Bacalah ini sebelum memulai karir data analyst Anda!
Selamat, Anda mendapatkan pekerjaan pertama sebagai data analyst! Anda mungkin tergoda untuk bekerja keras tanpa henti, mengambil setiap kursus data analytics, menangani proyek data yang tidak perlu, dan mengatakan "ya" kepada semua orang. Ambil langkah mundur dan tarik napas dalam-dalam.
Untuk membantu Anda memulai dengan lancar, saya akan berbagi kesalahan utama yang saya lakukan ketika memulai pekerjaan pertama sebagai data analyst. Belajarlah dari pengalaman saya dan hindari kesalahan-kesalahan ini!
Kesalahan #1: Mengambil Terlalu Banyak Kursus Data Analytics Sekaligus
Ketika memulai sebagai data analyst, saya ingin belajar sebanyak mungkin, jadi saya mendaftar untuk kelas dalam segala hal - Power BI, Excel, Python, R, semuanya! Tapi saya terlalu berlebihan.
Dengan menyerap terlalu banyak informasi sekaligus, saya tidak menyerap apa pun. Semua masuk telinga kiri, keluar telinga kanan.
Contoh Konkret:
Pada bulan pertama bekerja, saya mendaftar untuk 3 bootcamp online sekaligus: kursus SQL intensif 30 jam, sertifikasi Tableau, dan workshop Python untuk data analysis. Saya menghabiskan malam-malam dengan tutorial video pada kecepatan 2x, berpindah dari satu topik ke topik lain. Hasilnya? Saat diminta menganalisis dataset sederhana, saya masih kebingungan menerapkan konsep dasar karena pengetahuan saya sangat dangkal di semua bidang.
Yang Sebaiknya Dilakukan:
Ambil waktu jeda untuk menerapkan apa yang telah Anda pelajari dalam kursus ke dataset dunia nyata, atau tidak ada yang akan tertanam dalam ingatan Anda.
Alih-alih mencoba mempelajari setiap tools data analytics, fokus pada apa yang paling sering Anda gunakan sehari-hari. Misalnya, jika Anda terutama bekerja di Excel, ambil kursus Maven Analytics di Excel dan terapkan konsep-konsep tersebut ke dataset dunia nyata.
Actionable Insight:
Buat jadwal belajar "1-2-1": 1 minggu mempelajari konsep baru, 2 minggu menerapkannya dalam proyek nyata, 1 minggu refleksi dan perbaikan. Terapkan prinsip "learn by doing" dengan mengerjakan minimal satu proyek kecil setelah setiap modul pembelajaran.
Kesalahan #2: Tidak Menerapkan Prinsip 80/20
Aturan 80/20, atau "Prinsip Pareto," mengatakan bahwa 20% dari usaha Anda sering kali menghasilkan 80% hasil. Saya tidak menyadari prinsip ini ketika memulai pekerjaan. Sebaliknya, saya mencoba memuaskan semua orang dan memperlakukan semua tugas sama pentingnya.
Ini adalah resep untuk burnout!
Contoh Konkret:
Di proyek analisis e-commerce pertama saya, dataset memiliki 200+ metrik yang bisa dianalisis. Saya menghabiskan 3 minggu menganalisis dan memvisualisasikan semua metrik secara detail, termasuk yang sangat spesifik seperti "waktu rata-rata pengguna mengamati gambar produk". Saat presentasi, tim eksekutif hanya tertarik pada 5 metrik utama: conversion rate, shopping cart abandonment, average order value, customer acquisition cost, dan customer lifetime value. 90% pekerjaan saya tidak terpakai.
Yang Sebaiknya Dilakukan:
Ketika diberi tugas, tanyakan pada diri sendiri di mana ini berada dalam daftar prioritas Anda. Apakah prioritas tinggi, menengah, atau rendah? Laporan 20% mana yang paling penting? Fokuskan waktu dan energi Anda di sana terlebih dahulu.
Juga, waspadai 20% stakeholder mana yang paling penting. Siapa yang perlu Anda respon segera, dan siapa yang bisa menunggu?
Karena Anda baru memulai, Anda mungkin tidak tahu proyek mana yang paling penting. Tidak apa-apa. Periksa secara teratur dengan bos Anda tentang prioritas mereka: "Ini daftar tugas saya. Saya pikir Proyek X paling penting saat ini, tapi bisakah Anda konfirmasi?"
