Pendapat Saya Setelah Bekerja Secara Profesional Selama Lebih dari Setengah Dekade
Data science telah menjadi sebuah bidang inovatif dalam bisnis di mana pengambilan keputusan strategis sangat bergantung padanya. Dengan menggabungkan analisis statistik, machine learning, visualisasi data, critical problem solving, serta pengetahuan bisnis, data scientist dapat memberikan nilai tambah bagi perusahaan. Inilah sebabnya mengapa data science telah menjadi salah satu profesi yang paling dicari di abad ini.
Namun, bagaimana rasanya bekerja sebagai data scientist? Saya telah bekerja di bidang data science cukup lama dan memiliki beberapa wawasan yang mungkin Anda inginkan.
Berikut adalah honest review dari saya tentang bekerja sebagai data scientist.
Cara Menjadi Data Scientist
Jika Anda sudah mengenal saya cukup lama, Anda mungkin tahu bahwa saya tidak memiliki latar belakang pendidikan di bidang data, statistik, ilmu komputer, atau jurusan terkait IT lainnya. Sebaliknya, saya memiliki pendidikan di bidang biologi dan gelar master dalam evolutionary biology.
Beberapa orang biasanya bertanya, bagaimana saya bisa masuk ke bidang data science dari jurusan biologi? Ini bukan pertanyaan yang bisa saya jawab secara langsung karena melibatkan banyak aspek. Namun, saya dapat merangkumnya sebagai kombinasi dari pembelajaran mandiri yang konsisten, jejaring yang baik, dan kepercayaan diri untuk terus maju.
Namun, saya ingin menunjukkan bahwa semua orang bisa mencoba menjadi data scientist. Tidak peduli latar belakang pendidikan Anda, Anda selalu bisa berusaha menjadi data scientist. Untuk menjadi seorang data scientist, mungkin diperlukan motivasi, konsistensi, dan sedikit keberuntungan.
Beberapa keterampilan yang saya pelajari untuk menjadi data scientist antara lain:
Bahasa Pemrograman (Python, R, SQL)
Machine Learning dan Advanced Analytics
Data Wrangling dan Visualization
Big Data Technologies
Problem-Solving
Critical Thinking
Domain Knowledge
Saya mencoba fokus pada hal-hal tersebut pada awalnya, tetapi berkembang saat saya mulai bekerja sebagai data scientist. Jika Anda membutuhkan arahan, Anda bisa melihat jalur pembelajaran keterampilan Data Science gratis.
Itu hanya beberapa cerita singkat, mari kita kembali ke review saya tentang bekerja sebagai data scientist.
Aktivitas Data Scientist
Saya memiliki pengalaman bekerja sebagai data scientist dan dapat menyebut diri saya seorang profesional. Saya masih banyak belajar karena saya tahu bidang data science sangat besar, tetapi saya ingin berbagi pengalaman saya agar orang bisa memahami realitas bekerja sebagai data scientist.
Saya telah bekerja lebih dari setengah dekade sebagai data scientist, dan saya dapat mengatakan bahwa saya telah melakukan banyak hal selama prosesnya. Namun, berikut adalah beberapa poin utama dari aktivitas saya yang ingin saya bagikan:
1. Kolaborasi dengan Tim Lintas Fungsi
Sebagai data scientist, saya tahu ada banyak ekspektasi teknis yang harus saya penuhi. Namun, saya ingin mengatakan bahwa banyak pekerjaan harian saya melibatkan kolaborasi dengan departemen lain, baik bisnis maupun non-bisnis. Ini termasuk domain experts, business owners, data engineers, data governance, DevOps, dan lain-lain.
Memecahkan masalah bisnis dengan data science adalah tanggung jawab lintas tim, sehingga pekerjaan saya melibatkan banyak orang dari berbagai fungsi/departemen. Namun, saya pikir hal ini juga karena saya sekarang berada di posisi yang lebih senior sehingga saya bertanggung jawab untuk terhubung dengan banyak fungsi. Saat saya masih junior, saya lebih banyak bekerja pada bagian praktis, yang menjadi favorit saya.
2. Data Preprocessing, Eksplorasi, dan Analisis
Menurut saya, sebagian besar pekerjaan sehari-hari ketika menangani suatu proyek secara langsung adalah memastikan data yang saya miliki benar dan memprosesnya terlebih dahulu agar siap untuk aktivitas selanjutnya.
Ini melibatkan penggunaan metode statistik untuk menganalisis data dan mengungkap pola, tren, dan hubungan. Ini juga melibatkan pemahaman data apa yang saya miliki sebelum saya membersihkannya atau membuat fitur baru berdasarkan data yang tersedia. Memahami data sebelum melakukan pemodelan yang lebih kompleks sangatlah penting.
Menurut saya, 70% waktu proyek saya berada dalam fase ini.
3. Pengembangan dan Validasi Model
Ya, saya mengembangkan model untuk memecahkan masalah bisnis. Orang biasanya berpikir bahwa inilah yang dilakukan oleh data scientist, meskipun pengembangan model machine learning hanyalah bagian dari keseluruhan pekerjaan.
Membangun desain model dan menetapkan model yang sempurna untuk memecahkan masalah bisnis memakan lebih banyak waktu daripada membangun model itu sendiri. Saya tidak selalu membangun model setiap hari, tetapi membahas bagaimana meningkatkan model adalah yang saya lakukan hampir setiap hari.
Selain membangun model, saya menghabiskan waktu untuk menyetel dan memvalidasi model untuk memastikan kinerjanya baik pada data yang belum pernah dilihat. Ini melibatkan pemilihan algoritma yang tepat, penyesuaian parameter, dan penggunaan teknik seperti cross-validation.
4. Machine Learning Operations (MLOps)
Saat ini menjadi semakin penting untuk memiliki model di produksi yang perlu kita maintain dan monitor. Saya ingin menyatakan bahwa saya masih kurang berpengalaman di bidang ini karena baru fokus pada MLOps sejak tahun lalu. Namun, saya telah terlibat dalam pengembangan cloud AWS sejak awal.
Saya tahu bahwa MLOps mungkin bukan yang banyak dilakukan data scientist, tetapi kita harus terlibat. Ini adalah model kita, bagaimanapun juga. Ini termasuk memonitor kinerja model, memperbarui model dengan data baru, dan memastikan bahwa model terus memenuhi kebutuhan bisnis.
5. Menyajikan Wawasan kepada Pemangku Kepentingan
Data scientist sering menyajikan temuan dan rekomendasinya kepada pemangku kepentingan non-teknis, yang juga saya lakukan secara terus-menerus. Sebagai data scientist, saya diharapkan untuk menjembatani analisis teknis menjadi sesuatu yang dapat dipahami oleh bisnis.
Ini melibatkan storytelling dengan data untuk menyoroti temuan utama dan implikasinya. Ini juga melibatkan banyak visualisasi untuk mempermudah pemahaman bisnis.
6. Penelitian dan Pengembangan
Data science adalah bidang yang terus berkembang; kita tidak bisa selalu berada di tempat yang sama. Tidak peduli bisnis apa yang dijalankan perusahaan Anda, selalu ada peluang untuk perbaikan dalam memecahkan masalah bisnis. Itulah mengapa penelitian dan pengembangan tentang cara memecahkan masalah juga menjadi tanggung jawab data scientist.
Saya meluangkan waktu untuk membaca paper akademis dan bereksperimen dengan teknologi terbaru untuk memperbaiki diri dan membantu bisnis. Data scientist perlu memiliki pola pikir pembelajaran terus-menerus untuk berhasil.
Pertumbuhan Karier dan Peluang
Bagi mereka yang ingin mempertimbangkan data scientist sebagai pilihan karier, harus melihat pertumbuhan karier dan peluang di dalamnya. Saya bisa melihat bahwa data scientist memiliki jalur karier yang jelas, tetapi pilihan tersebut mungkin tidak menjadi pilihan paling menarik bagi beberapa orang.
Jalur karier untuk data scientist menawarkan banyak jalur untuk kemajuan dan spesialisasi, tergantung pada kebutuhan bisnis juga. Berikut adalah beberapa pengalaman dan pandangan saya tentang di mana data scientist bisa berkembang.
