Strategi pencarian kerja, aplikasi, dan portofolio data science yang actionable untuk bersaing di pasar kerja data science yang ketat.
Sedang mencari pekerjaan? Berikan diri Anda keunggulan dengan mengembangkan proyek personal yang mengesankan dan relevan dengan industri target Anda.
"Learning Sprints" ini terinspirasi dari metodologi Agile, dirancang untuk memberikan peta jalan komprehensif menuju tujuan akhir Anda tanpa membuat Anda kewalahan. Bacaan 10 menit ini akan memberi Anda strategi konkret untuk memulai karir data science.
Daftar Isi
- Peluang & Probabilitas
- Pilih Industri Anda dengan Bijak
- Branding Tanpa Merendahkan Diri
- Resume Saja Tidak Cukup: Mengembangkan Bukti Kemampuan
Peluang & Probabilitas
Lebih dari 10 tahun sejak publikasi artikel Harvard Business Review yang membuat data scientist menjadi "pekerjaan terseksi abad 21", bidang data science telah mencapai titik infleksi baru. Meskipun peluang lebih berlimpah dari yang mungkin disarankan oleh scrolling-doom melalui komunitas data science online, memasuki data science atau disiplin afiliasinya (data engineering, data analysis, machine learning operations, dll.) masih memungkinkan–tetapi jauh berbeda untuk lulusan universitas, pemegang sertifikat bootcamp, dan individu otodidak saat ini.
Contoh Konkret:
Lima tahun lalu, teman saya yang baru lulus S1 Statistik dengan IPK biasa-biasa saja berhasil mendapatkan posisi "Data Scientist" di startup fintech dengan gaji Rp30 juta/bulan. Hari ini, kandidat serupa harus menunjukkan portofolio proyek yang kuat, pengalaman magang, dan keterampilan domain spesifik hanya untuk mendapatkan wawancara pertama. Perubahan ini menggambarkan bagaimana lanskap industri telah matang.
Masa ketika perusahaan mempekerjakan lulusan baru dengan gaji awal sebanding dengan associate Wall Street tahun pertama dan memberi mereka kebebasan untuk mencari tahu apa arti data science dan infrastruktur data bagi organisasi tertentu telah berlalu. Seiring perkembangan bidang ini, organisasi (termasuk calon pemberi kerja Anda) tidak hanya memiliki gagasan solid tentang cara memanfaatkan data untuk mereka–mereka memiliki lautan vendor, kontraktor, dan produk "data-driven" untuk mencapai realitas tersebut.
Bagi Anda, ini berarti bahwa lulusan baru tidak lagi menjadi komoditas seperti dulu. Gelombang perekrutan pasca-pandemi 2020-2021 mungkin adalah peristiwa perekrutan data science massal terakhir yang akan kita lihat sebelum industri berubah menjadi lebih fokus pada AI.
Jadi apakah ini berarti Anda menyerah? Tentu tidak. Anda membaca ini, jadi jelas Anda berinvestasi tidak hanya untuk "memasuki" data science, tetapi secara aktif menyusun strategi untuk mencapai tujuan profesional Anda.
Actionable Insight:
Kembangkan "Unique Value Proposition" yang menggabungkan keterampilan teknis dengan pengetahuan domain spesifik. Misalnya, jika Anda memiliki pengalaman di industri kesehatan, fokuskan portofolio dan aplikasi Anda pada perusahaan healthcare-tech dan analisis data pasien. Menulis blog tentang "Bagaimana NLP Dapat Meningkatkan Analisis Catatan Medis" akan jauh lebih menarik perhatian daripada tutorial pandas umum.
Tanpa mengenal Anda atau situasi Anda secara pribadi, sangat tidak mungkin bahwa menghabiskan tahun-tahun untuk memperoleh dan mengasah keterampilan teknis tidak akan membuahkan hasil dalam beberapa bentuk. Industri data science yang Anda harapkan untuk dimasuki diproyeksikan akan tumbuh menjadi hampir setengah triliun dolar pada akhir dekade.
Meskipun pengaturan kerja hybrid dan remote telah meningkatkan persaingan dalam skala internasional, mereka juga memungkinkan Anda menemukan peluang yang tidak mungkin diakses sebelumnya (contoh kasusnya, saya bekerja untuk perusahaan yang berjarak 1200 mil dari rumah saya).
Keuntungan yang sering diabaikan sebagai pendatang baru di dunia data adalah bahwa (setidaknya bagi manajer perekrutan) Anda murah. Karena AI belum mengganggu industri hingga titik mendeflasi gaji, mereka yang memiliki pengalaman beberapa tahun masih bisa menuntut kompensasi kompetitif.
Manajer yang cerdik, bagaimanapun, bisa membawa lulusan baru yang "hijau", memberi mereka gelar "junior" atau "associate" dan memasangkan mereka dengan developer senior dengan harapan mereka akan tumbuh menjadi aset bagi organisasi. Dengan kepemimpinan dan tim yang tepat, investasi ini dapat menguntungkan lulusan baru, tim, dan organisasi. Idealnya, inilah yang ingin Anda jadikan tempat bekerja sebagai karyawan baru.
Rahasianya adalah bahwa seringkali manajer ini mencari seseorang dengan kemampuan untuk tidak hanya belajar secara teknis–tetapi untuk menguasai domain mereka.
Pilih Industri Anda dengan Bijak
Sampai pencarian kerja awal saya (sekarang hampir 3 tahun yang lalu), saya mendukung metode aplikasi menyebar–melamar ke sebanyak mungkin perusahaan dalam satu waktu dan berharap beberapa menganggap Anda layak dipertimbangkan untuk wawancara. Pengalaman saya dan tren perekrutan industri telah mendorong saya untuk beralih dari pendekatan volume ini dan, sebagai gantinya, berpikir kritis tentang cara mencocokkan pengalaman masa lalu saya, termasuk pekerjaan non-data, dengan peluang masa depan.
Contoh Nyata:
Selama 6 bulan pertama pencarian kerja saya, saya mengirim 200+ lamaran "templated" ke perusahaan acak yang membutuhkan data scientist. Hasilnya: 2 wawancara dan 0 penawaran. Kemudian saya mengubah strategi, fokus pada 15 perusahaan di industri pendidikan (karena pengalaman mengajar saya sebelumnya), dengan lamaran yang sangat disesuaikan. Hasilnya: 8 wawancara dan 2 penawaran dalam 2 bulan. Perbedaannya luar biasa.
Actionable Insight:
Buat "Industry-Experience Matrix" dengan dua kolom: (1) Industri yang Anda minati dan (2) Pengalaman atau pengetahuan Anda yang relevan dengan industri tersebut. Prioritaskan industri dengan skor tertinggi dan kembangkan "pitch" khusus yang menjelaskan mengapa latar belakang Anda sempurna untuk domain tersebut.
Berikut adalah saran yang paling konsisten yang saya berikan kepada keluarga, teman, dan koneksi ketika menjawab pertanyaan dasar: "Di mana saya ingin bekerja?"
Sebelum memikirkan perusahaan tertentu, pertimbangkan industri mereka secara lebih luas (juga disebut domain).
Jika Anda ingin melewati langkah ini dan mengejar uang (saya tidak akan menghakimi), maka Anda perlu mempertimbangkan:
- Finance (terutama fintech)
- Big Tech (MAANG + Uber, Spotify, Air B n B, Lyft & beberapa lainnya)
- Consulting (McKinsey, PWC, dll.)
Jika Anda tertarik pada pertumbuhan dan mendapatkan kebahagiaan dari pekerjaan Anda, carilah bidang yang a) Anda pernah bekerja di dalamnya (di tingkat apapun) atau b) Anda ingin belajar/tumbuh di dalamnya.
Yang penting, jangan terlalu khawatir dengan fakta bahwa Anda tidak bekerja lama di industri tersebut atau tidak berada dalam posisi prestisius. Karyawan tingkat pemula dapat mengamati dan menyerap informasi yang cukup untuk menjadi berharga bagi organisasi di industri tersebut.
Untuk saya, saya awalnya lulus dengan sarjana jurnalisme sambil bekerja paruh waktu untuk Tikus paling terkenal di Orlando & melakukan beberapa tutoring di samping.
Di situ, saya memiliki tiga industri yang akan saya kejar perannya:
- Media
- Travel/hospitality
- Pendidikan
Spoiler alert: Dua tawaran pekerjaan saya berasal dari pemberi kerja di ruang pendidikan dan media. Saat ini, saya bekerja untuk majalah yang mungkin pernah Anda lihat terbentang di meja Logan Roy.
Meskipun benar Anda harus melamar lebih awal, dengan konsistensi dan menghadapi penolakan dengan tenang, mengenali nilai pengetahuan yang sudah Anda miliki dapat membayar dividen.
Untuk langkah selanjutnya, saya sarankan:
- Membuat daftar 3-4 industri yang Anda memiliki pengalaman di dalamnya atau memiliki minat untuk mempelajarinya
- Membuat daftar terpisah berisi sekitar 20 perusahaan dalam industri tersebut yang ingin Anda lamar
Alih-alih mengambil daftar ini dan pergi ke mesin pencari LinkedIn, lakukan sebaliknya.
Kunjungi website masing-masing perusahaan dalam daftar Anda dan lamar langsung. Postingan biasanya lebih "segar" dan Anda akan kurang terdistraksi dengan prompt LinkedIn (atau mesin pencari serupa) yang menimbulkan kecemasan seperti "menjadi pelamar awal" atau melihat "bagaimana Anda dibandingkan dengan 500+ kandidat."
Branding Tanpa Merendahkan Diri
"Brand Anda adalah biru." Seorang rekan tutor pusat penulisan memberikan penilaian ini lebih dari sepuluh tahun lalu, berdasarkan font biru yang saya pilih untuk resume saya. Itu adalah pelajaran pertama saya dalam branding personal. Sejujurnya, saya bukan penggemar "branding" pencari kerja, tetapi ini adalah realitas pasar kerja.
Contoh Konkret:
Seorang kolega saya dengan headline LinkedIn "Data Scientist | Python | SQL | Machine Learning" mengalami kesulitan mendapatkan wawancara meskipun memiliki keterampilan teknis yang kuat. Setelah mengubahnya menjadi "Data Scientist yang Membantu Perusahaan E-Commerce Meningkatkan Konversi 25% dengan Segmentasi Pelanggan", jumlah perekrut yang menghubunginya meningkat tiga kali lipat. Brand yang spesifik dan berorientasi hasil jauh lebih kuat.
Actionable Insight:
Kembangkan "brand statement" Anda dengan format: "Saya adalah [peran] yang membantu [industri target] mencapai [hasil spesifik] menggunakan [keterampilan utama]." Gunakan ini di LinkedIn, resume, dan pitch Anda saat networking. Contoh: "Saya adalah data analyst yang membantu perusahaan fintech mengurangi risiko kredit sebesar 20% menggunakan teknik analisis prediktif."
Anda bukan ahli 10 tahun di bidang Anda yang hebat untuk bekerja sama. Anda adalah "Ex-Twitter" (atau "ex X" kurasa, tapi itu tidak mengalir). Memikirkan brand profesional Anda sebelum melamar dapat membantu Anda membentuk bagaimana Anda ingin pemberi kerja dan rekan memandang Anda saat Anda menjalani proses yang cukup homogen.
Sangat mudah untuk salah dalam branding profesional. Banyak calon data scientist percaya bahwa branding personal hanyalah mengisi headline LinkedIn dengan keyword setiap bahasa pemrograman dan teknologi yang bisa dibayangkan. Tentu, Anda mungkin muncul dalam pencarian perekrut, tetapi tanpa konteks, tidak mungkin mereka bisa menentukan bagaimana Anda akan cocok untuk organisasi atau klien mereka.
Dan, ngomong-ngomong, setiap lulusan baru adalah "passionate about data science" atau "data enthusiast." Jika Anda memang benar-benar begitu, itu bagus. Tapi bahas ini dalam wawancara. Tanpa pengalaman sebelumnya, Anda perlu memanfaatkan branding Anda untuk memberikan kesan bahwa Anda dilengkapi untuk melakukan pekerjaan, bukan hanya bercita-cita untuk itu.
Bahaya yang saya lihat dengan branding personal adalah godaan mudah bagi mereka yang tidak berpengalaman untuk merendahkan diri. Saya telah melihat resume, cover letter, dan post LinkedIn dengan variasi "Saya belum pernah melakukan ini sebelumnya, tapi saya ingin belajar." Organisasi biasanya tidak memiliki infrastruktur untuk pelatihan ekstensif, jadi bos masa depan Anda tidak menginginkan seseorang yang menganggap pekerjaan mereka seperti sekolah pascasarjana. Mereka menginginkan seseorang yang sudah 90-95% siap, secara profesional.
Ini adalah bagian yang secara etis rumit karena meskipun saya tidak akan menyarankan Anda untuk berbohong tentang pengalaman masa lalu (karena tidak pernah berhasil), saya akan menyarankan agar Anda menemukan cara untuk secara kreatif membingkai pengalaman sekolah atau kerja masa lalu Anda sehingga Anda menunjukkan, sampai batas tertentu, Anda telah melakukan versi pekerjaan tersebut.
Jika Anda mahasiswa pascasarjana, Anda bisa (dan harus) mencantumkan kursus dan proyek relevan di resume Anda. Dan bukan hanya di bagian bawah. Buat heading yang mengatakan sesuatu seperti "Graduate data scientist" atau "Graduate researcher."
Untuk mahasiswa sarjana, Anda bisa melakukan hal yang sama tapi tanpa pengubah "Graduate". Pikirkan: "Student researcher."
Sayangnya, dengan meningkatnya biaya pendidikan dan proliferasi boot camp dan sumber daya online, gelar menjadi semakin kurang berharga. Yang berarti bahwa branding, tanpa sesuatu untuk mendukungnya, tidak akan membawa Anda jauh.
Resume Saja Tidak Cukup: Mengembangkan Bukti Kemampuan
Jika Anda telah membaca karya saya, Anda akan tahu bahwa saya adalah pendukung besar untuk menunjukkan, bukan hanya bercerita ketika datang ke penyajian pengalaman Anda.
Contoh Nyata:
Seorang fresh graduate data science saya mentori menghabiskan 2 bulan membuat proyek analisis sentimen pada ulasan produk e-commerce Indonesia. Bukan hanya membuat model prediktif, dia juga mengembangkan dashboard interaktif dan menulis artikel LinkedIn mendetail tentang metodologi dan implikasi bisnisnya. Proyek ini dibahas di 7 dari 8 wawancaranya dan menjadi faktor penentu dalam mendapatkan tawarannya.
Actionable Insight:
Kembangkan minimal satu proyek "signature" yang: (1) menyelesaikan masalah bisnis nyata, (2) menggunakan dataset asli (bukan Titanic atau Iris), (3) menunjukkan keterampilan end-to-end dari pengumpulan data hingga visualisasi, dan (4) memiliki komponen story-telling yang kuat. Kemudian buat repo GitHub profesional dengan dokumentasi lengkap dan link ke artikel Medium/LinkedIn Anda yang menjelaskan proses dan hasil.
Sebelum menjadi data engineer, saya bekerja di media, yang merupakan industri yang menekankan "clips" (media mulai dari artikel yang dipublikasikan hingga paket video) yang menunjukkan bahwa Anda memiliki apa yang diperlukan untuk sukses dalam dan berkontribusi pada organisasi berita profesional.
Penyesalan terbesar saya, meninggalkan sekolah jurnalisme, adalah bahwa "reel" atau portofolio clips saya, hanyalah tugas kelas yang saya kerjakan untuk memenuhi tugas. Itu kurang kreatif dan, jujur, tidak membedakan saya dalam bidang yang kompetitif.
Saya berjanji untuk menghindari kesalahan ini ketika saya meninggalkan sekolah pascasarjana data science. Karena saya bekerja dua pekerjaan selama sekolah pascasarjana, saya tidak benar-benar bekerja untuk menyempurnakan portofolio saya sampai setelah kelulusan.
Jika dipikir lagi, mengambil musim panas "libur" dari melamar adalah apa yang memungkinkan saya untuk fokus pada mengasah keterampilan inti dan menciptakan karya yang benar-benar saya banggakan untuk ditampilkan dan dibagikan dengan calon pemberi kerja.
