Roadmap Menjadi Data Analyst Untuk Beginner

Sebelum menjadi Data Analyst, ada beberapa persediaan yang saya kena buat. Kat luar sana, ada bermacam-macam nasihat dan tips yang membuatkan saya rasa keliru. Bila baca di internet, setiap orang bagi nasihat yang berbeza. Ada yang cadangkan belajar Python dulu untuk jadi data analyst, ada yang kata ambil Master dan ada juga yang percaya sijil Google Data Analytics sudah mencukupi. Akhirnya, orang yang baru nak mula ni tertanya-tanya… "sebenarnya saya kena start kat mana dulu?"

Akhirnya, saya sendiri jadi keliru dan tertanya-tanya… roadmap mana yang betul?

Saya pernah jumpa content dari orang yang berpengalaman dalam bidang data. Mereka faham sangat perasaan 'tertanya²' sebab dulu mereka sendiri pernah bazirkan masa berbulan-bulan fokus pada perkara yang salah. Mereka belajar R, sedangkan kebanyakan majikan mencari orang yang ada skill SQL. Mereka bina projek yang mereka rasa bagus, tapi rupanya tak memberi value kepada majikan.

Dalam episod-2 ini, saya nak kongsikan roadmap yang betul-betul boleh bawa kepada pekerjaan sebagai Data Analyst berdasarkan nasihat daripada mereka yang berpengalaman. Lepas itu, saya juga akan kongsikan pelan tindakan 6 bulan, langkah demi langkah, yang mereka gunakan dan boleh mula dibuat dari sekarang tanpa perlu keluarkan duit.

Perangkap “Ijazah Sarjana”

Masa mula-mula saya explore dunia data, saya pun terpengaruh dengan blog artikel yang mengatakan "Kerjaya data science adalah pekerjaan paling seksi abad ke-21” oleh Harvard Business Review. Sejak itu, kebanyakan orang macam berlumba-lumba nak masuk bidang ini. Universiti pun ambil peluang tawarkan bermacam-macam jenis program data science dan data analytics.

Bila saya semak statistik, saya sendiri terkejut. Jumlah permintaan melanjutkan ijazah dalam bidang data ni meningkat lebih 700%, dan hampir 70% adalah ijazah sarjana.

Di sinilah saya mula nampak satu perangkap. Saya pun terfikir:

“Kalau ambil master, senanglah nak dapat kerja sebagai data scientist dan gaji pun besar.”

Hakikatnya, jawatan data scientist pada peringkat permulaan selalunya perlukan pengalaman STEM bertahun-tahun, ada yang minta PhD dan kita yang baru nak join ni, kena sedar yang kita ni terlalu junior. Tak boleh terus jadi data scientist.

Akhirnya, ramai yang buat keputusan lebih realistik… fokuskan pada jawatan Data Analyst dulu, asalkan dapat masuk industri data ini.

Tapi di sinilah yang membuatkan saya sedar dengan "perangkap kedua" pula.

Ijazah sarjana banyak ajar:

• teori
• algoritma
• model yang kompleks

Sedangkan kerja sebenar Data Analyst setiap hari guna:

• SQL
• Excel
• pembersihan data yang bersepah
• Tableau / Power BI
• dan penceritaan data untuk orang bisnes

Akhirnya terjadilah satu situasi yang pelik:

“Atas kertas nampak hebat, tapi bila nak buat kerja sebenar masih nampak tak yakin.”

Sebagai newbie yang tengah belajar, bahagian ni betul-betul membuka mata saya yang betapa pentingnya membina portfolio dan timba pengalaman sebenar dari awal. Ini sebagai bukti untuk tunjukkan kemampuan diri kita.

Kenapa Roadmap Tradisional Selalunya Gagal

Saya sendiri perasan, roadmap tradisional(ambil Master dulu, baru cuba apply kerja) ada beberapa masalah besar:

• Terlalu lambat

Kemahiran teknologi berubah terlalu pantas. Contohnya, permintaan untuk kemahiran AI meningkat 104% dalam setahun!

Tapi silibus universiti ambil bertahun-tahun untuk dikemas kini. Bila kita grad, kadang-kadang apa yang dipelajari dah jadi “sejarah lama”.

