brunch

매거진 데이터 분석 스터디 매거진

라이킷 23 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 오미셸 Michelle Dec 13. 2021

무엇이든 두 달 안에 전문가가 될 수 있다면?

21.12.13 - 일주일에 커리어/자기 계발 글 하나 발행 - 40편

무엇이든, 즉 어떤 분야든 두 달 안에 열심히 공부해서 (혹은 수련해서) 전문가가 될 수 있다면, 어떤 분야를 고르시겠어요?

하하, 두 달은 좀 오버가 맞지만, 캐나다의 한 젊은이는 미국 MIT 대학교의 4년 컴퓨터 공학 학사 과정을 온라인으로 12개월 동안 독파해서 마이크로소프트에 입사 제안까지 받았지만 거절했는데요, 책 '울트라 러닝, 세계 0.1%가 지식을 얻는 비밀 - (부제) 짧은 시간에 가장 완벽한 지식을 얻는 9단계 초학습법'의 저자 스콧 영이 그 주인공입니다. 스콧 영은 이렇게 도전했던 내용을 바탕으로 직무 이동, 새로운 언어 학습, 게임 개발 등 원래 전혀 다른 분야 종사자였다가 울트라 러닝 기법을 통해 완전히 새로운 분야 마스터가 된 사람들을 연구해 학습 방법론까지 정리했어요. (그러고 나서 여러 나라 언어를 배운다고, 각 나라 언어를 하나도 모르는 상태에 가서 한 달 살기 프로젝트 등도 진행하구요 ㅎㅎ)

저도 이 책 덕분에 저는 지난 반년 동안 (고강도 몰입 시간 3개월, 저강도 3개월) 탐색적인 자세로 데이터 분석 공부에 도전해 볼 수 있었는데요, 다시 살펴보니 방법 적용에 부족함도, 좋았던 점도, 스스로에 대해 배운 점도 모두 있었던 것 같아, 실전 적용 방법을 공유해 봅니다. (내년에 어느 분야든 전문가가 되어 보자구요 :)))

유명한 기업가이자 기술자인 폴 그레이엄은 "많은 분야에서 여러 가지 일에 신경 쓰는 것보다 어떤 한 가지 일에 집중하며 1년을 보내는 것이 낫다"고 했어요. 점점 어느 한 가지에만 '몰입'하기 어려워지기에 저도 공감이 많이 되었는데요, 요즘처럼 정보량이 기하급수적으로 증가하고, 나날이 발전하는 기술들이 이 무한한 정보를 조합해 놀라운 결과가 될 때면, 우리들에게는 어떤 몫이 남을까 고민하게 되는 것도 당연한 것 같아요. 아래 글이 이런 고민에 보탬이 되길 빕니다.

1. 전문성을 가지고 싶은 분야가 있다면, 전체 공부할 시간의 10%를 쏟아 그 분야를 공부하기 위해 자신만의 프로젝트 설계하기

책에서 예시로 나온 인물 중 하나로 기술 분야 마케터였던 비샬 마이니는 인공지능 리서치 쪽에서 업무 해보는 것이 꿈이었지만 기술이 없었습니다. 이에 6개월 동안 신중하게 계획을 짠 뒤 실행에 옮겨 직무 이동에 성공했다는데요, 비슷한 맥락에서 건축 설계사가 되고 싶었던 예시 인물 중 하나도 몇 년 간 대학에서 다양한 프로젝트 위주로 공부할 때보다, 인쇄 출력소에서 아르바이트를 하며 실제 건축물 한 개를 상세히 디자인해 포트폴리오를 제작한 경험이 구직에 혁혁한 공을 세웁니다. 적은 급여에 기술도 거의 배울 수 없는 출력소였지만, 대신 건축 사무소에서 나오는 설계도면들을 엄청나게 흡수할 수 있었기 때문이죠.

