Roadmap Data Scientist

Beginner

"Learning the language of data."

Level Beginner adalah fase membangun fondasi. Pada tahap ini, fokus utama bukan membuat model Machine Learning, melainkan memahami bagaimana data direpresentasikan, diolah, dan dianalisis.

Hal-hal yang biasanya dipelajari antara lain:

• Dasar-dasar statistika dan probabilitas

• Microsoft Excel untuk analisis data

• Python dasar (variabel, fungsi, perulangan, OOP sederhana)

• Library dasar seperti NumPy dan Pandas

• Data Visualization (Matplotlib, Seaborn)

• Dasar SQL

• Cara membaca dataset

• Konsep data, feature, target, dan label

Mindset yang mulai terbentuk:

"Saya mulai bisa membaca data."

Intermediate

"Learning to understand data."

Pada level ini, seseorang mulai mampu mengolah data secara mandiri dan mencari jawaban dari sebuah pertanyaan bisnis. Fokus berpindah dari belajar tools menjadi belajar berpikir analitis.

Materi yang umumnya dipelajari:

• SQL lanjutan (JOIN, CTE, Window Function)

• Data Wrangling

• Exploratory Data Analysis (EDA)

• Feature Engineering dasar

• Dashboard dan visualisasi

• Dasar Machine Learning

• Supervised vs Unsupervised Learning

• Validasi model

• Git dan dasar version control

Mulai terbiasa mengerjakan proyek end-to-end:

• Mengambil data

• Membersihkan data

• Menganalisis

• Membuat model sederhana

• Menjelaskan hasilnya

Mindset yang mulai terbentuk:

"Saya bisa menemukan pola dari data."

Advance

"Learning to solve real-world problems."

Pada tahap ini, seseorang tidak lagi hanya menjalankan algoritma, tetapi memahami alasan di balik pemilihan metode dan mampu membangun solusi yang dapat digunakan oleh perusahaan.

Kemampuan yang mulai dikuasai:

• Statistika lanjutan

• Machine Learning lanjutan

• Hyperparameter Tuning

• Cross Validation

• Feature Selection

• Feature Engineering lanjutan

• Model Explainability (SHAP, LIME)

• Time Series

• NLP atau Computer Vision (opsional)

• API menggunakan FastAPI/Flask

• Docker

• Cloud dasar

• Deployment model

• Monitoring model

Mulai mampu mempertanyakan:

• Mengapa model gagal?

• Mengapa feature ini penting?

• Mengapa precision lebih penting daripada accuracy?

Mindset yang mulai terbentuk:

"Saya bisa memilih solusi terbaik, bukan hanya model terbaik."

Expert

"Learning to create business impact."

Di level ini, fokus seseorang berubah secara signifikan. Machine Learning bukan lagi tujuan utama, melainkan alat untuk menyelesaikan masalah bisnis.

Topik yang biasanya mulai dikuasai:

• Business Understanding

• Experiment Design (A/B Testing)

• Product Analytics

• MLOps

• CI/CD untuk Machine Learning

• Data Pipeline

• Model Monitoring

• Data Governance

• Cost Optimization

• Stakeholder Management

• Technical Leadership

• Mentoring

• AI Strategy

Seorang Expert tidak hanya bertanya:

"Model mana yang paling akurat?"

Tetapi juga bertanya:

• Apakah Machine Learning memang diperlukan?

• Berapa biaya menjalankan model ini?

• Apakah model ini memberikan ROI?

• Apakah solusi ini bisa dipelihara selama lima tahun?

• Bagaimana tim lain akan menggunakan hasilnya?

Mindset yang mulai terbentuk:

"Saya menggunakan data untuk menciptakan dampak bisnis."