Take-Home Test Data Analyst: Cara Ngerjain biar Menonjol

Take-home test data analyst itu tugas analisis yang kamu kerjain sendirian di rumah, biasanya pakai satu file CSV dan satu pertanyaan bisnis — dan hasilnya dinilai dalam 10 menit oleh orang yang lagi capek.

Sepuluh menit. Itu waktu rata-rata reviewer baca submission-mu.

Jadi semua keputusan yang kamu ambil harus mikirin satu hal: apakah poin pentingnya kebaca di 30 detik pertama?

Apa yang sebenernya dinilai dari take-home test?

Tiga hal, dan urutannya penting.

1. Kamu jawab pertanyaan bisnisnya nggak? Bukan pertanyaan yang kamu bikin sendiri karena lebih menarik.
2. Kerjamu bisa diulang orang lain nggak? Notebook yang jalan dari atas ke bawah tanpa error.
3. Kesimpulanmu ada angkanya nggak? "Kayaknya karena kompetitor" tanpa data = nol poin.

Yang nggak dinilai: seberapa canggih modelmu, seberapa cantik grafiknya, seberapa banyak library yang kamu pakai.

Dari beberapa submission yang aku review, pola gugur paling umum bukan salah analisis. Tapi ngerjain hal yang nggak diminta, sambil nggak ngerjain hal yang diminta.

Langkah 1: Baca brief-nya dua kali

Pertama buat ngerti. Kedua buat bikin daftar deliverable.

Tulis literal apa yang mereka minta:

• Pertanyaan yang harus dijawab — berapa buah, apa persisnya
• Format kiriman — notebook, deck, atau dua-duanya
• Estimasi waktu yang mereka sebut
• Batasan tool — harus SQL? boleh Python?

Kalau ada yang ambigu, kirim satu email dengan 2–3 pertanyaan. Bukan lima email terpisah dalam tiga hari.

Nggak dibales dalam 24 jam? Tulis asumsimu, lanjut kerja. Nunggu sampai deadline lewat itu jawaban yang salah.

Langkah 2: Profiling data sebelum analisis apa pun

Jangan langsung bikin chart. Kenalan dulu sama datanya.

SELECT
  COUNT(*)                                        AS total_baris,
  COUNT(DISTINCT order_id)                        AS order_unik,
  COUNT(*) - COUNT(DISTINCT order_id)             AS dugaan_duplikat,
  SUM(CASE WHEN total IS NULL THEN 1 ELSE 0 END)  AS total_kosong,
  MIN(order_date)                                 AS tanggal_awal,
  MAX(order_date)                                 AS tanggal_akhir
FROM orders;

Lima menit yang nyelametin dua jam. Kalau ternyata ada 3.000 duplikat dan kamu baru sadar di akhir, semua angkamu harus dihitung ulang.

Yang aku selalu cek di menit pertama:

• Rentang tanggalnya masuk akal nggak (ada transaksi tahun 1970?)
• Ada nilai negatif di kolom yang harusnya positif?
• Berapa persen nilai kosong per kolom?
• Duplikat berdasarkan primary key

Kalau kamu masih kagok bikin agregasi kayak gini, mampir ke halaman fungsi COUNT dan GROUP BY.

Langkah 3: Catat semua asumsi, jangan diem-diem

Ini bagian yang paling ngebedain kandidat lolos dan kandidat gugur.

Data kotor itu disengaja. Mereka pengen lihat apa yang kamu lakuin waktu nemu 312 baris dengan total negatif.

Jawaban yang salah: hapus diem-diem, lanjut analisis.

Jawaban yang bener, ditulis di notebook:

Aku nemu 312 baris dengan kolom total bernilai negatif — 0,4% dari 78.000 baris. Kemungkinan ini refund yang kecatat sebagai order biasa. Aku keluarin dari analisis penjualan, tapi tetep aku hitung terpisah di bagian akhir. Tanpa baris ini, GMV bulanan berubah kurang dari 0,3% — jadi kesimpulan utamanya nggak berubah.

Satu paragraf. Dan itu langsung nunjukin kamu mikir kayak analyst, bukan kayak orang yang lagi ngejar deadline.

Langkah 4: Struktur notebook yang gampang dibaca

Reviewer buka notebook-mu dan scroll. Kalau 40 sel pertama isinya df.head() dan percobaan yang gagal, dia udah males duluan.

Urutan yang aku pakai:

1. Ringkasan eksekutif — sel markdown paling atas. 5 kalimat: pertanyaannya apa, jawabannya apa, angkanya berapa, rekomendasinya apa.
2. Asumsi & keterbatasan — daftar poin, jujur.
3. Data cleaning — apa yang dibuang, berapa banyak, kenapa.
4. Analisis — satu section per pertanyaan di brief.
5. Rekomendasi — aksi konkret plus trade-off.

Ringkasan eksekutif ditaruh di atas, bukan di bawah. Reviewer yang cuma baca 10 menit harus dapet jawabannya duluan.

Bersihin sel yang gagal sebelum kirim. Restart kernel, run all, pastiin jalan dari nol.

Contoh kasus: take-home mega_retail

Brief-nya: "Repeat rate turun. Cari tau kenapa, dan kasih 1 rekomendasi." Data: mega_retail, 240 ribu transaksi e-commerce Indonesia 2025–2026.

Query pertama yang aku tulis — repeat rate per kohort:

SELECT
  DATE_TRUNC('month', u.first_order_date)                       AS kohort,
  COUNT(DISTINCT u.user_id)                                     AS user_kohort,
  COUNT(DISTINCT CASE WHEN o.order_seq >= 2 THEN u.user_id END) AS user_repeat,
  ROUND(100.0 * COUNT(DISTINCT CASE WHEN o.order_seq >= 2 THEN u.user_id END)
        / COUNT(DISTINCT u.user_id), 1)                         AS repeat_rate_pct
FROM users u
LEFT JOIN orders o ON o.user_id = u.user_id
GROUP BY 1
ORDER BY 1;

Hasilnya:

Kohort	User	Repeat rate
Okt 2025	8.240	44,2%
Nov 2025	9.150	41,8%
Des 2025	14.600	26,1%
Jan 2026	11.900	24,7%

Repeat rate anjlok mulai kohort Desember. Dan jumlah user kohort Desember lompat 60%.

Ketauan: kampanye diskon akhir tahun narik banyak user baru, tapi user yang datang cuma karena diskon hampir nggak balik lagi.

Angka penutupnya: user yang order pertamanya pakai voucher punya repeat rate 12%, sedangkan yang bayar harga penuh 47%. Beda hampir 4 kali lipat.

Rekomendasiku di deck: hentikan voucher akuisisi tanpa syarat, ganti jadi voucher yang aktif di order kedua. Trade-off-nya, jumlah user baru bulan depan bakal turun — dan itu aku tulis eksplisit.

Konsep cohort analysis ini yang paling sering dipake buat pertanyaan retensi.

Langkah 5: Deck maksimal 5 slide

Kalau brief-nya minta presentasi, jangan bikin 18 slide.

Slide	Isi
1	Pertanyaan & jawaban singkat — satu kalimat
2	Temuan utama + 1 chart yang paling meyakinkan
3	Bukti pendukung — angka, bukan opini
4	Rekomendasi + estimasi dampak
5	Asumsi & apa yang perlu dicek lebih lanjut

Satu chart per slide. Judul slide-nya berisi temuan, bukan label. "Repeat rate kohort Desember 26%, separuh dari kohort Oktober" — bukan "Analisis Repeat Rate".

Kesalahan yang bikin kandidat gugur

Ngerjain pertanyaan yang nggak diminta. Brief minta cari penyebab, kamu malah bikin model prediksi churn. Nol poin, meskipun modelnya bagus.

Notebook nggak bisa di-run ulang. Path file hardcode ke folder Downloads-mu. Reviewer buka, error di sel pertama.

Nggak ada kesimpulan. 30 chart, nol kalimat yang bilang "jadi artinya apa".

Ngabisin 30 jam. Reviewer bisa lihat dari jumlah kerjaannya. Ini malah bikin curiga — kalau tugas 5 jam butuh 30 jam, gimana kerjaan beneran nanti?

Angka di deck beda sama angka di notebook. Kejadian kalau kamu update analisis tapi lupa update slide. Cek ulang sebelum kirim.

Ngirim file .ipynb doang tanpa README. Kasih instruksi 3 baris: cara install dependency, cara jalanin, di mana ringkasannya.

Checklist sebelum tekan kirim

1. Restart kernel, run all — jalan tanpa error?
2. Path file pakai relative path, bukan C:/Users/nama/?
3. Ringkasan eksekutif ada di paling atas?
4. Semua pertanyaan di brief kejawab?
5. Asumsi ditulis eksplisit?
6. Angka di deck sama dengan angka di notebook?
7. Ada satu rekomendasi konkret?

Buat standar penulisan notebook yang gampang dibaca orang lain, panduan resmi Jupyter soal struktur notebook lumayan bagus jadi acuan dasar.

FAQ

Berapa lama waktu ideal ngerjain take-home test data analyst?

Empat sampai enam jam, meskipun deadline-nya seminggu. Perusahaan yang waras nggak berharap kamu ngabisin 30 jam buat tes gratis, dan reviewer justru curiga kalau hasilnya kelewat berlebihan. Kalau brief-nya nyebut estimasi waktu, hormati angka itu.

Apa yang paling dinilai dari take-home test?

Tiga hal: apakah kamu jawab pertanyaan bisnisnya, apakah proses kerjamu bisa diulang orang lain, dan apakah kesimpulanmu ditopang angka. Model machine learning canggih nggak nambah nilai kalau pertanyaannya cuma minta cari penyebab penurunan penjualan.

Perlu bikin slide deck buat take-home test?

Kalau brief-nya minta, wajib. Kalau nggak diminta, tetep bikin ringkasan 1 halaman — bisa di README atau sel markdown paling atas notebook. Maksimal 5 slide: konteks, temuan, bukti angka, rekomendasi, keterbatasan.

Gimana kalau datanya kotor banget?

Itu memang disengaja. Jangan diem-diem hapus baris aneh — catat berapa yang kamu buang, kenapa, dan apa dampaknya ke hasil. Kalimat kayak "aku buang 312 baris dengan total negatif, sekitar 0,4% data, dan hasilnya nggak berubah signifikan" itu yang bikin kamu menonjol.

Boleh nggak nanya ke recruiter pas ngerjain take-home?

Boleh, dan itu nilai plus. Kirim satu email berisi 2–3 pertanyaan klarifikasi, bukan lima email terpisah. Tanya definisi metrik atau ruang lingkup, bukan cara ngerjainnya. Kalau nggak dibales sehari, tulis asumsimu dan lanjut kerja.

Penutup

Tiga hal yang bikin submission-mu menonjol:

• Ringkasan eksekutif di paling atas — reviewer cuma punya 10 menit.
• Asumsi ditulis eksplisit, termasuk baris yang kamu buang.
• Satu rekomendasi konkret plus trade-off-nya.

Latih query profiling dan agregasinya duluan — itu yang bakal kamu pakai di 30 menit pertama tiap take-home. Mulai dari halaman GROUP BY.

Lanjut baca: kerangka jawab case study interview data analyst.