TL;DR
Analis data di bank Indonesia menghabiskan sekitar 40% waktunya buat nulis query SQL dan validasi angka, 30% buat rapat dan komunikasi ke unit bisnis, sisanya buat dokumentasi dan permintaan dadakan. Domain yang paling banyak nyerap analis: risk, fraud, dan portfolio kredit. Kisaran gaji analis data bank di Jakarta ada di Rp 8 juta sampai Rp 18 juta per bulan tergantung level dan jenis banknya.
Kerjaan analis data di bank sebagian besar diisi nulis query, ngecek angka, dan jelasin hasilnya ke orang yang nggak ngerti SQL. Bukan bikin model machine learning tiap hari.
Aku tulis ini soalnya pertanyaan "sehari-harinya ngapain sih?" muncul terus tiap kali ada yang nanya soal karier di perbankan. Jawaban "ya analisis data" nggak nolong siapa-siapa.
Jadi ini rincian jam per jam. Formatnya aku susun dari pola kerja analis di divisi risk dan portfolio management, dua tempat yang paling banyak nyerap analis data di bank Indonesia.
Analis data di bank ngolah data transaksi, nasabah, dan portfolio jadi angka yang dipakai buat ambil keputusan. Keputusannya bisa soal siapa yang layak dikasih kredit, produk mana yang mau didorong, atau transaksi mana yang mencurigakan. Outputnya biasanya dashboard, laporan berkala, atau analisis ad-hoc buat satu pertanyaan spesifik dari manajemen.
Bedanya sama analis di startup: di bank, angka yang salah punya konsekuensi regulasi. Laporan yang dikirim ke Otoritas Jasa Keuangan nggak boleh meleset. Jadi porsi validasi jauh lebih besar dari yang kamu bayangin.
Hal pertama yang dibuka bukan email. Tapi status pipeline semalam.
Data warehouse bank biasanya jalanin batch job tengah malam. Kalau ada job yang gagal, angka di dashboard pagi ini salah. Dan orang yang bakal ditanyain pertama kali adalah analisnya.
Rutinitas 30 menit pertama:
Langkah kedua itu yang paling sering nangkep masalah. Kalau tabel transaksi harian biasanya nambah 2,1 juta baris terus tiba-tiba cuma 400 ribu, ada yang putus di tengah jalan.
Kalau kamu belum familiar sama alur pipeline data, baca dulu soal ETL.
Ini bagian yang paling nggak bisa diprediksi. Pesan masuk dari head of product: "berapa nasabah KPR yang telat bayar lebih dari 30 hari di Q3, dipecah per wilayah?"
Kelihatannya gampang. Praktiknya nggak.
Pertanyaan pertama yang harus kamu balik: telat 30 hari itu dihitung dari tanggal jatuh tempo atau tanggal tagihan? Wilayah itu domisili nasabah atau cabang tempat akadnya? Dua definisi ini bisa bikin selisih ribuan nasabah.
Aku pernah lihat satu permintaan yang jawabannya beda 12% cuma gara-gara definisi "nasabah aktif" nggak diklarifikasi di awal. Angkanya udah masuk deck direksi waktu ketahuan.
Makanya kebiasaan bagus di bank: sebelum nulis query, tulis dulu definisi metriknya dalam satu kalimat, kirim ke peminta, tunggu konfirmasi.
Ini blok waktu terpanjang dalam sehari. Dua sampai tiga jam murni di editor SQL.
Struktur query yang biasa dipakai buat pertanyaan tadi kira-kira gini:
WITH tagihan_q3 AS (
SELECT
t.nasabah_id,
t.tanggal_jatuh_tempo,
t.tanggal_bayar,
DATE_PART('day', t.tanggal_bayar - t.tanggal_jatuh_tempo) AS hari_telat
FROM kredit_tagihan t
WHERE t.produk = 'KPR'
AND t.tanggal_jatuh_tempo BETWEEN '2025-07-01' AND '2025-09-30'
)
SELECT
n.wilayah_domisili,
COUNT(DISTINCT q.nasabah_id) AS jumlah_nasabah,
ROUND(AVG(q.hari_telat), 1) AS rata_hari_telat
FROM tagihan_q3 q
JOIN nasabah n ON n.nasabah_id = q.nasabah_id
WHERE q.hari_telat > 30
GROUP BY n.wilayah_domisili
ORDER BY jumlah_nasabah DESC;Perhatiin CTE di atas. Bank suka struktur query yang bertingkat kayak gini soalnya gampang diaudit. Reviewer bisa jalanin bagian tagihan_q3 doang buat cek angka mentahnya.
Habis query jalan, validasinya belum selesai. Yang biasa dicek:
Habis makan siang biasanya jadwal rapat. Dan di sini skill yang dipakai bukan SQL lagi.
Orang di ruangan itu manajer produk, orang risk, kadang kepala cabang. Mereka nggak peduli kamu pakai window function atau nggak. Mereka mau tau: angka ini artinya apa buat keputusan minggu depan?
Cara nyampein yang aku lihat paling nyantol:
Yang nomor tiga sering kebalik. Analis suka buka presentasi dengan disclaimer panjang soal keterbatasan data. Akibatnya audiens keburu bosan sebelum sampai ke temuannya.
Bagian yang jarang disebut waktu orang bayangin kerjaan data di bank.
