Course: Data Analytics di Asia Tenggara: Difference between revisions

(5 intermediate revisions by the same user not shown)

Line 281:

The data can be qualitative such as interview results, or it can be quantitative, like the NPS (Net Promoter Score).

Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the ~~RevoU~~ data analytics program.

Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the Company data analytics program.

=== Pengumpulan data ===

Line 307:

Datanya bisa kualitatif seperti hasil wawancara, atau bisa juga kuantitatif seperti NPS (Net Promoter Score).

~~Melakukan analisis untuk eksperimen atau pengujian hipotesis ini juga merupakan sesuatu yang akan dipelajari selama berminggu-minggu dalam program Data Analytics RevoU.~~

=== Persiapan & transformasi data ===

Line 366:

Line 364:

Kamu tidak dapat menghasilkan hasil yang baik kalau datanya '''garbage'' (sampah)'.

[[File:Course RevoU Data Analytics 200647.png|center|thumb]]

=== Data Analysis ===

Setelah kamu mempersiapkan dan mendapatkan data yang bersih, saatnya kamu melakukan beberapa analisis data.

Tergantung pada jenis data yang kamu peroleh dan masalah yang ingin kamu pecahkan, ada berbagai metode analisis yang dapat kamu lakukan.

Kalau kamu melakukan analisis deskriptif, beberapa ''output''nya dapat berupa:

* Dashboard KPI

* Laporan pendapatan bulanan

* Overview prospek penjualan

Atau mungkin kamu melakukan analisis diagnostik untuk mengetahui 'mengapa'.

Misalnya, startup SaaS perlu mengetahui aktivitas pemasaran mana yang meningkatkan jumlah ''free trials''.

Pada dasarnya, ini adalah bagian di mana kamu melakukan pekerjaanmu untuk menganalisis data.

Ada beberapa cara untuk menganalisis data, termasuk:

* Causal Impact Analysis

* Correlation Analysis

* Regression Analysis

* Cohort Analysis

* Segmentation (Clustering, Decision Tree)

* Time series & Forecasting

Mari kita ambil contoh:

Salah satu analisis terpenting saat bekerja dengan data pelanggan adalah cohort analysis.

Cohort analysts sangat penting, terutama untuk Software as a Service (SaaS) atau perusahaan e-Commerce, karena menunjukkan bagaimana pelanggan berinteraksi dengan platform.

Untuk membuat analisis kohort sederhana, kamu harus mempunyai input data per ''customer'', yang mencakup Join date pelanggan (tanggal saat pelanggan pertama kali masuk ke platform), Usia berdasarkan hari/bulan (yang merupakan pengurangan dari Calendar date dan Join date).

Lihat tabel di bawah ini:

[[File:Course RevoU Data Analytics 210647.png|center|thumb]]

* Pada tabel ini, kamu bisa melihat bahwa Customer #105059, yang bergabung pada tanggal 8 Mei 2014, telah melakukan beberapa kali pembelian dan kita dapat menghitung usia berdasarkan hari sejak ia melakukan pembelian pertama.

* Customer #106249 telah melakukan 2 pembelian, dan sisanya hanya melakukan pembelian satu kali pada tanggal mereka bergabung (Join date)

* Kita dapat melihat bahwa Customer #105059 dan #106249 adalah pelanggan yang kembali, dan dengan analisis kohort, kita dapat melihat berapa banyak pelanggan yang kembali ke platform

* Metrik- metrik ini penting bagi bisnis karena biaya retensi (mempertahankan) jauh lebih rendah daripada biaya untuk memperoleh pelanggan baru.

Setelah memasukkan data, kamu dapat membuat ''pivot table'' sederhana untuk mempermudah cohort analysis.

Alat yang dapat kamu gunakan di sini antara lain Excel atau Google Sheets, R, Python, SQL.

[[File:Course RevoU Data Analytics 220647.png|center|thumb]]

Banyak data analyst yang suka membersihkan data menggunakan Python terlebih dahulu, lalu mengekspornya ke Excel untuk melakukan analisis setelah data yang ada dibersihkan.

Jadi kamu bisa menggunakan beberapa tools untuk melakukan ini!

Proses pengajaran akan dilakukan secara end-to-end, sehingga ''student'' bisa melanjutkan ''learning journey'' mereka dari awal hingga akhir dengan melakukan cohort analysis dan lain-lain dengan tools yang berbeda.

=== Visualisasi & komunikasi ===

Ini adalah bagian paling menarik dari analisis data, visualisasikan datanya!

Banyak orang mungkin meremehkan betapa pentingnya bagian ini untuk membuat keputusan berdasarkan data.

Tapi, banyak yang tidak menyadari bahwa banyak data analyst yang lemah di bidang ini dengan tidak menempatkan diri mereka pada posisi ''stakeholder''.

Inti dari analisis data adalah bagaimana menghasilkan ''insight'' melalui visualisasi yang dapat dengan mudah dipahami oleh para ''stakeholder''.

''Tahukah kamu bahwa manusia memproses visual 60000x lebih cepat daripada teks?''

''Neuroscientist'' dari MIT telah menemukan bahwa otak kita dapat memproses seluruh gambar yang dilihat mata hanya dalam 13 milidetik.

Inilah betapa pentingnya visualisasi, terutama ketika kamu membutuhkannya untuk ''decision making!''

[[File:Course RevoU Data Analytics 230647.png|center|thumb]]

Ada banyak ''tool'' gratis yang tersedia saat ini, mulai dari Google Data Studio, Tableau Public, PowerBI, Qlik, Metabase, dan bahkan visualisasi cepat dengan Python dan R.

Kamu juga bisa membuat 'dashboard' dengan Google Spreadsheet atau Excel sederhana.

Untuk menunjukkan ''insight'' yang kamu dapat, kamu bisa menggunakan Google Slide, Powerpoint, atau Canva untuk membantu kamu mempresentasikan kepada para ''stakeholder''

Bagian besar lain dari visualisasi data dalam pekerjaan analis data sehari-harinya adalah membuat ''dashboard''

Apa itu ''dashboard''? Pada dasarnya, ''dashboard'' adalah representasi visual yang menunjukkan semua metrik penting untuk bisnis hanya dalam satu halaman.

Biasanya, ''dashboard'' menampilkan ''real-time data'' bagi ''stakeholder'' untuk memantau kinerja dan KPI (Indikator Kinerja Utama) mereka.

''Dashboard'' biasanya digunakan oleh Tim Business Intelligence untuk membagikan laporan kepada ''stakeholder'' tertentu, seperti ''dashboard'' keuangan ke departemen keuangan, CFO, dan CEO.

Kadang, mereka juga dibuat untuk eksperimen atau kampanye tertentu untuk memantau performa.

== Part 5 - Karir di Data Analytics ==

=== Apa Tipikal Career Path Data Analyst? ===

Ini adalah pertanyaan umum ketika kamu ingin mempelajari lebih lanjut tentang data analytics.

Untuk memudahkannya, ada beberapa area yang bisa kamu lihat dari tabel di bawah ini.

[[File:Course RevoU Data Analytics 240647.png|center|thumb]]

Karena sifat dari Data Analytics adalah ''versatile'' atau “serbaguna”, kamu sangat bisa untuk menyusun ''career-path'' mu sendiri dengan mudah. Singkatnya, ini ringkasannya:

* Kalau kamu memutuskan untuk mengembangkan soft skill kamu, kamu dapat dipromosi dan menjadi ''Head of Data'' atau bahkan ''Chief Data Officer.''

* Kalau kamu memutuskan untuk mengembangkan hard skill kamu, kamu bisa menjadi Data Scientist atau Artificial Intelligence and Machine Learning Engineer.

* Kalau kamu memutuskan untuk pindah industri dengan ''role'' yang sama yaitu Data Analyst, pengetahuannya sangat fleksibel untuk diterapkan di sektor lain.

* Kalau kamu memutuskan untuk pindah ''role,'' kamu bisa beralih karir ke posisi lain seperti ''product, marketing, finance,'' karena banyak posisi lain yang membutuhkan orang yang kuat di bidang analisa data.

* Jadilah konsultan data di perusahaan konsultan, lakukan ''freelance'', atau bangun perusahaan konsultan mu sendiri!

* Kalau kamu punya jiwa entrepreneur, jadilah CEO atau Pemilik Bisnis berbasis data. Pemahaman tentang analisis data sangat dibutuhkan ketika dihadapkan pada keputusan yang sulit untuk diambil sebagai seorang entrepreneur.

Jadi, tidak ada jawaban yang salah untuk menjadi seorang data analyst. Jenjang karir panjang yang bisa kamu pilih ada di tangan kamu sendiri.

=== Berapa banyak penghasilan yang bisa aku dapatkan? ===

Ini adalah pertanyaan bagus.

Mari kita lihat kondisi di Indonesia (membandingkan beberapa pertanyaan yang diajukan pada 2020-2021).

Bisa dibilang kita bisa membedahnya menjadi tiga langkah: entry-level, mid-level dan senior-level.

Entry-level berarti data analyst biasanya berasal dari ''fresh graduate'', terutama menggunakan Excel, SQL, visualisasi data dengan Power BI, dan beberapa alat lainnya: 8–15 juta. (Sumber: Qerja.com)

Mid-level berarti data analyst yang juga memahami bisnis dan dapat menggunakan bahasa pemrograman seperti R/SQL/Python (dengan asumsi pengalaman 2-4 tahun).

Mungkin ini gaji yang akan kamu dapat kalau kamu mahir dan bekerja di perusahaan teknologi ala unicorn: 15–25 juta.

Senior-level berarti kamu dapat menggunakan bahasa pemrograman dan memahami bisnis serta bisa memimpin tim ''analyst'' lain.

Tentu saja, ini tergantung pada seberapa besar masing-masing perusahaan. Dari riset kepada beberapa manajer HR, dalam 3-6 tahun pengalaman kerja di bidang data, kamu bisa mendapatkan gaji sebesar ini: 25–35 juta.

Cukup bagus, kan? Dan dengan fakta bahwa unicorn 'mencuri' talenta satu sama lain, keberadaan talenta data sangatlah langka.

=== Haruskah aku menjadi seorang Data Analyst? ===

''"Easy to say, tetapi bagaimana aku tahu apakah ini hal yang tepat untuk aku lakukan?"''

Jangan terlalu keras pada diri sendiri! Data analytics adalah untuk semua orang, tetapi mungkin untuk melihat apakah itu pilihan yang baik buat kamu, kamu bisa mencoba mengajukan pertanyaan sederhana ini kepada diri kamu sendiri:

* ''Apakah aku suka bekerja dengan angka?''

* ''Seberapa bersemangat kah aku untuk memecahkan masalah baru?''

* ''Apakah aku suka mempelajari hal-hal baru setiap hari?''

* ''Apakah aku suka berkomunikasi berdasarkan data?''

Jika jawaban kami atas pertanyaan di atas sebagian besar 'Ya', maka mungkin itu jalan yang tepat buatmu!

=== Dari mana ya aku bisa memulai? Step-by-step Menjadi Data Analyst ===

Secara keseluruhan, untuk menjadi seorang data analyst, tentu saja, dimulai dengan mempelajari skill yang dibutuhkan.

===== Pelajari dasar-dasar SQL dan pemrograman dalam R atau Python =====

Ada banyak referensi untuk belajar data analytics, seperti Datacamp, Dataquest, dan kursus pembelajaran online lainnya seperti di Coursera atau Ude.

Kamu bisa dengan mudah menemukan ''data analytics basics'' untuk memulai dan mendapatkan bayangan atau gambaran. Sisi positifnya adalah kamu bisa belajar kapan saja, di mana saja, dengan biaya yang lebih terjangkau. Sisi negatifnya adalah kamu tidak punya seseorang untuk memberitahumu metode mana yang terbaik atau tidak, atau apakah yang kamu sudah melakukan hal yang benar.

==== Mulai membangun proyek dan bergabung dengan komunitas data. ====

Kamu bisa menggunakan Repl.it atau Kaggle, menggunakan kumpulan data gratis mereka dan mengubahnya menjadi beberapa ''passion projects'' yang dapat kamu pamerkan di publik!

Kamu juga bisa bergabung dengan Komunitas Data, seperti Data Science Indonesia.

Kamu bisa bertemu dengan sesama calon data analyst atau data scientist untuk ngobrol, dan kadang mereka mempunyai proyek yang bisa juga kamu ikuti!

==== Baca dan ikuti blog atau artikel data analytics untuk terus update informasi. ====

Untungnya, ada banyak blog tentang data analytics seperti CIO atau Analytics Insight yang dapat kamu Google dengan mudah.

Kamu juga bisa mengikuti beberapa publikasi di Medium, seperti Analytics Vidhya dan Towards Data Science. Mereka membuat tulisan-tulisan keren dari tingkat pemula hingga menengah dan sangat up-to-date dengan tren saat ini.

Ide data analytics adalah sesuatu yang sangat adaptif dan cepat berubah. Sehingga, mampu untuk mengikuti apa yang terjadi di industri sangatlah penting!

==== Bergabunglah dengan Data Analytics Bootcamp ====

Sebenarnya, hal tersulit tentang mempelajari ''technical skills'' baru secara mandiri adalah tidak mempunyai seseorang untuk memberitahu kita kapan itu benar atau salah.

Penting sekali untuk mempunyai seseorang yang bisa memberitahumu apa yang harus dilakukan, karena terkadang akan sulit untuk kamu ketahui kalau kamu belajar secara otodidak.

== Part 6 - Ringkasan Data Analytics ==

Truth to be told, data analytics adalah sesuatu yang mencakup semua bidang studi dan pekerjaan.

Ke mana pun kamu pergi, percayalah, kamu akan dihadapkan dengan banyak data.

Bisa jadi kamu dihadapkan dengan data penjualan ketika kamu bekerja sebagai ''sales manager''. Bisa juga data marketing saat kamu sedang melakukan digital marketing.

Selain itu, bisa jadi kamu juga berhadapan dengan data produksi saat kamu bekerja di ''manufacturing''.

Kamu tidak akan bisa menjadi seorang pemimpin, kalau kamu tidak terbiasa menganalisis data dengan cepat untuk membuat keputusan.

Jadi, jika kita berbicara tentang ''value'', data analytics adalah sesuatu yang berharga untuk dipelajari dan dapat kamu bawa selama sisa karir atau kehidupan berbisnis kamu.

Memulai belajar data analytics sangatlah mudah. Data analytics mempunyai peluang besar untuk berkembang di market.

== Source ==

* [https://journal.revou.co/panduan-data-analytics/ revou.co]

@@ Line 281: / Line 281: @@
 The data can be qualitative such as interview results, or it can be quantitative, like the NPS (Net Promoter Score).
-Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the RevoU data analytics program.
+Conducting analysis for these experiments or hypothesis testing is also something that will be learned during the weeks in the Company data analytics program.
 === Pengumpulan data ===
@@ Line 307: / Line 307: @@
 Datanya bisa kualitatif seperti hasil wawancara, atau bisa juga kuantitatif seperti NPS (Net Promoter Score).
-Melakukan analisis untuk eksperimen atau pengujian hipotesis ini juga merupakan sesuatu yang akan dipelajari selama berminggu-minggu dalam program Data Analytics RevoU.
 === Persiapan & transformasi data ===
@@ Line 366: / Line 364: @@
 Kamu tidak dapat menghasilkan hasil yang baik kalau datanya '''garbage'' (sampah)'.
+[[File:Course RevoU Data Analytics 200647.png|center|thumb]]
+=== Data Analysis ===
+Setelah kamu mempersiapkan dan mendapatkan data yang bersih, saatnya kamu melakukan beberapa analisis data.
+Tergantung pada jenis data yang kamu peroleh dan masalah yang ingin kamu pecahkan, ada berbagai metode analisis yang dapat kamu lakukan.
+Kalau kamu melakukan analisis deskriptif, beberapa ''output''nya dapat berupa:
+* Dashboard KPI
+* Laporan pendapatan bulanan
+* Overview prospek penjualan
+Atau mungkin kamu melakukan analisis diagnostik untuk mengetahui 'mengapa'.
+Misalnya, startup SaaS perlu mengetahui aktivitas pemasaran mana yang meningkatkan jumlah ''free trials''.
+Pada dasarnya, ini adalah bagian di mana kamu melakukan pekerjaanmu untuk menganalisis data.
+Ada beberapa cara untuk menganalisis data, termasuk:
+* Causal Impact Analysis
+* Correlation Analysis
+* Regression Analysis
+* Cohort Analysis
+* Segmentation (Clustering, Decision Tree)
+* Time series & Forecasting
+Mari kita ambil contoh:
+Salah satu analisis terpenting saat bekerja dengan data pelanggan adalah cohort analysis.
+Cohort analysts sangat penting, terutama untuk Software as a Service (SaaS) atau perusahaan e-Commerce, karena menunjukkan bagaimana pelanggan berinteraksi dengan platform.
+Untuk membuat analisis kohort sederhana, kamu harus mempunyai input data per ''customer'', yang mencakup Join date pelanggan (tanggal saat pelanggan pertama kali masuk ke platform), Usia berdasarkan hari/bulan (yang merupakan pengurangan dari Calendar date dan Join date).
+Lihat tabel di bawah ini:
+[[File:Course RevoU Data Analytics 210647.png|center|thumb]]
+* Pada tabel ini, kamu bisa melihat bahwa Customer #105059, yang bergabung pada tanggal 8 Mei 2014, telah melakukan beberapa kali pembelian dan kita dapat menghitung usia berdasarkan hari sejak ia melakukan pembelian pertama.
+* Customer #106249 telah melakukan 2 pembelian, dan sisanya hanya melakukan pembelian satu kali pada tanggal mereka bergabung (Join date)
+* Kita dapat melihat bahwa Customer #105059 dan #106249 adalah pelanggan yang kembali, dan dengan analisis kohort, kita dapat melihat berapa banyak pelanggan yang kembali ke platform
+* Metrik- metrik ini penting bagi bisnis karena biaya retensi (mempertahankan) jauh lebih rendah daripada biaya untuk memperoleh pelanggan baru.
+Setelah memasukkan data, kamu dapat membuat ''pivot table'' sederhana untuk mempermudah cohort analysis.
+Alat yang dapat kamu gunakan di sini antara lain Excel atau Google Sheets, R, Python, SQL.
+[[File:Course RevoU Data Analytics 220647.png|center|thumb]]
+Banyak data analyst yang suka membersihkan data menggunakan Python terlebih dahulu, lalu mengekspornya ke Excel untuk melakukan analisis setelah data yang ada dibersihkan.
+Jadi kamu bisa menggunakan beberapa tools untuk melakukan ini!
+Proses pengajaran akan dilakukan secara end-to-end, sehingga ''student'' bisa melanjutkan ''learning journey'' mereka dari awal hingga akhir dengan melakukan cohort analysis dan lain-lain dengan tools yang berbeda.
+=== Visualisasi & komunikasi ===
+Ini adalah bagian paling menarik dari analisis data, visualisasikan datanya!
+Banyak orang mungkin meremehkan betapa pentingnya bagian ini untuk membuat keputusan berdasarkan data.
+Tapi, banyak yang tidak menyadari bahwa banyak data analyst yang lemah di bidang ini dengan tidak menempatkan diri mereka pada posisi ''stakeholder''.
+Inti dari analisis data adalah bagaimana menghasilkan ''insight'' melalui visualisasi yang dapat dengan mudah dipahami oleh para ''stakeholder''.
+''Tahukah kamu bahwa manusia memproses visual 60000x lebih cepat daripada teks?''
+''Neuroscientist'' dari MIT telah menemukan bahwa otak kita dapat memproses seluruh gambar yang dilihat mata hanya dalam 13 milidetik.
+Inilah betapa pentingnya visualisasi, terutama ketika kamu membutuhkannya untuk ''decision making!''
+[[File:Course RevoU Data Analytics 230647.png|center|thumb]]
+Ada banyak ''tool'' gratis yang tersedia saat ini, mulai dari Google Data Studio, Tableau Public, PowerBI, Qlik, Metabase, dan bahkan visualisasi cepat dengan Python dan R.
+Kamu juga bisa membuat 'dashboard' dengan Google Spreadsheet atau Excel sederhana.
+Untuk menunjukkan ''insight'' yang kamu dapat, kamu bisa menggunakan Google Slide, Powerpoint, atau Canva untuk membantu kamu mempresentasikan kepada para ''stakeholder''
+Bagian besar lain dari visualisasi data dalam pekerjaan analis data sehari-harinya adalah membuat ''dashboard''
+Apa itu ''dashboard''? Pada dasarnya, ''dashboard'' adalah representasi visual yang menunjukkan semua metrik penting untuk bisnis hanya dalam satu halaman.
+Biasanya, ''dashboard'' menampilkan ''real-time data'' bagi ''stakeholder'' untuk memantau kinerja dan KPI (Indikator Kinerja Utama) mereka.
+''Dashboard'' biasanya digunakan oleh Tim Business Intelligence untuk membagikan laporan kepada ''stakeholder'' tertentu, seperti ''dashboard'' keuangan ke departemen keuangan, CFO, dan CEO.
+Kadang, mereka juga dibuat untuk eksperimen atau kampanye tertentu untuk memantau performa.
+== Part 5 - Karir di Data Analytics ==
+=== Apa Tipikal Career Path Data Analyst? ===
+Ini adalah pertanyaan umum ketika kamu ingin mempelajari lebih lanjut tentang data analytics.
+Untuk memudahkannya, ada beberapa area yang bisa kamu lihat dari tabel di bawah ini.
+[[File:Course RevoU Data Analytics 240647.png|center|thumb]]
+Karena sifat dari Data Analytics adalah ''versatile'' atau “serbaguna”, kamu sangat bisa untuk menyusun ''career-path'' mu sendiri dengan mudah. Singkatnya, ini ringkasannya:
+* Kalau kamu memutuskan untuk mengembangkan soft skill kamu, kamu dapat dipromosi dan menjadi ''Head of Data'' atau bahkan ''Chief Data Officer.''
+* Kalau kamu memutuskan untuk mengembangkan hard skill kamu, kamu bisa menjadi Data Scientist atau Artificial Intelligence and Machine Learning Engineer.
+* Kalau kamu memutuskan untuk pindah industri dengan ''role'' yang sama yaitu Data Analyst, pengetahuannya sangat fleksibel untuk diterapkan di sektor lain.
+* Kalau kamu memutuskan untuk pindah ''role,'' kamu bisa beralih karir ke posisi lain seperti ''product, marketing, finance,'' karena banyak posisi lain yang membutuhkan orang yang kuat di bidang analisa data.
+* Jadilah konsultan data di perusahaan konsultan, lakukan ''freelance'', atau bangun perusahaan konsultan mu sendiri!
+* Kalau kamu punya jiwa entrepreneur, jadilah CEO atau Pemilik Bisnis berbasis data. Pemahaman tentang analisis data sangat dibutuhkan ketika dihadapkan pada keputusan yang sulit untuk diambil sebagai seorang entrepreneur.
+Jadi, tidak ada jawaban yang salah untuk menjadi seorang data analyst. Jenjang karir panjang yang bisa kamu pilih ada di tangan kamu sendiri.
+=== Berapa banyak penghasilan yang bisa aku dapatkan? ===
+Ini adalah pertanyaan bagus.
+Mari kita lihat kondisi di Indonesia (membandingkan beberapa pertanyaan yang diajukan pada 2020-2021).
+Bisa dibilang kita bisa membedahnya menjadi tiga langkah: entry-level, mid-level dan senior-level.
+Entry-level berarti data analyst biasanya berasal dari ''fresh graduate'', terutama menggunakan Excel, SQL, visualisasi data dengan Power BI, dan beberapa alat lainnya: 8–15 juta. (Sumber: Qerja.com)
+Mid-level berarti data analyst yang juga memahami bisnis dan dapat menggunakan bahasa pemrograman seperti R/SQL/Python (dengan asumsi pengalaman 2-4 tahun).
+Mungkin ini gaji yang akan kamu dapat kalau kamu mahir dan bekerja di perusahaan teknologi ala unicorn: 15–25 juta.
+Senior-level berarti kamu dapat menggunakan bahasa pemrograman dan memahami bisnis serta bisa memimpin tim ''analyst'' lain.
+Tentu saja, ini tergantung pada seberapa besar masing-masing perusahaan. Dari riset kepada beberapa manajer HR, dalam 3-6 tahun pengalaman kerja di bidang data, kamu bisa mendapatkan gaji sebesar ini: 25–35 juta.
+Cukup bagus, kan? Dan dengan fakta bahwa unicorn 'mencuri' talenta satu sama lain, keberadaan talenta data sangatlah langka.
+=== Haruskah aku menjadi seorang Data Analyst? ===
+''"Easy to say, tetapi bagaimana aku tahu apakah ini hal yang tepat untuk aku lakukan?"''
+Jangan terlalu keras pada diri sendiri! Data analytics adalah untuk semua orang, tetapi mungkin untuk melihat apakah itu pilihan yang baik buat kamu, kamu bisa mencoba mengajukan pertanyaan sederhana ini kepada diri kamu sendiri:
+* ''Apakah aku suka bekerja dengan angka?''
+* ''Seberapa bersemangat kah aku untuk memecahkan masalah baru?''
+* ''Apakah aku suka mempelajari hal-hal baru setiap hari?''
+* ''Apakah aku suka berkomunikasi berdasarkan data?''
+Jika jawaban kami atas pertanyaan di atas sebagian besar 'Ya', maka mungkin itu jalan yang tepat buatmu!
+=== Dari mana ya aku bisa memulai? Step-by-step Menjadi Data Analyst ===
+Secara keseluruhan, untuk menjadi seorang data analyst, tentu saja, dimulai dengan mempelajari skill yang dibutuhkan.
+===== Pelajari dasar-dasar SQL dan pemrograman dalam R atau Python =====
+Ada banyak referensi untuk belajar data analytics, seperti Datacamp, Dataquest, dan kursus pembelajaran online lainnya seperti di Coursera atau Ude.
+Kamu bisa dengan mudah menemukan ''data analytics basics'' untuk memulai dan mendapatkan bayangan atau gambaran. Sisi positifnya adalah kamu bisa belajar kapan saja, di mana saja, dengan biaya yang lebih terjangkau. Sisi negatifnya adalah kamu tidak punya seseorang untuk memberitahumu metode mana yang terbaik atau tidak, atau apakah yang kamu sudah melakukan hal yang benar.
+==== Mulai membangun proyek dan bergabung dengan komunitas data. ====
+Kamu bisa menggunakan Repl.it atau Kaggle, menggunakan kumpulan data gratis mereka dan mengubahnya menjadi beberapa ''passion projects'' yang dapat kamu pamerkan di publik!
+Kamu juga bisa bergabung dengan Komunitas Data, seperti Data Science Indonesia.
+Kamu bisa bertemu dengan sesama calon data analyst atau data scientist untuk ngobrol, dan kadang mereka mempunyai proyek yang bisa juga kamu ikuti!
+==== Baca dan ikuti blog atau artikel data analytics untuk terus update informasi. ====
+Untungnya, ada banyak blog tentang data analytics seperti CIO atau Analytics Insight yang dapat kamu Google dengan mudah.
+Kamu juga bisa mengikuti beberapa publikasi di Medium, seperti Analytics Vidhya dan Towards Data Science. Mereka membuat tulisan-tulisan keren dari tingkat pemula hingga menengah dan sangat up-to-date dengan tren saat ini.
+Ide data analytics adalah sesuatu yang sangat adaptif dan cepat berubah. Sehingga, mampu untuk mengikuti apa yang terjadi di industri sangatlah penting!
+==== Bergabunglah dengan Data Analytics Bootcamp ====
+Sebenarnya, hal tersulit tentang mempelajari ''technical skills'' baru secara mandiri adalah tidak mempunyai seseorang untuk memberitahu kita kapan itu benar atau salah.
+Penting sekali untuk mempunyai seseorang yang bisa memberitahumu apa yang harus dilakukan, karena terkadang akan sulit untuk kamu ketahui kalau kamu belajar secara otodidak.
+== Part 6 - Ringkasan Data Analytics ==
+Truth to be told, data analytics adalah sesuatu yang mencakup semua bidang studi dan pekerjaan.
+Ke mana pun kamu pergi, percayalah, kamu akan dihadapkan dengan banyak data.
+Bisa jadi kamu dihadapkan dengan data penjualan ketika kamu bekerja sebagai ''sales manager''. Bisa juga data marketing saat kamu sedang melakukan digital marketing.
+Selain itu, bisa jadi kamu juga berhadapan dengan data produksi saat kamu bekerja di ''manufacturing''.
+Kamu tidak akan bisa menjadi seorang pemimpin, kalau kamu tidak terbiasa menganalisis data dengan cepat untuk membuat keputusan.
+Jadi, jika kita berbicara tentang ''value'', data analytics adalah sesuatu yang berharga untuk dipelajari dan dapat kamu bawa selama sisa karir atau kehidupan berbisnis kamu.
+Memulai belajar data analytics sangatlah mudah. Data analytics mempunyai peluang besar untuk berkembang di market.
+== Source ==
+* [https://journal.revou.co/panduan-data-analytics/ revou.co]