Bedah karyaSimulasi Tes Kerja

Gevan Putra Yudhistira

Entry-Level Data Analyst. Case study Fashion E-Commerce Performance Analysis H1 2026. Setiap angka di halaman ini sudah kami hitung ulang dari dataset mentah, termasuk sebelas klaim turunan di presentasimu.

86dari 100 poin

Strong Pass. Direkomendasikan lanjut ke tahap interview.

Workbook 11 tab, dashboard Looker Studio, presentasi 4 slide. Deliverable lengkap.

Area penilaian	Bobot	Skor	Level
Data Understanding	10	7	Good
Data Cleaning	20	18	Excellent
KPI Accuracy	30	27	Excellent
Business Analysis	25	22	Excellent
Dashboard	15	12	Good
Total	100	86	Strong Pass

Kualitas analisismu setara kandidat terbaik di batch ini. Yang menahan skormu satu operasi cleaning yang tidak diverifikasi ulang. Catatan pembuka dari evaluator

Setiap kesimpulanmu punya angka, dan setiap angka cocok dengan rekalkulasi kami sampai digit terakhir. Dua temuan yang bahkan tidak didapat kandidat peringkat satu justru kamu dapatkan.

Yang rusak adalah kolom nama di satu tabel dimensi. Kabar baiknya, seluruh angkamu selamat, karena agregasimu memakai product_id dan category, bukan nama.

Bab IVerifikasi

Verifikasi Angka

01Scope yang persis
02Sebelas klaim turunan

Dari enam kandidat, kamu satu satunya yang scope cleaningnya persis sama dengan answer key kami.

Dedup 32 baris, buang 24 baris quantity nol, pertahankan guest checkout. Hasilnya 4.574 baris, dan kelima KPI keluar tepat di angka yang kami harapkan.

Rekalkulasi independen

Bukan cuma KPI. Sebelas klaim turunan juga dicek.

Klaim	Angka kamu	Rekalkulasi kami
Net Revenue, Completed Orders, AOV	7,03 M / 2.476 / 2.837.979	identik
April naik dari Maret	+4,1%	+4,13%
Cancel Juni, Website dan Marketplace	12,41 / 12,11%	12,41 / 12,11%
Cancel Juni, Paid Search	16,42%	16,42%
Gap revenue antar channel	41%	41,1%
Selisih AOV New vs Existing	Rp 10.856	Rp 10.856
AOV Small Leather Goods vs Accessories	843rb / 693rb	843.563 / 693.476
Kontribusi Top 10 dan Bottom 10	27,5% / 1,9%	27,5% / 1,9%
Guest checkout	83 baris, 1,58%	83 baris, 1,58%

Cancellation rate bulanan di tab KPI juga benar keenam bulannya, dengan denominator per bulan yang tepat.

Bab IIYang sudah kuat

Yang Sudah Kuat

01Alasan di balik tiap keputusan
02Tujuh issue tertangani
03Jebakan interpretasi
04Dua temuan yang unik

Tab dokumentasi

Setiap keputusan cleaning kamu punya kolom alasan tertulis.

Keputusan	Alasan yang kamu tulis
quantity nol dibuang	Tidak merepresentasikan transaksi yang valid dan akan mendistorsi AOV serta jumlah order
customer_id blank dipertahankan	Tetap valid untuk KPI Gross Sales, Net Revenue, dan Completed Orders di level order
city blank dibiarkan	City tidak dipakai di lima KPI wajib maupun aturan segmentasi New dan Existing

Ketiganya keputusan yang benar, dan ketiganya kamu jelaskan sebelum ditanya. Kamu juga merekonsiliasi jumlah baris: 4.630 mentah menjadi 4.574 bersih. Kandidat lain ada yang membangun rekonsiliasi seperti ini lalu membiarkannya tidak cocok.

Data Cleaning

7dari 7 issue tertangani

Termasuk dua yang berstatus bonus. Jumlah duplikat yang kamu laporkan juga tepat di angka 32, tidak seperti kandidat lain yang melaporkan 30 karena urutan cleaning mereka terbalik.

Issue	Jumlah	Penanganan
Duplicate rows	32	Dibuang
Missing city	5	Dibiarkan, beralasan
Guest checkout	84	Dipertahankan
payment_method	348	Dinormalisasi
Trailing space channel	104	Bersih di hasil
quantity nol (bonus)	24	Dibuang, beralasan
Case style (bonus)	17 varian	PROPER()

Tiga jebakan, tiga lolos

Case ini dipasangi kesimpulan yang kelihatan benar tapi salah. Kamu lolos semuanya, dengan angka.

