Saya adalah seorang Data Scientist biasa. Dan saya sudah hidup dengan baik selama 10 tahun

• Penulis tahu ada Data Scientist yang benar-benar luar biasa: punya PhD, bekerja di FAANG, dan sangat mahir dengan teknologi terbaru. Tetapi penulis bukan tipe seperti itu
• Selama ini penulis bekerja di perusahaan kecil hingga menengah yang memakai teknologi lama, perusahaan tempat penulis sendirian memegang peran Analyst/Scientist, dan perusahaan-perusahaan yang kemungkinan besar belum pernah didengar kebanyakan orang
  • Tidak melakukan hal yang istimewa, tidak menganggap diri cerdas atau luar biasa, dan kemungkinan tidak akan lolos wawancara FAANG saat ini
• Meski begitu, penulis telah menjalani pengalaman yang hebat sebagai Data Scientist dan menciptakan dampak nyata di perusahaan-perusahaan tempat ia bekerja
  • Bahkan sekarang, saat mengikuti wawancara, penulis biasanya tidak terlalu kesulitan mendapatkan tawaran kerja, meskipun situasinya kini jauh lebih sulit
  • Penulis selalu punya dorongan dan rasa haus untuk mempelajari hal-hal baru, serta menyadari bahwa ia memiliki bakat menerjemahkan informasi kompleks dengan cara yang bisa dipahami siapa saja
• Penulis berusaha tetap ramah dan penuh empati, sambil menunjukkan kepada siapa pun bahwa data bisa menarik dan menyenangkan
  • Menolak sikap merendahkan orang lain demi terlihat lebih pintar, sehingga penulis suka menjelaskan konsep-konsep rumit agar bisa dipahami semua orang
• Penulis senang menunjukkan insight dari data dan arah yang perlu diambil
  • Walaupun banyak model tidak berujung pada hasil, penulis tetap menikmati proses membangun model itu sendiri
  • Beberapa dampak dan keputusan terbesar yang diambil perusahaan justru datang dari grafik batang dan KPI dasar
• Penulis berencana terus melakukan pekerjaan ini ke depan
  • Walaupun merasa dirinya biasa saja atau bahkan di bawah rata-rata, penulis melakukan pekerjaan yang disukai sambil berfokus pada hal-hal yang memang dikuasai
  • Terlebih lagi, AI sedang membawa perubahan dramatis ke bidang ini, dan penulis saat ini juga sedang beradaptasi dengan perubahan tersebut
• Penulis ingin membagikan pengalaman positif dari seseorang yang sangat biasa sampai terasa menyakitkan
  • Khususnya untuk pemula dan orang-orang yang ingin pindah ke bidang ini, penulis ingin menunjukkan bahwa Anda tidak harus menjadi orang paling pintar di ruangan
  • Yang dibutuhkan adalah fondasi yang kuat, kemauan untuk mendalaminya, dan niat untuk menciptakan perubahan atau membawa nilai bagi perusahaan

[GN⁺]

