Sehari dalam Hidup Analis Data E-commerce Indonesia

Analis data e-commerce di Indonesia menghabiskan sebagian besar hari kerjanya buat narik data, ngerapiin, dan jawab pertanyaan dadakan dari tim bisnis. Bukan bikin model.

Dari catatan waktu 22 hari kerja yang aku kumpulin buat dataset latihan ngulikdata, 34 persen jam kerja habis di tahap nyiapin data. Analisis yang beneran cuma dapat 15 persen.

Di bawah ini gambaran hari kerjanya, jam demi jam.

Sebenernya analis data e-commerce kerjanya ngapain?

Tugas utamanya jawab pertanyaan bisnis pakai data transaksi, trafik, dan perilaku pembeli. Bentuk kerjanya tiga: laporan rutin yang jalan tiap hari, permintaan dadakan dari tim marketing atau operasional, dan analisis mendalam buat keputusan besar seperti ubah struktur ongkir atau ganti skema promo.

Tiga bentuk kerja itu rebutan jam yang sama. Itu inti dari dinamika hariannya.

Jam 08.30: kenapa pagi selalu dimulai dari cek dashboard?

Karena e-commerce jalan 24 jam. Pesanan tengah malam, kampanye yang nyala jam 00.00, dan gangguan pembayaran subuh semuanya kejadian waktu nggak ada yang lihat. Cek pagi ngasih kamu 30 menit buat nemu masalah sebelum orang lain nanya.

Yang dicek biasanya empat angka: jumlah pesanan, nilai transaksi, tingkat pembayaran berhasil, dan rasio pesanan batal.

Kalau salah satunya turun lebih dari 10 persen dibanding hari yang sama minggu lalu, itu jadi prioritas pertama. Pembanding hari yang sama minggu lalu penting karena pola belanja punya irama mingguan yang kuat.

Pagi ini misalnya, pesanan turun 14 persen. Cek pertama bukan ke data pesanan, tapi ke data trafik. Ternyata satu kanal iklan berhenti jalan jam 02.00 karena saldo habis.

Lima belas menit kerja, satu masalah kelar sebelum jam 9. Ini bagian pekerjaan yang paling terasa berguna dan paling jarang keliatan di laporan bulanan.

Definisi resmi metrik trafik yang biasa dipakai bisa kamu cek di Pusat Bantuan Google Analytics.

Jam 10.00: pertanyaan macam apa yang masuk dari tim bisnis?

Pertanyaan yang bunyinya sederhana tapi butuh tiga tabel buat dijawab. Contohnya: pelanggan yang pakai voucher gratis ongkir bulan lalu, berapa persen yang balik belanja bulan ini? Pemesan biasanya nggak sadar pertanyaan itu butuh definisi ulang soal siapa yang dihitung sebagai pelanggan.

Dari catatan 22 hari kerja itu, rata-rata masuk 4,3 permintaan ad hoc per hari. Sebanyak 61 persen di antaranya minta selesai hari itu juga.

Analis yang berpengalaman nggak langsung buka editor SQL. Dia balik nanya satu kalimat: keputusan apa yang mau diambil dari angka ini?

Pertanyaan itu sering memangkas kerjaan setengahnya. Kadang yang dibutuhkan cuma satu angka, bukan tabel 12 kolom yang diminta di awal.

Buat pertanyaan retensi kayak tadi, jawabannya biasanya berupa cohort analysis. Polanya udah aku tulis lengkap di artikel matriks retensi cohort di SQL.

Jam 13.00: kenapa bersihin data makan waktu paling banyak?

Karena data e-commerce datang dari banyak sistem yang aturannya beda. Nama kota ditulis bebas oleh pembeli, status pesanan punya lima versi penamaan dari tiga tim, dan tabel promo sering nggak punya kolom yang nyambung rapi ke tabel pesanan.

Contoh nyata yang muncul hampir tiap minggu: satu pesanan bisa punya dua baris di tabel pembayaran karena percobaan pertama gagal. Kalau kamu jumlahkan begitu aja, nilai transaksi ketembak lebih tinggi.

Angka 34 persen tadi datang dari sini. Bukan karena analisnya lambat, tapi karena datanya emang belum siap pakai.

Ini juga alasan kenapa analis yang bisa nulis query pengecekan otomatis jadi jauh lebih produktif. Sekali bikin, dipakai tiap hari. Kumpulan querynya ada di artikel cek kualitas data pakai SQL.