Channel

"Gap revenue 41% didorong oleh volume order, bukan nilai belanja per transaksi. AOV kedua channel cuma selisih 2,7%."

Lalu rekomendasimu menyusul dengan tepat: fokus Marketplace ke volume, bukan ke pricing atau AOV.

Kategori

"Small Leather Goods terlemah bukan karena minat rendah, AOV Small Leather Goods Rp 843rb, lebih tinggi dari Accessories Rp 693rb. Penyebabnya SKU paling sedikit, 16 produk."

Nuansa ini cuma kamu dan satu kandidat lain yang dapat.

New vs Existing

"AOV keduanya nyaris sama, selisih hanya Rp 10.856, jadi gap ini murni dari frekuensi order."

Angka Rp 10.856 itu cocok persis dengan rekalkulasi kami. Bukan pembulatan, tapi angka sebenarnya.

Bagian paling impresif

Dua temuan yang tidak didapat lima kandidat lain, termasuk yang peringkat satu.

01 · Order naik, AOV turun, diskon naik

Kamu menulis: "Order terbanyak tapi revenue lebih rendah, Mei 427 order, dijelaskan oleh AOV lebih rendah akibat qty lebih sedikit per order dan diskon lebih besar."

Kami cek keduanya. Quantity per order turun dari 2,83 di April ke 2,59 di Mei, dan discount rate naik dari 3,92% ke 4,40%. Keduanya benar.

Menghubungkan tiga variabel sekaligus seperti ini yang membedakan laporan angka dari diagnosis.

02 · Cancellation dipecah sampai traffic source

Kamu tidak berhenti di "Juni melonjak". Kamu cek per channel dulu, menemukan kenaikannya merata, lalu turun lagi ke traffic source dan menemukan Paid Search 16,42%.

Rekalkulasi kami: 16,42%, persis. Dari enam kandidat, cuma kamu yang sampai ke potongan ini.

Efeknya ke rekomendasi nyata: investigasi jadi punya titik mulai yang sempit.

Bab IIIKoreksi

Yang Perlu Dikoreksi

01Nama produk tertukar
02Produk hantu di Top 10
03Premis rekomendasi April
04Catatan kecil

Sepuluh nama produk tertukar antar product_id. Angkamu semuanya selamat, tapi labelnya tidak.

Semua agregasimu memakai product_id dan category, jadi tidak ada satu pun KPI yang perlu dihitung ulang. Yang rusak cuma kolom nama di satu tabel dimensi.

Koreksi 01 · Data Cleaning −2

Sepuluh baris di clean_products punya nama yang bukan miliknya.

product_id	Nama di sheet kamu	Nama sebenarnya
PRD1001	Handbags Elova 21	Handbags Mirela 23
PRD1005	Handbags Arcova 68	Handbags Cantera 58
PRD1008	Handbags Sybren 16	Handbags ARCOVA 39
PRD1014	Handbags Arcova 39	Handbags Elova 92
PRD1016	Handbags Tesse 41	Handbags sybren 16
PRD1019	Handbags Cantera 58	Handbags Cantera 65

Enam dari sepuluh. Empat sisanya PRD1002, PRD1009, PRD1010, PRD1017.

Polanya menunjuk ke satu penyebab

Namanya tidak hilang, cuma bertukar posisi antar sesama baris Handbags. Pola tertutup seperti ini khas satu hal: kolom nama diurutkan atau disalin tanpa membawa product_id ikut serta, kemungkinan besar saat menerapkan PROPER().

Kenapa angkamu selamat

Kolom category tidak ikut rusak, dan seluruh agregasimu memakai product_id atau category. Tidak ada KPI, breakdown kategori, atau angka revenue yang terpengaruh.

Koreksi 02 · KPI Accuracy −2

Efek lanjutannya: satu produk senilai Rp 299,7 juta yang tidak ada.

Di tab Business_Analysis, Top 10 kamu diagregasi pakai product_name. Karena PRD1016 sekarang bernama "Handbags Tesse 41", dan PRD1011 memang bernama "Handbags Tesse 41", keduanya tergabung jadi satu baris.

Baris itu menempati peringkat satu dan menggeser satu produk asli keluar dari Top 10.

Selalu agregasi pakai primary key, lalu lookup namanya hanya untuk display. Di dataset ini bahkan ada dua produk berbeda dengan nama sama sejak awal.