• Pengambilan kerja tak kisah sangat tentang degree

Menurut tinjauan 2024, 69% pengurus pengambilan kerja lebih utamakan pengalaman relevan daripada ijazah. Mereka nak tengok apa yang kita boleh buat, bukan sekadar di mana kita belajar. Jadi, bagi newbie macam saya, portfolio yang kukuh sebenarnya lebih penting daripada sijil atau degree.

Roadmap 6 Bulan Untuk Jadi Data Analyst

Sebagai seorang newbie, saya perlukan guide atau inspirasi dari orang yang berpengalaman. Cari punya cari, saya junpa artikel seseorang yang pada awalnya adalah penghantar pizza dan mula jana gaji enam angka sebagai Data Analyst. Proses beliau untuk menjadi Data Analyst mengambil masa dalam 4 hingga 6 bulan je, bukannya 2 tahun, dan tanpa hutang.

Mari saya kongsikan apa yang beliau lakukan.

Bulan 1: Kuasai Excel & Cara Berfikir Sebagai Analyst

Excel memang nampak biasa dan tak glamour. Tapi realitinya, Excel diperlukan lebih 50% jawatan entry-level Data Analyst, hampir sama penting dengan SQL. Jadi, saya tak boleh elak step ni.

Apa saya kena fokus pada bulan pertama:

• Pivot Tables: Cara paling cepat untuk ringkaskan dan analisis data.
• Lookup Functions: VLOOKUP, XLOOKUP, INDEX MATCH. Kemahiran asas untuk tarik data dari satu tempat ke tempat lain.
• Conditional Formatting: Supaya data mudah dilihat dan diimbas dengan cepat.
• Power Query: Senjata rahsia untuk pembersihan data automatik, jimat banyak masa.
• Statistik Asas: Min, median, mod, sisihan piawai, dan cara kenal pasti outliers.

Sepanjang Bulan Pertama:

1. Ambil satu set data yang bersepah dan bersihkan.
2. Analisis data tu menggunakan pivot tables.
3. Buat kesimpulan daripada data.

Tip penting: Kalau belum boleh buat dengan yakin, jangan lompat ke bulan seterusnya. Ini adalah asas yang sangat penting untuk bulan-bulan seterusnya.

Bulan 2: Belajar Data Storytelling dan Data Visualization

Bulan yang kedua ni saya akan utamakan skill yang ramai gagal kuasai… iaitu Data Storytelling.

Kenapa penting?

Penting sebab 69% majikan sekarang menganggap data storytelling sebagai kemahiran yang penting. Ramai orang boleh buat chart, tapi banyak yang tak tahu bagaimana menggunakan data sebagai bukti mendapatkan keputusan yang tepat.

Kena faham perbezaan antara Data Visualization dan Data Storytelling:

• Data Visualization: Tukar spreadsheet kepada carta bar. Nampak cantik, tapi hanya visualisasi(gambaran) semata-mata.
• Data Storytelling: Menyusun dan mengolah data menjadi satu penjelasan yang menarik. Tujuannya? Nak bagi bos/klien kita nampak apa yang penting dan apa yang perlu diubah.

Apa saya fokus bulan ni?

• Clarity Principle: Setiap carta mesti ada satu mesej utama. Kalau orang tengok carta dan tak faham mesej, saya gagal. Setiap graf atau carta yang kita buat tu, bila orang tengok, dia terus faham apa poin utama. Jangan masukkan banyak sangat maklumat sampai jadi keliru. Satu carta, satu mesej penting.
• Color Theory: Warna bukan hiasan… gunakan untuk tunjuk fokus, highlight yang penting. Jangan guna warna sesuka hati. Warna tu bukan untuk cantikkan graf, tapi sebagai penunjuk (cue). Gunakan warna yang terang untuk highlight apa yang paling penting, dan guna warna lembut untuk latar belakang.
• Reduce Clutter / Data-Ink Ratio: Simple is better. Buang semua benda yang tak perlu dalam graf seperti garisan grid (garis petak-petak di belakang), sempadan tebal, atau label yang bertindih. Kita nak insight tu yang menonjol, bukan serabut-serabut yang mengganggu.
• Pilih Carta Yang Tepat (Choosing the Right Chart): Carta bar, garis, scatter plot… masing-masing ada tujuan berbeza. Contohnya, Guna Bar Chart untuk bezakan kategori. Guna Line Chart untuk tengok trend dari semasa ke semasa. Guna Scatter Plot untuk lihat hubungan antara dua benda. Jangan salah guna!
• Bacaan Wajib: Buku ‘Storytelling with Data’. Buku ini sangat penting! Ia mengajar cara menyampaikan data secara berkesan. Disarankan baca dua kali untuk betul-betul serap prinsipnya. Banyak praktikal tips yang boleh terus apply.

