Contoh Portofolio Data Analyst + Project Real yang Dilirik Recruiter (2026)

Tulisan “mahir SQL” tidak menjelaskan apakah kamu bisa memilih grain tabel, menangani nilai kosong, menghindari double counting, atau menerjemahkan query menjadi jawaban bisnis. Project real membuat semua kemampuan itu terlihat dalam satu cerita.

Recruiter juga bisa menilai cara kamu berkomunikasi. Analyst yang bagus tidak berhenti di korelasi atau chart cantik; ia menjelaskan apa yang berubah, mengapa itu penting, tindakan apa yang direkomendasikan, dan risiko apa yang perlu diperiksa sebelum keputusan dibuat.

Kamu tidak membutuhkan data rahasia perusahaan. Dataset Kaggle, data.go.id, BPS, Google Trends, atau API publik cukup, selama business question-nya spesifik dan prosesmu dapat diikuti ulang.

Pilih dua atau tiga project yang paling dekat dengan industri incaranmu. Lebih baik punya tiga analisis tuntas daripada sepuluh notebook setengah jadi. Lima contoh berikut mencakup problem bisnis, data, tools, proses, insight, dan rekomendasi yang perlu muncul di halaman portfolio.

**Business question:** kategori, kanal, dan wilayah mana yang paling mendorong revenue serta repeat order? Gunakan dataset transaksi yang berisi order ID, tanggal, produk, kategori, harga, diskon, pelanggan, dan wilayah. SQL cocok untuk agregasi dan cohort; Python untuk cleaning; Tableau atau Looker Studio untuk dashboard.

**Proses:** audit duplikat dan transaksi batal, samakan format tanggal, tangani nilai kosong, lalu hitung revenue bersih, average order value, repeat purchase rate, dan margin per kategori. Visualisasikan tren bulanan, kontribusi kategori, cohort pelanggan, dan perbandingan wilayah.

**Insight & rekomendasi:** jangan berhenti pada “kategori A paling laku”. Jelaskan misalnya kategori A menyumbang 38% revenue tetapi margin turun 7 poin saat diskon besar. Rekomendasikan batas diskon, bundling untuk kategori bermargin tinggi, atau kampanye retensi untuk cohort yang repeat order-nya turun.

**Business question:** pelanggan seperti apa yang paling berisiko berhenti, dan kapan tim retensi harus menghubungi mereka? Dataset ideal memuat masa berlangganan, paket, penggunaan, tiket bantuan, pembayaran, dan status churn. Pakai SQL untuk membuat fitur, Python untuk eksplorasi atau model sederhana, lalu Tableau untuk segmentasi risiko.

**Proses:** definisikan churn secara tegas, cek imbalance kelas, bersihkan kategori, buat fitur seperti penurunan penggunaan 30 hari dan jumlah komplain, lalu bandingkan churn rate tiap segmen. Kalau memakai model, jelaskan train-test split, baseline, precision, recall, dan alasan memilih threshold.

**Insight & rekomendasi:** contoh hasil yang berguna adalah pelanggan bulanan dengan dua tiket bantuan dan penurunan penggunaan 40% punya risiko churn tertinggi. Sarankan trigger outreach, onboarding ulang, atau insentif yang ditargetkan — bukan diskon massal untuk semua pelanggan.

**Business question:** format dan topik konten mana yang menghasilkan engagement berkualitas atau traffic, bukan cuma views? Ambil data Instagram, TikTok, YouTube, atau dataset sintetis berisi tanggal, format, topik, reach, watch time, saves, shares, clicks, dan conversion.

**Proses:** rapikan penamaan format, normalisasi metrik terhadap reach, kelompokkan posting menurut topik dan jam tayang, lalu hitung save rate, share rate, click-through rate, dan conversion rate. Gunakan Python untuk analisis dan Looker Studio untuk dashboard mingguan.

**Insight & rekomendasi:** kamu bisa menemukan carousel edukasi memiliki reach lebih kecil tetapi save rate tiga kali lebih tinggi daripada video tren. Rekomendasikan komposisi konten, jadwal eksperimen A/B, dan KPI per funnel agar tim tidak mengejar follower atau impressions saja.

**Business question:** faktor apa yang berkaitan dengan attrition, dan kelompok mana yang membutuhkan intervensi lebih awal? Gunakan data anonim berisi tenure, divisi, level, overtime, kepuasan, kompensasi, promosi, dan status keluar. SQL atau Python cukup untuk cleaning dan analisis; Tableau membantu stakeholder HR mengeksplorasi segmen.

**Proses:** cek bias dan data sensitif, bandingkan attrition rate berdasarkan tenure serta overtime, uji hubungan antarvariabel, lalu pisahkan korelasi dari sebab-akibat. Visualisasikan rate, bukan hanya jumlah karyawan keluar, supaya divisi besar tidak otomatis terlihat paling buruk.

**Insight & rekomendasi:** misalnya attrition tertinggi muncul pada staf tahun pertama yang rutin overtime dan belum mendapat review. Sarankan review 90 hari, kapasitas tim, atau percakapan karier; sertakan catatan bahwa keputusan individual tidak boleh dibuat hanya dari prediksi model.

**Business question:** kapan dan di mana perubahan terbesar terjadi, serta bagaimana layanan sebaiknya menyesuaikan kapasitas? Pakai data terbuka kasus kesehatan atau perjalanan transportasi yang memiliki waktu, lokasi, volume, dan kategori. Python membantu menggabungkan file berkala; SQL menyimpan data rapi; Tableau atau Looker menyajikan peta dan tren.

**Proses:** dokumentasikan sumber dan tanggal pembaruan, samakan nama wilayah, tangani hari tanpa laporan, hitung moving average, lalu bandingkan volume per jam, rute, atau populasi. Dashboard harus punya filter yang berguna tanpa membuat pembaca tersesat.

**Insight & rekomendasi:** contoh temuan adalah lonjakan penumpang bergeser 45 menit pada hari kerja tertentu. Rekomendasikan penambahan armada pada slot tersebut dan jelaskan keterbatasan seperti perubahan metode pelaporan atau data lokasi yang belum lengkap.

Perhatikan bagaimana hierarchy yang jelas membantu pengunjung memahami profil dan karya tanpa harus menebak urutannya. Prinsip yang sama bisa dipakai untuk menyusun project analisis dari ringkasan menuju detail.

Untuk profil profesional, informasi harus terasa kredibel dan mudah diverifikasi. Lihat cara identitas, pengalaman, dan pekerjaan utama disusun agar pembaca cepat menemukan hal yang paling relevan.

Urutkan halaman berdasarkan kebutuhan recruiter, bukan berdasarkan kapan file dibuat. Mereka perlu memahami siapa kamu, melihat bukti terbaik, lalu membuka detail teknis bila tertarik.

Metrik yang bagus menghubungkan analisis ke keputusan. Jumlah baris data, jumlah chart, atau banyaknya library Python hanya menjelaskan ukuran pekerjaan — bukan kualitas hasilnya.

Siapkan dulu nama, positioning, ringkasan tiga project, gambar dashboard, link GitHub atau notebook, serta email. Setelah bahannya siap, halaman publik bisa diterbitkan dengan langkah singkat berikut.