brunch

매거진 데이터 분석 스터디 매거진

라이킷 32 댓글 5

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 오미셸 Michelle Apr 05. 2021

[커리어 탐색 인터뷰 모음] 데이터 분석가가 되는 법?

21.04.05 - 일주일에 커리어/자기 계발 글 하나 발행 - 5편

요즘 핫하다는 분야로는 AI, 데이터 분석 등 많은데요, 특히 데이터 분석은 편향되지 않은 데이터를 쌓기 시작하는 것에서부터 (데이터 = 예전으로 따지면 노다지 그 자체인데 인공 지능에 끊임없이 공급되어야 하기에 인공 지능 기술 발전의 핵심 연료이기도 하죠)

그 데이터들로 어떤 비즈니스 문제를 어떻게 정의하고 어떤 각도에서 들여다보며 어떤 식으로 풀어갈지... 때로 논리적인 스텝으로, 때로는 더 거시적인 관점에서 가설을 세워 세상을 바라보는 관점을 주기에 무척 매력적인 분야 같아요.

이에 오늘의 Pay It Forward는 올초 짧게 연락을 나누게 된 6분의 데이터 사이언티스트 분들/애널리스트 분들로부터 배운 점 정리입니다.

막연히 해당 직군에 대해 환상에 가까운 호기심을 갖는 것보다 진실을(?) 마주하고 실무자를 인터뷰하는 것이 얼마나 중요한지 깨닫는 시간이었습니다.

( 다만 이번 글은 독자분께서 데이터 사이언티스트, 엔지니어, 애널리스트, 비즈니스 애널리스트까지 4개의 세부 직종에 대한 이해는 있다는 가정 하에 쓴 글임을 미리 알리며 시작합니다 :)) )

들어가는 입구..!

1. 진입 ;

통계학과, 컴퓨터 공학과, 기타 공학과 등 주로 이과 계열에서 학부를 졸업하는 경우가 많고, 경영학과는 문과에서는 마지노선 느낌이기도. 학부 출신이라면 소비자학과 등 통계학이 연관된 곳도 연계 가능. 도메인 지식, 기술 역량 (코딩 등), 통계 지식 모두가 필요한 분야인데 세 분야를 다 잘하는 사람은 거의 존재하지 않는다고 봐도 되지만 하나를 제대로 하는 사람도 시장에 드문 게 지금의 현실. 뒤집어 말하면 적어도 하나라도 제대로 하면 경쟁력이 있음.

또 일반적으로 경력직들 중에서 직무 전환을 원하거나 일반 문과생이어도 취업 연계를 위해 국내 학원에서와 같이 데이터 사이언스 수업을 많이 듣기도 함.

2. 능력치 ;

1) 영어 / 수학

영어나 수학은 잘하면 잘할수록 좋음. 수학은 미적분을 풀 줄 아는 고등학교 수준 기준으로 이과 정도 수학이면 충분할 수도 있는데, 알고리즘이나 논리가 필요할 때 수학적인 사고가 도움이 많이 되기 때문이고, 영어는 많은 문서들, 자료들이나 논문들이 영어로 되어 있고 커뮤니케이션도 영어를 잘할수록 좋기 때문. 영미권 국가에서 석사를 따는 것은 미국 석사는 미국 대학의 Cashcow 이기도 해서, 이후 현지에서 업무를 할 생각이 있다면 플러스알파이고, 국내 대학원 등에서는 랩실 업무 등 학업 외적인 업무를 해야 하는 것도 있다면 그에 비해서는 자유롭지만, 비싼 편.

2) 코딩 / 통계

코딩은 기본인데 하면서 자신의 작품을 공개된 장소에 꾸준히 올리는 것을 추천. 코딩은 무료로 배우고 실습하고 예제 풀고 하는 것도 요즘 엄청나게 많으니 웹을 잘 활용. 통계는 잘하는 사람도 시장에 많지 않아서 오히려 데이터 사이언티스트보다 비즈니스 애널리스트나 데이터 애널리스트를 하고 싶다면 통계를 잘하는 것도 한 방법. R은 통계 툴이라 연구나 마케팅에서 고객 분석하는 경우 아니면 데이터 베이스 언어로는 SQL을 도 많이 씀. 사실 기업에서는 코딩하는 사람보다 통계를 하는 게 더 중요(? 하고도 귀한? 능력). 그래도 코딩은 기본 이상으로 할 줄 알아야 함.

3. 자가 학습을 위해 들을 수 있는 수업 ;

1) 영어가 아직 어렵다면 ;

요즘은 국비 지원 수업들도 많은데 문제는 어떤 국비 지원 수업을 듣느냐도 관건. 강사분도, 강의 품질도 모두 보장된 국비 지원 수업을 잘 찾아서 듣는 게 필요하고, 내가 뵈었던 엔트리 레벨 두 분 다 공교롭게도 국비 지원 프로그램을 수강하셨었음. (TMI, 한 분은 데잇 걸즈는 전에 나도 관심 있게 보고 지원해볼까 고민하던 프로그램이었는데 당시 업무 중이라 퇴사할 용기는 못 냈는데 어떤 분들은 퇴사하고도 와서 놀랐다고 하셨고, 한 분은 멀티캠퍼스 국비 지원 프로그램 들으시다가 정규직 제안 받으셨다고..!)

물론 어떤 프로그램이 국비인 줄 모를 수 있지만 잘 찾아보면 몰랐는데, 알고 보니 국비 프로그램도 있고, 데잇 걸즈는 프로젝트 연계가 잘 되어 있어서 실무 체험에도 좋기 때문에 추천할 만 함. 더불어 사실 강사분도 어느 정도 실무 경험이 있는 분인 것을 추천한다고. 실무 경험이 있고 없고 가 가지는 수업의 질 차이가 크다고.

2) 영어가 가능하다면 ;

공통적으로 이력에 많이 보였던 건 Coursera, Udacity, Lynda.com 순. Coursera는 아무래도 대학교 스타일로 정돈된 강의형 수업들이 많고, Udacity는 3달 프로그램으로 (현업과 같이 듣기에는 힘들고 가격도 비싸지만) 실무형 프로젝트가 있어 응용을 배우기에 좋고, 린다닷컴은 실무자 눈높이 맞춤+링크드인 연동에 좋음.

다만 가격대가 높으면 어떻게 했나? 학생이셨던 분은 각 사이트의 프로모션 기간을 노리거나 여러 아이디로 프로모션 쿠폰에 도전하는 등(ㅋㅋㅋ) 찾아보면 방법은 있다.

(사견 ; 다만 더 높게 도전하고, 기왕 업무를 더 잘해볼 요량이라면, 영어로 수업 듣는 게 아무래도 다양한 논문 읽고 하는데 좋지 않을까 싶었다. 경력자분들께서는 하나같이 영어를 상급 이상으로 잘하시는 느낌이었다. 공대 석사 논문 모두 영어로 읽으시고 우수한 성적으로 졸업하시거나, 고등학교까지 해외에서 유학을 하셨거나, 졸업 후 첫 직장이 온갖 리써치를 밤늦게까지 영어로만 하는 컨설팅 펌이었던 것은 꼭 기재하고 넘어가야 할 부분 같다.)

4. 실무와의 연계

어떤 식으로든 현업과 연관되는 프로젝트에 참여하면 좋음.

- 심지어 어떤 분은 국비 프로그램에서 실무 프로젝트를 끝내시기도 전에 정규직 전환 제안을 덜컥 받으셨다고. 어떻게? 전에 아르바이트를 했던 기업에서 연락이 온 건데, 그때 기업도, 이 분도 모두 좋은 경험으로 남아 있었어서 가능했다고. (단, 운이 좋으셨던 것은 해당 기업의 기업 문화가 쥬니어가 성장하기에 좋아서 다양한 것들을 물어보실 때 선배님들의 도움을 많이 받으셨다고. 사견 ; 가능하다면 이렇게 아르바이트나 인턴으로 기업 문화를 들여다 볼 수 있다면 더욱 플러스인 듯)

- 한 분은 원래 인턴으로 입사해서 재무 데이터 업무를 배정받아 처음 쿼리를 배웠고, 실력이 늘자 데이터 애널리스트로 전환된 케이스.

