TL;DR
Take-home test data analyst dinilai dari tiga hal: apakah kamu jawab pertanyaan bisnisnya, apakah proses kerjamu bisa diulang orang lain, dan apakah kesimpulanmu didukung angka. Kerjain dalam 4-6 jam, tulis semua asumsi secara eksplisit, dan kirim satu notebook rapi plus ringkasan maksimal 5 slide. Analisis rumit yang nggak jawab pertanyaan bisnis nggak dapet nilai.
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?
Tiga hal, dan urutannya penting.
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: ngerjain hal yang nggak diminta, sambil nggak ngerjain hal yang diminta.
Pertama buat ngerti. Kedua buat bikin daftar deliverable.
Tulis literal apa yang mereka minta:
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.
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:
Kalau kamu masih kagok bikin agregasi kayak gini, mampir ke halaman fungsi COUNT dan GROUP BY.
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
totalbernilai 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.
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:
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.
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 pernah balik.
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.
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".
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.
C:/Users/nama/?Buat standar penulisan notebook yang gampang dibaca orang lain, panduan resmi Jupyter soal struktur notebook lumayan bagus jadi acuan dasar.
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 dan tulis di submission berapa lama kamu ngerjain.
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.
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.
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, 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.
Tiga hal yang bikin submission-mu menonjol:
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.
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.