Di deskripsi pekerjaan dan forum industri, kita sering menjumpai istilah data analytics — kata yang sekilas mirip data analysis, padahal cakupannya lebih luas. Data analytics adalah istilah payung yang mencakup seluruh upaya menghasilkan jawaban dan rekomendasi dari data, termasuk pekerjaan analis dan data scientist sekaligus. Hubungannya dengan data engineering menjadi penting dipahami: tanpa fondasi yang dibangun data engineering, tingkat kematangan analitik organisasi tidak bisa naik. Pada chapter ini kita akan memetakan istilah payung tersebut dan posisi data engineering di dalamnya.
Data Analytics sebagai Istilah Payung #
Praktik data analytics lazim dibagi menjadi empat tingkat berdasarkan jenis jawaban yang dihasilkan:
- Descriptive analytics: menjelaskan apa yang telah terjadi — contohnya rekap penjualan bulanan dan jumlah pengguna aktif.
- Diagnostic analytics: menjelaskan mengapa hal tersebut terjadi — contohnya penyelidikan penyebab lonjakan pembatalan pesanan.
- Predictive analytics: memperkirakan apa yang akan terjadi — contohnya model prakiraan permintaan stok.
- Prescriptive analytics: merekomendasikan apa yang sebaiknya dilakukan — contohnya sistem yang menyarankan harga promo per produk.
Dua tingkat pertama adalah wilayah khas data analyst; dua tingkat berikutnya memakai model statistik dan machine learning sehingga bersinggungan dengan data science. Data engineering tidak termasuk ke dalam empat tingkat tersebut — data engineering berada di bawahnya, sebagai lapisan yang menyediakan data bagi semua tingkat.
Dalam struktur tim, istilah payung ini terasa nyata. Tim data analytics di sebuah perusahaan bisa berisi analis, data scientist, dan analytics engineer; tim data engineering kerap berdiri terpisah karena bekerjanya menopang tidak hanya analytics, tetapi juga produk dan keuangan.
Judul Analytics Platform Engineer yang mulai sering muncul menandakan peran yang membangun fondasi khusus untuk kebutuhan analytics.
Perbandingan Secara Konkret #
| Aspek | Data Engineering | Data Analytics |
|---|---|---|
| Fokus utama | membangun fondasi suplai data yang terpercaya | menghasilkan jawaban dan rekomendasi dari data |
| Pertanyaan yang dijawab | “bagaimana data tersedia, akurat, dan tepat waktu?” | “apa yang terjadi, mengapa, dan apa langkah selanjutnya?” |
| Tools khas | Spark, Airflow, Kafka | SQL, Python analitik, tool BI, DuckDB |
| Output akhir | pipeline, warehouse, data platform | insight, dashboard, model, rekomendasi strategi |
| Kapan dibutuhkan | fondasi data belum ada atau belum stabil | fondasi sudah stabil dan organisasi ingin menaikkan kematangan |
Perhatikan pola pada dua baris terakhir: naiknya tingkat kematangan analitik selalu menaikkan tuntutan terhadap fondasi. Prakiraan permintaan, misalnya, membutuhkan riwayat data yang panjang, konsisten, dan tidak bocor baris duplikat — kualitas yang hanya bisa dijamin pipeline yang dirancang baik, bukan hasil salin-tempel manual.
Bekerja Sama di Praktik #
Tim analytics adalah konsumen terbesar dari platform yang dibangun data engineering. Kualitas kerja keduanya pun diikat kesepakatan layanan yang konkret:
- tabel penjualan harian tersedia pukul 07.00 setiap pagi;
- tingkat kelengkapan baris minimal 99 persen;
- definisi metrik disepakati bersama agar angka di dashboard tidak berbeda antar laporan.
Ketika tim analytics ingin menaikkan level dari laporan mingguan ke pemantauan harian, data engineer menyesuaikan frekuensi pipeline dari batch mingguan menjadi harian — perubahan kecil di permukaan, tetapi menuntut penjadwalan ulang di baliknya.
Sebaliknya, keluhan tim analytics adalah masukan berharga bagi perbaikan platform: query yang lambat menandakan perlu ClickHouse untuk beban analitik waktu-nyata, sementara definisi metrik yang berbeda-beda antar tim menandakan perlunya transformasi tunggal yang dikelola bersama lewat dbt .
Hubungan kedua sisi bersifat timbal balik — analytics menentukan arah kebutuhan, engineering menentukan batas kemungkinan.
Intisari Perbedaan #
Sebagai pegangan cepat, garis pembagi keduanya dapat diringkas dalam tiga poin:
- Data analytics adalah istilah payung untuk seluruh upaya menjawab dan merekomendasikan dari data.
- Data engineering adalah fondasi yang menyediakan data bagi semua tingkat analitik.
- Aturannya: kian tinggi tingkat kematangan analitik, kian besar tuntutan pada fondasi.
Ada satu bidang tetangga yang hubungannya dengan data engineering semakin erat seiring model machine learning dipakai di produksi: MLOps. Chapter Data Engineering vs MLOps akan menutup rangkaian perbandingan peran ini.