Top 25 Pertanyaan Wawancara Data Analytics Tahun 2026

Persaingan di bidang data analytics semakin ketat setiap tahunnya. Pada tahun 2026, perusahaan tidak hanya mencari kandidat yang mahir secara teknis, tetapi juga yang mampu mengomunikasikan insight dengan jelas kepada pemangku kepentingan non-teknis. Artikel ini menyajikan 25 pertanyaan wawancara data analyst yang paling sering diajukan, lengkap dengan contoh jawaban dan kode yang dapat langsung dipraktikkan.

Pertanyaan SQL untuk Wawancara Data Analyst

SQL tetap menjadi keterampilan yang paling banyak diuji dalam wawancara data analytics. Setiap perusahaan dengan relational database mengharapkan analyst mampu menulis query secara mandiri. Untuk latihan lebih lanjut tentang pola lanjutan, lihat SQL Window Functions, CTEs and Advanced Queries.

1. Apa perbedaan antara WHERE dan HAVING?

WHERE memfilter baris sebelum agregasi. HAVING memfilter grup setelah agregasi. Mencampurkan keduanya adalah salah satu kesalahan paling umum dalam technical screen.

-- monthly_revenue.sql
SELECT
  DATE_TRUNC('month', order_date) AS month,
  SUM(amount)                     AS revenue
FROM orders
WHERE status = 'completed'          -- row-level filter
GROUP BY month
HAVING SUM(amount) > 10000;         -- group-level filter

WHERE mengurangi dataset sebelum database engine melakukan GROUP BY. HAVING beroperasi pada hasil yang sudah diagregasi. Menggunakan WHERE jika memungkinkan akan meningkatkan performa query karena memperkecil working set lebih awal dalam execution plan.

2. Jelaskan window function dengan contoh praktis

Window function menghitung nilai di seluruh set baris yang terkait dengan baris saat ini, tanpa menggabungkan result set. Fungsi ini penting untuk ranking, running total, dan perbandingan periode ke periode.

-- user_ranking.sql
SELECT
  user_id,
  purchase_date,
  amount,
  ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY purchase_date) AS purchase_rank,
  SUM(amount)   OVER (PARTITION BY user_id ORDER BY purchase_date) AS running_total,
  LAG(amount)   OVER (PARTITION BY user_id ORDER BY purchase_date) AS prev_amount
FROM purchases;

ROW_NUMBER memberikan ranking berurutan per user. SUM(...) OVER(...) menghitung running total tanpa self-join. LAG mengambil nilai baris sebelumnya untuk perbandingan langsung. Pewawancara sering meminta kandidat menghitung pertumbuhan bulan ke bulan menggunakan pola ini.

3. Bagaimana cara mengidentifikasi dan menghapus record duplikat?

Deteksi duplikat adalah tugas harian untuk analyst yang bekerja dengan event logs, ekspor CRM, atau data feed pihak ketiga.

-- deduplicate_events.sql
WITH ranked AS (
  SELECT *,
    ROW_NUMBER() OVER (
      PARTITION BY user_id, event_type, DATE_TRUNC('minute', created_at)
      ORDER BY created_at
    ) AS rn
  FROM events
)
SELECT * FROM ranked WHERE rn = 1;

CTE memberikan nomor baris dalam setiap grup duplikat. Menyimpan hanya rn = 1 mengembalikan kemunculan pertama. Pendekatan ini mempertahankan data asli sambil memfilter noise.

4. Tulis query untuk menghitung retention berdasarkan weekly cohort

Cohort retention adalah salah satu analisis yang paling banyak diminta di tim product dan growth. Pola SQL mengikuti struktur yang konsisten di semua database. Untuk latihan lebih lanjut, coba modul wawancara cohort retention.

