Kuliah Tamu: Data Scientist dan Data Analyst di Industri

Pembuka

Data Scientist di Home Credit Indonesia sejak 2019.
Latar belakang di mobile development dan electrical engineering dari ITB.
Pengalaman mengerjakan proyek-proyek data science, termasuk data science academy di Home Credit.

Data science membantu dalam decision-making dengan data-driven approach.
Pentingnya data collection dan accessibility.
Flow untuk decision-making dan automation untuk decision yang berulang seperti credit scoring.

Statistik dan interpretasi data perlu visualisasi yang tepat untuk menghindari kesalahan dalam pengambilan keputusan.
Contoh kesalahan dalam visualisasi: tidak ada sumbu, data yang tidak di-label, dan misleading correlations.

Descriptive Analytics: Melihat apa yang terjadi berdasarkan data historis. (Contoh: frekuensi penjualan, rata-rata umur customer, dsb).
Diagnostic Analytics: Menentukan penyebab terjadinya sesuatu. (Contoh: issue tree, breakdown analysis, dsb).
Predictive Analytics: Memprediksi apa yang akan terjadi berdasarkan data historis. (Contoh: forecasting, churn prediction, dsb).
Prescriptive Analytics: Memberikan rekomendasi berdasarkan prediksi. (Contoh: campaign strategy, customer targetting, dsb).

Credit Scoring: Penilaian risiko kredit secara otomatis dengan machine learning.
Modeling: Logistic regression, decision trees, ensemble methods.
Analisis Data: Menggunakan tools seperti Python (Pandas, Scikit-learn), R, Excel.

Business Understanding: Definisikan masalah bisnis dan objektifnya.
Data Understanding: Eksplorasi dan pemahaman data yang ada, validasi asumsi data, akses ke data yang relevan.
Data Preparation: Data cleaning, transformation, feature engineering.
Modeling: Pilih dan aplikasikan model machine learning yang sesuai.
Evaluation: Evaluasi model dengan metric yang sesuai (ROC AUC, accuracy, dsb).
Deployment: Implementasi model dalam lingkungan produksi.

Iterasi cepat dan terus menerus (fail quickly, iterate fast).
Memahami dan memilih tools yang tepat untuk pekerjaan yang tepat (misalnya tidak overkill menggunakan Spark untuk data kecil).
Komunikasi dengan stakeholder untuk memahami kebutuhan bisnis dan mendapatkan feedback.

Infrastructure: Oracle, Spark/Flink, Cloud services (AWS, Azure, Google Cloud).
Visualization Tools: Tableau, Power BI, Excel.
Programming Languages: Python (Pandas, Scikit-learn), R (lebih banyak di akademik dan biologi).
Cloud Services: Integrated solutions for data storage, analytics, and deployment (AWS, Google Cloud, Azure).
Selecting Right Tools: Sesuaikan tools dengan kebutuhan dan data size.

Objective: Akurasi assessment risiko pinjaman dengan data demografi.
Data Preparation: Explorasi data, feature engineering, handling missing values.
Modeling: Gunakan model-model seperti logistic regression, decision trees, dan ensemble methods.
Evaluation and Iteration: Evaluasi model dan iterasi berdasarkan feedback dan hasil.

Informasi dari Bu Sanya tentang program magang dan kampus merdeka di Home Credit.
Program ini memberi kesempatan untuk merasakan langsung peran data analyst dan data scientist di industri.
Buka lowongan magang lebih dari 70 posisi, detil dapat diakses melalui situs kampus merdeka atau LinkedIn Home Credit Indonesia.

Pertanyaan tentang tools programming: Belajar dasar computational thinking lebih penting daripada mastering specific tools.
Pertanyaan tentang iterasi dalam modeling: Iterasi penting dalam memahami dan menyempurnakan model, bisa beberapa kali hingga optimal.
Pertanyaan tentang pemilihan machine learning model: Fokus pada model yang sesuai dengan kebutuhan masalah, tidak harus mencoba semua model.

Terima kasih kepada Pak Gunawan dan Bu Sanya atas waktunya dan informasi yang telah diberikan.