커피챗을 통한 DA 현직자와 질의 응답 후기: '명쾌 그 잡채였다..'

데이터 3직무에 대해서 나름대로 유튜브, 블로그 등을 통하여 많이 찾아봤지만 불명확한 부분들이 있었다. 

그리고 내 방향성을 잡는 것에 이미 먼저 업계에 있는 멘토가 슬며시 길잡이가 되어준다면.. 얼마나 좋을까?라는 생각으로 커피챗을 신청했다.

 

내가 물음표 살인마였음에도 불구하고 시간을 꽉꽉 채워서 답변해 주시고, 누구보다 속 시원하게 답변해 주신 멘토님께 감사의 말씀을 드립니다.. :)

 

내 질문은 크게 5가지였고, 이에 대한 멘토님의 답변과 내 생각을 함께 정리해 보았다.

 

이 커피챗을 통해 내 방향은 한층 더 뚜렷해졌다. 구체적으로 User / Product 분석에 대한 포트폴리오를 쌓을 수 있는 방법을 알아보고, 서비스 지표에 대해 공부해야겠다고 마음먹었다!

---

Q1. 현업에서 느낀 DA / DE / DS 직무 소개 및 차이점

 

 

1. Data Analyst

•  가장 다양한 업무를 하는 직무 (회사 방향성에 따라 원하는 직무역량이 다르고, 수행하는 역할도 다르기 때문)
• 보통 전략/기획 쪽과 비슷한 방향성을 가지고 있음
• 개발자와 가장 거리가 멀다고 볼 수 있음

2. Data Engineer

• 가장 개발자에 가까운 직군 (백엔드 개발자와 비슷하다)
• DB를 구축하는 업무를 수행하는데 보통 두 가지로 나뉘며, DE는 '분석을 위한 DB를 구축' 함
• '분석을 위한 DB를 구축'이란, 분석을 잘하기 위해 (DA, PO와 같은 유관인원이 데이터를 잘 볼 수 있게) 데이터 흐름을 만드는 작업 혹은 ML이 오류 없이 잘 돌아갈 수 있도록 sink를 맞추는 일 
• 사업/서비스 적인 것도 중요하지만, Back에서 기술적인 고민을 많이 하고 구현하는 업무 수행

Backend	Data Engineer
운영을 위한 DB 구축	분석을 위한 DB 구축

3. Data Scientist

• DA와 DE의 중간 역할
• 장기적으로 고민해야 하는 질문 및 고도화된 질문을 ML 혹은 통계적 분석을 활용하여 기능으로 구현 (ex) 추천 알고리즘, 분류 알고리즘 생성
• 서비스 자체에서 ML 모델을 활용할 때에는 데이터 프로덕트 자체를 만들어내기도 함 (ex) 직방 - 매물 추천 알고리즘
• Python, R 등을 활용한 모델링이 주 업무: 연구적 성향이 더 크다고 볼 수 있음

Q2. DA는 생각보다 ML에 대한 이해도가 중요한 것 같지 않다. 이보다 SQL이나 지표에 대한 이해 (a/b test 등)이 더 중요한 것 같다. 견해가 궁금하다.

 

 

Answer >

• DA의 경우 전략 / 기획 부서와 함께하며 회사에서 진행하고 있는 서비스 혹은 비즈니스가 성공할 수 있는 방향에 대한 분석을 많이 함
• 따라서, DS 보다 빠르게 서비스 및 사업 방향을 pivot 할 수 있는 가설 기반의 테스트를 진행함
• DA로 지원한다면, 회사 JD에 따라 다르겠지만 DA의 본질 업무는 '서비스 혹은 사업을 성공적으로 이끄는 역할'이므로 ML 역량은 본업에 대한 역량을 모두 갖춘 이후 보너스 역량으로 어필할 수 있음

Q3. DA도 Business Analyst or Product Analyst로 나뉘는 것 같다. 차이점이 무엇인가?

