데이터 분석 직무에 대한 오해와 취업을 위해 알아야 할 것들
(feat. 데이터 분석 직무 종류/이력서/포트폴리오/자격증/코딩테스트)
*본 글은 마케팅 분야에서 실무를 하다가 데이터 분야에 관심을 갖게 되어
커리어 전환을 준비하면서 알게된 정보들을 정리한 내용입니다.
수년 전부터 데이터 직군이 떠오르면서 비전공자 혹은 다른 업무를 하다가 데이터 직군으로 이직을 희망하는 사람이 적지 않다. 필자도 그 중 한 명으로 데이터 직군으로 준비하면서 겪은 데이터 직군에 대한 오해, 직무에 대한 구분, 취업을 위해 준비해야할 사항들을 정리해 보았다.
데이터 분석에 대한 흔한 오해, ML/DL은 필수??
데이터 직군이 떠오르면서 대학, 부트캠프 등 교육기관에서 데이터와 관련된 다양한 교육을 진행하고 있다. 하지만, 이에 대한 대부분의 현직자들에 대한 평가는 부정적이다. 가장 큰 이유는 취업을 준비하는 사람들에게 데이터 직무에 대한 오해를 만들어낸다는 것이다. (필자도 오해의 피해자...🥲)
첫째, 데이터 직무 취업이라고 하면 대부분의 대학생, 취업준비생이 머신러닝(ML)과 딥러닝(DL)을 떠올리고 이를 준비하는데 많은 시간을 쓴다. 데이터 직무라면 ML/DL에 대한 지식과 경험이 필수라고 생각하기 때문이다. 하지만, 바로 이 부분이 데이터 직무에 대한 큰 오해이다. ML과 DL 스킬을 요구하는 데이터 직무는 한정적이기 때문이다. 아래 직무 구분과 취업을 위해 준비해야하는 사항들에서 더 자세히 다루도록 하자.
둘째, 데이터 직무를 희망하는 많은 대학생/취준생들이 도메인에 대해 크게 고민하지 않는다. 도메인 보다 데이터 직무에서 다루는 각 스킬과 스택이 더 중요하다고 생각하기 때문이다. 이는 앞서 말한 데이터 관련 교육들이 각 도메인에 포커스를 맞춘 세분화된 교육을 진행할 수 없어 데이터 스킬과 스택 중심으로 교육하는 것에서 부터 비롯된 것이라고 생각한다. 하지만 데이터 업무는 도메인에 따라 필요로하는 역량과 지식이 달라지기 때문에 데이터 관련 스킬을 익히는 것보다 도메인에 대한 배경지식이 더 중요하다고 할 수 있다.
데이터 직무 구분과 데이터 분석 직무
데이터 직군은 통상적으로 데이터 분석가( DA , Data Analyst) / 데이터 엔지니어(DE, Data Engineer) / 데이터사이언티스트(DSm Data Scientist) 3가지로 구분하는데, 앞서 말했듯 직무 경계가 혼재된 교육과 정보들로 인해 막상 취업을 준비할 때 어떤 직무로 지원해야할지 혼란스러워하는 사람이 많다. 간략하게 구분하자면 DA는 경영/영업활동에서 수집되는 데이터를 해석하고 경영/영업/마케팅을 지원하기 위한 인사이트를 제시하는 업무이고, DE는 데이터 가공/데이터 아키텍쳐 및 파이프 설계·관리/서빙을 위한 최적화(DevOps, MlOps) 등을 담당한다. DS는 DA와 DE의 업무를 모두 포함해서 ML/DL 개발을 수행한다. 그렇기 때문에 DS는 신입이 거의 없고 DA, DE, 백앤드개발자 출신이 많다.
본 글에서는 이 3가지 데이터 직군 중 데이터 분석을 중심으로 세부 직무에 대해 설명한다. 데이터 분석 직무만 하더라도 도메인과 회사의 규모/유형에 따라 업무의 크고 작은 차이가 있고, 특히 채용공고에서 직무명칭을 혼용하여 사용하는 경우가 많아 지원 시 세부적인 업무내용을 파악해야 한다.
데이터 분석가 (DA, Data Analysist)
데이터 분석가의 업무는 도메인에 따라 업무성격이 크게 달라진다. 데이터 분석가라고 하면 떠올리는 대표적인 직무는 비즈니스 분석가, 프러덕트 분석가, 빅데이터 분석가 등이다. 모두 분석가라는 직무명을 가지고 있지만 다루는 데이터와 주로 사용하는 방법론이 상당히 다르다. 각 데이터분석 직무의 핵심적인 업무내용과 역할은 다음과 같다.
① 비즈니스 분석 / 사업 분석
- 사업의 전반적인 현황, 전략과 관련된 데이터를 다루고 경영진들의 의사결정을 지원
- 사업기획/전략기획의 성격을 띄며 정량적 데이터 분석 외에도 리서치 업무를 동반하는 경우가 많음
- 인하우스와 리서치/컨설팅회사의 채용공고에서 비즈니스 분석가, 전략기획, 컨설턴트 등 다양한 직무명으로 기재되고 순수하게 데이터 분석만을 수행하지 않을 가능성이 많음
② 마케팅 분석
- 프로모션, 이벤트, 매체운영, 광고 등 마케팅 활동에서 수집되는 데이터를 주로 다루고 마케팅 효율화를 지원
- 퍼포먼스 마케팅, 디지털 마케팅의 성격을 띄고 GA, GTM, SEO 등 온라인 광고툴의 지식과 경험을 요구
- 기존 마케팅 직무에서 데이터 쪽으로 좀더 전문적으로 담당하기 위해 만든 포지션(퍼포먼스 마케팅, 그로스 마케팅, 디지털 마케팅 업무와 거의 동일할 가능성이 많음)
- 마케팅/광고 에이전시에서 마케팅 분석가라는 직무명으로 채용을 진행하는 경우가 있는데, 상당수의 에이전시에서 퍼포먼스 마케팅, 디지털 마케팅으로 채용을 진행하고 인하우스에서도 가끔 찾아볼 수 있음
③ 프러덕트 분석
- 주로 웹/앱 서비스에서 생성되는 로그 데이터, 고객 데이터를 주로 다루고 유입/리텐션/구매율 등 고객여정과 관련된 지표를 관리하고 고객경험과 서비스 개선을 위한 전략 도출을 지원
- 웹/앱 서비스를 도메인으로 하기에 서비스기획, CRM의 성격을 띔AARRR 퍼널 분석, 코호트 분석, A/B 테스트에 대한 경험과 웹/앱 도메인에 대한 지식을 요구
- 대부분의 앱/웹 서비스를 제공하는 회사의 채용공고에 데이터 분석 직무라고 기재된 공고가 프로덕트 분석을 의미함
④ 빅데이터 분석
- 공공데이터, 카드 데이터, 통신 데이터 등 대규모 데이터를 다루고 방대한 데이터를 구조화/자산화 할 수 있도록 지원
- 정량적인 분석에 집중하기 보다 데이터 마트, 데이터 파이프 설계와 데이터 활용방안 수립 업무 중심
- 카드/통신 대기업에서 주로 빅데이터 분석가로 채용을 진행하고, 빅데이터 컨설팅회사에서 빅데이터 분석가, 빅데이터 컨설팅으로 채용을 진행
⑤ ML/DL 분석
- 머신러닝과 딥러닝을 활용하여 비즈니스 문제를 해결하기 위한 솔루션 도출을 지원
- 데이터 사이언스의 성격을 띄거나 데이터 사이언스 직무인 경우가 있음
- 데이터 엔지니어링과 ML/DL 스킬이 요구되며 대부분 컴퓨터사이언스/데이터사이언스(공학계열) 전공을 지원자격으로 함. 전공 석사 이상, 데이터분석 또는 개발 경력직을 우대하며 학사 신입/비전공 석사 신입으로는 취업이 쉽지 않음
- 빅테크 및 대기업, ai인하우스 및 ai컨설팅회사에서 채용을 진행
ML/DL 분석을 따로 구분된 것에서 알 수 있듯 다른 데분 직무는 DL을 거의 활용하지 않고 각 분야에 지배적인 방법론과 툴이 있다. ML/DL 분석 쪽으로 지원방향이 확고한 것이 아니라면 공부하는데 시간이 오래 걸리는 DL쪽은 투자 비중을 줄이는 것이 전략적이다. 빅데이터 분석도 다른 직무와는 요구사항의 성격이 다른 만큼 어떤 쪽에 투자할 것인지 고민이 필요하다. 반면 비즈니스 분석, 마케팅 분석, 프러덕트 분석은 한 포지션에서 두가지 이상을 요구하는 경우도 많다. 요구하는 스킬과 역량도 비슷하기 때문에 산업 도메인을 고려하여 관련 경험과 지식을 쌓는 것이 좋다.
비즈니스 분석/마케팅 분석/프러덕트 분석은 대기업, 중견, 중소, 인하우스, 에이전시 등 회사의 규모와 유형과 상관없이 많은 회사들에서 채용을 진행하지만, 빅데이터 분석이나 ML/DL 분석은 대기업/빅테크 또는 리서치/컨설팀회사로 극단적으로 갈리는 편이다.
위에서 설명한 바와 같이 각 데이터 분석 영역에 따른 직무명이 데이터 분석가로 고정된 것이 아닌 만큼, 정량적인 데이터 분석에 좀더 초점이 맞춰진 포지션도 있고 리서치나 보고서에 더 집중되거나 운영/실행 업무의 비중이 높은 경우도 있다. 그렇기 때문에 지원 시, 채용공고의 직무설명을 자세히 읽어보고 자신의 역량과 전망하는 커리어를 고려하여 지원하는 것이 필요하다.
데이터 분석가 취업을 위해 준비해야하는 것들
채용시장이 얼어붙어서 해가 다르게 취업이 어려워지고 있어, 취업준비생에게 요구하는 사항들이 날로 많아지고 어려워지고 있다. 고정된 이력서와 자소서 양식을 제공하는 대기업들도 첨부자료 또는 URL을 받는 형태로 +alpha를 요구하고, 빅테크와 중견중소 기업에서는 포트폴리오를 필수조건으로 요구하는 경우가 많다. 기업의 도메인, 규모, 유형을 떠나서 요구하는 것은 관련 프로젝트 경험이다. 하지만, 비전공자라면 관련 경험을 쌓으라는 것이 막막하고 전공자라고 하더라도 정리하는 것은 쉽지 않은 일이다. 관련 경험을 쌓는 것은 뒤에서 얘기하고 먼저 어떻게 정리해야 하는가를 짚고 넘어가자.
1. 데이터 분석가의 이력서와 포트폴리오
가장 기본이 되는 것은 이력서와 포트폴리오 모두 PDF로 준비하는 것이다. 직무를 떠나서 많은 현직자들이 공통적으로 말하는 것은 채용 플랫폼의 이력서 그대로 내지 말라는 것이다. 채용 플랫폼의이력서는 기본적인 포맷만 제공하고 대부분의 지원자가 동일한 양식을 사용하기에 자신만의 차별성을 어필하기도 힘들고 이력서가 관심을 받기도 어렵기 때문이다. 채용 플랫폼의 이력서 양식을 참고하되 ppt, 한글, 워드 등을 사용해서 자신의 역량과 경험을 최대한 강조할 수 있도록 나만의 Flow를 만드는 것이 중요하다. 많은 지원자들이 어떤 역량과 경험을 강조해야할지 어려워하는 경우가 있는데, 채용공고에 명시된 담당 업무, 요구 조건/스킬과 관련된 내용으로 채우면 된다. 혹 다양한 경험이나 다른 경력이 있어 자신의 강점이라고 어필할 내용이 있다고 하더라도 채용공고에 명시된 사항과 관련이 없는 경험과 스킬들은 과감하게 덜어내는 것이 좋다. 특히, 유관 전공자들의 경우 공고에 명시되어 있지 않지만 자신이 배운/경험한 방법론과 툴을 강조하는 경우가 있는데 공고의 요구사항과 다르다면 강조하는 것은 좋지 않다. 채용공고의 요구사항과 동떨어진 강점이 어필된다면 직무 핏이 맞지 않는다고 판단하여 오히려 제외될 수 있기 때문이다.
