Tim marketing bertanya: “Berapa konversi kampanye diskon bulan lalu, dan kota mana yang paling responsif?” Pertanyaan tersebut adalah contoh pertanyaan bisnis yang harus dijawab dari data yang sudah terkumpul. Jawabannya bisa muncul dalam hitungan menit — tetapi hanya jika datanya sudah tersedia, rapi, dan bisa diakses. Di sinilah garis pembagi antara data analysis dan data engineering berada: satu peran menjawab pertanyaan dari data yang ada, satu peran memastikan data tersebut sampai ke sana. Pada chapter ini kita bedah pembagian kerja keduanya beserta contoh kolaborasinya.
Fokus dan Pertanyaan yang Dijawab #
Data analysis adalah pekerjaan menjelaskan dan menjawab pertanyaan bisnis dari data yang sudah tersedia: mengukur performa kampanye, mencari penyebab penurunan penjualan, membandingkan segmen pelanggan. Seorang analis menulis query SQL, membangun dashboard, lalu menerjemahkan angka menjadi narasi yang bisa ditindaklanjuti. Keberhasilan analis diukur dari kualitas jawaban dan kecepatan pengambilan keputusan yang dihasilkan.
Dalam sepekan, artefak khas seorang analis antara lain:
- laporan performa kampanye dengan rekomendasi penyesuaian budget;
- dashboard pemantauan metrik produk yang dibaca manajer setiap pagi;
- analisis kohort yang membandingkan perilaku pengguna lama dan baru.
Ketiga artefak tersebut tidak membangun sistem — semuanya menjawab pertanyaan dari data yang disediakan orang lain.
Data engineering adalah pekerjaan memastikan data tersebut hadir: terkumpul dari sistem sumber, tervalidasi, tersimpan dalam struktur yang mudah ditanyakan.
Ketika analis menemukan angka yang mencurigakan, penyebabnya biasanya berada di hulu — ingestion yang gagal sebagian, duplikasi akibat pengiriman ulang, atau perubahan schema yang tidak tersampaikan. Wilayah hulu inilah ranah data engineer.
Perbandingan Secara Konkret #
| Aspek | Data Engineering | Data Analysis |
|---|---|---|
| Fokus utama | membangun jalur suplai data dari sumber ke konsumen | menjawab pertanyaan bisnis dari data yang sudah ada |
| Pertanyaan yang dijawab | “dari mana data berasal dan bagaimana sampai ke tabel ini?” | “apa yang terjadi pada penjualan bulan lalu dan mengapa?” |
| Tools khas | Spark, Airflow, Kafka | SQL, spreadsheet, tool BI seperti Looker atau Metabase |
| Output akhir | pipeline, tabel warehouse, infrastruktur data | laporan, dashboard, rekomendasi tindakan bisnis |
| Kapan dibutuhkan | data belum terkumpul, belum lengkap, atau sulit diakses | data sudah rapi dan pertanyaan bisnis sudah dirumuskan |
Bedanya dengan data science perlu digarisbawahi: analis tidak membangun model prediksi sebagai produk utama — analis menggali jawaban atas pertanyaan yang sudah ada di sini dan sekarang. Ketika kebutuhan bergeser ke prediksi masa depan, peran yang tepat adalah data scientist dengan modelnya.
Perhatikan juga baris “tools khas” pada tabel: analis dan data engineer sama-sama menulis SQL, tetapi analis berhenti di query dan visualisasi, sedangkan data engineer melanjutkan sampai query tersebut menjadi job yang terjadwal, teruji, dan dipantau. Garis pembagi keduanya bukan bahasa yang dipakai, melainkan seberapa jauh kode tersebut dioperasikan.
Bekerja Sama di Praktik #
Alur kolaborasi keduanya paling terlihat saat masalah kualitas data muncul. Misalnya, seorang analis menemukan total pesanan kuartal ini tampak dua kali lipat dari biasanya.
Setelah memeriksa, analis menemukan pola duplikasi pada pesanan yang dikirim ulang oleh aplikasi. Analis melaporkan temuan tersebut dengan contoh order_id yang terduplikasi; data engineer memperbaiki pipeline ingestion agar pengiriman ulang tidak menghasilkan baris baru, lalu menambahkan pengujian otomatis untuk mencegah kekambuhan.
Arah sebaliknya juga terjadi. Ketika analis berulang kali menulis query dengan perhitungan margin yang sama di banyak laporan, itu pertanda logika tersebut layak dipindahkan ke tabel warehouse yang dikelola oleh data engineer — pola kerja yang kemudian menghadirkan peran perantara bernama analytics engineer. Dokumentasi PostgreSQL , DuckDB , dan dbt mencakup tiga lapisan yang dipakai berdua: database sumber, mesin analitik ringan untuk eksplorasi, dan kerangka transformasi.
Intisari Perbedaan #
Sebagai pegangan cepat, garis pembagi keduanya dapat diringkas dalam tiga poin:
- Data engineering memastikan data hadir: terkumpul, tervalidasi, dan mudah ditanyakan.
- Data analysis menjawab pertanyaan bisnis dari data yang sudah ada.
- Titik temunya ada di kualitas: temuan analis memperbaiki pipeline, pipeline menentukan kecepatan jawaban.
Jika data analysis menjawab pertanyaan dan data science membuat prediksi, ada satu istilah lain yang mencakup keduanya: data analytics. Kita akan urai istilah payung tersebut pada chapter Data Engineering vs Data Analytics.