데이터 사이언스 취업 전, 내가 반드시 알아야 할 7가지

사실 데이터 사이언스라는 단어를 접하게 된 것은 얼마 전이다. 나는 그 짧은 시간에 데이터의 매력에 빠져버려서 데이터 분석가를 꿈꾸고, 커리어를 쌓아나가 데이터 사이언티스트를 목표로 하고 있다. 목표를 향해 꾸준히 노력하기 위한 루틴과 미래의 내가 볼 회고록으로 블로그를 시작해보려고 한다.

데이터 사이언스라는 말을 들으면 사람들은 잘 모를 수도 있고, '머신러닝', '인공지능 모델 제작'과 같은 화려한 직무를 상상할 수도 있을 것이다. 나 역시도 데이터 사이언스라는 단어를 처음 접했을 때, 내가 생각한 이미지는 막연하게 '각 분야의 데이터에 과학적 시각으로 접근하고 해결책을 도출하는 것'이었다.

하지만 각종 유튜브나 블로그를 통해 조사해본 결과, 실제 데이터 직군의 업무 중 대부분은 데이터를 보기 좋게 만드는 전처리(Preprocessing) 과정을 수행하는 힘든 업무라는 현실을 알게 됐다. 이처럼 데이터 사이언스라는 화려한 이름과 현실의 괴리를 극복하고 데이터 전문가로 생존하기 위해, 취업 전 반드시 점검해야 할 7가지 전략을 확인해보자.

1. "왜 하필 데이터인가?" - 나만의 타임라인 분석

취업 준비의 시작은 파이썬 라이브러리를 외우는 것이 아니라, '자신에 대한 이해'에서 출발해야 한다. '반도체 대기업이 성과급을 잘 주더라.'처럼 유행을 쫓는 취업 동기는 면접관의 날카로운 질문을 견뎌낼 수 없습니다. 특히 인사팀(HR)에서는 "왜 수많은 직업 중 데이터 사이언스인가?"를 암시하는 질문을 던지는 경우가 많다. 이를 대비해 나의 인생 타임라인을 그려보며 다음 질문에 답해보자.

나는 왜 데이터 사이언스 분야에 처음 관심을 갖게 되었는가?

대학생 시절

'알파고가 이세돌을 이겼다.', '이세돌 신의 한 수' 이런 키워드로 머신러닝이라는 걸 처음 접했었고, 당시에는 그저 '와.. 이제는 AI가 프로 바둑 기사를 이기네..' 하며 놀랐던 기억이 있다. 비슷한 시기에 빅데이터라는 용어가 등장했던 것 같기도 하다. 그러고 군대를 갔다 온 이후 복학하고 코로나가 터지며 세상이 급변하기 시작하고, 전체적으로 안정되던 시기에 갑자기 GPT라는 게 세상에 등장했다. 처음에는 그저 그런 AI인 줄 알았다. 자연어 처리도 정확성이 떨어졌고, hallucination이 심해서 그냥 새로운 AI의 등장 정도로 넘겼던 것 같다. ~~(이렇게 빠르게 발전할 줄 알았다면..!)~~

대학원 시절

가장 처음 데이터의 중요성을 느낀 것은 석사 과정 중이었다. 진행하는 실험 사이클이 길고 결과를 보는 데까지 시간이 오래 걸려 많은 양의 데이터를 쌓지도 못했지만, 긴 주기로 인해 데이터의 연속성이 많이 부족했다. 또 신생 랩실이어서 선배도 없었기 때문에 체계적인 연구를 배우지 못했고, 결과적으로 경험적인 분석으로 실험 최적화를 진행하고 전체적인 연구도 이처럼 흘러갔다. 지금 생각해보면 적은 데이터를 바탕으로 기초 분석과 머신러닝을 통해 실험 조건의 상관 관계를 바탕으로 더 적은 시도로 훨씬 빠르게 최적화 했을 것 같다.

지금

이후 큰 성과 없이 석사 학위를 취득하고, 취업 시장에 뛰어드니 도저히 연구직으로서 나를 채용하는 기업의 입장이 그려지지 않았다. 때문에 국취제와 동시에 부트캠프를 시작했다. 빅데이터 기반 품질관리 양성 부트캠프였는데, 여기서 처음 데이터 분석에 대해 접하게 되었고, Python과 SQL 등의 툴과 시각화를 통한 전달, 의사결정에 도움을 주는 직무라는 점에 점점 이끌리게 된 것 같다. 현재도 부트캠프를 진행 중이고, 사전캠프 포함해서 이제 약 1달 반 정도 지났지만, 이미 데이터의 세계에 크게 이끌리고 있다.

내가 바라는 삶의 가치는 무엇인가?