Sepanjang Bulan ke-2:

1. Ambil mana-mana set data dan buat visualisasi yang jelas.
2. Visual yang diperoleh mesti boleh “bercakap” sendiri sampai orang lain faham mesej yang disampaikan tanpa perlukan saya terangkan apa-apa.
3. Fokus pada clarity principle, warna, reduce clutter dan pilih jenis carta yang tepat supaya mudah difahami.

Bulan 3: SQL... Bahasa Data

Bulan ketiga ni, saya fokus pada SQL iaitu ilmu yang tak boleh diabaikan kalau nak kerja sebagai Data Analyst. Kita kena sedar, kalau tak boleh tulis SQL, susah nak dapat kerja. 

Dalam kajian terhadap iklan kerja data analyst / related jobs, SQL disebut sebanyak ~56.6% berbanding Python ~31.5% dalam iklan jawatan kosong. Permintaan skill menggunakan SQL lebih tinggi, hampir 1.8 kali ganda daripada permintaan menggunakan skill Python.

Apa yang saya fokus bulan ni:

• Basic Queries: SELECT, FROM, WHERE, GROUP BY, ORDER BY tarik data (pull data), tapis (filter), dan susun (sort) tanpa perlu fikir panjang.
• Joins: INNER JOIN, LEFT JOIN gabungkan data dari pelbagai table. Sebagai beginner, lupakan RIGHT JOIN dulu sebab part ini agak mengelirukan.
• Aggregations: COUNT, SUM, AVG, MIN, MAX untuk meringkaskan data dan menjawab soalan perniagaan seperti purata jualan atau jumlah pelanggan.
• CTE (Common Table Expressions): CTE ni macam subquery yang diberi nama di bahagian atas query. Digunakan untuk menulis kod SQL yang lebih clean, mudah dibaca (readable), dan terstruktur. Saya kena tahu bila nak guna CTE berbanding Subquery biasa.
• Window Functions: ROW_NUMBER, RANK, LAG, LEAD, running totals…yang merupakan kemahiran intermediate to advanced. Ini biasanya akan diuji dalam technical interview untuk role jawatan gaji yang lebih tinggi. Kuasai benda ni, kita akan stand out!
• CASE Statements: Conditional logic dalam query untuk handle kategori berlainan. Kita guna CASE statement ni bila kita nak suruh SQL buat keputusan. Contohnya, kalau jualan lebih RM100, labelkan sebagai 'Jualan Tinggi'. Kalau kurang, label 'Jualan Rendah'. Pendek kata, ia adalah cara kita mencipta kategori baharu atau aplikasikan peraturan tertentu pada data sedia ada.

Sepanjang Bulan ke-3:

1. Tulis complex SQL queries dengan yakin.
2. Kalau ditanya pasal Window Function atau CTE, saya boleh terangkan dengan jelas.
3. Banyak buat latihan di platform macam Data Lemur, tapi pilih soalan yang susah sikit. Ini yang akan membuatkan saya lebih bersedia.

Peringatan: Sebagai Data Analyst, SQL lagi penting daripada Python untuk peranan entry-level.

Bulan 4: Membina Dashboard dalam Tableau atau Power BI

Sekarang, kita ambil semua yang kita dah belajar… Excel, Data Storytelling, dan cara query data guna SQL. Kemudian, kita aplikasikan semuanya dalam satu software khusus yang dipanggil Business Intelligence (BI) tool. 

BI tools macam Tableau atau Power BI adalah platform yang mengambil data yang sudah dianalisis (menggunakan SQL), dan menukarkannya menjadi dashboard interaktif dan visual yang menarik. Inilah cara syarikat besar berkomunikasi dengan menggunakan data insights kepada decision makers.

Pilih satu tool (Tableau atau Power BI) dan masukkan semua prinsip data storytelling dari Bulan 2 ke dalamnya. Power BI secara rasmi mengatasi Tableau (29% vs 26% permintaan kerja). Tetapi prinsipnya adalah sama, kita hanya perlu pilih sahaja satu.


Apa yang saya fokus bulan ni:

• Jangan hanya fokus belajar fungsi software. Perkara yang paling penting ialah mengaplikasikan semua prinsip Data Storytelling yang dipelajari pada Bulan ke-2. Tool hanyalah perantara.

• Dashboard BUKAN Data Dump: Dashboard yang bagus bukan sekadar meletakkan semua graf dan data serentak (data dump). 

Dashboard mestilah:

• Menjawab SATU soalan perniagaan dengan jelas (Contoh: "Mengapa jualan jatuh bulan lepas?").
• Membimbing mata penonton terus kepada insight dan bukannya memaksa mereka mencari sendiri.

Sepanjang Bulan ke-4:

1. Bina sekurang-kurangnya dua dashboard yang kemas dan profesional.
2. Pastikan Dashboard bukan sekadar cantik, tapi mesti mudah difahami dan menjawab soalan yang diberikan.
3. Dashboard yang sudah siap boleh dijadikan aset untuk ditunjukkan kepada hiring manager ketika apply kerja.

Bulan 5: Membina Portfolio dan Personal Branding

Berdasarkan artikel di atas, 78% hiring manager sanggup mengambil calon tanpa ijazah yang relevan jika mereka mempunyai portfolio yang menunjukkan kemahiran teknikal yang tepat. Kemungkinan pada masa depan, portfolio boleh menggantikan ijazah!

Apa yang saya fokus bulan ni:

• Portfolio (3-4 Projek Wajib)

Saya perlu membuat projek yang menyelesaikan masalah perniagaan sebenar dalam industri yang saya minati (cth: e-commerce, kesihatan, kewangan).
Kenapa? Sebab kabanyakan company tidak berminat dengan projek template yang semua orang buat (seperti menganalisis data filem Netflix atau kapal Titanic). Mereka nak lihat kita boleh selesaikan masalah sebenar.

• Dashboard

Bukti yang kita boleh menggunakan alat BI (Tableau / Power BI).

1. Slide Deck- Gaya Perundingan: Ini adalah kemahiran Data Storytelling (rujuk Bulan ke-2).
2. Pyramid Principle: Utamakan memberi jawapan. Jangan bebel dulu. Mulakan persembahan dengan: "Syarikat kita rugi RM5K sebab..."

1. Action Title: Jangan letak tajuk umum.
   Contohnya, gantikan tajuk "Jualan mengikut Wilayah" dengan "Jualan Pantai Barat turun 15% akibat kelewatan rantaian bekalan" (Ini dapat menjelaskan apa yang berlaku dan kenapa, serta apa yang perlu dibuat.)

• Resume

Yang penting, jangan lupa menulis impak kerja. Jangan hanya menulis apa yang kita buat.
Contohnya:
Salah: “Analisis data jualan menggunakan Excel.” ❌
Betul: “Menganalisis data jualan dan mencadangkan strategi promosi yang meningkatkan jualan 20%.” ✅

Nampak beza, kan? Yang pertama, cuma berikan hasil kerja yang umum. Yang kedua, menunjukkan hasil sebenar yang kita sumbang… itu yang majikan nak tengok.

Selain itu, saya akan letakkan skill di resume (SQL, Tableau, Excel dan lain-lain) supaya hiring manager terus nampak apa yang saya boleh buat sebelum tengok pengalaman kerja yang lain.

• LinkedIn

Tahukah anda, perekrut hanya meluangkan masa purata 7 SAAT sahaja untuk tengok profil LinkedIn kita? Jadi, kalau profil nampak tak menarik dalam masa 7 saat tu, mereka akan terus skip.

• Pastikan Headline tunjukkan Value 

Jangan tulis biasa-biasa macam:
“Mencari peluang sebagai Data Analyst.” ❌

Sebaliknya, tulis dengan jelas dan terus tunjuk apa value kita:
“Data Analyst | Turn Raw Data into Growth Strategies | SQL, Tableau, Data Storytelling.” ✅.” ✅

Dengan membuat headline macamni, perekrut akan tahu apa yang kita boleh buat dan kenapa mereka patut ambil tahu tentang kita.

