TL;DR
Soft skill data analyst yang paling nentuin adalah kemampuan nerjemahin angka jadi rekomendasi yang bisa dieksekusi. Di luar itu: nanya balik sebelum ngerjain permintaan, ngelola ekspektasi soal waktu dan batas data, nulis dokumentasi, dan berani bilang datanya gak cukup buat jawab pertanyaan itu. Skill ini yang misahin tukang tarik data dari analyst yang diajak ke rapat keputusan.
Soft skill data analyst yang paling nentuin: kemampuan nerjemahin angka jadi rekomendasi yang bisa dieksekusi.
Query kamu bener. Dashboard kamu rapi. Tapi promosi jatuh ke orang yang query-nya biasa aja. Dan itu bikin bingung.
Dari yang aku lihat, bedanya bukan di kualitas SQL. Bedanya di apa yang terjadi setelah query-nya jalan.
Soalnya kerjaannya berhenti di tabel. Manager minta data, kamu kasih data, selesai. Kamu jadi tukang tarik data: penting, tapi gampang diganti.
Analyst yang naik level ikut mikirin keputusannya. Dia gak cuma jawab pertanyaan, dia bantu ngerumusin pertanyaannya.
Skill teknis itu tiket masuk. Soft skill yang nentuin kamu duduk di mana.
Ini yang paling gede efeknya.
Nyerahin tabel 500 baris ke manager = kamu mindahin kerjaan mikir ke dia. Dia gak punya waktu buat itu.
| Yang bikin kamu jadi tukang tarik data | Yang bikin kamu diajak ke rapat |
|---|---|
| "Ini datanya, Pak." | "Omzet turun 12% bulan ini. 71% dari penurunan itu datang dari kategori snack." |
| "Ada 340 SKU yang penjualannya turun." | "340 SKU turun, tapi 3 SKU nyumbang setengah dari kerugiannya. Ini tiganya." |
| "Conversion rate-nya 2,3%." | "Conversion 2,3%, turun dari 3,1% bulan lalu. Yang berubah cuma satu: harga ongkir naik 20 Maret." |
Polanya: angka → artinya → apa yang harus dilakuin.
Tiga kalimat. Ditaruh di atas tabelnya, bukan di lampiran.
Manager: "Tolong tarikin data penjualan tahun lalu."
Analyst pemula: langsung buka SQL editor.
Analyst yang udah pengalaman: "Boleh tau ini buat keputusan apa?"
Pertanyaan itu keliatan sepele. Tapi sembilan dari sepuluh kali, jawabannya ngubah bentuk permintaannya.
Ternyata dia mau tau apakah promo Ramadan tahun lalu efektif. Itu pertanyaan yang beda banget dari "data penjualan tahun lalu". Jawabannya butuh perbandingan periode, bukan dump 12 bulan.
Kamu ngirit 2 jam. Dia dapat jawaban yang bener.
Tiga pertanyaan yang selalu berguna:
Pertanyaan ketiga itu paling ampuh. Kalau jawabannya "sama aja sih", berarti analisisnya gak perlu dikerjain.
"Bisa selesai hari ini?"
Godaan buat bilang "bisa" itu gede. Tapi kalau kamu tau datanya berantakan dan butuh 2 hari buat dibersihin, bilang "bisa" itu bikin masalah lebih besar.
Cara ngomongnya:
"Kalau versi cepat, sore ini bisa, tapi angkanya belum bersih dari transaksi tes. Kalau mau yang bisa dipakai buat presentasi ke direksi, aku butuh sampai Kamis."
Kamu kasih dia pilihan, bukan penolakan. Dan dia yang mutusin trade-off-nya.
Ini yang bikin gugup, terutama buat yang baru.
Tapi analyst yang maksain jawaban dari data yang gak memadai bikin kerusakan yang lebih gede daripada analyst yang bilang "aku gak bisa jawab itu dari data yang ada".
Contoh: bos nanya "kenapa pelanggan churn?" Padahal sistem kamu gak nyatet alasan berhenti langganan sama sekali.
Jawaban yang jujur: "Data kita gak nyatet alasan churn. Yang bisa aku tunjukin: pola siapa yang churn, mayoritas di 30 hari pertama, dan 80% dari mereka gak pernah pakai fitur X. Itu petunjuk, bukan sebab. Kalau mau tau sebabnya, kita perlu survey 20 pelanggan yang baru berhenti."
Kamu gak bilang "gak bisa". Kamu bilang apa yang bisa, apa yang nggak, dan gimana caranya dapat sisanya.
Kamu bikin definisi "user aktif" bulan Januari. Bulan April tim marketing pakai definisi lain. Angkanya beda 30% dan rapat jadi ribut.
Dokumentasi yang cukup itu gak perlu panjang. Tiga hal aja:
Tiga poin itu ngirit berjam-jam debat di kemudian hari.
Tim marketing gak peduli kamu pakai JOIN atau window function. Mereka peduli angkanya bisa dipercaya atau nggak.
Buang jargon waktu ngomong sama mereka:
| Jangan bilang | Bilang |
|---|---|
| "Aku join tabel transaksi sama tabel produk" | "Aku gabungin data penjualan sama daftar produk" |
| "Ada outlier yang skew distribusinya" | "Ada satu transaksi Rp 400 juta yang bikin rata-ratanya jadi gak wakil" |
| "Datanya perlu di-deduplicate" | "Ada transaksi yang kecatat dua kali, harus dibuang dulu" |
Ini ngehormatin waktu mereka.
Kalau kamu di e-commerce dan gak tau apa itu take rate, kamu bakal ngasih analisis yang secara teknis bener tapi gak berguna.