이전에는 높은 연봉, 워라밸을 삶의 중점으로 뒀다면, 데이터 분석가를 꿈꾸며 뭔가 포트폴리오를 쌓아가며 스스로 성장하는 것에 큰 관심이 가기 시작했다. 문제를 정의하고, 비즈니스적으로 해결하는 과정에서 데이터를 바탕으로 분석해서 경영진의 의사결정에 도움을 줄 수 있다는 점이 매력적이라고 생각한다. 개인적인 생각으로 스스로 사업을 하기에는 그렇게 부지런하지 못한 것 같다.

나는 연구를 좋아하는가, 아니면 비즈니스 문제 해결을 좋아하는가?

실제로 석사 학위를 취득하며 그래도 논문을 써봤기에 이건 확실하게 말할 수 있는데, 논문 작성보다 비즈니스 문제 해결이 더 재밌다!

내가 현재 잘하는 것과 앞으로 잘하고 싶은 것은 무엇인가?

현재 내가 잘하는 것은 화학 실험, 논문 서치, 기존 것을 융합·개선한 새로운 아이디어 제안, 마음먹은 것을 실행하는 행동력 등이 있다. 앞으로 더 잘하고 싶은 것은 데이터 분석가 직무에 필요한 툴의 사용에 능숙해지는 것과 급변하는 AI 시대에서 살아남아 미래를 통찰하는 시야를 키우는 것, 문제 정의와 문제 해결적 사고 능력의 발달, 데이터 분석 개인 프로젝트를 성공적으로 수행해보기 등이 있다.

Tip. 타임라인 분석은 단순한 성찰이 아닌, 면접관을 설득할 수 있는 나만의 '서사(Narrative)'를 만드는 가장 강력한 면접 대비 전략이다.

2. 직함(Title)에 속지 마라 - JD(직무기술서)가 곧 본질이다

데이터 업계에는 '직무 명칭의 인플레이션'이 존재한다. 회사마다 동일한 타이틀이라도 수행하는 역할이 완전히 다를 수 있다. 최근에는 직무가 더욱 세분화되어 프로덕트 애널리스트(PA), 비즈니스 애널리스트(BA), 애널리틱스 엔지니어(AE)와 같은 직함들이 등장하고 있다.

대기업(스페셜리스트): 직무가 고도로 분화되어 특정 영역, 예를 들어 광고 모델링 같은 분야만 깊게 파고든다.
스타트업(제너럴리스트): 데이터 엔지니어링부터 분석, 시각화까지 혼자서 해결해야 하는 경우가 많다.

실제로 많은 현업 분석가들은 처음부터 데이터 전공자가 아니었다. 마케터나 서비스 기획자로 시작해 본인의 문제를 해결하기 위해 SQL을 배우다가 전향한 사례가 아주 많다.

Tip. '데이터 사이언티스트'라는 멋진 이름표에 집착하지 말 것. 채용공고(JD)를 뜯어보며 그 회사가 해결하려는 문제가 무엇인지, 내가 '비즈니스 액션'을 이끌어낼 수 있는 환경인지를 먼저 확인하자.

3. 코딩보다 중요한 '문제 정의'의 힘

많은 취업 준비생이 SQL 쿼리를 잘 짜거나 파이썬 코드를 유려하게 작성하는 데 매몰됩니다. 하지만 데이터 전문가의 핵심 역량은 기술적 도구가 아닌 '문제를 정의하는 사고 능력'이다.

아인슈타인은 "나에게 1시간이 주어진다면 55분은 문제를 정의하는 데 쓰고, 5분만 해결책을 찾는 데 쓰겠다"고 했다. 현상 뒤에 숨겨진 본질적인 이유를 찾지 못하면, 아무리 훌륭한 모델을 만들어도 비즈니스에는 무의미한 결과물일 뿐이다.

"좋은 데이터 분석은 데이터 분석 결과로 액션(Action)을 할 수 있는지 나타난 분석이다."

Tip. 분석을 시작하기 전 스스로 질문하자. "이 분석 결과가 나왔을 때, 우리 회사는 구체적으로 어떤 행동을 바꿀 수 있는가?" 이 질문에 답할 수 없다면 그것은 분석이 아니라 단순 리포팅이다.

4. 데이터 뒤에 숨은 '비즈니스 모델'을 읽는 눈

회사가 어떻게 돈을 버는지, 즉 Business Model을 모른다면 당신이 다루는 데이터는 그저 무의미한 숫자의 나열일 뿐이다. 고젝(Gojek)이나 우버(Uber) 같은 서비스의 핵심은 '수요와 공급의 불균형'을 해결하는 것이다.

