✍🏻 3일 스터디 내용 정리.
오늘은 Data Analyst, Data Engineer, Data Scientist 각 직군이 어떤 일을 하는지, 차이점은 무엇인지 얘기해보는 시간을 가졌다.
각자가 인터넷, 구글링, 유튜브, 화해 데이터사이언티스트 현직자 특강 등 다양한 것을 참고하여 정리해왔었다.
모두가 정리한 것을 바탕으로 생각해본 Data Analyst, Data Engineer, Data Scientist 직군은 아래와 같았다.
Data Analyst(데이터 분석가)
데이터 분석가는 데이터에서 나타나는 현상을 통해 인사이트를 도출하는 일을 하며 <기획자 성향>의 직무라고 할 수 있다.
데이터를 활용해서 필요한 또 다른 분석을 하는 데이터 분석가는, 데이터를 통해 새로운 예측 및 분석하여 비즈니스 문제를 해결한다.
그렇기에, 해당 도메인에 대한 이해와 데이터 분석 경험이 필요하며, 데이터 분석 방법론을 적용하여 문제를 해결할 수 있는 능력이 있어야 하며 분석한 내용을 다른 팀들이 쉽게 이해할 수 있는 대시보드를 만들어 의사소통 할 수 있다는 것을 보여주어야한다.
"판매 데이터 분석을 통해 어떤 마케팅이 어느 정도 효과가 있었으며, 어느 부서가 최고의 매출액을 어떤 이유로 달성했는지 등을 파악한다."
Data Engineer(데이터 엔지니어)
데이터 엔지니어는 데이터의 수집 및 관리를 담당하는 일을 한다.
데이터 분석가, 데이터 사이언티스트를 비롯해 많은 사람들이 데이터를 가지고 일을 해야될 때, 필요한 데이터를 데이터 엔지니어에게 부탁하면 엔지니어는 그 데이터를 추출해준다.
데이터 파이프라인을 구축하고 DB를 관리하며 SQL 튜닝, 오픈소스 DB 관리, DW 구축, 대용량/실시간 처리를 위한 시스템 개발 등 데이터 본질(?)에 관련된 일을 한다.
그래서 데이터를 수집하고 관리할 수 있는 능력과 더 나아가 빅데이터 플랫폼을 경혐해본 사람들을 우대 사항으로 많이 뽑고 있었다.
"대규모 데이터를 처리하는 플랫폼을 설계하고 구축한다. 또한, 이를 위해 데이터 파이프라인을 개발하고 데이터 웨어하우스를 구축하여 데이터 퀄리티를 관리한다."
Data Scientist(데이터 사이언티스트)
데이터 사이언티스트는 데이터 기반의 문제를 해결하는 <연구자 성향>의 직무이다.
머신러닝/딥러닝 모델을 개발하거나 다양한 방법론들을 적용시켜 추천 시스템을 기획/개발/평가하거나, 개인화 분석/유저 프로파일링 등을 할 수도 있고(꼭 고객 맞춤 서비스가 아니더라도 다양한 비즈니스 문제 해결에 머신러닝/딥러닝이 사용되고 있다!)
자연어 처리, AI/음성/이미지 등을 인식하고 처리하는 모델을 개발할 수도 있다.
그렇기에 머신러닝/딥러닝 알고리즘에 대한 지식이 얼마나 있는가, 이를 이용해 비즈니스 문제를 해결할 수 있는가와 같은 능력을 보여주어야한다.
"데이터로 고객들 맞춤 추천 컨텐츠를 제공하는 모델을 개발하거나, AI, 음성, 이미지를 처리하는 모델을 만든다."
내가 희망하는 직군
나는 위 세 가지 직군 중 “𝘋𝘢𝘵𝘢 𝘚𝘤𝘪𝘦𝘯𝘵𝘪𝘴𝘵”가 더 끌렸었다.
평상시 과제나 프로젝트를 할 때에도 "WHY?"에 더 집중하는 성격이었다. 왜 해당 알고리즘이 더 성능이 좋은지, 왜 이 부분이 막히는지, 어떻게 해결하면 좋을지에 대해 고민해보는 시간이 전혀 지루하지 않았었다. 또한, 다른 사람들은 나와 같은 문제를 어떻게 생각하고 해결해나갔는지와 같은 것들을 알게 되었을 때 얻는 성취감이 컸었다.
데이터스쿨을 시작하기 전, IT 회사 기술 블로그들을 찾아보며 정리했던 시간이 데이터 사이언티스트에 더 흥미를 가지게 했던 것 같다. 이 때, 현직자들은 어떤 생각을 하고 왜 해당 알고리즘을 선택하여 기술을 발전시켜 나아갔는지를 볼 수 있어 자주 들여다 보았었다. 현직자들 모두 나와 똑같은 고민을 통해 비즈니스 문제를 해결해 나아간 점이 흥미로웠고 내가 배웠던 내용들이 실제 비즈니스 문제를 해결하는데 쓰이는 것을 보고 이 직무에 더 끌리게 되었었다.
내가 어떤 산업군을 희망하는지 알기 위해서는 또 다른 시간들이 필요하겠지만, 내가 익힌 머신러닝/딥러닝/수학/통계 지식을 바탕으로 문제를 해결해 나아가고 싶다.
