahaman masalah | Jawab pertanyaan lain | Jawab sebagian | Jawab semua pertanyaan | Jawab semua plus sebut asumsi yang dia ambil |
| Penanganan data | Nggak nyentuh masalah data | Buang baris bermasalah diam-diam | Sebut masalahnya dan cara nanganinnya | Sebut masalah, cara nangani, dan dampaknya ke kesimpulan |
| Ketepatan metode | Ada hitungan yang salah | Benar tapi terlalu rumit buat pertanyaannya | Benar dan pas | Benar, pas, dan sebut keterbatasannya |
| Kualitas kode | Error waktu dijalanin ulang | Jalan tapi path lokal dan urutan sel acak | Jalan dari atas ke bawah, nama variabel jelas | Ada README, daftar dependensi, dan struktur folder rapi |
| Komunikasi hasil | Cuma notebook tanpa narasi | Ada narasi tapi kesimpulannya di paling bawah | Kesimpulan di depan, grafik berlabel | Kesimpulan di depan, tiap grafik punya kalimat artinya |
| Rekomendasi bisnis | Nggak ada | Saran umum tanpa angka | Aksi spesifik dengan angka pendukung | Aksi berprioritas, ada perkiraan dampak dan risikonya |
Kandidat yang ngerjain tugas analisis penurunan pesanan, hasil review:
Pemahaman masalah 3 x 0,15 = 0,45
Penanganan data 2 x 0,15 = 0,30
Ketepatan metode 3 x 0,20 = 0,60
Kualitas kode 3 x 0,15 = 0,45
Komunikasi hasil 2 x 0,20 = 0,40
Rekomendasi bisnis 3 x 0,15 = 0,45
-------------------------------------
Total 2,65 / 4 = 66%Ambang lolos di kebanyakan tim ada di 3,00 atau 75%. Kandidat ini gagal, dan dua dimensi yang bikin dia jatuh adalah penanganan data dan komunikasi.
Perhatikan bahwa dia nggak salah hitung sama sekali. Analisisnya benar, penyampaiannya yang kurang.
Kalau dua skor 2 itu naik jadi 3, totalnya jadi 3,00 dan dia lolos. Perbaikannya cuma butuh satu jam kerja tambahan: tulis paragraf kesimpulan di depan, dan tulis apa yang kamu lakukan ke baris data yang bermasalah.
| Red flag | Kenapa fatal |
|---|---|
| Notebook error waktu dijalanin ulang | Reviewer nggak bisa verifikasi apapun |
| Path file mengarah ke folder di laptopmu | Tanda kamu nggak ngetes di lingkungan bersih |
| Grafik tanpa judul dan label sumbu | Sinyal langsung soal cara kamu bikin laporan kerja |
| Angka di narasi beda sama angka di kode | Kepercayaan ke seluruh hasil hilang |
| Nyalin kode dari internet tanpa nyesuaiin konteks | Kelihatan dari variabel yang nggak nyambung sama data |
| Ngirim 15 file tanpa README | Reviewer nggak tau mulai dari mana |
| Kesimpulan cuma "perlu analisis lebih lanjut" | Itu bukan kesimpulan, itu penundaan |
| Tahap | Waktu | Keluaran |
|---|---|---|
| Baca soal dan tulis ulang pertanyaannya | 20 menit | Daftar 3-5 pertanyaan yang mau dijawab |
| Cek kondisi data | 50 menit | Catatan nilai kosong, duplikat, tipe salah |
| Analisis inti | 2 jam | Angka jawaban tiap pertanyaan |
| Grafik dan tabel | 1 jam | Maksimal 5 visual yang beneran dipakai |
| Tulis narasi dan rekomendasi | 1 jam 20 menit | Ringkasan sehalaman plus aksi |
| Rapikan dan uji ulang | 30 menit | Restart kernel, jalanin dari awal, tulis README |
Yang paling sering dikorbankan orang adalah dua baris terakhir, dan dua baris itu nyumbang 35% dari total bobot.
C:/Users/nama.requirements.txt.Poin 9 itu bagian dari data quality yang paling gampang dinilai reviewer, dan paling sering dilewatin kandidat.
Pertama, tulis definisi tiap metric yang kamu pakai di awal dokumen. Satu kalimat per metrik. Ini langsung naikin skor pemahaman masalah.
Kedua, kunci tipe data waktu baca file. Kolom kode pos yang berubah jadi angka bikin nol di depannya hilang, dan itu kesalahan klasik. Cara nentuin tipe kolom secara eksplisit ada di dokumentasi read_csv pandas.
Ketiga, batasi jumlah grafik. Lima visual yang tiap-tiapnya punya kesimpulan lebih bernilai dari lima belas grafik pajangan. Kalau kamu bingung nyusunnya, prinsip yang sama berlaku waktu bikin dashboard kerja.
Ikuti batas waktu yang disebut di soal. Kalau ditulis 4 jam, kerjain 4 jam dan tulis di README apa yang kamu skip karena waktu habis. Reviewer yang berpengalaman bisa nebak kalau kamu ngabisin 20 jam buat tugas 4 jam, dan itu justru nurunin nilai karena mereka nggak bisa nilai kecepatan kerjamu.
Nggak. Model yang nggak diminta sering nurunin nilai karena makan tempat dan ngalihin perhatian dari analisis yang beneran diminta. Kalau kamu yakin model nambah nilai, taruh di bagian terpisah di akhir dan tetap jawab pertanyaan utamanya duluan.
Kirim dua-duanya kalau soalnya nggak nyebut format. Slide atau dokumen ringkas buat pembaca bisnis, notebook berisi proses buat reviewer teknis. Yang penting ada satu file README yang bilang urutan bacanya. Tanpa itu, reviewer buka file acak dan kesan pertamanya jadi untung-untungan.
Cek dulu aturan di soal, sebagian perusahaan ngelarang dan sebagian ngizinin asal disebut. Kalau diizinkan, tulis bagian mana yang kamu bantu pakai AI. Yang jadi masalah bukan pemakaiannya, tapi kalau kamu nggak bisa jelasin kode atau keputusan analisismu waktu sesi diskusi lanjutan.
Tulis apa yang kamu temukan dan apa yang kamu putuskan. Kalimat kayak "12% baris punya tanggal kosong, aku buang dan ini pengaruhnya ke kesimpulan" ngasih nilai lebih tinggi dari diam-diam ngebersihin semuanya. Reviewer nyari kesadaran soal keterbatasan data.
Empat puluh persen bobot ada di ketepatan metode dan komunikasi. Sisanya penting, tapi dua itu yang paling sering nentuin.
Sisakan 30 menit terakhir buat restart kernel dan nulis README. Waktu itu ngasih pengembalian paling besar dibanding tambahan analisis apapun.
Sebelum kirim, baca dokumenmu kayak orang yang cuma punya tiga menit. Kalau dalam tiga menit dia nggak nemu kesimpulanmu, susun ulang urutannya.
Siapin tahap berikutnya lewat transkrip mock interview studi kasus bisnis dan soal interview SQL bertema produk, atau latihan query harian di NgulikSQL.
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.