데이터 분석가에게 필요한 '4가지 역량'
코딩, 통계 말고 또 뭐?
데이터 분석가에게 필요한 '4가지 역량'에 대한 이야기
데이터 분석가는 기술적으로 데이터를 '분석'하는 것 외에도
단순히 기술적 분석으로만 끝나지 않고, 비즈니스에 연결될 수 있는 '관점'을 제시하며
데이터를 알아듣기 쉽게 '설득'하는 과정도 필요한 일이다.
그래서는 나는 이걸 크게 다음과 같이 구분한다.
(1) 기술적 역량
(2) 해석적 역량
1. 기술적 역량 (코딩 & 통계)
1-1. 코딩 (Coding):
Python과 SQL을 함께 학습하는 것을 추천.
1-2. 통계 (Statistics):
코딩 과정에서도 물론 통계를 다루지만
그 수준을 넘어, 통계적 분석 기법에 대한 깊이 있는 지식을 습득하면
데이터 분석에 큰 도움이 된다.
2. 해석적 역량 (마케팅 이론 학습)
2-1. 마케팅 공부
뜬금없이 뭔 마케팅이냐고 할지 모르겠지만,
역사적으로 마케팅만큼 데이터를 깊이있게 연구하고 실제로 적용한 분야도 없다고 생각한다.
관점 확장:
다루는 데이터 영역이 소비자가 아니더라도,
마케팅 이론을 공부하면 데이터를 바라보는 관점을 넓힐 수 있다.
역사적 배경
데이터가 대중적으로 회자되기 시작한 여론 조사나 마케팅 조사의 역사는
빅데이터 시대(2016년 경부터 대중화)보다 훨씬 오래되었으며 (미국 약 80~90년, 한국 약 40~50년),
이 과정에서 데이터 기반의 역량이 발전해 왔다.
실행과의 연결
데이터 분석 결과를 실행에 옮겨야 하는 사람들이 주로 마케팅적 지식과 맞닿아 있는 경우가 많으므로,
마케팅 공부를 통해 데이터를 구조화하고 이론화된 내용을 이해하는 것이 중요하다.
마케팅 공부는 관련 책들을 읽어보는 것을 추천하는데, 기회가 된다면 별도로 다루도록 하겠다.
2-2. 문서 스킬 (전달 능력)
데이터 분석 결과를 설득하는 대상은 항상 데이터 분석을 잘 모르는 사람들일 경우를 전제해야 한다.
이들에게는 분석 결과를 코드만으로 제시할 수 없기 때문에,
듣는 사람이 편한 구조(파워포인트, 엑셀, 워드 등)로 결과물을 담아낼 줄 아는 능력이 중요하다.
데이터 분석 결과를 문서화 과정에서
분석한 내용을 구조화하고 문장을 쓰는 연습을 통해
해석적인 역량이 함께 향상될 수 있다.
많은 사람들이 데이터를 해석하는 것이든, 보고서를 작성하는 것이든
이제 AI가 다 해주는데 새롭게 배워야 할 필요성이 있냐고 묻는다.
그런데 챗GPT 같은 도구에게 분석이나 해석을 맡기더라도,
그 결과를 무비판적으로 수용해서는 안된다.
잘못된 결과로 이어지지 않도록 스스로 검증하고 모니터링하려면,
분석가가 먼저 생각할 줄 아는 힘을 갖춰야한다.
