Skip to Content

Jurus Jitu Mendapatkan Pekerjaan Analis Data di Amazon atau Google

Saya masih ingat bagaimana rasanya menatap layar laptop selama berjam-jam, mengirim puluhan lamaran pekerjaan ke perusahaan teknologi besar, hanya untuk mendapatkan email penolakan atau bahkan tidak ada respons sama sekali. Frustrasi? Tentu saja. Tapi kemudian saya menemukan strategi yang mengubah segalanya.

Kabar baiknya? Anda tidak memerlukan gelar dari universitas ternama, IPK sempurna, atau rekomendasi dari orang dalam untuk mendapatkan pekerjaan sebagai Analis Data di raksasa teknologi seperti Amazon atau Google.

Yang Anda butuhkan adalah strategi yang tepat - dan artikel ini akan memberikan itu.

💡 Mengapa Artikel Ini Penting

Mari jujur. Hampir setiap Analis Data bermimpi bekerja di perusahaan FAANG (Facebook/Meta, Amazon, Apple, Netflix, Google). Dan meskipun deskripsi pekerjaan mungkin meminta pengalaman 4+ tahun, kenyataannya: ada "pintu belakang" yang digunakan oleh kandidat top 1% - dan cara ini terbukti berhasil.

Saat bekerja dengan sekelompok analis data junior di Jakarta, saya mengamati bagaimana beberapa dari mereka berhasil mendapatkan tawaran dari Google dan Amazon meski bersaing dengan ribuan lulusan universitas ternama. Kuncinya bukan pada gelar mereka, tapi pada pendekatan cerdas yang mereka terapkan.

Apakah Anda baru lulus kuliah, berpindah karier, atau sudah bekerja di bidang data, berikut adalah peta jalan langkah demi langkah yang membantu orang-orang nyata masuk ke posisi di Google dan Amazon - tanpa mengalami burnout.

🔍 Langkah 1: Memahami Apa yang Mereka Cari

Sebelum Anda berlari, Anda perlu tahu arahnya. Inilah yang benar-benar dipedulikan oleh manajer perekrutan di Amazon dan Google:

Keterampilan WajibTools & Bahasa
Pemecahan MasalahSQL, Python/R
Pemikiran BisnisExcel, Tableau, Power BI
Keterampilan KomunikasiLooker, Data Studio
Intuisi DataStatistik, A/B Testing

Contoh Konkret: Seorang junior analyst yang saya mentori berhasil mendapatkan posisi di Google Indonesia hanya dengan fokus mendalam pada SQL dan visualisasi data, meski ia tidak memiliki latar belakang komputer. Ia menghabiskan 3 bulan mempelajari SQL tingkat lanjut dan membangun portfolio visualisasi data yang memecahkan masalah bisnis nyata.

📌 Trik: Buka Amazon atau Google Careers → Cari "Data Analyst" → Pelajari 5-10 deskripsi pekerjaan → Ekstrak persyaratan umum.

Actionable Insight: Buatlah spreadsheet dengan kolom untuk setiap keterampilan yang disebutkan dalam job description. Tandai keterampilan yang muncul setidaknya dalam 3 deskripsi pekerjaan berbeda. Inilah prioritas pembelajaran Anda.

🛠️ Langkah 2: Bangun Proyek yang Tepat (Yang Menunjukkan Nilai Bisnis)

Inilah kenyataannya: Tidak ada yang peduli jika Anda mengekstrak data dari API Pokémon kecuali Anda dapat mengubahnya menjadi insight yang memecahkan masalah.

✅ Sebagai gantinya, cobalah:

  1. Analisis E-commerce → "Mengapa terjadi abandonment keranjang belanja dan bagaimana menguranginya."
    • Contoh Implementasi: Analisislah data dari dataset e-commerce publik seperti "Brazilian E-Commerce" di Kaggle. Identifikasi segmen pelanggan yang paling sering meninggalkan keranjang mereka dan buat rekomendasi bisnis berdasarkan hasilnya.
  2. Proyek Retensi Pelanggan → "Prediksi churn untuk perusahaan SaaS menggunakan regresi logistik."
    • Script Contoh: 
    python
    import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# Asumsikan 'df' adalah dataset dengan fitur pelanggan dan label churn
X = df.drop('churn', axis=1)
y = df['churn']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
model = LogisticRegression()
model.fit(X_train, y_train)

