Portfolio Data Engineer: Hindari 4 Kesalahan Umum Pemula

Data Engineer merupakan salah satu profesi yang membutuhkan portfolio data untuk menunjukkan skill teknis dan pengalaman yang mereka kepada recruiter, user atau client. Seiring dengan perkembangan teknologi big data yang semakin pesat, Data Engineer dapat menampilkan kemampuan untuk membangun pipeline data, memproses informasi dalam skala besar, dan mengelola infrastruktur data dalam portfolio nya.

Namun, portfolio yang dirancang dengan kurang tepat justru dapat mengurangi kesan profesional dan melemahkan nilai jual seorang Data Engineer.

Banyak Data Engineer yang tanpa sadar melakukan kesalahan dalam pembuatan portfolio mereka, mulai dari memilih project yang kurang relevan hingga mengabaikan dokumentasi yang jelas. Pada artikel kali ini, kita akan membahas beberapa kesalahan umum yang sering dilakukan dalam pembuatan portofolio Data Engineer, sekaligus panduan untuk menghindari kesalahan tersebut.

Dengan memahami poin-poin ini, para pemula dapat memastikan portfolio yang mereka buat benar-benar mencerminkan keahlian dan potensi yang dimiliki. Yuk, simak pembahasannya!

1. Tidak Memberikan Konteks yang Jelas pada Project

Kesalahan pertama yang sering terjadi adalah langsung menampilkan hasil project tanpa menjelaskan konteks atau tujuan dari project tersebut. Recruiter atau pembaca biasanya juga ingin tahu apa yang melatar-belakangi project itu dilakukan, apa permasalahan yang ingin diselesaikan, serta bagaimana solusi yang ditawarkan.

Mengapa Ini Penting? Karena hal ini bisa memberikan konteks dalam membantu pembaca memahami relevansi project dengan kebutuhan bisnis. Selain itu, hal ini juga digunakan untuk menunjukkan kemampuan kita dalam memahami dan menyelesaikan masalah di dunia nyata.

Contoh kesalahan dalam portfolio adalah ketika kita hanya menampilkan pipeline data tanpa menjelaskan datanya atau tujuan proyeknya. Ini bisa diperbaiki dengan menyertakan deskripsi singkat tentang masalah yang ingin diatasi, pendekatan yang digunakan, dan bagaimana dampaknya. Misalnya:

“Proyek ini bertujuan untuk membersihkan dan mengolah data penjualan e-commerce untuk menghasilkan laporan pendapatan bulanan yang akurat.”

Baca juga : Mengenal Data Engineer dan Prospek Karirnya

2. Memasukkan Project Sederhana yang Tidak Relevan

Kesalahan lain adalah menampilkan terlalu banyak project sederhana atau tidak relevan, seperti project latihan yang tidak menunjukkan kemampuan tingkat lanjut. Faktanya, recruiter lebih tertarik pada project yang mencerminkan tantangan teknis dan nilai bisnis yang nyata. Project sederhana tidak dapat menggambarkan skill yang dimiliki sebagai Data Engineer secara utuh.

Contoh portofolio yang salah adalah dengan menampilkan project seperti menghitung statistik dasar menggunakan Pandas atau membuat grafik sederhana. Kesalahan tersebut bisa diperbaiki dengan memilih project yang menunjukkan kemampuan yang lebih kompleks, seperti pipeline ETL, pemrosesan big data menggunakan Apache Spark, atau implementasi data warehouse di cloud. Jika baru memulai, gunakan dataset publik untuk membangun project yang lebih realistis.

3. Tidak Menyertakan Dokumentasi dan Visualisasi yang Jelas

Portfolio yang hanya berisi kode tanpa dokumentasi atau visualisasi tentu akan sulit dipahami oleh recruiter. Mereka membutuhkan gambaran bagaimana kita bekerja menyelesaikan project dan bagaimana hasil akhirnya. Ternyata, dokumentasi yang dilakukan akan menunjukkan skill yang kita miliki untuk berkomunikasi secara teknis. Sementara visualisasi seperti diagram pipeline atau hasil analisis dapat memudahkan pembaca dalam memahami workflow dan dampaknya.

Contoh kesalahan jenis ini yang paling sering ditemui adalah project yang hanya menampilkan repository GitHub dengan kode mentah tanpa README atau penjelasan. Beberapa cara yang bisa digunakan untuk memperbaikinya adalah:

• Tambahkan README yang dapat menjelaskan tujuan project, teknologi yang digunakan, serta cara menjalankannya.

• Gunakan tools seperti Lucidchart atau draw.io untuk membuat diagram arsitektur pipeline data.

• Tampilkan hasil visualisasi seperti dashboard atau laporan untuk menunjukkan dampak nyata dari project yang telah dibuat.

  
  

4. Tidak Memperbarui Portfolio secara Berkala

Portfolio yang tidak di-update dengan teknologi atau project terbaru dapat membuat kita terlihat tidak mengikuti perkembangan di dunia data engineering. Teknologi dalam data engineering berkembang secara pesat. Oleh karena itulah portfolio kita harus mencerminkan skill yang mengikuti tren terbaru. Portfolio yang tidak update memberi kesan bahwa kita tidak aktif dalam meningkatkan skill yang dimiliki.

Misalnya, kita hanya menampilkan project lama yang menggunakan teknologi konvensional, seperti MySQL dan Excel, tanpa integrasi dengan teknologi modern seperti Apache Airflow atau cloud computing. Kita bisa memperbaikinya dengan menambahkan project baru setiap beberapa bulan, terutama yang menggunakan teknologi terbaru seperti Snowflake, dbt, atau layanan cloud. Tambahkan update kecil, seperti penambahan fitur baru ke project lama atau memperbaiki dokumentasi.

Baca juga : Data Enginer VS Data Scientist

Menghindari kesalahan umum dalam pembuatan portfolio Data Engineer dapat meningkatkan peluang kita untuk menarik perhatian recruiter atau klien. Pastikan portfolio yang kita miliki dapat memberikan konteks yang jelas pada setiap project, fokus pada project yang relevan, menyertakan dokumentasi yang baik, dan selalu di-update dengan teknologi terbaru. Dengan begitu, portfolio kita tidak hanya menunjukkan kemampuan teknis, namun juga profesionalisme dan dedikasi kita sebagai Data Engineer.

Untuk membangun portofolio tersebut, kamu bisa mulai dengan mempelajari bahasa pemrograman dan tools yang lebih umum, seperti Python, R, dan Tableau yang disediakan di modul DQLab sebelum mempelajari tools khusus Data engineer.

DQLab merupakan platform belajar online yang berfokus pada pengenalan Data Science & Artificial Intelligence (AI) dengan menggunakan bahasa pemrograman populer, serta platform edukasi pertama yang mengintegrasi fitur Chat GPT. Selain itu DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula.

Yuk sign up di DQLab untuk mendapatkan pengalaman belajar yang lebih menarik. Daftar sekarang dan kejar impianmu untuk menjadi Data Scientist!

Penulis : Gifa Delyani Nursyafitri