여러분이 전문성을 가지고 싶은 분야는 무엇이신가요? 우선 전문성을 가지고 싶은 분야를 하나 정했다면, 전체 공부 시간 중 10%의 시간은 계획에 사용해, 극단적이고 자발적인 프로젝트를 설계합니다. 대신 이때 꼭 직접 설계한 프로젝트를 통해 목표를 이룰 수 있을지 해당 분야에서 성공한 사람들과 대화를 나누어야 합니다. 과녁이 명확하더라도, 실제로 그 과녁에 도달하기 위한 과정 또한 실효성이 있는지 알아야 하기 때문이죠. 게다가 언제나 그렇듯, 실무자의 조언은 엄한 데에서 헤매는 것보다 훨씬 피가 되고 살이 됩니다.

개인적으로 데이터 분석 분야는 워낙 신생 분야이고, 기업의 크기/형태나 산업 종류, 축적 중인, 축적해 나갈 데이터에 따라 워낙 다르고, 같은 형태, 같은 산업 기업이라도 데이터 활용 목표가 다르면 특히 분석가에게 요구하는 역량이 달라지게 된다는 것을 저도 탐색을 통해 알게 되었는데요. 이에 도전하는 기업 담당자 혹은 내부자에게, 아니면 적어도 같은 산업 실무자 조언이 가장 적합도가 높을 수 있다는 결론을 얻었고, 이를 위해서는 다소 여러 번의 면접을 통해 얻게 되는 배움도 활용한다면 좋을 수 있다는 것도 알게 되었습니다. (추가적으로는 앞선 예시 내 성공 사례들처럼 직접적인 실무 경험도 무척 중요함을 배워 저는 현재 감사한 기회로 재밌는 스타트업에서 프리랜서로 근무하며 실무와 공부를 병행 중입니다.)

저 또한 학습 초기에 해당 분야 실무자분들을 링크드인에서 컨택해 초기 조언을 듣는 과정을 거쳤었는데요, 다만 조금 어려웠던 지점은 개인적으로 선택한 프로젝트에 대해 바쁘신 분들께 지속적으로 피드백을 받기가 다소 죄송스러웠던 점이었습니다. 이에 저는 데이터 과학 분야 준비자들이나 실무자들이 자유롭게 정보 공유를 하고, 의견을 나누며 네트워킹하는 멋진 오픈 카톡 네트워킹 방을 찾아 들어갔었고, (물론 페이스북 그룹들이나, 팟캐스트, 커뮤니티도 뒤졌습니다) 기초적인 질문을 하기도 하고, 국내 현황과 방향성에 대해서도 배우고, 클럽 하우스에서 적극적으로 질문을 나누고, 스터디 그룹들에 참여하기도 했었는데요, 그래도 가장 좋은 건 꾸준히 한 사람에게 피드백을 받는 것이라고 생각해서, 사내에 꾸준히 커뮤니케이션이 가능한 인력이 있다면 지속적으로 말씀 나누는 게 가장 좋을 것 같습니다.

다만 저는 개인적으로 이렇게까지 했어야 했던 이유 중 하나는 세일즈 분들께 컨택을 드릴 때와 다르게 데이터 직군 분야 분들 컨택이 2배는 더 어려웠기 때문도 있는데요, 정말 공부해야 하는 분량도 분량인데, 학습 내용에 따른 두 직군의 일반적인 성향도 많이 다름도 느꼈습니다. (내향&지식 탐구형--외향&사람 탐구형의 차이 느낌. 그래도 정중하고 예의 바르게 연락 드리면 친절하신 건 같습니다.)

이에, 아직 학생 신분이실 경우 동아리나 선후배 네트워킹, 공모전, 인턴십을 적극 활용하는 것도 좋을 것 같고, 꼭 데이터 분석 분야가 아니더라도 이렇게 원하시는 탐구 분야가 있다면, 그 분야만이 특수하게 가질 수 있는 특성을 인지하며 접근하는 것도 좋을 것 같네요.

2. 전략의 핵심을 항상 명심하기. 핵심? 강도와 자발성. 이를 위해 '직접 하기'와 '집중 하기'

저자는 프로젝트 설계 외에도 설계된 프로젝트를 제대로 학습하는 메타 학습을 위해 명심해야 할 3가지를 짚어 줍니다. '왜', '무엇', 그리고 '어떻게'를 구체화하는 것입니다.

'왜'는 학습에 있어서 방향성을 잊지 않게 도와주며, '무엇을'은 대상을 상기해 줍니다. '어떻게'는 당연히 수행해 나가는 방식이구요. 다만 이때 '무엇'에 해당하는 학습 대상을 다시 3가지로 쪼갭니다. 바로 '개념', '사실', '절차'로요. 어떤 대상이든 이 3가지로 분류해서 학습할 수 있다는 걸 인지하는 것만으로도, 앞으로 마주할 장애물과 그 장애물을 극복할 최선의 방안을 비교적 구조화해서 예측할 수 있다는 것이죠.

그리고 이렇게 배울 대상을 개념/사실/절차로 쪼갰다면, '직접 하기'와 '집중 하기'가 가장 중요합니다.

저자가 MIT 학부 온라인 학습을 할 때는, '개념 공부'가 아니라, '문제 풀이'에 초점을 맞췄습니다. 실제로 배운 내용에서 알짜 배기는 차근차근 개념 다지기도 다지기지만 그 부분을 실전에 응용할 수 있는지, 본질을 파악해 적용하는 것이었습니다. 다른 예시로 앱 개발을 공부한다면, 개발 언어만 배울 게 아니라 실제로 구동하는 앱을 직접 만들어 버리는 게 '직접 하기'일 수 있겠고, 발표 실력 향상이 목표라면 작은 경연 대회라도 나가는 게 직접 하기죠.

또 하나의 개념에 집중하고, 몰입 시간에 집중하는 것도 집중하는 것이지만, '가장 어려운 부분'에 집중해서 반복하는 것도 집중하기입니다. 모르는 부분, 헷갈리는 부분은 계속 어렵습니다. 그리고 이 어려운 지점은 이상하게도 완전히 짚고 넘어가지 않으면 자꾸 병목 현상이 되어요. 이에 모르는 부분을 다시 여러 조각으로 쪼개어서 그 쪼갠 것들을 다양하게 다시 시도해보고, 들여다보고, 반복해서 적용해주는 것을 통해 두려움도, 병목 현상도 없애 주는 거죠.

여기서 한 발 더 나아가면, 지금까지 어렵게 배웠던 개념들을 다시 '응용해 보는 것'까지 확장할 수 있습니다. 책에서는 "현재 가지고 있는 기술이나 자원에서 뻗어나가서 목표를 달성하기 위해 새로운 방법을 시도해야 하는가? 기본적인 사항들을 다 배우는 걸 넘어서 문제를 창조적으로 해결하는 독자적인 양식을 만들고, 다른 사람들이 탐색하지 못한 일을 하려면 어떻게 해야 하는가?"까지도 서술하는데요, 응용에는 이 질문들도 적용하면 좋겠습니다.

저는 그래서 여러 데이터 분석 강의 중에서도 Udacity 수업을 수강한 건, 실무 프로젝트 체험이 가능해서였는데요, 개념들이나 영어가 어렵고 수강료가 비교적 비쌌어도, 온라인 멘토들에게 피드백도 무제한으로 받을 수 있다는 점, 수업 퀄리티가 정말 양질이었다는 점, 실무 프로젝트로 포트폴리오 설계가 가능하다는 점 등이 무척 만족스러웠습니다. 다만 다소 아쉬웠던 점은 개인적으로 통계 부분이 계속 어려웠어서, 통계 심화 학습을 원하면, 해당 부분은 정말 석사 공부가 좋겠다고 생각했습니다. (그밖에는 코세라x구글 데이터 분석가 자격증, GCP 데이터 엔지니어 자격증을 공부 중인데, 자세한 학습 내용은 결과 확정 이후 다른 글에 정리하겠습니다.)

