Panduan Belajar Data Analytics: Spreadsheet, SQL, dan Dashboard

Pivot table adalah tempat pembelajar pertama kali berpikir seperti analis: memilih baris sebagai kelompok, kolom sebagai pembanding, dan nilai sebagai ukuran yang diringkas. Ribuan baris penjualan bisa berubah menjadi tabel kecil berisi total per bulan per kategori dalam beberapa klik. Karena pola pikir mengelompokkan lalu meringkas ini persis sama dengan GROUP BY di SQL, waktu yang dihabiskan di pivot table akan terbayar di fase berikutnya.

Di samping pivot, tiga keluarga rumus layak dikuasai. SUMIFS dan COUNTIFS menjumlah atau menghitung dengan beberapa syarat sekaligus, misalnya penjualan kategori minuman di bulan Juni. VLOOKUP, XLOOKUP, atau INDEX MATCH mengambil keterangan dari tabel lain, cikal bakal JOIN. IF dan IFS dipakai untuk membuat kolom kategori baru, seperti menandai pesanan di atas nilai tertentu sebagai pesanan besar.

Kesalahan yang paling sering muncul adalah VLOOKUP yang menghasilkan #N/A karena kunci di dua tabel berbeda format, misalnya kode produk tersimpan sebagai angka di satu tabel dan teks di tabel lain. Pembelajar yang terbiasa memeriksa tipe data sebelum mencocokkan akan jarang tersandung di sini. Untuk berlatih, rumuskan tiga pertanyaan tentang satu dataset, jawab dengan pivot table, lalu jawab ulang dengan SUMIFS. Kalau kedua angkanya sama, logikanya sudah tertanam.

Begitu pembelajar mulai membandingkan dua variabel, korelasi muncul, dan bersamanya jebakan paling klasik dalam analisis data. Dua angka yang naik bersamaan, misalnya penjualan es krim dan jumlah pengunjung kolam renang, bisa sama-sama dipengaruhi faktor ketiga seperti musim. Koefisien korelasi di spreadsheet (CORREL) menunjukkan seberapa kuat dua angka bergerak bersama. Untuk menyatakan sebab akibat, dibutuhkan desain yang berbeda, misalnya eksperimen atau perbandingan kelompok yang setara.

Pencilan butuh perlakuan yang sama hati-hatinya. Satu transaksi bernilai seratus kali lipat rata-rata bisa berasal dari salah ketik, bisa juga pesanan grosir sungguhan yang justru menjadi temuan paling menarik. Kebiasaan yang sehat adalah menelusuri asal pencilan lebih dulu, mencatatnya, lalu memutuskan apakah ia dipisahkan, dikoreksi, atau dipertahankan.

Pilihan metrik menentukan arah seluruh analisis. Jumlah tayangan, jumlah pengikut, atau jumlah unduhan terasa membanggakan, tetapi belum tentu berhubungan dengan tujuan bisnis seperti pembelian ulang atau pendapatan per pelanggan. Pembelajar dilatih menulis definisi setiap metrik secara eksplisit: pembilangnya apa, penyebutnya apa, periode waktunya kapan. Definisi yang tertulis membuat dua orang yang menghitung metrik yang sama mendapat angka yang sama.

Data perusahaan jarang tersimpan dalam satu tabel. Database toko biasanya memisahkan tabel pelanggan, pesanan, detail pesanan, dan produk, lalu menghubungkannya lewat kunci seperti id_pelanggan atau id_produk. JOIN adalah cara menyatukan tabel-tabel itu, dan topik ini termasuk yang paling sering keluar di wawancara SQL. Dengan INNER JOIN, yang tersisa hanya baris yang punya pasangan di kedua tabel, sementara LEFT JOIN menjaga seluruh baris tabel kiri dan memberi NULL pada kolom yang pasangannya kosong.

Jebakan terbesarnya adalah baris yang berlipat. Satu pesanan bisa punya lima baris di tabel detail pesanan. Bila biaya kirim yang tercatat sekali per pesanan dijumlahkan sesudah JOIN ke tabel detail, biaya itu ikut terhitung lima kali, dan totalnya membengkak tanpa pesan galat apa pun. Pembelajar perlu terbiasa bertanya sebelum menulis JOIN: hubungan dua tabel ini satu ke satu, satu ke banyak, atau banyak ke banyak?