Jadi ketika Anda membuat proyek atau POC Anda sendiri, di atas segalanya, buatlah menyenangkan. Buatlah sesuatu yang ingin Anda tunjukkan kepada keluarga dan teman. Atau sesuatu yang dapat mengarah pada percakapan menarik dalam wawancara Anda.
Percayalah, pemberi kerja tidak ingin melihat proyek Titanic lain.
Meskipun saya memberi judul bagian ini proof of concept, POC Anda seharusnya benar-benar 1-3 item individual.
Tidak mungkin calon pemberi kerja Anda ingin melihat semua proyek Anda. Namun, memiliki variasi memungkinkan Anda memberikan respon emas ketika diminta.
Anda bisa menjawab "Apakah Anda memiliki proyek untuk ditunjukkan kepada kami?" dengan "Tentu - yang mana yang ingin Anda lihat?"
Memiliki keluasan karya memberikan kesan bahwa Anda tidak hanya mampu, tetapi Anda konsisten dan berdedikasi untuk belajar dan menyempurnakan keterampilan profesional Anda.
Menyelesaikan beberapa proyek juga menunjukkan kompetensi yang sering diabaikan namun penting: Kemampuan untuk memahami dan bekerja dengan berbagai tipe data.
Jika Anda mengejar peran data engineer, sangat perlu untuk menunjukkan bahwa Anda mampu menyediakan, mengonsumsi, dan menafsirkan sumber data seperti:
- JSON
- API payloads
- Data web tidak terstruktur
Bagian paling sulit dari memikirkan satu atau beberapa proyek proof of concept adalah menemukan topik yang Anda ingin tahu dan yang memiliki nilai bisnis.
Saya menemukan profesional data science yang bercita-cita mengalami kesulitan menghubungkan apa yang mungkin menjadi hobi atau proyek sekolah dengan kebutuhan bisnis.
Jika Anda kesulitan, pertimbangkan untuk memeriksa atau menghubungkan data Anda ke area bisnis-sentris ini:
- Revenue
- Growth
- Marketing
Dan, seperti yang dibuktikan oleh proyek yang sangat kreatif, bahkan ada cara untuk membuat dataset yang terlalu sering digunakan memenuhi kriteria ini.
Glossarium
1. POC (Proof of Concept)
Sebuah proyek atau implementasi kecil yang menunjukkan kompetensi dan kemampuan Anda dalam menyelesaikan masalah data science tertentu, biasanya digunakan untuk menunjukkan keterampilan kepada calon pemberi kerja.
2. Domain Knowledge
Pemahaman mendalam tentang sektor industri tertentu (seperti fintech, healthcare, retail) yang memungkinkan data scientist menerapkan solusi analitik yang relevan dan kontekstual.
3. Personal Branding
Cara Anda mempresentasikan keahlian, pengalaman, dan nilai unik Anda kepada pasar kerja, termasuk online presence, portofolio proyek, dan cara berkomunikasi profesional Anda.
4. Data Engineering
Cabang data science yang fokus pada arsitektur data, pipeline, dan infrastruktur yang diperlukan untuk mengumpulkan, menyimpan, dan memproses data untuk analisis.
5. ML Operations (MLOps)
Praktik menerapkan prinsip DevOps ke machine learning untuk mengotomatisasi dan menstandardisasi proses pengembangan, deployment, dan monitoring model.
6. Bootcamp
Program pelatihan intensif jangka pendek yang mengajarkan keterampilan teknis data science praktis, sering dijadikan alternatif pendidikan formal.
7. ETL (Extract, Transform, Load)
Proses mengambil data dari berbagai sumber, mengubahnya ke format yang sesuai, dan memuatnya ke sistem target seperti data warehouse.
8. Unique Value Proposition
Pernyataan jelas yang menjelaskan bagaimana keterampilan dan pengalaman unik Anda membedakan Anda dari kandidat lain dan memberikan nilai khusus kepada calon pemberi kerja.
9. GitHub Portfolio
Koleksi proyek yang disimpan dalam repositori GitHub yang mendemonstrasikan keterampilan pemrograman, analisis data, dan kemampuan memecahkan masalah kepada calon pemberi kerja.
10. Learning Sprint
Pendekatan terstruktur untuk belajar keterampilan baru dalam jangka waktu yang ditentukan, dengan tujuan dan deliverable yang jelas.