Junior Data Scientist

1. Minggu 1: Onboarding tim AI & Data Modelling: setup development environment (Python, SQL client, Git, IDE), akses repository, review ethics & privacy guidelines untuk employee data, memahami arsitektur HRIS TechConnect secara high-level. 2. Minggu 2: Melakukan 5–7 interview dengan HR Business Partners, HRIS owner, dan recruiter untuk inventarisasi analytical questions (contoh: "kenapa atrisi tim engineering naik?", "role apa yang paling lama diisi?", "driver engagement apa yang paling kuat?"). Catatan interview + mapping question → data source yang dibutuhkan. 3. Minggu 3: Data profiling awal pada curated HR datasets: distribusi variabel kunci (tenure, department, salary band, performance rating), missingness analysis, grain validation per tabel, dokumentasi anomali untuk diklarifikasi ke data owner. 4. Minggu 4: Scoping 3 analytical questions prioritas bersama AI Engineer menjadi defined analysis — tiap scoping memuat: pertanyaan bisnis, success metric, data yang dibutuhkan, intended decision, dan assumption. Presentasi Scoping Document ke AI Engineer untuk sign-off.

1. Minggu 1: Deep EDA pada dataset use case prioritas (attrition sebagai anchor): univariate & bivariate analysis, temporal patterns (seasonality atrisi), cohort analysis per hire year/department, outlier detection untuk compensation. 2. Minggu 2: Hypothesis testing formal: formulasi H0/H1 untuk 3 pertanyaan prioritas, pemilihan metode sesuai tipe data (chi-square untuk categorical, t-test/ANOVA untuk continuous, logistic regression untuk conditional), quantified uncertainty (bukan point estimate). 3. Minggu 3: Visualisasi hasil: chart yang menjawab pertanyaan bisnis (bukan sekadar display data), draft Diagnostic Analysis Report #1 dengan struktur decision-led (lead with answer, assumption log di appendix). 4. Minggu 4: Internal review dengan AI Engineer, revisi berdasarkan feedback, presentasi final ke HR Business Partner yang mengajukan pertanyaan. Dokumentasi follow-up questions untuk iterasi berikutnya.

1. Minggu 1: Feature engineering workshop dengan Data Engineer: definisi feature set untuk Attrition Risk Model (tenure buckets, department, salary band relative to peers, performance rating trend, manager tenure, promotion recency). Transformation logic dimasukkan ke repository, bukan di notebook one-off. 2. Minggu 2: Build baseline logistic regression Attrition Risk v0 sebagai documented naive benchmark. Setup train/validation/test split yang menghormati temporal order (untuk hindari leakage), cross-validation framework, documented baseline metric (AUC, precision@k). 3. Minggu 3: Iterasi model: coba gradient boosting (XGBoost / LightGBM) dan regularized logistic regression, bandingkan vs baseline. Explicit leakage check (feature yang hanya ada setelah atrisi harus di-exclude), class imbalance handling (class weight / SMOTE dengan dokumentasi trade-off). 4. Minggu 4: Mid-Term Review: finalisasi Attrition Risk Model v1, susun Model Card lengkap (data lineage, feature list, metric, limitations, intended use, out-of-scope use), demonstrasi ke AI Engineer dan Data Scientist senior.

1. Minggu 1: Fairness assessment untuk Attrition Model: disparate impact analysis across protected characteristics (gender, usia, tenure, lokasi), four-fifths rule check menggunakan Fairlearn / AIF360. Dokumentasikan di mana model gagal four-fifths rule. 2. Minggu 2: Fairness-aware iteration: jika four-fifths rule gagal, coba teknik mitigation (reweighting, threshold adjustment per group, atau constraint-based training). Dokumentasikan trade-off accuracy vs fairness secara jujur — bukan di-hide. 3. Minggu 3: Scope + build Model #2. Pilihan: (a) Time-to-Fill regression / survival model untuk recruitment funnel, atau (b) Sentiment Analysis pada exit interview / engagement survey menggunakan NLP basics (preprocessing, TF-IDF atau embeddings, sentiment classifier). Baseline + iterasi pertama. 4. Minggu 4: Fairness review untuk Model #2 (apakah ada disparate impact per department / level?), finalisasi Model Card v1 untuk Model #2, konsolidasi Fairness & Disparate Impact Review Report untuk kedua model.

1. Minggu 1: Model packaging bersama Data Scientist senior: serialize model dengan proper versioning (contoh: MLflow model registry), define inference contract (input schema, output format), containerization bersama DevOps Engineer jika diperlukan. 2. Minggu 2: Setup monitoring: input drift detection (KS test atau Population Stability Index per feature), performance decay (rolling accuracy / AUC vs training baseline), prediction stability (distribusi prediction score dari waktu ke waktu). Monitoring dashboard di-share dengan AI Engineer. 3. Minggu 3: Shadow deployment start: model berjalan paralel dengan proses existing, prediction di-log tapi tidak menginformasikan keputusan HR. Daily review prediction quality & monitoring alerts. 4. Minggu 4: Reproducibility audit: anggota tim lain (Data Engineer atau Data Scientist senior) mencoba menjalankan ulang analisis end-to-end dari repository tanpa bantuan author. Fix semua gap yang ditemukan (dependency pinning, missing documentation, hidden state).

1. Minggu 1: Adoption tracking: interview stakeholder HR untuk map mana analisis / model yang sudah dipakai dalam keputusan aktual, mana yang belum, dan alasannya (friction, trust, tooling gap). Rekomendasi untuk closing adoption gap. 2. Minggu 2: Draft Final Impact Report dengan structure decision-led: analytical questions terjawab, model performance vs baseline, fairness findings, adoption status, rekomendasi next iteration. Draft Analytical Playbook untuk end-to-end methodology. 3. Minggu 3: Rehearsal Final Defense bersama AI Engineer & Data Scientist senior, revisi slide berdasarkan feedback, prepare answers untuk anticipated questions dari HR Leadership (termasuk fairness & limitation questions). 4. Minggu 4: Final Project Defense di hadapan HR Leadership + AI Engineer + Data Scientist senior. Knowledge transfer session: handover Analytical Playbook, reusable features, dan assumption log ke tim internal. Penutupan administratif pada portal MagangHub Kemnaker