Teardown Portofolio Nyata: Versi Sebelum dan Sesudah Diperbaiki

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.

Kenapa portofolio data analyst sering diabaikan recruiter?

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.

Teardown 1: notebook yang berhenti di grafik terakhir

Pemiliknya fresh graduate statistika. Proyeknya analisis data penjualan retail dari dataset publik, 900 baris kode di satu notebook.

Versi sebelum:

• Judul repo: analisis-data-penjualan
• README isinya satu kalimat: "Analisis data penjualan menggunakan Python."
• Notebook dibuka dengan 40 baris import dan df.head()
• Ada 11 grafik berturut-turut tanpa kalimat penjelas
• Sel terakhir: grafik heatmap korelasi, lalu selesai

Analisisnya sendiri nggak salah. Cuma nggak pernah nyampe ke jawaban.

Versi sesudah:

• Judul repo: kenapa-penjualan-turun-q3
• README dibuka dengan tiga baris temuan, lengkap sama angkanya
• Notebook dipecah jadi lima bagian dengan heading pertanyaan
• Grafik tinggal 4, tiap grafik dikasih satu kalimat kesimpulan di bawahnya
• Ditutup dengan bagian rekomendasi dan bagian keterbatasan data

Yang 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.

Teardown 2: dashboard 14 chart tanpa satu pun pertanyaan

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.

1. Satu kalimat di paling atas: pertanyaan yang dijawab dashboard ini
2. Tiga scorecard KPI dengan pembanding bulan lalu
3. Satu tren garis 12 bulan
4. Satu bar chart 8 produk teratas, diurutkan menurun
5. Satu tabel detail buat yang mau ngecek angkanya

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.

Teardown 3: repo yang isinya bagus tapi nggak bisa dibuka orang

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.

Contoh kasus: proyek toko_berkah yang aku pakai jadi patokan

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.

Kesalahan umum yang muncul di hampir semua portofolio

• Judul proyek yang nyebut tool, bukan masalah. "Analisis Pakai Python" nggak ngasih info apa-apa. Ganti jadi pertanyaan yang dijawab.
• Kesimpulan ditaruh paling bawah. Naikin ke atas. Ini bukan skripsi.
• Chart tanpa kalimat. Tiap grafik minimal satu kalimat: apa yang kelihatan dan kenapa itu penting.
• Nggak nyebut sumber data. Pembaca nggak bisa percaya angka yang asal-usulnya nggak jelas.
• Rekomendasi yang nggak bisa dikerjain. "Perlu meningkatkan penjualan" itu bukan rekomendasi. Sebut siapa yang ngerjain dan targetnya berapa.
• Nggak ada bagian keterbatasan. Analis yang tau batas datanya lebih dipercaya daripada yang ngaku semuanya pasti.

Kalau kamu belum punya proyek sama sekali, mulainya dari panduan bikin portofolio tanpa pengalaman kerja.

FAQ

Berapa proyek yang ideal di portofolio data analyst?

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.

Pakai dataset publik boleh atau harus data asli?

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.

Perlu deploy dashboard-nya atau screenshot cukup?

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.

Recruiter beneran baca README?

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.

Portofolio saya jelek, mending mulai ulang atau perbaiki?

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.

Kerjain satu sore ini

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.