얼마 전 지인이 “데이터사이언티스트가 되려면 수학을 엄청 잘해야 하냐”고 묻더라고요. 사실 저도 처음엔 그 이미지가 강했습니다. 어려운 수식이 가득한 화면 앞에서 천재처럼 모델을 만드는 사람. 그런데 실제 일을 들여다보면 생각보다 훨씬 생활형에 가깝습니다. 데이터를 모으고, 이상한 값을 찾고, 왜 매출이 떨어졌는지 설명하고, 그 설명을 팀이 이해하게 만드는 일이 꽤 큰 비중을 차지합니다.
그래서 데이터사이언티스트를 준비할 때는 “머신러닝부터 끝내야지”보다 “내가 데이터를 가지고 문제를 설명할 수 있는가”를 먼저 잡는 편이 좋습니다. 초보자라면 더더욱 순서가 중요합니다.
데이터사이언티스트가 실제로 하는 일부터 잡기
데이터사이언티스트는 회사마다 역할이 조금씩 다릅니다. 어떤 곳은 분석가에 가깝고, 어떤 곳은 머신러닝 엔지니어에 가깝습니다. 그래도 공통으로 자주 나오는 일은 있습니다.
- 서비스 데이터에서 사용자 행동 패턴 찾기
- 매출, 전환율, 이탈률 같은 지표를 분석하기
- A/B 테스트 설계와 결과 해석하기
- 예측 모델을 만들고 성능을 비교하기
- 분석 결과를 기획자, 마케터, 개발자에게 설명하기
예를 들어 쇼핑몰에서 장바구니까지 간 사람은 많은데 결제가 적다면, 데이터사이언티스트는 단순히 “결제율이 낮다”고 말하는 데서 멈추지 않습니다. 모바일 사용자인지, 특정 브라우저에서 문제가 생겼는지, 쿠폰 적용 단계에서 이탈이 많은지 쪼개서 봅니다. 이 과정에서 SQL로 데이터를 뽑고, 파이썬으로 가공하고, 그래프를 만들어 팀이 바로 판단할 수 있게 돕습니다.
초보자가 먼저 익힐 기술 순서
처음부터 모든 기술을 한꺼번에 잡으려고 하면 금방 지칩니다. 데이터사이언티스트 준비는 크게 4단계로 나누면 부담이 줄어듭니다.
1. SQL은 가장 먼저 익히는 편이 좋습니다
실무 데이터는 대부분 데이터베이스에 들어 있습니다. 그래서 SQL은 거의 입장권에 가깝습니다. 복잡한 알고리즘을 몰라도 SELECT, WHERE, GROUP BY, JOIN만 제대로 써도 할 수 있는 분석이 많습니다. 초보자라면 하루 30분씩 4주 정도만 꾸준히 해도 기본 조회와 집계는 손에 익습니다.
2. 파이썬은 분석 도구로 접근하면 됩니다
파이썬을 개발자처럼 전부 배울 필요는 없습니다. 먼저 pandas로 표 데이터를 다루고, matplotlib이나 seaborn으로 그래프를 그리는 정도부터 시작하면 됩니다. 파일을 불러오고, 결측치를 확인하고, 그룹별 평균을 비교하는 흐름이 자연스러워지면 그다음 단계가 훨씬 쉬워집니다.
3. 통계는 실무 질문과 붙여서 배우면 덜 어렵습니다
통계는 이름만 들어도 부담스러운데, 사실 실무에서는 질문과 함께 쓰면 이해가 빨라집니다. “광고 A와 광고 B의 클릭률 차이가 우연일까?”, “평균 구매 금액이 오른 게 특정 고객군 때문일까?” 같은 식입니다. 평균, 중앙값, 분산, 상관관계, 가설검정 정도를 먼저 잡으면 분석 보고서의 설득력이 달라집니다.
4. 머신러닝은 마지막에 프로젝트로 연결하기
머신러닝은 초보자가 가장 먼저 달려들기 쉬운 영역입니다. 근데 데이터 전처리와 문제 정의가 약하면 모델만 돌리고 끝나기 쉽습니다. 회귀, 분류, 군집화처럼 자주 쓰는 방식부터 익히고, “어떤 고객이 다음 달에 이탈할 가능성이 높은가”처럼 현실적인 문제에 붙여 보는 편이 좋습니다.
포트폴리오는 화려함보다 문제 해결 흐름이 중요합니다
포트폴리오를 만들 때 예쁜 그래프를 많이 넣는 것보다 중요한 건 흐름입니다. 면접관은 보통 “이 사람이 왜 이 분석을 했고, 어떤 판단을 했는지”를 보고 싶어 합니다. 그래서 프로젝트 하나를 만들더라도 다음 구조가 보이면 좋습니다.
- 문제: 어떤 상황을 해결하려 했는지
- 데이터: 어떤 데이터를 사용했고 어떤 한계가 있었는지
- 분석: 어떤 기준으로 나누어 봤는지
- 결과: 숫자로 어떤 변화나 차이를 발견했는지
- 제안: 이 분석을 바탕으로 무엇을 바꿀 수 있는지
예를 들어 영화 평점 데이터를 다룬다면 단순히 장르별 평균 평점을 내는 것에서 끝내지 않는 게 좋습니다. 개봉 연도, 장르, 리뷰 수, 평점 분포를 함께 보고 “리뷰 수가 적은 영화의 평균 평점은 왜 높게 보일 수 있는가”까지 설명하면 훨씬 실무형 프로젝트처럼 보입니다.
프로젝트 개수는 처음부터 10개를 만들 필요가 없습니다. 잘 설명된 2~3개가 대충 만든 10개보다 낫습니다. 코드가 깔끔한지도 중요하지만, 분석 노트에 왜 그런 선택을 했는지 남겨두면 면접 때 말할 거리가 생깁니다.
처음 90일은 이렇게 잡으면 현실적입니다
완전 초보라면 3개월 계획으로 시작하는 게 좋습니다. 첫 달은 SQL과 엑셀 또는 스프레드시트 감각을 잡습니다. 둘째 달은 파이썬으로 데이터 불러오기, 전처리, 시각화를 연습합니다. 셋째 달은 작은 프로젝트를 하나 완성합니다. 이때 중요한 건 매일 긴 시간을 확보하는 것보다 끊기지 않는 리듬입니다.
- 1~4주차: SQL 기본 문법, 집계, JOIN 연습
- 5~8주차: 파이썬 pandas, 그래프, 데이터 클렌징 연습
- 9~12주차: 공개 데이터로 분석 프로젝트 1개 완성
하루 1시간만 확보해도 90일이면 꽤 많이 달라집니다. 물론 바로 취업이 된다는 뜻은 아닙니다. 다만 “무엇을 모르는지 모르는 상태”에서 “내가 어떤 부분을 더 채워야 하는지 아는 상태”로 넘어가는 데는 충분한 시간입니다.
비전공자도 가능하지만, 방향을 좁히는 게 좋습니다
비전공자도 데이터사이언티스트를 준비할 수 있습니다. 다만 처음부터 연구직 수준의 머신러닝까지 목표로 잡으면 길이 너무 길어집니다. 마케팅 데이터 분석, 제품 지표 분석, CRM 분석처럼 비즈니스와 가까운 영역에서 시작하면 진입 장벽이 조금 낮아집니다.
솔직히 데이터사이언티스트라는 이름은 멋있지만, 실제 준비 과정은 꽤 꾸준하고 반복적입니다. 에러가 나고, 데이터가 지저분하고, 그래프가 예상과 다르게 나오기도 합니다. 그런데 그 과정을 지나면서 숫자로 상황을 설명하는 힘이 생깁니다. 저는 그게 이 직무의 가장 큰 매력이라고 생각합니다. 막연히 멋진 직업을 좇기보다, 작은 데이터 하나를 끝까지 붙잡고 설명해보는 경험부터 쌓으면 길이 조금씩 선명해집니다.