1. Posisi Entry-Level sampai Senior
Memulai sebagai data scientist junior, seseorang biasanya fokus untuk mengasah keterampilan analisis data, pembuatan model, serta pemrograman, dan itu juga yang saya lakukan.
Dengan pengalaman, saya mendapatkan keahlian dalam proyek yang lebih kompleks, yang mengarah ke peran sebagai senior data scientist, di mana tanggungjawabnya termasuk memimpin proyek, membimbing anggota tim junior, dan membuat keputusan strategis berdasarkan wawasan data.
2. Spesialisasi
Inilah bagian di mana kita bisa menjadi lebih beragam, dan saya pikir di sinilah data scientist harus membuat pilihan mereka. Karier data scientist bisa mengikuti pembelajaran berbentuk T, di mana kita mengetahui yang umum tetapi harus fokus pada satu hal untuk membuat kita menjadi spesialis.
Kita bisa berspesialisasi di bidang tertentu seperti machine learning, artificial intelligence, deep learning, natural language processing, atau big data technologies. Spesialisasi memungkinkan pemahaman yang lebih dalam tentang teknik dan alat tertentu, membuat kita menjadi profesional yang sangat dicari untuk proyek yang memerlukan pengetahuan ahli.
3. Peran Kepemimpinan
Ini adalah spektrum lain untuk data scientist. Beberapa mungkin ingin mencapai pekerjaan dengan peran kepemimpinan lebih banyak, seperti Lead Data Scientist, Data Science Manager, atau bahkan Chief Data Officer (CDO). Setiap perusahaan selalu membutuhkan pemimpin yang dapat mendefinisikan strategi data untuk organisasi dan memastikan bahwa pendekatan berbasis data sejalan dengan tujuan bisnis.
Ini adalah jalur karier di mana Anda mungkin tidak 100% langsung terlibat dengan proyek sebagai kontributor individu, melainkan sebagai pengawas.
4. Berpindah ke Bidang Terkait
Keterampilan yang diperoleh dalam data science sangat dapat ditransfer, memungkinkan kita untuk mengeksplorasi bidang terkait seperti data engineering, data analytics, dan machine learning engineering.
Setiap bidang menawarkan fokus yang berbeda, mulai dari desain dan manajemen infrastruktur data, hingga analisis data yang lebih mendetail untuk wawasan bisnis, atau aspek rekayasa dari penerapan model machine learning ke produksi. Ini seperti spesialisasi, tetapi Anda mungkin memerlukan pengetahuan data science lebih lanjut.
5. Konsultasi dan Freelancing
Bagi mereka yang lebih menyukai variasi dan fleksibilitas, konsultasi atau freelancing sebagai data scientist dapat menawarkan peluang untuk bekerja pada berbagai proyek di berbagai industri.
Jalur ini memungkinkan untuk mengeksplorasi berbagai tantangan dan solusi data, sering kali dengan potensi penghasilan yang lebih tinggi dan fleksibilitas untuk memilih proyek yang sesuai dengan minat dan keahlian seseorang.
Anda juga bisa mencoba membuat konten seperti yang saya lakukan. Pekerjaan ini mungkin memiliki kepastian penghasilan yang lebih rendah, tetapi menawarkan lebih banyak fleksibilitas.
Work-Life Balance dan Keuangan
Berbicara tentang penghasilan, izinkan saya menjelaskan pandangan saya tentang work-life balance serta situasi keuangan sebagai data scientist.
Meskipun profesi ini menawarkan tantangan yang merangsang intelektual dan peluang untuk membuat keputusan yang berdampak berdasarkan data, profesi ini juga menuntut dedikasi tingkat tinggi dan manajemen waktu untuk menjaga keseimbangan yang sehat antara tanggung jawab profesional dan kehidupan pribadi.
1. Realitas Jam Kerja
Proyek data science sering kali datang dengan tenggat waktu yang mepet dan ekspektasi tinggi, yang sering terjadi dalam pengalaman saya. Ini dapat menyebabkan periode kerja yang intens, di mana jam kerja panjang dan kadang-kadang kebutuhan untuk bekerja di luar jam kantor untuk mencapai tujuan proyek.
Namun, ini bukanlah kejadian yang konstan dan dapat sangat bervariasi tergantung pada proyek. Namun, Anda harus mengantisipasi banyak waktu lembur, terutama sebagai kontributor individu.
2. Tingkat Stres
Kompleksitas pekerjaan data science bisa menjadi pedang bermata dua. Di satu sisi, memecahkan masalah kompleks dan menemukan solusi inovatif bisa sangat memuaskan. Di sisi lain, ini juga bisa menjadi sumber stres, terutama saat menghadapi masalah ambigu atau tekanan untuk memberikan wawasan yang dapat ditindaklanjuti dalam waktu singkat.
Manajemen waktu yang efektif, harapan yang realistis, dan mencari dukungan saat dibutuhkan adalah hal-hal yang diperlukan bagi seorang data scientist. Saya mencoba meminimalkan stres saya dengan melakukan apa yang saya sukai.
3. Menemukan Keseimbangan
Banyak organisasi menyadari tuntutan yang diberikan pada data scientist dan berusaha untuk menciptakan lingkungan kerja yang mendukung. Ini termasuk pengaturan kerja yang fleksibel, seperti opsi remote work, jam kerja fleksibel, dan kebijakan cuti yang mudah, untuk membantu karyawan mengelola kehidupan pribadi dan profesional mereka dengan lebih efektif.
Bagi saya sendiri, perusahaan saya saat ini memiliki fleksibilitas yang besar untuk peluang remote work, yang saya anggap sebagai faktor menarik untuk tetap bekerja di sini. Jika remote work adalah salah satu hal yang harus Anda miliki, maka pekerjaan sebagai data scientist mungkin juga cocok untuk Anda.
4. Pertimbangan Keuangan
Situasi keuangan data science sering kali disebut sebagai salah satu daya tarik utama dari bidang ini. Dengan permintaan yang tinggi di berbagai industri, data scientist biasanya mendapatkan gaji yang kompetitif, bahkan di posisi entry-level.
Saya dibayar cukup baik untuk posisi saya sebagai data scientist di negara saya; namun, saya tahu saya dibayar terlalu rendah jika saya mempertimbangkan seluruh dunia. Namun bukankah itu sebabnya kita terus melakukan perbaikan demi situasi keuangan yang lebih baik?
Saya masih berpikir situasi keuangan data science lebih baik daripada sebagian besar pekerjaan. Tentu saja, Anda mungkin merasa iri terhadap beberapa orang yang menghasilkan uang besar, tetapi saya akan terus mengingatkan Anda bahwa karier di bidang data adalah salah satu pekerjaan yang paling menguntungkan.
Honest Review — Pendapat Akhir
Membangun karier di bidang data science menggabungkan tantangan menguasai keterampilan teknis dengan kepuasan memecahkan masalah yang berarti, ditambah dengan daya tarik imbalan finansial.
Dari jalur saya dari biologi ke data science, saya telah belajar pentingnya pembelajaran terus-menerus, jejaring yang efektif, dan beradaptasi dengan tantangan baru. Pekerjaan ini (campuran kolaborasi, analisis data, dan pengembangan model) menuntut pengetahuan teknis serta kemampuan untuk memproses wawasan yang kompleks untuk audiens non-teknis. Peluang dalam data science sangat luas, mulai dari peran teknis yang khusus hingga kepemimpinan dan konsultasi, masing-masing menawarkan keuntungan dan tantangannya sendiri.
Namun, perjalanan menuju data science bukan hanya tentang kesuksesan profesional; ini tentang menjaga keseimbangan yang mendukung kesejahteraan pribadi seiring dengan pertumbuhan karier. Tuntutan tinggi dari profesi ini memerlukan lingkungan kerja yang mendukung yang menghargai fleksibilitas dan harmoni kerja dan kehidupan pribadi.
Meskipun manfaat finansial dari data science signifikan, mereka datang dengan ekspektasi yang harus seimbang dengan kebutuhan untuk pemenuhan pribadi dan kesehatan.
Mencapai kesuksesan dalam data science berarti menemukan jalur yang memungkinkan untuk mencapai kehidupan profesional dan pribadi yang memuaskan. Ini adalah karier yang akan terus saya pilih, tetapi beberapa orang mungkin tidak menikmatinya, dan itu tidak masalah.
Comments