-- weekly_cohort_retention.sql
WITH cohorts AS (
  SELECT
    user_id,
    DATE_TRUNC('week', MIN(event_date)) AS cohort_week
  FROM user_events
  GROUP BY user_id
),
activity AS (
  SELECT
    c.cohort_week,
    DATE_TRUNC('week', e.event_date) AS active_week,
    COUNT(DISTINCT e.user_id)        AS active_users
  FROM user_events e
  JOIN cohorts c ON c.user_id = e.user_id
  GROUP BY c.cohort_week, DATE_TRUNC('week', e.event_date)
)
SELECT
  cohort_week,
  EXTRACT(WEEK FROM active_week - cohort_week) AS weeks_since_signup,
  active_users
FROM activity
ORDER BY cohort_week, weeks_since_signup;

CTE pertama mengidentifikasi minggu signup setiap user. CTE kedua menghitung distinct active user per cohort per minggu. Query terakhir mengubah hasil menjadi retention matrix. Pewawancara mengharapkan kandidat menjelaskan interpretasi bisnis: penurunan tajam di minggu 1 menandakan masalah onboarding, sementara kurva datar dari minggu 4 ke atas menunjukkan basis user inti yang stabil.

5. Apa itu CTE, dan kapan sebaiknya menggantikan subquery?

Common Table Expression (CTE) adalah result set sementara bernama yang didefinisikan dengan WITH. CTE meningkatkan keterbacaan dan memungkinkan recursive query. Subquery cenderung menghasilkan SQL bersarang dalam yang sulit di-debug. CTE lebih disukai ketika derived table yang sama direferensikan beberapa kali dalam query, atau ketika logika memiliki tiga langkah transformasi atau lebih.

Pertanyaan Python untuk Data Analysis

Pertanyaan Python di tahun 2026 fokus pada Pandas 3.0, workflow data cleaning, dan kemampuan menjelaskan kode dalam istilah bisnis. Pewawancara ingin melihat solusi pragmatis, bukan abstraksi akademis.

6. Bagaimana cara menangani missing value dalam Pandas DataFrame?

Data yang hilang merusak agregasi dan input model. Pendekatan bergantung pada tipe kolom dan konteks bisnis. Dengan pandas 3.0, kolom string kini menggunakan dtype str yang didukung PyArrow, yang menangani missing value sebagai NaN secara konsisten.

# handle_missing.py
import pandas as pd
import numpy as np

df = pd.read_csv('sales.csv')

# Inspect the extent of missing data
print(df.isnull().sum())
print(df.isnull().mean().round(3))  # percentage per column

# Strategy 1: drop rows where critical columns are null
df_clean = df.dropna(subset=['customer_id', 'amount'])

# Strategy 2: fill numeric columns with median (robust to outliers)
df['amount'] = df['amount'].fillna(df['amount'].median())

# Strategy 3: fill categorical columns with the mode
df['region'] = df['region'].fillna(df['region'].mode()[0])

Menghapus baris efektif ketika missing rate di bawah 5% dan kolom bersifat kritis. Imputasi median lebih aman daripada mean untuk distribusi skewed. Imputasi mode cocok untuk kolom kategorikal dengan nilai dominan. Mendokumentasikan strategi imputasi sangat penting untuk audit trail.

7. Merge, join, dan concatenate: kapan menggunakan masing-masing?

Pandas menawarkan beberapa cara untuk menggabungkan DataFrame. Pilihan bergantung pada apakah operasi bersifat row-wise atau column-wise, dan apakah diperlukan pencocokan berbasis key.

# combine_dataframes.py
import pandas as pd

orders = pd.read_csv('orders.csv')
customers = pd.read_csv('customers.csv')

# Key-based merge (equivalent to SQL JOIN)
result = orders.merge(customers, on='customer_id', how='left')

# Stack rows from multiple sources
all_events = pd.concat([events_q1, events_q2], ignore_index=True)

# Add columns side-by-side (same row count required)
combined = pd.concat([features, labels], axis=1)

merge adalah pilihan tepat untuk join berbasis key. concat dengan default axis=0 menumpuk baris. concat dengan axis=1 menambahkan kolom secara berdampingan. Menggunakan how='left' mempertahankan semua baris dari DataFrame kiri, mirip dengan SQL LEFT JOIN.

8. Group, aggregate, dan transform data penjualan

Operasi GroupBy adalah padanan Pandas dari SQL GROUP BY. Pola ini muncul di hampir setiap take-home assignment wawancara data analyst.

# sales_analysis.py
import pandas as pd

df = pd.read_csv('transactions.csv', parse_dates=['date'])

# Monthly revenue by product category
monthly = (
    df.groupby([pd.Grouper(key='date', freq='ME'), 'category'])
    .agg(revenue=('amount', 'sum'), orders=('order_id', 'nunique'))
    .reset_index()
)

# Add a column with each category's share of total monthly revenue
monthly['share'] = (
    monthly.groupby('date')['revenue']
    .transform(lambda x: x / x.sum())
    .round(4)
)

print(monthly.head(10))

Catatan: pandas 3.0 mengubah alias frekuensi default dari 'M' menjadi 'ME' (MonthEnd). Kode yang menggunakan alias lama 'M' akan menghasilkan error. agg dengan named aggregation menjaga output tetap mudah dibaca. transform menyebarkan perhitungan level grup kembali ke setiap baris, yang menghindari langkah merge terpisah. Kombinasi ini mencakup sebagian besar tugas reporting ad-hoc.

9. Apa yang berubah dengan Copy-on-Write di pandas 3.0?

Copy-on-Write (CoW) menjadi mode default dan satu-satunya di pandas 3.0 (Januari 2026). Perubahan ini menghilangkan SettingWithCopyWarning yang tidak terduga tetapi memecahkan pola chained assignment yang bekerja di pandas 2.x.

# copy_on_write_demo.py
import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# This NO LONGER modifies df in pandas 3.0
df['A'][0] = 999  # Does nothing, no warning

# Correct approach: use .loc for direct assignment
df.loc[0, 'A'] = 999  # This works

# When you need an independent copy, be explicit
subset = df[df['A'] > 1].copy()
subset['A'] = subset['A'] * 2  # Safe modification

Pewawancara di tahun 2026 mengharapkan kandidat menjelaskan mengapa chained assignment gagal dan cara memperbaikinya. Jawaban yang benar: gunakan .loc atau .iloc untuk direct assignment, dan panggil .copy() secara eksplisit saat membuat subset yang akan dimodifikasi. Lihat panduan migrasi pandas 3.0 untuk daftar lengkap breaking changes.

10. Mendeteksi dan menangani outlier dalam dataset

Deteksi outlier menentukan apakah nilai ekstrem adalah kesalahan entry data, sinyal fraud, atau kasus edge yang genuine.

# detect_outliers.py
import pandas as pd
import numpy as np

df = pd.read_csv('transactions.csv')

# IQR method
Q1 = df['amount'].quantile(0.25)
Q3 = df['amount'].quantile(0.75)
IQR = Q3 - Q1
lower = Q1 - 1.5 * IQR
upper = Q3 + 1.5 * IQR

outliers = df[(df['amount'] < lower) | (df['amount'] > upper)]
print(f'Outliers found: {len(outliers)} ({len(outliers)/len(df)*100:.1f}%)')

# Cap instead of remove (winsorization)
df['amount_capped'] = df['amount'].clip(lower=lower, upper=upper)

Metode IQR menandai nilai di luar 1.5 kali interquartile range. Capping (winsorization) mempertahankan jumlah baris sambil membatasi pengaruh nilai ekstrem. Penghapusan hanya tepat ketika outlier mewakili kesalahan yang jelas.

Pertanyaan Statistik dan Probabilitas

Literasi statistik memisahkan data analyst yang melaporkan angka dari mereka yang menginterpretasikannya dengan benar. Pertanyaan ini menguji pemahaman dasar.

11. Jelaskan p-value dalam bahasa sederhana

P-value adalah probabilitas mengamati hasil setidaknya seekstrem yang terukur, dengan asumsi null hypothesis benar. P-value 0.03 bukan berarti ada 3% kemungkinan null hypothesis benar. Artinya jika null hypothesis benar, hasil seekstrem ini akan muncul 3% dari waktu secara kebetulan. Threshold (alpha) biasanya ditetapkan pada 0.05, tetapi pilihan bergantung pada biaya false positive dalam konteks bisnis tertentu.

12. Kapan menggunakan median dibandingkan mean?

Mean sensitif terhadap nilai ekstrem. Data pendapatan, jumlah transaksi, dan durasi sesi adalah contoh klasik di mana median memberikan tendensi sentral yang lebih representatif. Dataset dengan beberapa deal enterprise bernilai tinggi dapat mendorong mean jauh di atas pengalaman pelanggan tipikal. Melaporkan median bersama mean, dan menyertakan standar deviasi, memberikan gambaran lengkap kepada stakeholder.

13. Apa perbedaan antara korelasi dan kausalitas?

Korelasi mengukur kekuatan dan arah hubungan linear antara dua variabel. Kausalitas berarti satu variabel secara langsung mempengaruhi yang lain. Penjualan es krim dan insiden tenggelam berkorelasi karena keduanya meningkat di musim panas, bukan karena satu menyebabkan yang lain. Menetapkan kausalitas memerlukan eksperimen terkontrol (A/B test) atau framework inferensi kausal yang ketat seperti difference-in-differences atau instrumental variables.

14. Jelaskan Type I dan Type II error dengan contoh bisnis

Type I error (false positive) terjadi ketika tes secara salah menolak null hypothesis. Contoh: menyimpulkan bahwa checkout flow baru meningkatkan konversi padahal sebenarnya tidak ada efek, yang mengarah pada perubahan produk yang tidak perlu. Type II error (false negative) terjadi ketika tes gagal mendeteksi efek nyata. Contoh: mempertahankan checkout flow lama karena tes kekurangan sample size yang cukup untuk mendeteksi lift genuine 2%. Meningkatkan sample size mengurangi Type II error. Menurunkan threshold alpha mengurangi Type I error tetapi meningkatkan Type II error.

Pertanyaan Power BI dan Visualisasi Data

Pertanyaan visualisasi menilai apakah kandidat dapat memilih chart yang tepat, membangun dashboard yang dapat dipelihara, dan mengkomunikasikan data story kepada audiens non-teknis.

15. Apa itu DAX, dan bagaimana perbedaannya dengan SQL?

DAX (Data Analysis Expressions) adalah bahasa formula yang digunakan di Power BI, Analysis Services, dan Excel Power Pivot. Berbeda dengan SQL yang beroperasi pada set baris, DAX beroperasi dalam filter context yang berubah secara dinamis berdasarkan slicer, filter, dan row context. Fungsi CALCULATE di DAX memodifikasi filter context sebelum mengevaluasi expression, konsep yang tidak memiliki padanan langsung di SQL. Untuk perbandingan tool visualisasi, lihat Power BI vs Tableau di 2026.

16. Jelaskan Import mode, DirectQuery, dan Direct Lake

Import mode memuat data ke dalam in-memory engine Power BI (VertiPaq), memberikan performa query cepat tetapi memerlukan scheduled refresh. DirectQuery mengirim query ke source database secara real time, memastikan kesegaran data tetapi bergantung pada performa sistem sumber.

Direct Lake, tersedia di Microsoft Fabric, membaca file Parquet dari OneLake tanpa import atau query SQL endpoint. Sejak Agustus 2026, Direct Lake di OneLake mendukung composite models, memungkinkan pencampuran tabel Direct Lake dengan tabel Import dan DirectQuery dalam semantic model yang sama. Ini menggabungkan kesegaran near-real-time dengan kecepatan analisis in-memory. Untuk workflow CI/CD, koneksi Direct Lake secara otomatis di-remap saat deploy antar workspace.

17. Kapan menggunakan bar chart versus line chart?

Bar chart membandingkan kategori diskrit (revenue per region, count per produk). Line chart menunjukkan tren pada interval kontinu (daily active user, monthly churn rate). Menggunakan line chart untuk data kategorikal menyiratkan tren antara kategori yang tidak terkait, yang menyesatkan audiens. Pertanyaan follow-up umum menanyakan tentang pie chart: penggunaannya harus dibatasi untuk menunjukkan bagian dari keseluruhan ketika tidak lebih dari lima irisan, karena mata manusia kesulitan membandingkan sudut secara akurat.

18. Bagaimana mengoptimalkan Power BI report yang lambat?

Report yang lambat biasanya berasal dari kolom berlebihan dalam data model, DAX measure kompleks yang dievaluasi baris per baris, atau visual yang query jutaan baris. Checklist optimasi meliputi: menghapus kolom yang tidak digunakan untuk memperkecil ukuran model, mengganti iterator function (SUMX, FILTER) dengan padanan non-iterator jika memungkinkan, mengurangi jumlah visual per halaman menjadi di bawah 15, dan menggunakan aggregation table untuk dimensi high-cardinality. Performance Analyzer yang ada di Power BI Desktop dengan tepat menunjukkan visual atau DAX query mana yang menjadi bottleneck.

Pertanyaan Behavioral dan Case Study

Keterampilan teknis membawa kandidat ke wawancara. Pertanyaan behavioral menentukan apakah mereka mendapat tawaran. Setiap jawaban harus mengikuti STAR framework: Situation, Task, Action, Result.

19. Ceritakan saat analisis data mengubah keputusan bisnis

Jawaban kuat mencakup metrik spesifik yang berubah, metode analisis yang digunakan, dan dampak dalam dollar atau persentase. Jawaban lemah mendeskripsikan dashboard tanpa menghubungkannya ke outcome. Contoh struktur: "Analisis churn pada produk SaaS mengungkapkan bahwa user yang tidak menyelesaikan onboarding dalam 48 jam memiliki churn rate 60% lebih tinggi pada 30 hari. Tim produk menambahkan sequence email otomatis yang dipicu pada jam ke-24, mengurangi churn 30 hari sebesar 8 poin persentase."

20. Bagaimana menangani permintaan data yang bertentangan dari stakeholder?

Pertanyaan ini menguji keterampilan prioritas dan komunikasi. Pendekatan yang direkomendasikan: mengklarifikasi pertanyaan bisnis di balik setiap permintaan, mengidentifikasi metrik bersama, mengusulkan satu dashboard yang melayani kedua kebutuhan, dan mendokumentasikan trade-off secara transparan. Mengatakan "tidak" kepada stakeholder dapat diterima ketika didukung oleh concern data governance atau constraint resource, asalkan alternatif ditawarkan.

21. Jelaskan analisis kompleks kepada audiens non-teknis

Pewawancara sering meminta kandidat menjelaskan konsep seperti regression atau cohort analysis seolah berbicara dengan marketing manager. Respons terbaik menggunakan analogi, menghindari jargon, dan mengaitkan penjelasan dengan outcome bisnis. "Cohort analysis mengelompokkan pelanggan berdasarkan bulan mereka sign up dan melacak berapa banyak yang masih aktif tiga bulan kemudian. Chart menunjukkan signup Januari memiliki retention lebih baik daripada signup Februari, yang sejalan dengan perubahan onboarding yang dirilis di akhir Desember."

Pertanyaan Data Cleaning dan ETL

Masalah kualitas data menghabiskan sebagian besar waktu analyst. Pertanyaan ini menguji keterampilan data wrangling di dunia nyata.

22. Bagaimana memvalidasi data setelah ETL pipeline berjalan?

Pemeriksaan validasi harus mencakup row count (source vs destination), null rate pada kolom kritis, referential integrity antar tabel, dan pergeseran distribusi nilai (mendeteksi perubahan schema diam-diam). Pemeriksaan otomatis yang berjalan setelah setiap eksekusi pipeline mencegah data buruk mencapai dashboard.

# etl_validation.py
import pandas as pd

def validate_pipeline(source_df: pd.DataFrame, target_df: pd.DataFrame) -> dict:
    checks = {}
    # Row count match
    checks['row_count_match'] = len(source_df) == len(target_df)
    # Null rate on critical columns
    for col in ['user_id', 'event_date', 'amount']:
        null_rate = target_df[col].isnull().mean()
        checks[f'{col}_null_rate'] = round(null_rate, 4)
    # Revenue reconciliation
    source_total = source_df['amount'].sum()
    target_total = target_df['amount'].sum()
    checks['revenue_diff_pct'] = round(
        abs(source_total - target_total) / source_total * 100, 2
    )
    return checks

results = validate_pipeline(source, target)
for check, value in results.items():
    print(f'{check}: {value}')

Fungsi ini mengembalikan dictionary hasil validasi yang dapat dimasukkan ke sistem alerting. Perbedaan revenue di atas 0.01% harus memicu investigasi.

23. Apa perbedaan antara data normalized dan denormalized?

Data normalized meminimalkan redundansi dengan membagi informasi ke tabel terkait (3NF). Data denormalized menggabungkan tabel menjadi struktur yang lebih lebar dan datar, dioptimalkan untuk query analitis yang berat baca. Sistem OLTP lebih menyukai normalization untuk integritas data. Data warehouse dan tool BI lebih menyukai denormalization (star schema, snowflake schema) untuk kecepatan query. Memahami trade-off ini fundamental untuk mendesain data pipeline yang efisien.

Pertanyaan Advanced Analytics

Peran senior memerlukan keakraban dengan eksperimentasi, forecasting, dan strategi data lintas fungsi.

24. Bagaimana mendesain A/B test dari awal?

A/B test memerlukan lima komponen: hipotesis yang jelas ("Mengubah warna tombol CTA dari abu-abu ke hijau akan meningkatkan click-through rate sebesar 5%"), metrik utama (click-through rate), perhitungan sample size berdasarkan effect size yang diharapkan dan power yang diinginkan (biasanya 80%), random assignment user ke grup control dan treatment, dan durasi test yang ditentukan sebelumnya yang memperhitungkan seasonality mingguan. Menjalankan test setidaknya dua business cycle penuh mencegah bias hari-dalam-minggu miring hasil.

25. Jelaskan funnel analysis dan di mana drop-off paling penting

Funnel analysis melacak progresi user melalui urutan langkah (misalnya kunjungan homepage, lihat produk, tambah ke keranjang, checkout, pembelian). Optimasi berdampak tertinggi menargetkan langkah dengan drop-off absolut terbesar, bukan drop-off persentase terbesar. Penurunan 40% dari 1.000 user di product view ke 600 di add-to-cart mewakili 400 user yang hilang. Penurunan 50% dari 100 user di checkout ke 50 di purchase mewakili hanya 50 user yang hilang. Memprioritaskan bottleneck pertama menghasilkan lebih banyak total konversi. Latih pola ini di modul wawancara funnel analysis.

26. Bagaimana membangun KPI dashboard yang benar-benar digunakan stakeholder?

Dashboard gagal ketika menampilkan terlalu banyak metrik tanpa hierarki. KPI dashboard yang efektif mengikuti inverted pyramid: satu atau dua metrik north-star di atas (misalnya monthly recurring revenue, net promoter score), metrik pendukung di tengah (conversion rate, churn rate, average order value), dan detail diagnostik dapat diakses melalui drill-down. Membatasi tampilan top-level menjadi tujuh metrik atau kurang mengurangi cognitive load. Menambahkan anotasi otomatis ("Revenue turun 12% pada 5 Maret karena outage payment gateway") memberikan konteks yang tidak dimiliki angka mentah.

Sumber

• What's new in pandas 3.0.0 — Copy-on-Write default, dtype string baru, API yang dihapus
• Migration guide for the new string data type — Migrasi PyArrow string backend
• Power BI August 2026 Feature Summary — Direct Lake composite models, BigQuery mirroring
• Direct Lake overview — Microsoft Fabric semantic model storage modes

Poin Penting untuk Wawancara Data Analyst di 2026

• SQL window function, CTE, dan cohort query muncul di hampir setiap technical screen data analyst. Menulisnya dari ingatan adalah ekspektasi dasar.
• Python Pandas 3.0 memperkenalkan Copy-on-Write sebagai default, yang memecahkan chained assignment. Ketahui cara menggunakan .loc dan panggilan .copy() eksplisit.
• Kolom string di pandas 3.0 menggunakan dtype str yang didukung PyArrow, bukan object. Periksa perbandingan dtype dalam kode.
• Penalaran statistik (p-value, korelasi vs kausalitas, desain eksperimen) memisahkan analyst yang melaporkan angka dari mereka yang menginterpretasikannya dengan benar.
• Power BI Direct Lake di OneLake kini mendukung composite models, menggabungkan data near-real-time dengan performa import.
• Jawaban behavioral yang mengikuti STAR framework dan menyertakan hasil terkuantifikasi mengalahkan narasi samar.
• Latihan modul wawancara data analytics di SharpSkill: SQL Window Functions, Cohort Retention, Funnel Analysis.