• Gelombang Januari
  • Pendaftaran tutup 17 November 2026
  • Sisa 30 dari 30 kursi
  • Mulai 18 November 2026
  • Lihat cara ikut
Windata

WindataFixing your relationship with data

Bukan cuma soal teknisnya. Kita pahami bisnisnya.

Untuk kamu yang sudah belajar data, tetapi masih bingung saat diminta kesimpulan. Windata membenahi hubunganmu dengan data: membaca masalah bisnis di balik angka, satu kasus setiap hari.

Mulai dari kasus 001

Satu kasus = satu permintaan atasan, dataset, video tutorial, dan contoh memo. Dibuka per gelombang, mulai Gelombang Januari.

Klik satu lapisan untuk melihat isinya.

MasalahBagian 02

Ini kamu? Centang yang pernah kamu alami.

Benang ini makin lurus setiap kali kamu jujur pada satu gejala.

0 dari 5

Sudut pandangBagian 03

Tools cuma alat, bukan tujuan.

Yang dicari adalah jawaban. Tools tetap dipakai di setiap kasus, dan sekarang AI bisa membantu bagian teknisnya. Yang membuat angka berguna adalah empat hal yang tidak tertulis di data: keputusan siapa, apa taruhannya, apa yang tidak bisa dijawab data, dan apa yang bisa mengubah kesimpulan.

“Mesin tidak tahu siapa atasanmu, apa yang sedang dia putuskan, dan apa yang sudah diketahui kantormu tapi tidak tertulis di data mana pun.”

Dari laporan riset Windata, Sudah Belajar, Belum Dipanggil

MetodeBagian 04

Empat pertanyaan, dijawab sebelum satu baris query ditulis.

Baca masalah, bangun logika, ubah data jadi cerita. Setiap kasus melewati empat langkah yang sama: empat pertanyaan bisnis dulu, lalu bagian teknisnya, lalu memo untuk atasan.

  1. 1Kasus bisnis datangContoh: target 18 salesman mau dinaikkan 10% rata.
  2. 2Empat pertanyaan bisnisKeputusan siapa, apa taruhannya, apa yang tidak dijawab data, apa yang mengubah kesimpulan.
  3. 3Bagian teknisRumus, query, dan grafik. AI boleh membantu.
  4. 4Memo untuk pengambil keputusanHasil akhirnya memo satu halaman, bukan sekadar file.

Langkah 2Lebih dekat

  1. Keputusan siapa yang sedang dibantu?

    Contoh dari kasus 004: Pak Hadi, Kepala Sales, yang minggu ini harus membagi target 2027 ke 18 salesman.

  2. Apa taruhannya kalau salah?

    Contoh dari kasus 004: Jika target naik 10% rata, salesman yang tahun lalu belum sampai target makin tertinggal.

  3. Apa yang tidak bisa dijawab data ini?

    Contoh dari kasus 004: Data tidak bisa membedakan capaian rendah karena orangnya atau karena targetnya terlalu besar.

  4. Apa yang mengubah kesimpulan ini?

    Contoh dari kasus 004: Dua salesman baru masuk Juli 2026, tetapi targetnya masih setahun penuh. Yang benar-benar di bawah 90% hanya 4.

BuktiSimulasi Tes Kerja

Alatnya sama. Hasilnya beda jauh.

Enam peserta Simulasi Tes Kerja Windata mendapat data dan soal yang sama. Tiga di antaranya memakai Google Sheets dan Looker Studio, alat yang mungkin juga kamu pakai. Skornya 86, 85, dan 62. Kalau kamu yang mengerjakan soal ini, skormu berapa?

Soalnya

Kamu Data Analyst di perusahaan fashion e-commerce yang berjualan lewat Website dan Marketplace. Periode: Januari sampai Juni 2026.

Sales Manager melihat revenue tumbuh, tetapi ada yang belum dia pahami:

  • Revenue tumbuh, tapi tidak merata di semua kategori.
  • Jumlah customer baru meningkat, tapi kontribusi repeat customer mulai melemah.
  • Beberapa kategori mendapat discount lebih besar dari yang lain.
  • Website dan Marketplace punya karakteristik customer yang berbeda.

