TL;DR
Portofolio data analyst biasanya gagal bukan karena analisisnya salah, tapi karena pembacanya nggak nemu jawaban dalam 30 detik pertama. Tiga perbaikan yang paling sering ngubah hasil: taruh temuan utama di baris paling atas, ganti judul proyek jadi pertanyaan bisnis, dan buang chart yang nggak dipakai buat ngambil keputusan. Recruiter rata-rata cuma buka satu proyek, jadi satu proyek yang rapi lebih berguna dari lima proyek setengah jadi.
Teardown portofolio itu proses ngecek satu portofolio bagian per bagian, lalu nunjukkin apa yang perlu diganti dan kenapa.
Tiga portofolio di bawah ini punya nasib sama. Versi awalnya dikirim ke belasan lowongan tanpa balasan. Setelah diperbaiki, pemiliknya mulai dapat panggilan.
Semua detailnya aku samarkan, tapi struktur masalah dan perbaikannya persis kayak aslinya.
Recruiter rata-rata buka portofolio sambil ngerjain hal lain, dan cuma sempat baca bagian paling atas. Kalau dalam setengah menit dia nggak nemu satu temuan yang jelas, tab-nya ditutup. Masalahnya jarang di kualitas analisis. Masalahnya di urutan penyajian: kesimpulan ditaruh paling bawah, padahal itu bagian yang paling dicari.
Ada satu pertanyaan diam-diam yang dia bawa waktu buka repo kamu: kalau orang ini masuk tim, dia bisa jawab pertanyaan bisnis atau cuma bisa bikin grafik?
Seluruh isi portofolio kamu sebenernya jawaban dari satu pertanyaan itu.
Pemiliknya fresh graduate statistika. Proyeknya analisis data penjualan retail dari dataset publik, 900 baris kode di satu notebook.
Versi sebelum:
analisis-data-penjualandf.head()Analisisnya sendiri nggak salah. Cuma nggak pernah nyampe ke jawaban.
Versi sesudah:
kenapa-penjualan-turun-q3Yang dihapus lebih banyak dari yang ditambah. Tujuh grafik dibuang karena nggak dipakai buat ngambil keputusan apa pun.
Bagian keterbatasan data itu yang paling sering bikin pembaca kaget. Ngaku data kamu cuma 9 bulan dan nggak ada info promo justru bikin kamu kelihatan ngerti batas kesimpulan sendiri.
Pemiliknya staf admin yang lagi pindah jalur. Dia bikin dashboard Looker Studio dari data penjualan toko keluarganya.
Versi sebelum: 14 chart dalam satu halaman. Ada pie chart 9 irisan, ada bar chart yang sumbunya nggak dilabelin, dan tiga scorecard yang isinya total penjualan dalam tiga periode berbeda.
Semua benar secara teknis. Tapi nggak ada yang bisa jawab pertanyaan "minggu ini kita harus ngapain?"
Versi sesudah: satu halaman, 5 elemen.
Pie chart 9 irisan diganti bar chart. Mata manusia gampang bandingin panjang batang, susah bandingin sudut lingkaran.
Dia juga nambahin satu paragraf pendek di bawah dashboard: siapa penggunanya, seberapa sering dibuka, dan keputusan apa yang diambil dari situ. Paragraf itu yang paling sering ditanyain waktu interview.
Pemiliknya udah 2 tahun kerja jadi staf keuangan. Analisisnya paling matang dari ketiganya, tapi repo-nya paling susah dinilai.
| Bagian | Sebelum | Sesudah |
|---|---|---|
| Nama file | Untitled3.ipynb, final_fix2.ipynb | 01_bersihin_data.ipynb, 02_analisis_retensi.ipynb |
| README | Kosong | Temuan, cara jalanin, sumber data, keterbatasan |
| Data | Path lokal C:/Users/... | Folder data/ di dalam repo plus link sumbernya |
| Output | Sel kosong, harus dijalanin dulu | Output tersimpan, grafik langsung kelihatan di GitHub |
| Kredensial | Password database ketulis di sel kedua | Dipindah ke variabel environment |
Baris terakhir itu bukan soal rapi-rapian. Password yang ketulis di repo publik itu alasan sah buat langsung ditolak, dan aku pernah lihat ini kejadian.
Panduan resmi soal isi README ada di dokumentasi GitHub. Cara rapiin repo dari nol aku bahas di panduan GitHub untuk data analyst.
Waktu ngajarin ulang tiga orang di atas, aku pakai satu proyek pembanding: analisis retensi pelanggan toko_berkah, 2.400 transaksi, 11 bulan data.
Isi README-nya cuma segini di bagian atas:
Dari 2.400 transaksi toko_berkah, 68 persen pelanggan cuma belanja sekali dan nggak pernah balik. Pelanggan yang balik dalam 21 hari pertama punya nilai belanja setahun 3,4 kali lebih besar. Rekomendasinya: kirim voucher Rp10.000 di hari ke-14 setelah transaksi pertama, targetnya 200 pelanggan baru per bulan.
Tiga kalimat, tiga angka, satu tindakan. Pembaca yang berhenti di situ pun udah tau kamu bisa apa.
Angka 21 hari itu bukan tebakan. Itu titik di mana kurva retensinya melandai waktu aku hitung per minggu. Kalau kamu belum familiar sama cara ngitungnya, dasarnya ada di cohort analysis.
Kalau kamu belum punya proyek sama sekali, mulainya dari panduan bikin portofolio tanpa pengalaman kerja.
Tiga proyek yang selesai lebih kuat dari delapan yang setengah jadi. Idealnya satu proyek SQL, satu visualisasi atau dashboard, dan satu analisis end to end yang ada rekomendasinya. Kalau kamu cuma sempat ngerjain satu, pastikan yang satu itu punya pertanyaan bisnis jelas, data yang bisa ditelusuri, dan kesimpulan yang berani.
Dataset publik boleh banget, yang penting pertanyaannya orisinal. Data BPS, data terbuka pemda, atau data marketplace publik udah cukup. Yang bikin lemah itu ngulang analisis yang udah dikerjain ribuan orang dengan pertanyaan yang sama persis. Ganti sudutnya ke konteks Indonesia dan tambahin satu angka yang kamu hitung sendiri.
Link hidup selalu menang karena pembaca bisa langsung klik dan main sendiri. Looker Studio dan Tableau Public gratis dan cukup buat ini. Kalau nggak sempat, screenshot resolusi tinggi plus penjelasan singkat masih diterima. Yang nggak boleh cuma nulis nama tool tanpa ada yang bisa dilihat.
Dari yang aku lihat waktu bantu screening, README dibuka lebih sering daripada isi notebook-nya. Alasannya sederhana: itu satu-satunya bagian yang bisa dibaca dalam satu menit. Taruh temuan utama di tiga baris pertama, baru cara jalanin kodenya di bawah.
Perbaiki dulu, hampir selalu lebih cepat. Sebagian besar masalah yang aku temuin ada di kemasan, bukan di analisisnya: judul yang nggak jelas, temuan yang terkubur di bawah, dan chart yang nggak dipakai. Satu sore beresin kemasan biasanya ngangkat kualitasnya lebih jauh dari nambah proyek baru.
Buka proyek terbaik kamu sekarang. Ganti judulnya jadi pertanyaan bisnis, naikin tiga kalimat temuan ke paling atas README, lalu hapus setiap grafik yang nggak dipakai buat ngambil keputusan.
Tiga langkah itu yang paling sering ngubah hasil di tiga kasus di atas.
Habis portofolionya beres, lanjut rapiin lamarannya di panduan CV ATS friendly untuk 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.