이력서에서는 자신이 수행한 프로젝트에 대해 너무 상세하게 서술하는 것보다는 채용담당자가 세부 내용을 궁금해 할만한 문장과 개괄식으로 간단하게 적는 것이 좋다. 여기서 가장 중요한 포인트는 '궁금해 할만한'이다. 채용담당자가 데이터분석가가 아닐 수도 있고, 데이터 분석가라고 하더라도 자신이 경험한 방법론과 툴이 아니라면 모르는 경우가 많기 때문이다. 그리고 이력서를 보는 담당자들은 기본적으로 비판적인 시각으로 검토하기 때문에 너무 자세하게 적을 경우 지원자의 역량를 부정적으로 제단하거나 경험이 요구사항과 딱 맞아 떨어지지 않는다면 핏이 맞지 않는다고 생각해버릴 수 있다. 각 프로젝트 제목을 적을 때 어려운 단어나 방법론에 대한 내용을 적는 것보다는 성과와 도메인에 집중된 문장으로 적는 것이 좋다. 상세 내용으로는 수행 기간, 소속, 자신이 담당한 역할, 사용한 툴, 기여점, 성과, 배운점 정도로 간략하게 적으면 된다. 각 항목의 순서는 자신의 경험과 역량이 가장 잘 어필 될 수 있도록 배치하면 된다.
프로젝트 제목: 누구나 이해하기 쉬운 단어로 성과와 도메인 중심의 한 줄 문장
수행 기간/소속
상세 내용: 짧고 간략한 개괄식으로
1. 담당 역할
2. 사용한 툴
3. 기여점
4. 성과
+) 프로젝트를 통해 배운 것/쌓은 역량
포트폴리오와 이력서의 차이는 프로젝트에 대한 상세내용의 유무이다. 포트폴리오에서 프로젝트의 상세 내용을 적을 때 유의할 점은 이력서를 적을 때와 마찬가지로 자신만 알만한 생소한 단어와 방법론 등을 피하고, 궁금증과 흥미를 유발할만한 문장과 개괄식 정리하는 것이 기본이다. 단, 글을 나열하는 것이 아닌 디자인과 시각적인 자료를 활용해서 직관적으로 표현하는 것이 좋다. 그리고 '내가 이러한 지식/스킬을 알고 있다'가 아닌 '이러한 상황에서 이러한 생각을 했고 어떠한 액션을 취했는가'의 Flow를 어필하는데 초점을 둬야 한다. 이처럼 생각의 Flow로 정리하기 위해서는 프로젝트 배경/문제 상황, 문제정의/가설설정/실험설계, 실험내용/분석내용/인사이트/개선방향, 개선결과/실험결과/검증/성과 등의 키워드로 정리하면 좋다. 여기서 주의점은 프로젝트의 모든 과정을 강조하는 것이 아닌 강조했을 때 매력적인 부분만 강조하는 것이다. 이력서나 포트폴리오를 보는 담당자가 관심있는 포인트는 정해져 있는데, 관심이 가지 않는 내용이 많으면 관심 가질만한 내용에서도 주의력이 떨어져 어필이 제대로 되지 않을 가능성이 매우 높기 때문이다. 그렇기 때문에 프로젝트에 대한 설명과 전체 과정을 간략하게 정리한 페이지, 전체 과정 중에서 강조할만한 이슈와 내용을 집중적으로 다룰 별도의 페이지로 구성하는 것이 바람직하다.
프로젝트 제목: 누구나 이해하기 쉬운 단어로 성과와 도메인 중심의 한 문장
수행 기간/소속
상세 내용: 짧고 간략한 개괄식으로
1. 담당 역할
2. 사용한 툴
3. 기여점
4. 성과
+) 프로젝트를 통해 배운 것/쌓은 역량
프로젝트 과정/프로세스: 직관적으로 간략하게 시각화 + 다음 페이지에서 다룰 강조할 부분 표시
강조할 부분/이슈의 제목: 액션과 성과를 중심으로 한 문장
상세 내용: 직관적으로 간략하게 시각화, 그래프/이미지 등을 활용
1. 프로젝트 배경 or 문제 상황
2. 문제정의 or 가설설정 or 실험설계
3. 실험내용 or 분석내용 or 인사이트 or 개선방향
4. 개선결과 or 실험결과 or 검증 or 성과
노션, 깃헙, 블로그 등을 활용해서 이력서 및 포트폴리오도 많이 만드는데, 이는 이력서와 포트폴리오에 담지 못한 아주 상세한 내용들을 정리하면 된다. 프로젝트의 경과와 결과 뿐만 아니라 프로젝트를 수행하면서 참조 또는 공부한 내용/메모/생각 등을 아주 사소한 부분도 괜찮다. 특히, 노션 같은 경우에는 임베딩이나 블럭기능을 사용해서 pdf를 연동할 수 도 있고 다양한 방식으로 정리가 가능하기 때문에 유용하게 활용할 수 있다.