# Identifikasi fitur yang paling memengaruhi churn
feature_importance = pd.DataFrame({
    'Feature': X.columns,
    'Importance': abs(model.coef_[0])
}).sort_values('Importance', ascending=False)

print("Faktor utama yang menyebabkan pelanggan churn:")
print(feature_importance.head())
  3. Dashboard Marketing → "Dashboard Power BI dinamis yang melacak ROI kampanye."
    • Tahapan: Kumpulkan data kampanye (biaya, jangkauan, konversi), buat metrik kunci seperti CAC (Customer Acquisition Cost) dan LTV (Lifetime Value), lalu visualisasikan tren dan memungkinkan filter berdasarkan saluran, lokasi, dan segmen.
🎯 Tips Pro: Bagikan proyek-proyek ini dalam format cerita di LinkedIn. Contoh: "Bagaimana saya menemukan peluang meningkatkan pendapatan sebesar 15% dengan menganalisis pola abandonment keranjang belanja." Perusahaan menyukai pemecah masalah, bukan hanya programmer.

Actionable Insight: Dedikasikan 2 jam setiap hari selama sebulan untuk menyelesaikan satu proyek bisnis yang solid. Fokus pada masalah umum yang dihadapi Amazon atau Google, seperti optimasi pengiriman, analisis perilaku pengguna, atau efektivitas iklan.

💼 Langkah 3: Buat Diri Anda Ditemukan - Bukan Hanya Melamar

Inilah tempat di mana kebanyakan orang gagal: mereka memperlakukan lamaran seperti permainan angka. Tapi di Google atau Amazon, referensi dan visibilitas adalah taruhan terbaik Anda.

✅ Lakukan ini sebagai gantinya:

  1. Optimalkan LinkedIn Anda untuk kata kunci seperti: SQL, A/B testing, visualisasi data, Power BI, Google Analytics.
    • Contoh: "Analis Data berpengalaman dalam mengoptimalkan konversi pengguna menggunakan SQL lanjutan dan A/B testing, dengan spesialisasi dalam visualisasi data menggunakan Tableau dan Power BI."
  2. Buat situs portfolio mini (Notion atau GitHub pages sangat bagus!)
    • Template Sederhana:
      • Beranda: Pengenalan diri & spesialisasi
      • Proyek: 3-5 proyek dengan penjelasan masalah bisnis, metodologi, dan hasil
      • Skills: Visualisasi kemampuan teknis dan bisnis
      • Kontak: Cara menghubungi Anda
  3. DM karyawan dengan pesan terstruktur: 
    text
    "Halo [Nama], saya sangat mengagumi pekerjaan yang dilakukan Amazon dalam analitik data pelanggan. Saya punya 2 pertanyaan singkat tentang pengalaman Anda bekerja dengan tim Data di Amazon Indonesia. Apakah Anda punya waktu 15 menit untuk obrolan singkat? Terima kasih atas pertimbangan Anda."

Studi Kasus Nyata: Seorang analis data junior yang saya kenal berhasil masuk ke Amazon setelah membuat artikel LinkedIn tentang bagaimana ia menggunakan data Amazon Reviews untuk mengidentifikasi kategori produk yang perlu perbaikan kualitas. Artikel tersebut menarik perhatian seorang manajer yang kemudian mengundangnya untuk wawancara.

📈 Trik: Jika 50 orang melamar melalui halaman karier, dan 3 orang datang melalui referensi internal - coba tebak siapa yang ditinjau terlebih dahulu?

Actionable Insight: Dedikasikan waktu 1 jam setiap hari untuk terhubung dengan minimal 5 profesional di perusahaan target Anda. Gunakan filter LinkedIn untuk menemukan alumni sekolah/universitas Anda yang bekerja di sana, karena mereka lebih mungkin merespons.

📚 Langkah 4: Persiapkan Diri dengan Cerdas untuk Wawancara

Inilah alur wawancara Analis Data biasa di Google/Amazon:

