Pengalaman Data Scientist di Female Daily

Aku sering dengar kalau misalkan data science itu pekerjaan yang paling work-life balance, terus bisa work from anywhere, terus gajinya juga agak tinggi, pokoknya yang enak-enak semua. Nah sebagai praktisi data science yang terjun langsung itu mitos atau fakta sih kak? Oke, jujur aku, jujur dulu aku interview di Female Daily sama data scientist sebelumnya. Salah satu pertanyaan yang aku ingat banget adalah? Nah menurut kak Bagus itu prospek data scientist ke depannya tuh gimana sih? Bagus ya, Shell. Kenapa? Aku lihat sekarang udah banyak perusahaan yang lagi hire data engineer. Kalau menurut aku, kemungkinan next-nya itu adalah... Halo generasi pintar digital, welcome back to Puewedika Podcast. Kali ini bersama aku, Michelle Christine, yang akan nemenin kalian untuk ngobrol-ngobrol dengan asumber podcast kita yang seru banget hari ini. Karena beliau merupakan pekerja atau praktisi langsung. Di sebuah company digital yang memang banyak bekerjaan nih kalau dibilang terutama untuk kaum-kaum wanita di Indonesia. Company apa sih itu? Langsung aja kita perkenalkan. Ini dia narasumber kita hari ini, Kak Bagus. Halo semuanya, salam kenal ya. Nama aku Bagus Fajar Aprianto, biasa dipanggil dengan Bagus. Saat ini aku bekerja di Female Daily Network as a Data Scientist. Oke, mantap. Jadi Kak Bagus ini merupakan seorang Data Scientist di Female Daily Network. yang merupakan sebuah media ya kak ya media untuk beauty terutama baik itu makeup, skincare, fashion gitu ya biasanya nah teman-teman kalau Female Daily itu biasanya terkenal dengan reviewnya gitu ya mungkin ya kak Bagus ya karena kalau aku pribadi nih suka ngeliat tuh kalau misalkan mau beli skincare atau makeup kan kayak cocok gak ya ngeliat dari reviewnya Female Daily nah oke mungkin kita mulai aja ya guys ya ngobrol-ngobrolnya sama kak Bagus jadi kak bisa gak sih kak Bagus ceritain musik Backdown dari Kak Bagus sampai jadi data scientist di Female Daily Network itu gimana sih? Oke, kalau aku sendiri sebenarnya dulu kuliah di jurusan matematika. Mungkin bisa dibilang salah satu dari beberapa jurusan yang relate dengan data scientist. Terus aku gak langsung kerja sebenarnya abis itu Shell. Aku sempat nganggur dulu 5 bulan, disitu kayak udah pasrah tuh namanya. Baru lulus kan terus juga. Dulu data scientist, analis dan sebagainya itu kan juga belum terkenal kan. Nah disitu yaudahlah apa aja yang penting dapat kerja gitu. Akhirnya aku dapat di perusahaan namanya Circulo. Tapi bukan sebagai di rule datanya. Melainkan di purchasing adminnya. Jadi admin. Nah dari situ aku lupa antara sebulan atau dua bulan. Kemudian aku dapat info ada intern di suatu company. Namanya Bisa AI gitu. Nah. Disini aku juga gak tau nih akan digaji berapa, apakah akan digaji atau enggak. Tapi karena aku tertarik di bidang data dan backgroundku juga di matematika. Jadi aku yaudahlah nekat gitu. Walaupun sama orang tua juga sebenernya orang tua kurang setuju gitu. Karena udah kerja ngapain ninggalin gitu. Di dua bulan awal ada aku sama dua temanku yang... Sorry, tiga temanku yang diangkat jadi pegawai di situ. Nah, jadi di situ awalnya pas intern itu kita semua dibagi proyek. Nah, karena udah diangkat jadi suruh melanjutkan proyeknya itu. Delapan bulan, statusnya juga sebagai data scientist. Terus aku pindah ke perusahaan namanya Bahasa Kita. Kalau Bahasa Kita ini lebih ke arah text to speech. Jadi ketika kita ngobrol. subtitlenya akan otomatis ada gitu kayak misalnya di YouTube kan kadang ada tuh dari situ aku satu lumayan lama satu tahun delapan bulan kalau nggak salah terus karena aku kayak ngerasa ah kayaknya kurang cocok deh di bidang data yang apa suara data suara gitu jadi aku pingin balik lagi nih ke data-data yang angka akhirnya aku nyari lagi dan keterima di salah satu perusahaan telekomunikasi Indonesia Telkom Sigma tapi disitu statusnya sebagai outsourcing Dan dikontrak kurang lebih 8 bulan Ada tawaran lagi nih dari temenku Ternyata di 6 bulan setelah aku bekerja disitu Di dinas penanaman modal Dan pelayanan terpadu satu pintu DKI Jakarta. Nah disitu aku statusnya memang sebagai data scientist. Tapi ternyata yang aku kerjain bukan data scientist. Melainkan lebih ke arah mungkin lebih ke BI engineer gitu. Jadi pembuatan data warehouse sama visualisasi datanya. Dari situ aku baru pindah ke halodoc. Baru pindah ke female daily sebagai data scientist. Oke nah berarti menarik banget ya dari pengawan. pengalaman kakak yang cukup banyak di bidang data juga, tapi tadi kakak ada nyebut kalau misalkan titelnya itu data scientist tapi pekerjaannya ternyata bukan data scientist itu mungkin memberi tahu ke kita semua kalau ternyata di Indonesia data scientist sendiri itu masih abu-abu mungkin gitu ya untuk job desk ya, nah sebenarnya itu untuk data scientist sendiri menurut Kak Bagus yang memang sudah menyelami atau menjadi praktisi di bidang ini apa sih sebenarnya job desk dari data scientist itu? oke ... Kalau menurut aku sendiri, job desk dari data scientist itu biasanya lebih ke arah analisis dan predictive sih. Jadi kita bisa memprediksi kira-kira kapan nih penjualan ini akan naik, seperti itu. Jadi lebih ke arah predictive atau mungkin kalau menurut aku ya, data scientist itu juga hampir sama mungkin kayak machine learning engineer. Jadi buat model untuk membantu si perusahaan lebih berkembang lagi. Oke, jadi data-data yang diperoleh atau dimiliki perusahaan tersebut emang diolah oleh data saintis supaya bisa menghasilkan sebuah model yang nantinya berguna buat kelangsungan perusahaan tersebut begitu ya kak kurang lebih. Oke kalau begitu. Nah kak, dari background kakak sendiri kan berarti tadi kuliahnya di jurusan matematika ya betul. Apakah matematika itu sangat membantukah dalam kakak mempelajari data sains atau gimana boleh diceritain kak? Namanya juga data ya Data itu berarti kan hubungannya sama matematik ya Nah banyak hal sih di matematika yang aku pelajari Berhubungan sama si data ini Kayak misalnya dari sisi statistiknya Yang statistik deskriptifnya Dulu aku menyangka jurusan statistik tuh Apain sih masuk jurusan statistik Kan cuma mean, median, modus doang Tapi ternyata enggak Ada teknik pengambilan sampel Ada namanya statistik time series Atau data-datanya yang berhubungan dengan waktu Misalnya per bulan, per hari, per minggu dan sebagainya Terus juga ada namanya Statistik multivariat Jadi kita belajar Variable-variable Gimana banyak variable itu bisa diolah Seperti itu Terus dari sisi matrix mungkin Di beberapa jurusan Di pelajari matrix Cuma di matematika bisa lebih dalam lagi terkait matrix Logiknya yang di asas sebenarnya Jadi kalau orang bilang Matematika itu ngitung, matematika ngitung Kita gak cuma ngitung sebenarnya di matematika Tapi kita ada pembuktian-pembuktian Dari teorema-teorema Jadi logiknya Yang dipakai juga Oh iya benar, kalau didatakan Perlu logik ya Nah terus menarik lagi nih kak, tadi kan kakak juga udah Nyebutin pengalaman kakak yang banyak banget Dari berbagai industri, ada yang Datanya berupa suara, ada yang berupa Angka, nah kayak gitu Nah itu menarik sih Kak, emangnya setiap industri itu sekarang butuh data saintis ya? Kalau menurut aku sendiri, kalau dibilang butuh, butuh. Tapi tergantung dari perusahaannya itu dulu. Nah kalau perusahaannya itu misalnya masih ngumpulin sekedar data-data biasa gitu, kayak jadi datanya masih awal-awal dan proses bisnisnya juga belum tahu kemana, mungkin nanti dulu gitu. Coba di... Dijelasin dulu tujuan bisnisnya ini mau kemana Terus kira-kira Data apa aja yang akan dikumpulin Nah baru disitu mungkin data saintis yang bisa Berperan untuk mengolah datanya lagi Oke Nah selanjutnya nih kak, kalau misalkan Mungkin tadi dari penjelasan kakak Belum terlalu terbayang nih teman-teman mungkin ya Kira-kira kalau dicontohin langsung Day to day-nya kak bagus Di Female Daily Network sebagai data saintis Itu ngapain sih? Sebenernya di 3 bulan pertama mungkin Hmm beberapa teman-teman data juga di awal-awal bulan pasti cuma mahamin data perusahaan itu oh wow sampai 3 bulan ya buat mahamin data aja ya aku kurang lebih 3 bulan karena di Female Daily sendiri itu kan dibagi beberapa tribe terus kebetulan aku juga data saintisnya sendiri ya kan jadi aku lumayan banyak untuk mahamin datanya gitu Terus, tapi sambil mahamin data, aku juga dapat request dari beberapa user Shell. Jadi, minta tolong dong, tolong ambilin data yang usernya yang seperti ini, ini, ini, atau minta tolong dong review yang seperti ini, ini, ini, diambilin datanya kayak gitu. Nah, sampai sekarang juga aku masih ngejalanin request data itu. Ada juga sedikit-sedikit tentang analisis, kayak waktu itu analisis masalah poin di Female Daily. Kayak pain pointnya dimana, problemnya apa dan sebagainya Terus, nah sekarang aku baru masuk ke proyek nih Shell Baru masuk ke proyeknya data scientist di fact review Kalau fact review itu apa sebenarnya sih fact review? Kan ada nih buzzer-buzzer yang brandnya pingin naik nih Iya, bener banget sih Pingin bagus biar dibeli produk-produknya Nah, itu kita bikin suatu model Biar bisa prediksi bahwa oh ini review yang buzzer loh Oh ini review yang bukan loh gitu Oke menarik banget sih guys Ini soalnya aku juga relate nih kak sebagai penggunanya Female Daily Jadi aku setiap mau Beli skincare atau makeup gitu kan Juga ngeliat review-review di Female Daily tersebut kan Nah itu emang agak mengganggu ya Kalau misalkan komentarnya tuh Ternyata dari bazar jadi yang kita terima tuh Ternyata gak sesuai sama ekspektasi Atau kebutuhan kita Nah jadi gitu guys Jadi sebenarnya data scientist itu juga relate banget sama masalah user-usernya, kayak gitu, user-user dari perusahaannya, nah terus kak pertanyaan selanjutnya nih, untuk yang project fake review sendiri kira-kira itu gimana sih cara identifikasinya, apakah itu buzzer ataukah itu review asli, itu pakai datanya itu data apa aja kalau boleh tahu mungkin aku lebih kejelasin step-stepnya aja kalian, dari PM, coba Ngobrol sama UX researcher kalau di kantor dan coba juga survei ke teman-teman FD member nih seberapa aware sih mereka terhadap fact review yang ada di Female Daily. Ternyata banyak nih yang aware terhadap fact review di Female Daily. Akhirnya setelah itu baru dibentuk beberapa tim untuk mendiskusikan kira-kira review-review yang buzzer tuh seperti apa sih. Karena sekarang itu saat ini review-review buzzernya itu masih di-tagging secara manual. Jadi masih ada temenku yang memang khusus untuk, oh ini review buzzernya harus di-delete dan sebagainya. Dari situ kita define dulu data apa aja yang memang diperlukan, terus review-review buzzernya itu seperti apa, contoh-contohnya. Nah dari situ baru masuk ke bagian aku. Aku ambil datanya, aku analisis, terus aku modeling, baru deployment. Kalau misalnya akurasinya memang sudah terpenuhi. Tapi kalau belum, kita coba lagi cari nih, balik lagi nih. Kira-kira udah benar belum sih variable-variable yang aku ambil? Atau kira-kira processingnya, cleansing datanya udah benar belum sih? Oke, poin menarik sih Kak yang aku dapet tadi. Berarti dengan adanya data scientist, maka kita bisa mengambil data scientist yang sudah terpenuhi. apa yang kita biasanya lakukan secara manual itu kan memakan waktu lama ya itu berarti bisa diatasi dengan lebih efektif gitu ya dengan kehadiran dari data scientist gitu oke I see, nah terus kak untuk pembuatan machine learning sendiri itu kira-kira berapa lama sih? karena tadi kan kakak bilang untuk 3 bulan pertama aja itu baru belajar data-datanya kan terus tadi juga ada variable-variable harus dites dulu akurat atau enggaknya kayak gitu kurang lebih sih Aku 2 bulan sih kalau untuk proyek ini. Tapi tergantung proyek masing-masing juga sih Shell. Jadi mungkin proyek yang lain itu bisa beda, bisa lebih cepat, bisa juga lebih lama. Kan tergantung dari datanya sendiri. Selain machine learning, PKI Fuse, kira-kira apa aja sih yang mungkin udah dikerjain data scientist-data scientist sebelumnya nih? Atau kakak kerjain proyek-proyek kecil juga bisa dijelasin yang ada di Female Daily Network. Karena dari kakak... menyampaikan tentang fake reviews tadi aku juga sebagai orang awam lebih terbuka oh ternyata itu kerjaannya data scientist yang sebelumnya aku tuh gak tau yang pertama ada product matches atau mungkin bisa dibilang system recommendation jadi misalkan kulit kering atau oily gitu, nah itu bisa dikasih produk, oh ini loh yang cocok terus ada juga NER atau name entity recognized jadi kalau name entity recognized itu lebih ke arah dia bisa prediksi mana yang objek Mana yang subject gitu Misalkan bagus pergi ke pasar Untuk membeli apple gitu Berarti bagusnya itu subject Apple nya itu object Kayak gitu-gitu Oke mantep banget kak Sebagai awam aku sering dengar Kalau misalkan data science itu pekerjaan yang paling work-life balance terus bisa work from anywhere terus gajinya juga gede tinggi pokoknya yang enak-enak semua sampai makanya data science bisa naik lagi kan namanya di Indonesia nih nah sebagai praktisi data science yang terjun langsung itu mitos atau fakta sih Kak? Oke, jujur aku waktu dapet pertanyaan ini dari kamu, aku sempet ada survey kecil-kecilan di Instagramku. Oh wow, mantap. Boleh diceritain hasilnya surveynya mungkin? Hasilnya, aku ada tiga pilihan. Yes, no, sama tergantung. Lumayan banyak juga yang jawab yes, tapi lebih banyak yang jawab tergantung. Ada beberapa juga yang jawab no sih sebenarnya. Tapi kalau dari sisi dan pandangan aku sendiri, balik lagi ke tergantung. Tergantung dari siapa? Tergantung dari user dan perusahaannya itu sendiri. Karena aku jujur pernah ngalamin kedua hal itu. Data science yang work-life balance sama data science yang... Gila dia. Oke guys, catet ya. Nggak selalu. Nggak selalu. Terus juga waktu itu karena based on user dan... Usernya itu pernah minta aku untuk ngerjain sesuatu di jam 5 sore dan di hari itu harus selesai. Wow. Itu gak work life balance dong. Iya, iya, iya. Oke, tapi kalau di Female Daily sendiri tergantung PES-nya sih. Kayak kemarin aku cuma request data sama mahamin data itu lumayan. Tapi sekarang PES-nya lagi tinggi karena lagi ngerjain project fact review ini. Oke. Kalau masalah gaji bisa dibilang... Aku lumayan setuju sih kalau untuk yang gaji yang lumayan besar, untuk junior aja bisa diantara 7-8 itu kan juga lumayan besar. Oke baik Kak. Nah terus aku juga penasaran nih Kak yang tadi mungkin kita sempat bincang-bincang, kira-kira tuh data saintis sama data analis sebenarnya sama atau beda sih? Kalau dari sudut pandang perusahaan di Indonesia beda-beda pasti. Oke. Tapi kalau menurut persepsiku itu ya itu berbeda. Kalau data analis sendiri itu lebih ke arah analisis sesuatu gitu. Jadi misalnya kenapa penjualan ini menurun atau kenapa ordernya meningkat. Terus juga data analis juga ngasih rekomendasi nih. Kira-kira penjualan yang tepat itu kapan sih untuk promonya di up kayak gitu. Sedangkan kalau data saintis lebih ke arah prediktif. Jadi kalau analis itu ke arah deskriptif, kalau saintis itu lebih ke arah prediktif. Kayak tadi fact review contohnya, kita bisa memprediksi mana review yang fact, mana yang review yang enggak. Berarti data saintis itu bisa dibilang cenayangnya perusahaan gitu ya? Jadi tadi kan kita udah ngomongin kalau data saintis itu mungkin memang posisi yang di Indonesia itu dibilang lagi naik-naiknya. Nah menurut Kak Bagus itu prospek data saintis ke depannya itu gimana sih? Bagus ya Shell. Kenapa? Aku lihat sekarang udah banyak perusahaan yang lagi hire data engineer. Kalau menurut aku kemungkinan nextnya itu adalah data saintis. Kenapa? Karena perusahaan ini lagi coba untuk benerin datanya mereka dulu. Baru nanti mereka olah, mereka analisis, dan mereka gunakan datanya. Oke, berarti data engineer itu beda lagi dengan data analis dan data saintis? Jadi engineer itu di tahap awalnya, Kak? Bisa dibilang seperti itu. Oke, jadi engineer itu yang ngapain berarti? Bisa dibilang bersih-bersih data. Oh, oke. Jadi karena data yang diterima di, misalnya di apps, itu data yang diterima kotor banget, itu dibersihin sama si engineer ini. Dan kalau di perusahaan itu biasanya ada dua database atau tempat penyimpanan data. Iya. Yang satu untuk production, yang satu untuk analisis. Jadi kalau untuk yang production, datanya itu bisa tiap menit bahkan tiap detik masuk. Akibatnya data yang data saintis atau data analis ini ambil bisa beda-beda dong setiap menit atau bahkan detiknya gitu. Nah sedangkan kalau yang untuk analisis itu bisa di refresh-nya, di schedule, di jadwalkan. Refreshnya satu bulan sekali atau misalnya di jam 12 malam. Jadi ketika satu hari itu si data analis atau data saintis gunain data, itu datanya akan sama. Oh, I see. Oke, jadi dalam perusahaan tuh biasanya mereka bertiga ini kerjanya bareng atau kayak gimana tuh Kak? Ya bisa dibilang saling kerja sama sih kayak si data engineer ini untuk support datanya, sedangkan analis dan saintis ini yang menggunakan datanya tapi dengan job masing-masing. Oke, Kak Bagus untuk pertanyaan selanjutnya. Kan kita tahu data dan juga tren bakal berkembang dan update terus di Indonesia gitu kan. What's next plan nih yang bakal... Bakal dikerjakan sama data saintis di Female Daily? Kalau dari plan aku sih, aku kebayang mau buat coba sentiment analysis. Oh, apa tuh kak? Jadi kalau sentiment analysis tuh lebih ke, kita lihat nih reviewnya emang bagus atau jelek. Misalkan kayak di kemarin waktu pemilihan-pemilihan biasanya, kan banyak yang bilang bahwa si ini kurang ini karena gini-gini-gini-gini. Oh, yang awards itu ya biasanya. Nah ini kan berarti kan sentimennya jelek atau bisa juga customer churn atau apakah user akan kembali menggunakan female daily. Itu juga bisa dipakai. Tadi kan kita sempat bahas juga kalau misalkan di Indonesia itu masih abu-abu atau masih ambigu begitu ya apaan dari data science itu. Nah tapi dengan seiring naiknya lagi nih nama data science atau posisi data scientist yang tadi dibilang paling work life. balance lah, gajinya tinggi, segala macam kira-kira menurut kakak sekarang sekarang ini tuh udah bertambah belum sih pengetahuan perusahaan perusahaan di Indonesia mengenai data science itu sendiri? Sekarang itu mungkin lebih baik dibanding sebelum-sebelumnya kayak hanya sekedar data analis menggunakan Excel dia udah bilang data science gitu-gitu. Nah kalau sekarang mungkin perusahaan juga udah lebih aware dan mungkin ada juga dari pemerintah juga kan sering ngobrol Terkait data-data-data dan terutama big data Karena kan data science itu berhubungan dengan big data kan Data yang sangat besar Nah untuk sekarang progresnya sih perusahaan-perusahaan Udah mulai aware terkait pemisahan job-job itu Walaupun mungkin masih ada beberapa perusahaan yang agak bingung Terkait data analis maupun data saintis gitu Oke, jadi memang sudah kembang walaupun masih ada yang abu-abu tetap masih ada. Nah berarti kalau begitu menurut kakak untuk ke depannya nih, berarti apakah perusahaan-perusahaan bakal makin aware lagi dengan data science dan apakah talent-talent dari data science yang menjadi data scientist ya sebutannya, berarti untuk talentnya akan banyak dibutuhkan di masa depan? Kalau dari sisi talent, aku yakin banget akan terus berkembang gitu. Teknologi ini... Terus berkembang terus Shell Jadi pasti talent-talentnya Pasti akan selalu berkembang Nah untuk talentnya sendiri nih Kak Berarti kan dengan boomingnya data science Bakal banyak nih tercipta talent-talent Apalagi di iming-imingi sama Hal-hal yang tadi, gaji gitu kan Nah apa aja sih required skills Yang diperlukan data scientist sebenarnya Untuk bisa disebut sebagai Talent yang berkualitas lah Jadi data science itu sebenarnya terdiri dari Tiga konsep, dari matematika, teknologi Maupun dari bisnis Nah Biasanya orang fokus ke matematika dan teknologinya, tapi mereka gak fokus ke bisnisnya. Jadi cuma mereka sekedar ngonding, oh akurasinya 90% udah bagus. Tapi mereka gak tau nih bisnisnya buat apa. Gak menyelesaikan masalah. Yes, betul. Nah jadi logika dan itu kita juga harus pegang tiga itu. Matematika, bisnis, dan teknologinya. Kalau dari teknologinya biasa pasti programming. Karena gak mungkin dong kita menghitung data segitu banyak secara manual atau pakai kalkulator. Gimana cara kita untuk menghandle datanya? Ketika data ada yang kosong, itu harus kita isi dengan apa? Atau data yang beda sendiri? Misalnya di kelas 1 SD, rata-rata tingginya misalkan 120 gitu. Tapi ternyata ada tiba-tiba 1 atau 2 orang yang 160. Itu gimana cara kita handle data-data yang kayak gitu? Itu untuk math-nya. Ada 3 ya guys oleh data saintis yang diperlukan adalah yang pertama matematika. Yang kedua adalah teknologi. Dan yang ketiga jangan lupa bisnisnya juga harus diperlukan. Nah kalau misalkan nih suatu saat ke depannya kakak ada kebutuhan untuk partner. Mungkin ya partner kerja untuk membantu kakak sebagai data scientist di Female Daily Network. Kira-kira aspek apa aja sih yang kakak bagus bakal perhatikan? Pertama merhatiin dari sisi orangnya dulu. Orangnya kayak gimana gitu. Terus dari sisi misalkan aku kasih tax. Terus aku suruh present. Karena data scientist gak cuma modeling Tapi sometimes kita harus present juga Ke orang gitu kan Terkait ini kayak gimana analisisnya apa aja Dan predictivenya akan seperti apa Kayak gitu Terus kemampuan Dari mathnya yang utama Jujur dulu aku interview di Female Daily sama Data Scientist sebelumnya. Salah satu pertanyaan yang aku ingat banget adalah, apa bedanya diagram batang sama histogram? Wow, oke. Terus aku disitu juga bingung kayak, dua-duanya kan sebenarnya sama, sama-sama berbentuk batang gitu. Cuma setelah aku interview itu, aku coba cari, oh iya ternyata beda. Yang satu untuk melihat bisa dibilang distribusinya seperti apa, atau penyebaran datanya seperti apa, dan untuk histogram itu kan dia, diagramnya kan mepet-mepet ya, Shell. gak terpisah, sedangkan kalau diagram batang itu terpisah gitu jadi mungkin kurang lebih itu nah sisanya kalau programming sendiri kan bisa dipelajari sendiri tapi memang butuh diskusi sama mungkin orang yang enak diajak untuk discuss oke berarti lagi-lagi gak terlepas dari requirement skills yang tadi kakak mention ya jadi matematikanya ada, terus teknologinya juga ada dari programming sama bisnisnya juga ada dari skills presentasi-presentasinya gitu ya Oke, mungkin segitu aja Kak Bagus pertanyaan dari aku. Terima kasih banyak atas kesediaannya untuk menjadi narasumba sesi podcast di Purwadika. Thank you juga Michelle udah ngundang aku. Thank you buat Purwadika udah ngundang aku di podcast hari ini. Ya, sama-sama Kak. Nah guys, segitu aja untuk sesi podcast kita kali ini. Kalau misalkan teman-teman yang nonton ini punya pertanyaan-pertanyaan lebih terutama mengenai data science. Kalian bisa cantumin pertanyaan kalian di bawah, drop your question below di kolom komentar Youtube kita. Nah, kedepannya kita juga bakal ngundang praktisi-praktisi lainnya yang gak kalah keren-keren juga pastinya dan ahli di bidangnya. So, see you on another episode. See you guys.

Bagus ya, Shell. Kenapa? Aku lihat sekarang udah banyak perusahaan yang lagi hire data engineer. Kalau menurut aku, kemungkinan next-nya itu adalah...

Halo generasi pintar digital, welcome back to Puewedika Podcast. Kali ini bersama aku, Michelle Christine, yang akan nemenin kalian untuk ngobrol-ngobrol dengan asumber podcast kita yang seru banget hari ini. Karena beliau merupakan pekerja atau praktisi langsung. Di sebuah company digital yang memang banyak bekerjaan nih kalau dibilang terutama untuk kaum-kaum wanita di Indonesia. Company apa sih itu?

Langsung aja kita perkenalkan. Ini dia narasumber kita hari ini, Kak Bagus. Halo semuanya, salam kenal ya.

Nama aku Bagus Fajar Aprianto, biasa dipanggil dengan Bagus. Saat ini aku bekerja di Female Daily Network as a Data Scientist. Oke, mantap.

Jadi Kak Bagus ini merupakan seorang Data Scientist di Female Daily Network. yang merupakan sebuah media ya kak ya media untuk beauty terutama baik itu makeup, skincare, fashion gitu ya biasanya nah teman-teman kalau Female Daily itu biasanya terkenal dengan reviewnya gitu ya mungkin ya kak Bagus ya karena kalau aku pribadi nih suka ngeliat tuh kalau misalkan mau beli skincare atau makeup kan kayak cocok gak ya ngeliat dari reviewnya Female Daily nah oke mungkin kita mulai aja ya guys ya ngobrol-ngobrolnya sama kak Bagus jadi kak bisa gak sih kak Bagus ceritain musik Backdown dari Kak Bagus sampai jadi data scientist di Female Daily Network itu gimana sih? Oke, kalau aku sendiri sebenarnya dulu kuliah di jurusan matematika. Mungkin bisa dibilang salah satu dari beberapa jurusan yang relate dengan data scientist.

Terus aku gak langsung kerja sebenarnya abis itu Shell. Aku sempat nganggur dulu 5 bulan, disitu kayak udah pasrah tuh namanya. Baru lulus kan terus juga. Dulu data scientist, analis dan sebagainya itu kan juga belum terkenal kan. Nah disitu yaudahlah apa aja yang penting dapat kerja gitu.

Akhirnya aku dapat di perusahaan namanya Circulo. Tapi bukan sebagai di rule datanya. Melainkan di purchasing adminnya.

Jadi admin. Nah dari situ aku lupa antara sebulan atau dua bulan. Kemudian aku dapat info ada intern di suatu company. Namanya Bisa AI gitu.

Nah. Disini aku juga gak tau nih akan digaji berapa, apakah akan digaji atau enggak. Tapi karena aku tertarik di bidang data dan backgroundku juga di matematika.

Jadi aku yaudahlah nekat gitu. Walaupun sama orang tua juga sebenernya orang tua kurang setuju gitu. Karena udah kerja ngapain ninggalin gitu.

Di dua bulan awal ada aku sama dua temanku yang... Sorry, tiga temanku yang diangkat jadi pegawai di situ. Nah, jadi di situ awalnya pas intern itu kita semua dibagi proyek.

Nah, karena udah diangkat jadi suruh melanjutkan proyeknya itu. Delapan bulan, statusnya juga sebagai data scientist. Terus aku pindah ke perusahaan namanya Bahasa Kita.

Kalau Bahasa Kita ini lebih ke arah text to speech. Jadi ketika kita ngobrol. subtitlenya akan otomatis ada gitu kayak misalnya di YouTube kan kadang ada tuh dari situ aku satu lumayan lama satu tahun delapan bulan kalau nggak salah terus karena aku kayak ngerasa ah kayaknya kurang cocok deh di bidang data yang apa suara data suara gitu jadi aku pingin balik lagi nih ke data-data yang angka akhirnya aku nyari lagi dan keterima di salah satu perusahaan telekomunikasi Indonesia Telkom Sigma tapi disitu statusnya sebagai outsourcing Dan dikontrak kurang lebih 8 bulan Ada tawaran lagi nih dari temenku Ternyata di 6 bulan setelah aku bekerja disitu Di dinas penanaman modal Dan pelayanan terpadu satu pintu DKI Jakarta. Nah disitu aku statusnya memang sebagai data scientist.

Tapi ternyata yang aku kerjain bukan data scientist. Melainkan lebih ke arah mungkin lebih ke BI engineer gitu. Jadi pembuatan data warehouse sama visualisasi datanya. Dari situ aku baru pindah ke halodoc.

Baru pindah ke female daily sebagai data scientist. Oke nah berarti menarik banget ya dari pengawan. pengalaman kakak yang cukup banyak di bidang data juga, tapi tadi kakak ada nyebut kalau misalkan titelnya itu data scientist tapi pekerjaannya ternyata bukan data scientist itu mungkin memberi tahu ke kita semua kalau ternyata di Indonesia data scientist sendiri itu masih abu-abu mungkin gitu ya untuk job desk ya, nah sebenarnya itu untuk data scientist sendiri menurut Kak Bagus yang memang sudah menyelami atau menjadi praktisi di bidang ini apa sih sebenarnya job desk dari data scientist itu?

oke ... Kalau menurut aku sendiri, job desk dari data scientist itu biasanya lebih ke arah analisis dan predictive sih. Jadi kita bisa memprediksi kira-kira kapan nih penjualan ini akan naik, seperti itu. Jadi lebih ke arah predictive atau mungkin kalau menurut aku ya, data scientist itu juga hampir sama mungkin kayak machine learning engineer. Jadi buat model untuk membantu si perusahaan lebih berkembang lagi.

Oke, jadi data-data yang diperoleh atau dimiliki perusahaan tersebut emang diolah oleh data saintis supaya bisa menghasilkan sebuah model yang nantinya berguna buat kelangsungan perusahaan tersebut begitu ya kak kurang lebih. Oke kalau begitu. Nah kak, dari background kakak sendiri kan berarti tadi kuliahnya di jurusan matematika ya betul. Apakah matematika itu sangat membantukah dalam kakak mempelajari data sains atau gimana boleh diceritain kak?

Namanya juga data ya Data itu berarti kan hubungannya sama matematik ya Nah banyak hal sih di matematika yang aku pelajari Berhubungan sama si data ini Kayak misalnya dari sisi statistiknya Yang statistik deskriptifnya Dulu aku menyangka jurusan statistik tuh Apain sih masuk jurusan statistik Kan cuma mean, median, modus doang Tapi ternyata enggak Ada teknik pengambilan sampel Ada namanya statistik time series Atau data-datanya yang berhubungan dengan waktu Misalnya per bulan, per hari, per minggu dan sebagainya Terus juga ada namanya Statistik multivariat Jadi kita belajar Variable-variable Gimana banyak variable itu bisa diolah Seperti itu Terus dari sisi matrix mungkin Di beberapa jurusan Di pelajari matrix Cuma di matematika bisa lebih dalam lagi terkait matrix Logiknya yang di asas sebenarnya Jadi kalau orang bilang Matematika itu ngitung, matematika ngitung Kita gak cuma ngitung sebenarnya di matematika Tapi kita ada pembuktian-pembuktian Dari teorema-teorema Jadi logiknya Yang dipakai juga Oh iya benar, kalau didatakan Perlu logik ya Nah terus menarik lagi nih kak, tadi kan kakak juga udah Nyebutin pengalaman kakak yang banyak banget Dari berbagai industri, ada yang Datanya berupa suara, ada yang berupa Angka, nah kayak gitu Nah itu menarik sih Kak, emangnya setiap industri itu sekarang butuh data saintis ya? Kalau menurut aku sendiri, kalau dibilang butuh, butuh. Tapi tergantung dari perusahaannya itu dulu.

Nah kalau perusahaannya itu misalnya masih ngumpulin sekedar data-data biasa gitu, kayak jadi datanya masih awal-awal dan proses bisnisnya juga belum tahu kemana, mungkin nanti dulu gitu. Coba di... Dijelasin dulu tujuan bisnisnya ini mau kemana Terus kira-kira Data apa aja yang akan dikumpulin Nah baru disitu mungkin data saintis yang bisa Berperan untuk mengolah datanya lagi Oke Nah selanjutnya nih kak, kalau misalkan Mungkin tadi dari penjelasan kakak Belum terlalu terbayang nih teman-teman mungkin ya Kira-kira kalau dicontohin langsung Day to day-nya kak bagus Di Female Daily Network sebagai data saintis Itu ngapain sih?

Sebenernya di 3 bulan pertama mungkin Hmm beberapa teman-teman data juga di awal-awal bulan pasti cuma mahamin data perusahaan itu oh wow sampai 3 bulan ya buat mahamin data aja ya aku kurang lebih 3 bulan karena di Female Daily sendiri itu kan dibagi beberapa tribe terus kebetulan aku juga data saintisnya sendiri ya kan jadi aku lumayan banyak untuk mahamin datanya gitu Terus, tapi sambil mahamin data, aku juga dapat request dari beberapa user Shell. Jadi, minta tolong dong, tolong ambilin data yang usernya yang seperti ini, ini, ini, atau minta tolong dong review yang seperti ini, ini, ini, diambilin datanya kayak gitu. Nah, sampai sekarang juga aku masih ngejalanin request data itu. Ada juga sedikit-sedikit tentang analisis, kayak waktu itu analisis masalah poin di Female Daily. Kayak pain pointnya dimana, problemnya apa dan sebagainya Terus, nah sekarang aku baru masuk ke proyek nih Shell Baru masuk ke proyeknya data scientist di fact review Kalau fact review itu apa sebenarnya sih fact review?

Kan ada nih buzzer-buzzer yang brandnya pingin naik nih Iya, bener banget sih Pingin bagus biar dibeli produk-produknya Nah, itu kita bikin suatu model Biar bisa prediksi bahwa oh ini review yang buzzer loh Oh ini review yang bukan loh gitu Oke menarik banget sih guys Ini soalnya aku juga relate nih kak sebagai penggunanya Female Daily Jadi aku setiap mau Beli skincare atau makeup gitu kan Juga ngeliat review-review di Female Daily tersebut kan Nah itu emang agak mengganggu ya Kalau misalkan komentarnya tuh Ternyata dari bazar jadi yang kita terima tuh Ternyata gak sesuai sama ekspektasi Atau kebutuhan kita Nah jadi gitu guys Jadi sebenarnya data scientist itu juga relate banget sama masalah user-usernya, kayak gitu, user-user dari perusahaannya, nah terus kak pertanyaan selanjutnya nih, untuk yang project fake review sendiri kira-kira itu gimana sih cara identifikasinya, apakah itu buzzer ataukah itu review asli, itu pakai datanya itu data apa aja kalau boleh tahu mungkin aku lebih kejelasin step-stepnya aja kalian, dari PM, coba Ngobrol sama UX researcher kalau di kantor dan coba juga survei ke teman-teman FD member nih seberapa aware sih mereka terhadap fact review yang ada di Female Daily. Ternyata banyak nih yang aware terhadap fact review di Female Daily. Akhirnya setelah itu baru dibentuk beberapa tim untuk mendiskusikan kira-kira review-review yang buzzer tuh seperti apa sih.

Karena sekarang itu saat ini review-review buzzernya itu masih di-tagging secara manual. Jadi masih ada temenku yang memang khusus untuk, oh ini review buzzernya harus di-delete dan sebagainya. Dari situ kita define dulu data apa aja yang memang diperlukan, terus review-review buzzernya itu seperti apa, contoh-contohnya. Nah dari situ baru masuk ke bagian aku. Aku ambil datanya, aku analisis, terus aku modeling, baru deployment.

Kalau misalnya akurasinya memang sudah terpenuhi. Tapi kalau belum, kita coba lagi cari nih, balik lagi nih. Kira-kira udah benar belum sih variable-variable yang aku ambil?

Atau kira-kira processingnya, cleansing datanya udah benar belum sih? Oke, poin menarik sih Kak yang aku dapet tadi. Berarti dengan adanya data scientist, maka kita bisa mengambil data scientist yang sudah terpenuhi.

apa yang kita biasanya lakukan secara manual itu kan memakan waktu lama ya itu berarti bisa diatasi dengan lebih efektif gitu ya dengan kehadiran dari data scientist gitu oke I see, nah terus kak untuk pembuatan machine learning sendiri itu kira-kira berapa lama sih? karena tadi kan kakak bilang untuk 3 bulan pertama aja itu baru belajar data-datanya kan terus tadi juga ada variable-variable harus dites dulu akurat atau enggaknya kayak gitu kurang lebih sih Aku 2 bulan sih kalau untuk proyek ini. Tapi tergantung proyek masing-masing juga sih Shell. Jadi mungkin proyek yang lain itu bisa beda, bisa lebih cepat, bisa juga lebih lama.

Kan tergantung dari datanya sendiri. Selain machine learning, PKI Fuse, kira-kira apa aja sih yang mungkin udah dikerjain data scientist-data scientist sebelumnya nih? Atau kakak kerjain proyek-proyek kecil juga bisa dijelasin yang ada di Female Daily Network.

Karena dari kakak... menyampaikan tentang fake reviews tadi aku juga sebagai orang awam lebih terbuka oh ternyata itu kerjaannya data scientist yang sebelumnya aku tuh gak tau yang pertama ada product matches atau mungkin bisa dibilang system recommendation jadi misalkan kulit kering atau oily gitu, nah itu bisa dikasih produk, oh ini loh yang cocok terus ada juga NER atau name entity recognized jadi kalau name entity recognized itu lebih ke arah dia bisa prediksi mana yang objek Mana yang subject gitu Misalkan bagus pergi ke pasar Untuk membeli apple gitu Berarti bagusnya itu subject Apple nya itu object Kayak gitu-gitu Oke mantep banget kak Sebagai awam aku sering dengar Kalau misalkan data science itu pekerjaan yang paling work-life balance terus bisa work from anywhere terus gajinya juga gede tinggi pokoknya yang enak-enak semua sampai makanya data science bisa naik lagi kan namanya di Indonesia nih nah sebagai praktisi data science yang terjun langsung itu mitos atau fakta sih Kak? Oke, jujur aku waktu dapet pertanyaan ini dari kamu, aku sempet ada survey kecil-kecilan di Instagramku.

Oh wow, mantap. Boleh diceritain hasilnya surveynya mungkin? Hasilnya, aku ada tiga pilihan.

Yes, no, sama tergantung. Lumayan banyak juga yang jawab yes, tapi lebih banyak yang jawab tergantung. Ada beberapa juga yang jawab no sih sebenarnya. Tapi kalau dari sisi dan pandangan aku sendiri, balik lagi ke tergantung. Tergantung dari siapa?

Tergantung dari user dan perusahaannya itu sendiri. Karena aku jujur pernah ngalamin kedua hal itu. Data science yang work-life balance sama data science yang...

Gila dia. Oke guys, catet ya. Nggak selalu.

Nggak selalu. Terus juga waktu itu karena based on user dan... Usernya itu pernah minta aku untuk ngerjain sesuatu di jam 5 sore dan di hari itu harus selesai.

Wow. Itu gak work life balance dong. Iya, iya, iya. Oke, tapi kalau di Female Daily sendiri tergantung PES-nya sih.

Kayak kemarin aku cuma request data sama mahamin data itu lumayan. Tapi sekarang PES-nya lagi tinggi karena lagi ngerjain project fact review ini. Oke. Kalau masalah gaji bisa dibilang... Aku lumayan setuju sih kalau untuk yang gaji yang lumayan besar, untuk junior aja bisa diantara 7-8 itu kan juga lumayan besar.

Oke baik Kak. Nah terus aku juga penasaran nih Kak yang tadi mungkin kita sempat bincang-bincang, kira-kira tuh data saintis sama data analis sebenarnya sama atau beda sih? Kalau dari sudut pandang perusahaan di Indonesia beda-beda pasti. Oke. Tapi kalau menurut persepsiku itu ya itu berbeda.

Kalau data analis sendiri itu lebih ke arah analisis sesuatu gitu. Jadi misalnya kenapa penjualan ini menurun atau kenapa ordernya meningkat. Terus juga data analis juga ngasih rekomendasi nih. Kira-kira penjualan yang tepat itu kapan sih untuk promonya di up kayak gitu.

Sedangkan kalau data saintis lebih ke arah prediktif. Jadi kalau analis itu ke arah deskriptif, kalau saintis itu lebih ke arah prediktif. Kayak tadi fact review contohnya, kita bisa memprediksi mana review yang fact, mana yang review yang enggak.

Berarti data saintis itu bisa dibilang cenayangnya perusahaan gitu ya? Jadi tadi kan kita udah ngomongin kalau data saintis itu mungkin memang posisi yang di Indonesia itu dibilang lagi naik-naiknya. Nah menurut Kak Bagus itu prospek data saintis ke depannya itu gimana sih?

Bagus ya Shell. Kenapa? Aku lihat sekarang udah banyak perusahaan yang lagi hire data engineer. Kalau menurut aku kemungkinan nextnya itu adalah data saintis. Kenapa?

Karena perusahaan ini lagi coba untuk benerin datanya mereka dulu. Baru nanti mereka olah, mereka analisis, dan mereka gunakan datanya. Oke, berarti data engineer itu beda lagi dengan data analis dan data saintis?

Jadi engineer itu di tahap awalnya, Kak? Bisa dibilang seperti itu. Oke, jadi engineer itu yang ngapain berarti? Bisa dibilang bersih-bersih data.

Oh, oke. Jadi karena data yang diterima di, misalnya di apps, itu data yang diterima kotor banget, itu dibersihin sama si engineer ini. Dan kalau di perusahaan itu biasanya ada dua database atau tempat penyimpanan data. Iya. Yang satu untuk production, yang satu untuk analisis.

Jadi kalau untuk yang production, datanya itu bisa tiap menit bahkan tiap detik masuk. Akibatnya data yang data saintis atau data analis ini ambil bisa beda-beda dong setiap menit atau bahkan detiknya gitu. Nah sedangkan kalau yang untuk analisis itu bisa di refresh-nya, di schedule, di jadwalkan. Refreshnya satu bulan sekali atau misalnya di jam 12 malam. Jadi ketika satu hari itu si data analis atau data saintis gunain data, itu datanya akan sama.

Oh, I see. Oke, jadi dalam perusahaan tuh biasanya mereka bertiga ini kerjanya bareng atau kayak gimana tuh Kak? Ya bisa dibilang saling kerja sama sih kayak si data engineer ini untuk support datanya, sedangkan analis dan saintis ini yang menggunakan datanya tapi dengan job masing-masing.

Oke, Kak Bagus untuk pertanyaan selanjutnya. Kan kita tahu data dan juga tren bakal berkembang dan update terus di Indonesia gitu kan. What's next plan nih yang bakal... Bakal dikerjakan sama data saintis di Female Daily?

Kalau dari plan aku sih, aku kebayang mau buat coba sentiment analysis. Oh, apa tuh kak? Jadi kalau sentiment analysis tuh lebih ke, kita lihat nih reviewnya emang bagus atau jelek.

Misalkan kayak di kemarin waktu pemilihan-pemilihan biasanya, kan banyak yang bilang bahwa si ini kurang ini karena gini-gini-gini-gini. Oh, yang awards itu ya biasanya. Nah ini kan berarti kan sentimennya jelek atau bisa juga customer churn atau apakah user akan kembali menggunakan female daily.

Itu juga bisa dipakai. Tadi kan kita sempat bahas juga kalau misalkan di Indonesia itu masih abu-abu atau masih ambigu begitu ya apaan dari data science itu. Nah tapi dengan seiring naiknya lagi nih nama data science atau posisi data scientist yang tadi dibilang paling work life.

balance lah, gajinya tinggi, segala macam kira-kira menurut kakak sekarang sekarang ini tuh udah bertambah belum sih pengetahuan perusahaan perusahaan di Indonesia mengenai data science itu sendiri? Sekarang itu mungkin lebih baik dibanding sebelum-sebelumnya kayak hanya sekedar data analis menggunakan Excel dia udah bilang data science gitu-gitu. Nah kalau sekarang mungkin perusahaan juga udah lebih aware dan mungkin ada juga dari pemerintah juga kan sering ngobrol Terkait data-data-data dan terutama big data Karena kan data science itu berhubungan dengan big data kan Data yang sangat besar Nah untuk sekarang progresnya sih perusahaan-perusahaan Udah mulai aware terkait pemisahan job-job itu Walaupun mungkin masih ada beberapa perusahaan yang agak bingung Terkait data analis maupun data saintis gitu Oke, jadi memang sudah kembang walaupun masih ada yang abu-abu tetap masih ada.

Nah berarti kalau begitu menurut kakak untuk ke depannya nih, berarti apakah perusahaan-perusahaan bakal makin aware lagi dengan data science dan apakah talent-talent dari data science yang menjadi data scientist ya sebutannya, berarti untuk talentnya akan banyak dibutuhkan di masa depan? Kalau dari sisi talent, aku yakin banget akan terus berkembang gitu. Teknologi ini... Terus berkembang terus Shell Jadi pasti talent-talentnya Pasti akan selalu berkembang Nah untuk talentnya sendiri nih Kak Berarti kan dengan boomingnya data science Bakal banyak nih tercipta talent-talent Apalagi di iming-imingi sama Hal-hal yang tadi, gaji gitu kan Nah apa aja sih required skills Yang diperlukan data scientist sebenarnya Untuk bisa disebut sebagai Talent yang berkualitas lah Jadi data science itu sebenarnya terdiri dari Tiga konsep, dari matematika, teknologi Maupun dari bisnis Nah Biasanya orang fokus ke matematika dan teknologinya, tapi mereka gak fokus ke bisnisnya.

Jadi cuma mereka sekedar ngonding, oh akurasinya 90% udah bagus. Tapi mereka gak tau nih bisnisnya buat apa. Gak menyelesaikan masalah. Yes, betul. Nah jadi logika dan itu kita juga harus pegang tiga itu.

Matematika, bisnis, dan teknologinya. Kalau dari teknologinya biasa pasti programming. Karena gak mungkin dong kita menghitung data segitu banyak secara manual atau pakai kalkulator. Gimana cara kita untuk menghandle datanya?

Ketika data ada yang kosong, itu harus kita isi dengan apa? Atau data yang beda sendiri? Misalnya di kelas 1 SD, rata-rata tingginya misalkan 120 gitu. Tapi ternyata ada tiba-tiba 1 atau 2 orang yang 160. Itu gimana cara kita handle data-data yang kayak gitu? Itu untuk math-nya.

Ada 3 ya guys oleh data saintis yang diperlukan adalah yang pertama matematika. Yang kedua adalah teknologi. Dan yang ketiga jangan lupa bisnisnya juga harus diperlukan. Nah kalau misalkan nih suatu saat ke depannya kakak ada kebutuhan untuk partner.

Mungkin ya partner kerja untuk membantu kakak sebagai data scientist di Female Daily Network. Kira-kira aspek apa aja sih yang kakak bagus bakal perhatikan? Pertama merhatiin dari sisi orangnya dulu.

Orangnya kayak gimana gitu. Terus dari sisi misalkan aku kasih tax. Terus aku suruh present.

Karena data scientist gak cuma modeling Tapi sometimes kita harus present juga Ke orang gitu kan Terkait ini kayak gimana analisisnya apa aja Dan predictivenya akan seperti apa Kayak gitu Terus kemampuan Dari mathnya yang utama Jujur dulu aku interview di Female Daily sama Data Scientist sebelumnya. Salah satu pertanyaan yang aku ingat banget adalah, apa bedanya diagram batang sama histogram? Wow, oke.

Terus aku disitu juga bingung kayak, dua-duanya kan sebenarnya sama, sama-sama berbentuk batang gitu. Cuma setelah aku interview itu, aku coba cari, oh iya ternyata beda. Yang satu untuk melihat bisa dibilang distribusinya seperti apa, atau penyebaran datanya seperti apa, dan untuk histogram itu kan dia, diagramnya kan mepet-mepet ya, Shell.

gak terpisah, sedangkan kalau diagram batang itu terpisah gitu jadi mungkin kurang lebih itu nah sisanya kalau programming sendiri kan bisa dipelajari sendiri tapi memang butuh diskusi sama mungkin orang yang enak diajak untuk discuss oke berarti lagi-lagi gak terlepas dari requirement skills yang tadi kakak mention ya jadi matematikanya ada, terus teknologinya juga ada dari programming sama bisnisnya juga ada dari skills presentasi-presentasinya gitu ya Oke, mungkin segitu aja Kak Bagus pertanyaan dari aku. Terima kasih banyak atas kesediaannya untuk menjadi narasumba sesi podcast di Purwadika. Thank you juga Michelle udah ngundang aku.

Thank you buat Purwadika udah ngundang aku di podcast hari ini. Ya, sama-sama Kak. Nah guys, segitu aja untuk sesi podcast kita kali ini.

Kalau misalkan teman-teman yang nonton ini punya pertanyaan-pertanyaan lebih terutama mengenai data science. Kalian bisa cantumin pertanyaan kalian di bawah, drop your question below di kolom komentar Youtube kita. Nah, kedepannya kita juga bakal ngundang praktisi-praktisi lainnya yang gak kalah keren-keren juga pastinya dan ahli di bidangnya.

So, see you on another episode. See you guys.

Transcript for:Pengalaman Data Scientist di Female Daily

Transcript for:
Pengalaman Data Scientist di Female Daily