Setiap laporan yang keluar harus punya jejak: query-nya apa, sumber tabelnya mana, siapa yang approve, kapan dijalanin. Kalau ada audit internal enam bulan kemudian, dokumen ini yang dicari.
Formatnya biasanya sederhana. Satu file berisi tujuan analisis, definisi tiap metrik, query lengkap, dan tanggal eksekusi.
Kedengarannya membosankan. Tapi ini yang bikin analis di bank jarang kena masalah waktu angkanya dipertanyakan setahun kemudian.
Setengah jam terakhir buat nutup. Update status di tracker, kirim hasil yang belum sempat dikirim, tulis catatan buat besok pagi.
Analis yang rapi biasanya nulis tiga baris di akhir hari: apa yang selesai, apa yang nyangkut, dan siapa yang lagi ditunggu jawabannya. Besok pagi tinggal baca, nggak perlu ngingat-ngingat.
| Aktivitas | Porsi waktu | Tools utama |
|---|---|---|
| Nulis query dan validasi angka | 40% | SQL, Excel |
| Rapat dan komunikasi hasil | 30% | Slide, dashboard |
| Dokumentasi dan audit trail | 15% | Confluence, spreadsheet |
| Bikin atau rawat dashboard | 10% | Tableau, Power BI, Looker |
| Modeling dan statistik | 5% | Python, R |
Angka 5% buat modeling itu yang paling sering bikin kaget orang yang baru masuk. Model scoring kredit memang ada, tapi biasanya dipegang tim khusus dan siklus pengembangannya berbulan-bulan, bukan harian.
Urut dari yang paling sering dipakai sehari-hari:
SQL menengah ke atas. JOIN banyak tabel, window function, CTE bertingkat. Tabel di bank itu ternormalisasi ketat, satu pertanyaan sederhana bisa butuh gabungan 4 sampai 6 tabel.
Excel yang beneran jago. Banyak permintaan cepat yang lebih masuk akal dikerjain di spreadsheet. Fungsi kayak SUMIFS dan INDEX masih dipakai tiap hari buat rekonsiliasi angka.
Ngerti produk banknya. Kamu nggak bisa analisis portfolio KPR kalau nggak paham beda bunga fixed dan floating. Ini yang biasanya paling lama dipelajari anak baru, sekitar 3 sampai 6 bulan.
Nulis yang jelas. Setengah output kamu berbentuk tulisan, bukan grafik.
Python dan machine learning tetap berguna, tapi posisinya di bawah empat itu buat sebagian besar peran analis.
Langsung nulis query sebelum definisi jelas. Ini penyebab kerja ulang nomor satu. Lima menit klarifikasi hemat tiga jam.
Nggak nyimpen query yang udah dipakai. Permintaan yang sama bakal muncul lagi bulan depan. Simpan di repo atau folder yang rapi, kasih nama yang jelas.
Ngasih angka tanpa konteks. "Ada 4.320 nasabah telat bayar" itu belum informasi. "4.320 nasabah telat bayar, naik dari 3.890 kuartal lalu, hampir semuanya di segmen kredit tanpa agunan" baru berguna.
Takut bilang nggak tau. Kalau datanya nggak cukup buat jawab, bilang. Nebak angka di lingkungan yang diawasi regulator itu risiko besar.
Dari lowongan yang beredar di portal kerja Indonesia, analis data level junior di bank Jakarta biasanya ada di kisaran Rp 8 juta sampai Rp 12 juta per bulan. Level menengah dengan pengalaman 3 sampai 5 tahun bisa Rp 13 juta sampai Rp 18 juta. Bank asing dan bank digital umumnya di atas bank BUMN untuk level yang sama.
Statistik, matematika, ilmu komputer, dan ekonomi paling sering diminta. Tapi banyak analis bank yang datang dari akuntansi atau teknik industri. Yang dites waktu wawancara biasanya SQL, logika angka, dan pemahaman dasar produk perbankan. Portofolio analisis nyata sering lebih menentukan daripada nama jurusan.
Analis data jawab pertanyaan yang udah ada dengan data historis, outputnya laporan dan dashboard. Data scientist bangun model prediktif kayak credit scoring atau deteksi fraud, outputnya sistem yang jalan otomatis. Di bank Indonesia, jumlah posisi analis jauh lebih banyak daripada data scientist.
Nggak wajib buat peran analis. SQL yang kuat plus Excel yang rapi udah cukup buat lolos sebagian besar seleksi analis data bank. Python jadi nilai tambah, dan wajib kalau kamu incar peran data scientist atau risk modeling.
Tergantung siklus. Akhir bulan dan akhir kuartal padat gara-gara tutup buku dan laporan regulator. Di luar periode itu, jam kerjanya relatif normal. Divisi risk dan fraud yang punya monitoring harian biasanya lebih sering kena permintaan mendadak.
Dua hal yang paling menentukan di peran ini: SQL yang kuat dan kemampuan nerjemahin angka ke bahasa yang dimengerti orang bisnis. Modeling posisinya jauh di belakang.
Kalau kamu lagi nyiapin diri buat masuk perbankan, mulai dari latihan query multi-tabel. Coba di latihan SQL interaktif NgulikSQL sampai JOIN dan window function jadi refleks.
Penasaran gimana rutinitasnya kalau kerja sendiri? Baca sehari dalam hidup analis data freelance.
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.