Bedah karyaSimulasi Tes Kerja

Aulia Aorama

Entry-Level Data Analyst. Case study Fashion E-Commerce Performance Analysis H1 2026. Semua angka di halaman ini sudah kami hitung ulang dari dataset mentah, termasuk klaim turunan seperti korelasi dan konsentrasi revenue.

95dari 100 poin

Excellent. Direkomendasikan lanjut ke tahap interview.

Notebook Colab, Google Sheets, dashboard Tableau satu halaman, presentasi 5 slide. Seluruh deliverable lengkap.

Area penilaian	Bobot	Skor	Level
Data Understanding	10	10	Excellent
Data Cleaning	20	20	Excellent
KPI Accuracy	30	29	Excellent
Business Analysis	25	23	Excellent
Dashboard	15	13	Good
Total	100	95	Excellent

Kamu memperlakukan brief sebagai hipotesis yang diuji, bukan kesimpulan yang tinggal dikonfirmasi. Catatan pembuka dari evaluator

Kalimat pembuka presentasimu menyebut dua keyakinan terbukti, satu terbukti dengan mekanisme berbeda dari dugaan, dan satu terbantah. Itu menentukan nada seluruh pengerjaan. Kamu tidak mencari angka yang mendukung cerita yang sudah ada di brief, kamu mengujinya satu per satu dan berani melaporkan yang tidak terbukti.

Empat koreksi di dek ini semuanya soal kelengkapan, bukan kebenaran. Tidak ada satu angka pun yang salah hitung.

Bab IVerifikasi

Verifikasi Angka

01Lima KPI wajib
02Sembilan klaim turunan
03Satu angka yang mengoreksi kami

Kami hitung ulang bukan cuma lima KPI wajib, tapi juga korelasi, unit share, dan konsentrasi revenue. Semuanya cocok.

Termasuk angka yang paling gampang meleset kalau metodenya asal, seperti korelasi di level produk dan jumlah produk yang menyumbang separuh revenue.

Rekalkulasi independen

Lima KPI wajib, cocok sampai rupiah terakhir.

KPI	Angka kamu	Rekalkulasi kami	Status
Gross Sales	8.034.787.000	8.034.787.000	Cocok persis
Net Revenue	7.026.835.000	7.026.835.000	Cocok persis
Completed Orders	2.481	2.481	Cocok persis
AOV	2.836.223	2.836.223	Cocok persis
Cancellation Rate	9,12%	9,12%	Cocok persis

Answer key kami memakai scope berbeda karena membuang baris quantity nol, sehingga Completed Orders 2.476 dan AOV Rp 2.837.979. Selisihnya 0,2%, jauh di dalam toleransi, dan pilihanmu terdokumentasi lengkap. Ini dibahas tersendiri di Bab II.

Bukan cuma KPI

Sembilan klaim turunan, dicek satu per satu.

Klaim	Angka kamu	Rekalkulasi kami
Korelasi discount rate vs net revenue, level produk	−0,228	−0,228
Produk yang menyumbang 50% revenue	22 dari 108	22 dari 108
Kontribusi Top 10	27,5%	27,5%
Customer lama aktif, Januari ke Juni	209 → 128	209 → 128
Cancel rate Juni, Website dan Marketplace	12,41 / 11,98%	12,41 / 11,98%
Revenue per SKU, Ready-to-Wear vs Handbags	31,6 / 135,8 jt	31,6 / 135,8 jt
Bottom 10 seluruhnya aktif enam bulan penuh	ya	ya

Unit share dan discount rate per kategori juga identik sampai satu angka di belakang koma.

Yang perlu kamu tahu

Ada satu angka yang justru mengoreksi answer key kami.

Kamu melaporkan 8 brand setelah normalisasi casing. Answer key internal kami menyebut 17 varian untuk 7 brand asli, dan daftarnya melewatkan Tesse.

Kami cek ulang ke products.csv: brand di file itu memang delapan. Angkamu yang benar, dan dokumen kami yang akan kami perbaiki.

8

brand asli menurut kamu, dan itu benar

7

yang tertulis di answer key kami

17

varian penulisan sebelum dinormalisasi

108

produk, seluruhnya tercakup

Bab IIYang sudah kuat

Yang Sudah Kuat

01Pemeriksaan di luar yang diminta
02Cleaning 7 dari 7
03Keputusan quantity nol
04Order per kategori
05Keyakinan yang kamu bantah
06Catatan metode

Data Understanding · 10 dari 10

Kamu memeriksa hal yang tidak diminta siapa pun.

01Grain, primary key, dan referential integrity dua arah, lengkap dengan jumlah baris cocok dan tidak cocok

02Konsistensi order_status di dalam satu order, hasilnya nol order berstatus campuran

03Konsistensi customer_id di dalam satu order

04Kelengkapan periode: 181 tanggal unik, 6 bulan penuh, nol gagal parse, nol di luar periode

05Assertion bahwa jumlah baris setelah join harus sama dengan sebelum join, lalu dibuktikan

Kamu menuliskan alasannya, dan itu bagian yang penting: tren bulanan baru aman diinterpretasi kalau tidak ada bulan yang terpotong. Pemeriksaan itu bukan formalitas, ada risiko nyata yang sedang kamu tutup.

Data Cleaning · 20 dari 20

7dari 7 issue ditangani benar

Termasuk dua yang berstatus bonus. Setiap langkah punya tabel verifikasi sebelum dan sesudah, jadi hasilnya bisa diaudit tanpa perlu menjalankan ulang notebook.

Issue	Jumlah	Penanganan
Duplicate order_line_id	32	Dedup, lalu assertion unik
Missing city	5	Customer dipertahankan
Guest checkout	83	Label Unknown
Varian payment_method	3	Dinormalisasi
Trailing space	104	TRIM di 4 kolom
Quantity nol (bonus)	24	Diputuskan dengan alasan
Brand casing (bonus)	17	Dinormalisasi jadi 8

Bagian terbaik dari notebook kamu

Kamu tidak membuang 24 baris itu, dan alasanmu lebih kuat daripada alasan kami.

Kamu cek dampaknya di level order lebih dulu. Hasilnya: 19 order masih punya baris valid, tapi 5 order berstatus Completed akan hilang seluruhnya kalau baris itu dibuang.

Lalu kamu memutuskan mempertahankan, dengan alasan definisi Completed Orders di brief murni berdasarkan order_status tanpa menyebut syarat quantity. Membuangnya justru menyimpang dari definisi yang kami berikan sendiri.

Kenapa ini penting

Answer key kami menyarankan membuang. Kamu memeriksa dasarnya, menemukan bahwa saran itu bertabrakan dengan definisi di brief, lalu mengambil jalan lain dan menuliskan alasannya.

Ini bukan kandidat yang mengikuti checklist. Ini kandidat yang memeriksa checklist itu sendiri.

Dampak ke Net Revenue nol, karena baris quantity nol otomatis menghasilkan revenue nol. Yang berubah hanya Completed Orders, dari 2.476 jadi 2.481.

Kesalahan yang paling sering terjadi di posisi ini

Order per kategori kamu hitung distinct per kategori, dan itu benar.

Total order per kategori kamu berjumlah 3.685, jauh di atas 2.481 total order. Banyak kandidat menganggap itu bug lalu memaksanya pas dengan total, biasanya dengan menandai satu baris per order.

Kamu membiarkannya, dan itu memang seharusnya. Satu order yang berisi tas dan sepatu memang harus terhitung di dua kategori. Memaksanya pas dengan total akan membuat AOV per kategori naik puluhan persen dari nilai sebenarnya.

640

order Handbags

942

order Shoes

758

order Ready-to-Wear

3.685

total lintas kategori, dan itu wajar

Pertanyaan 2

Kamu menguji keyakinan di brief, lalu menyatakan satu di antaranya tidak terbukti.

Yang ada di brief

"Website dan Marketplace punya karakteristik customer yang berbeda."

Kamu ujinya lewat dua ukuran: porsi customer baru 53,2% vs 58,6% dan AOV Rp 2,86 jt vs Rp 2,79 jt. Keduanya nyaris identik.

Yang kamu temukan sendiri

Pembeda nyatanya ada di kualitas order: cancel rate Website 10,14% berbanding Marketplace 7,69%.

Lalu kamu tarik implikasi operasionalnya: menambah volume di Marketplace tidak akan menurunkan kualitas order. Itu kalimat yang bisa langsung dipakai untuk memutuskan anggaran.

Melaporkan hipotesis yang terbantah jauh lebih sulit daripada mengonfirmasi yang sudah diyakini pembaca. Kamu melakukannya dengan bukti yang cukup.

Tiga catatan metode yang jarang muncul di level ini

Kamu menjelaskan kenapa memilih satu ukuran dan menolak ukuran lain.

New vs Existing

Kamu memakai revenue absolut, jumlah customer aktif, dan revenue per customer, bukan porsi kontribusi, dengan alasan porsi akan turun sendiri saat kolam customer baru bertambah. Itu kesadaran soal efek komposisi.

Diskon

Korelasi −0,228, lalu kamu langsung menyatakan arah sebab bisa terbalik: produk yang lambat terjual yang diberi diskon besar. Klaimnya ditulis sebagai asosiasi, dan rekomendasinya dirancang sebagai uji coba bertahap.

Bottom 10

Kamu cek launch_date untuk memastikan revenue rendah bukan karena produk baru rilis, lalu menjelaskan kenapa kontrol itu perlu. Tanpa pemeriksaan ini kesimpulannya bisa keliru.

Format yang biasanya baru muncul di level mid

Setiap rekomendasi punya dasar bukti, langkah, dan ukuran keberhasilan.

Empat rekomendasi, diurutkan berdasarkan dampak terhadap revenue. Ukuran keberhasilannya spesifik dan bisa dicek nanti, misalnya "jumlah customer lama aktif per bulan kembali mendekati 200, bukan kenaikan nilai transaksi".

Menyebut apa yang bukan ukuran keberhasilan sama pentingnya dengan menyebut apa yang iya. Itu yang mencegah program diklaim berhasil lewat metrik yang salah.

Enam limitasi yang kamu tulis

Tidak ada data biaya, tidak ada data retur, tidak ada funnel dan belanja pemasaran, hubungan bersifat asosiasi, periode hanya enam bulan, dan asumsi cleaning kamu sendiri.

Menuliskan asumsi cleaning di slide terakhir membuat pekerjaanmu bisa diaudit orang lain tanpa membuka notebook.

Bab IIIKoreksi

Yang Perlu Dikoreksi

01Diskon per bulan
02Satu kata yang terlalu kuat
03Denominator yang tidak sejalan
04Dashboard

Diskon naik. AOV turun. Revenue tidak tumbuh. Semua angkanya sudah ada di notebook kamu, tinggal satu grafik.

Analisis diskon kamu kuat di dimensi kategori dan produk. Yang kosong cuma dimensi waktunya, dan justru di situ kesimpulannya berubah dari deskripsi jadi diagnosis.

Koreksi 01 · Business Analysis −2

Discount escalation dari waktu ke waktu belum dibuat.

Per bulan	Jan	Feb	Mar	Apr	Mei	Jun
Discount rate	3,11%	3,53%	3,55%	3,92%	4,40%	4,03%
AOV (juta rupiah)	3,01	2,76	2,84	2,91	2,65	2,84
Completed Orders	394	403	413	420	428	423

Yang belum terbaca

Baris pertama tidak pernah kamu buat. Baris kedua sudah ada di tabel kpi_bulanan kamu, tapi tidak pernah diangkat jadi insight. AOV turun 5,9% dari Januari ke Juni.

Kalau ketiganya digabung

Diskon naik, AOV turun, order naik 7,4% tapi revenue cuma naik 1,0%. Kesimpulannya: diskon gagal jadi pendorong revenue, dan itu tekanan margin. Satu kalimat yang mengubah keputusan Sales Manager.

Koreksi 02 · Business Analysis −1

Satu kata yang mengklaim lebih dari buktinya.

Kamu menulis basis lama masih membelanjakan Rp 2,7 sampai 3,2 juta per orang, "artinya nilainya utuh dan yang hilang hanya kehadirannya".

Angkamu sendiri menunjukkan belanja per orang turun 15 persen, dari Rp 3,21 jt ke Rp 2,74 jt. Memang jauh lebih kecil daripada penurunan jumlah orang, jadi kesimpulan utamamu tetap berdiri. Tapi "utuh" bukan kata yang tepat untuk angka yang menurun.

−39%

customer lama aktif, 209 ke 128

−15%

belanja per orang, Rp 3,21 jt ke Rp 2,74 jt

−10%

frekuensi order, 1,05 ke 0,95

−48%

total revenue customer lama

Koreksi 03 · KPI Accuracy −1

Denominator revenue per customer tidak sejalan dengan numerator.

Kolom active_customers menghitung customer yang punya order apa pun di bulan itu, termasuk yang ordernya dibatalkan. Sedangkan net_revenue hanya dari order Completed.

Gejalanya kelihatan di tabelmu sendiri: April tercatat 175 completed order tapi 176 active customer, dan Juni 121 order tapi 128 customer. Jumlah customer tidak mungkin melebihi jumlah order kalau keduanya dihitung dengan filter yang sama.

Kalau denominatornya disamakan

Dibatasi ke customer yang punya order Completed, angkanya jadi Rp 3,55 jt turun ke Rp 3,13 jt. Trennya sama, arahnya sama, tapi rasionya konsisten dan tidak bisa dipertanyakan.

Aturan umumnya: numerator dan denominator sebuah rasio harus lolos filter yang sama, kecuali kamu memang sengaja ingin mengukur sesuatu yang lain dan menyebutkannya.

Koreksi 04 · Dashboard −2

Temuan headline kamu sendiri tidak kelihatan di dashboard.

Lonjakan cancellation Juni ke 12,24% adalah rekomendasi nomor dua kamu dan salah satu temuan terkuatmu. Tapi di dashboard, Cancellation Rate cuma ada sebagai kartu angka tunggal. Tren bulanannya tidak ada di mana pun.

Sales Manager yang membuka dashboard ini tidak akan pernah melihat lonjakan itu tanpa membaca slide kamu. Padahal dashboard justru dibuat supaya dia tidak perlu.

Dua kekurangan lain

Belum ada visual diskon sama sekali. Revenue by Product Category juga hanya menampilkan revenue, padahal brief meminta revenue dan order.

Yang sudah bagus dan patut dipertahankan

Tiap KPI card punya angka pendukung, dan New vs Existing kamu tampilkan per bulan, bukan agregat. Bucket Unknown ditampilkan terbuka dengan catatan di dashboard. Itu transparansi yang benar.

Catatan kecil

Dua hal ini tidak mengurangi poin.

01 · Satuan M dipakai untuk dua arti

Kartu Net Revenue menulis Rp7,026.8M yang berarti juta, dan tepat di bawahnya dari Gross Sales Rp 8.03 M yang berarti miliar. Dua arti berbeda dalam satu kartu.

Pilih satu konvensi dan pakai di seluruh dashboard, misalnya jt untuk juta dan M untuk miliar.

02 · Cancel rate per traffic source

Kamu sudah memastikan lonjakan Juni merata di dua channel dan lima kategori. Potongan yang belum dicoba justru yang paling tajam: Paid Social 13,99% dan Paid Search 11,24% berbanding Organic Search 7,43%.

Ini akan mempersempit rekomendasi "audit checkout Website" jadi "audit paid traffic".

DashboardSebelum dan sesudah

Dashboard yang sudah benar, dibuat lebih lengkap.

Dashboard kamu dapat 13 dari 15, dan yang mengurangi bukan kesalahan. Semua yang ada di sana benar. Yang kurang adalah temuan terkuat kamu sendiri belum punya tempat di dashboard, sehingga hanya bisa ditemukan orang yang membaca slide.

Versi kedua di bawah memakai scope yang sama dengan punya kamu: dedup 32 baris, quantity nol dipertahankan, guest checkout jadi Unknown. Jadi angkanya identik dengan angkamu, yang berubah hanya apa yang ditampilkan.

Sebelum: dashboard kamu, dengan lima catatan.

Empat catatan merah adalah hal yang diubah. Satu catatan hijau adalah hal yang justru dipertahankan, karena kamu sudah melakukannya dengan benar dan kandidat lain tidak.

Sesudah: versi yang dilengkapi.

Tiga panel baru ditambahkan, dua panel lama diperkaya, satu panel dipertahankan apa adanya. Tidak ada angka yang diubah.

Fashion E-Commerce · Ringkasan Penjualan

H1 2026 · 1 Januari sampai 30 Juni 2026 · 4.598 order line setelah cleaning

Bulan: semuaChannel: semuaKategori: semuaCustomer type: semua

Net Revenue

Rp 7,03 M

dari Gross Sales Rp 8,03 M

Satuan disamakan: M untuk miliar, jt untuk juta.

Completed Orders

2.481

dari 2.730 total order

Angka dan kartu pendukung dipertahankan apa adanya.

Average Order Value

Rp 2,84 jt

Net Revenue ÷ order unik

Turun 5,9% dari Januari. Trennya sekarang ada di panel pertama.

Cancellation Rate

9,12%

249 order dibatalkan

Melonjak ke 12,24% di Juni. Trennya sekarang terlihat.

Revenue, order, dan AOV per bulan

Batang untuk revenue, angka di atasnya untuk jumlah order, garis untuk AOV. Kedua sumbu diberi label.

Revenue terlihat mendatar karena order naik 7,4% sementara nilai per order turun 5,9%. Dua gerakan itu saling menutupi.

Discount rate dan cancellation ratePanel baru

Dua rasio yang menjelaskan kenapa AOV turun dan apa yang terjadi di Juni.

Diskon naik dari 3,11% ke 4,40%. Cancel rate melonjak ke 12,24% di Juni, dan itu rekomendasi nomor dua kamu.

Kontribusi revenue New vs ExistingDipertahankan

Per bulan, bukan agregat, dengan bucket Unknown ditampilkan terbuka. Sudah benar sejak versi kamu.

Komposisinya berbalik: Januari customer lama masih dominan, Juni sudah tersalip jauh oleh customer baru.

Customer lama yang aktif per bulanPanel baru

Angka 209 ke 128 sebelumnya hanya ada di slide, padahal ini temuan utama kamu.

Yang paling banyak bocor adalah jumlah orang, bukan nilai belanjanya. Ini yang mendasari rekomendasi reaktivasi.

Performa per kategori

Revenue, jumlah order, unit share, AOV, dan discount rate dalam satu baris. Order dihitung distinct per kategori, seperti di notebook kamu.

Handbags menghasilkan 42,5% revenue dari 16,6% unit. Accessories kebalikannya: 22,4% unit, 7,9% revenue. Dua kategori dengan diskon terbesar bukan penghasil revenue tertinggi.

Revenue per channel

Ditambah AOV dan cancel rate, dua angka yang jadi kesimpulanmu.

Cancel rate per traffic sourcePanel baru

Potongan yang belum kamu coba, dan justru yang paling tajam.

Top 10 produk by revenue

Diagregasi pakai product_id, sama seperti punya kamu.

Produk	Kategori	Net Revenue
Handbags ARCOVA 39	Handbags	Rp 245.296.000
Handbags Elova 92	Handbags	Rp 243.631.000
Handbags Elova 59	Handbags	Rp 240.725.000
Handbags Cantera 65	Handbags	Rp 178.153.000
Handbags Mirela 23	Handbags	Rp 178.140.500
Handbags Mirela 30	Handbags	Rp 177.297.500
Shoes Sybren 45	Shoes	Rp 174.163.000
Shoes Arcova 83	Shoes	Rp 165.617.000
Handbags Tesse 41	Handbags	Rp 165.273.500
Handbags Cantera 58	Handbags	Rp 160.987.500

8 Handbags dan 2 Shoes, menyumbang 27,5% dari total revenue.

Delapan hal yang berubah.

Bagian	Sebelum	Sesudah	Yang jadi kelihatan
Tren bulanan	Revenue dan order, dua sumbu tanpa label	Revenue (batang), order (label), AOV (garis), sumbu berlabel	AOV turun 5,9% sambil order naik 7,4%
Panel baru	Tidak ada visual diskon maupun tren pembatalan	Discount rate dan cancellation rate per bulan	Diskon naik 3,11% ke 4,40%, cancel melonjak ke 12,24% di Juni
Panel baru	Angka 209 ke 128 hanya ada di slide	Customer lama aktif per bulan	Temuan utama kamu jadi terlihat tanpa membaca slide
Per kategori	Hanya revenue	Revenue, order, unit share, AOV, discount rate	Handbags 42,5% revenue dari 16,6% unit, dalam satu baris
Per channel	Revenue dan jumlah order	Ditambah AOV dan cancel rate per channel	AOV setara, cancel rate yang berbeda
Panel baru	Cancel rate hanya total dan per channel	Cancel rate per traffic source	Paid Social 13,99% berbanding Organic Search 7,43%
New vs Existing	Sudah per bulan dengan Unknown terbuka	Dipertahankan, hanya dirapikan labelnya	Tidak ada yang perlu diubah di sini
Format angka	M dipakai untuk juta dan miliar	M untuk miliar, jt untuk juta, konsisten	Tidak ada lagi satu huruf dengan dua arti

Tidak ada satu angka pun yang diubah, karena tidak ada yang salah. Yang bertambah cuma tiga panel, dan ketiganya memindahkan temuan yang sudah kamu tulis di slide ke tempat yang akan dilihat Sales Manager lebih dulu.

Bab IVRekap

Rekap dan Penutup

01Rekap poin
02Tiga hal untuk diperdalam
03Kesimpulan

Rekap

Deduction dan bonus yang membentuk skor 95.

Item	Area	Poin
Discount escalation over time belum dibuat, dan AOV decline belum diangkat	Business Analysis	−2
Tren cancellation tidak ada di dashboard, padahal jadi rekomendasi nomor dua	Dashboard	−2
Klaim "nilainya utuh" untuk penurunan 15 persen	Business Analysis	−1
Denominator revenue per customer tidak sejalan dengan numerator	KPI Accuracy	−1
Menemukan dan memutuskan penanganan quantity nol dengan alasan	Data Cleaning	+2
Menormalisasi brand casing, 17 varian jadi 8 brand	Data Cleaning	+2
Pemeriksaan konsistensi di dalam satu order dan kelengkapan periode	Data Understanding	Tercermin

Keempat deduction adalah soal kelengkapan, bukan kebenaran. Tidak ada angka yang salah hitung.

Arah belajar

Tiga hal yang akan menutup jarak terakhir.

01

Dimensi waktu untuk setiap rasio

Kamu sudah kuat memecah metrik per kategori, per produk, dan per channel. Refleks yang belum terbentuk adalah memecahnya per bulan. Rasio yang bergerak menceritakan sesuatu yang tidak pernah diceritakan rasio agregat.

02

Memilih kata sekuat buktinya

"Utuh" mengklaim lebih banyak daripada yang ditunjukkan angkamu. Analisis yang teliti bisa runtuh kredibilitasnya di satu kata yang tidak sekuat datanya, terutama di depan pembaca yang mengecek.

03

Dashboard bukan ringkasan slide

Temuan terpenting harus bisa ditemukan orang yang tidak pernah membaca slide kamu. Tanya balik ke diri sendiri: kalau pembaca cuma punya dashboard ini, temuan mana yang hilang?

Kesimpulan

Ini bukan pengerjaan entry-level.

Kualitas verifikasi, kesadaran terhadap arah sebab akibat, keberanian menolak hipotesis brief yang tidak terbukti, dan format rekomendasimu berada di level junior yang sudah bekerja.

95 / 100

skor akhir case study

Excellent

kategori penilaian

Lanjut

direkomendasikan ke tahap interview

Terima kasih sudah mengerjakan case ini dengan serius.

LatihanMenjadi Data Analyst 2027

Latih cara berpikir yang sama.

Bedah karya ini berasal dari Simulasi Tes Kerja. Program Menjadi Data Analyst 2027 tidak menilai jawabanmu, tetapi melatih kebiasaan yang sama: memverifikasi angka, membaca konteks bisnis, dan menulis memo yang bisa dipertanggungjawabkan. Satu kasus setiap hari.

Lihat Gelombang Januari

Bedah karya lain: