Bedah karyaSimulasi Tes Kerja

Saily Roshina Ayu Vidiana

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, supaya kamu bisa menelusurinya sendiri.

85dari 100 poin

Strong Pass. Direkomendasikan lanjut ke tahap interview.

Rubric standar 100 poin untuk posisi Entry-Level Data Analyst. Empat deliverable lengkap, presentasi tepat 5 slide sesuai batas.

Area penilaian	Bobot	Skor	Level
Data Understanding	10	9	Excellent
Data Cleaning	20	18	Excellent
KPI Accuracy	30	24	Good
Business Analysis	25	20	Good
Dashboard	15	14	Excellent
Total	100	85	Strong Pass

Tool kamu Google Sheets, sama seperti kebanyakan kandidat lain. Yang membuat pengerjaanmu menonjol adalah disiplin verifikasinya. Catatan pembuka dari evaluator

Kamu membuat tab audit terpisah untuk grain, primary key, referential integrity, missing value, range check, dan konsistensi teks. Cleaning log kamu lengkap dengan formula, treatment, dan alasannya. Kamu juga menuliskan limitasi, termasuk yang menyerempet kredibilitas datamu sendiri.

Kesalahan yang ada semuanya teknis dan bisa dibereskan dalam satu sesi. Tidak ada kesalahan fatal di seluruh pengerjaanmu.

Bab IVerifikasi

Verifikasi Angka

01Rekalkulasi lima KPI utama
02Breakdown yang ikut dicek
03Dari mana selisihnya datang

Kami hitung ulang seluruh KPI kamu dari CSV mentah. Semuanya cocok sampai rupiah terakhir.

Artinya formula, scope, dan urutan cleaning kamu bisa dipertanggungjawabkan. Itu hal pertama yang kami periksa sebelum menilai analisisnya.

Rekalkulasi independen

Lima KPI utama, dicek satu per satu.

KPI	Angka kamu	Rekalkulasi kami	Answer key	Status
Net Revenue	6.915.492.500	6.915.492.500	7.027 M	Cocok persis
Gross Sales	7.908.294.500	7.908.294.500	8.035 M	Cocok persis
Completed Orders	2.434	2.434	2.476	Cocok persis
AOV	2.841.205	2.841.205	2.837.979	Cocok persis
Cancellation Rate	9,08%	9,08%	9,14%	Cocok persis

Cara baca: kolom "rekalkulasi kami" dihitung ulang dari CSV mentah memakai scope yang kamu pilih, yaitu dedup, buang quantity nol, lalu buang guest checkout. Kolom "answer key" memakai scope kami, yang mempertahankan guest checkout.

Dari mana selisihnya

Selisih terhadap answer key datang dari satu keputusan, bukan dari salah rumus.

Kamu membuang 84 baris guest checkout. Jumlah itu setara 42 order dan Rp 111 juta revenue, persis sebesar selisih yang muncul di tabel sebelumnya. Formulanya sendiri benar semua.

Keputusan itu kami bahas di Bab III, karena penanganannya bisa lebih baik.

Ikut dicek dan ikut cocok

01Monthly summary enam bulan penuh

02Sales channel: Website 1.391, Marketplace 1.043

03Customer type: New 321 orang, Existing 587 orang

04Revenue per kategori, kelima kategori

05Cancellation rate per channel: 10,08% vs 7,70%

06Bottom 10 produk: Ready-to-Wear 5 dari 10

Bab IIYang sudah kuat

Yang Sudah Kuat

01Disiplin metodologi KPI
02Audit data quality
03Temuan di luar answer key
04Trap interpretasi
05Dashboard dan presentasi

Nol jebakan klasik

Lima kesalahan paling umum di posisi ini. Kamu tidak melakukan satu pun.

01Dedup 32 duplicate order_line_id sebelum agregasi apa pun dijalankan

02Net Revenue = (qty × price) − discount, Completed only

03AOV memakai COUNT(DISTINCT order_id) lewat kolom Flag Order Unique, bukan jumlah baris

04Cancellation Rate dihitung di order level, bukan line level

05Null discount_amount sebanyak 63 baris, diisi nol sesuai KPI definition

Empat dari lima ini adalah deduction terbesar di rubric kami, bernilai 5 sampai 8 poin per kesalahan. Semuanya lewat.