Analyst yang ngerti bisnis bisa bilang: "angka ini aneh, kayaknya ada yang salah di sistem pencatatan." Padahal query-nya gak error.
Cara ngasahnya: minta ikut rapat tim yang kamu layani. Sekali sebulan aja. Dengerin masalah mereka.
Suatu hari orang bakal nemuin angka kamu salah. Itu pasti kejadian.
Respon yang bikin kamu dipercaya: "Wah bener, aku cek ulang. Ternyata filter tanggalnya kelewat 1 hari. Ini versi yang bener, dan aku udah tambahin validasi biar gak keulang."
Cepat ngaku, cepat benerin, kasih tau cara mencegahnya. Selesai.
Yang ngerusak reputasi bukan salahnya. Yang ngerusak itu ngeles.
Ini dari kerjaan nyata di dataset toko_berkah. Pemilik toko nanya: "kenapa omzet Maret turun?"
Analyst A bikin query, dapat hasil, kirim spreadsheet 12 sheet, satu per cabang. Isinya lengkap: omzet per kategori, per hari, per SKU.
Pemilik toko buka, scroll, tutup. Gak ada tindakan.
Analyst B nanya dulu: "Bapak mau ngambil keputusan apa? Mau ngurangin stok, atau mau evaluasi cabang?"
Jawabannya: mau tau apakah perlu ganti manajer cabang Cimahi yang turunnya paling parah.
Analyst B ngerjain analisis yang beda. Hasilnya 4 kalimat:
"Omzet total turun 9,4%. Tapi 71% dari penurunan itu dari kategori minuman dingin, dan itu terjadi di 9 dari 12 cabang, bukan cuma Cimahi.
Cabang yang turun paling parah semuanya di daerah yang bulan Maret hujan hampir tiap hari.
Cimahi turun 14%, tapi kategori non-minuman di Cimahi malah naik 3%.
Kalau ganti manajer, kita bakal benerin hal yang gak rusak. Yang perlu diubah: stok minuman dingin waktu musim hujan."
Query yang dipakai Analyst B lebih sederhana dari Analyst A. Tapi dia yang diajak duduk waktu bahas anggaran kuartal berikutnya.
Bedanya bukan SQL. Bedanya dia nanya dulu, terus nulis kesimpulan.
Nulis kesimpulan yang tajam itu keterampilan. Dilatih dengan nulis, bukan dengan nunggu jadi berani.
Kebiasaan paling gampang buat mulai: tiap kali ngirim hasil analisis, tulis 3 kalimat di atas tabelnya. Angka, artinya, saran.
Bikin query 200 baris pakai 6 CTE biar keliatan pinter. Padahal pertanyaannya bisa dijawab dengan GROUP BY sederhana.
Gak ada yang ngasih promosi karena query kamu rumit.
Kamu tau data yang diminta bakal nyesatin. Tapi kamu diem karena gak enak.
Dua minggu kemudian keputusannya salah, dan kamu yang ditanyain kenapa gak bilang.
Gak akan diminta kalau kamu gak pernah ngasih. Mulai dari kirim satu kalimat kesimpulan tanpa diminta.
Kemampuan nerjemahin angka jadi rekomendasi. Bukan nyerahin tabel, tapi bilang apa yang harus dilakuin dan kenapa. Manager kamu gak punya waktu baca 500 baris. Dia butuh satu kalimat: omzet turun 12%, penyebabnya kategori snack, tiga SKU ini yang paling anjlok. Skill ini dilatih dengan nulis kesimpulan, bukan dengan nambah tools.
Mulai dari kesimpulan, bukan dari metodenya. Sebut angkanya, sebut artinya buat bisnis, sebut apa yang harus dilakuin. Baru kalau ditanya, jelasin caranya. Hindari kata teknis kayak join, agregasi, atau outlier. Ganti dengan bahasa manusia: gabung data, jumlahin per kota, ada satu transaksi aneh yang ngerusak rata-rata.
Soalnya kerjaannya berhenti di tabel. Analyst yang jago teknis tapi gak pernah kasih rekomendasi bakal terus dianggap tukang tarik data. Yang naik level itu yang ikut mikirin keputusannya, berani bilang datanya gak cukup, dan ngerti gimana perusahaan bikin duit. Teknis itu tiket masuk, bukan tiket naik.
Lebih cepat dari yang kamu kira, tapi butuh latihan sadar. Mulai dari kebiasaan kecil: tiap kali ngirim hasil analisis, tulis 3 kalimat kesimpulan di atas tabelnya. Lakuin itu selama 2-3 bulan dan kamu bakal lihat orang mulai nanya pendapat kamu, bukan cuma minta data.
Jangan nolak. Nanya balik. Tanya keputusan apa yang mau diambil dari data itu. Sembilan dari sepuluh kali, jawabannya bakal ngubah bentuk permintaannya jadi lebih sempit dan lebih berguna. Kalau setelah ditanya ternyata datanya gak ada, bilang jujur apa yang bisa dan apa yang gak bisa dijawab.
Dua kebiasaan yang bisa kamu mulai minggu ini:
Dua kebiasaan itu doang. Latihan 3 bulan, dan kamu bakal ngerasain bedanya di cara orang nanggapin kamu.
Baca juga 12 skill teknis data analyst yang diminta perusahaan buat sisi teknisnya. Buat istilah bisnis yang sering nongol di rapat, cek apa itu KPI dan churn rate.
Kalau mau bahan bacaan soal cara nyampein data ke orang non-teknis, buku dan artikel dari Storytelling with Data masih yang paling praktis.
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.