PAYDAY SALE! DISKON 95%
Belajar Data Bersertifikat 12 Bulan hanya 180K!
0 Hari 2 Jam 37 Menit 16 Detik

Strategi Sukses Menyusun Portofolio Data Analyst

Belajar Data Science di Rumah 05-Maret-2024
https://dqlab.id/files/dqlab/cache/3-longtail-senin-03-2024-03-05-161726_x_Thumbnail800.jpg

Profesi data analyst saat ini banyak dibutuhkan oleh industri untuk mengolah data yang kemudian digunakan untuk pengambilan keputusan. Untuk dapat berkarir di bidang data, Sahabat DQ perlu memiliki portofolio yang meyakinkan. Sebuah portofolio dapat menjadi acuan bagi rekruter untuk melihat pengalaman kerja dan skills yang dimiliki. Selain itu, portofolio juga dapat digunakan untuk membangun personal branding yang profesional. Tidak hanya itu, portofolio juga penting untuk menjadi jurnal perkembangan skill yang selalu selalu diupdate mengikuti kebutuhan industri


Namun, banyak data analyst pemula yang masih sering melakukan kesalahan ketika membangun portofolio. Dimana ini akan berdampak pada personal branding kalian loh. Bisa jadi portofolio yang kurang tepat membuatmu susah untuk mendapatkan pekerjaan baru, atau dinilai kurang menguasai skill yang kalian tunjukkan. Apa saja kesalahan-kesalahan tersebut? Yuk simak pembahasan berikut ini!


1. Latar Belakang Masalah Tidak Jelas

Data Analyst

Salah satu kesalahan paling umum yang dilakukan pemula dalam membuat portofolio adalah tidak memberikan penjelasan apapun tentang masalah yang ingin diselesaikan dalam portofolio. Portofolio merepresentasikan diri kalian. Dengan portofolio tanpa konteks atau latar belakang dapat mengindikasikan bahwa kalian tidak memahami apa yang sedang dibuat.


Konteks ini penting agar pembaca tahu apa garis besar permasalahan yang ingin diselesaikan, pendekatan apa yang kalian pilih, alasan memilih pendekatan tersebut, dan hasil apa yang diperoleh dengan pendekatan tersebut. Dengan memiliki konteks tersebut, maka pembaca menjadi tahu pola pikir kalian sebagai data analyst dalam mengubah data menjadi informasi yang bermakna.


Baca juga : Bootcamp Data Analyst with SQL and Python


2. Informasi Pribadi Tidak Tercantum

Data Analyst

Selain menjelaskan latar belakang permasalahan yang kalian pilih, penting juga untuk menuliskan informasi pribadi. Gunakan informasi pribadi yang profesional dan menunjukkan siapa kalian dan apa yang membuat kalian berbeda dengan data analyst lainnya. Berikan informasi pribadi yang relevan berkaitan dengan posisi yang kalian lamar pula.


Tunjukkan kelebihan yang membuat kalian perlu dipilih oleh rekruter jika memang sedang mencari pekerjaan. Atau jelaskan mengapa kalian orang yang sesuai untuk memecahkan permasalahan yang kalian angkat pada portofolio. Ini akan menjadi nilai tambah karena informasi pribadi membuat portofolio kalian semakin terjamin kredibilitasnya dan menunjukkan bahwa portofolio tersebut merupakan hasil pemikiran asli, bukan hasil plagiasi.


3. Sulit Untuk Diakses

Data Analyst

Tujuan dari dibuatnya portofolio adalah agar orang lain dapat melihat hasil pemikiran dan solusi yang kalian berikan terhadap suatu permasalahan. Kalian juga ingin menunjukkan kemampuan kalian di bidang data analyst. Jika portofolio sulit diakses, maka tujuan ini tidak akan tercapai. Terlebih jika tujuannya untuk mencari pekerjaan.


Maka rekruter tidak akan melanjutkan ke proses berikutnya jika portofolio tersebut tidak dapat diakses. Tak perlu khawatir, saat ini sudah banyak platform gratis bagi kalian yang ingin membuat portofolio data analyst. Beberapa diantaranya yaitu Kaggle, Github, Google Data Studio, Tableau for Public, dan platform lainnya.


4. Portofolio Tidak Sistematis

Data Analyst

Memiliki alur dan struktur yang sistematis, membuat portofoliomu mudah untuk dipahami. Awali dengan latar belakang, penjelasan singkat isi data, tahap mengenali data, eksploratori data, manipulasi data, visualisasi sederhana untuk mengetahui sebaran data, memodelkan data jika memang diperlukan, evaluasi model, perbaikan model, dan insight yang didapatkan.


Struktur yang baik ini juga menggambarkan bagaimana logika kalian dalam membangun penyelesaian tersebut. Jika tidak disusun secara sistematis, maka pembaca akan kesulitan memahami langkah-langkah yang kalian aplikasikan dalam menyelesaikan permasalahan. Ini juga menggambarkan bahwa sebenarnya kalian kurang paham dengan apa yang dikerjakan.


Baca juga : Data Analyst vs Data Scientist, Yuk Kenali Perbedaannya


5. Tidak Sesuai Industri yang Dituju

Data Analyst

Hal ini penting bagi kalian yang membuat portofolio untuk tujuan melamar pekerjaan. Karena portofolio ditujukan untuk memperlihatkan kemampuan yang kalian miliki dan sesuai dengan posisi yang dilamar. Jika portofolio tidak sesuai dengan industri, tentu rekruter tidak dapat melihat kemampuan yang relevan untuk memilih kalian sebagai kandidat. Misalnya, kalian melamar di industri perbankan. Namun portofolio yang dilampirkan berkaitan dengan pemodelan vaksin COVID-19.


Meskipun mungkin algoritma atau machine learning yang digunakan dapat diaplikasikan di industri perbankan, konteks yang kalian pilih tidak berhubungan dengan industri tersebut. Sehingga bagi rekruter yang memiliki latar belakang berbeda dengan praktisi data, sulit memahami korelasi portofoliomu dengan kebutuhan posisi yang dilamar.


Nah, ternyata penting, ya mempertimbangkan beberapa hal ketika membangun portofolio. Bagi kalian yang pemula dan bingung harus memulai darimana, DQLab sangat cocok sebagai pilihan membangun portofolio. Mengapa demikian? Modul pembelajaran diatur sehingga pemula dapat mempelajari hal mendasar terlebih dahulu untuk memperkuat pengetahuannya.


Selanjutnya akan diberikan beberapa studi kasus yang memperluas pemahaman kalian dan mengaplikasikannya ke permasalahan yang bervariasi. Untuk pemula yang tidak memiliki latar belakang IT pun dimudahkan dengan Live Code Editor sehingga tidak perlu install aplikasi ketika harus praktik coding. 


Bahkan modul di DQLab diintegrasikan dengan ChatGPT loh. Manfaatnya apa?

  • Membantu kalian menjelaskan lebih detail code yang sedang dipelajari

  • Membantu menemukan code yang salah atau tidak sesuai

  • Memberikan solusi atas problem yang dihadapi pada code

  • Membantu kalian belajar kapanpun dan dimanapun


Selain itu, DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Tunggu apa lagi, segera Sign Up dan ikuti Bootcamp Data Analyst bersama DQLab LiveClass! 


Penulis : Dita Feby 

Editor : Annissa Widya

Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login