Rekap Radar: Sukses di Wawancara Data Science bersama Jay Feng

Seiring berkembangnya data science, wawancara teknis untuk peran data menjadi semakin kompleks. Jika Anda adalah calon data scientist yang mencari pekerjaan data pertama, wawancara teknis sering kali menjadi bagian tersulit dan paling menantang dari proses lamaran. Selama wawancara, Anda harus menunjukkan bukan hanya penguasaan teknis, tetapi juga kemampuan komunikasi dan pemecahan masalah, serta kemampuan berpikir di bawah tekanan.

Sebagai bagian dari Konferensi DataCamp Radar, kami mengadakan sesi tentang cara sukses di wawancara data science bersama Jay Feng, CEO Interview Query, sebuah platform persiapan wawancara data science jarak jauh yang misinya adalah membantu setiap data scientist mendapatkan pekerjaan di industri. 

Selama sesi tersebut, Feng menguraikan hal-hal terpenting yang perlu diketahui para calon dan praktisi data junior tentang proses wawancara untuk peran data science. Dalam artikel ini, kami menyajikan ringkasan acara dan pokok-pokok pembelajaran.

Jenis-jenis wawancara data science

Salah satu aspek yang membuat wawancara teknis di data science sangat menantang adalah beragamnya jenis wawancara yang dapat kita temui. Data science adalah disiplin yang kompleks dan menuntut, yang mengharuskan profesional data memiliki pengetahuan dan kompetensi di berbagai domain dan alat. Karena wawancara teknis dirancang untuk menguji keterampilan ini, Anda dapat mengharapkan banyak tipe wawancara bergantung pada persyaratan pekerjaan dan jalur karier yang Anda pilih (lihat bagian berikutnya).

Menurut Feng, “ada sekitar 10 hingga 15 set keterampilan data science”. Pertanyaan yang mungkin diajukan berkisar dari manipulasi data dengan SQL atau Python, serta statistik dan algoritma yang mendasari machine learning, hingga studi kasus yang menganalisis metrik produk, dan pertanyaan terkait desain sistem (misalnya bagaimana Anda akan membangun dataset baru dari nol). 

Sementara wawancara untuk posisi TI lain, seperti software engineer, sebagian besar berfokus pada pengkodean, sifat multidisipliner data science memberi keleluasaan lebih bagi pewawancara untuk menanyakan pertanyaan di berbagai area. Seperti yang disoroti Feng, pertanyaan yang akan kita hadapi dalam wawancara teknis adalah “blok bangunan dari apa yang akan kita lakukan dalam pekerjaan sebenarnya”. 

Jalur Karier Umum di Data Science

Saat mencari pekerjaan data science, penting untuk memusatkan upaya pada peran yang membutuhkan keterampilan yang Anda kuasai. Hal baik dari menyusun pekerjaan data berdasarkan kompetensi yang dibutuhkan adalah “Anda dapat menyelaraskan keterampilan Anda dengan posisi yang ingin Anda masuki”.

Ada berbagai jalur karier dalam data science, dan jumlahnya terus bertambah, karena perkembangan pesat disiplin ini menghasilkan peran yang lebih terspesialisasi. Di bawah ini Anda dapat menemukan daftar posisi—meski tidak lengkap—yang disebutkan dalam Sesi Jay:

• Data Analyst mengumpulkan, menganalisis, dan menafsirkan data untuk memecahkan berbagai masalah bisnis. Untuk menjalankan tugasnya, mereka menggunakan kombinasi alat pemrograman dan metode statistik.  

• Product Analyst mirip dengan Data Analyst, tetapi terutama berfokus pada metrik yang mengukur pertumbuhan dan kesehatan suatu produk bisnis. Misalnya, setelah peluncuran aplikasi baru, product analyst ingin mengetahui bagaimana pengguna berinteraksi dengannya. Untuk itu, mereka akan melacak metrik seperti jumlah pengguna aktif harian dan jumlah sesi per pengguna.

• Data Scientist berbagi banyak tugas dengan data analyst. Namun, data scientist diharapkan menggunakan teknik data yang lebih maju, seperti machine learning dan deep learning, untuk mengekstrak wawasan dari sejumlah besar data terstruktur dan tidak terstruktur, serta membangun model prediktif. 

• Machine Learning Engineer mencurahkan waktu untuk membangun, melatih, dan menerapkan model machine learning yang dapat belajar dari data untuk membuat keputusan. Menurut Feng, misi machine learning engineer adalah “mengembangkan model untuk mengubah data menjadi produk”.

• Researcher terus-menerus mencari jawaban atas pertanyaan-pertanyaan mendasar dan memperluas khazanah pengetahuan teoretis dalam data science. Ini adalah jalur yang sangat teknis dan membutuhkan tingkat pengetahuan tertinggi dalam matematika dan teori machine learning.

• Field Researcher bertanggung jawab menemukan solusi untuk masalah praktis dalam perusahaan. Field researcher berfokus pada hasil komersial yang segera, misalnya memastikan teknik pembelajaran baru dapat diterapkan pada dataset dunia nyata.

Persiapan untuk Wawancara Data Science 

Menurut Feng, proses persiapan untuk wawancara data science dapat dipecah menjadi empat langkah sederhana:  

• Riset peran data science. Seperti disebutkan sebelumnya, Anda harus fokus pada peran yang paling Anda minati dan tempat Anda memiliki peluang lebih besar untuk berhasil, berdasarkan keterampilan yang paling Anda kuasai. Karena itu, selalu layak meluangkan waktu untuk riset sebelum mengirimkan lamaran apa pun.

• Benchmark keterampilan Anda. Bagaimana Anda tahu apakah keterampilan Anda cukup kuat untuk mendapatkan pekerjaan? Banyak orang mencari pertanyaan wawancara di internet untuk mengukur kemampuan mereka. Ini bukan strategi yang baik, menurut Feng, karena pertanyaan-pertanyaan tersebut biasanya membahas topik inti yang sederhana dan sangat kecil kemungkinannya muncul dalam wawancara. “Pertanyaan wawancara lebih mirip studi kasus, biasanya diawali dengan pernyataan masalah.” Jenis pertanyaan nyata seperti inilah yang seharusnya Anda gunakan untuk menguji kemampuan Anda.

• Buat rencana belajar harian. Untuk memperkuat keterampilan dan meningkatkan peluang meraih pekerjaan impian, Anda perlu konsisten. Menurut survei yang dilakukan oleh perusahaan Feng, Interview Query, pengguna yang mempelajari lebih banyak pertanyaan memiliki tingkat keberhasilan wawancara yang lebih tinggi secara keseluruhan. Bagaimana merancang rencana belajar Anda? Menurut Feng: “Buat penyelesaian pertanyaan menjadi mudah, selesaikan satu pertanyaan per hari, dan berlatihlah pada masalah yang semakin sulit”.

• Dapatkan umpan balik wawancara. Terakhir, selalu baik memiliki seseorang yang dapat Anda ajak berbagi jawaban wawancara dan yang dapat memberi Anda umpan balik serta saran. Ini bisa dilakukan dengan menuliskan pemikiran Anda dan membagikannya dengan pelatih dan spesialis, namun, seperti yang disoroti Feng, cara terbaik untuk mendapatkan umpan balik adalah dengan berbicara langsung. 

Jika Anda tertarik untuk mempelajari lebih lanjut, Anda dapat menyimak sesi Jay secara lengkap. Selain itu, lihat juga sesi Radar lainnya yang mungkin Anda minati.