3 dataset · 5 KPI wajib · dashboard satu halaman · 3 hari · cukup dengan Excel atau Google Sheets

Empat pertanyaan Sales Manager

  1. Bagaimana performa revenue selama 6 bulan?
  2. Channel dan kategori mana yang paling berkontribusi?
  3. Bagaimana perilaku new vs existing customers?
  4. Produk mana yang perlu diperhatikan lebih lanjut?

Yang tidak tertulis di soal. Order naik 7,4%, tetapi revenue hanya naik 1,0%: nilai per order turun 5,5%. Diskon juga naik setiap bulan. Dua temuan ini yang paling sering terlewat.

Hasilnya: alat yang sama, skor yang beda jauh

  • Data sama
  • Soal sama
  • Alat sama
  • Skor beda
Google SheetsLooker Studio

86dari 100

Gevan Putra Yudhistira Lulus

Poin per kriteria. Paling banyak hilang di Data Understanding.

  • Data Understanding7/10
  • Data Cleaning18/20
  • KPI Accuracy27/30
  • Business Analysis22/25
  • Dashboard12/15

Potongan terbesar

  • −3 Grain, primary key, dan hubungan antartabel tidak dijelaskan.
  • −2 Rekomendasi bulan April berangkat dari premis yang tidak sesuai data.
Semua catatan penilai (7)
  • −3 Grain, primary key, dan hubungan antartabel tidak dijelaskan. Data Understanding
  • −2 Rekomendasi bulan April berangkat dari premis yang tidak sesuai data. Business Analysis
  • −2 Enam nama produk di Top 10 dashboard salah. Dashboard
  • −2 Top 10 dijumlah per nama produk, bukan per product_id, sehingga muncul produk yang tidak ada. KPI Accuracy
  • −2 Sepuluh nama produk tertukar antar product_id saat cleaning. Data Cleaning
  • −1 Revenue per kategori tanpa jumlah order; tren cancellation dan diskon tidak ada. Dashboard
  • −1 Porsi customer baru memakai penyebut yang tidak konsisten. KPI Accuracy

Lihat bedah karyanya

Google SheetsLooker Studio

85dari 100

Saily Roshina Ayu Lulus

Poin per kriteria. Paling banyak hilang di KPI Accuracy.

  • Data Understanding9/10
  • Data Cleaning18/20
  • KPI Accuracy24/30
  • Business Analysis20/25
  • Dashboard14/15

Potongan terbesar

  • −4 Order dan AOV per kategori salah hitung: penanda satu baris per order dipakai untuk breakdown per kategori.
  • −3 Temuan "AOV turun" tidak diangkat jadi insight, padahal angkanya sudah ada di sheet.
Semua catatan penilai (5)
  • −4 Order dan AOV per kategori salah hitung: penanda satu baris per order dipakai untuk breakdown per kategori. KPI Accuracy
  • −3 Temuan "AOV turun" tidak diangkat jadi insight, padahal angkanya sudah ada di sheet. Business Analysis
  • −2 Temuan "diskon naik setiap bulan" tidak dibuat. Business Analysis
  • −2 Top 10 dijumlah per nama produk, bukan per product_id. KPI Accuracy
  • −2 Order guest checkout dibuang. Keputusannya tercatat, tetapi penanganannya kurang tepat. Data Cleaning

Karya ini dibedah lengkap di bawah.

Google SheetsLooker Studio

62dari 100

Peserta anonim Bersyarat

Poin per kriteria. Paling banyak hilang di Business Analysis.

  • Data Understanding6/10
  • Data Cleaning13/20
  • KPI Accuracy19/30
  • Business Analysis13/25
  • Dashboard11/15

Potongan terbesar

  • −5 Cancellation rate bulanan dibagi total order seluruh periode, bukan order bulan itu. Salah di keenam bulan.
  • −4 Kesimpulan soal channel dibuat tanpa melihat AOV dan cancellation rate.
Semua catatan penilai (13)
  • −5 Cancellation rate bulanan dibagi total order seluruh periode, bukan order bulan itu. Salah di keenam bulan. KPI Accuracy
  • −4 Kesimpulan soal channel dibuat tanpa melihat AOV dan cancellation rate. Business Analysis
  • −4 Catatan cleaning bertentangan dengan datanya, dan cek silang yang gagal dibiarkan. Data Cleaning
  • −4 Grain, primary key, dan hubungan antartabel tidak dijelaskan. Data Understanding
  • −4 Label revenue bulanan tidak terbaca, dan tren cancellation tidak ada. Dashboard
  • −3 Customer type hanya dianalisis dari porsi agregat. Business Analysis
  • −3 Analisis diskon dan bottom 10 sudah dikerjakan di sheet, tetapi tidak masuk slide maupun dashboard. Business Analysis
  • −3 Klaim soal baris quantity nol tidak benar. Data Cleaning
  • −2 Breakdown customer type tidak cocok dengan totalnya. KPI Accuracy
  • −2 Top 10 dijumlah per nama produk, bukan per product_id. KPI Accuracy
  • −2 Temuan "diskon naik" dan "AOV turun" tidak dibuat. Business Analysis
  • −1 AOV per channel punya dua nilai berbeda di satu workbook. KPI Accuracy
  • −1 Rasio diskon dibagi net revenue, bukan gross sales. KPI Accuracy

Anonim. Karya yang belum lulus penuh tidak ditampilkan dengan nama.

Dinilai Winata Syahputra dengan rubrik 100 poin yang sama: Data Understanding 10, Data Cleaning 20, KPI Accuracy 30, Business Analysis 25, Dashboard 15. Skor keenam karya: 95, 86, 85, 62, 57, dan 25.

Yang membedakan

  1. Kesalahan yang sama di ketiganya

    Top 10 produk dijumlah per nama, bukan per product_id. Ada dua produk berbeda dengan nama sama ("Handbags Mirela 99"), jadi keduanya terjumlah dan menggeser produk lain dari Top 10. Ketiga karya kehilangan 2 poin di sini. Alatnya tidak menolong. Yang menolong adalah kebiasaan memakai kunci tabel.

  2. Yang memisahkan 85 dan 86 dari 62

    Karya 62 kehilangan 12 poin di Business Analysis. Kesimpulan channel dibuat tanpa AOV dan cancellation rate, dan analisis diskon yang sudah dikerjakan tidak pernah sampai ke Sales Manager. Cancellation rate bulanannya juga dibagi dengan penyebut yang salah. Karya 85 dan 86 menghitung ulang kelima KPI, dan semuanya cocok.

  3. Yang membuat skor tertinggi, 95

    Soal menyebut "Website dan Marketplace punya karakteristik customer yang berbeda". Karya 95 tidak langsung percaya. Porsi customer baru 53,2% dan 58,6%, AOV Rp2,86 jt dan Rp2,79 jt: nyaris sama. Pembeda nyatanya ada di cancellation rate, 10,14% dan 7,69%. Alatnya Python, tetapi yang dinilai tinggi adalah keberaniannya menguji soal.

Artinya buat kamu

Alat membuatmu bisa mengerjakan soalnya. Empat kebiasaan ini yang membedakan hasilnya.

Dalam simulasi ini, karya 85 dan 86 direkomendasikan lanjut ke tahap interview. Karya 62 lulus bersyarat. Alatnya sama, jadi selisihnya datang dari kebiasaan. Kebiasaan bisa dilatih.

  1. Cek kunci dan grain sebelum menghitung.Tanpa ini, dua produk bernama sama terjumlah jadi satu. Ketiga karya kehilangan poin di sini.
  2. Hitung ulang, dan periksa penyebutnya.Satu penyebut yang salah di cancellation rate membuat karya 62 kehilangan 5 poin.
  3. Bawa jawaban sampai ke keputusan atasan.Analisis yang tidak sampai ke slide atau dashboard tidak pernah dibaca Sales Manager. Karya 62 kehilangan 12 poin di Business Analysis.
  4. Cari yang tidak tertulis, dan uji klaim di soal.AOV turun dan diskon naik tidak disebut di soal. Karya 95 bahkan membuktikan satu klaim di soal tidak benar.

Kebiasaan ini yang dilatih Menjadi Data Analyst 2027: satu permintaan atasan setiap hari, dengan contoh memo dan angka kunci untuk mengecek hasilmu sendiri.

Lihat Gelombang Januari Lihat isi programnya

Contoh lengkap: karya 85 dibedah. Geser untuk membandingkan dashboard peserta dengan versi yang dibangun ulang.

Sebelum: dashboard Fashion E-Commerce H1 2026 karya Saily Roshina Ayu
Sesudah: dashboard yang dibangun ulang sebagai acuan. Judul jelas, empat kartu KPI dengan angka pembanding, tren order dan AOV per bulan, serta panel discount dan cancellation rate.

Chart yang indah belum tentu benar, kalau konteksnya belum dikejar. Geser untuk membandingkan. Versi sesudah dibangun ulang sebagai acuan, bukan salinan dashboard peserta. Lihat bedah penuhnya

  1. 1Lima KPI dihitung ulang dari CSV mentah. Rumusnya benar semua. Selisih Rp 111 juta dari kunci jawaban datang dari satu keputusan: 42 order guest checkout dibuang.
  2. 2Cancellation rate di level order, bukan di level baris. Ini salah satu jebakan paling umum.
  3. 3Tipe pelanggan ikut diperiksa. New 321 orang, Existing 587 orang. Cocok dengan hitungan ulang.

Saily Roshina Ayu · Fashion E-Commerce H1 2026

Winata SyahputraPenilai
85Strong Pass
Baca dek review lengkapnya

ProgramMenjadi Data Analyst 2027

365 hari, 365 pertanyaan dari atasan. Alatnya berganti, pertanyaannya tetap bisnis.

Setiap hari satu kasus: permintaan atasan, dataset, video tutorial, dan contoh memo. Setahun penuh menjawab "jadi keputusannya apa?"

365 lembar, satu sehari. Bukan tumpukan untuk disimpan: dari satu insight kecil hari ini, bisa jadi langkah besar nanti.

Gambar: 365 lembar kertas. Satu lembar adalah satu kasus, satu tumpukan adalah satu industri.

4–31 Jan 2027 · 4 minggu · 28 kasus + 3 kasus persiapan alat (1–3 Jan)

FMCG & distribusi

Kepala Sales: Target tahunan dibagi ke wilayah dan salesman.

Contoh kasus, dengan video · 1 dari 31 kasus gelombang ini

Kasus 004Sen 4 Jan · Google Sheets

Pak Hadi, Kepala Sales · PT Distribusi Arunika (fiktif)

Siapa salesman yang di bawah 90% target 2026?

Rekap6

Dengan konteks4

salesman di bawah 90%

Kenapa angkanya berubah?

2 salesman baru masuk Juli 2026. Target mereka masih setahun penuh.

Tonton kasusnya

Kasus lain di tumpukan ini

  1. 005 · Sel · SQLToko mana yang sudah 60 hari tidak order lagi?
  2. 006 · Rab · PythonToko paling sering order di hari apa, dan apakah polanya berubah?
  3. 007 · Kam · Google SheetsBonus tim wilayah terbaik: rata-rata capaian salesman atau ditimbang target?
  4. 008 · Jum · SQLKategori produk terlaris di tiap wilayah

Dan 23 kasus lain, satu setiap hari sampai 31 Januari.

Alat yang dipakai Warna pita di setiap tumpukan adalah alat kasusnya. Pertanyaannya tetap soal bisnis.

Sepanjang 2027 · 365 kasus

  • Google SheetsSenin dan Kamis105 kasus
  • SQL di BigQuerySelasa dan Jumat105 kasus
  • Python (VS Code dan notebook)Rabu dan Minggu104 kasus
  • Looker StudioSabtu, bergiliran dengan dua alat BI lain11 kasus
  • TableauSabtu, bergiliran dengan dua alat BI lain11 kasus
  • Power BISabtu, bergiliran dengan dua alat BI lain11 kasus
  • Alat bebasSabtu, peserta memilih alatnya sendiri18 kasus

Pembatas merah di tumpukan: kasus contoh yang videonya bisa kamu tonton.

365 kasus · 12 gelombang · satu gelombang = satu industri, empat atau lima minggu utuh.

Dibuka per gelombang: satu tumpukan adalah satu gelombang. Gelombang Januari berisi kasus 001 sampai 031 dan mulai 18 November 2026.

Lihat Gelombang Januari
Foto Winata Syahputra

Di baliknyaPenulis kasus dan penilai

Satu nama di balik kasus dan penilaiannya.

Winata Syahputra menandatangani memo contoh setiap kasus, dan menilai keenam karya Simulasi Tes Kerja di atas. Vonisnya melekat pada nama ini, bukan pada panel anonim.

Winata Syahputra

  • Menilai 6 karya dengan dataset dan rubrik yang sama

Tanya jawabMenjadi Data Analyst 2027

Yang paling sering ditanyakan.

Kapan mulainya?

Programnya dibuka per gelombang. Satu gelombang adalah satu industri, empat atau lima minggu utuh. Gelombang Januari berisi kasus 001 sampai 031 dan mulai 18 November 2026. Aksesnya berlaku sampai 31 Januari 2027. Gelombang bulan berikutnya diumumkan sesudahnya.

Bisa coba dulu sebelum bayar?

Bisa. Video tiga kasus contoh di halaman ini (kasus 004, 033, dan 060) terbuka penuh di YouTube. Kerjakan satu dulu, lalu putuskan.

Jawabanku dinilai mentor?

Tidak. Program ini tanpa setor jawaban dan tanpa koreksi harian. Tiap tutorial punya tiga angka kunci: kalau angkamu sama dengan di video, kamu sudah di jalur yang benar. Untuk bertanya dan berdiskusi, ada grup peserta. Rubrik di bagian Bukti dipakai untuk Simulasi Tes Kerja, bukan untuk program ini.

Alat apa yang dipakai, dan perlu laptop?

Google Sheets dan BigQuery jalan di browser. Python dikerjakan di VS Code di laptopmu sendiri. Setiap Sabtu bergiliran Looker Studio, Tableau, dan Power BI, atau alat pilihanmu. Kasus 001 sampai 003 khusus menyiapkan alatnya.

Selesai dari sini, langsung dapat kerja?

Kami tidak menjanjikan itu. Yang kami janjikan jam terbang: setahun penuh mengerjakan kasus bisnis dengan alat yang dipakai di kantor.

RangkumanYang perlu kamu ingat

Benerin dulu hubunganmu sama data.

  1. Masalahnya jarang di tools.Kamu bisa membuat grafik, tetapi blank saat ditanya kesimpulannya.
  2. Bagian teknis makin dibantu AI.Yang membuat angka berguna adalah empat hal yang tidak tertulis di data.
  3. Empat pertanyaan dulu, baru query.Keputusan siapa, apa taruhannya, apa yang tidak dijawab data, dan apa yang mengubah kesimpulan.
  4. Alat yang sama, hasil yang beda.Tiga karya dengan alat yang persis sama mendapat 86, 85, dan 62. Selisihnya datang dari kebiasaan.
  5. Kebiasaan itu dilatih setiap hari.Satu permintaan atasan setiap hari sepanjang 2027, dibuka per gelombang.

Mulai dari mana?

Tonton satu kasus contoh dulu dan kerjakan sendiri. Kalau caranya cocok, ikut Gelombang Januari: kasus 001 sampai 031, mulai 18 November 2026.

Ikut Gelombang Januari Tonton kasus 004 dulu
Video lagunya segera tayang di YouTube.