Data quality audit

7dari 7 issue ditemukan

Termasuk dua yang kami tandai sebagai bonus, karena tidak memengaruhi KPI mana pun dan biasanya terlewat.

Issue yang ditanam	Jumlah	Status
Duplicate order_line_id	32	Ditangani
Missing city di customers	5	Ditandai
Guest checkout tanpa customer_id	84	Ditemukan
Varian penulisan payment_method	3	Ditemukan
Trailing space di sales_channel	104	Bersih di hasil
Quantity nol (bonus)	24	Ditangani
Brand casing (bonus)	17	Ditemukan

Temuan tambahan

Kamu menemukan yang tidak ada di answer key kami.

Kamu membandingkan order_date terhadap first_purchase_date dan registration_date, lalu menemukan bahwa ketiga tanggal itu saling bertentangan di seperempat basis customer.

Kamu tidak mengubah datanya. Kamu tetap memakai definisi segmentasi yang diberikan, lalu menuliskannya sebagai limitasi dan meminta divalidasi ke tim terkait. Itu langkah yang benar untuk anomali di luar wewenangmu.

1.692

baris dengan tanggal yang tidak konsisten

266

customer unik terdampak, setara 25,2%

955

order terjadi sebelum tanggal registrasi

737

sesudah registrasi, sebelum first purchase

Empat jebakan interpretasi

Case ini memang dipasangi kesimpulan yang kelihatan benar tapi salah. Kamu lolos semuanya.

Tren revenue

Kamu menulis revenue stabil di Rp1,1 sampai 1,2 M per bulan, bukan tumbuh sehat. Itu yang benar.

Website vs Marketplace

Kamu tidak mengklaim AOV Website jauh lebih tinggi. Pembedamu revenue 1,4× dan cancel rate.

Kategori premium

Kamu tidak menyebut Accessories premium. Kategori itu justru punya AOV terendah dari lima.

Small Leather Goods

Lemah, tapi jumlah SKU di kategori itu paling sedikit, cuma 16. Kamu menahan diri sebelum menyimpulkan minat rendah.

Kamu juga menemukan lonjakan cancellation Juni ke 12,3% dan menjadikannya rekomendasi nomor satu, tanpa mengarang penyebabnya.

Deliverable

Dashboard satu halaman, langsung terbaca untuk Sales Manager.

4

KPI card, seluruhnya sesuai permintaan

6

visual, termasuk trend dan top 10

4

filter: date, channel, category, customer type

5

slide presentasi, tepat di batas maksimal

Ada satu hal yang jarang muncul di level entry dan patut disebut: kamu membuat slide limitasi dan catatan metodologi. Sebagian besar kandidat memilih menyembunyikan keterbatasan datanya. Kamu menuliskannya di depan.

Bab IIIKoreksi

Yang Perlu Dikoreksi

01AOV per kategori
02Guest checkout
03Agregasi top 10
04Dua temuan wajib
05Tiga catatan kecil

Koreksi 01 · KPI Accuracy −4

Order count dan AOV per kategori salah hitung.

Kategori	Order kamu	Order benar	AOV kamu	AOV benar
Handbags	410	628	7,20 jt	4,70 jt
Shoes	653	922	3,20 jt	2,28 jt
Ready-to-Wear	511	744	1,70 jt	1,18 jt
Accessories	512	788	1,10 jt	0,70 jt
Small Leather Goods	348	523	1,30 jt	0,84 jt

Akar masalahnya

Kolom Flag Order Unique menandai satu baris per order. Itu benar untuk total, tapi rusak begitu dipecah per kategori, karena kategori adalah atribut level baris, bukan level order. Order lintas kategori jadi cuma tercatat di satu kategori.

Cara benar

Hitung COUNT(DISTINCT order_id) yang difilter per kategori, dan terima bahwa totalnya akan melebihi 2.434. Satu order memang boleh masuk dua kategori.

Urutan kategorinya tidak berubah, jadi seluruh kesimpulan bisnismu tetap sahih. Yang salah angkanya, bukan ceritanya. Revenue per kategori sudah benar semua.

Koreksi 02 · Data Cleaning −2

Guest checkout dibuang, padahal revenue mereka valid.

Alasannya kamu tulis, yaitu tidak bisa disegmentasi New atau Existing, dan itu jujur, jadi kami tidak memotong penuh. Tapi penanganan yang benar adalah mempertahankannya sebagai customer type "Guest".

Aturan umumnya

Baris yang tidak bisa disegmentasi tetap masuk ke KPI total, dan hanya dikeluarkan dari breakdown yang memang membutuhkan segmen itu. Jangan buang barisnya, pindahkan ke bucket Unknown atau Guest.

84

baris order_lines ikut terbuang

42

completed order hilang dari laporan

111 jt

revenue valid yang tidak terhitung

1,6%

dari total revenue perusahaan

Koreksi 03 · KPI Accuracy −2

Top 10 diagregasi pakai product_name, bukan product_id.

Ada dua product_id berbeda dengan nama yang sama: PRD1003 dan PRD1010, keduanya bernama "Handbags Mirela 99". Kedua SKU itu terjumlah jadi satu baris senilai Rp 203.605.000, naik ke posisi empat, dan menggeser Shoes Arcova 83 keluar dari Top 10.

Efeknya kelihatan di dokumenmu sendiri. Slide menulis Top 10 didominasi Handbags 8 dari 10, padahal dashboard menampilkan 9 dari 10. Inkonsistensi kecil seperti ini yang biasanya ditanyakan stakeholder lebih dulu.

Cara benar

Selalu agregasi memakai primary key, yaitu product_id, lalu XLOOKUP nama produknya hanya untuk keperluan display. Nama produk bukan kolom unique, dan tidak ada sistem yang menjamin ia unique.

Coba cek lagi: kolom apa lagi di ketiga dataset ini yang kelihatan unique tapi sebenarnya tidak dijamin unique?

Discount naik. AOV turun. Revenue tidak tumbuh. Discount gagal jadi growth lever, dan itu tekanan margin.

Semua angka untuk menyimpulkan itu sudah ada di sheet kamu. Satu kalimat ini yang belum kamu tulis, dan kalimat inilah yang akan mengubah keputusan Sales Manager.

Koreksi 04 · Business Analysis −5

Dua temuan wajib hanya tertangkap separuh.

A · AOV menurun

Order tumbuh +7,4% dari 394 ke 421. Revenue praktis flat, cuma +1,0%. Artinya nilai per order turun 5,5%.

Angka AOV bulanan sudah ada di sheet kamu (3,0 jt, lalu 2,7 jt, lalu 2,8 jt), tapi tidak pernah kamu angkat jadi insight. Ini inti masalahnya: bisnis menjual lebih banyak order untuk uang yang sama.

B · Discount naik tiap bulan

Discount rate bergerak 3,11% → 3,53% → 3,55% → 3,92% → 4,40%, lalu turun ke 4,03% di Juni.

Kamu menganalisis discount per kategori, dan bagian itu sudah benar. Tapi dimensi waktunya tidak pernah dibuat, sehingga kenaikannya tidak terlihat sama sekali di laporanmu.

Dipisah, dua temuan ini cuma observasi biasa. Digabung, keduanya jadi satu diagnosis yang jauh lebih tajam.

Koreksi 05 sampai 07 · catatan kecil

Tiga hal ini tidak mengurangi poin, tapi akan menaikkan mutu laporanmu.

05 · Trend New vs Existing

Proporsi revenue existing turun terus: 56,5% → 51,1% → 49,5% → 41,0% → 30,7% → 29,2%. Angka agregatmu 56,3 dan 43,7 sudah benar, tapi trend bulanannya jauh lebih persuasif, karena itulah yang membuktikan concern Sales Manager.

06 · AOV dua segmen itu identik

New Rp 2.845.955 vs Existing Rp 2.835.099, beda 0,4%. Pembeda nyatanya frekuensi order, 4,26 vs 1,81. Framing "2,4× lebih bernilai per kepala" berisiko dibaca manajemen sebagai belanjanya lebih besar per transaksi.

07 · Cancel rate per traffic source

Paid Social 14,0% dan Paid Search 11,2% vs Organic Search 7,4%. Traffic berbayar membatalkan sekitar 2× lebih sering. Ini langsung menjelaskan kenapa Website lebih tinggi dari Marketplace, dan menajamkan rekomendasi nomor satumu.

DashboardSebelum dan sesudah

Dashboard yang sama, dibaca ulang.

Dashboard kamu sudah memenuhi seluruh permintaan soal: empat KPI card, enam visual, empat filter, satu halaman. Nilainya 14 dari 15. Halaman ini bukan soal kelengkapan, tapi soal apa yang dilihat Sales Manager lebih dulu.

Di bawah ada dua versi. Versi pertama punya kamu, apa adanya. Versi kedua dibangun ulang dari dataset yang sama, dengan angka yang sudah dikoreksi dan urutan panel yang mengikuti pertanyaan bisnisnya.

Sebelum: dashboard kamu, dengan tujuh catatan.

Nomor pada gambar merujuk ke daftar di bawahnya. Tidak satu pun dari ini membuat dashboard kamu salah. Semuanya soal seberapa cepat pembaca sampai ke kesimpulan.

1Judul pakai font display yang terlalu santai untuk dashboard eksekutif.
2KPI card kurang 1,6% karena 84 baris guest checkout dibuang.
3Trend bulanan cuma revenue dan cancel rate. AOV dan discount tidak ada, padahal di situ ceritanya.
4Revenue by Category cuma menampilkan revenue. Order dan AOV tidak ada, padahal soal memintanya.
5Pie dua irisan untuk New vs Existing. Bentuk agregat, jadi penurunan tiap bulan tidak kelihatan.
6Revenue per Customer gampang dibaca sebagai new customer belanja lebih besar per transaksi.
7Top 10 diagregasi pakai product_name, jadi dua SKU beda tergabung dan satu produk tergeser keluar.

Sesudah: versi yang dibangun ulang.

Angka dihitung ulang dari CSV mentah dengan guest checkout dipertahankan. Dua panel baru ditambahkan, dua panel lama diganti bentuknya, dan format angkanya dibuat konsisten.

Fashion E-Commerce · Sales Performance

H1 2026 · 1 Januari sampai 30 Juni 2026 · Completed orders

Bulan: semuaChannel: semuaKategori: semuaCustomer type: semua

Net Revenue

Rp 7,03 M

H1 2026 · Completed only

Punya Saily Rp 6,92 M. Selisih Rp 111 jt dari 42 order guest checkout.

Completed Orders

2.476

COUNT(DISTINCT order_id)

Punya Saily 2.434. 42 order guest ikut terbuang.

Average Order Value

Rp 2,84 jt

Net Revenue ÷ order unik

Punya Saily Rp 2,84 jt. Praktis sama, metodenya sudah benar.

Cancellation Rate

9,14%

Order level, bukan line level

Punya Saily 9,08%. Praktis sama, metodenya sudah benar.

Order naik, tapi AOV turun

Completed orders dan average order value per bulan. Ini pertanyaan pertama Sales Manager.

Order tumbuh 394 ke 421 (+7,4%) tapi revenue cuma naik 1,0%. Nilai per order turun 5,5%.

Discount dan cancellation ratePanel baru

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

Discount naik terus dari 3,1% ke 4,4%, lalu cancel rate melonjak ke 12,3% di Juni.

Performa per kategori

Revenue, jumlah order, AOV, dan discount rate dalam satu baris. Order dihitung distinct per kategori.

Shoes punya order terbanyak dan AOV nomor dua, tapi discount di kategori itu paling besar (6,1%). Handbags kebalikannya.

Kontribusi existing customerGanti bentuk

Porsi revenue dari existing customer per bulan, menggantikan pie chart agregat.

Turun enam bulan beruntun, dari 56,5% ke 29,2%. Inilah bukti concern Sales Manager.

Revenue per channel

Dengan AOV dan cancel rate menempel di tiap channel.

Cancel rate per traffic sourcePanel baru

Menjelaskan kenapa cancel rate Website lebih tinggi.

Top 10 produk by revenue

Diagregasi pakai product_id, bukan product_name.

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
KPI card	Guest checkout dibuang, angka kurang 1,6%	Guest dipertahankan sebagai customer type tersendiri	Net Revenue naik ke Rp 7,03 M
Trend bulanan	Revenue dan cancel rate saja	Order (batang) dan AOV (garis) dalam satu panel	Order naik 7,4% tapi AOV turun 5,5%, langsung kelihatan
Panel baru	Tidak ada visual discount sama sekali	Discount rate dan cancel rate per bulan	Discount naik 3,1% ke 4,4% terlihat sebagai tren
Per kategori	Cuma revenue	Revenue, order, AOV, dan discount rate dalam satu baris	Handbags AOV Rp 4,70 jt, bukan Rp 7,20 jt
New vs Existing	Pie chart agregat 56,3 dan 43,7	Garis porsi revenue existing per bulan	Turun dari 56,5% ke 29,2% dalam enam bulan
Panel baru	Cancel rate hanya total dan per channel	Cancel rate per traffic source	Paid Social 14,0% vs Organic 7,4%
Top 10	Diagregasi pakai product_name	Diagregasi pakai product_id	Shoes Arcova 83 kembali masuk, komposisi jadi 8 Handbags dan 2 Shoes
Format angka	Rp6.915B, Rp2.841M, Rp547.97M bercampur	Konsisten M untuk miliar dan jt untuk juta	Tidak ada lagi B yang ambigu di konteks rupiah

Empat panel pertama sudah cukup untuk menjawab keempat pertanyaan Sales Manager di brief. Sisanya pendukung. Kalau ruangnya terbatas, urutan itu yang dipertahankan.

Bab IVRekap

Rekap dan Penutup

01Rekap poin
02Tiga hal untuk diperdalam
03Kesimpulan

Rekap

Deduction dan bonus yang membentuk skor 85.

Item	Area	Poin
Order count dan AOV per kategori salah, karena flag order dipakai untuk dimensi level baris	KPI Accuracy	−4
Temuan wajib "AOV decline" tidak diangkat jadi insight	Business Analysis	−3
Temuan wajib "discount escalation over time" tidak dibuat	Business Analysis	−2
Top 10 diagregasi by product_name, bukan product_id	KPI Accuracy	−2
Guest checkout dibuang, terdokumentasi tapi penanganannya kurang tepat	Data Cleaning	−2
Menemukan quantity nol, 24 baris	Data Cleaning	+2
Menemukan brand casing, 17 varian untuk 7 brand	Data Cleaning	+2
Menemukan inkonsistensi first_purchase_date dan menanganinya dengan benar	Cleaning & Analysis	Tercermin

Arah belajar

Tiga konsep yang akan menaikkan kualitas analisismu.

01

Grain versus dimensi breakdown

Kapan sebuah distinct count boleh menjumlah lebih besar dari totalnya, dan kenapa itu justru benar. Konsep ini yang jadi akar koreksi pertama, dan paling sering menjatuhkan analis di tahun awal.

02

Membaca metrik sebagai rasio

Revenue flat ditambah order naik sama dengan AOV turun. Biasakan memecah setiap metrik agregat jadi komponen pembentuknya sebelum menyimpulkan, karena di situ insight biasanya berada.

03

Dampak cleaning ke stakeholder

Setiap baris yang kamu buang punya konsekuensi di angka yang dilihat manajemen. Biasakan bertanya "kalau angka saya beda Rp 111 juta dari sistem, saya jawab apa" sebelum ditanya, bukan sesudah.

Kesimpulan

Cara berpikirmu sudah di jalur yang benar. Yang perlu dirapikan cuma eksekusi teknisnya.

Kamu memverifikasi sebelum menyimpulkan, mendokumentasikan sebelum ditanya, dan jujur soal keterbatasan data. Tiga kebiasaan itu yang paling sulit diajarkan.

85 / 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: