Ini 4 Pola Kerja yang Dilakukan “Data Scientist” di Perusahaan Fintech

Kompas.com - 08/01/2020, 20:42 WIB
Acara meetup Shopee dan DQLab yang digelar di Jakarta Selatan pada 30 November 2019. DOK. DQLABAcara meetup Shopee dan DQLab yang digelar di Jakarta Selatan pada 30 November 2019.

KOMPAS.com - Tugas utama seorang data scientist adalah membersihkan, memproses serta mengolah data besar. Untuk menghasilkan pengolahan data tepat, posisi data scientist memiliki peran penting di dalamnya.

Jangan salah, posisi pekerjaan data scientist juga melakukan uji coba model data yang bertujuan mengarahkan strategi manajemen selanjutnya secara tepat.

Kemampuan komunikasi yang baik pun juga dibutuhkan seorang data science. Pasalnya, seorang data science harus mampu mengomunikasikan data dengan sederhana dan jelas agar hasil data yang disampaikan valid.

DQLab sebagai platform belajar online mendapatkan bocoran langsung dari Izzuddin Ahsanujunda, Data Analyst dari DANA mengenai pola kerja yang dihadapi data scientist pada industri Fintech.

Apa saja ya?

1. Diskusi Permasalahan

Saling bertukar pikiran dengan business user merupakan langkah awal seorang Data Scientist di industri fintech untuk memulai pengolahan datanya.

Hal ini dilakukan untuk mengetahui kebutuhan apa yang diperlukan agar bisa menghasilkan solusi tepat.

“Diskusi dengan business user untuk mengetahui kebutuhan. Misalnya kita mau tahu apakah ada perubahan promotion atau ada perubahan objektivitasnya? Selain itu, kita juga bisa mengukur parameter suksesnya di mana,” ujar Junda, sapaan akrabnya.

2. Menerjemahkan Data

Setelah memperoleh data, sebagai data scientist langkah selanjutnya adalah menerjemahkan data menjadi matematika model. Dengan demikian akan memudahkan seorang data scientist untuk mengetahui data apa yang dicari dan yang akan diolah.

3. Pengumpulan Data

Melakukan tahap pengumpulan data merupakan hal paling banyak menyita waktu. Mengapa demikian?

Data yang dikumpulkan akan diuji satu-satu hingga menemukan model yang pas. Model yang pas inilah yang bisa menjadi solusi bagi suatu perusahaan.

“Kita tarik data pertama dan kita coba modelnya kemudian evaluasi. Begitu terus berkali-kali sampai mencapai target yang diajukan di awal.” Tambah Juna.

4. Validasi

Validasi ini dilakukan untuk memastikan data yang diolah bisa menghasilkan suatu prediksi yang tepat untuk sebuah perusahaan. Hal ini dilakukan untuk mengurangi tingkat kesalahan input data dalam jumlah besar.

“Kita ambil data yang sudah ada kemudian kita validasi ke data yang kita nggak tahu. Data-data tersebut dikumpulkan untuk diproses yang gunanya untuk hasil prediksi. Setelah itu jika sudah dapat, analisisnya dilanjutkan untuk bisnis awal dan kita kasih rekomendasi apakah lanjut atau ganti model,” ujar Juna.

Pola kerja data scientist di setiap perusahaan tentunya berbeda-beda terkait dengan kebutuhan industri itu sendiri.

Kalau kamu mau mencoba menjadi seorang data scientist dan mendapatkan feedback langsung dari praktisi, kamu bisa mengikuti beragam kompentisi untuk menambah pengalaman, di antaranya DQLab Data Champion.

Selain mengenal lebih dekat praktisi data engineer, data analyst dan data scientist yang kompeten di bidangnya, kamu juga berkesempatan membangun portofolio untuk siap menjadi praktisi data yang siap bekerja di perusahaan.

Tertarik menambah pengalaman dan jaringan lewat kompetisi?

Dapatkan Smartphone dan Voucher Belanja dengan #JernihBerkomentar di artikel ini! *S&K berlaku


Dapatkan Smartphone dan Voucher Belanja dengan #JernihBerkomentar dibawah ini! *S&K berlaku
Berkomentarlah secara bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab komentator seperti diatur dalam UU ITE
Laporkan Komentar
Terima kasih. Kami sudah menerima laporan Anda. Kami akan menghapus komentar yang bertentangan dengan Panduan Komunitas dan UU ITE.
Close Ads X