Data Scientist adalah profesi baru, dan karena itu, tidak ada jalur karier yang ditentukan secara jelas untuk itu. Orang berakhir di karier Data Science dari berbagai latar belakang seperti ilmu komputer, matematika, ekonomi dsb. Beberapa diantaranya memiliki pengalaman sebelumnya dalam profesi terkait.
Kita dapat melihat jalur karier Data Scientist di sepanjang empat sumbu utama (main axis); sumbu data, teknik, bisnis, dan sumbu produk. Peran Data Scientist bersifat multidisiplin, dan kita dapat melihat jalur karier dalam setiap sumbu sebagai kelanjutan yang condong ke beberapa disiplin ilmu ini.
SUMBU DATA
Dalam sumbu data, terdapat dua perkembangan karier yang khas, satu sebagai pemimpin / manajer data, satu sebagai kontributor individu senior (Senior IC).
Data Leader
Tidak ada pemahaman umum tentang apa yang menjadikan seorang Data Leader. Bagi sebagian orang, Data Leader hanyalah manajer orang. Bagi yang lain, perlu dapat bertindak sebagai mentor untuk spesialis data yang lebih junior. Orang lain membutuhkannya untuk dapat menanamkan budaya berbasis data dalam organisasi atau memimpin proyek data yang kompleks. Ada perbedaan besar dalam persyaratan untuk Data Leader, bergantung pada sifat organisasi dan tahap kedewasaannya yang memanfaatkan data.
Selama fase “pitch” kematangan data di perusahaan, Data Leader (data leader) perlu menyiapkan fondasi untuk budaya berbasis data, meyakinkan pemangku kepentingan untuk mengadopsi proses berbasis data, melakukan pembuktian konsep, serta mengelola vendor untuk mengatur atas dasar ini.
Pada fase “start up”, fokusnya adalah pada perekrutan dan internalisasi sumber daya utama, penyiapan fondasi proyek data seperti danau data, strategi pengelolaan data induk awal, infrastruktur pelaporan, dll. Fokus untuk Data Leader sangat banyak pada perekrutan dan pengelolaan proyek yang berbeda ini.
“Scale up” fokus untuk para Data Leader harus dalam menumbuhkan tim, membimbing dan meningkatkan keterampilan anggota yang ada, serta mendorong untuk memanfaatkan analitik yang lebih canggih dan menangguhkan keputusan untuk data dan algoritme, mengintegrasikan prediksi ke dalam sistem produksi.
Sedangkan pada fase “Run”, memiliki tim yang cukup matang, perlu ada jenis fokus yang berbeda. Fokusnya bisa lebih diarahkan ke manajemen orang, menangani data sebagai aset strategis, ke arah manajemen dan tata kelola data, mengumpulkan fokus organisasi untuk meningkatkan aspek kualitas data tertentu, atau berfokus pada produk dan proyek jangka panjang yang memanfaatkan data.
Ada kebutuhan yang sangat berbeda untuk seorang Data Leader yang bergantung pada tahap kematangan organisasi, tetapi kebutuhan juga berbeda tergantung pada area fokus data tertentu. Untuk dapat melangkah dan bergerak menuju peran Data Leader, keterampilan harus sesuai dengan kebutuhan organisasi sebagai Data Leader pada titik waktu tertentu.
IC Data Senior
Seperti untuk Data Leader, tidak ada ukuran yang diterima secara umum tentang apa yang membuat kontributor individu menjadi “senior”. Ada banyak perbedaan menurut perusahaan / departemen, dan bahkan mungkin tidak ada ekspektasi yang jelas tentang seperti apa IC data senior itu.
Ada cukup banyak faktor untuk menilai IC. Diklasifikasikan sebagai IC Senior berarti Anda telah berhasil melewati ambang batas di area ini.
Data Science & Data Knowledge
Ada berbagai macam pengetahuan yang dapat diperoleh kontributor individu dalam kedua teknik Data Science, dan berkaitan dengan kumpulan data yang mendasarinya, yang dia gunakan. Seringkali cukup sulit untuk membandingkan individu dengan pengetahuan khusus vs. pengetahuan luas.
- Teknik
Ada banyak teknik statistik, pembelajaran mesin dan pembelajaran mendalam serta penelitian operasi yang dapat diterapkan dalam Data Science. Memiliki gudang teknik yang luas membantu memecahkan berbagai kelas masalah. Kedalaman pengetahuan di bidang ini juga membantu membedakan IC Senior. Memiliki pengetahuan mendalam tentang model, kelemahannya, mengetahui jenis transformasi apa yang paling cocok dengannya, memungkinkan kami untuk benar-benar memanfaatkan potensi data dengan model yang diberikan.
- Kumpulan Data
Jika kita mengambil contoh situs web e-niaga, beberapa pakar data mungkin memiliki pengetahuan mendalam tentang data aliran klik penjelajahan web, tetapi tidak pernah menyentuh kumpulan data logistik. Mengetahui berbagai kumpulan data memungkinkan kami untuk dapat menghubungkan berbagai titik dan mengerjakan masalah secara holistik serta ujung ke ujung.
Engineering Craft
Keterampilan teknik adalah bagian penting dari Data Science, terutama jika fokusnya adalah pada insinyur data atau ML. Ada beberapa area di mana keahlian teknik dapat berguna, mulai dari kemampuan untuk menempatkan model dalam produksi, membuat struktur data yang dapat digunakan kembali, untuk dapat menavigasi basis kode orang lain, dan membuat perubahan di sana. Ada beberapa area yang dapat membantu membedakan IC data Senior:
- Pengetahuan pengkodean
Keakraban dalam menavigasi basis kode dan pustaka yang digunakan, memecah kode menjadi pustaka dan komponen yang dapat digunakan kembali, memikirkan tentang pengecualian dan kasus uji, menghasilkan kode yang jelas dan dapat dibaca, tinjauan kode yang berwawasan
- Arsitektur
Mampu memberikan wawasan arsitektur pada sistem dan perspektif data, mengetahui perbedaan trade-off antara solusi yang tersedia
- Memproduksi
Mampu mengotomatiskan proses dan membuat produksi kode siap, membantu menyiapkan penerapan kode, dan melihat gambaran ujung ke ujung.
Dampak Produk & Bisnis
Ada banyak cara bagi Data Scientist untuk memiliki dampak produk atau bisnis, dari meyakinkan pemangku kepentingan untuk melihat dan mendasarkan keputusan mereka pada metrik tertentu, hingga memanfaatkan bagian organisasi untuk fokus pada inisiatif berbasis data.
- Strategi & Peta Jalan
Salah satu cara Data Scientist dapat memiliki dampak produk atau bisnis adalah dengan mampu mendorong item ke peta jalan, melalui analisis atau proyek data serta membantu memprioritaskan berbagai komponen peta jalan, melalui kuantifikasi bisnis mereka. dampak dan potensi.
- Pimpin proyek besar
Cara lain untuk menghasilkan produk besar atau dampak bisnis bagi Data Scientist adalah dengan memimpin proyek besar, terutama proyek XFN (lintas fungsi), yang cocok untuk Data Scientist dengan kompetensi multidisiplin mereka.Cara lain untuk menghasilkan produk besar atau dampak bisnis bagi Data Scientist adalah dengan memimpin proyek besar, terutama proyek XFN (lintas fungsi), yang cocok untuk Data Scientist dengan kompetensi multidisiplin mereka.
SUMBU PRODUK
Dalam karier Data Science, seorang Data Scientist perlu meningkatkan beberapa keterampilan produk. Oleh karena itu, tidak mengherankan bahwa Manajemen Produk adalah jalur karier yang umum bagi banyak Data Scientist. Ada banyak aspek untuk menjadi manajer produk, mulai dari pengetahuan kuantitatif, kemampuan teknis, desain dan pengertian produk, dan komunikasi. Manajer Produk biasanya berada dalam titik yang sangat berbeda dalam spektrum itu. Data Science biasanya bekerja cukup baik di bagian kuantitatif dan teknis dari spektrum, dan jika mereka mampu memenuhi persyaratan minimum pada aspek lain, buatlah kandidat yang baik untuk peran Manajemen Produk.
Kuantitatif
Bagian dari peran manajer produk, harus mampu memberikan perkiraan untuk kasus bisnis, merencanakan bagaimana mencapai target dan melek numerik untuk mendorong produk menuju sukses.
Teknis
Memiliki latar belakang teknis merupakan persyaratan di banyak organisasi untuk peran manajemen produk. PM sering kali perlu mendapatkan pemahaman tentang kompleksitas dan perkiraan waktu dari pendekatan yang berbeda. Mereka juga dapat memanfaatkan kemampuan untuk mengikuti perkembangan secara keseluruhan dengan mengikuti komitmen serta memahami kebutuhan untuk refactoring code dan mampu menangani trade-off antara pengiriman dan penanganan hutang teknis dengan benar.
Product Sense
Mendefinisikan pengertian produk bisa jadi sangat sulit, tetapi cocok dengan fokus pada masalah dan solusi, mampu mendefinisikan dan mengekspresikan persyaratan untuk produk, menentukan metrik yang tepat untuk evaluasi, dan terbuka untuk pengguna umpan balik. Ini adalah area, data scientist yang merupakan bagian dari produk sudah dapat berkontribusi sebagian, sebelum beralih ke peran manajer produk, yang memungkinkan mereka untuk mendemonstrasikan beberapa keterampilan ini.
Design Sense
Ini adalah area data yang tidak cocok untuk para ilmuwan. Persyaratan bagi manajer produk yang bekerja pada aplikasi front-end adalah memiliki setidaknya beberapa dasar desain, tetapi untuk produk berorientasi backend persyaratan ini dapat diabaikan sepenuhnya.
Komunikasi
Menjadi manajer produk perlu berinteraksi dengan berbagai pemangku kepentingan untuk mengumpulkan persyaratan dan mengkomunikasikan arahan produk serta dengan tim teknik untuk mengkomunikasikan arah dan persyaratan produk. Data Scientist diperlengkapi dengan baik untuk memulai peran manajemen produk, asalkan mereka memiliki rasa produk dan keterampilan komunikasi yang memadai. Jika mereka mengerjakan produk yang dihadapi pengguna, mereka juga harus memastikan bahwa mereka memahami prinsip desain dasar.
SUMBU TEKNIK (ENGINEERING)
Dalam karier Data Science, seorang Data Scientist harus menangani cukup banyak pekerjaan teknis, beberapa bahkan berasal dari latar belakang ilmu komputer dan rekayasa perangkat lunak. Ada beberapa kemajuan ke arah teknik yang cukup alami seperti insinyur pembelajaran mesin atau insinyur data, tetapi mengingat evolusi rekayasa data menuju rekayasa perangkat lunak, sebagian besar peran rekayasa perangkat lunak backend dapat dijangkau oleh Data Scientist yang lebih teknis. Data Scientist dapat memanfaatkan pengetahuan mereka tentang big data dan sistem terdistribusi, coding ETL, atau pipeline ML. Namun ada beberapa poin perhatian dan keterampilan yang perlu ditangani oleh data scientist saat beralih ke peran yang lebih berorientasi pada teknik. Terutama pada kualitas kode, arsitektur data, dan desain sistem.
Kualitas kode
Biasanya, Data Scientist cenderung lebih fokus pada pengkodean dengan cepat daripada pengkodean dengan tingkat kesadaran yang sama daripada kebanyakan insinyur perangkat lunak. Data Science yang ingin beralih ke teknik, perlu mulai menulis kode yang lebih bersih dan memecah kode mereka menjadi komponen yang lebih dapat digunakan kembali, menulis pengujian unit.
Arsitektur Data
Satu aspek yang juga harus mereka kerjakan adalah arsitektur pipeline yang mereka buat, menyiapkan struktur data yang umum dan dapat digunakan kembali, atau menangani topik data warehouse dengan benar seperti mengubah dimensi, normalisasi database.
Desain sistem
Data Scientist perlu memahami lebih baik tentang berbagai komponen dalam lanskap data mereka, kelebihan dan kekurangannya, dari penyimpanan data yang berbeda, hingga lapisan pemrosesan, hingga perantara pesan, lapisan cache, dll. Dan memahami bagaimana merancang sistem yang memanfaatkannya.
Data Science yang bermaksud untuk beralih ke area ini harus melakukan lebih banyak tugas rekayasa data dan rekayasa perangkat lunak yang terkait dengan data, seperti membangun API untuk menyajikan prediksi model dalam produksi. Bekerja pada penyerapan data waktu nyata, bantu menyiapkan beberapa infrastruktur data, pipeline CI / CD.
SUMBU BISNIS
Jalan lain bagi karier Data Science adalah bergerak lebih ke arah bisnis yang telah mereka berikan saran dan bantu operasikan. Posisi yang ada saat ini di mana data scientist berakhir sangat bergantung pada sifat sebenarnya dari bisnis tempat mereka bekerja. Data Scientist yang pernah bekerja di CRM atau analitik Digital, dapat berakhir di posisi Manajer Pemasaran, sementara mereka yang pernah bekerja di Rantai Pasokan, mungkin berakhir di posisi manajer program Supply Chain misalnya.
Untuk membuat transisi yang mulus ke jenis peran ini, data scientist harus memiliki pengetahuan bisnis yang baik, biasanya keterampilan manajemen proyek yang baik.
Pengetahuan Bisnis
Data Scientist harus dipersenjatai dengan pengetahuan bisnis dari melakukan analisis, mendalami metrik utama, mengungkap masalah bisnis untuk merumuskan pertanyaan.
Manajemen proyek
Sebagian besar peran bisnis memerlukan beberapa tingkat manajemen proyek, merumuskan rencana, mengoordinasikan antara banyak pihak, mengelola ketergantungan, menginformasikan pemangku kepentingan, dll.
MULAI PERJALANAN BELAJAR DATA SCIENCE BERSAMA SKOLACLASS!
Tertarik memiliki karier Data Science? Kamu bisa mengikuti bootcamp Data Science di Digital Skola dan mendapatkan pengajaran hardskill maupun softskill. Dalam tiga bulan, kamu akan belajar data science dari nol sampai siap kerja dengan fasilitas lengkap mulai dari learning module, online remote internship, pembuatan portofolio hingga bantuan penyaluran kerja.
Info lengkap terkait program, klik button di bawah: