Tips Membangun Tim Data Science yang Efisien di Perusahaan

By Prahariezka Arfienda   |   Desember 4, 2018

Memasuki era industri 4.0, semakin banyak perusahaan yang berlomba-lomba untuk memenuhi kebutuhan pengolahan data mereka dengan cara yang lebih canggih. Jadi, tidak heran apabila kini perusahaan banyak yang membuka lowongan pekerjaan untuk mengisi tim Data Science.

Untuk menciptakan sebuah tim Data Science dan menjadikannya sebuah tim yang efisien, ada beberapa hal yang perlu kamu perhatikan. Semoga beberapa tips berikut ini dapat membantu kamu dalam membangun sebuah tim Data Science di perusahaan.

1. Menentukan struktur

Struktur tim data science bisa beragam, mulai dari centralized model hingga highly distributed model.

Sumber gambar: Pexels

Centralized model bisa disebut juga model ‘shared’, atau ‘center of excellence’. Artinya, semua anggota tim bekerja di lokasi yang sama. Model seperti ini mendorong kolaborasi dan harmoni dari tim Data Science. Semua anggota tim bisa saling bertukar pikiran serta mendapatkan jawaban atau bantuan dalam proses coding yang mereka butuhkan dengan cepat.

Lain lagi dengan model ‘hub-and-spoke.’ Dalam model ini, tim biasanya akan memiliki sebuah lokasi kerja terpusat, namun mereka akan menyebar sesuai keperluan ke berbagai unit bisnis lain. Sisi positifnya, tim yang bekerja dengan model seperti ini bisa belajar banyak dari masing-masing unit bisnis tentang bisnis tersebut.

Untuk perusahaan yang sudah lebih besar, biasanya mereka akan menggunakan model distributed atau decentralized. Masing-masing unit bisnis bisa merekrut Data Scientist atau tim data mereka sendiri agar bisa bekerja sama dengan lebih intens. Salah satu kelebihan model ini adalah, anggota tim bisa belajar lebih banyak tentang kondisi unit bisnis yang tengah mereka tangani.

2. Mencari kandidat

Merekrut individu yang berbakat bisa menguntungkan perusahaan. Bukan hanya mereka dapat diandalkan untuk menyelesaikan pekerjaan, tapi mereka juga bisa membantu membangun sebuah tim, menentukan teknologi apa saja yang akan digunakan, serta mengarahkan analytics culture dari sebuah perusahaan. Anggota tim yang cerdas juga secara alami mampu menarik orang berbakat lainnya untuk bekerja sama atau bergabung dalam tim tempatnya berada.

Berbakat tidak hanya terbatas pada keterampilan teknis saja. Kemampuan komunikasi, koordinasi, dan kepemimpinan juga perlu kamu temukan pada calon karyawan. Saat kamu mewawancarai kandidat, tidak ada salahnya untuk melakukan tes yang dapat menguji kemampuan mereka untuk brainstorm ide dan bekerja sama dengan tim.

3. Mengatur lingkup pekerjaan

Penting bagi sebuah tim Data Science untuk mengetahui kebutuhan perusahaan. Sehingga, mereka bisa menentukan proses kerja dengan lebih jelas. Tim data juga bisa mendapatkan, memilah, serta mengolah data dengan lebih efisien karena telah mengetahui untuk siapa informasi dari data tersebut akan ditujukan.

Dengan mengetahui scope atau lingkup pekerjaan mereka, tim juga bisa lebih memahami target dan strategi untuk mengomunikasikan data. Apabila tim bekerja tanpa lingkup pekerjaan yang jelas, maka fokusnya akan terpecah dah dikhawatirkan hal yang penting justru kurang mendapatkan perhatian.

4. Menetapkan standar efisiensi

Setiap perusahaan bisa memilki standar efisiensi yang berbeda. Sebuah aktivitas dikatakan efisien di perusahaan A, namun di perusahaan B yang memiliki model bisnis berbeda, definisi tersebut mungkin tidak akan berlaku.

Sumber gambar: Pexels

Dengan menerapkan standar efisiensi di sebuah perusahaan akan banyak membantu manajemen dalam mengukur performa tim data science. Contohnya, seperti yang diterapkan oleh aplikasi photo editing VSCO.

Bagi tim data science VSCO, efisiensi diterjemahkan sebagai “berhemat beberapa jam dalam mendapatkan jawaban dari sebuah analisis, atau banyak jumlah hari yang bisa dikurangi dalam proses development.

Untuk itu, tim analisis perlu memeriksa penyebab turunnya jumlah download, atau hal apa yang menjadi pendorong utama untuk retensi aplikasi. Jawaban dari pertanyaan tersebut seringkali membantu tim produk untuk memberikan user experience yang lebih baik lagi. Tanpa analisis yang efisien, tim produk atau growth manager akan berhadapan dengan data yang kurang akurat, atau bahkan membuang waktu untuk mengeksplorasi sebuah proses yang sebetulnya kurang optimal.

Bagaimana cara menentukan standar efisiensi? Mulai dari impact apa yang ingin kamu dapatkan dari tim data science di perusahaan, dan apa saja metrik yang akan kamu gunakan untuk mengukur impact tersebut. Setelah itu, terjemahkan dalam poin-poin efisiensi yang bisa dijadikan pegangan untuk tim data science.

5. Memberikan target yang jelas

Sumber gambar: Pexels

Hal berikutnya yang tidak kalah penting saat kamu mulai membangun tim data science adalah, memberikan goal atau tujuan yang jelas. Buat batasan yang jelas tentang peran tim data science dan masing-masing anggota tim, serta bagaimana sebaiknya mereka berkomunikasi dengan tim lainnya.

Tim data science perlu memahami bahwa mereka bertugas untuk membantu tim lainnya dalam berurusan dengan data. Perusahaan juga perlu menunjukkan dukungan dan menghargai usaha mereka dengna memberikan sumber daya yang memadai. Baik dari segi sumber daya manusia, teknologi, data, atau dukungan lainnya.

Selain mendefinisikan target dari tim data science, setiap anggota tim juga perlu mengetahui bagaimana memecah target besar tersebut ke dalam pekerjaan sehari-hari. Apabila perlu, kamu bisa juga menceritakan target yang menjadi ekspektasi kamu terhadap kandidat tersebut saat interview. Ceritakan juga sedikit seperti apa kondisi pengelolaan data di perusahaan kamu. Dengan mengkomunikasikan hal tersebut, kamu bisa membaca apakah calon kandidat yang akan kamu rekrut adalah orang yang tepat atau tidak untuk melengkapi tim kamu.

6. Variasi kemampuan dan latar belakang

Sumber gambar: Pexels

Merekrut anggota tim dari latar belakang disiplin ilmu, pengalaman, dan kemampuan yang berbeda akan memberikan tim kamu warna baru. Mereka pun bisa saling mengisi antara satu dengan yang lainnya.

Komposisi dan culture dalam tim data juga menjadi hal yang perlu diperhatikan. Keberagaman latar belakang dan sudut pandang bisa memperkaya pengetahuan tim terhadap data science. Jika ingin ditelusuri lebih lanjut lagi, data science sebetulnya bukan hanya “science”, tapi juga ada seninya dan memerlukan banyak kreativitas. Semakin bervariasi anggota tim kamu, maka proses berpikir kreatif dalam tim data kamu bisa semakin terlatih.

Selain itu, keterampilan yang berbeda-beda juga bisa meningkatkan kualitas anggota tim data science kamu. Mereka bisa saling mempelajari hal baru dari rekannya, dan bisa mengembangkan kemampuan mereka lebih jauh lagi.


Setelah mengetahui tips untuk membangun tim Data Science tadi, kira-kira siapa saja yang akan kamu perlukan untuk mengisi tim tersebut?

Data Architect
Membuat cetak biru untuk data management system. Setelah memeriksa sumber daya potensial sebuah perusahaan, Data Architect mendesain sebuah perencaan untuk integrasi, sentralisasi, perlindungan, serta pemeliharaan sumber data. Anggota tim lain bisa terbantu untuk mengakses informasi penting di waktu dan tempat yang tepat.