Ada dua kebiasaan sederhana yang menangkap masalah ini lebih awal. Pertama, hitung jumlah baris sebelum dan sesudah JOIN; kalau jumlahnya naik tanpa alasan, ada kelipatan yang perlu diselidiki. Kedua, ringkas tabel yang banyak barisnya dengan GROUP BY lebih dulu, baru gabungkan. LEFT JOIN yang disertai WHERE kolom_kanan IS NULL juga berguna untuk menemukan data yatim, misalnya pelanggan yang terdaftar tetapi belum pernah memesan.

Angka yang benar masih perlu disampaikan dengan jelas supaya berguna. Pemilihan grafik mengikuti jenis pertanyaannya: grafik batang untuk membandingkan kategori, grafik garis untuk tren waktu, diagram sebar untuk hubungan dua variabel, dan peta untuk data wilayah. Pie chart hanya terbaca bila kategorinya sedikit, cukup beberapa potong; bila potongannya banyak, grafik batang yang diurutkan hampir selalu lebih jelas. Sumbu grafik batang dimulai dari nol supaya perbedaan tinggi batang tidak dilebih-lebihkan.

Tata letak dashboard mengikuti cara mata membaca. Angka kunci diletakkan di baris atas sebagai kartu, grafik tren di bawahnya, lalu rincian per kategori. Judul setiap grafik menyebut temuannya, misalnya penjualan wilayah timur turun tiga bulan berturut-turut, sehingga pembaca tahu apa yang perlu dilihat. Filter atau slicer ditambahkan untuk dimensi yang memang sering diganti pembaca, seperti periode dan wilayah. Palet warna dibatasi, dan warna terang dipakai untuk menyorot satu hal saja.

Ketiga alat ini punya karakter masing-masing. Power BI banyak dipakai di perusahaan yang sudah memakai Microsoft 365, Tableau Public memudahkan penayangan dashboard secara terbuka untuk portofolio, dan Looker Studio terhubung langsung ke Google Sheets. Prinsip visualisasinya sama di ketiganya, jadi pembelajar cukup mendalami satu alat lebih dulu. Ujian yang sederhana: minta seseorang yang belum pernah melihat datanya membaca dashboard itu, lalu tanyakan apa yang ia tangkap dalam sepuluh detik.

Semua keterampilan sebelumnya bertemu di proyek. Proyek yang kuat dimulai dari satu pertanyaan yang spesifik dan terukur, misalnya wilayah mana yang penjualannya menurun tiga bulan terakhir, atau jam berapa layanan transportasi kota paling padat. Dari satu pertanyaan utama diturunkan dua atau tiga pertanyaan pendukung. Uji pertanyaannya dengan satu hal: bila terjawab, keputusan apa yang bisa berubah? Pertanyaan yang tidak mengubah keputusan apa pun biasanya terlalu umum.

Pilihan dataset menentukan separuh keberhasilan proyek. Sumber seperti Satu Data Indonesia, BPS, portal data kota, dan Kaggle menyediakan bahan yang beragam. Pembelajar membaca kamus kolom sebelum memakai sebuah dataset, memeriksa lisensinya supaya boleh ditayangkan ulang, dan menghindari dataset yang sudah dianalisis ribuan orang dengan cara serupa, seperti data penumpang Titanic. Data bermuatan lokal yang jarang disentuh membuat analisis terasa relevan bagi perekrut di Indonesia.

Dokumentasi mengubah kumpulan berkas menjadi bukti cara berpikir. README setiap proyek memakai templat yang sama: latar dan pertanyaan, sumber data, langkah pembersihan, metode analisis, temuan utama dalam kalimat bisnis, rekomendasi, dan keterbatasan data. Tangkapan layar dashboard dan tautan Tableau Public ditempel di sana. Tiga sampai empat proyek yang menonjolkan keterampilan berbeda, satu kuat di SQL, satu di pembersihan data, satu di visualisasi, sudah membentuk portofolio pemula yang utuh.