Panduan Wawancara Ilmuwan Data JPMorganChase

JPMorganChase menggunakan penilaian standar untuk posisi tertentu dan memberi tahu kandidat ketika posisi mereka mewajibkannya. Format yang mungkin digunakan mencakup wawancara langsung terstruktur, wawancara rekaman sesuai permintaan, dan penilaian keterampilan virtual. Urutan berikut adalah peta persiapan, bukan rangkaian nama tahapan JPMorganChase yang telah dikonfirmasi.

• Penyaringan: Siapkan penjelasan ringkas tentang latar belakang, ketertarikan Anda pada posisi tersebut, dan pekerjaan analitis Anda yang paling relevan.
• Tugas rumah: Berlatihlah mengubah kumpulan data dengan ruang lingkup terbuka menjadi analisis yang dapat dipertanggungjawabkan, dengan asumsi dan kesimpulan yang jelas.
• Pemrograman: Latih SQL, manipulasi data, penelusuran kesalahan, dan cara menjelaskan pilihan Anda selama mengerjakan tugas.
• Kasus: Susun masalah yang ambigu, pilih metrik yang sesuai, dan bahas kompromi sebelum mengusulkan sebuah model.
• Perilaku: Bangun cerita berbasis bukti tentang kolaborasi, pertimbangan, kemunduran, dan komunikasi dengan mitra nonteknis.
• Wawancara di lokasi: Bersiaplah memadukan penalaran teknis, analisis kasus, dan komunikasi dalam rangkaian percakapan yang lebih luas.

Wawancara Ilmuwan Data umumnya menguji kemampuan Anda menghubungkan penalaran statistik, implementasi, keputusan pemodelan, dan komunikasi. Beberapa posisi JPMorganChase juga menggunakan wawancara video rekaman untuk mengevaluasi kemahiran berbahasa, presentasi lisan, atau kemampuan teknis.

• Statistik dan eksperimen: Rumuskan hipotesis, pilih metrik, identifikasi bias, tafsirkan ketidakpastian, dan jelaskan hal-hal yang tidak dapat dibuktikan oleh suatu hasil.
• SQL dan pemrograman: Hasilkan logika yang benar, tangani kasus khusus, dan jelaskan cara Anda memvalidasi hasilnya.
• Pertimbangan pemodelan: Sesuaikan metode dengan keputusan yang perlu dibuat, bandingkan alternatif, cegah kebocoran data, dan pertimbangkan keterjelasan model.
• Komunikasi: Terjemahkan metode dan temuan menjadi implikasi yang dapat dipahami serta dipertanyakan oleh orang nonahli.

Dibandingkan dengan wawancara yang berpusat pada satu disiplin, persiapan Ilmuwan Data harus menghubungkan beberapa jenis bukti. Kueri yang benar menjadi lebih kuat ketika Anda dapat menjelaskan metrik yang dihasilkannya; model yang kuat belum lengkap tanpa asumsi, validasi, dan penjelasan yang jelas tentang bagaimana hasilnya mendukung suatu keputusan.

JPMorganChase menjelaskan bahwa kerangka penilaiannya bersifat kondisional. Penilaian standar hanya berlaku untuk posisi tertentu, dan kandidat akan diberi tahu ketika penilaian tersebut diwajibkan. Penilaian teknis, jika diwajibkan, dapat berupa tes daring atau wawancara teknis tempat kandidat menunjukkan keterampilannya secara langsung. Jangan berasumsi bahwa setiap lowongan Ilmuwan Data menggunakan semua format tersebut.

JPMorganChase tidak memublikasikan berapa lama proses tersebut berlangsung. Jika wawancara rekaman sesuai permintaan diwajibkan, wawancara itu harus diselesaikan dalam jangka waktu yang ditentukan menggunakan perangkat dengan kamera dan mikrofon.

Banyak penilaian mungkin tidak dapat diulang selama periode tertentu, dan JPMorganChase memberi tahu kandidat ketika pembatasan pengulangan berlaku. Baca setiap undangan dengan saksama, periksa peralatan Anda sebelum memulai, dan sediakan waktu tanpa gangguan. Untuk persiapan Ilmuwan Data secara umum, tantangannya berasal dari perpindahan secara akurat antara statistik, kode, pertimbangan pemodelan, dan penjelasan dalam bahasa sederhana.

Selaraskan latihan Anda dengan evaluasi yang akan dihadapi. Mulailah dengan dasar-dasar statistik dan desain eksperimen, lalu kerjakan latihan SQL serta pemrograman sambil menjelaskan alur penalaran Anda. Lanjutkan dengan kasus pemodelan yang membutuhkan asumsi, pilihan validasi, dan pertimbangan kompromi.

Akhiri setiap sesi latihan dengan menjelaskan hasilnya kepada audiens nonteknis. Gunakan wawancara simulasi untuk menguji apakah jawaban Anda tetap terstruktur saat menghadapi pertanyaan lanjutan. Untuk setiap cerita proyek, jelaskan masalahnya, kontribusi Anda, bukti yang mendasari keputusan Anda, dan hal yang akan Anda ubah jika memiliki data yang lebih baik.