70 Query SQL Penting yang Harus Dikuasai Data Analyst di 2025

Dalam dunia analisis data yang terus berkembang, SQL tetap menjadi tulang punggung untuk melakukan query dan transformasi data. Di era digitalisasi yang semakin pesat, keterampilan SQL yang mumpuni bukan lagi sekadar nilai tambah, tetapi telah menjadi kebutuhan mendasar bagi setiap data analyst.

Mengapa SQL Tetap Relevan di 2025

Dalam beberapa tahun terakhir, kita telah menyaksikan gelombang teknologi baru untuk analisis data - dari tools no-code hingga platform berbasis AI. Namun, SQL tetap bertahan dan bahkan semakin penting. Mengapa? Karena SQL memberikan kontrol, fleksibilitas, dan kekuatan yang tidak dapat disaingi oleh alat-alat yang lebih baru.

Fondasi Keahlian Data Analyst

Setiap hari, data analyst dihadapkan pada pertanyaan bisnis yang menantang: "Bagaimana tren penjualan kita bulan ini dibandingkan tahun lalu?" atau "Segmen pelanggan mana yang memberikan lifetime value tertinggi?" Kemampuan untuk menjawab pertanyaan-pertanyaan ini dengan cepat dan akurat bergantung pada penguasaan Anda terhadap SQL.

Query SELECT Dasar yang Wajib Dikuasai

Jantung dari semua analisis data adalah kemampuan untuk mengambil data yang tepat. Berikut adalah query SELECT dasar yang akan Anda gunakan hampir setiap hari:

Mengambil semua kolom dari tabel:


SELECT * FROM employees;

Mengambil kolom spesifik:


SELECT first_name, last_name FROM employees;

Melakukan filter dengan WHERE:


SELECT * FROM employees WHERE department = 'Sales';

Mengurutkan hasil dengan ORDER BY:


SELECT * FROM employees ORDER BY salary DESC;

Membatasi hasil dengan LIMIT:


SELECT * FROM employees LIMIT 10;

Menggunakan DISTINCT untuk menghilangkan duplikat:


SELECT DISTINCT department FROM employees;

Menggunakan ALIAS untuk output yang lebih bersih:


SELECT first_name AS fname FROM employees;

Aggregasi dan Pengelompokan Data

Kekuatan SQL terletak pada kemampuannya untuk mengaggregasi data dan menghasilkan insight. Berikut query yang akan mengubah cara Anda menganalisis data:

Menghitung jumlah baris:


SELECT COUNT(*) FROM employees;

Menghitung nilai rata-rata:


SELECT AVG(salary) FROM employees;

Menjumlahkan nilai:


SELECT SUM(sales) FROM orders;

Mengelompokkan data:


SELECT department, COUNT(*) FROM employees GROUP BY department;

Memfilter data yang telah diaggregasi dengan HAVING:


SELECT department, AVG(salary) FROM employees 
GROUP BY department 
HAVING AVG(salary) > 50000;

Pengelompokan berdasarkan beberapa kolom:


SELECT region, department, COUNT(*) FROM employees 
GROUP BY region, department;

Analisis Data Berbasis Waktu

Hampir semua analisis bisnis melibatkan dimensi waktu. Berikut query yang membantu Anda menganalisis tren temporal:

Filter berdasarkan tanggal tertentu:


SELECT * FROM orders WHERE order_date = '2025-01-01';

Menggunakan BETWEEN untuk rentang tanggal:


SELECT * FROM orders 
WHERE order_date BETWEEN '2025-01-01' AND '2025-03-31';

Ekstraksi tahun atau bulan:


SELECT EXTRACT(YEAR FROM order_date) AS year FROM orders;

Penggunaan CURRENT_DATE:


SELECT * FROM orders WHERE order_date = CURRENT_DATE;

Menghitung perbedaan waktu:


SELECT order_id, delivery_date - order_date AS delivery_days 
FROM orders;

Teknik JOIN untuk Menggabungkan Data

Salah satu kekuatan terbesar SQL adalah kemampuannya menggabungkan data dari berbagai sumber. Berikut teknik JOIN yang wajib dikuasai:

Inner join dua tabel:


SELECT e.first_name, d.department_name  
FROM employees e  
JOIN departments d ON e.department_id = d.department_id;

Left join untuk hubungan opsional:


SELECT e.first_name, d.department_name  
FROM employees e  
LEFT JOIN departments d ON e.department_id = d.department_id;

Right join:


SELECT e.first_name, d.department_name  
FROM employees e  
RIGHT JOIN departments d ON e.department_id = d.department_id;

Full outer join:


SELECT e.first_name, d.department_name  
FROM employees e  
FULL OUTER JOIN departments d ON e.department_id = d.department_id;

Self join untuk hierarki:


SELECT a.employee_name, b.manager_name  
FROM employees a  
JOIN employees b ON a.manager_id = b.employee_id;

Window Functions: Senjata Rahasia Data Analyst Profesional

Window functions memungkinkan Anda melakukan perhitungan di seluruh set baris yang terkait dengan baris saat ini. Ini adalah fitur yang membedakan analis pemula dengan profesional:

Row number:


SELECT name, ROW_NUMBER() OVER (ORDER BY salary DESC) AS rank 
FROM employees;

Rank:


SELECT name, RANK() OVER (PARTITION BY department ORDER BY salary DESC) AS dept_rank 
FROM employees;

Lag untuk melihat nilai sebelumnya:


SELECT name, salary, LAG(salary) OVER (ORDER BY hire_date) AS prev_salary 
FROM employees;

Running total:


SELECT name, SUM(sales) OVER (ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS running_sales  
FROM orders;

Analisis Kohort untuk Memahami Perilaku Pengguna

Analisis kohort membantu melacak kelompok pengguna yang berbagi karakteristik umum dan mengamati perilaku mereka dari waktu ke waktu:


WITH cohort AS (
  SELECT user_id, MIN(DATE_TRUNC('month', signup_date)) AS cohort_month
  FROM users
  GROUP BY user_id
),
activity AS (
  SELECT user_id, DATE_TRUNC('month', activity_date) AS activity_month
  FROM user_activity
)
SELECT c.cohort_month, a.activity_month, COUNT(DISTINCT a.user_id) AS active_users
FROM cohort c
JOIN activity a ON c.user_id = a.user_id
GROUP BY c.cohort_month, a.activity_month
ORDER BY c.cohort_month, a.activity_month;

Analisis Retensi untuk Mengukur Loyalitas Pengguna

Retensi melacak berapa banyak pengguna yang kembali setelah waktu tertentu sejak pendaftaran:


SELECT signup_month, days_since_signup, COUNT(DISTINCT user_id) AS retained_users
FROM (
  SELECT user_id,
         DATE_TRUNC('month', signup_date) AS signup_month,
         DATE_PART('day', activity_date - signup_date) AS days_since_signup
  FROM user_activity
  JOIN users USING(user_id)
) t
WHERE days_since_signup IN (1, 7, 30)
GROUP BY signup_month, days_since_signup;

Analisis Funnel untuk Melacak Konversi

Funnel melacak drop-off di seluruh peristiwa berurutan (misalnya, Kunjungan > Tambahkan ke Keranjang > Pembelian):


SELECT
  COUNT(DISTINCT CASE WHEN event = 'Visit' THEN user_id END) AS visitors,
  COUNT(DISTINCT CASE WHEN event = 'Add to Cart' THEN user_id END) AS carts,
  COUNT(DISTINCT CASE WHEN event = 'Purchase' THEN user_id END) AS purchases
FROM events
WHERE event IN ('Visit', 'Add to Cart', 'Purchase');

Kasus Penggunaan Praktis dalam Bisnis

Perhitungan LTV (Customer Lifetime Value)

Memahami berapa banyak pendapatan yang dihasilkan pelanggan selama masa aktifnya:


SELECT customer_id, SUM(order_value) AS lifetime_value
FROM orders
GROUP BY customer_id;

Deteksi Churn

Mengidentifikasi pengguna yang tidak kembali setelah periode tertentu:


SELECT user_id
FROM user_activity
GROUP BY user_id
HAVING MAX(activity_date) < CURRENT_DATE - INTERVAL '30 days';

Segmentasi Pelanggan Berdasarkan Perilaku Pembelian

Membagi pengguna menjadi segmen berdasarkan jumlah pembelian total:


SELECT customer_id,
       CASE
         WHEN total_spent >= 1000 THEN 'High Value'
         WHEN total_spent >= 500 THEN 'Medium Value'
         ELSE 'Low Value'
       END AS segment
FROM (
  SELECT customer_id, SUM(order_value) AS total_spent
  FROM orders
  GROUP BY customer_id
) t;

Perbandingan Year-over-Year

Melihat pertumbuhan dari tahun ke tahun:


SELECT EXTRACT(YEAR FROM order_date) AS year,
       EXTRACT(MONTH FROM order_date) AS month,
       SUM(order_value) AS revenue
FROM orders
GROUP BY year, month
ORDER BY year, month;

Perhitungan Persentase Perubahan

Menganalisis perubahan persentase dari bulan ke bulan:


WITH monthly_revenue AS (
  SELECT DATE_TRUNC('month', order_date) AS month, SUM(order_value) AS revenue
  FROM orders
  GROUP BY month
)
SELECT month,
       revenue,
       LAG(revenue) OVER (ORDER BY month) AS previous_month,
       ROUND(100.0 * (revenue - LAG(revenue) OVER (ORDER BY month)) / 
             NULLIF(LAG(revenue) OVER (ORDER BY month), 0), 2) AS percent_change
FROM monthly_revenue;

Tips Meningkatkan Efisiensi Query SQL

Buat Indeks untuk Kolom yang Sering Difilter
Indeks pada kolom yang sering digunakan dalam klausa WHERE dapat meningkatkan kecepatan query secara dramatis.
Hindari SELECT * Dalam Produksi
Selalu pilih hanya kolom yang Anda butuhkan untuk mengurangi transfer data dan meningkatkan kinerja.
Gunakan CTEs untuk Meningkatkan Keterbacaan
Common Table Expressions membuat query kompleks lebih mudah dibaca dan dipelihara:
```
WITH HighEarners AS (
  SELECT * FROM employees WHERE salary > 60000
)
SELECT * FROM HighEarners;
```
Perhatikan Urutan Eksekusi Query
SQL memproses klausa dalam urutan tertentu:
- FROM dan JOIN
- WHERE
- GROUP BY
- HAVING
- SELECT
- ORDER BY
Memahami urutan ini membantu Anda menulis query yang lebih efisien.
Gunakan EXPLAIN untuk Menganalisis Performa Query
EXPLAIN menampilkan rencana eksekusi query, membantu Anda mengidentifikasi bottleneck:
```
EXPLAIN SELECT * FROM orders WHERE customer_id = 123;
```

Glossary: Terminologi Penting untuk Data Analyst

Aggregation: Proses merangkum multiple baris data menjadi satu hasil kalkulasi (misalnya SUM, AVG, COUNT).
CTE (Common Table Expression): Temporary result set yang dapat dirujuk dalam query, membantu membuat query kompleks lebih terstruktur.
ETL (Extract, Transform, Load): Proses mengekstrak data dari sumber, mentransformasikannya, dan memuatnya ke sistem target.
INTERVAL: Tipe data yang mewakili periode waktu, digunakan dalam perhitungan tanggal/waktu.
JOIN: Operasi untuk menggabungkan baris dari dua atau lebih tabel berdasarkan kolom yang berhubungan.
PARTITION BY: Klausul dalam window functions yang membagi baris menjadi partisi untuk perhitungan terpisah.
Window Function: Fungsi yang beroperasi pada set baris dan mengembalikan nilai untuk setiap baris, memungkinkan perhitungan seperti running totals atau moving averages.
Cohort Analysis: Analisis yang melacak kelompok pengguna dengan karakteristik serupa untuk mengamati perilaku mereka dari waktu ke waktu.
Funnel Analysis: Analisis yang melacak pergerakan pengguna melalui serangkaian langkah berurutan untuk mengidentifikasi di mana pengguna drop off.
LTV (Lifetime Value): Metrik yang memprediksi revenue total yang diharapkan dari pelanggan selama hubungan bisnisnya.

Kesimpulan: Membangun Jalan Menuju Keahlian SQL

Menguasai 70 query SQL ini adalah langkah besar menuju menjadi data analyst yang lebih efektif dan bernilai tinggi. Ingatlah bahwa SQL bukan hanya alat untuk mengambil data, tetapi juga alat untuk bercerita melalui data.

Luangkan waktu untuk mengeksplorasi query-query ini, sesuaikan dengan kebutuhan bisnis Anda, dan amati bagaimana keterampilan SQL Anda meningkatkan kemampuan Anda untuk mendorong keputusan berbasis data yang lebih baik.

Di era data yang semakin kompleks ini, keahlian SQL yang mendalam akan tetap menjadi keterampilan yang sangat berharga dan sulit digantikan. Jadilah analis yang tidak hanya mengumpulkan data, tetapi juga mengubahnya menjadi wawasan yang mendorong perubahan nyata dalam bisnis.

in Data Analyst

Mengubah Resume Menjadi Dashboard: Cara Kreatif yang Membuat Saya Diterima Kerja