 

 

Answer >

• Business Analyst의 경우 주로 재무 데이터를 주로 다룰 확률이 높다. 또한, 사업 방향 검토와 같이 비즈니스 앞단에서 의사결정을 위한 분석을 할 가능성이 높음. 따라서, ML 모델링과 같은 고도화된 모델링 기술과는 거리가 멀고, 오히려 데이터 시각화 역량이 중요할 수 있음
• Product Analyst (or User Analyst)의 경우 Product or User 데이터를 다루며 관련하여 성과를 확인할 수 있는 지표를 설정하고 분석한다. 해당 직무의 경우 추후 장기적인 프로젝트나 회사 내 포지션 JD에 따라 ML 모델링을 해볼 수 있는 기회가 열려있음

Q4. DS는 꼭 대학원 진학이 필요한가?

 

 

Answer >

• Case by Case다. 필수라고 생각하지 않으나, 최근 추세가 대학원 나온 사람을 선호한다.
• 우리나라에서는 DS 직무를 연구원으로 보는 관점이 많다. 따라서,  1) 해당 도메인에 대한 깊은 지식을 바탕으로 데이터를 연구하여 부가가치를 만들 수 있는 사람, 2) 대학원에서 연구해 본 경험이 있는 사람을 찾는 경우가 많다.
• 그렇기 때문에 대학원을 나오지 않고 신입으로 입사하기는 다소 어렵다.
• 보통 석사 졸업 이후 DS 신입으로 입사하거나 DA를 하다가 DS로 넘어가는 경우가 있다.

Q5. 내 Background에서 DA/DE/DS로 전직을 위해 더 준비해야 할 것? 추천하는 방향? 

 

 

Answer >

• DA로 먼저 업계에 In 하는 것을 추천한다. 비전공자가 입사할 수 있는 가장 빠른 루트이며, 여러 직무를 경험하며 선택할 수 있는 기회가 가장 많기 때문이다. '데이터 풀스택' (데이터로 모든 것을 하는 사람)을 지향하는 것은 좋은 방향이라고 생각한다.
• ML에 대한 교육 경험이 있으므로 해당 프로젝트 내용을 잘 다듬어서 포트폴리오 '뒷부분'에 플러스로 ML 역량 어필 하는 것을 추천한다.
• DA로 취업하기 위해선 포트폴리오에 User data 분석 경험과 지표에 대한 이해 (ex) A/B Test, Cohort 분석 등이 '앞부분'에 나와야 한다.
• 그러므로, DA 신입 포지션을 노린다면 다른 AI 관련 국비교육 보단 위 내용을 배우고 프로젝트를 할 수 있는 교육을 찾아 듣고, 포트폴리오 작성하는 것을 추천한다. (서비스 지표를 개선한 경험이 중요함)
• 이후에는 바로 부딪혀보라 >> 가고 싶은 회사가 있다면 Linkdin을 통해 직접 데이터 팀에 있는 업계 사람에게 메시지를 보내서 회사 분위기나 , 입사를 위해 준비해야 할 것들을 물어보자.
• 그러나 DA 관련 교육이 없다면, 스스로 가상의 dummy data set을 만들어서 관련 분석을 해서 포트폴리오 구성하는 방향도 있다. 스스로 분석하는 것이 훨씬 어렵지만, 면접에서 남들과 차별화된 모습을 보여줄 수 있다.
• (ex) 직방 DA를 준비한다면, 실제로 User(부동산 거래를 원하는 사람들)에 대한 data set을 찾거나 (한국 부동산 거래원 등) 가상으로 만들어 내서 퍼널 분석 등 수행하여, 인사이트를 내보자. ('xx'한 지표를 'yy'한 방법으로 개선할 수 있다.)
• 데이터 시각화를 현업에서 자주 사용한다. 시각화가 중요한 이유는 DB에서 데이터를 뽑고 분석한 결과를 PO나 다른 유관부서에게 전달할 때 가장 효율적으로 전달할 수 있는 방식이기 때문이다. 굳이 Tableau나 Power BI일 필요는 없다. Excel이나 Matplotlib으로도 할 수 있다. (하지만 다룰 수 있다면 당연히 best 지 않을까?)