Roadmap untuk Menjadi Seorang Data Analyst: Panduan Lengkap Langkah demi Langkah

Mengapa Urutan Roadmap Ini Penting

Sebelum membahas keterampilan spesifik, ada baiknya kita langsung membahas kesalahan yang menggagalkan sejumlah besar calon analis, yaitu mempelajari keterampilan dalam urutan yang salah. Versi paling umum dari kesalahan ini adalah menghabiskan waktu berbulan-bulan untuk mempelajari Python atau machine learning sebelum benar-benar mempelajari SQL, dengan teori bahwa pemrograman adalah keterampilan "sesungguhnya" dan spreadsheet serta bahasa kueri adalah hal-hal dasar yang harus dipelajari dengan cepat. Ini terbalik. SQL adalah filter tahap pertama di sebagian besar perusahaan yang merekrut untuk peran analis, karena hampir setiap pekerjaan data analyst berhubungan dengan database dalam beberapa bentuk, dan sejumlah besar kandidat yang langsung beralih ke alat yang lebih canggih gagal dalam penyaringan tersebut.

Roadmap berikut ini sengaja disusun untuk mencerminkan bagaimana keterampilan sebenarnya diuji dan digunakan di tempat kerja, yaitu seperti pemikiran dasar terlebih dahulu (matematika dan statistik), kemudian alat yang masih menangani sebagian besar analisis bisnis sehari-hari (Excel), kemudian keterampilan yang berfungsi sebagai gerbang perekrutan di sebagian besar perusahaan (SQL), kemudian bahasa pemrograman yang memperluas kemampuan kita setelah spreadsheet dan kueri sederhana mencapai batasnya (Python), dan akhirnya lapisan visualisasi dan intelijen bisnis yang mengubah analisis kita menjadi sesuatu yang dapat ditindaklanjuti oleh para pengambil keputusan. Setiap tahap dibangun langsung di atas tahap sebelumnya, dan melompati beberapa tahap cenderung menghabiskan lebih banyak waktu dalam jangka panjang daripada mengerjakan urutan tersebut dengan benar sejak awal.

Tahap Pertama: Matematika dan Statistik

Sangat menggoda untuk menganggap dasar matematika analisis data sebagai hambatan yang harus dilewati dengan cepat dalam perjalanan menuju "alat-alat yang sebenarnya", tetapi tahap ini pantas mendapatkan lebih banyak penghargaan daripada yang biasanya didapatkan, karena inilah yang memungkinkan setiap alat selanjutnya benar-benar berarti. Seseorang yang dapat menjalankan kueri SQL atau membangun dasbor tanpa memahami apa yang diwakili oleh angka-angka yang mendasarinya beroperasi tanpa penilaian — mereka dapat mengeksekusi langkah-langkah, tetapi mereka tidak dapat memberi tahu kita apakah hasilnya masuk akal, apakah suatu pola bermakna atau hanya gangguan, atau apakah suatu kesimpulan benar-benar didukung oleh data di depan mereka.

Kabar baiknya adalah bahwa standar di sini jauh lebih rendah daripada yang diasumsikan oleh sebagian besar pemula. Keberhasilan dalam analisis data tidak memerlukan matematika tingkat jenius, penguasaan kalkulus, atau gelar statistik tingkat lanjut. Yang dibutuhkan adalah pemahaman praktis yang solid tentang serangkaian konsep spesifik yang cukup ringkas. Di sisi matematika, ini berarti kenyamanan dengan aljabar dan fungsi dasar, pemahaman intuitif tentang probabilitas, dan kemampuan penalaran logis yang cukup untuk memecah pertanyaan bisnis yang samar menjadi pertanyaan yang terstruktur dan dapat dijawab.

Dari sisi statistik—yang jauh lebih penting dalam kehidupan sehari-hari daripada matematika murni—konsep-konsep pentingnya adalah statistik deskriptif (rata-rata, median, modus, varians, deviasi standar, dan bagaimana distribusi berperilaku), pemahaman tentang cara kerja pengambilan sampel dan mengapa itu penting, dan konsep inferensial dasar seperti interval kepercayaan dan nilai p, yang terus muncul ketika mengevaluasi apakah suatu hasil bermakna secara statistik atau mungkin terjadi secara kebetulan. Pengujian A/B adalah aplikasi praktis yang patut dipahami sejak dini, karena ini adalah salah satu skenario dunia nyata yang paling umum di mana seorang analis perlu menentukan, secara ketat, apakah perbedaan yang diamati antara dua kelompok mencerminkan efek yang nyata atau variasi acak.

Tahap dasar ini biasanya membutuhkan empat hingga enam minggu latihan teratur dan terfokus bagi seseorang yang memulai tanpa latar belakang kuantitatif yang kuat. Sumber daya gratis—kursus statistik pengantar, kursus mikro Kaggle, dan tutorial probabilitas dasar—lebih dari cukup pada tahap ini; tidak ada alasan untuk berinvestasi dalam kursus mahal sebelum kita bahkan memastikan bidang ini cocok untuk kita. Tujuannya bukanlah penguasaan akademis. Ini tentang membangun intuisi statistik yang cukup sehingga ketika kita akhirnya melihat grafik, hasil kueri, atau metrik dasbor, kita memiliki naluri untuk mengetahui apakah yang kita lihat itu bermakna, dan kosakata yang cukup untuk menjelaskan alasannya kepada orang lain.

Tahap Kedua: Excel

Excel seringkali diremehkan oleh orang-orang yang memasuki bidang analisis data, seringkali karena dianggap sebagai "alat pemula" dibandingkan dengan bahasa pemrograman dan perangkat lunak khusus. Pada kenyataannya, Excel tetap menjadi salah satu alat terpenting dan paling konsisten digunakan di seluruh bidang ini. Bahkan organisasi besar dan canggih pun sangat bergantung pada Excel untuk pelaporan dan analisis, justru karena sederhana, ampuh, fleksibel, dan sesuatu yang setiap pemangku kepentingan dalam bisnis — bukan hanya tim teknis — sudah tahu cara membuka dan membacanya. Sebagian besar pekerjaan analis sebenarnya saat ini masih dilakukan di spreadsheet, terutama di bidang keuangan, operasi penjualan, dan perusahaan kecil yang belum sepenuhnya memigrasikan pelaporan mereka ke gudang data.

Mempelajari Excel dengan benar untuk analisis data jauh melampaui memasukkan data ke dalam sel dan menerapkan rumus dasar. Keterampilan yang benar-benar penting meliputi tabel pivot, yang tetap menjadi salah satu cara tercepat untuk meringkas dan menjelajahi kumpulan data dan yang terus-menerus muncul dalam wawancara teknis; fungsi pencarian termasuk VLOOKUP, INDEX/MATCH, dan XLOOKUP yang lebih modern, yang memungkinkan kita menarik informasi terkait di berbagai tabel atau lembar kerja; Rumus kondisional tingkat lanjut seperti SUMIFS dan COUNTIFS, yang memungkinkan agregasi yang lebih bernuansa daripada penjumlahan dan penghitungan sederhana; dan fungsi array dinamis yang lebih baru seperti FILTER, SORT, dan UNIQUE, yang telah memodernisasi secara signifikan cara Excel menangani manipulasi data dalam versi terbaru. Pembersihan data di dalam Excel, yaitu seperti menangani nilai yang hilang, menghapus duplikat, menstandarisasi entri teks yang tidak konsisten, dan menggunakan validasi data untuk mencegah data yang buruk masuk ke dalam lembar kerja sejak awal, adalah keterampilan lain yang terus-menerus muncul dalam pekerjaan nyata tetapi relatif kurang mendapat perhatian dalam tutorial yang hanya berfokus pada rumus.

Perlu juga dicatat bahwa Excel sendiri telah berevolusi. Baik Excel maupun Google Sheets sekarang menyertakan fitur yang dibantu AI yang dapat menyarankan rumus, menghasilkan grafik, meringkas data, dan bahkan menghasilkan analisis awal dari perintah bahasa alami. Disiplin penting di sini adalah menguasai keterampilan manual inti terlebih dahulu, sehingga kita dapat mengarahkan, memverifikasi, dan mengoreksi output yang dihasilkan AI daripada mempercayainya secara membabi buta — seorang analis yang tidak memahami apa yang sebenarnya dilakukan oleh tabel pivot tidak memiliki cara untuk menangkap kesalahan asisten AI ketika asisten tersebut pasti melakukan kesalahan.

Sebagian besar pelajar dapat mencapai kemahiran kerja yang solid dalam Excel dalam beberapa minggu latihan langsung yang konsisten, idealnya diterapkan pada kumpulan data nyata atau realistis daripada latihan rumus abstrak. Tahap ini menetapkan fondasi konseptual — berpikir dalam baris, kolom, dan hubungan terstruktur — yang membuat tahap selanjutnya, SQL, jauh lebih mudah dipelajari.

Tahap Tiga: SQL

Jika ada satu keterampilan dalam seluruh roadmap ini yang berfungsi sebagai gerbang penting menuju pekerjaan, itu adalah SQL. Hampir semua data bisnis dalam skala besar berada di dalam database, bukan spreadsheet, dan tanpa SQL, mengakses dan mengolah data tersebut secara langsung menjadi sangat sulit. Perekrut dan manajer perekrutan saat ini secara konsisten melakukan penyaringan awal kandidat berdasarkan jawaban ya atau tidak, yaitu dapatkah orang ini menulis SQL, yang dibuktikan melalui sertifikasi, pengalaman kerja sebelumnya, atau tes penyaringan langsung. Sejumlah kandidat yang memiliki insting teknis yang baik justru tersaring pada tahap pertama ini karena mereka menginvestasikan waktu belajar awal mereka di Python atau alat BI alih-alih membangun kemampuan SQL yang sesungguhnya terlebih dahulu.

Keterampilan SQL inti yang diharapkan oleh setiap peran analis data dimulai dengan pernyataan SELECT dan pendampingnya, yaitu seperti WHERE untuk penyaringan, GROUP BY dan HAVING untuk agregasi, dan ORDER BY untuk pengurutan hasil. Dari situ, keterampilan yang paling jelas membedakan seorang pemula dari seseorang yang benar-benar dapat melakukan pekerjaan tersebut adalah JOIN, yaitu kemampuan untuk menggabungkan data yang berada di beberapa tabel terkait, menggunakan INNER, LEFT, RIGHT, dan FULL OUTER join tergantung pada data apa yang perlu disertakan atau dikecualikan. Berlatih join di dua, tiga, dan empat tabel secara bersamaan adalah salah satu hal paling berharga yang dapat dilakukan oleh seorang pemula, karena data bisnis nyata hampir tidak pernah tersimpan dengan mudah dalam satu tabel.

Di luar dasar-dasar ini, keahlian SQL yang benar-benar siap kerja mencakup subquery dan common table expressions (CTE), yang memungkinkan logika berlapis yang lebih kompleks daripada yang dapat diungkapkan oleh satu query datar; fungsi agregat seperti SUM, COUNT, dan AVG yang dikombinasikan dengan logika kondisional melalui pernyataan CASE WHEN; dan fungsi window — termasuk ROW_NUMBER, RANK, dan LAG/LEAD — yang telah menjadi harapan standar dalam wawancara SQL saat ini dan digunakan terus-menerus untuk tugas-tugas seperti memberi peringkat hasil dalam grup atau membandingkan baris dengan baris sebelumnya atau sesudahnya dalam sebuah urutan. Setelah dasar-dasar ini dikuasai, memperluas pengetahuan tersebut ke platform database spesifik seperti PostgreSQL atau Microsoft SQL Server menjadi jauh lebih mudah, karena logika kueri intinya hampir sepenuhnya sama, dengan hanya sedikit perbedaan sintaksis yang perlu dipelajari.

Bagi seseorang yang berlatih secara konsisten, mencapai titik di mana mereka dapat dengan nyaman menyelesaikan masalah SQL tingkat kesulitan menengah di platform seperti DataLemur, StrataScratch, atau LeetCode dalam waktu lima belas hingga dua puluh menit adalah tolok ukur yang wajar untuk kesiapan wawancara, dan dapat dicapai dalam waktu sekitar dua hingga tiga bulan latihan terfokus dan teratur — mengerjakan lima puluh hingga seratus kueri bergaya dunia nyata adalah target yang umum disebutkan untuk mencapai tingkat kefasihan tersebut. Selain itu, semakin umum bagi analis saat ini untuk bekerja langsung di dalam gudang data cloud modern seperti Google BigQuery, Snowflake, atau Databricks daripada database on-premise tradisional; platform ini menggunakan logika SQL dasar yang sama sambil menambahkan komputasi yang dapat diskalakan dan, semakin banyak, fitur AI bawaan untuk kueri bahasa alami, yang membuat pengetahuan SQL yang kuat menjadi lebih berharga, karena hal itulah yang memungkinkan kita memverifikasi dan memperbaiki apa yang dihasilkan oleh fitur AI tersebut.

Tahap Empat: Python

Excel dan SQL bersama-sama menangani sebagian besar pekerjaan data tingkat pemula, tetapi setiap analis pada akhirnya akan menemukan kumpulan data yang terlalu besar, terlalu berantakan, atau terlalu berulang untuk ditangani secara efisien hanya melalui spreadsheet dan kueri. Di sinilah Python mendapatkan tempatnya dalam roadmap — bukan sebagai pengganti SQL dan Excel, tetapi sebagai ekstensi yang menangani tugas-tugas yang mulai sulit ditangani oleh alat-alat tersebut, yaitu seperti mengotomatiskan proses pembersihan dan pelaporan data yang berulang, melakukan analisis statistik yang lebih canggih, dan bekerja dengan data yang tidak sesuai dengan baris dan kolom.

Kabar baik bagi siapa pun yang merasa takut dengan gagasan belajar pemrograman adalah bahwa peran analis data membutuhkan kemampuan Python dasar hingga menengah, bukan keterampilan software engineering tingkat lanjut. Kita tidak perlu memahami pola desain berorientasi objek atau membangun aplikasi yang kompleks. Yang kita butuhkan adalah kenyamanan dengan sintaks inti Python dan, yang lebih penting, kemampuan menggunakan serangkaian library khusus yang dibangun untuk jenis pekerjaan ini. Pandas adalah titik awal yang penting, menyediakan kemampuan manipulasi dan analisis data yang menjadi tulang punggung hampir semua pekerjaan data berbasis Python, yaitu seperti membaca dataset, membersihkan dan mentransformasinya, menggabungkan dan mengagregasi data dengan cara yang akan lambat atau rumit di Excel setelah dataset menjadi besar. NumPy mendukung operasi numerik mendasar yang menjadi dasar Pandas dan library lainnya. Untuk visualisasi langsung di dalam Python, Matplotlib dan Seaborn adalah library standar yang memungkinkan kita menghasilkan grafik eksplorasi sebagai bagian dari skrip atau notebook yang sama tempat kita sudah membersihkan dan menganalisis data, tanpa beralih ke alat terpisah.

Nilai sebenarnya Python bagi seorang analis data, berbeda dengan data scientist atau engineer machine learning, cenderung muncul dalam beberapa skenario spesifik dan berulang, yaitu seperti mengotomatiskan laporan yang sebelumnya membutuhkan pembuatan ulang spreadsheet secara manual setiap minggu, membersihkan dan menggabungkan data dari beberapa sumber berbeda yang tidak memiliki struktur yang sama, melakukan uji statistik yang melampaui kemampuan Excel atau alat BI untuk menghitungnya sendiri, dan membangun alat internal ringan atau skrip terjadwal yang menjaga laporan atau kumpulan data tetap mutakhir tanpa intervensi manual. Semakin banyak, pekerjaan Python saat ini juga dipercepat oleh asisten coding AI yang dapat menghasilkan skrip awal atau men-debug pesan kesalahan, tetapi sama seperti rumus Excel yang dibantu AI, percepatan tersebut hanya benar-benar berguna setelah kita memahami kode yang mendasarinya dengan cukup baik untuk memverifikasi bahwa kode tersebut benar-benar melakukan apa yang kita inginkan.

Sebagian besar pelajar dapat mencapai tingkat kemampuan Python yang benar-benar bermanfaat untuk analisis data dalam waktu enam hingga delapan minggu studi terfokus, terutama jika pembelajaran tersebut diterapkan langsung pada proyek nyata daripada latihan terisolasi. Perlu diakui bahwa Python tidak selalu menjadi persyaratan wajib untuk peran analis tingkat pemula — beberapa perusahaan mempekerjakan analis yang hampir seluruhnya bekerja dengan SQL dan alat BI — tetapi secara konsisten merupakan salah satu cara paling andal untuk meningkatkan kemampuan kerja dan potensi penghasilan jangka panjang kita, serta membuka pintu bagi kemajuan karier ke peran analitik yang lebih lanjut, rekayasa analitik, atau data science di masa mendatang.

