데이터 교육의 문제점을 어떻게 개선할 수 있을까
데이터 활용의 현장과 교육은 어떤 모양으로 분리되어 있을까
새로운 교육과정을 준비하고 있습니다. 이 시점에 가장 효과적인 데이터 역량 학습 프로그램은 어떤 모양일까. 어떻게 해야 데이터 교육에서 단기간에 가장 효과적인 성장을 이루게 지원할 수 있을지에 대해 고민해왔습니다. 이 글은 저의 고민과정에서 나름대로 찾은 지점에 대한 회고와 공유입니다.
일반적으로 기존의 데이터 관련 교육은 R, 파이썬 라이브러리 구현 위주로 진행됩니다. 단기간에 학습이 가능한 그럴듯한 결과를 보여주는 데 초점을 두고 있고, 선형적인 방식으로 순서대로 운영합니다. 공공데이터 또는 이미 레이블된 데이터로 프로젝트를 진행합니다. 학교에서 배우는 것과 유사하고, 특별히 다른 경험도 주지 않습니다.
실제로 데이터에 기반한 현장은 어떨까요. 보통은 문제를 정의하거나 개선하기 위해 데이터를 활용합니다. 문제를 먼저 마주하고 해결하기 위해 주변에 물어보거나 도움을 요청하고, 즉각적인 결과를 얻기 위한 야생형태의 학습을 진행합니다. 일반적으로 교육현장에서는 순서대로 공부하며 진행하고 문제를 마주하게 합니다.
실무에서 데이터를 이용한 문제해결 과정과 괴리가 있습니다. 또한 대부분의 조직에서 즉시적으로 활용하지 않는 과도한 수준의 엔지니어링 요소를 주입식으로 교육함으로써 기술 난이도는 커서, 학습의 동기와 성장은 무너지는데 반해 실전적 활용이 어려운 현상이 발생합니다. 학습의 기간을 연장하거나 엔지니어링 코스로 계획을 변경하기도 합니다.
<데이터 분석 교육의 현실 : 요약>
1. 단기간에 학습이 가능하고 그럴 듯한 결과가 보이는 라이브러리 구현 위주의 교육
2. 공공데이터 또는 가상의 데이터로 분석을 진행하여 실무 환경의 데이터를 이용한 문제해결과 괴리가 큼
3. 실무의 데이터 분석은 비선형적 모형의 야생형태로 진행되는 데 반해, 교육에서는 순서가 있는 선형적인 모형으로 내용을 완결한 뒤에 문제에 접근하는 현장을 도외시한 교육이 일상화되어 있음
4. 데이터 분석 역량과 직접적으로 관련이 적은 과도한 수준의 엔지니어링 요소 학습으로 학습의 난이도는 높으나 실전의 적용이 어려운 문제 발생
데이터 분석은 보통 그 자체로 기능하는 것이 아니라 실무에 필요한 프로덕트나 제품을 만들어내는 데 기여하거나 성능을 향상시키는 데 도움을 줍니다. 최근 신입 데이터 분석가 수요가 줄어들고, 각 직무에게 공통적으로 데이터 역량을 요구하여 조직 전반의 데이터 활용 수준을 올리려는 움직임도 이를 반영한다고 생각합니다. 또한 실무의 데이터 분석은 동료들과 협업을 통해 진행하게 됩니다.
왜 분석을 해야 하는지, 어떤 분석방법을 사용해야 하는지, 어떻게 보여줘야 할지 등에 대해서 협력과 설득을 기반으로 점차 나아갑니다. 일반적인 교육과정에서 고려되지 않는 부분입니다. 데이터 분석은 기술적 요소 뿐만 아니라 커뮤니케이션 능력과 같은 소프트 스킬도 필요한 비즈니스 현장의 일입니다. 협력과 설득 능력을 성장할 수 있도록 설계하고 지원하는 것이 데이터 교육 과정에서 아주 중요하다고 생각합니다.
위에 제시한 문제점과 현상에 대한 의견을 바탕으로 해결방안을 만들었습니다. 거의 모든 문제에 대한 답이 그렇듯이 도출한 내용을 정답으로 여기지 않고, 지속적으로 개선하며 성장해나가고자 합니다.
<해결방안>
1. 현실의 데이터와 문제에 기반해 미션을 설정하고, 한계 속에서 구현하며 학습과정과 동기수준을 이어갑니다.
- 일반적인 방식 : 학습 → 프로젝트 → 실무 → 운영
- 추구하는 방식: 문제/데이터 → 프로젝트 → 학습 → 피드백 → 성장
2. 실무의 데이터를 기반으로 그로스 해킹 전략에 기초한 짧은 실험의 반복으로 서비스와 프로덕트 개선에 집중하는 데이터 분석 역량 성장을 지원합니다.
3. 실무 전문가/동료들과 커뮤니케이션과 피드백을 반복하면서 설득과 협업역량을 성장하며 팀 기반의 학습과 성장을 이어갑니다.
4. 데이터를 이용한 문제해결에 직접적으로 작용하는 요소를 정의하여 학습기간 내에 ‘데이터를 이용한 문제해결’ 경험을 집중적으로 성장하도록 운영합니다.
- 핵심요소 : 데이터 분석을 위한 실험설계, 실험 중심의 데이터 기반 문제 해결, A/B테스트와 통계 분석 및 기술적 요소(프로그래밍, SQL, 깃, BI 툴), 협업/설득 역량
데이터 관련 업계에서 눈에 보이는 성과를 내고 있거나, 데이터 역량을 성장하고 있는 조직들은 그로스 해킹 방법론을 도입하고 있는 경우가 많습니다. 보다 정확하게 보자면, 그로스 해킹 방법론의 철학을 활용하여 짧은 주기의 실험을 반복하며, 가설을 검증하며, 데이터를 쌓고, 서비스에 유의미한 지표를 찾아 반영합니다.
교육은 실무의 환경과 성장의 방식을 적절하게 가져오거나 시뮬레이션 해야한다고 생각합니다. 실무에 적응하기 위한 별도의 절차를 제거할 수 있습니다. 그래서 짧은 주기의 실험을 반복하며 커뮤니케이션과 피드백을 통해 기술적 요소와 비기술적 요소에 대한 성장을 효과적으로 할 수 있도록 운영할 계획입니다.
아직 명쾌하게 해결되지 않은 아래 고민도 있습니다.
“짧은 시간에 데이터 전문성을 더하려면, 각 스킬별 적정 수준은 어느 정도일까”
“각 직무에게 공통으로 요구되는 데이터 역량의 최적 지점은 어디일까”
“프로젝트에서 개발자를 비롯한 특정 직군에 부하가 몰리지 않으려면 어떻게 해야할까”
“온라인 학습에서도 협업과 설득능력을 쌓게 하려면 어떤 설계를 하면 좋을까”
적절한 아이디어와 개선방안이 있다면 언제든 귀띔주세요. 환영합니다.
이 글은 앞서 말씀드린대로, 저의 고민과정에서 나름대로 찾은 지점에 대한 회고와 공유입니다. 정답이라고 생각하지 않고, 모두에게 유용하다고 여기지 않습니다. 이런 생각의 지점도 있다고 여겨주시면 감사하겠습니다.
