Di halaman ini, saya akan menulis analisa C-level dan VP-level di perusahaan teknologi besar di Indonesia. C-level dan VP-level ini seperti jenderal-jenderal militer. Kita jangan terlalu terfokus terhadap raja atau ratu atau presiden atau perdana menteri. Tanpa jenderal-jenderal yang kompeten, sebuah negara juga bakal susah untuk memenangkan perang.
Untuk sementara perusahaannya saya batasi hanya perusahaan yang memiliki jumlah karyawan lebih dari 1000 orang. Makanya cuma 7 perusahaan. Ke depan bakal saya tambahkan.
Daftar ini tidak lengkap. Tidak ada yang namanya “select * from gojek where roles = ‘c-level’;” di Linkedin. Anggap saja daftar ini adalah pengambilan contoh (sampling).
Saya ingin melihat distribusi seks, pendidikan, universitas di orang-orang yang sukses karirnya ini.
Halaman ini akan diperbaharui secara berkala.
Saya menyertakan data sebagai berkas CSV buat kalian main-main di Excel atau LibreOffice Calc atau Google Sheets. Ada Jupyter Notebook juga buat kalian yang bisa pakai pandas. Kalian bisa unduh notebook ini dan unggah ke Google Colaboratory buat analisa data.
Lisensi representasi data dan Jupyter Notebook adalah GPLv3. Jadi Anda bisa memodifikasi notebook ini dan mempublikasikannya di tempat lain dengan catatan bahwa Anda tetap menyertakan lisensi GPLv3. Anda tidak perlu minta izin kepada saya.
Jadi misalnya Anda ingin menganalisa faktor tinggi badan di C-level dan VP-level, yah silahkan. Tapi kalau ada orang lain yang mengambil notebook hasil modifikasi Anda itu dan memodifikasinya (misalnya menganalisa representasi ras), yah Anda tidak boleh melarang sepanjang dia menyertakan lisensi GPLv3.
Kalau Anda berani melanggar titah GPLv3…. saya akan 👉🔥🔥🔥 Anda.
Harap diingat, data di luar itu tidak rapi. Misalnya ada yang mencantumkan pendidikan tapi tidak ditulis tahunnya sehingga menyulitkan prediksi umur C-level dan VP-level. Prediksi umur menggunakan heuristik tahun mulai belajar di universitas dan tahun mulai bekerja. Artinya umur bisa saja meleset. Misalnya orang bisa saja selesai SMA jalan-jalan dulu sebelum mulai belajar di universitas. Prediksi kewarganegaraan berdasarkan foto, nama, sekolah, dan bahasa yang dikuasai mereka. Ini juga bisa salah. Jadi harap maklum.
Ke depan saya juga akan menyertakan naskah (script) Julia dan R. Sementara pakai Python dulu ya. Selain itu di masa depan saya juga akan menyertakan kolum prediksi gaji dengan karya tercinta saya, PredictSalary. 😂
Jupyter Notebook: https://arjunaskykok.s3-ap-southeast-1.amazonaws.com/analisa/Analisa_C-Level_dan_VP-Level_di_Perusahaan_Teknologi_Besar_Desember_2020.ipynb
Jupyter Notebook HTML (enak langsung dibaca di tempat): https://arjunaskykok.s3-ap-southeast-1.amazonaws.com/analisa/Analisa_C-Level_dan_VP-Level_di_Perusahaan_Teknologi_Besar_Desember_2020.html
Kesimpulan: Secara gabungan, jumlah perempuan sebagai C-level atau VP-level lebih baik daripada jumlah perempuan sebagai pendiri perintis. Tapi…. ada sesuatu di C-level. Perempuan dan lulusan dalam negeri jumlahnya sedikit sekali. Warga asing paling banyak dari India. ITB adalah universitas yang paling mendominasi di pendidikan S1 C-level dan VP-level. Rata-rata orang mencapai posisi C-level atau VP-level pada umur 33 tahun.