CV Data Analyst: Tools, Dampak Bisnis, Proyek, dan Contoh Lengkap

CV data analyst yang kuat dengan cepat menunjukkan dua hal: tools yang benar-benar Anda kuasai dan keputusan yang berubah karena analisis Anda. Letakkan judul yang jelas dan tools utama di bagian atas, seperti SQL, Python, dan Power BI atau Tableau. Lalu tulis poin yang menghubungkan pertanyaan, metode, dan hasil bisnis. Satu halaman cocok untuk pemula, dan dua halaman untuk yang berpengalaman. Jika pengalaman masih sedikit, satu atau dua proyek yang dijelaskan dengan baik dapat menjadi penggantinya. Panduan ini ditujukan bagi data analyst, BI analyst, product analyst, fresh graduate, dan mereka yang berpindah karier, dengan contoh sebelum dan sesudah serta CV lengkap.

Mulailah dengan spesialisasi dan tools

Tulis judul yang tepat di bawah nama Anda: “Data Analyst | SQL, Tableau, Python”. Lanjutkan dengan ringkasan singkat tentang sektor, jenis data, dan satu hasil yang kuat. Kata seperti “teliti” dan “analitis” tidak banyak membantu tanpa bukti.

Sebelum: Analis teliti yang senang bekerja dengan data.

Sesudah: Data analyst berpengalaman 4 tahun di e-commerce. Membangun model SQL dan dashboard Tableau untuk 3 departemen, dan memimpin analisis harga yang memperbaiki margin sebesar 6%.

Tunjukkan kedalaman, bukan hanya nama tools

Banyak lowongan meminta SQL, alat visualisasi, dan sering kali Python. Namun, menulis “SQL” saja tidak banyak bercerita. Tunjukkan apa yang Anda lakukan dengannya: join, window function, optimasi query, atau model data. Kedalaman lebih bernilai daripada daftar panjang. Baca panduan keterampilan CV.

• SQL: BigQuery, PostgreSQL, atau SQL Server; join, CTE, dan window function.
• BI: Tableau, Looker Studio, atau Power BI dengan DAX.
• Python atau R: pandas, pembersihan data, notebook, dan otomasi.
• Excel: Power Query, pivot table, dan pemodelan.
• Metode: A/B testing, analisis kohort, peramalan, dan segmentasi.

Dukung setiap tool utama dengan bukti pada bagian pengalaman: jumlah tabel, volume data, atau jumlah pengguna. Sertifikat dan kursus membantu, tetapi tidak menggantikan bukti kerja.

Hubungkan analisis dengan keputusan

Perusahaan lebih peduli pada keputusan yang didukung daripada kerumitan metodenya. Ikuti pola ini: keputusan siapa, apa yang dianalisis, lalu apa yang terjadi. Gunakan pola tindakan dan hasil. Angka berikut hanya contoh; tulis hanya yang dapat Anda jelaskan.

Sebelum: Membuat laporan penjualan mingguan.

Sesudah: Mengganti laporan manual dengan dashboard Tableau yang digunakan 30 orang, menghemat 6 jam kerja per minggu dan memberi manajer data pada hari yang sama.

Sebelum: Menganalisis data pelanggan.

Sesudah: Analisis kohort dengan SQL dan Python menemukan penurunan pada bulan kedua; perubahan onboarding berikutnya menaikkan retensi 4 poin.

Sebelum: Menjalankan A/B test.

Sesudah: Merancang dan menganalisis 12 A/B test pada checkout, menghentikan 2 perubahan yang merugikan, dan mendukung perubahan yang menaikkan konversi 3%.

Sebelum: Membersihkan data.

Sesudah: Mengotomatiskan pemeriksaan kualitas data 40 tabel dengan Python, mengurangi kesalahan laporan dan memangkas rekonsiliasi bulanan dari 2 hari menjadi 3 jam.

Jika tidak dapat menyebut dampak pendapatan, tulis siapa yang menggunakan pekerjaan Anda dan apa yang berubah bagi mereka. Waktu yang dihemat, penggunaan, akurasi, dan kesalahan yang dicegah juga merupakan hasil. Jujurlah soal atribusi: tulis “mendukung” jika hasilnya merupakan kerja tim.

Gunakan proyek dengan baik

Proyek sangat penting jika Anda berpindah karier atau minim pengalaman. Pilih satu atau dua yang terbaik, bukan semua latihan kursus. Pertanyaan nyata yang Anda minati lebih menarik daripada latihan umum dengan data yang dipakai semua orang.

• Pertanyaan: apa yang ingin diketahui dan mengapa penting.
• Data: sumber, ukuran, dan cara membersihkannya.
• Metode dan tools: pekerjaan yang dilakukan.
• Temuan: kesimpulan dan rekomendasi yang jelas.
• Tautan: GitHub, Tableau Public, atau dashboard yang berfungsi.

Sesuaikan dengan posisi dan pengalaman

• Keuangan dan industri: Excel, Power BI, peramalan, dan pelaporan.
• Digital dan produk: SQL, Python, eksperimen, funnel, dan data event.
• Fresh graduate: pendidikan, magang, bootcamp, dan proyek. Lihat CV tanpa pengalaman.
• Pindah karier: gabungkan pengetahuan bidang lama dengan keterampilan baru; baca panduan pindah karier.
• Senior: strategi data, definisi bersama, mentoring, dan pengaruh pada keputusan pimpinan.

Gunakan nama tools dari lowongan jika memang benar, dan periksa dengan kata kunci menurut industri. Jika menulis kode produksi, baca juga panduan software engineer.

Contoh singkat dan lengkap

Orang dan angkanya fiktif, tetapi formatnya bisa digunakan kembali.

Nadia Lestari | Data Analyst | SQL, Tableau, Python | Jakarta | Telepon | Email | LinkedIn | github.com/contoh

Ringkasan: Data analyst berpengalaman 4 tahun di e-commerce, mengubah data pelanggan dan penjualan menjadi keputusan harga dan retensi.

Pengalaman: Data Analyst, PT Niaga Digital, 2022 – sekarang. Dashboard untuk 30 pengguna di 3 departemen, hemat 6 jam per minggu. Analisis harga, margin membaik 6%. 12 A/B test.

Junior Analyst, PT Wawasan Data, 2020 – 2022. Model SQL pada 40 tabel. Pemeriksaan otomatis, rekonsiliasi dari 2 hari menjadi 3 jam.

Keterampilan: SQL (BigQuery), Tableau, Python (pandas), Excel. Pendidikan: S1 Statistika, Universitas Gadjah Mada, 2020. Bahasa Inggris: mahir.

Kesalahan umum

• Mencantumkan tools tanpa bukti penggunaan.
• Menjelaskan laporan tanpa menyebut penggunanya.
• Mengklaim hasil seluruh perusahaan sebagai hasil sendiri.
• Membagikan data rahasia atau data pelanggan.
• Menampilkan proyek tanpa kesimpulan.
• Salah angka, yang sangat merugikan bagi seorang analis.

Kesimpulan

Sebelum melamar, pastikan judul, tools utama, dan tiga hasil yang terkait keputusan ada di bagian atas halaman pertama, lalu baca ulang setiap angka. Panduan CV profesional dapat membantu menyusun format.