Rekrutmen startup untuk peran product dan data dimulai dari definisi peran
Di startup, 'product manager' bisa berarti orang yang menentukan arah produk, orang yang mengatur jadwal rilis, atau keduanya sekaligus. 'Data analyst' bisa berarti pembuat laporan, orang yang menjawab pertanyaan bisnis dengan data, atau orang yang sekaligus membangun pipeline. Lowongan yang tidak menjelaskan hal ini menarik pelamar yang salah dan membuat HR salah menilai CV.
Tulisan ini bagian dari panduan rekrutmen perusahaan teknologi yang lebih luas, dengan fokus pada tiga peran yang paling sering bingung dibedakan di startup. Anda akan melihat cara menulis kriteria yang spesifik, apa yang perlu ditanyakan pada interview awal, dan bagaimana menilai pengambilan keputusan, bukan hanya daftar alat yang pernah dipakai.
Tantangan
Judul jabatan tidak seragam antar perusahaan
Kandidat bergelar product manager di satu perusahaan mungkin hanya mengelola jadwal, di perusahaan lain menentukan strategi. Menyaring dari judul jabatan saja menghasilkan banyak salah paham. Pertanyaan harus menggali apa yang benar-benar dikerjakan.
Satu orang diharapkan mengerjakan banyak hal
Startup sering mencari orang yang bisa riset pengguna, menulis spesifikasi, dan membaca data sekaligus. Ekspektasi ini perlu ditulis terang-terangan di lowongan, karena kandidat dari perusahaan besar mungkin terbiasa dengan spesialisasi yang sempit.
Hasil kerja berupa keputusan sulit dinilai dari CV
Product manager dan analis data jarang punya hasil kerja yang bisa dilihat langsung seperti kode. Penilaian bergantung pada cara kandidat menceritakan keputusan, alasannya, dan pelajaran dari keputusan yang ternyata salah.
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
- Lowongan 'product dan data' ditulis dengan daftar tugas yang bercampur, dan CV disaring dari judul jabatan.
- Kandidat yang lolos mendapat pertanyaan umum yang sama dengan peran lain, tanpa pendalaman keputusan atau alat.
- Pendiri atau kepala produk membaca ulang semua CV dan mewawancarai satu per satu, menghabiskan banyak waktu.
Dengan TalentRank
- Pisahkan rubrik product manager, data analyst, dan data engineer di Custom Hiring Criteria, masing-masing dengan bukti yang berbeda.
- Unggah CV ke CV Screening AI untuk meranking tiap kandidat terhadap rubrik peran yang dilamar.
- Gunakan AI Interview dengan pertanyaan keputusan dan studi kasus ringan, lalu WhatsApp Prescreening untuk ketersediaan dan ekspektasi.
- Pendiri atau kepala produk meninjau ringkasan dan skor kandidat teratas. Keputusan akhir tetap di tim HR dan pimpinan.
Kriteria screening CV untuk rekrutmen startup di peran product dan data
Karena judul jabatan tidak bisa diandalkan, kriteria sebaiknya mencari bukti konkret per peran. Lima kriteria berikut bisa dipakai sebagai kerangka awal dan disesuaikan dengan tahap startup Anda.
| Kriteria | Prioritas | Tanda yang baik di CV | Perlu ditanyakan |
|---|---|---|---|
| Keputusan produk yang diambil beserta alasannya | Tinggi | Uraian pengalaman menyebut keputusan spesifik, misalnya fitur yang dihentikan atau prioritas yang diubah, dan alasannya berdasarkan data atau masukan pengguna. | Deskripsi hanya menyebut daftar fitur yang dirilis, tanpa peran kandidat dalam memutuskannya atau alasan di baliknya. |
| Alat dan bahasa data yang dipakai dalam pekerjaan nyata | Tinggi | Menyebut alat yang dipakai untuk masalah tertentu: query untuk analisis, alat visualisasi untuk laporan, atau alat pengolahan data untuk pipeline, lengkap dengan konteks. | Daftar alat panjang tanpa satu pun contoh analisis atau pipeline yang pernah dikerjakan dari awal sampai akhir. |
| Kejelasan jenis pekerjaan data | Tinggi | CV memperlihatkan apakah pengalamannya di analisis dan pelaporan, membangun jalur data, atau pemodelan, sehingga bisa dicocokkan dengan kebutuhan posisi. | Semua pekerjaan data disebut sama, padahal posisi yang dibuka butuh keahlian spesifik, misalnya membangun pipeline dari nol. |
| Pengalaman di lingkungan tahap awal atau ambigu | Sedang | Pernah bekerja di tim kecil, memegang beberapa tanggung jawab, atau memulai fungsi yang belum ada, dengan cerita tentang hal yang dipelajari. | Seluruh pengalaman di organisasi besar dengan proses baku, tanpa tanda pernah membuat sendiri struktur kerjanya. |
| Kemampuan komunikasi lintas fungsi | Sedang | Menyebut kerja bersama engineer, desain, dan bisnis, serta bukti menjelaskan data atau rencana produk kepada orang non-teknis. | Pekerjaan digambarkan sepenuhnya individual, padahal di startup peran ini hampir selalu bekerja lintas tim. |
Keputusan produk yang diambil beserta alasannya
TinggiTanda yang baik di CV: Uraian pengalaman menyebut keputusan spesifik, misalnya fitur yang dihentikan atau prioritas yang diubah, dan alasannya berdasarkan data atau masukan pengguna.
Perlu ditanyakan: Deskripsi hanya menyebut daftar fitur yang dirilis, tanpa peran kandidat dalam memutuskannya atau alasan di baliknya.
Alat dan bahasa data yang dipakai dalam pekerjaan nyata
TinggiTanda yang baik di CV: Menyebut alat yang dipakai untuk masalah tertentu: query untuk analisis, alat visualisasi untuk laporan, atau alat pengolahan data untuk pipeline, lengkap dengan konteks.
Perlu ditanyakan: Daftar alat panjang tanpa satu pun contoh analisis atau pipeline yang pernah dikerjakan dari awal sampai akhir.
Kejelasan jenis pekerjaan data
TinggiTanda yang baik di CV: CV memperlihatkan apakah pengalamannya di analisis dan pelaporan, membangun jalur data, atau pemodelan, sehingga bisa dicocokkan dengan kebutuhan posisi.
Perlu ditanyakan: Semua pekerjaan data disebut sama, padahal posisi yang dibuka butuh keahlian spesifik, misalnya membangun pipeline dari nol.
Pengalaman di lingkungan tahap awal atau ambigu
SedangTanda yang baik di CV: Pernah bekerja di tim kecil, memegang beberapa tanggung jawab, atau memulai fungsi yang belum ada, dengan cerita tentang hal yang dipelajari.
Perlu ditanyakan: Seluruh pengalaman di organisasi besar dengan proses baku, tanpa tanda pernah membuat sendiri struktur kerjanya.
Kemampuan komunikasi lintas fungsi
SedangTanda yang baik di CV: Menyebut kerja bersama engineer, desain, dan bisnis, serta bukti menjelaskan data atau rencana produk kepada orang non-teknis.
Perlu ditanyakan: Pekerjaan digambarkan sepenuhnya individual, padahal di startup peran ini hampir selalu bekerja lintas tim.
Pertanyaan interview untuk product manager dan peran data di startup
Product dan data punya kebutuhan berbeda, jadi pertanyaannya dipisah. Semuanya dirancang untuk digunakan HR pada interview awal: tujuannya menggali keputusan dan pengalaman nyata, bukan menguji teori buku teks.
Product manager
1.Ceritakan satu fitur yang Anda putuskan untuk tidak dibangun. Apa alasannya?
Jawaban yang baik: Product manager yang baik bisa mengatakan tidak. Jawaban menunjukkan cara menetapkan prioritas dan menimbang sumber daya terbatas.