다만 통계는 전공자도 어려워한다는 점, 실무에서는 코딩/통계/수학 중 어느 하나라도 제대로 했으면 좋겠다는 점도 자주 들어서, 데이터 분석 공부를 하시는 분들은 이런 내용들도 참고하시면 좋을 것 같습니다. 또 굳이 데이터 분석이 아니라도 이런 업계 통용 상식들을 미리 알면 좋겠죠. 해당 분야에 전문성을 쌓을 때 주의점, 장단점 등을 미리 예상할 수 있으니요.

다만 저는 조금 아쉬웠던 점은 여러 프로젝트 (데이터 분석 외에도 개인 웹사이트 프로젝트 설계, 기타 스터디 참가, 단기 컨설팅 프리랜싱 참여 등)에 걸쳤었다 보니 '집중하기'에 물리적인 시간 확보가 조금 아쉬웠던 것 같아 해당 부분은 보완 중에 있습니다.

3. 마지막으로 출력 위주 학습 = 되새김질과 피드백

1) 단순 읽기/복습이 아니라, 회상을 통해 배움을 분출하고, 누군가에게 가르쳐 주기

2) 기억 장기화를 위해 일정 기간 후 스스로에게 퀴즈를 내주며 되새기기

3) 비판적인 피드백 피하지 말고 정직하게 피드백하고, Good/Bad 구분하기

비단 이 책에서 뿐만이 아니라, 학습 방법 중 가장 효과적인 학습 방법은 '출력 학습'이라고 하더라고요. 실험들에 따르면 여러 번 읽기 (복습하기), 형광펜 긋기 (강조하기) 등 그 어떤 일반적인 학습법도 그다지 효과가 없었습니다. 대신, 어딘가에 올라온 미니 퀴즈를 푸는 법 (그래서 이 방법을 응용하면 스스로 미니 퀴즈를 내주는 법) 혹은 나의 언어로 바꾸어 누군가에게 가르쳐주는 법이 가장 학습 지속 효과가 좋았습니다. '배워서 남주자'는 말이 괜히 어렸을 적 학급 간판에 걸려 있었던 게 아니었던 거죠. 사실 누구나 경험이 있겠지만 돌이켜 보면, 새로 배운 무언가를 (심지어 자잘한 소식이라도) 누군가에게 가르쳐 주면 가르쳐 줄수록 내 기억이 더 또렷해지는 건 굉장히 익숙하잖아요?

추가적으로 기억 장기화를 위해 위 원리들을 조합하는 것도 좋은 방법 같아요. 1) 퀴즈 내주고 2) 얼마 후에 누군가에게 가르쳐 주고.. 이렇게 2가지 방법을 중첩해 활용하는 거죠. 이후 제가 강의 하나를 중심으로 공부하는 스터디를 기획한다면, 그때는 돌아가면서 챕터 별로 퀴즈를 내고, 퀴즈에 대해 문제 풀이를 해주며 서로를 가르쳐 주는 스터디를 만들 것 같습니다.

마지막으로 '피드백'입니다. 내가 어떤 부분이 약하거나 부족한지 비판적으로 들여다보는 과정입니다. 사실 부족한 게 너무 많으면 맥이 빠지기도 하지만, 그럴 때면 '결과'가 아니라 '과정'에 초점을 맞추었습니다. 다행히도, 또 감사하게도, 코딩을 하다 보면 같은 결과 값도 다양한 방식으로 도달할 수 있어서요, 여러 답안(풀이법?)이 있는 웹 문서들을 접하게 되는데, 저는 이런 과정 지향적 접근 방식이 참 흥미로웠습니다. 아직 저도 코딩-잘-러(+ er) (=코딩 잘하는 사람)가 되기에는 갈 길이 남았고, 오히려 공부하다 보니 제가 과연 이 분야로 평생을 먹고살 것인가는 조금 더 탐색 중이지만요.

다만 어떤 분야든 독학으로 진행할 때 주의점은 '피드백 환경'을 어떻게 세팅하냐인 것 같습니다. 저 역시 온라인 코스였다 보니, 외부 피드백 환경이 즉각즉각은 아니었기에 스스로 이렇게 저렇게 구현해보고 질문 게시판을 통해서 일정 시간 후에 피드백을 받았었는데요, 즉각적인 피드백이 중요한 분야라면 이런 피드백 환경을 신중하게 조성하는 게 중요할 것 같습니다. 아, 추가적으로 저는 개인적으로 간략하게 KPT를 작성하며 매일 회고를 하기도 했어서, 이런 부가적인 방법도 도움 될 것 같네요.

요즘과 같은 정보 홍수 시대에, 어떤 분야에서 전문가가 될지, 고민하는 것 자체도 어쩌면 어려운 일인 것 같습니다. 다행인 건, 그 정보 홍수 덕분에 이런 책도 접해보고, 단 시간에 전문가가 될 수 있을까, 될 수 있다면 어떻게 될 수 있을까 고민하는 과정이 뜻깊다는 것이에요. 그래도 독학은 여전히 어렵지만, 한 텀을 통해서 자기 자신에 대해서도 알 수 있기에 그 한 텀을 잘 기획만 한다면, 소중한 시간이라고 생각합니다. 뭐든 해보는 게 안 해보는 것보다 얻는 게 많은 것도 사실이고요. 해서 위와 같은 제 시행 착오로 좀 도움이 되시면 좋겠네요.

또 개인적으로 요즘 같은 때에 한 분야 전문가가 되려면, 이제는 단순 정보 조합을 넘어, 그 조합 정보로 이 세상에 어떻게 색다를 가치를 더할지, "차별화된 생산자"가 되는 법을 계속 고민하는 게 가장 빠른 방법 같기도 했어요. 가치를 조합하는 여러 시도로 세상에 다양한 실험을 내놓으면서, 그 출력 실험들을 다시 여러 번의 피드백 기회로 삼는다면, 엄청 의미 있지 않을까 싶네요. 다만 이 때 어떻게 피드백을 받을 건지, 어떤 피드백을 의미 있는 피드백으로 여길 건지는 생각해보아야 겠지만요.

그래서 내년은 짧은 글들로 여러 번의 실험들을 해야겠고, 좀 시스템화 해야 겠어요. 그런 의미에서 오늘날은 실험하기 딱 좋은, 누구나 전문가가 되기 쉬운 감사한 환경이 아닐까 합니다. 역시, 가장 고픈 건 시간과 자원이겠구요 ^^ 하하.

아무튼, 위 3가지를 명심하며 2022년은 원하시는 어떤 분야도 전문가가 되는 발판을 함께 만듭시다.

https://digital.kyobobook.co.kr/digital/ebook/ebookDetail.ink?selectedLargeCategory=001&barcode=4801162541280&orderClick=LEa&Kc=

그래도 관심 있으신 분들께 위 책 일독과 구매를 강추합니다.

아직 어떤 분야 전문가가 될지 못 정했어도

정하기만 하면 어느 분야든 전문가가 되겠다는 근자감은 확실히 배우는 것 같아요.

ㅋㅋㅋ 농담이고, 고강도 학습법에 대한 풍부한 예시와 방법이 들어 있어 무척 좋습니다. 지금도 되새길겸 다시 보며 이 글을 작성 중인데, 돌이켜보니 저의 학습 적용에는 부분부분 아쉬움도, 잘했던 부분도 있었던 것 같아 다음에는 이 책 방법들을 어떻게 철저히 따라하며 제 프로젝트를 설계해볼지 고민함이 무척 좋네요.

(물론 실천은 별개라서 정말 정문가가 되려면 실천에 옮겨야 합니다..!)

그럼 오늘도 읽어 주셔서 감사합니다 :)

keyword