Data Engineer
Menciptakan ‘bendungan’ big data yang sangat besar. Mereka mengembangkan, menysusun, menguji, dan memelihara berbagai architecture seperti database dan processing system dalam skala besar.

Data Analyst
Bertugas untuk mengumpulkan, memproses, dan melakukan analisis statistik terhadap data. Seorang Data Analyst mungkin tidak bisa menciptakan algoritma baru seperti yang bisa dilakukan oleh Data Scientist. Namun, Data Analyst bisa diandalkan untuk mengeksplorasi data dan menggunakannya untuk menjawab pertanyaan serta mencari solusi yang kerap ditemui dalam sebuah bisnis.

Data Scientist
Mereka mampu menggunakan ilmu matematika, statistika, dan pemrograman untuk membersihkan serta mengatur data di perusahaan yang belum rapi. Baik yang unstructured maupun yang structured. Lalu, menggunakan kemampuan analitis mereka untuk menemukan solusi dalam sebuah permasalahan dalam bisnis. Terkadang, Data Scientist juga perlu melakukan prediksi dari data yang sudah ada, hal ini yang membedakan mereka dengan Data Analyst.

Manager

Setelah Data Science Dream Team kamu terkumpul, kamu perlu menunjuk salah satu dari mereka, atau merekrut orang baru, untuk menjadi Manager dalam tim tersebut. Seorang Manager bertugas untuk mengatur alur kerja dan komunikasi antar tim, melindungi tim Data Science dari permintaan di luar scope atau lingkup kerja, serta memastikan seluruh tim bisa memiliki akses terhadap data, teknologi, perangkat, maupun kebutuhan lainnya untuk mendukung pekerjaan mereka.

Artikel terkait: What Does it Mean to be a Data Scientist?

Prahariezka Arfienda Satrianti
Content Chieftain

A (startup, tech, and digital media) geek. Kalau tidak sedang menulis artikel tentang data science, biasanya menulis review film atau menekuni fotografi.
Bisa disapa di arfie@algorit.ma.

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

Daftar Data Science Academy di Sini!

4 replies
  1. Fahim
    Fahim says:

    Dear Tim Algoritma,
    Terimakasih telah mau sharing terkait team data science. Kebetulan aku sedang tertarik mempelajari data science, tetapi di tempat aku bekerja belum menerapkan tim ini. Yang bikin aku penasaran, di kondisi perusahaan seperti apa yg sudah mulai mengharuskan memiliki tim data science?

    Terimakasih,
    FHM

    Reply
    • Arfienda Satrianti
      Arfienda Satrianti says:

      Hai Fahim,

      Thank you 🙂 pertanyaannya menarik, nih!

      Sebetulnya, paling baik dari awal ketika perusahaan itu akan didirikan, sudah ada tim data science dan pengelolaan data yang proper. Kenapa? Karena, semakin dini sebuah perusahaan mengelola data, maka nanti ke depannya segala aktivitas prediksi maupun hal lainnya yang memerlukan data science, akan lebih akurat hasilnya karena datanya lebih lengkap.

      Case yang sering terjadi saat ini, justru banyak perusahaan yang belum menyadari bahwa mereka bisa mendapatkan leverage yang tinggi dari data-data yang mereka punya. Contohnya dari data penjualan, jika kita bisa menangkap polanya dan melalukan forecasting dengan baik, tentunya kita dapat melakukan perencanaan ke depan dengan baik.

      Nah, kalau sekarang perusahaannya sudah established, semakin cepat perusahaan mengaplikasikan data science akan lebih baik. Jangan lupa, nanti saat perusahaan akan mulai menerapkan data science, data-data lama yang masih tersimpan dan layak guna juga bisa digunakan lagi. Pastikan datanya rapi dan tersedia ya 🙂

      Semoga membantu!

      Reply

Leave a Reply

Want to join the discussion?
Feel free to contribute!

Leave a Reply

Your email address will not be published. Required fields are marked *