- 데이터 분석가는 되고 싶은데 아직 데이터 분석가 역량이 갖춰져 있지 않다면? 데이터 분석가가 하는 업무 중 연관이 되는 보조 업무라도 할 수 있는 곳에서 경험을 쌓는 것도 방법. 그럴 경우 데이터 분석 포지션 충원이 필요할 때 당연히 내부에서 먼저 알만한 사람으로 우선 충원하기가 쉽기 때문.

또 내가 더 해보고 싶은 업무가 있다면 사내에서 꾸준히 말하고 다니거나, 다른 분들 도와드리면서 기회를 보는 것도 방법. 그렇게 밑 작업(?)을 해두면 나중에 필요할 때 아무래도 떠오르는 사람이 될 수밖에 없음.

“요는 어디에서 기회가 올지 모르나 관련성이 있는 밭(?)에 가서 구르고, 나의 쓸모와 가치를 센스 있게 어필하며 실력을 갈고닦는 게 좋은 듯.”

기대치와 이상향을 나타내고 팠는데 적절한 사진을 못 찾아 오늘은 기대하는 미어캣 정도로 할게요~^^

5. 실제 업무에서 기대와 달랐던 점.

- 엄청 멋진 기술자가 될 수 있을까? 실무에서는 사실 데이터를 전처리하는 과정이 일과 중 굉장히 많고 기본적으로 테이블에서 데이터를 뽑아 가공하고 분석함.

- 회사에 따라, 팀에 따라 분위기가 다른 것은 어디나 같겠지만, 중소기업에서의 데이터 직군은 혼자 PM이자, 커뮤니케이터이자, 데이터 분석가이자, 엔지니어이자 N잡일 수 있음. 대기업에서 데이터 직군도 프로젝트를 큼직하게 전달받으면 어디서부터 뭘 해나가야 할지 세부적으로 혼자 힘으로 설계해 나가야 할 수도 있음. (아마 신생 분야라 사수가 있기 힘들거나 있어도 가르쳐주기에 너무 바쁘거나 일 것 같은 개인적인 생각. 그러면서 드는 생각이 이 경우 데이터 분석가 한 명 한 명의 능력치뿐만 아니라 편향 없는 데이터를 위해 기본적인 사회적인 양심 등이 얼마나 중요할지 싶었음)

- 계속 새로운 것들을 배워야 함. 재밌을 것 같다고 많이들 생각하는데, 사실 배워야 할 게 너무 많음. 석사를 하고 나서도 계속 공부 필요. 이런 성향이 안 맞는 사람은 안 맞을 수밖에. 적어도 페이가 높다고 도전할 분야라기보다 자신의 기본 성향은 알고, 그 성향과는 맞아야 한다.

- 다시 언급하지만, 기술이나 통계는 학교에서 배우는 기본기가 굉장히 중요함을 잊지 말자 (별표 별표)

기타 참고 사항

1) 엔트리 레벨로 도전하고 싶다면 SQL 이 필수고 github에서 많은 예제 연습 추천. (알고리즘은 프로그래머스에서 연습 가능.)

2) 파이썬도 numpy, pandas 정도 하면 수치 분석에 많은 도움이 되고 엑셀은 기본적으로 잘해야 하는 것.

3) 시퀄 문법은 한 달이면 공부하니 예제 많이 풀면서 join에 따라 데이터가 어떻게 나오는지 연습 많이 해주면 됨.

4) 데이터 분석에는 통계, 코딩뿐만 아니라 비즈니스적인 로직이 많음. 통합적인 뷰를 많이 담아야 함.

5) 왜 데이터 공부냐? 했을 때 ‘기술을 가지고 세계 어디에서든 일하고 싶어서’여도 노력하면 기술을 연마할 수 있음.

6) 직무에 어울리는 성향? 꼭 미친 듯이 좋아해야만 업무를 할 수 있다기보다 업무량이 많다 보니 꾸준히 공부하면서 동시에 많은 프로젝트에 참가할 수 있는 PM 성향이 있는 사람들이 어울리지 않을까. vs 하지만 누구든 원하고 꾸준히 잘만 준비한다면 수요가 많아서 엔트리 도전도 해볼 만하지 않을까.

7) 데이터 분석 출신이 가장 많은 쪽은 통계 수학 산업공학.

8) 가장 중요하고 자주 쓰이는 수학적 개념은 리니어 리그레션, 랜덤 포레스트. 수학을 얼마나 알아야 되는지? 수학 통계 쪽의 새로운 논문을 읽을 줄 알 정도, 계속 새로운 논문을 읽어야 함.

9) 기본 모델을 아는 것의 중요성 ; 제한된 데이터에서 데이터를 제대로 이해하고 맞는 모델을 가져다 쓰는 게 필요한데 뭘 갖다 써야 되는지 모름.

10) 기본 모델을 제대로 아는 것의 중요성 2 ; 원하는 비즈니스 골을 달성해야 될 때 원하는 정확도와 모델은 무슨 상관인지, 모델 정확도를 높여야 되는데 어떤 정확도를 높일지 센스가 있어야 함.

11) 구축 단계에서부터 제대로 잘 되어 있어야 데이터가 의미가 있고, 비즈니스적으로도 연결이 잘 되려면 문제를 잘 정의해야 데이터가 또 의미가 있음.

이상, 오늘은 많은 정보로 다소 숨이 가빴는데요, 요즘 핫한 분야이니 만큼 인터뷰를 잡는 일이 정말 쉽지 않았지만 감사하게도 낯선 이의 연결을 받아주시고 손 내밂에 응해 주신 분들과 감사하게도 인터뷰어분들을 추천해주신 지인들 덕에 세상은 그래도 멋진 곳이라는 것을 깨달은 소중한 시간이었습니다. (아직 3-4분 더 인터뷰 잡아주신다는 기회가 있는데 요즘 저의 체력의 한계로 그분들은 추후에 다시 뫼셔볼 요량입니다.)

다시금 인터뷰 때의 기억을 떠올릴 수 있음에 감사하며, 오늘도 읽어 주신 분들께도 감사를 전하고 부디 저처럼 새로운 방향을 고민하시는 분들께 현실적인 길잡이가 되기를 소망합니다 :)

동시에 저도 이 글을 나누면서 저만의 분야에 전문가가 되는 날을 꿈 꾸고, 진짜 꿈도 꾸러 가야겠어요

오늘도 고생 많으셨습니다 :)

** 인터뷰에 참여해주신 분들의 개인정보 보호를 위해 프로필은 간략히 정리합니다. :)

1) 엔트리 레벨 (이라고 쓰지만 거의 주니어 급) 3 분 - 경영학과 졸업 & 데이터 애널리스트 정직원으로 업무 중 / 경제학과 졸업 & 데이터 애널리스트 인턴 후 정직원 전환 / 산업 공학 졸업 & 정직원 전환 전 해당 회사에서 아르바이트 경험 있던 상태에서 전환

2) 주니어 레벨 (이라고 쓰지만 역시 웬만한 경력직 급 이상이셨던) 2 분 - 한 분은 경제학, 응용 통계학 학사 졸업 & 데이터 분석 외에도 다양한 분야 인턴, 실무 후 미국에서 응용통계학 석사 & 머신러닝 시간제 근무 후 Coursera, Udacity, 린다닷컴 등에서 다양한 강의 수강 후 데이터 사이언티스트로 정규직 입사. 다른 한 분은 컨설팅 펌, HR 재직 후 스타트업으로 이직, 팀 내 데이터 정리하는 어드민 쪽 업무를 하시다가 데이터 애널리스트로 포지션 전환