Tahap Lima: Visualisasi Data

Angka saja jarang dapat meyakinkan siapa pun. Seorang analis dapat menjalankan kueri SQL yang secara teknis sempurna dan menghasilkan kesimpulan yang secara statistik valid, tetapi jika temuan tersebut tidak dapat dikomunikasikan dengan jelas kepada pemangku kepentingan non-teknis — seorang direktur pemasaran, wakil presiden keuangan, manajer toko — hal itu tidak memiliki dampak praktis pada bisnis. Visualisasi data adalah keterampilan yang menjembatani kesenjangan tersebut, dan pantas diperlakukan sebagai disiplin analitis sejati, bukan hanya sekadar memilih jenis grafik yang menarik.

Visualisasi data yang baik dimulai dengan prinsip yang sama yang mendasari setiap tahap lain dari roadmap ini, yaitu memahami audiens dan pertanyaan kita sebelum menggunakan alat kita. Grafik yang dibuat untuk membantu kita, analis, menjelajahi kumpulan data selama investigasi kita sendiri terlihat dan berfungsi sangat berbeda dari grafik yang dibuat untuk menyampaikan poin tertentu dengan jelas dan cepat kepada seorang eksekutif yang sibuk yang melihat data untuk pertama kalinya. Mempelajari cara memilih jenis grafik yang tepat untuk jenis perbandingan tertentu — grafik garis untuk tren dari waktu ke waktu, grafik batang untuk membandingkan kategori, plot sebaran untuk memeriksa hubungan antara dua variabel — dan menghilangkan kekacauan visual yang tidak perlu yang mengalihkan perhatian dari temuan sebenarnya, adalah keterampilan yang membutuhkan latihan nyata dan disengaja, bukan hanya keakraban dengan opsi menu perangkat lunak.

Kesalahan umum dan benar-benar penting di antara analis baru adalah menyamakan "lebih banyak visualisasi" dengan "visualisasi yang lebih baik." Manajer perekrutan dan pemangku kepentingan secara konsisten merespons lebih baik terhadap sejumlah kecil grafik yang menjawab pertanyaan spesifik dengan jelas daripada dasbor yang luas yang dipenuhi dengan lusinan grafik yang secara teknis menampilkan data tetapi sebenarnya tidak membimbing pemirsa menuju wawasan. Lima grafik yang dipilih dengan baik yang menjawab pertanyaan bisnis secara tegas akan mengungguli lima puluh grafik yang tidak, baik dalam portofolio wawancara maupun dalam pelaporan tempat kerja yang sebenarnya. Prinsip ini — kejelasan dan fokus daripada cakupan yang menyeluruh — layak untuk diinternalisasi sejak dini, karena akan terus muncul di setiap tahap selanjutnya, termasuk alat intelijen bisnis yang akan dibahas selanjutnya.

Keterampilan visualisasi dapat dibangun baik di dalam Python, menggunakan Matplotlib dan Seaborn untuk pekerjaan eksplorasi, maupun di dalam platform business intelligence khusus untuk dashboard yang lebih matang dan berorientasi pada pemangku kepentingan — yang membawa roadmap ke tahap akhirnya.

Tahap Enam: Alat BI

Alat business intelligence (BI) mewakili lapisan di mana semua keterampilan sebelumnya menyatu menjadi sesuatu yang benar-benar dapat digunakan bisnis secara berkelanjutan, yaitu dasbor interaktif yang terus diperbarui yang dapat dieksplorasi sendiri oleh pemangku kepentingan, bukan laporan statis sekali pakai. Mempelajari satu alat BI dengan baik adalah salah satu keputusan teraman dan paling berpengaruh dalam seluruh roadmap ini, dan dua pilihan dominan saat ini tetap Power BI dan Tableau, masing-masing memiliki kekuatan nyata tergantung pada lingkungan tempat kita bekerja.

Power BI seringkali menjadi pilihan yang lebih disukai khususnya karena integrasinya yang mendalam dengan ekosistem Microsoft — keuntungan signifikan di sejumlah besar organisasi yang sudah dibangun di sekitar Excel, SharePoint, dan Microsoft 365. Mempelajari Power BI dengan baik berarti melampaui sekadar menghubungkan sumber data dan menyeret bidang ke kanvas; kemahiran sejati mencakup dasar-dasar pemodelan data, khususnya memahami desain skema bintang dan bagaimana hubungan antar tabel berfungsi dalam alat tersebut, bersama dengan DAX (Data Analysis Expressions), bahasa rumus yang digunakan untuk membuat bidang terhitung dan ukuran khusus yang melampaui agregasi sederhana. Sebaliknya, Tableau telah membangun reputasinya dengan menghasilkan visualisasi yang sangat halus dan interaktif serta kemampuan bercerita data yang kuat, dan tetap menjadi pilihan utama di organisasi dan industri di mana kecanggihan visual dan interaktivitas sangat dihargai.

Terlepas dari alat mana yang kita pilih terlebih dahulu — dan bagi sebagian besar pelajar, memilih satu dan mendalaminya lebih berharga daripada menyebar upaya secara tipis di kedua alat — kompetensi inti yang penting tetap konsisten, yaitu menghubungkan dan memodelkan berbagai sumber data, membangun bidang dan ukuran terhitung yang menjawab pertanyaan bisnis tertentu, mendesain dasbor dengan interaktivitas yang benar-benar bermanfaat seperti slicer, filter, dan kemampuan drill-through, dan memahami cara menerbitkan dan membagikan laporan yang sudah jadi dengan aman kepada audiens yang tepat. Kedua platform utama juga telah menambahkan kemampuan AI yang bermakna dalam versi terbaru — kueri bahasa alami, visual yang disarankan AI, dan pembuatan dasbor awal otomatis — dan prinsip yang sama dari tahap sebelumnya berlaku di sini, yaitu bereksperimen dengan fitur AI ini untuk mempercepat draf pertama kita, tetapi perbaiki dan verifikasi versi final secara manual, karena penilaian tentang apa yang sebenarnya penting bagi audiens tetap menjadi tugas analis, bukan perangkat lunak.

Untuk pilihan yang lebih ringan dan benar-benar gratis, Google Looker Studio layak dipelajari sebagai pelengkap alat BI utama, terutama untuk proyek-proyek kecil, bagian portofolio, atau organisasi yang sudah bekerja dalam ekosistem Google. Membangun setidaknya satu dasbor lengkap, terpoles, dan menyeluruh — mulai dari data mentah hingga laporan interaktif yang dipublikasikan dengan ringkasan tertulis yang jelas tentang wawasan yang diberikannya — adalah salah satu bukti portofolio paling berharga yang dapat dihasilkan oleh seorang analis yang bercita-cita tinggi, karena hal itu menunjukkan seluruh peta jalan yang bekerja bersama dalam satu hasil yang nyata.

Menyatukan Roadmap: Proyek dan Portofolio

Mempelajari masing-masing dari enam area keterampilan ini secara individual memang diperlukan, tetapi itu saja tidak cukup. Pola kegagalan yang paling umum di antara orang-orang yang mengerjakan roadmap seperti ini adalah menghabiskan waktu berbulan-bulan untuk mengumpulkan pengetahuan tentang alat tanpa pernah menerapkannya pada proyek nyata dari awal hingga akhir — dan sebagai hasilnya, tiba di pencarian pekerjaan dengan kosakata teknis tetapi tanpa bukti nyata mampu melakukan pekerjaan tersebut. Perekrut dan manajer perekrutan secara konsisten mencari portofolio yang menunjukkan penilaian bisnis, bukan hanya eksekusi teknis, yaitu seperti kemampuan untuk mengambil kumpulan data yang benar-benar berantakan dan realistis, mengajukan pertanyaan bisnis yang tajam kepadanya, dan menjelaskan alasan dan kesimpulan Anda kepada orang lain dengan jelas.

Portofolio proyek yang kuat biasanya berjalan melalui suatu tahapan, yaitu proyek awal mungkin melibatkan pembersihan dan ringkasan kumpulan data sederhana di Excel dan penulisan serangkaian temuan singkat; proyek tingkat menengah mungkin melibatkan pengambilan dan penggabungan data di beberapa tabel di SQL, kemudian membangun dasbor di Power BI atau Tableau yang menyajikan hasilnya secara interaktif; Proyek yang lebih canggih mungkin menggunakan Python untuk mengotomatisasi analisis yang berulang atau menerapkan uji statistik untuk memvalidasi hipotesis bisnis tertentu, dengan alur kerja dan alasan lengkap yang didokumentasikan dengan jelas. Mengunggah proyek-proyek ini secara publik — di GitHub dengan README yang jelas menjelaskan pertanyaan bisnis, metodologi kita, dan wawasan akhir kita, atau di situs portofolio sederhana atau LinkedIn — akan memberi perekrut cara konkret dan terverifikasi untuk menilai kemampuan praktis kita yang tidak dapat diberikan hanya oleh resume atau sertifikasi.