Windata · Assessment Feedback

Feedback Report

Saily Roshina Ayu Vidiana · Entry-Level Data Analyst

Case study Fashion E-Commerce Performance Analysis H1 2026. Semua angka di dek ini sudah kami hitung ulang dari dataset mentah, supaya kamu bisa menelusurinya sendiri.

Hasil akhir

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.

I

Bab satu

Verifikasi Angka

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

II

Bab dua

Yang Sudah Kuat

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

III

Bab tiga

Yang Perlu Dikoreksi

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

IV

Bab empat

Rekap dan Penutup

01 Rekap poin 02 Tiga hal untuk diperdalam 03 Kesimpulan

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.