Hindari 5 Hal Ini untuk Portofolio Data Scientist!

Portofolio data scientist merupakan salah satu tiket masuk yang perlu dimiliki pemula agar bisa meraih impiannya menjadi data scientist. Memiliki portofolio data scientist bisa menjadi modal utama karena kandidat mulai menunjukkan kebolehannya terkait dengan penguasaan bahasa pemrograman dan analisis data.

Namun membuat portofolio data scientist tidak semudah yang dibayangkan. Ada beberapa hal yang perlu kamu perhatikan agar portofolio kamu bebas dari red flag yang berujung pada tidak diterimanya portofolio di meja pihak recruiter. Kira-kira apa sajakah itu? Simak penjelasannya yuk sahabat DQLab!

1. Hanya mencantumkan satu jenis proyek saja

Red flag yang pertama ketika kandidat membuat portofolio data scientist adalah hanya mencantumkan satu jenis proyek saja. Hal ini tentu menjadi pertimbangan pihak recruiter dalam menilai kandidat. Recruiter berpandangan bahwa proyek yang monoton membuat kandidat tidak bisa berkembang karena hanya terpaku pada satu jenis proyek. Padahal di dunia kerja seharusnya kandidat bisa lebih fleksibel sesuai dengan permasalahan yang diamati di lapangan dan kondisi real di perusahaan.

Maka dari itu, solusinya adalah penting bagi kamu untuk memvariasikan proyek yang bisa kamu masukkan ke dalam portofolio. Sebisa mungkin tidak hanya cuma satu, kamu bisa memasukkan minimal 4-5 jenis proyek agar recruiter berpikiran bahwa kamu adalah orang yang versatile dan go around karena beda proyek beda juga keterampilan yang ingin ditunjukkan untuk menyelesaikan proyek tersebut.

Baca juga : Mengenal Profesi Data Scientist

2. Tidak mencantumkan variabel kuantitatif atau metrik yang dapat diukur

Kesalahan yang paling sering terjadi dan menjadi red flag bagi pihak HRD dalam memeriksa portofolio data scientist kamu adalah tidak mencantumkan adanya variabel kuantitatif atau metrik yang dapat diukur. Dalam dunia data science, penting untuk menyajikan proyek-proyek dengan jelas, termasuk langkah-langkah analisis yang dilakukan dan bagaimana hasilnya dapat diukur secara kuantitatif.

Ketika portofolio tidak menyertakan metrik atau variabel kuantitatif yang mendukung klaim dan kesimpulan yang diajukan, hal ini dapat menimbulkan ketidakpastian terkait dampak nyata dari proyek tersebut. Pihak HRD mungkin menganggap bahwa kandidat ini kurang memahami tentang aspek praktis dan bisnis dari pekerjaan seorang data scientist.

Oleh karena itu, setiap proyek yang disertakan dalam portofolio sebaiknya dilengkapi dengan metrik kinerja, statistik, atau evaluasi numerik lainnya yang dapat membantu mengukur keberhasilan atau dampak dari proyek tersebut.

3. Dokumentasi kode yang berantakan

Dokumentasi kode yang berantakan pada portofolio data scientist juga menjadi perhatian penting bagi pihak HRD dalam proses rekrutmen. Kode yang tidak terstruktur atau tidak dijelaskan dengan baik dapat menciptakan kesulitan dalam memahami langkah-langkah yang diambil dalam setiap proyek. Oleh karena itu, seorang data scientist perlu memastikan bahwa setiap baris kode yang dimasukkan ke dalam portofolio disertai dengan komentar yang jelas dan dokumentasi yang memadai.

Penting untuk menjelaskan pemilihan algoritma, parameter yang digunakan, dan interpretasi hasil secara rinci. Dokumentasi yang baik tidak hanya memudahkan pihak HRD untuk memahami kerangka kerja proyek, tetapi juga mencerminkan profesionalisme dan keteraturan seorang data scientist dalam pekerjaannya.

Selain itu, penggunaan nama variabel dan fungsi yang bermakna serta pemisahan kode menjadi modul-modul yang terorganisir dapat membantu menciptakan kesan kerapian dan kemudahan pemahaman. HRD cenderung mencari calon yang dapat berkontribusi secara efektif dalam tim, dan kemampuan untuk menghasilkan dan menjaga kode yang bersih dan terdokumentasi dengan baik adalah salah satu indikator keterampilan kolaboratif yang baik.

4. Tidak memperbarui portofolio sehingga terkesan out-of-date

Portofolio data scientist yang terkesan out-of-date juga menjadi red flag bagi HRD. Dalam industri data science yang terus berkembang pesat, keberlanjutan pembelajaran dan peningkatan keterampilan sangat penting. Jika seorang calon data scientist tidak mencerminkan adanya pembaruan atau proyek terbaru dalam portofolionya, hal ini dapat menunjukkan kurangnya keterlibatan dan adaptabilitas terhadap perkembangan teknologi dan tren industri.

HRD mungkin melihat kurangnya pembaruan sebagai indikasi bahwa seorang kandidat tidak aktif atau kurang berkomitmen dalam mengikuti perkembangan terbaru dalam dunia data science. Oleh karena itu, penting bagi seorang data scientist untuk secara teratur memperbarui portofolio mereka dengan proyek-proyek terkini, teknologi-teknologi baru yang dikuasai, atau bahkan sertifikasi terbaru yang mereka peroleh. Intinya jangan malas!

Baca juga : Yuk Kenal Role Data Scientist, Profesi Menarik Dengan Gaji Besar

5. Tidak adanya deskripsi proyek yang komprehensif pada portofolio 

Red flag yang terakhir adalah tidak adanya deskripsi proyek yang komprehensif pada portofolio data scientist. Walaupun terlihatnya sepele, deskripsi proyek memiliki peran yang sangat penting dalam memberikan pemahaman mendalam kepada pembaca, baik itu rekruter, tim teknis, atau orang lain yang melihat portofolio.

Tanpa deskripsi yang memadai, pembaca mungkin kesulitan untuk memahami konteks proyek, tantangan yang dihadapi, pendekatan yang diambil, dan hasil yang dicapai. Deskripsi proyek yang komprehensif mencakup langkah-langkah analisis data yang dilakukan, pemilihan model atau teknik yang digunakan, serta interpretasi hasil yang diperoleh. Hal ini memberikan gambaran yang jelas tentang pemahaman dan keterampilan seorang data scientist dalam menangani proyek secara end-to-end.

Jika kamu ingin berkarir sebagai seorang data scientist, penting untuk menghindari 5 red flag di atas ya! Jangan sampai kamu jadi bulan-bulanannya HRD dan dihabisi saat di meja wawancara akibat kesalahan yang kamu perbuat ketika membuat portofolio data scientist. Ayo mulai perjalanan kamu dalam mengasah keterampilan Data Scientist dan bergabunglah dengan kursus yang tepat untuk membantu mencapai kesuksesan dalam karir di tech industries!

DQLab sebagai platform belajar online yang berfokus pada pengenalan Data Science & Artificial Intelligence (AI) dengan menggunakan bahasa pemrograman populer seperti Python dan SQL, serta platform edukasi pertama yang mengintegrasi fitur ChatGPT siap membantu kamu menggeluti karir di industri data. 

Metode HERO (Hands-On, Experiential Learning & Outcome-based) yang ramah pemula juga membantu kamu untuk bisa merasakan pengalaman belajar yang praktis & aplikatif! Tunggu apa lagi? sign up sekarang di DQLab.id!

Penulis: Reyvan Maulid