5 Contoh Proyek Fiktif dalam Portofolio Data Analyst, Siap Pikat Rekruter!

Bagi banyak calon data analyst, tantangan terbesar saat menyusun portofolio adalah minimnya pengalaman kerja atau proyek nyata. Namun, kamu tidak perlu menunggu kesempatan itu datang. Berbekal memanfaatkan proyek fiktif berbasis dataset publik, kamu bisa tetap menunjukkan keterampilan analisis data, pemikiran kritis, serta kemampuan storytelling berbasis data. Berikut ini 5 contoh proyek fiktif yang bisa kamu gunakan untuk membangun portofolio data analyst profesional. Siap-siap catat buat calon data analyst sahabat DQLab!

1. Analisis Perilaku Konsumen E-Commerce

Dalam proyek ini, kamu bisa mengambil peran sebagai analis data yang bertugas mengungkap pola-pola tersembunyi dari perilaku belanja pelanggan pada sebuah platform e-commerce fiktif. Menggunakan dataset publik dari Kaggle atau membuat simulasi data transaksi, kamu bisa menganalisis kapan pelanggan paling sering melakukan pembelian, produk mana yang paling diminati, hingga berapa lama rata-rata waktu pengambilan keputusan pembelian. Metode analisis RFM (Recency, Frequency, Monetary) bisa digunakan untuk mengelompokkan pelanggan ke dalam segmen-segmen strategis seperti pelanggan loyal, pelanggan potensial, dan pelanggan yang berisiko hilang.

Hasil dari analisis ini kemudian bisa diterjemahkan menjadi strategi pemasaran yang berbasis data. Misalnya, pelanggan dengan skor "recency" rendah dan "frequency" tinggi bisa diberi penawaran khusus agar terus bertransaksi. Visualisasi tren perilaku konsumen juga bisa ditampilkan menggunakan Tableau atau Power BI untuk membantu stakeholder memahami arah bisnis secara cepat. Proyek ini menunjukkan bahwa kamu tak hanya mampu mengolah dan memahami data, tetapi juga memahami kebutuhan bisnis dan memberikan rekomendasi yang berdampak.

Baca Juga: Bootcamp Data Analyst with SQL and Python

2. Dashboard Penjualan Retail Sederhana

Proyek ini menekankan pada kemampuan visualisasi data dan komunikasi dengan pengguna non-teknis. Kamu akan merancang dashboard interaktif yang menyajikan performa penjualan mingguan, bulanan, hingga tahunan untuk toko retail fiktif. Data yang digunakan dapat mencakup informasi produk, kategori, cabang toko, jumlah unit terjual, dan pendapatan. Melalui dashboard ini, pengguna dapat mengeksplorasi performa penjualan berdasarkan waktu, lokasi, maupun jenis produk dengan mudah tanpa harus menyentuh kode atau rumus.

Salah satu keunggulan dari proyek ini adalah penyajian insight yang dapat langsung dieksekusi oleh tim manajemen. Contohnya, jika penjualan produk tertentu menurun di satu wilayah, maka bisa dirancang promosi regional yang lebih spesifik. Atau jika sebuah cabang selalu melampaui target, data bisa dianalisis lebih lanjut untuk meniru keberhasilannya di cabang lain. Dashboard ini menjadi bukti bahwa kamu mampu menyajikan informasi secara visual dan interaktif, kemampuan penting bagi data analyst dalam dunia kerja nyata.

3. Analisis Data Transportasi Publik

Dalam proyek ini, kamu akan berperan sebagai analis data di sektor transportasi yang bertugas memahami pola pergerakan masyarakat menggunakan moda transportasi publik. Menggunakan data dari sistem transportasi seperti TransJakarta atau Google Mobility Reports, kamu bisa mengidentifikasi jam-jam sibuk, rute dengan lonjakan penumpang tertinggi, dan perubahan tren mobilitas selama hari kerja atau akhir pekan. Analisis seperti ini sangat berguna bagi pihak operator untuk merancang jadwal dan alokasi armada yang lebih efisien.

Menariknya, proyek ini juga membuka peluang untuk mengusulkan kebijakan berbasis data. Misalnya, kamu dapat merekomendasikan penambahan armada pada rute tertentu di jam-jam sibuk atau menyarankan integrasi antar moda di titik-titik simpul. Dengan menyajikan visualisasi peta panas, tren waktu, dan perbandingan tahun-ke-tahun, proyek ini memperlihatkan kemampuanmu dalam analisis spasial, interpretasi sosial, dan kontribusi pada perencanaan kota berbasis data. Ini juga menunjukkan bahwa keahlian data analyst bisa diterapkan untuk kepentingan publik, bukan hanya bisnis.

4. Deteksi Anomali pada Data Transaksi Fiktif

Deteksi anomali adalah salah satu kemampuan penting dalam dunia data analytics, terutama di bidang keuangan dan keamanan data. Dalam proyek fiktif ini, kamu bisa membuat dataset transaksi harian yang mencakup jumlah pembelian, waktu transaksi, metode pembayaran, dan lokasi. Dengan menyisipkan beberapa transaksi "tidak wajar" secara sengaja, kamu dapat berlatih mendeteksi outlier menggunakan pendekatan statistik seperti Z-score, IQR, hingga clustering sederhana untuk menemukan pola yang menyimpang.

Proyek ini menunjukkan kepiawaianmu dalam menjaga kualitas data dan mengidentifikasi potensi fraud sejak dini. Selain itu, kamu juga bisa menampilkan bagaimana proses data cleansing dilakukan untuk memisahkan kesalahan input dari kecurigaan aktivitas penipuan. Hasil analisis ini dapat dipresentasikan dalam bentuk laporan atau dashboard, menunjukkan bahwa kamu tidak hanya bisa menganalisis data yang “bersih”, tetapi juga mampu menghadapi tantangan nyata dalam dunia data: data yang kotor, berisik, dan mengandung risiko. Ini adalah soft skill penting yang dicari banyak perusahaan.

Baca Juga: Data Analyst vs Data Scientist

5. Analisis Sentimen Ulasan Produk

Di era digital saat ini, ulasan konsumen di e-commerce bisa menjadi tambang informasi bagi pengambilan keputusan bisnis. Dalam proyek ini, kamu akan mengumpulkan atau menggunakan dataset yang berisi review produk dan rating dari platform seperti Amazon atau Tokopedia. Selanjutnya, kamu bisa melakukan analisis sentimen dengan teknik dasar NLP (Natural Language Processing) seperti tokenization, stopword removal, dan menggunakan tools seperti TextBlob atau VADER untuk mengklasifikasikan ulasan sebagai positif, negatif, atau netral.

Tak hanya soal teknik, kekuatan proyek ini terletak pada narasi yang bisa dibangun dari hasil analisis. Misalnya, kamu bisa menyimpulkan bahwa banyak pelanggan kecewa karena kualitas pengemasan produk, bukan isi produk itu sendiri. Atau, kamu bisa menemukan kata kunci yang sering muncul dalam review positif dan menjadikannya sebagai insight untuk materi promosi. Dengan analisis sentimen, kamu menunjukkan bahwa kamu mampu membaca suara konsumen secara kuantitatif dan menerjemahkannya menjadi insight strategis bagi brand atau perusahaan.

Membangun portofolio dengan proyek fiktif bukan berarti kurang kredibel. Justru dengan pendekatan ini, kamu bisa menunjukkan inisiatif, kemampuan teknis, dan kemampuan berpikir analitis yang dicari oleh perusahaan. Pastikan setiap proyek kamu dokumentasikan dengan rapi, sertakan notebook, visualisasi, dan narasi cerita data yang kuat. Butuh ide proyek selanjutnya? Jangan ragu untuk eksplor data publik dari BPS, Kaggle, atau data pemerintah daerah. Setiap data punya cerita, tinggal bagaimana kamu sebagai analyst mampu menemukannya.

FAQ

1. Apakah proyek fiktif bisa diterima oleh perekrut?

Ya, proyek fiktif sangat bisa diterima selama menunjukkan kemampuan analisis data, pemecahan masalah, serta dokumentasi yang rapi. Perekrut lebih peduli pada cara berpikir dan eksekusi daripada apakah datanya nyata atau tidak.

2. Di mana saya bisa mendapatkan dataset untuk proyek fiktif?

Kamu bisa mencari dataset publik di situs seperti Kaggle, Google Dataset Search, BPS, atau data open-source pemerintah. Pilih data yang sesuai dengan minat industrimu.

3. Apa yang harus disertakan dalam dokumentasi proyek portofolio?

Sertakan:

• Deskripsi proyek dan tujuannya.

• Penjelasan proses analisis (data cleaning, eksplorasi, visualisasi).

• Insight utama dan rekomendasi.

• Tautan ke GitHub/Notion atau dashboard (jika ada).

Jika kamu beneran ingin curi start dan siap buat karirmu melesat di dunia data, bergabunglah dengan Bootcamp Data Analyst with SQL and Python di DQLab! Di sini, kamu akan mendapatkan pelatihan intensif yang siap membawamu ke level berikutnya. Jangan lewatkan kesempatan ini, daftarkan dirimu sekarang! DQLab menyajikan materi secara teori maupun praktek.

Selain itu di DQLab pun menyediakan berbagai modul dan ebook dengan materi yang beragam sesuai kebutuhan. Cara bergabungnya sangat mudah. Langsung saja sign up di DQLab.id dan nikmati belajar data science!

Penulis: Reyvan Maulid

Tags

Belajar Data Science Online DQLab Data Science Free Module DQLab belajar data science