165,3 jt

PRD1011, Handbags Tesse 41 yang asli

134,5 jt

PRD1016, yang namanya tertukar

299,7 jt

angka gabungan yang muncul di sheet kamu

6

nama salah di Top 10 dashboard

Koreksi 03 · Dashboard −2

Di dashboard, product_id dan revenue benar. Namanya yang salah.

Rank	product_id	Nama di dashboard	Nama sebenarnya
1	PRD1008	Handbags Sybren 16	Handbags ARCOVA 39
2	PRD1014	Handbags Arcova 39	Handbags Elova 92
3	PRD1017	Handbags Elova 92	Handbags Elova 59
4	PRD1019	Handbags Cantera 58	Handbags Cantera 65
5	PRD1001	Handbags Elova 21	Handbags Mirela 23
10	PRD1005	Handbags Arcova 68	Handbags Cantera 58

Dampak praktisnya nyata

Kalau tim merchandising bertindak berdasarkan daftar ini, mereka akan mendorong stok produk yang salah. Kesimpulanmu "8 dari 10 adalah Handbags" tetap benar, jadi analisisnya selamat, tapi daftarnya sendiri belum bisa dipakai.

Bottom 10 tidak terpengaruh, karena produknya Ready-to-Wear, Accessories, dan Small Leather Goods, di luar blok Handbags yang rusak.

Koreksi 04 · Business Analysis −2

Premis rekomendasi nomor satu tidak sesuai datanya.

Kamu menulis: "April adalah satu satunya bulan dengan kenaikan order count dan revenue bersamaan tanpa dikompensasi kenaikan discount rate."

Bulan	Order	Revenue	Discount rate
Februari	naik	turun	3,11% → 3,53%
Maret	naik	naik	3,53% → 3,55%
April	naik	naik	3,55% → 3,92%
Mei	naik	turun	3,92% → 4,40%
Juni	turun	naik	4,40% → 4,03%

Maret juga mengalami kenaikan order dan revenue bersamaan, jadi April bukan satu satunya bulan. Dan discount rate April naik, dari 3,55% ke 3,92%, kenaikan terbesar kedua di periode ini. Menariknya, angka discount rate bulanan sudah ada di kerjaanmu dan sudah kamu pakai dengan benar untuk menjelaskan Mei. Di rekomendasi ini arahnya terbalik.

Catatan kecil

Tiga hal ini nilainya kecil, tapi cepat diperbaiki.

01 · Penyebut yang tidak konsisten

Slide menulis new customer menyumbang 56,3% dari total Net Revenue. Angka itu porsi terhadap New dan Existing saja. Terhadap total sebenarnya, termasuk Unknown, porsinya 55,4%.

Kamu sendiri sudah menulis di limitasi bahwa Unknown itu 1,58%.

02 · Grain, key, dan integritas

Pipeline kamu rapi dan rekonsiliasi baris sudah ada. Yang belum: pernyataan grain per tabel, penetapan primary key, dan pemeriksaan referential integrity.

Uji sederhana bahwa product_id masih berpasangan dengan nama yang sama sebelum dan sesudah cleaning akan langsung menangkap koreksi nomor satu.

03 · Dua panel dashboard

Net Revenue by Category hanya menampilkan revenue. Brief meminta revenue dan order, dan AOV per kategori sudah ada di tab KPI kamu.

Belum ada tren cancellation maupun visual diskon, padahal dua temuan terkuatmu berdiri di atas keduanya.

DashboardSebelum dan sesudah

Angka yang sudah tepat, label yang perlu dibetulkan.

Keempat KPI card di dashboard kamu tepat sampai digit terakhir, dan kamu satu satunya kandidat yang menampilkan Bottom 10 di dashboard. Yang perlu dibetulkan ada dua: enam nama produk di Top 10 yang tertukar dari product_id pemiliknya, dan dua temuan terbaikmu yang belum punya panel.

Versi kedua di bawah memakai scope yang sama dengan punya kamu, yaitu dedup 32 baris, buang 24 baris quantity nol, pertahankan guest checkout. Total 4.574 baris, jadi setiap angka identik dengan angkamu.

Sebelum: dashboard kamu, dengan tujuh catatan.

Enam catatan merah adalah hal yang diubah. Satu catatan hijau adalah hal yang kamu lakukan sendirian di antara enam kandidat, dan itu dipertahankan apa adanya.

Sesudah: versi yang dibetulkan.

Nama produk dikembalikan ke product_id yang benar, dua panel baru ditambahkan, dan empat panel lama digabung jadi dua supaya ruangnya cukup. Tidak ada angka yang diubah.

Fashion E-Commerce · H1 2026

1 Januari sampai 30 Juni 2026 · 4.574 order line setelah cleaning

Month: semuaSales Channel: semuaCategory: semuaCustomer Type: semua

Total Net Revenue

Rp 7,03 M

dari Gross Sales Rp 8,03 M

Angka kamu tepat. Ditambah konteks Gross Sales.

Order Completed

2.476

dari 2.725 total order

Angka kamu tepat. Sama persis dengan answer key.

Average Order Value

Rp 2,84 jt

Net Revenue ÷ order unik

Angka kamu tepat. Trennya sekarang ada di panel pertama.

Cancellation Rate

9,14%

249 order dibatalkan

Angka kamu tepat. Melonjak ke 12,29% di Juni, kini terlihat.

Revenue, order, dan AOV per bulanDigabung

Menggabungkan Monthly Revenue Trend dan Completed Order by Month, lalu menambahkan AOV.

Mei punya order terbanyak (427) tapi revenue lebih rendah, karena AOV turun. Ini penjelasan yang sudah kamu tulis di Business_Analysis, sekarang terlihat dalam satu panel.

Discount rate dan cancellation ratePanel baru

Dua rasio yang jadi dasar dua temuan terkuat kamu, tapi belum pernah muncul di dashboard.

Discount naik 3,92% ke 4,40% di Mei, persis yang kamu pakai untuk menjelaskan AOV. Cancel rate melonjak ke 12,29% di Juni.

Kontribusi revenue per customer typeGanti bentuk

Per bulan, bukan donut agregat, dan segmen Unknown ditampilkan terbuka.

Porsi customer lama turun dari 56,5% ke 29,2%. Segmen Unknown yang kamu tulis di limitasi sekarang terlihat, bukan tersembunyi di dalam total.

Cancel rate per traffic sourcePanel baru

Temuan kamu sendiri, dipindahkan dari slide ke dashboard. Angka di bawah untuk seluruh periode.

Dengan filter Month diarahkan ke Juni, Paid Search naik ke 16,42%, persis angka yang kamu tulis. Potongan ini tidak ditemukan lima kandidat lain.

Performa per kategori

Ditambah jumlah order, unit share, AOV, dan discount rate. Order dihitung distinct per kategori, sama seperti di tab KPI kamu.

Small Leather Goods AOV Rp 844 rb, lebih tinggi dari Accessories Rp 693 rb. Kesimpulanmu bahwa kelemahannya soal jumlah SKU, bukan minat, sekarang bisa dibaca langsung dari panelnya.

Revenue per channelDigabung

Menggabungkan dua panel channel, ditambah AOV dan cancel rate.

Top 10 produkNama dibetulkan

product_id dan revenue kamu sudah benar. Nama dikembalikan ke pemilik aslinya.

Produk	ID	Net Revenue
Handbags Arcova 39	PRD1008	Rp 245.296.000
Handbags Elova 92	PRD1014	Rp 243.631.000
Handbags Elova 59	PRD1017	Rp 240.725.000
Handbags Cantera 65	PRD1019	Rp 178.153.000
Handbags Mirela 23	PRD1001	Rp 178.140.500
Handbags Mirela 30	PRD1021	Rp 177.297.500
Shoes Sybren 45	PRD1072	Rp 174.163.000
Shoes Arcova 83	PRD1058	Rp 165.617.000
Handbags Tesse 41	PRD1011	Rp 165.273.500
Handbags Cantera 58	PRD1005	Rp 160.987.500

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

Bottom 10 produkDipertahankan

Sudah benar di versi kamu. Kamu satu satunya yang menampilkannya.

Produk	ID	Net Revenue
Ready-To-Wear Mirela 26	PRD1041	Rp 8.366.500
Accessories Luria 40	PRD1084	Rp 9.762.500
Ready-To-Wear Cantera 40	PRD1028	Rp 11.866.000
Small Leather Goods Norvik 57	PRD1098	Rp 13.012.000
Accessories Luria 64	PRD1080	Rp 13.474.000
Ready-To-Wear Sybren 47	PRD1035	Rp 14.365.000
Accessories Sybren 57	PRD1085	Rp 14.434.500
Accessories Arcova 48	PRD1088	Rp 15.277.500
Ready-To-Wear Norvik 42	PRD1045	Rp 15.302.000
Ready-To-Wear Tesse 59	PRD1034	Rp 16.276.000

5 Ready-to-Wear, 4 Accessories, 1 Small Leather Goods. Total 1,9% revenue.

Tujuh hal yang berubah.

Bagian	Sebelum	Sesudah	Yang jadi kelihatan
Top 10	Enam nama tidak cocok dengan product_id	Nama dikembalikan ke pemilik aslinya	PRD1008 kembali jadi Handbags ARCOVA 39, bukan Handbags Sybren 16
Tren bulanan	Revenue dan order di dua panel terpisah, AOV tidak ada	Revenue, order, dan AOV dalam satu panel	Mei punya order terbanyak tapi revenue turun, karena AOV jatuh
Panel baru	Tidak ada visual diskon maupun tren pembatalan	Discount rate dan cancellation rate per bulan	Diskon naik ke 4,40% di Mei, cancel melonjak ke 12,29% di Juni
Panel baru	Cancel rate per traffic source hanya ada di slide	Dipindahkan ke dashboard	Paid Search 16,42% berbanding Direct 9,76% di Juni
Customer type	Donut agregat, segmen Unknown tidak ditampilkan	Batang bertumpuk per bulan, Unknown ikut terlihat	Porsi customer lama turun dari 56,5% ke 29,2%
Per kategori	Hanya revenue	Revenue, order, unit share, AOV, discount rate	AOV Small Leather Goods lebih tinggi dari Accessories
Per channel	Dua panel terpisah untuk revenue dan order	Satu panel, ditambah AOV dan cancel rate	AOV cuma beda 2,7%, cancel rate beda 10,2% vs 7,7%

Tidak ada satu angka pun yang diubah, karena semua angkamu sudah tepat. Yang berubah cuma nama produk yang dikembalikan ke pemiliknya, dan dua temuan terbaikmu yang dipindahkan dari slide ke dashboard.

Bab IVRekap

Rekap dan Penutup

01Rekap poin
02Tiga hal untuk diperdalam
03Kesimpulan

Rekap

Deduction dan bonus yang membentuk skor 86.

Item	Area	Poin
Tidak ada grain, primary key, referential integrity	Data Understanding	−3
Premis rekomendasi April tidak sesuai data	Business Analysis	−2
Enam nama di Top 10 dashboard salah	Dashboard	−2
Top 10 di sheet diagregasi by product_name, muncul produk hantu	KPI Accuracy	−2
Sepuluh product_name tertukar antar product_id	Data Cleaning	−2
Revenue by Category tanpa order, tidak ada tren cancellation dan diskon	Dashboard	−1
Porsi New Customer memakai penyebut yang tidak konsisten	KPI Accuracy	−1
Menemukan dan menangani quantity nol dengan alasan	Data Cleaning	+2
Menormalisasi case style pada kolom teks	Data Cleaning	+2

Arah belajar

Tiga hal yang akan menutup jarak terakhir.

01

Kunci dan atributnya jangan pernah dipisah

Setiap kali menyentuh tabel dimensi, entah pengurutan, penyalinan, atau formula, pastikan primary key ikut bergerak bersama atributnya. Satu pemeriksaan sesudahnya, membandingkan pasangan kunci dan nama sebelum dan sesudah, sudah cukup mencegah koreksi nomor satu.

02

Verifikasi premis, bukan cuma angka

Angkamu akurat sampai digit terakhir. Yang belum diperiksa dengan disiplin yang sama adalah kalimat penghubungnya. Kata seperti "hanya" dan "tanpa" adalah klaim yang bisa diuji, dan sebaiknya diuji sebelum ditulis.

03

Bawa temuan terkuat ke dashboard

Penjelasan AOV Mei dan lonjakan cancellation Juni adalah dua bagian terbaik dari analisismu, tapi keduanya belum punya panel sendiri. Tanya balik: kalau pembaca cuma punya dashboard ini, temuan mana yang hilang?

Kesimpulan

Analisisnya kelas atas. Yang perlu dibangun kebiasaan memverifikasi hasil cleaning.

Setiap kesimpulanmu punya angka, setiap angka cocok sampai digit terakhir, dan kamu menghindari seluruh jebakan interpretasi di case ini. Dua temuan yang tidak didapat kandidat peringkat satu justru kamu dapatkan.

Yang menahan skormu satu operasi cleaning yang melepas nama produk dari kuncinya, dan efeknya merambat ke dua tempat. Seluruh angkamu selamat, jadi perbaikannya cepat: satu kolom di satu tabel dimensi, plus satu pemeriksaan supaya hal serupa ketahuan lebih awal.

86 / 100

skor akhir case study

Strong Pass

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: