Rekrutmen data analyst sering salah sejak lowongan ditulis
Banyak lowongan data memakai istilah bergantian: data analyst, data scientist, data engineer, ML engineer. Padahal pekerjaannya berbeda. Analyst menjawab pertanyaan bisnis dari data yang sudah ada, scientist membangun model prediktif, engineer menyiapkan pipeline data, dan ML engineer membawa model ke production. Lowongan yang kabur menarik pelamar dari semua jenis, dan HR harus memilah CV yang semuanya memuat Python, SQL, dan machine learning.
Masalah kedua ada pada hasil kerja. Banyak kandidat sanggup menulis query atau melatih model, tetapi tidak semua bisa menjelaskan keputusan bisnis apa yang berubah karena analisisnya. Rubrik yang baik memisahkan kemampuan teknis dasar dari kemampuan menerjemahkan angka menjadi rekomendasi, lalu menetapkan lebih dulu mana yang lebih penting: laporan rutin, analisis sesuai permintaan, atau eksperimen model.
Tantangan
Istilah peran data tumpang tindih di lowongan
Lowongan yang meminta analyst, scientist, dan engineer sekaligus menghasilkan pelamar yang tidak cocok dengan kebutuhan. HR menghabiskan waktu menyaring CV yang kemampuannya bagus, tetapi untuk pekerjaan yang berbeda.
Kata kunci Python dan SQL ada di semua CV
Hampir setiap pelamar menulis SQL, Python, dan Excel. Tanpa bukti tingkat kemahiran, kata kunci tidak membantu membedakan siapa yang bisa menulis query kompleks dan siapa yang baru selesai kursus singkat.
Portofolio analisis sering hanya proyek kursus
Dataset Titanic dan prediksi harga rumah muncul di banyak portofolio. Proyek seperti itu menunjukkan kandidat bisa mengikuti tutorial, tetapi belum menunjukkan kemampuan merumuskan masalah bisnis dari data yang berantakan.
Dampak bisnis jarang tertulis di CV
CV biasanya mencantumkan alat yang dipakai, bukan keputusan yang berubah karena analisisnya. HR perlu menggali hal ini lewat pertanyaan khusus, karena inilah pembeda antara analyst yang membantu bisnis dan yang sekadar membuat laporan.
Dari tumpukan CV ke shortlist
Ilustrasi alur: CV masuk, disaring terhadap kriteria, dan hanya kandidat yang paling relevan yang maju ke tahap berikutnya.
Cara lama
- Terima ratusan CV dari job portal lalu baca satu per satu untuk mencari SQL dan Python.
- Tanyakan ke tim bisnis atau tim data apakah kandidat layak, tanpa rubrik yang jelas.
- Jadwalkan interview awal satu per satu hanya untuk mengetahui kandidat itu analyst atau scientist.
Dengan TalentRank
- Tentukan dulu jenis perannya, lalu buat Custom Hiring Criteria yang memuat SQL, bukti analisis, dan kemampuan komunikasi hasil.
- Unggah semua CV ke CV Screening AI agar dinilai terhadap kriteria itu, lalu baca peringkat dan ringkasannya.
- Gunakan WhatsApp Prescreening untuk menanyakan hal dasar seperti alat yang dikuasai, ketersediaan, dan tautan portofolio.
- Jalankan AI Interview dengan pertanyaan berbasis kasus bisnis, lalu tinjau jawaban, skor, dan ringkasan sebelum interview lanjutan.
Kriteria screening CV untuk rekrutmen data analyst
Rubrik ini cocok untuk posisi data analyst. Untuk data scientist atau ML engineer, naikkan bobot statistik dan pemodelan, lalu turunkan bobot pelaporan. Tentukan bobot sebelum membuka lowongan supaya semua CV dinilai dengan standar yang sama.
| Kriteria | Prioritas | Tanda yang baik di CV | Perlu ditanyakan |
|---|---|---|---|
| Kemampuan SQL | Tinggi | CV menyebut penggunaan SQL pada data nyata, termasuk join beberapa tabel, agregasi, dan window function, dengan konteks seperti analisis penjualan, perilaku pelanggan, atau laporan operasional. | SQL hanya tertulis di daftar skill tanpa satu pun konteks pemakaian. Uji lewat satu soal query singkat di interview untuk memastikannya. |
| Menerjemahkan data menjadi keputusan bisnis | Tinggi | Ada contoh analisis yang berujung rekomendasi, misalnya mengusulkan perubahan promo, jadwal stok, atau segmentasi pelanggan, lengkap dengan alasan dan siapa yang memakai rekomendasi itu. | Deskripsi hanya berisi membuat laporan dan dashboard tanpa menyebut pertanyaan bisnis yang dijawab atau keputusan yang terbantu. |
| Portofolio analisis | Tinggi | Ada satu sampai tiga analisis lengkap dengan rumusan masalah, cara membersihkan data, metode, temuan, dan keterbatasannya. Data dari pekerjaan atau sumber terbuka yang kurang umum nilainya lebih tinggi. | Portofolio hanya berisi dataset populer dari kursus dengan kode tanpa penjelasan. Minta kandidat menceritakan keputusan yang diambilnya selama analisis. |
| Kesesuaian jenis peran data | Tinggi | Pengalaman sesuai peran yang dibuka: analyst berpengalaman dengan pelaporan dan analisis ad hoc, scientist dengan pemodelan, ML engineer dengan deployment model dan pipeline. | Kandidat melamar semua jenis peran data sekaligus, atau pengalamannya jauh dari kebutuhan. Tanyakan pekerjaan apa yang paling ia sukai dan ingin dilakukan. |
| Python atau R untuk analisis | Sedang | Menyebut pustaka yang dipakai untuk tujuan tertentu, misalnya pandas untuk membersihkan data atau matplotlib untuk eksplorasi, dan menyertakan skrip atau notebook yang bisa dibaca orang lain. | Daftar pustaka panjang tanpa contoh pemakaian, atau semua pekerjaan hanya berupa notebook kursus dengan penjelasan standar. |
| Visualisasi dan penyampaian hasil | Sedang | Dashboard atau laporan yang disebut punya pengguna jelas, misalnya tim sales atau manajemen, dan kandidat menyebut bagaimana tampilannya disesuaikan dengan kebutuhan pembacanya. | Visualisasi hanya soal tampilan dan alat seperti Tableau atau Power BI, tanpa cerita tentang siapa yang memakainya dan keputusan apa yang dibantu. |
Kemampuan SQL
TinggiTanda yang baik di CV: CV menyebut penggunaan SQL pada data nyata, termasuk join beberapa tabel, agregasi, dan window function, dengan konteks seperti analisis penjualan, perilaku pelanggan, atau laporan operasional.
Perlu ditanyakan: SQL hanya tertulis di daftar skill tanpa satu pun konteks pemakaian. Uji lewat satu soal query singkat di interview untuk memastikannya.
Menerjemahkan data menjadi keputusan bisnis
TinggiTanda yang baik di CV: Ada contoh analisis yang berujung rekomendasi, misalnya mengusulkan perubahan promo, jadwal stok, atau segmentasi pelanggan, lengkap dengan alasan dan siapa yang memakai rekomendasi itu.
Perlu ditanyakan: Deskripsi hanya berisi membuat laporan dan dashboard tanpa menyebut pertanyaan bisnis yang dijawab atau keputusan yang terbantu.
Portofolio analisis
TinggiTanda yang baik di CV: Ada satu sampai tiga analisis lengkap dengan rumusan masalah, cara membersihkan data, metode, temuan, dan keterbatasannya. Data dari pekerjaan atau sumber terbuka yang kurang umum nilainya lebih tinggi.
Perlu ditanyakan: Portofolio hanya berisi dataset populer dari kursus dengan kode tanpa penjelasan. Minta kandidat menceritakan keputusan yang diambilnya selama analisis.
Kesesuaian jenis peran data
TinggiTanda yang baik di CV: Pengalaman sesuai peran yang dibuka: analyst berpengalaman dengan pelaporan dan analisis ad hoc, scientist dengan pemodelan, ML engineer dengan deployment model dan pipeline.
Perlu ditanyakan: Kandidat melamar semua jenis peran data sekaligus, atau pengalamannya jauh dari kebutuhan. Tanyakan pekerjaan apa yang paling ia sukai dan ingin dilakukan.
Python atau R untuk analisis
SedangTanda yang baik di CV: Menyebut pustaka yang dipakai untuk tujuan tertentu, misalnya pandas untuk membersihkan data atau matplotlib untuk eksplorasi, dan menyertakan skrip atau notebook yang bisa dibaca orang lain.
Perlu ditanyakan: Daftar pustaka panjang tanpa contoh pemakaian, atau semua pekerjaan hanya berupa notebook kursus dengan penjelasan standar.
Visualisasi dan penyampaian hasil
SedangTanda yang baik di CV: Dashboard atau laporan yang disebut punya pengguna jelas, misalnya tim sales atau manajemen, dan kandidat menyebut bagaimana tampilannya disesuaikan dengan kebutuhan pembacanya.
Perlu ditanyakan: Visualisasi hanya soal tampilan dan alat seperti Tableau atau Power BI, tanpa cerita tentang siapa yang memakainya dan keputusan apa yang dibantu.
Pertanyaan interview data analyst yang menguji cara berpikir
Pertanyaan interview data analyst yang baik mirip dengan pekerjaan harian: ada data berantakan, ada pertanyaan bisnis yang kabur, dan ada orang non-teknis yang menunggu jawaban. Gunakan tiga kelompok ini untuk melihat kemampuan teknis sekaligus cara kandidat berpikir.
SQL dan pengolahan data
1.Ada tabel pesanan dan tabel pelanggan. Bagaimana Anda menghitung pelanggan yang membeli lebih dari sekali dalam tiga bulan terakhir?
Jawaban yang baik: Kandidat yang mahir menjelaskan join, pengelompokan, dan filter tanggal dengan runtut, serta menanyakan definisi pembelian ulang sebelum menulis query.
2.Saat menemukan data kosong dan duplikat di dataset penjualan, langkah apa yang Anda ambil sebelum menganalisis?
Jawaban yang baik: Jawaban yang baik menunjukkan kebiasaan memeriksa kualitas data, mencatat asumsi, dan tidak langsung menghapus data tanpa memahami penyebabnya.
3.Bagaimana Anda memastikan angka di dashboard sama dengan angka di laporan keuangan?
Jawaban yang baik: Kandidat yang teliti menyebut rekonsiliasi, definisi metrik yang disepakati, dan pengecekan sumber data, bukan sekadar percaya pada hasil query.
Analisis dan keputusan bisnis
4.Ceritakan analisis Anda yang akhirnya mengubah keputusan tim. Apa rekomendasinya dan apa yang terjadi setelahnya?
Jawaban yang baik: Jawaban yang kuat menyebut pertanyaan bisnis, temuan, dan tindak lanjut nyata. Cerita yang berhenti di dashboard selesai dibuat menandakan dampaknya terbatas.
5.Penjualan turun bulan ini. Apa yang Anda cek lebih dulu sebelum menyimpulkan penyebabnya?
Jawaban yang baik: Kandidat yang baik memeriksa kemungkinan sederhana lebih dulu, seperti masalah data, musim, atau perubahan promo, sebelum melompat ke kesimpulan yang rumit.
6.Bagaimana Anda menjelaskan hasil analisis kepada manajer yang tidak paham statistik?
Jawaban yang baik: Jawaban yang baik memakai bahasa bisnis, satu atau dua angka kunci, dan rekomendasi yang jelas, bukan istilah statistik dan semua grafik yang tersedia.
Alat, metode, dan batas peran
7.Kapan Anda cukup memakai analisis sederhana seperti rata-rata dan segmentasi, dan kapan Anda butuh model machine learning?
Jawaban yang baik: Kandidat yang matang tidak memaksakan model untuk setiap masalah. Ia menimbang biaya, data yang tersedia, dan seberapa jauh model memperbaiki keputusan.
8.Pernahkah kesimpulan analisis Anda ternyata salah? Bagaimana Anda menyadarinya dan memperbaikinya?
Jawaban yang baik: Kejujuran mengakui kesalahan dan kebiasaan memverifikasi ulang adalah tanda analyst yang bisa dipercaya, terutama saat hasilnya dipakai untuk keputusan penting.
9.Alat apa yang Anda pakai sehari-hari dan apa yang ingin Anda pelajari berikutnya?
Jawaban yang baik: Jawaban yang baik menghubungkan alat dengan pekerjaan nyata, dan menunjukkan arah belajar yang masuk akal sesuai kebutuhan perusahaan, bukan sekadar tren.
Kesalahan umum
- 01
Merekrut data scientist padahal butuh data analyst
Scientist dengan fokus pemodelan sering cepat bosan mengerjakan laporan rutin. Jika kebutuhan Anda pelaporan dan analisis bisnis, tulis lowongan analyst secara tegas dan jelaskan pekerjaan hariannya apa adanya.
- 02
Menilai dari daftar pustaka dan sertifikat kursus
Sertifikat menunjukkan kandidat menyelesaikan kursus, bukan bahwa ia bisa memakai ilmunya pada data berantakan. Beri bobot lebih pada analisis nyata dan kemampuannya menjelaskan keputusan yang diambil.
- 03
Tidak meminta contoh analisis yang bisa dijelaskan
Tanpa contoh, interview berubah menjadi tanya jawab definisi. Minta satu analisis yang kandidat banggakan, lalu gali pertanyaan awalnya, cara membersihkan data, temuan, dan apa yang akan ia perbaiki.
- 04
Mengabaikan kemampuan menyampaikan hasil analisis
Analisis yang akurat tapi tidak dipahami pembacanya tidak mengubah keputusan apa pun. Sertakan satu pertanyaan menjelaskan hasil ke orang non-teknis, dan perhatikan apakah jawabannya ringkas dan terarah.
- 05
Memakai tes teknis yang tidak mirip pekerjaan
Soal teori statistik yang rumit jarang relevan untuk posisi analyst. Pilih tugas pendek dengan dataset kecil dan pertanyaan bisnis nyata, lalu nilai cara kandidat mengambil asumsi dan menyimpulkan.
Skenario
Perusahaan
Sebuah toko online skala menengah yang punya data penjualan di beberapa sistem dan belum punya tim data.
Situasi
Pemilik ingin merekrut satu data analyst untuk membantu keputusan stok dan promosi. HR menerima lamaran dari lulusan baru, analis berpengalaman, dan beberapa data scientist.
Hasil yang diharapkan
HR dan pemilik mengobrol dengan kandidat yang cocok untuk pekerjaan analisis, bukan dengan semua pelamar yang kebetulan menulis Python.
- 1HR menetapkan peran sebagai data analyst, lalu menyusun Custom Hiring Criteria dengan bobot tinggi untuk SQL dan keputusan bisnis.
- 2CV Screening AI menilai seluruh CV terhadap rubrik itu dan menyusun peringkat beserta ringkasan tiap kandidat.
- 3Kandidat teratas menerima WhatsApp Prescreening untuk menanyakan alat yang dikuasai, ketersediaan, dan tautan portofolio.
- 4Mereka menjalani AI Interview berbasis kasus penjualan menurun, lalu HR meninjau skor dan ringkasan sebelum menjadwalkan interview dengan pemilik.
Yang Anda terima
- Peringkat kandidat berdasarkan rubrik peran data yang Anda susun
- Ringkasan CV: alat, jenis analisis, dan pengalaman per kandidat
- Jawaban, skor, dan ringkasan AI Interview berbasis kasus bisnis
- Informasi awal dari WhatsApp seperti ketersediaan dan tautan portofolio
