데이터로 일하는 사람들
BA, DA, DE, DS
데이터 분석가로 일을 한다고 하면 받는 여러가지 질문들이 있는데, 그 중 가장 많이 받는 질문 중 하나가 바로 Data Analyst와 Data Scientist의 차이이다. 데이터 분석을 처음 공부하시는 분들은 충분히 헷갈리수도 있는데 회사마다 요구하는 스킬이 가지각색이기 때문이다. 특히 한국의 Data Analyst 공고를 보면 Data Scientist 들이 할 수 있는 머신러닝 알고리즘이나 통계 분석을 요구하는 경우를 심심치 않게 보았다.
1. Data Analyst vs. Business Analyst
두 Role 모두 경험해 본 바에 의하면 결국엔 Data와 Business의 비율인 것 같다. Data Analyst는 Data:Buisiness가 8:2 정도 되는 것 같고, Business Analyst는 Data:Business가 3:7 정도 인 것 같다. Business Analyst는 Insight Analyst, Intelligence Analyst 등으로 불리는 것 같고 아마존에 있는 Business Intelligence Analyst는 BA와 DA의 중간 즈음 인것 같다.(아마존에서 테크 직군으로 분류 되는 것으로 알고 있다). 데이터 활용이 보편화되면서 비즈니스 팀에서 데이터를 다루는 역할은 모두 Business Analyst로 볼 수 있을 것 같다.
사용하는 Tool을 비교해보면
- Data Analyst: SQL, Python, Tableau, git, AWS Cloud
- Business Analyst: Excel, SQL, Tableau
주로 하는 일을 보면
- Data Analyst: 데이터 전처리 및 검증
- Business Analyst: 비즈니스 인사이트 도출 및 실행
2. Data Analyst vs. Data Scientist
2023년 현재 데이터 사이언티스트와 데이터 분석가의 가장 큰 차이는 머신러닝을 하냐 안 하느냐 인 것 같다. 아직까지 데이터 분석가에게 머신러닝을 이용한 데이터 분석을 요구하지는 않는다. 아마 가까운 미래에는 요구되어 질 것 같긴 하다. 데이터 사이언티스트는 분명하게 그리고 아주 잘 머신러닝과 통계 모델링을 돌릴 줄 알아야 한다고 생각한다. 특히 요즘 비전공자 출신에 2년제 데이터 사이언스 석사를 졸업하고 바로 데이터 사이언티스트로 취업하신 분들을 종종 보았는데 2년이라는 짧은 기간에 컴퓨터 공학과 프로그래밍, 통계지식 그리고 머신러닝까지 하기란 쉽지 않다고 생각한다. 확실히 컴퓨터 공학이나 수학,통계학을 전공한 박사분들이 하는 것과는 깊이의 차이를 많이 보았다.
사용하는 Tool을 비교해보면
- Data Analyst: SQL, Python, Tableau, git, AWS Cloud
- Data Scientist: Python/R, AWS Sagemaker
주로 하는 일을 보면
- Data Analyst: 데이터 전처리 및 검증
- Data Scientist: 머신러닝을 활용한 분석 및 통계 모델링
3. Data Analyst vs. Data Engineer
Data Engineer는 Database 관리 및 Data Pipeline을 설계하는 일을 하고 있다. 그래서 Data Analyst와 같이 일을 많이 하지만 하는 일을 완전히 다르다. DB에 대한 폭 넓은 지식이 필요하고 Business 와 관련된 일은 잘 하지 않는다. 내가 같이 일했던 Data Engineer는 주로 인도 출신들이 많이 있었다. Data Analyst와의 관계가 잘 형성되면 큰 시너지를 낼 수 있지만 종종 서로의 이해관계가 얽혀 커뮤니케이션 하는데 유의해야 한다.
사용하는 Tool을 비교해보면
- Data Analyst: SQL, Python, Tableau, git, AWS Cloud
- Data Engineer: Jenkins, Airflow, Snowflake, Hadoop
주로 하는 일을 보면
- Data Analyst: 데이터 전처리 및 검증
- Data Engineer: 데이터베이스 구축 및 파이프라인 설계
