Melamar pekerjaan data science dan cara membedakan diri Anda

Pendahuluan

Pada 2012, Harvard Business Review menyebut data scientist sebagai pekerjaan terseksi abad ke-21. Sepuluh tahun kemudian, meskipun muncul platform AutoML (misalnya, AWS Redshift ML dan Google Cloud AutoML) dan perlambatan selama masa pandemi, data scientist tetap menjadi salah satu peran yang paling diminati. Faktanya, data scientist menempati peringkat peran dengan bayaran tertinggi di industri teknologi dengan gaji rata-rata tahunan sebesar $150.000.

Walaupun tanggung jawab spesifiknya dapat bervariasi antarindustri dan antarperusahaan, sebagian besar data scientist memiliki misi yang sama: membantu organisasi menciptakan nilai dari data. Mereka melakukannya dengan menelusuri pola dan tren dalam sejumlah besar data, mengomunikasikan hasil kepada beragam pemangku kepentingan, serta membangun dan memelihara model untuk memungkinkan pengambilan keputusan otomatis. Karena itu, menjadi data scientist memerlukan himpunan keterampilan yang unik dan beragam mencakup statistika, pemrograman, nalar bisnis, dan komunikasi—yang semuanya harus ditunjukkan melalui rangkaian pertanyaan wawancara dan tantangan take-home.

Melalui postingan blog ini, kami ingin berbagi beberapa kiat, dari sudut pandang pelamar dan pewawancara, untuk membantu Anda menonjol dalam wawancara data scientist dan meraih tawaran kerja impian.

Kiat #1: Pahami Peran dan Perusahaan

Seperti disebutkan di atas, “data scientist” adalah istilah yang samar yang dapat merujuk pada berbagai peran seputar data. Dua data scientist dari perusahaan atau industri berbeda bisa saja mengerjakan jenis tugas yang sama sekali berbeda. Karena itu, penting untuk membaca bagian tanggung jawab pada deskripsi pekerjaan, atau menanyakan kepada pewawancara, “Seperti apa aktivitas sehari-hari dalam peran ini? Apakah peran ini lebih banyak menghabiskan waktu untuk mengeksplorasi dan memvisualisasikan data, atau membangun model?” Semakin spesifik Anda mempelajari peran ini, semakin cepat Anda mengetahui apakah peran tersebut sesuai dengan profil dan minat Anda. Ini membantu Anda menargetkan posisi yang lebih cocok dan meningkatkan peluang meraih pekerjaan yang benar-benar Anda inginkan.

Anda dapat menemukan kiat bermanfaat tentang cara meningkatkan personal branding dan kecocokan profil di situs karier seperti indeed dan linkedin. Jika Anda mencari saran karier yang disesuaikan untuk data science dan analitik, layanan karier dari Datacamp akan sangat membantu — di sini Anda dapat menemukan sesi personal dari career coach yang berspesialisasi di bidang ini.

Setelah Anda menargetkan peran yang tepat, langkah berikutnya adalah menunjukkan kepada perusahaan bahwa Anda antusias terhadap bisnis mereka. Ini dapat sedikit menantang bagi mereka yang baru memulai sebagai data scientist atau ingin berpindah industri, karena Anda mungkin belum banyak berpengalaman memecahkan pertanyaan bisnis di industri yang Anda lamar.

Satu hal yang kami rasa sangat membantu adalah mengerjakan proyek yang relevan dengan industri target dan menyebutkannya di resume serta selama proses wawancara. Misalnya, jika Anda belum pernah mendapat pelatihan di bidang keuangan tetapi ingin melamar peran data scientist di bank investasi, mengerjakan proyek terpandu seperti Modeling the Volatility of US Bond Yields di DataCamp dapat membantu Anda mempelajari jenis pertanyaan bisnis yang diharapkan untuk dipecahkan oleh data scientist yang bekerja di bidang keuangan.

Kaggle juga merupakan platform yang baik di mana Anda dapat menemukan banyak kompetisi dan dataset menarik. Dengan mengerjakan proyek-proyek ini dan membahasnya selama wawancara, Anda tidak hanya membangun pengetahuan dasar tentang industri tersebut, tetapi juga menunjukkan kepada perusahaan bahwa Anda begitu tertarik pada bisnis mereka hingga Anda meluangkan waktu luang untuk menelusuri use case mereka.

Kiat #2: Tunjukkan Keahlian Teknis Anda Melalui Tantangan Take-home

Biasanya, proses perekrutan data scientist mencakup tantangan take-home di mana kandidat diberikan satu atau beberapa dataset, serta beberapa pertanyaan bisnis untuk dipecahkan. Meskipun persyaratan pengumpulan dapat bervariasi, kandidat umumnya diharapkan membagikan kode, model, dan keluaran analisis.

Banyak kandidat melihat ini sebagai kesempatan bagus untuk memamerkan keterampilan teknis mereka. R dan Python adalah bahasa utama untuk data science dan keduanya memiliki paket wajib untuk pengolahan data, pemodelan statistik, dan machine learning, misalnya pandas, sklearn, dan statsmodels untuk Python, serta tidyr, dplyr, dan caret untuk R. Jika Anda baru di data science, disarankan untuk mengambil beberapa career track seperti ini di DataCamp: Data Scientist with Python dan Data Scientist with R. Selain berbagai kursus, Datacamp juga menyediakan workspace tempat Anda dapat berlatih dengan templat kode siap pakai dan dataset yang sudah dikonfigurasi untuk membantu mendapatkan pengalaman langsung guna menjembatani kesenjangan antara belajar dan praktik.

Terkadang, peran penceritaan data (data storytelling) diremehkan. Data scientist yang baik juga merupakan pencerita yang efektif yang dapat mengomunikasikan keluaran model mereka dengan cukup baik untuk meyakinkan pemangku kepentingan dan mendorong perubahan nyata. Seperti pepatah, “sebuah gambar bernilai seribu kata”. Oleh karena itu, pastikan Anda menyertakan visualisasi data yang intuitif dalam laporan analisis untuk membantu pewawancara memahami bagaimana Anda menemukan pola dalam data, sekaligus menunjukkan bagaimana model Anda dapat menciptakan nilai. Selain paket umum seperti matplotlib (Python), seaborn (Python), dan ggplot2 (R), plotly adalah pustaka grafik yang layak dicoba jika Anda ingin membangun dasbor interaktif berbasis web. Kursus ini di DataCamp bisa membantu: Introduction to Data Visualization with Plotly in Python.

Sebagai alternatif, Anda dapat mencoba alat BI tanpa kode seperti Tableau, Power BI, dan Google Data Studio. Alat-alat ini memberi Anda dua keunggulan. Di satu sisi, ini adalah alat visualisasi populer yang digunakan oleh sebagian besar pemangku kepentingan nonteknis seperti analis data dan manajer produk. Maka, menguasai alat ini menunjukkan bahwa Anda dapat dengan mudah berintegrasi dengan tumpukan analitik data yang digunakan perusahaan. Di sisi lain, alat ini menyediakan lebih banyak opsi kustomisasi dibanding paket Python atau R, yang memungkinkan Anda dengan mudah membangun laporan analisis interaktif bergaya slide. Jika Anda baru terhadap alat-alat ini, kursus Introduction to Tableau di DataCamp adalah titik awal yang baik.

Terakhir, namun tidak kalah penting, cara Anda menyajikan kode juga berdampak. Kecuali ditentukan lain, selalu merupakan ide baik untuk membangun solusi Anda di Git dan memastikan semua dependensi telah terintegrasi dalam kode. Tidak ada yang lebih membuat frustasi bagi pewawancara selain menerima berkas zip, mencoba menjalankan kode, namun hanya melihat pesan galat seperti “paket XYZ tidak dapat ditemukan”. Sementara itu, pastikan kode Anda disertai dokumentasi yang rapi dan memadai agar orang mudah mengikuti alur pikir Anda.

Kiat #3: Ingat Siklus Hidup Produk Data saat Membagikan Pengalaman Proyek Anda

Sering kali, kandidat yang melamar pekerjaan data science diharapkan membagikan pengalaman proyek sebelumnya. Kekeliruan umum adalah menghabiskan terlalu banyak waktu untuk menggambarkan upaya teknis, misalnya bagaimana mereka membersihkan data dan menyetel (hiper)parameter. Ini dapat membuat pewawancara kewalahan dengan informasi yang mungkin tidak sepenuhnya mereka pahami, sekaligus mengurangi waktu terbatas mereka untuk menilai kejelian bisnis dan keterampilan mengelola pemangku kepentingan Anda.

Karena itu, saya menyarankan saat menyiapkan jawaban wawancara tentang proyek-proyek sebelumnya, pastikan jawaban Anda mengikuti kerangka STAR dan mencakup semua tahapdari siklus hidup produk data, meskipun Anda tidak terlibat langsung di semua area tersebut:

• Tujuan dan pertanyaan bisnis: Masalah bisnis apa yang coba dipecahkan proyek Anda? Sasaran atau KPI apa yang didukung proyek Anda?
• Pengumpulan data: Tantangan apa yang Anda hadapi saat mengumpulkan data dan bagaimana Anda mengatasinya?
• Analisis data eksploratif: Bagaimana Anda menyajikan hasil analisis kepada pemangku kepentingan nonteknis? Pertanyaan atau kritik apa yang mereka ajukan dan bagaimana Anda menanggapinya?
• Pemodelan dan logika: Mengapa Anda memilih model yang akhirnya diimplementasikan (bahas motivasi teknis dan nonteknis)? Apa keterbatasan utama pendekatan Anda?
• Pengujian dan penerapan: Bagaimana Anda menguji dan menerapkan model Anda?
• Monitoring: Metrik apa yang Anda pilih untuk mengevaluasi kinerja model? Pembelajaran apa yang Anda peroleh dan bagaimana Anda memperbaiki model berdasarkan pembelajaran tersebut?

Selain itu, jangan lupa menyoroti berbagai peran yang terlibat (misalnya, manajer produk, analis data, data engineer, QA, dan manajer operasional bisnis), tanggung jawab mereka, serta bagaimana Anda berinteraksi dengan mereka. Dengan ini, pewawancara kemungkinan akan terkesan dengan nalar bisnis sekaligus kerja tim Anda.

Kesimpulan

Melalui postingan blog ini, kita melihat pertumbuhan terbaru dalam permintaan terhadap data scientist. Lalu kita membahas beberapa kiat yang dapat membantu Anda menjawab pertanyaan wawancara data scientist—baik teknis maupun nonteknis. Jika Anda bertekad meraih pekerjaan data scientist di masa depan, Anda mungkin tertarik mencoba kiat-kiat ini atau menapaki jalan menuju tawaran impian dengan memulai dari sebuah kursus data science terakreditasi.