Pendapat Reddit

• Membangun model itu menyenangkan, dan meski banyak model pada akhirnya tidak benar-benar dipakai, keputusan besar di perusahaan sering kali memang berasal dari diagram batang dan KPI dasar
  • Dalam pengalaman saya, diagram batang itu sering kali merupakan laporan fitur terpenting dari model xgboost yang telah dilatih
    Sudah sekitar 7 tahun sejak saya berhenti menjadi data scientist, jadi rasanya seperti kapsul waktu yang usang, tetapi saya masih ingat para klien cukup menyukai hasilnya
  • Saya software engineer, tapi suka membuat dan melatih model sebagai semacam hobi
  • Bagian itu cukup menohok buat saya. Saya tidak terlalu relate, dan saya cenderung ingin apa pun yang saya buat benar-benar dipakai
    Meski begitu, kemampuan mengubah hal-hal yang kompleks menjadi kata-kata yang bisa dipahami orang sama sekali tidak boleh diremehkan. Ada terlalu banyak orang yang tidak bisa melakukan dasar ini, jadi kalau bisa melakukannya dengan baik, menurut saya tidak mungkin berada di bawah rata-rata
• Sebagai data scientist biasa juga, saya merasa berterima kasih. Saya juga mulai lelah melihat yang dibicarakan di sini hanya soal FAANG
  • Akhir-akhir ini rasanya yang terlihat cuma promosi diri Only FAANGS
  • Daripada rata-rata atau papan atas, timing saat menjadi data scientist jauh lebih penting
  • Selain itu, cukup banyak data scientist FAANG yang menangani model “AI”, dan pekerjaan seperti itu rasanya akan membuat saya gila. Dunia tidak membutuhkan satu versi ChatGPT lagi
• Ini lebih mendekati jalur karier data scientist yang realistis. Dalam 99% kasus, dampak bisnis dan komunikasi lebih penting daripada model yang mencolok
  • Saya bekerja di tim data science dan analitik di consulting, dan kami sudah menagih jutaan dolar hanya dengan menulis kueri SQL dan menyampaikan hasilnya kepada klien
    Tentu saja, itu bukan berarti jumlah yang saya tagihkan sama dengan gaji saya
  • Orang-orang di luar bidang data kadang mencoba menerapkan kebalikan dari pisau cukur Occam. Lebih banyak “matematika” tidak selalu berarti lebih banyak insight, dan kadang hanya berarti lebih banyak asumsi
• Jujur saja, ini terdengar seperti data scientist yang bagus. Saya sudah cukup sering melihat orang-orang yang punya kredensial dan nama besar di CV mereka serta bicara muluk-muluk, tetapi pada praktiknya hampir tidak menghasilkan apa-apa, jadi saya tidak lagi memberi bobot besar pada hal-hal itu
• Mungkin bukan data scientist rata-rata, melainkan data scientist median
• Sudut pandang yang menyegarkan
• Saya juga data scientist biasa yang mirip seperti ini, dan kadang merasa cemas saat membaca postingan-postingan di sini
• Saya juga lebih dekat ke sisi ini. Perusahaannya besar, tetapi fokusnya adalah membantu pengambilan keputusan tim keuangan, bukan mendorong metodologi terbaru yang paling mencolok dan rumit
  Kalau melihat konten wawancara data science, rasanya kita harus menjadi ensiklopedia hidup untuk statistika, ilmu komputer, dan kecerdasan buatan, tetapi dalam kenyataannya orang-orang yang paling sukses sering kali adalah mereka yang memberi dampak positif pada pekerjaan orang lain dan enak diajak bekerja sama dalam tim
• Saya selalu mengatakan ini kepada orang-orang yang tidak bisa menemukan pekerjaan data scientist. Latar belakang saya supply chain, dan saya merasa terlalu banyak pekerjaan manual yang dilakukan orang, jadi saya belajar pemrograman secara otodidak
  Setelah itu saya mengambil gelar master data science sambil pindah ke peran manajemen proyek supply chain, dan di sana saya mengerjakan otomatisasi, dashboard, membangun data pipeline, predictive modeling, analisis ad hoc, dan sebagainya. Setelah menyelesaikan gelar, perusahaan benar-benar mempromosikan saya dengan jabatan dan gaji data scientist
  Saya memang tidak melakukan pekerjaan super canggih seperti beberapa data scientist lain, tetapi kalau Anda memecahkan masalah perusahaan dengan data science dan kemampuan teknis, Anda bisa menemukan jalur karier yang lebih jarang tetapi memuaskan
  • Sekarang saya penasaran berapa penghasilannya. Apakah itu cukup untuk terus dijalani, atau apakah Anda merasa perlu melakukan lebih banyak demi kompensasi yang lebih tinggi
• Saya sangat suka cerita seperti ini. Para praktisi senior yang ada di tengah-tengah juga perlu angkat bicara