  1. Tantangan SQL - Pikirkan joins, subqueries, fungsi window
    • Contoh Soal: "Temukan pelanggan yang membeli produk dari minimal 3 kategori berbeda dalam satu bulan terakhir." 
    sql
    WITH CustomerCategories AS (
  SELECT 
    customer_id,
    COUNT(DISTINCT category_id) AS unique_categories
  FROM orders o
  JOIN products p ON o.product_id = p.id
  WHERE order_date >= DATEADD(month, -1, GETDATE())
  GROUP BY customer_id
)
SELECT customer_id 
FROM CustomerCategories
WHERE unique_categories >= 3;
  2. Studi Kasus - Masalah bisnis nyata + metrik
    • Persiapan: Pelajari framework pemecahan masalah seperti:
      • Define the problem (Tentukan masalahnya)
      • Identify metrics (Identifikasi metrik)
      • Analyze data needs (Analisis kebutuhan data)
      • Propose methodology (Usulkan metodologi)
      • Summarize findings & recommendations (Ringkas temuan & rekomendasi)
  3. Behavioral - Format STAR adalah teman terbaik Anda
    • Contoh Jawaban STAR:
      • Situation: "Sebagai analis data di perusahaan e-commerce, kami mengalami penurunan konversi sebesar 15%."
      • Task: "Saya ditugaskan untuk mengidentifikasi akar masalah dan memberikan rekomendasi."
      • Action: "Saya melakukan analisis segmentasi pengguna dan mengidentifikasi bahwa pengguna mobile mengalami masalah pada halaman pembayaran, menganalisis data menggunakan SQL dan Tableau untuk menemukan pola, dan bekerja sama dengan tim produk."
      • Result: "Implementasi rekomendasi saya meningkatkan konversi sebesar 20% dalam 2 minggu, menghasilkan tambahan pendapatan Rp500 juta per bulan."

✅ Sumber Daya:

  • LeetCode SQL Easy → Medium
  • "Ace the Data Science Interview" oleh Nick Singh
  • Glassdoor & Blind untuk pertanyaan kandidat terbaru
🧠 Tips: Amazon SANGAT MENYUKAI cerita "obsesi pelanggan". Google SANGAT MENYUKAI "pengambilan keputusan berbasis data."

Actionable Insight: Buat dokumen dengan 10 pertanyaan behavioral yang umum ditanyakan, dan siapkan jawaban STAR untuk masing-masing. Latih jawaban Anda dengan teman atau rekam suara Anda dan dengarkan kembali untuk perbaikan.

🧩 Trik Bonus: Gunakan Produk Amazon atau Google untuk Menonjol

  • Buat laporan Google Looker Studio dengan data Google Trends.
    • Contoh: Analisis tren pencarian e-commerce di Indonesia selama 5 tahun terakhir, dan bagaimana mereka berkorelasi dengan peristiwa penting seperti pandemi atau hari belanja nasional.
  • Buat mini studi kasus menggunakan Dataset Ulasan Amazon dari Kaggle.
    • Implementasi: Analisis sentimen ulasan produk untuk kategori tertentu, identifikasi kata kunci yang sering muncul dalam ulasan negatif, dan buatlah rekomendasi peningkatan produk.
💡 Ketika Anda berbicara dalam bahasa mereka, profil Anda mendadak menonjol.

Studi Kasus: Seorang fresh graduate dari universitas di Bandung berhasil mendapatkan panggilan wawancara dari Google setelah membuat dashboard Looker Studio yang menganalisis tren pencarian produk Google di Indonesia. Ia membagikan dashboard tersebut di LinkedIn dan menandai beberapa karyawan Google Indonesia.

🚀 Bicara Jujur: Latar Belakang Anda Tidak Sepenting Nilai yang Anda Berikan

Apakah Anda dari perguruan tinggi Tier-3, latar belakang non-CS, atau bekerja di pekerjaan non-teknis, Anda masih bisa berhasil - jika profil Anda berbicara bisnis, bukan hanya data.

Fokus pada:

✅ Proyek dunia nyata

  • Contoh: Bangun dashboard interaktif yang menunjukkan bagaimana perilaku pengguna berkorelasi dengan metrik pendapatan.

✅ Resume bersih, dioptimalkan dengan kata kunci

  • Contoh: "Meningkatkan tingkat konversi sebesar 25% melalui analisis segmentasi pelanggan menggunakan SQL lanjutan dan visualisasi Tableau."

✅ Cerita LinkedIn yang bagus

  • Format: Masalah → Pendekatan → Hasil → Pelajaran

✅ Latihan wawancara yang solid

  • Taktik: Ikuti program mock interview dengan profesional di bidang yang sama

Pengalaman Pribadi: Salah satu mentee saya dengan latar belakang akuntansi berhasil mendapatkan posisi Data Analyst di Amazon setelah mengikuti strategi ini. Ia fokus pada keterampilan SQL-nya dan menekankan bagaimana latar belakang akuntansinya memberikannya keunggulan dalam memahami metrik bisnis.

✨ Kata-kata Penutup: Pecahkan Algoritma, Bukan Hanya Kode

Anda tidak memerlukan 100 aplikasi. Anda membutuhkan satu pitch yang bagus untuk orang yang tepat, satu resume yang dirancang khusus, dan satu portfolio yang menonjol.

Anda bukan "hanya analis lain." Anda adalah pendongeng data - itulah yang dicari oleh Amazon dan Google.

Saya ingat bagaimana rasanya mendapatkan email penolakan dari Amazon untuk ketiga kalinya. Tapi pada percobaan keempat, dengan menggunakan strategi yang saya bagikan di sini, saya tidak hanya mendapatkan wawancara tapi juga tawaran pekerjaan. Perbedaannya? Saya berhenti mencoba untuk "terlihat seperti kandidat sempurna" dan mulai menunjukkan bagaimana saya bisa memecahkan masalah bisnis mereka.

📌 Rencana Game 5 Langkah Anda:

  1. Pelajari deskripsi pekerjaan secara mendalam
    • Deadline: 1 minggu pertama
    • Deliverable: Spreadsheet persyaratan keterampilan dengan prioritas
  2. Bangun 2-3 proyek yang berfokus pada bisnis
    • Deadline: 1 bulan
    • Deliverable: Portfolio Github dengan README.md yang menjelaskan masalah bisnis untuk setiap proyek
  3. Tampilkan proyek di GitHub + LinkedIn
    • Deadline: 1-2 minggu setelah menyelesaikan proyek
    • Deliverable: 3 artikel LinkedIn yang menjelaskan proses dan hasil proyek
  4. Jangkau karyawan dengan tujuan
    • Deadline: Berkelanjutan, 5 kontak per minggu
    • Deliverable: Spreadsheet pelacakan kontak dengan tanggapan dan tindak lanjut
  5. Kuasai SQL + Studi Kasus Bisnis + cerita Behavioral
    • Deadline: 2 bulan
    • Deliverable: 50 soal SQL terselesaikan, 10 studi kasus terlatih, 15 jawaban STAR

Mengutip salah satu Data Scientist Google yang pernah saya wawancarai: "Kami tidak mencari orang yang tahu semua jawaban. Kami mencari orang yang tahu bagaimana menemukan jawaban dan mengkomunikasikannya dengan cara yang mengubah bisnis."


Glosarium

SQL (Structured Query Language): Bahasa pemrograman yang digunakan untuk berkomunikasi dengan dan mengelola database. Skill wajib untuk analis data di perusahaan besar.

A/B Testing: Metode perbandingan dua versi variabel untuk menentukan mana yang berkinerja lebih baik. Misalnya, membandingkan dua desain halaman web untuk melihat mana yang menghasilkan lebih banyak konversi.

Query Folding: Kemampuan untuk mengoptimalkan query dengan mendorong pemrosesan ke sumber data, bukan pada mesin lokal.

STAR Method: Situation, Task, Action, Result. Teknik untuk menjawab pertanyaan berbasis perilaku dalam wawancara dengan memberikan konteks, menjelaskan tugas, menjabarkan tindakan, dan menyampaikan hasil.

DAU/MAU: Daily Active Users/Monthly Active Users. Metrik yang digunakan untuk mengukur keterlibatan pengguna dengan produk.

Customer Acquisition Cost (CAC): Biaya yang dikeluarkan untuk memperoleh satu pelanggan baru.

Lifetime Value (LTV): Nilai total yang diharapkan dari seorang pelanggan selama hubungan bisnisnya dengan perusahaan.

Dashboarding: Proses membuat visualisasi data interaktif yang menampilkan metrik kunci bisnis.

ETL (Extract, Transform, Load): Proses mengambil data dari berbagai sumber, mengubahnya menjadi format yang sesuai, dan memuatnya ke dalam sistem target.

BI (Business Intelligence): Proses dan teknologi yang digunakan untuk menganalisis data bisnis dan mengubahnya menjadi informasi yang dapat ditindaklanjuti.

Churn Rate: Persentase pelanggan yang berhenti menggunakan produk atau layanan dalam periode waktu tertentu.

Conversion Rate: Persentase pengunjung yang mengambil tindakan yang diinginkan (seperti pembelian) dibandingkan dengan total pengunjung.


Cara Saya Membuat Dashboard Power BI 3x Lebih Cepat