Article : 데이터 분석 직무에 대한 기대와 현실

https://brunch.co.kr/@cyc-cecile/10

데이터 분석 직무에 대한 기대와 현실

 

 

 

<아티클 내용 요약>

1. 데이터 분석 조직은 서포트 조직이다.

- 회사마다 차이가 있을 수 있지만, 대체로 회사의 프로덕트를 직접 기획하고 만드는 조직이 아닌, 지원해 주는 조직이다. 

- 기획자 및 상위 의사결정자들이 필요로 하는 분석을 지원해 주는 형태로 업무가 이루어진다.

- 대부분의 직무 소개에 데이터 분석가는 '데이터를 기반으로 효율적인 의사결정을 위한 인사이트를 도출하는 직무'라고 소개되어 직접 데이터를 보고 고찰한 결과를 바탕으로 의사결정까지 주도할 수 있을 거라는 기대를 하게 된다. 실제로는 데이터를 바탕으로 무언가의 인사이트를 '제안'할 뿐, 직접 의사결정을 내릴 수 있는 경우는 많지 않다. 

- 서포트 조직이다 보니 연관 조직에서 필요로 하는 데이터를 단순히 추출만 해주는 업무도 생각보다 많다. 

- 데이터 분석가로 실무를 하게 되면 데이터를 뽑아주기만 하고 의사 결정에는 참여하지 못하는 업무들도 어느 정도 있을 수 있다는 사실을 감안해야 한다. 

 

 

2. 거창한 데이터 모델링을 할 일은 별로 없다. 

- 데이터 분석가에게 필요한 역량으로 '머신러닝 지식'이 많이 언급되지만 실무를 하게 되니 공부했던 머신러닝 기법들을 사용할 일은 거의 없었다.

- 모델링을 접목하게 되는 업무는 가끔 있을 수 있지만, 가장 최적의 성능을 내는 모델을 만들기 위해 고군분투하거나 하는 일은 좀처럼 없다. 

- 회사는 주어진 업무 시간 내에 최대한의 결과를 내야 하는 곳이다 보니, 클러스터링을 한다고 해도 머신러닝 연구자처럼 모델을 정교하게 만드는 작업에 시간을 쓰기보다는 유저 그룹을 해석하고 이들을 성향을 분석하는 데에 시간을 쓰는 것이 더 바람직하다고 생각한다.

- 새로운 머신러닝 기법을 탐구하고 여러 파라미터를 튜닝해 모델을 최적화하는 데에 더 흥미를 느낀다면 데이터 분석가보다는 데이터 사이언티스트 직무를 알아보는 게 더 잘 맞을 수 있다.

- 그렇다고 데이터 분석가에게 머신러닝지식이 아예 필요 없다는 것은 아니다. 기초는 필수다. 

 

 

3. '분석' 업무만 할 수는 없다.

- 데이터 자체를 챙겨야 하는 업무도 생각보다 많다. 

- 데이터 엔지니어링 팀이 따로 존재하는 회사라면 어느 정도의 데이터 품질 관리는 데이터 엔지니어분들이 해주시지만, 실제 데이터를 직접 활용하는 당사자들만큼 민감하게 이슈를 알아차리지는 못하다 보니 결국 데이터 분석가가 이슈 레이징을 하게 되는 경우도 있을 수밖에 없다. 

- 데이터 분석에 있어서는 'Garbage In, Garbage Out'('쓰레기를 넣으면 쓰레기가 나온다.', '올바르지 않은 데이터를 입력하면 올바르지 않은 결괏값이 나온다.'는 의미)이라는 유명한 문구가 적용되다 보니 원본 데이터의 무결성이 굉장히 중요하다.        

- 데이터 분석가 실무를 하게 될 때는 들어가는 데이터가 Garbage가 아닌지 체크하는 것까지 자신의 역할이 될 수 있다는 점을 미리 인지하면 좋다. 

- 생각보다 분석 이전의 '계산' 업무에 시간이 많이 할애된다.

- 대용량의 데이터를 다뤄야 하는 경우에는 처리하는 시간이 많이 들기 때문에 실제 분석을 하는 시간보다 분석에 쓰일 데이터를 준비하는 시간이 더 걸린다. 

- 데이터를 추출하고 계산하는 과정을 좋아하지 않는 사람이라면 데이터 분석가 직무가 잘 맞지 않을 가능성도 염두에 두어야 한다. 

 

 

4. 의미 있는 인사이트를 뽑는 건 쉽지 않다. 

- '의미 있는'은 '실제로 후속 액션을 이끌어내는'이라는 의미로 해석하면 된다.

- 데이터 분석 결과가 후속 액션으로 이어지려면 필요한 두 가지가 있다. 

1. 이미 기획자나 상위 의사결정자가 고민하고 있던 분야의 분석
2. 개선 방향이 명확히 드러나는 결과가 도출

- 분석가가 의미 있다고 생각해 진행한 분석에서 나름대로 후속 액션을 검토해 볼만한 결과가 나와도 그 분야를 고민하고 담당하던 실무진이 없다면 후속 업무로 이어지기 쉽지 않다.

- 반대로 이미 기획자나 상위 의사결정자가 고민하고 있던 분야에 맞춰 분석을 준비한다고 해도 결과가 원하는 만큼 명확하게 나오지 않는다면 이 역시 액션으로 이어지기 쉽지 않다. 

- 실무에서는 별다른 임팩트를 내지 못하고 사라지는 분석도 많으며, 의사결정에 도움이 되고 있다는 보람이나 자부심을 매 순간 느끼기는 쉽지 않을 수 있다. 

 

 

마무리

- 데이터 분석 직무의 이상과 현실의 차이에 대해 적으니 데이터 분석가 직무의 한계점에 대해서만 이야기한 것 같지만, 회사의 효율적인 의사결정에 영향을 미칠 수 있는 직무라는 점에서 뿌듯하고 보람찬 순간도 분명 존재한다. 

- '기대했던 바와 다른 부분들'에 매몰되어 그 뿌듯한 순간을 느끼지 못하고 직무에 실망하게 되는 일을 방지하고자 하는 차원에서 글을 공유했다고 봐주면 좋겠다.     

 

 

 

 

<알게 된 개념>

- 데이터 분석가라는 직무에 대해서 이론적으로 알고 있는 것과 실무는 어떻게 다른 지 궁금했는데 알 수 있었다.

확실히 실제로 일을 하게 되면 생각하는 것과 다르다는 것이 확연하게 알 수 있었다. 그래도 다를 것이라는 것을 알고 있는 상태에서 읽어보니 오히려 내가 근무하면 어떤 일을 할 것 같으니 어떤 부분을 더 강화해야겠다는 생각도 들었다. 

 

일단 지금 하는 SQL과 파이썬을 더 강화해야 어떤 분석이든 전처리를 확실하게 할 수 있지 않을까?

  

그리고 'Garbage In, Garbage Out'이라는 말이 공감됐다.

이번 프로젝트를 하면서 전처리가 얼마나 중요한지 깨달아서 더 그런 것 같다. 

확실히 전처리를 하지 않으면 나오는 결과도 엉망진창이 되는 것을 미리 경험한  상황에서 비슷한 내용을 보니 많이들 그러는구나 싶어 웃기기도 했다.   

 

여러모로 재미있는 Article이었다.