2. 데이터 분석가 취업을 위한 스킬/지식/자격증
데이터 분석의 세부 직무에 따라 다소 차이는 있지만 공통적으로 적으로 갖춰야할 역량은 크게 데이터드라이븐 역량과 데이터리터러시 역량이다. 데이터드라이븐은 데이터 추출/가공/활용하는 능력으로 분석 언어/툴/방법론에 대한 스킬과 지식으로 어필할 수 있고, 데이터리터러시는 데이터 지표, 그래프 등을 해석하여 인사이트를 도출하는 능력으로 분석을 통한 인사이트 도출 경험과 도메인에 대한 문제해결 경험으로 어필할 수 있다.
① 데이터 분석가의 주요 역량과 스킬
- 쿼리 핸들링(Query Handling): SQL을 활용한 대규모 데이터의 쿼리 추출/병합
*활용 툴: Google BigQuery, MySQL, MSSQL, ORACLE, SQLite 등
*신입 요구 수준: SQL 툴 중 1개 이상 자유롭게 활용(with구문 활용)
*대부분의 DA 채용에서 SQL 테스트 및 분석과제를 수행
- 데이터 처리(Data Processing): 통계적 지식과 도메인 지식을 바탕으로 유의미한 지표 선정/산출
*활용 툴/언어: SQL, R, Python 등
*신입 요구 수준: 통계적 방법론이나 툴 스킬보다 도메인 지식을 우선
- 데이터 시각화(Reporting & Visualization): Bi 툴 또는 Office 을 활용하여 분석 결과 시각화
*활용 툴: Tableau, Power BI, redash, Looker Studio, Power Point, Excel 등
*신입 요구 수준: 입사 전 접할 기회가 많지 않아 무료 체험판을 사용할 수 있는 Tableau의 기본 사용법 정도
② 데이터 분석가 취업에 도움이 되는 자격증
- SQL 자격증: sqld
- 데이터 처리 및 분석 자격증: 빅데이터 분석기사, ADsP
자격증이 있어서 나쁠 것은 없지만 채용여부를 가를 만큼 유의미한 사항은 아니다. 자격증이 있다고 실무에서 활용할 수 있을 것이라고 기대하지 않기 때문인데, 포트폴리오에서 각 툴을 활용한 분석 내용을 어필하는 것이 더 유의미하다. 하지만 툴을 익히는 공부의 차원에 있어 자격증 취득은 매우 좋은 방법이다. 특히 채용 시, SQL 테스트와 분석과제를 진행하는데 자격증 실기와 비슷한 경우가 많다.
③ 데이터 분석가 코딩테스트/분석과제
데이터 분석 직무에서 보는 코딩테스트는 알고리즘 테스트와 SQL 테스트로 나뉘어 지는데, 데이터 직무가 테크/개발 직군으로 분류하는 일부 대기업 채용에서는 알고리즘 테스트를 보는 경우가 많다. 하지만 그외 대기업과 빅테크를 포함해 중견중소 기업들은 데이터 분석가를 테크/개발 직군과 구분하여 SQL 테스트와 함께 분석과제를 수행하는 경우가 많다.
