얼마 전 지인이 이직을 고민하면서 데이터분석가를 준비해도 괜찮을지 물어본 적이 있습니다. 숫자를 엄청 좋아해야만 하는 직업처럼 느껴진다고 하더라고요. 그런데 실제로 이야기해보면 데이터분석가는 숫자만 보는 사람이 아니라, 흩어진 정보를 읽고 사람들이 이해할 수 있게 바꾸는 사람에 더 가깝습니다.
예를 들어 쇼핑몰에서 장바구니에 상품을 담고도 구매하지 않는 사람이 많다면, 데이터분석가는 단순히 “구매율이 낮다”에서 멈추지 않습니다. 어느 단계에서 빠져나갔는지, 모바일과 PC 차이가 있는지, 할인 쿠폰을 본 사람과 안 본 사람의 행동이 다른지 같이 봅니다. 그리고 “결제 화면 진입 후 이탈률이 38%라면 배송비 노출 시점을 바꿔볼 만하다”처럼 행동으로 이어지는 제안을 만듭니다.
데이터분석가가 실제로 하는 일
데이터분석가의 하루는 회사마다 꽤 다릅니다. 스타트업에서는 매출, 고객 행동, 광고 성과를 넓게 보는 경우가 많고, 큰 조직에서는 상품, 마케팅, 재무, 운영처럼 영역을 나눠서 맡기도 합니다. 공통점은 질문을 데이터로 확인하고, 그 결과를 다른 팀이 쓸 수 있는 언어로 바꾸는 일입니다.
가장 흔한 업무는 지표 확인입니다. 월 매출, 재구매율, 가입 전환율, 평균 주문 금액 같은 숫자를 매일 또는 매주 봅니다. 숫자가 평소와 다르게 움직이면 원인을 찾습니다. 지난주보다 가입자가 20% 줄었다면 광고비가 줄었는지, 유입 채널이 바뀌었는지, 가입 화면 오류가 있었는지 하나씩 확인합니다.
두 번째는 리포트와 대시보드 제작입니다. 엑셀이나 스프레드시트로 시작할 수도 있고, 회사에 따라 Tableau, Power BI, Looker 같은 도구를 씁니다. 좋은 대시보드는 예쁜 그래프보다 빠르게 판단할 수 있는 구조가 중요합니다. 매출 그래프 하나를 보여주더라도 전주 대비, 전월 대비, 목표 대비를 같이 보여주면 보는 사람이 훨씬 덜 헤맵니다.
세 번째는 실험 분석입니다. 버튼 색을 바꾸거나 가격 표시 방식을 바꿨을 때 구매율이 달라지는지 보는 식입니다. A안과 B안을 나눠서 테스트하고, 1만 명 중 몇 명이 클릭했는지 비교합니다. 차이가 0.2%포인트라면 우연일 수도 있으니 표본 수와 기간을 같이 봐야 합니다. 이런 감각이 쌓이면 숫자를 더 차분하게 보게 됩니다.
처음 준비할 때 필요한 기술 순서
처음부터 모든 도구를 잡으려고 하면 금방 지칩니다. 솔직히 데이터분석가 준비에서 가장 먼저 익숙해져야 할 것은 엑셀 또는 스프레드시트입니다. 필터, 피벗 테이블, 조건부 서식, 기본 함수만 제대로 써도 작은 회사의 많은 분석 업무를 처리할 수 있습니다. 매출 원본 5천 줄을 상품별, 날짜별로 나누는 연습만 해도 데이터 감각이 꽤 올라갑니다.
그다음은 SQL입니다. 데이터분석가 채용 공고를 보면 SQL은 거의 기본처럼 등장합니다. 데이터베이스에서 원하는 데이터를 꺼내는 언어라서 그렇습니다. 처음에는 SELECT, WHERE, GROUP BY, JOIN만 익혀도 충분합니다. 예를 들어 “최근 30일 동안 2회 이상 구매한 고객 수”를 뽑는 쿼리를 직접 만들 수 있으면 실무 대화가 훨씬 편해집니다.
Python은 그다음 단계로 두면 좋습니다. pandas로 데이터를 다루고, matplotlib이나 seaborn으로 그래프를 그리는 정도부터 시작하면 됩니다. 물론 모든 회사가 Python을 필수로 요구하는 건 아닙니다. 하지만 반복 작업을 줄이거나 큰 파일을 다룰 때 확실히 강합니다. 엑셀에서 30분 걸리던 작업을 코드 몇 줄로 처리하는 경험을 하면 왜 배우는지 바로 느껴집니다.
- 1단계: 엑셀 또는 스프레드시트로 표 다루기
- 2단계: SQL로 데이터 추출하기
- 3단계: Python으로 반복 분석 자동화하기
- 4단계: BI 도구로 대시보드 만들기
- 5단계: 통계 기초로 숫자의 의미 판단하기
통계는 너무 어렵게 시작하지 않아도 됩니다. 평균과 중앙값 차이, 비율, 분산, 상관관계, 표본의 의미부터 잡으면 됩니다. 예를 들어 고객 10명의 평균 구매액과 고객 10만 명의 평균 구매액은 무게가 다릅니다. 숫자가 같아 보여도 믿을 수 있는 정도가 다르다는 감각이 중요합니다.