Sepanjang Bulan ke-5:

1. Portfolio lengkap: Pastikan ada 3–4 projek yang betul-betul mantap dan tunjuk kemampuan analitik sebenar.
2. Resume yang tunjuk hasil: Bukan sekadar senaraikan tugas, tapi tunjuk real impact daripada projek atau pengalaman.
3. Profil LinkedIn menarik perhatian: Dalam 7 saat pertama, perekrut mesti nampak value yang saya sampaikan. Selain itu, headline kena jelas, paparkan  portfolio atau projek dan berikan summary kisah journey saya.

Bulan 6: Cipta Experience dan Jual Diri

Ini adalah bulan terakhir dan step yang paling penting sebab ini yang akan membezakan saya dengan job seeker yang lain.

Apa yang saya fokus bulan ni:

1. Cipta Pengalaman Sendiri (Create Your Own Experience)

• Ramai orang terperangkap dalam dilema "Nak kerja kena ada pengalaman, nak pengalaman kena ada kerja." Jangan tunggu, buatlah sekarang!
• Tawarkan Analytis Support secara Percuma: Cari perniaga kecil atau content creator (YouTuber, e-commerce stores) yang ada banyak data tapi tak tahu nak buat apa dengan data mereka. Tawarkan kepada mereka 30 hari analytic support secara percuma.
• Buat kerja macam consultant: Kick-off call, ambil data mereka, clean data, bina dashboard, dan beri cadangan.

Hasilnya:

• Case Study yang polished.
• Testimonial yang kuat.
• Boleh letakkan "Perunding Analitik (Analytic Consultant)" di resume nanti. Ini adalah pengalaman sebenar dengan real impact, bukan hanya projek buku semata-mata.

2. Craft Your Story

• Personal Pitch: Lebih separuh daripada hiring managers kata personal pitch yang bagus (story) bmembuatkan calon tu stand out.
• Guna Kaedah STAR: Gunakan formula Situation, Task, Action, Result untuk menyusun setiap pengalaman kerja menjadi kisah yang fokus pada data.
  Contoh: Kalau dulu seorang guru, ceritakan tentang analisis data pelajar untuk tingkatkan markah. Kalau pernah kerja retail, ceritakan trend jualan untuk optimalkan stok
• Sediakan Elevator Pitch: Sediakan jawapan yang padat dalam jangkamasa 30 saat untuk soalan: "Kenapa kami perlu ambil anda?". Jawapan mesti jelas, ringkas dan menunjukkan value yang dibawa.

Sepanjang Bulan ke-6:

1. Ciptakan pengalaman sendiri
Cabaran: Sebagai newbie, saya tiada pengalaman kerja Data Analyst. Jadi, saya kena ciptakan pengalaman sendiri melalui projek sebenar bersama perniaga kecil atau content creator.
Goal: Hasilkan case study, dashboard, dan cadangan yang boleh ditunjukkan dalam resume.

2. Terangkan dengan jelas ketika temuduga
Cabaran: Saya mesti tahu cara menyampaikan kisah pengalaman saya supaya majikan faham value saya.
Goal: Gunakan Kaedah STAR dan sediakan elevator pitch selama 30 saat.

3. Ada keyakinan untuk mula memohon kerja sebagai Data Analyst
Cabaran: Ramai newbie rasa tak cukup pengalaman atau takut interview.
Goal: Dengan portfolio yang lengkap dan penyampaian yang jelas, keyakinan untuk mula apply kerja akan muncul.

Itulah roadmap untuk menjadi Data Analyst sebagai seorang beginner. Pertama sekali, jangan takut nak belajar perkara basic seperti SQL dan Excel dulu. Lepas tu, boleh explore Python dan visualisasi data. Yang paling penting, buat portfolio... tunjuk projek yang kita buat sebab recruiter sekarang lebih suka tengok apa yang kita boleh buat daripada sekadar sijil atau ijazah. 

Oh, dan LinkedIn tu jangan pandang ringan, sebab mereka biasanya cuma tengok profil kita dalam beberapa saat je! Kalau semua ni kita buat langkah demi langkah, InsyaAllah kita pun akan rasa bersedia untuk menjadi Data Analyst yang confident. Semuanya boleh kalau kita konsisten dan enjoy proses belajar ni.