알고리즘 테스트의 경우 대부분의 기업에서 프로그래머스 플랫폼에서 진행하기 때문에 프로그래머스의 레벨2~3 수준의 문제를 풀수 있도록 준비해야한다. 레벨2만 해도 전공자가 아닌 이상 상당히 난이도가 높고 레벨3은 전공자들도 어려워할 만큼의 매우 어려운 난이도다. 그렇기 때문에 준비하는데 걸리는 기간도 상당히 길고 꾸준히 연습문제를 풀어봐야 한다. 알고리즘 테스트는 데이터분석가 직무가 필요한 역량보다 높은 수준을 요구하기 때문에 보통 알고리즘 테스트에서 제시되는 3개의 문제 중 2개만 풀어도 합격하는 경우가 많다.
SQL 테스트의 경우 쿼리를 추출하고 간단한 연산을하여 결과를 출력하는 방식이며, sqld 자격증과 프로그래머스 sql 예제로 준비할 수있다. 쿼리를 추출하는데 몇가지 방법이 있지만 그중에서도 with구문을 자유자제로 활용하는 수준이 요구된다. SQL의 경우 그렇게 복잡하지 않기에 일정 수준까지 도달하는데 오랜 시간이 걸리지 않는다.
분석과제의 경우 회사 자체적으로 도메인과 연계하여 문제를 출제하는 경우가 있고, 빅데이터분석기사의 실기문제 유형으로 출제하는 경우가 있다. 전자의 경우 도메인과 관련된 서비스운영/마케팅/crm 등에 대한 배경지식을 익혀두면 도움이 되고 후자의 경우 빅데이터 분석기사 문제를 풀어보면 충분히 준비할 수 있다. 또한 빅데이터 분석가사의 실기문제의 난이도도 그렇게 높지 않아 Python을 사용하여 데이터 전처리와 ML 모델 코딩을 해본 경험이 있다면 크게 어렵지 않다.
데이터 분석가 취업을 준비중이라면 가장 우선해야할 것은 세부 직무 결정과 SQL 공부이다. 이제막 데이터 분석가로 취업준비를 시작했다면 관심 있는 도메인과 세부 직무를 정하는 것이 가장 중요하다. 앞서 말했듯 도메인과 세부직무에 따라 업무 범위와 성격이 크게 달라지고 준비해야할 스킬들이 달라질 수 있기 때문이다. 하지만, 도메인과 세부직무를 결정하는데 꽤 오랜 시간이 걸릴 수있기 때문에 공통적으로 필요한 SQL을 공부하는 것이 좋다.
세부 직무를 결정했다면 본격적으로 도메인 지식을 녹여 관련 프로젝트를 수행하면서 이력서와 포트폴리오를 만들어야 한다. 프로젝트는 공모전이나 경진대회도 괜찮고 개인 프로젝트도 괜찮다. 참여횟수와 수상 실적 보다는 프로젝트 내용이 도메인 및 세부직무와의 연관성이 높은가가 더 중요하다. 개인 프로젝트의 경우 유튜브, 인프런 강의, 블로그에서 사례와 방법을 찾을 수 있다.
마지막으로 대기업 취업을 희망한다면 토익 또는 오픽과 같은 어학점수를 만들어 두는 것이 좋다. 삼성을 비롯해 몇 대기업의 경우 데이터 직무 지원자격으로 어학성적을 요구하는 경우가 있기 때문이다.
필자는 앞서 얘기한 데이터 직무에 대한 오해와 정보의 부족으로 대학원 석사까지 졸업하며 2년을 넘는 시간을 썼고 과거 다양한 경험과 이력들로 인한 부작용을 톡톡히 치뤘다. 물론 이러한 노력과 경험이 가치 없다는 것은 아니지만, 데이터 분석가로의 취업을 희망한다면 가성비가 매우 떨어진다는 것을 부정할수는 없다. 데이터 분석가를 준비하는 사람들이 나와 같은 전철을 밟지 않고 빠르고 성공적인 취업을 응원하는 마음에 그간의 경험과 지식을 정리한다.
'데이터분석 인사이트' 카테고리의 다른 글
| 매체 운영 데시보드 만들기(feat. Looker Studio) (1) | 2024.03.16 |
|---|---|
| 배너 A/B 테스트(Feat. 카이제곱 검정) (0) | 2024.03.10 |
| 데이터 분석 프레임워크와 수행방법(feat. AARRR 퍼널분석, 코호트 분석, A/B테스트) (1) | 2023.12.08 |
댓글