Data Analyst: Spreadsheet, SQL, Dashboard, dan Pipeline Data

Jalur karier

• Kelas ini adalah jalur Data Analyst dalam bentuk satu kelas program.

  3 modul berurutan, masing-masing ditutup satu karya yang direview.

• Disarankan sesudah jalur Keuangan & Akuntansi.

1. Modul 1 · Analisis penjualan toko daring dan rekomendasi bisnis yang didukung data

   Pakai dataset transaksi e-commerce publik atau dataset yang disediakan instruktur. Rumuskan tiga pertanyaan bisnis yang penting bagi pemilik toko, jawab dengan spreadsheet dan SQL, lalu tulis rekomendasi yang bisa dijalankan. Tahapan pengerjaan • Kerangka: Tiga pertanyaan bisnis beserta alasannya, KPI yang dipakai, dan rencana analisis. • Draf: Kueri SQL dan tabel hasil untuk ketiga pertanyaan. • Revisi: Perbaikan logika kueri dan pembersihan data sesuai umpan balik reviewer, ditambah grafik pendukung. • Final: Rekomendasi bisnis dan berkas kerja yang bisa diulang orang lain.

   Yang diserahkan: Dokumen rekomendasi 1–2 halaman, berkas kueri SQL, dan spreadsheet kerja yang menunjukkan langkah dari data mentah sampai angka akhir.

   Kriteria penilaian

   Lulus mulai 70%

   • Ketepatan analisis dan kueribobot 35% · skor 0–4

     Kueri menjawab pertanyaan yang benar dan angkanya bisa direproduksi.

   • Relevansi pertanyaan bisnisbobot 20% · skor 0–4

     Pertanyaan memang penting bagi pemilik usaha dan KPI-nya tepat.

   • Kejujuran membaca angkabobot 20% · skor 0–4

     Batasan data, pencilan, dan ketidakpastian disebutkan, bukan disembunyikan.

   • Kejelasan rekomendasibobot 25% · skor 0–4

     Rekomendasi singkat, bisa dijalankan, dan setiap klaim didukung angka.

2. Modul 2 · Dashboard kinerja dan retensi pelanggan beserta memo keputusan untuk manajemen

   Dengan dataset e-commerce publik atau dataset dari instruktur, bangun dashboard untuk satu pemakai yang jelas (misalnya manajer pemasaran). Dashboard wajib memuat metrik inti, segmentasi RFM, dan analisis cohort, lalu ditutup memo yang mengusulkan keputusan. Tahapan pengerjaan • Kerangka: Siapa pemakai dashboard, keputusan apa yang didukung, kamus metrik, dan sketsa tata letak. • Draf: Dashboard berjalan dengan data nyata untuk metrik inti. • Revisi: Perbaikan sesuai umpan balik reviewer, ditambah segmentasi RFM dan analisis cohort. • Final: Dashboard final, memo keputusan, dan presentasi singkat.

   Yang diserahkan: Tautan dashboard yang bisa dibuka reviewer, memo keputusan satu halaman, kamus metrik, dan video presentasi maksimal 5 menit.

   Kriteria penilaian

   Lulus mulai 70%

   • Kebenaran metrik dan databobot 30% · skor 0–4

     Definisi metrik konsisten dan angka di dashboard bisa ditelusuri ke data.

   • Desain yang menjawab keputusanbobot 25% · skor 0–4

     Hierarki, filter, dan grafik membantu pemakai mengambil keputusan yang dituju.

   • Kedalaman analisisbobot 25% · skor 0–4

     Segmentasi RFM dan cohort dikerjakan benar dan ditafsirkan dengan tepat.

   • Storytelling dan rekomendasibobot 20% · skor 0–4

     Memo dan presentasi berujung pada keputusan yang jelas dan didukung data.

3. Modul 3 · Pipeline ELT tiga sumber dengan pemeriksaan kualitas data dan keluaran siap-AI

   Bangun pipeline untuk satu kasus bisnis dengan minimal tiga sumber data (API, berkas, dan basis data). Muat ke gudang data berlapis, tegakkan aturan kualitas, dan hasilkan satu keluaran siap-AI. Dataset publik atau dataset sintetis yang realistis boleh dipakai; dataset contoh disediakan bagi yang belum punya. Tahapan pengerjaan • Kerangka: Kasus bisnis, daftar sumber beserta contoh datanya, diagram lapisan data, rancangan model dimensional, dan daftar aturan kualitas data. • Draf: Pipeline berjalan ujung ke ujung untuk dua sumber, transformasi utama selesai, dan jadwal berjalan. • Revisi: Ketiga sumber masuk, pemeriksaan kualitas otomatis aktif, pemuatan ulang terbukti idempoten, dan umpan balik reviewer ditindaklanjuti. • Final: Keluaran siap-AI, dokumentasi lineage data, dan demo satu insiden kualitas data yang tertangkap oleh pemeriksaan Anda.

   Yang diserahkan: Tautan repositori Git (docker compose untuk menjalankan semuanya), diagram arsitektur dan lineage, laporan kualitas data, serta video demo maksimal 5 menit.

   Kriteria penilaian

   Lulus mulai 70%

   • Ketepatan pemodelan databobot 25% · skor 0–4

     Model gudang data menjawab kebutuhan bisnis yang ditetapkan; grain tabel jelas dan konsisten.

   • Keandalan pipelinebobot 25% · skor 0–4

     Pipeline idempoten, bisa dijalankan ulang tanpa duplikasi, dan kegagalan terlihat (tidak diam-diam).

   • Kualitas databobot 25% · skor 0–4

     Aturan kualitas bermakna, diuji otomatis, dan data buruk dikarantina alih-alih diloloskan.

   • Kesiapan untuk AIbobot 15% · skor 0–4

     Keluaran untuk aplikasi AI bersih, berpotongan masuk akal, dan membawa metadata yang dibutuhkan.

   • Dokumentasi dan reprodusibilitasbobot 10% · skor 0–4

     Orang lain bisa menjalankan pipeline dari README; lineage terdokumentasi.