비가 올 때 드라이버를 확보하기 위해 가격을 조정하는 '서지 프라이싱(Surge Pricing)' 정책은 데이터가 실제 비즈니스 가치, 즉 매출 증대 및 이탈 방지로 연결된 대표적인 사례이다. 이러한 비즈니스 구조를 이해하려면 《린 분석(Lean Analytics)》과 같은 필독서를 통해 산업별 핵심 지표를 파악하는 훈련이 필요하다.

Tip. 데이터를 보기 전, 해당 회사의 비즈니스 모델을 한 장의 도표로 그려보자. 돈의 흐름을 알면 데이터의 흐름이 보인다.

5. 데이터 엔지니어링 - 식자재의 신선도를 유지하고 원활하게 공급하는 '공급자'의 역할

데이터 사이언스가 화려한 요리라면, 데이터 엔지니어링은 요리를 할 수 있도록 신선한 식자재를 공급하는 공급자의 역할이다. 이들은 서비스 DB에서 데이터 웨어하우스(DW)로 데이터를 옮기는 ETL(Extract, Transform, Load) 파이프라인을 구축한다.

엔지니어링에서 중요한 것은 처리 방식의 선택이다.

배치(Batch) 처리: 매일 아침 배달되는 샐러드 정기 배송처럼 특정 시간마다 데이터를 모아 처리한다.
실시간(Streaming) 처리: 주문 즉시 만들어 배송하는 음식 배달 서비스처럼 발생 즉시 데이터를 처리한다.

Tip. 카프카(Kafka)나 스파크(Spark) 같은 도구 자체를 아는 것보다, '우리 서비스의 목적과 제약 조건하에서 왜 이 도구를 선택했는지'에 대한 논리적 근거를 갖추는 것이 훨씬 중요하다.

6. '데이터 리터러시' - 그래프를 보는 것이 아니라 맥락을 읽는 것

데이터 리터러시, 즉 문해력은 그래프의 높낮이를 확인하는 기술이 아니다. 지표가 왜 움직였는지, 이 결과가 우리 고객의 어떤 행동을 반영하는지 맥락을 읽어내는 능력이다. 기술은 교육으로 금방 배우지만, 사고력은 일상의 훈련이 필요하다.

"오늘따라 왜 버스가 늦게 올까?"
"이 앱은 왜 지금 나에게 이 쿠폰을 보냈을까?"

이런 사소한 현상에 'Why'를 세 번 이상 던지는 습관을 들여보자. 더 깊은 통찰을 얻고 싶다면 《데이터 문해력》이라는 책을 참고해 보시길 추천한다.

Tip. 데이터 리터러시는 기술 역량 이전에 '논리적 사고력'의 영역이다. 일상에서 마주하는 서비스들을 '역설계(Reverse Thinking)' 해보는 습관을 가져보자.

7. 최고의 교과서는 '현업의 기술 블로그'다

방대한 로드맵에 압도당해 막연히 강의만 듣지 마라. 우버, 넷플릭스, 혹은 국내 유수 IT 기업의 기술 블로그에는 실무자의 치열한 고민이 담겨 있다. 기술 블로그를 활용한 전략적 학습 3단계는 다음과 같다.

읽기와 번역: 흥미로운 주제의 글을 끝까지 읽으며 맥락을 파악하자.
용어 탐색: 글에 등장하는 낯선 용어, 예를 들어 Flink, Pinot 등을 따로 검색하여 정리하자.
아키텍처 복기: 본문에 나온 시스템 구조도(Architecture)를 백지에 직접 그려보며 데이터의 흐름을 이해하자.

Tip. 아키텍처 다이어그램 하나에는 해당 팀이 마주한 문제, 제약 조건, 해결 방안이 모두 녹아 있다. 이를 스스로 설명할 수 있을 때까지 분석하는 것이 가장 빠른 성장의 길이다.

나에게 데이터 분석가란?

데이터 직군은 지금 이 순간에도 빠르게 발전하고 분화되고 있다. 기술 트렌드는 빠르게 변하지만, "비즈니스 문제를 정의하고 데이터로 액션을 만든다"는 본질은 절대 변하지 않는다.

화려한 데이터, 인공지능의 환상에서 벗어나, 90%의 고된 전처리를 견뎌낼 만큼 데이터에 진심인지 스스로에게 물어보자. 기술은 도구일 뿐, 비즈니스에 기여하는 법을 고민하는 사람만이 살아남는다고 한다.

나에게 데이터 분석가는 매우 매력적인 직업이고, 처음으로 '이 분야에서 성장하고 싶다'는 생각이 들었다.

※ 본문은 유튜브 @kyleschool 님의 영상 에피소드 1~5를 보고 작성한 글이다.

'Job search > JD' 카테고리의 다른 글

[26.06.16] 커리어 로드맵 (0)	2026.06.16
데이터 분석가 취업, 파이썬보다 ‘메타인지’와 ‘산업 분석’이 먼저 (0)	2026.06.02