Actionable Insight:
Buat "Priority Matrix" sederhana dengan dua sumbu: "Effort Required" (rendah ke tinggi) dan "Business Impact" (rendah ke tinggi). Kategorikan semua tugas ke dalam empat kuadran dan fokus pada kuadran "Low Effort, High Impact" terlebih dahulu. Evaluasi ulang matrix ini setiap minggu dengan masukan dari manager Anda.
Kesalahan #3: Langsung Melakukan Analisis Tanpa Memahami Pertanyaan Bisnis Utama
Saya tidak bisa menghitung berapa kali saya diminta melakukan "analisis cepat" karena seseorang ingin "melihat datanya." Permintaan ini terlalu samar! Saya kesulitan dengan permintaan samar ini karena saya membutuhkan informasi tambahan - metrik apa yang mereka minati? Jangka waktu apa yang mereka pikirkan?
Tapi yang terpenting, saya tidak memahami pertanyaan bisnisnya.
Contoh Konkret:
Saat ditugaskan menganalisis "tren penjualan terbaru", saya dengan semangat menghasilkan 15 visualisasi berbeda tentang penjualan per region, per produk, per channel, dll. Setelah 3 hari kerja intens, saya mengetahui bahwa stakeholder sebenarnya hanya perlu tahu apakah promosi diskon 20% kemarin meningkatkan penjualan di segmen customer tertentu - pertanyaan spesifik yang bisa dijawab dengan analisis sederhana 2 jam.
Yang Sebaiknya Dilakukan:
Ketika Anda menerima permintaan data, selalu tanyakan, "Apa pertanyaan bisnis utamanya?"
Lebih baik lagi, minta mereka mengisi formulir permintaan data yang menanyakan informasi ini.
Berikut pertanyaan tambahan untuk memperjelas permintaan data yang samar:
- Informasi spesifik apa yang paling membantu?
- Field data apa yang mereka butuhkan?
- Jangka waktu apa yang mereka minati?
- Seperti apa "kesuksesan" bagi analisis ini? Apakah ada threshold spesifik yang mereka harapkan untuk dipenuhi?
- Keputusan bisnis apa yang coba mereka buat berdasarkan informasi ini?
Actionable Insight:
Buat template "Data Request Brief" yang mencakup pertanyaan-pertanyaan kunci seperti:
- Apa masalah bisnis yang ingin dipecahkan?
- Keputusan spesifik apa yang akan dibuat dengan analisis ini?
- Metrik utama apa yang paling relevan?
- Siapa audiens akhir dari analisis ini?
- Bagaimana hasil analisis akan digunakan?
Minta setiap stakeholder mengisi brief ini sebelum Anda memulai analisis apapun.
Kesalahan #4: Menetapkan Ekspektasi Tidak Realistis untuk Minggu/Bulan/Tahun Pertama Saya
Peringatan jujur - ketika Anda memulai pekerjaan, orang mungkin mengharapkan Anda membuat dashboard mendalam segera, dan menghasilkan insight yang revolusioner.
Sayangnya, ini mungkin tidak akan terjadi. Sebelum Anda membuat dashboard, Anda perlu mempelajari nama semua orang, menyiapkan laptop, terhubung ke dataset yang tepat, dan memahami apa arti variabel-variabel tersebut dalam konteks bisnis. Proses ini bisa memakan waktu berbulan-bulan (bagi saya begitu).
Contoh Konkret:
Pada hari kedua bekerja, saya diminta membuat dashboard "sederhana" untuk meeting board minggu depan. Tanpa database access, dokumentasi, atau pemahaman tentang struktur data perusahaan, saya bekerja hingga tengah malam setiap hari namun tetap menghasilkan dashboard yang tidak memenuhi harapan. Saya merasa gagal total, padahal sebenarnya harapan timelinenya yang tidak realistis.
Yang Sebaiknya Dilakukan:
Jangan menyalahkan diri sendiri seperti saya! Ketika orang memiliki ekspektasi tidak realistis, jelaskan bahwa Anda sedang berusaha memahami segala sesuatunya. Ambil cuti (PTO) secara teratur untuk bersantai di rumah dan mematikan otak Anda. Tetap terlibat dengan hobi dan orang-orang terkasih di luar pekerjaan.