Jam 15.00: gimana bentuk kerja analisis yang beneran?

Bentuknya nyari sebab, bukan nampilin angka. Kalau nilai rata-rata transaksi turun, kerjanya pecah angka itu per kategori produk, per kanal, dan per tipe pembeli, sampai ketemu bagian mana yang beneran gerak. Sisanya cuma dampak ikutan.

Di kasus dataset ngulikdata, rata-rata nilai transaksi turun dari Rp 214.000 ke Rp 187.000 dalam sebulan. Turun 12,6 persen.

Setelah dipecah per kategori, satu kategori jadi biang keladinya. Penjualan alat tulis naik 3 kali lipat gara-gara promo balik sekolah, dan harga rata-rata alat tulis cuma Rp 32.000.

Jadi rata-rata transaksi turun bukan karena orang belanja lebih hemat. Justru karena ada segmen baru yang masuk dengan pesanan kecil tapi jumlahnya banyak.

Total pendapatan hari itu malah naik 8 persen. Angka rata-rata yang turun tadi hampir bikin tim marketing ngerem promo yang sebenernya berhasil.

Kejadian kayak gini yang bikin pekerjaan ini menarik. Satu metric yang dibaca tanpa pecahan bisa nyetir keputusan ke arah yang salah.

Jam 17.00: kenapa presentasi 10 menit lebih menentukan dari query 3 jam?

Karena keputusan diambil di ruangan itu, bukan di notebook kamu. Query sepanjang 200 baris nggak ada nilainya kalau kesimpulannya nggak nyampe dalam bahasa yang dimengerti orang non teknis dalam waktu singkat.

Format yang paling sering berhasil cuma tiga bagian. Angka utamanya berapa, penyebabnya apa, lalu rekomendasinya apa.

Grafiknya satu, maksimal dua. Sisanya taruh di lampiran.

Analis yang naik cepat biasanya bukan yang query-nya paling rumit, tapi yang paling bisa bikin orang lain ambil keputusan dengan yakin. Ini juga yang biasanya kebaca di rentang gaji, dan aku bahas angkanya di artikel gaji data analyst Jakarta.

Tools apa aja yang kepakai dalam sehari?

Nggak sebanyak yang tertulis di lowongan. Dari 22 hari kerja itu, cuma lima tools yang kebuka hampir tiap hari.

Tools	Dipakai buat	Porsi hari
SQL editor	Narik dan gabung data transaksi	Tiap hari
Spreadsheet	Olahan cepat dan cek silang angka	Tiap hari
Dashboard tool	Laporan rutin dan monitoring	Tiap hari
Slide	Nyampein temuan ke pengambil keputusan	2-3 kali seminggu
Python	Analisis yang nggak muat di SQL	1-2 kali seminggu

Perhatikan urutannya. SQL dan spreadsheet ada di atas, dan itu konsisten dengan pengalaman kebanyakan analis yang aku ajak ngobrol.

Bagian mana yang paling sering bikin orang kaget?

Tiga hal ini yang paling sering nggak sesuai bayangan orang sebelum masuk.

1. Menang argumen itu bagian dari kerjaan. Angka kamu bakal ditanya, diragukan, dan kadang ditolak karena bertentangan sama intuisi orang lapangan. Siapin cara ngecek ulang angkamu sebelum rapat.
2. Definisi metrik nggak pernah selesai diperdebatkan. Satu perusahaan bisa punya tiga versi angka pelanggan aktif. Analis yang bikin dokumentasi definisi KPI yang jelas nyelametin banyak jam rapat.
3. Kerjaan paling berdampak sering paling nggak seksi. Ngerapiin satu tabel kotor bisa ngasih dampak lebih besar dari model prediksi mana pun.

Ringkasan dan langkah berikutnya

Hari kerja analis data e-commerce isinya tiga hal berulang: jaga angka rutin tetap benar, jawab pertanyaan dadakan dengan cepat, dan sesekali cari sebab di balik angka yang gerak.

Kalau kamu lagi nyiapin diri buat posisi ini, dua hal yang paling cepat ngasih hasil adalah SQL yang lancar dan kebiasaan nanya balik sebelum ngerjain permintaan.

Mulai dari bikin bukti kerja dulu. Panduannya ada di artikel bikin portofolio data tanpa pengalaman kerja, dan kalau kamu mau latihan query yang mirip kerjaan asli, coba dulu hitung DAU dan MAU pakai SQL.