포트폴리오는 작게 시작하는 게 좋다
데이터분석가 준비에서 많은 사람이 포트폴리오를 크게 만들려고 합니다. 그런데 처음에는 거창한 주제보다 실무와 닮은 작은 프로젝트가 더 좋습니다. “카페 매출 데이터로 인기 메뉴 찾기”, “온라인 강의 수강 기록으로 이탈 구간 찾기”, “가상의 쇼핑몰 주문 데이터로 재구매 고객 분석하기” 같은 주제가 오히려 평가하기 쉽습니다.
좋은 포트폴리오는 그래프가 많은 문서가 아닙니다. 질문, 데이터, 분석 과정, 판단, 제안이 자연스럽게 이어져야 합니다. 예를 들어 “신규 고객보다 재구매 고객의 객단가가 1.7배 높았다”는 결과가 나왔다면, 그다음에는 재구매를 늘리기 위한 쿠폰 시점이나 멤버십 혜택 제안까지 이어지는 편이 좋습니다.
분량은 3개 정도면 충분합니다. 하나는 SQL 중심, 하나는 Python 중심, 하나는 대시보드 중심으로 구성하면 균형이 잡힙니다. 각 프로젝트마다 사용한 도구를 길게 자랑하기보다, 어떤 문제를 풀었고 어떤 기준으로 판단했는지 보여주는 게 더 설득력 있습니다.
포트폴리오에 넣으면 좋은 구성
- 처음 던진 질문: 예를 들어 “구매 전환율이 낮은 구간은 어디인가”
- 사용한 데이터 설명: 기간, 행 수, 주요 컬럼
- 분석 과정: 필터링, 그룹화, 비교 기준
- 발견한 내용: 수치와 그래프로 확인한 변화
- 실행 제안: 담당자가 바로 논의할 수 있는 액션
근데 여기서 중요한 건 데이터가 완벽하지 않아도 된다는 점입니다. 실무 데이터도 늘 깔끔하지 않습니다. 날짜 형식이 섞여 있고, 빈 값이 있고, 같은 고객명이 다르게 적힌 경우도 있습니다. 이런 문제를 어떻게 처리했는지 적어두면 오히려 실무 감각을 보여줄 수 있습니다.
취업 준비는 채용 공고부터 거꾸로 보면 빠르다
무작정 공부 목록을 늘리는 것보다 채용 공고 20개를 모아 공통으로 나오는 요구사항을 보는 편이 빠릅니다. 초급 데이터분석가 공고에서는 SQL, 지표 설계, 대시보드, 커뮤니케이션이 자주 보입니다. 반면 머신러닝 모델 개발이나 딥러닝은 데이터 사이언티스트 직무에 더 많이 붙습니다. 두 직무가 겹치는 부분은 있지만, 준비 방향은 다르게 잡는 게 좋습니다.
이력서에는 “Python 사용 가능”처럼 넓은 표현만 쓰면 약합니다. “주문 데이터 3만 건을 상품군별로 분석해 재구매율 차이를 비교했다”처럼 숫자와 행동이 들어가면 훨씬 선명합니다. 면접에서도 비슷합니다. 어려운 알고리즘 이름보다 왜 그 지표를 봤는지, 다른 해석 가능성은 없었는지, 데이터가 부족할 때 무엇을 추가로 확인할지 말할 수 있어야 합니다.
연봉이나 근무 형태는 회사 규모와 산업에 따라 차이가 큽니다. 커머스, 금융, 게임, 콘텐츠, 교육 서비스는 데이터분석가 수요가 꾸준한 편입니다. 다만 같은 데이터분석가라도 어떤 곳은 마케팅 분석에 가깝고, 어떤 곳은 제품 분석이나 사업 분석에 가깝습니다. 그래서 지원 전에 공고의 업무 내용을 읽고 자신이 만든 포트폴리오와 이어지는지 보는 게 좋습니다.
꾸준히 성장하려면 질문력이 필요하다
데이터분석가를 준비하다 보면 도구 공부에 마음이 쏠립니다. 그런데 시간이 지날수록 차이를 만드는 건 질문력입니다. “매출이 왜 줄었을까”보다 “신규 고객 유입 감소와 기존 고객 구매 빈도 감소 중 무엇이 더 큰 영향을 줬을까”가 더 좋은 질문입니다. 질문이 구체적이면 필요한 데이터도 또렷해집니다.
실무에서는 숫자를 맞히는 것보다 사람들과 맞춰가는 일이 많습니다. 마케터는 캠페인 성과를 알고 싶어 하고, 기획자는 기능 개선의 영향을 알고 싶어 하고, 경영진은 전체 흐름을 빠르게 보고 싶어 합니다. 같은 데이터를 보더라도 상대가 어떤 결정을 내려야 하는지에 따라 보여주는 방식이 달라집니다.
그래서 초보자라면 매주 작은 분석 하나를 끝까지 해보는 방식이 좋습니다. 월요일에 질문을 정하고, 화요일에 데이터를 모으고, 수요일에 분석하고, 목요일에 그래프를 만들고, 금요일에 1페이지로 설명하는 식입니다. 8주만 반복해도 포트폴리오 소재가 쌓이고, 무엇보다 데이터 앞에서 덜 긴장하게 됩니다.
데이터분석가는 화려한 직업이라기보다 꾸준히 묻고 확인하는 직업에 가깝습니다. 숫자를 다루지만 결국 사람의 선택을 돕는 일이라서, 꼼꼼함과 호기심이 같이 필요합니다. 처음부터 완벽한 분석가가 되려 하기보다 작은 데이터로 질문을 만들고 답을 찾아가는 경험을 쌓으면, 어느 순간 공고 속 요구사항이 조금 덜 멀게 느껴질 겁니다.