2.Bagaimana Anda tahu sebuah fitur berhasil setelah dirilis?
Jawaban yang baik: Memperlihatkan apakah kandidat terbiasa menetapkan ukuran keberhasilan sebelum membangun, bukan sesudahnya.
3.Ceritakan saat engineer menolak jadwal yang Anda minta. Apa yang Anda lakukan?
Jawaban yang baik: Menguji cara bernegosiasi dengan tim teknis dan memahami batasan tanpa memaksakan.
Data analyst dan data engineer
4.Ceritakan satu pertanyaan bisnis yang Anda jawab dengan data, dari pertanyaan awal sampai rekomendasi akhir.
Jawaban yang baik: Memperlihatkan seluruh alur kerja analis: memahami pertanyaan, mengolah data, dan menyampaikan hasil yang bisa dipakai.
5.Apa yang Anda lakukan saat menemukan data yang tidak konsisten atau hilang?
Jawaban yang baik: Data di startup biasanya belum rapi. Cara kandidat menangani data kotor lebih penting daripada alat yang dikuasainya.
6.Bagaimana Anda menjelaskan hasil analisis kepada orang yang tidak paham statistik?
Jawaban yang baik: Hasil analisis hanya berguna jika dipahami pengambil keputusan, sehingga kemampuan menjelaskan sama penting dengan kemampuan menganalisis.
Kesalahan umum
- 01
Menyamakan data analyst dengan data engineer
Analis menjawab pertanyaan bisnis dari data yang ada, sedangkan engineer data membangun dan merawat jalur data. Lowongan yang mencampur keduanya menarik pelamar yang tidak sesuai. Putuskan kebutuhan paling mendesak, lalu tulis lowongan yang spesifik.
- 02
Menilai product manager dari seberapa fasih berbicara
Product manager yang pandai bercerita belum tentu membuat keputusan yang baik. Minta contoh keputusan nyata, alasan, dan akibatnya, termasuk keputusan yang salah. Detail spesifik sulit dikarang.
- 03
Memberi studi kasus yang terlalu besar
Meminta analisis lengkap atau dokumen produk penuh sebagai tes menghabiskan waktu kandidat dan sering menjadi pekerjaan gratis. Pilih studi kasus kecil yang cukup menunjukkan cara berpikir dalam waktu singkat.
- 04
Tidak menjelaskan kondisi data dan produk apa adanya
Kandidat data kuat akan bertanya seberapa rapi data perusahaan. Jawaban jujur menyaring yang mengharapkan data siap pakai. Menutupi kondisi sebenarnya hanya berujung pada kandidat yang mundur setelah masuk.
Skenario
Perusahaan
Startup layanan digital tahap awal yang baru mulai membentuk fungsi produk dan data dengan pendiri yang masih memegang keputusan produk.
Situasi
Perusahaan membuka satu posisi product manager dan satu posisi data analyst. Pendiri tidak punya waktu membaca semua CV, dan lowongan pertama menerima banyak lamaran dengan judul jabatan yang sulit dibandingkan.
Hasil yang diharapkan
Pendiri menghabiskan waktu hanya pada kandidat yang sudah menunjukkan bukti keputusan nyata, dan HR punya dasar tertulis untuk menjelaskan alasan pemilihan kandidat.
- 1HR menulis ulang lowongan dan rubrik di Custom Hiring Criteria dengan bukti keputusan serta contoh analisis yang diharapkan.
- 2CV Screening AI meranking pelamar untuk masing-masing peran sesuai rubrik.
- 3Kandidat terpilih menjawab WhatsApp Prescreening dan AI Interview dengan pertanyaan keputusan yang seragam.
- 4Pendiri meninjau ringkasan dan skor, lalu mewawancarai beberapa kandidat teratas secara langsung.
Yang Anda terima
- Peringkat kandidat per peran product dan data
- Ringkasan CV dengan contoh keputusan atau analisis
- Jawaban dan skor AI Interview
- Jawaban prescreening WhatsApp per kandidat
