Sains data adalah istilah luas yang menggabungkan analisis data, penambangan data, kecerdasan buatan, machine learning, deep learning, dan sejumlah bidang terkait lainnya. Tujuan sains data adalah untuk mengekstrak pengetahuan seperti wawasan, tren, dan informasi melalui analisis sejumlah besar data. Saat ini sains data tidak dapat disangkal sebagai salah satu bidang dengan pertumbuhan tercepat baik dari segi kemungkinan karir dan gaji.
Oleh karena itu sebagai ilmuwan data atau data scientists harus memiliki keterampilan yang menunjang untuk karir tersebut. Menurut William Chen sebagai seorang mantan manager data science di Quora, berikut adalah lima skill atau keterampilan yang diurutkan dari hard skill hingga soft skill:
Skill #1: Pemrograman
Ini mungkin hal yang mendasar dari keahlian data scientists. Pemrograman penting dalam berbagai cara termasuk tiga di bawah ini:
- Mampu memprogram menambah kemampuan anda untuk melakukan statistik. Jika anda memiliki banyak pengetahuan statistik tetapi tidak ada cara untuk menerapkannya, pengetahuan statistik anda menjadi kurang berguna.
- Kemampuan untuk menganalisis kumpulan data yang besar. Kumpulan data yang anda gunakan untuk bekerja di industri tidak sekecil contoh kumpulan data iris.
- Anda dapat membuat alat untuk melakukan sains data yang lebih baik. Ini mencakup semuanya, mulai dari membangun sistem yang dapat digunakan perusahaan anda untuk memvisualisasikan data, membuat kerangka kerja untuk menganalisis eksperimen secara otomatis, dan mengelola jalur data di perusahaan anda sehingga data yang diperlukan dapat berada di tempat yang tepat pada waktu yang tepat.
Skill #2: Analisis kuantitatif
Analisis kuantitatif adalah inti dari keahlian seorang data scientists. Sebagian besar sains data adalah tentang memahami perilaku sistem yang sangat kompleks dengan menganalisis data yang dihasilkannya, baik secara alami maupun melalui eksperimen. Kebutuhan akan keterampilan analisis kuantitatif penting dalam berbagai cara, termasuk tiga hal di bawah ini:
- Desain dan analisis eksperimental: Khususnya bagi data scientists yang bekerja pada aplikasi internet konsumen, cara data dicatat dan cara eksperimen dapat dijalankan memberi jalan bagi sejumlah besar eksperimen untuk menguji berbagai hipotesis. Ada banyak cara agar analisis eksperimen bisa salah (tanyakan pada ahli statistik mana pun), sehingga data scientists dapat banyak membantu di sini.
- Pemodelan sistem ekonomi atau pertumbuhan yang kompleks: Model umum seperti model churn atau model nilai seumur hidup pelanggan adalah umum. Model yang lebih rumit seperti cara optimal secara ekonomi untuk mencocokkan penyedia dan pemasok, dan metode untuk memodelkan saluran pertumbuhan perusahaan untuk mengukur dengan lebih baik jalan pertumbuhan mana yang paling berharga. Contoh paling terkenal dari hal ini adalah harga lonjakan Uber.
- Machine Learning: Bahkan untuk data scientist yang tidak mengimplementasikan model machine learning itu sendiri, ada nilai luar biasa yang dapat diberikan oleh data scientist dalam membantu membuat prototipe untuk menguji asumsi, memilih dan membuat fitur, serta mengidentifikasi area kekuatan dan peluang di mesin yang ada sistem pembelajaran.
Skill #3: Intuisi produk
Intuisi produk sebagai keterampilan terkait dengan kemampuan data scientist untuk melakukan analisis kuantitatif pada sistem. Pengetahuan produk berarti memahami sistem kompleks yang menghasilkan semua data yang dianalisis ilmuwan data. Ini sangat penting karena beberapa alasan, termasuk:
- Menghasilkan hipotesis: Seorang ilmuwan data yang memahami produk dengan baik dapat menghasilkan hipotesis tentang cara sistem dapat berperilaku jika diubah dengan cara tertentu. Hipotesis didasarkan pada "firasat" tentang bagaimana aspek-aspek tertentu dari sistem dapat berperilaku dan orang perlu tahu tentang sistem untuk dapat memiliki firasat tentang cara kerjanya.
- Menentukan matrik: Keahlian analitik tradisional mencakup penentuan matrik utama dan sekunder utama yang dapat digunakan perusahaan untuk melacak kesuksesan pada tujuan tertentu. Seorang ilmuwan data perlu mengetahui tentang produk untuk membuat metrik produk yaitu dengan: mengukur apa yang dimaksudkan dan mengukur sesuatu yang layak untuk dipindahkan.
- Analisis debug: Hasil yang "luar biasa" lebih sering disebabkan oleh bug daripada fitur "luar biasa" yang sebenarnya dari sistem. Pengetahuan produk yang baik dapat membantu dengan pemeriksaan kewarasan cepat dan perhitungan di belakang amplop yang dapat membantu lebih cepat mengidentifikasi hal-hal yang mungkin salah.
Pengetahuan produk biasanya melibatkan penggunaan produk yang dibuat oleh perusahaan. Jika itu tidak memungkinkan, maka setidaknya cobalah untuk mengenal orang-orang yang benar-benar menggunakan produk tersebut.
Skill #4: Komunikasi
Keterampilan ini penting untuk membantu secara signifikan meningkatkan daya ungkit dari semua keterampilan sebelumnya yang terdaftar. Skill ini sangat penting dan dapat membantu membedakan ilmuwan data yang baik dari yang hebat. Komunikasi yang baik dapat terwujud dalam berbagai cara, antara lain:
- Mengomunikasikan wawasan: Beberapa data scientist menyebut ini “story telling”, yang penting di sini adalah mengomunikasikan wawasan dengan cara yang jelas, ringkas, dan valid, sehingga orang lain di perusahaan dapat bertindak secara efektif berdasarkan wawasan tersebut.
- Visualisasi dan penyajian data: Terkadang tidak ada yang lebih efektif dan memuaskan daripada grafik yang bagus dalam membuat atau menyampaikan suatu hal.
- Komunikasi umum: Bekerja sebagai ilmuwan data hampir selalu berarti bekerja sebagai tim termasuk bekerja dengan insinyur, desainer, manajer produk, operasi, dan banyak lagi. Komunikasi umum yang baik dapat membantu memfasilitasi kepercayaan dan pengertian, yang sangat penting bagi seseorang yang dipercayakan sebagai pengelola data.
Skill #5: Kerja Sama Tim
Skill terakhir ini menyatukan 4 skill lainnya. Seorang data scientist khususnya tidak dapat eksis dalam isolasi, dan dari apa yang saya lihat melakukan yang terbaik ketika tertanam dalam di seluruh perusahaan (atau setidaknya di dalam organisasi pengembangan produk). Kerja tim penting karena berbagai alasan, termasuk:
- Tidak mementingkan diri sendiri: Ini termasuk menawarkan bantuan dan bimbingan kepada orang lain, dan menempatkan misi perusahaan di atas ambisi karir pribadi Anda.
- Iterasi konstan: Seorang ilmuwan data berkembang dengan umpan balik, dan sebagian besar pekerjaan ilmuwan data akan melibatkan iterasi bolak – balik dan umpan balik dengan orang lain untuk mencapai solusi yang berdampak.
- Berbagi pengetahuan dengan orang lain: Karena profesi data scientist cukup baru, pada dasarnya tidak ada seorang pun dengan keahlian yang lengkap, terutama jika anda mengumpulkan semua teknik statistik, kerangka kerja, perpustakaan, bahasa, dan alat yang mungkin berguna. Karena pengetahuan akan tersebar di seluruh ilmuwan data dan organisasi, sangat berguna bagi ilmuwan data untuk terus menerus berbagi pengetahuan, metode, dan hasil mereka satu sama lain.
Dua keterampilan pertama: pemrograman dan analisis kuantitatif mungkin adalah apa yang pertama kali dipikirkan kebanyakan orang ketika mereka memikirkan keterampilan seorang data scientist. Meskipun itu penting dan menciptakan landasan teknis dari kumpulan keterampilan ilmuwan data, William Chen menekankan bahwa tiga dari lima keterampilan paling penting ini bukanlah keterampilan teknis.
Keterampilan ketiga penting secara umum untuk setiap perusahaan yang berfokus pada produk atau layanan, dan keterampilan keempat dan kelima sangat penting untuk pekerjaan apa pun yang dilakukan, di mana bekerjanya dengan orang lain!
Semoga berhasil dan semoga sukses di jalur anda sendiri untuk menjadi data scientist!