Sulit dipercaya, tapi pengetahuan Anda akan meningkat seiring waktu, dan Anda akan memahami jauh lebih banyak saat terus menjalankan peran Anda.
Actionable Insight:
Buat "Learning Journal" yang mencatat semua yang Anda pelajari setiap minggu, tidak peduli seberapa kecilnya. Setelah 3 bulan, lihat kembali untuk melihat kemajuan Anda. Tetapkan timeline yang realistis dengan pendekatan "under-promise, over-deliver" - selalu estimasikan 1.5x waktu yang Anda pikir dibutuhkan untuk tugas baru.
Kesalahan #5: Terlalu Memikirkan Apa yang Dikatakan Orang Lain
Ketika Anda kewalahan, mudah untuk menganggap apa yang dikatakan orang lain secara pribadi. Saya kesulitan dengan umpan balik negatif, atau apa yang saya anggap sebagai umpan balik negatif.
Terkadang saya memperkenalkan ide baru yang tidak diterima dengan baik oleh orang di tim saya, atau saya tidak membuat dashboard secepat yang mereka inginkan. Kritik yang saya rasakan ini membebani saya, meskipun saya tidak berpikir siapa pun bermaksud menyakiti perasaan saya.
Contoh Konkret:
Setelah presentasi analytics pertama saya, seorang manager senior bertanya, "Bisakah kita melihat breakdown data ini berdasarkan segment customer?" Saya langsung merasa ditolak dan berpikir analisis saya tidak berguna. Belakangan saya menyadari dia hanya mencoba mendapatkan insight tambahan, bukan mengkritik pekerjaan saya.
Yang Sebaiknya Dilakukan:
Ketika memutar film mental di kepala Anda tentang apa yang terjadi, tetap berpegang pada fakta dan apa yang benar-benar mereka katakan, bukan apa yang Anda rasakan. Jika Anda memaksa diri untuk tetap berpegang pada fakta dan menarik napas dalam-dalam, Anda akan menemukan bahwa sebagian besar waktu, orang bermaksud baik dan tidak bermaksud menyakiti perasaan Anda.
Berlatih pernapasan dalam untuk menenangkan detak jantung Anda sebelum merespons. Saya suka berlatih pernapasan 4-7-8 (tarik napas selama 4 detik, tahan selama 7, hembuskan selama 8). Ada banyak aplikasi meditasi dan video yang bisa Anda ikuti, atau Anda bisa menghitung angka-angka di kepala Anda. Temukan teknik mindfulness yang cocok untuk Anda, meskipun itu hanya menarik napas dalam-dalam sebelum merespons.
Dan ingat: bagaimana orang bereaksi terhadap Anda tidak harus berhubungan dengan Anda. Semua orang memiliki kehidupan mereka sendiri, dan mereka mungkin stres dan kewalahan oleh sesuatu yang lain. Setiap orang adalah pusat kehidupan mereka sendiri.
Actionable Insight:
Buat "Feedback Filter" pribadi dengan tiga pertanyaan sederhana:
- Apakah ini fakta objektif atau interpretasi saya?
- Apakah feedback ini tentang pekerjaan saya atau tentang saya sebagai pribadi?
- Apakah ada tindakan konkret yang bisa saya ambil untuk berkembang?
Fokus hanya pada feedback yang melewati filter ini, dan biarkan sisanya berlalu.
Pikiran Akhir
Sangat menggoda untuk membuat semua orang di tim Anda terkesan dengan mencoba melakukan segalanya - membuat dashboard sempurna segera, membersihkan semua data dalam sistem, dan menghasilkan analisis yang mengguncang dunia.
Berbaik hatilah pada diri sendiri selama transisi sulit ke peran baru ini. Saya tahu ini agak klise, tapi buatlah poin untuk merayakan kemenangan kecil.
Apakah Anda pergi ke makan siang perusahaan untuk bertemu semua orang, meskipun Anda benci bersosialisasi? Bagus!
Apakah Anda mencari tahu cara membersihkan spreadsheet Excel? Bagus!
Pekerjaan teknis itu menantang dan ada kurva pembelajaran yang curam. Ambil langkah perlahan dan ingat untuk istirahat yang cukup!
Glosarium Terminologi Data Analyst
1. Data Analytics
Proses memeriksa, membersihkan, mengubah, dan memodelkan data untuk menemukan informasi bermanfaat, mendukung pengambilan keputusan, dan menghasilkan insight bisnis.
2. Dashboard
Tampilan visual dari informasi dan KPI penting, biasanya ditampilkan di satu layar agar mudah dipantau dan dianalisis secara cepat.
3. SQL (Structured Query Language)
Bahasa pemrograman khusus untuk mengelola dan mengambil data dari database relasional.
4. ETL (Extract, Transform, Load)
Proses tiga langkah dalam integrasi data: mengekstrak data dari berbagai sumber, mentransformasikannya ke format yang sesuai, dan memuat ke database atau data warehouse.
5. KPI (Key Performance Indicator)
Metrik terukur yang menunjukkan seberapa efektif sebuah organisasi atau kampanye dalam mencapai tujuan bisnisnya.
6. Data Cleaning
Proses mendeteksi dan memperbaiki atau menghapus catatan yang salah, tidak lengkap, atau tidak akurat dari dataset.
7. Business Intelligence (BI)
Proses mengubah data mentah menjadi informasi bermakna untuk meningkatkan pengambilan keputusan bisnis.
8. Prinsip Pareto (Aturan 80/20)
Konsep yang menyatakan bahwa sekitar 80% hasil berasal dari 20% penyebab. Dalam analisis data, ini berarti fokus pada 20% metrik yang memberikan 80% insight.
9. Data Visualization
Representasi grafis dari informasi dan data, membantu memahami pola, tren, dan insight dalam data.
10. Stakeholder
Individu atau grup yang memiliki kepentingan dalam hasil analisis data, biasanya mereka yang akan menggunakan insight untuk pengambilan keputusan.
Tentang penulis: Dengan pengalaman puluhan tahun sebagai data analyst untuk berbagai industri, saya telah menavigasi semua kesalahan dan pembelajaran yang datang dengan karir di bidang data. Passion saya adalah membagikan pengetahuan ini dengan analis data pemula, sehingga Anda dapat menghindari jebakan yang sama dan berkembang lebih cepat dalam karir Anda. Ikuti saya di Medium dan LinkedIn untuk tips dan trik lebih lanjut tentang dunia analisis data!
Citations:
- https://www.linkedin.com/posts/kellyjianadams_heres-5-mistakes-i-made-in-my-first-year-activity-7270171997588860928-sPWY
- https://dicecamp.com/insights/top-10-mistakes-to-avoid-when-starting-a-career-as-a-data-analyst/
- https://careerfoundry.com/blog/data-analytics/first-data-analyst-job-tips/
- https://kajodata.com/en/work/mistakes-of-beginner-data-analysts-data-analyst-career/
- https://www.youtube.com/watch?v=6yNsc7JVPJE
- https://www.jobaajlearnings.com/blog/10-common-mistakes-to-avoid-as-a-data-analyst
- https://careerfoundry.com/blog/data-analytics/data-analyst-career-path/
- https://www.youtube.com/watch?v=Y9flFD9Bj0M
- https://www.linkedin.com/pulse/top-10-mistakes-new-data-analysts-makeand-how-avoid-them-elisha-rs4qe
- https://www.linkedin.com/advice/1/what-do-you-youre-beginner-data-analysis-looking-o7ndf
- https://www.datacamp.com/blog/how-to-become-a-data-analyst
- https://www.linkedin.com/pulse/breaking-data-analysis-exploring-challenges-landing-shahbaaj-alam-y2bfc
- https://www.youtube.com/watch?v=50D__p6jdEI
- https://www.netsuite.com/portal/resource/articles/data-warehouse/data-mistakes.shtml
- https://emeritus.org/blog/data-science-and-analytics-data-analyst-beginner/
- https://bisnisdigital.feb.unesa.ac.id/post/tips-dan-trik-menjadi-seorang-data-analyst
- https://www.linkedin.com/pulse/day-life-data-analyst-challenges-opportunities-masani-ll31c
- https://bigblue.academy/en/top-6-mistakes-of-a-data-analyst
- https://www.linkedin.com/posts/kellyjianadams_5-mistakes-ive-made-as-a-data-analyst-and-activity-7303526401096175616-iUwt
- https://www.datatobiz.com/blog/data-analyst-mistakes-to-avoid/
Jawaban dari Perplexity: pplx.ai/share