데이터사이언티스트가 되려면 이렇게 준비하면 됩니다

현장에서 먼저 보는 데이터사이언티스트의 일

얼마 전 지인이 커리어 전환을 고민하면서 데이터사이언티스트는 하루 종일 인공지능 모델만 만드는 직업이냐고 묻더라고요. 사실 이름만 들으면 굉장히 멋지고 복잡해 보이지만, 실제 업무는 꽤 현실적입니다. 데이터를 모으고, 이상한 값을 찾고, 왜 매출이 떨어졌는지 가설을 세우고, 숫자로 설득하는 일이 많습니다.

예를 들어 쇼핑몰에서 장바구니에 상품을 담고도 결제하지 않는 사람이 100명 중 68명이라면, 데이터사이언티스트는 단순히 “사람들이 안 샀다”에서 멈추지 않습니다. 어느 단계에서 많이 빠지는지, 모바일과 PC 차이는 있는지, 할인 쿠폰을 본 사람과 안 본 사람의 행동이 다른지 비교합니다. 그러다 보면 결제 버튼 위치, 배송비 표시 시점, 회원가입 과정 같은 아주 구체적인 문제가 보입니다.

그래서 데이터사이언티스트를 준비할 때는 수학 천재가 되어야 한다는 부담을 먼저 내려놓는 게 좋습니다. 물론 통계와 프로그래밍은 필요합니다. 그런데 그보다 더 자주 쓰이는 능력은 “이 숫자가 왜 이렇게 나왔지?” 하고 끝까지 물어보는 태도입니다.

초보자가 먼저 익히면 좋은 기술 순서

처음부터 머신러닝 논문이나 딥러닝 모델에 뛰어들면 금방 지칠 수 있습니다. 운동을 시작하자마자 풀코스 마라톤을 뛰는 느낌이랄까요. 데이터사이언티스트 준비는 기초 도구부터 차근차근 쌓는 편이 훨씬 오래 갑니다.

1단계: 엑셀과 스프레드시트로 데이터 감각 만들기

의외로 많은 회사에서 아직도 엑셀을 씁니다. 필터, 피벗테이블, 기본 함수만 잘 다뤄도 데이터 구조를 보는 눈이 생깁니다. 매출표에서 월별 합계를 내고, 고객군별 평균 구매액을 비교하고, 이상하게 튀는 숫자를 찾는 연습은 나중에 파이썬을 배울 때도 그대로 이어집니다.

2단계: SQL로 데이터를 꺼내는 능력 갖추기

실무에서는 데이터가 예쁜 파일 하나로 주어지는 경우보다 데이터베이스 안에 들어 있는 경우가 많습니다. 그래서 SQL은 거의 필수에 가깝습니다. 처음에는 SELECT, WHERE, GROUP BY, JOIN 정도만 익혀도 충분히 많은 분석을 할 수 있습니다. 예를 들어 “최근 30일 동안 3회 이상 구매한 고객”을 뽑거나 “카테고리별 재구매율”을 계산하는 식입니다.

3단계: 파이썬으로 분석 자동화하기

파이썬은 반복 작업을 줄여주는 도구입니다. 판다스로 데이터를 불러오고, 누락값을 처리하고, 그래프로 흐름을 보면 손으로 하던 일이 훨씬 빨라집니다. 하루에 10분 걸리던 보고서 작업을 코드로 바꿔두면 다음부터는 몇 초 만에 끝나기도 합니다. 이런 경험이 쌓이면 공부가 갑자기 현실적인 힘을 갖습니다.

엑셀: 데이터 형태와 기본 계산에 익숙해지기
SQL: 필요한 데이터를 직접 조회하기
파이썬: 반복 분석과 시각화를 자동화하기
통계: 평균, 중앙값, 분산, 상관관계부터 이해하기
머신러닝: 회귀, 분류, 예측 문제를 작은 예제로 연습하기

포트폴리오는 거창한 프로젝트보다 문제 해결이 중요합니다

데이터사이언티스트 포트폴리오라고 하면 많은 사람이 “영화 추천 시스템”이나 “주가 예측 모델”을 떠올립니다. 물론 나쁜 주제는 아닙니다. 다만 채용 담당자가 보고 싶은 건 모델 이름이 아니라 문제를 정의하고, 데이터를 다루고, 결과를 해석하는 과정입니다.

예를 들어 배달 주문 데이터를 가정해 봅시다. 단순히 주문 수를 그래프로 그리는 것보다 “비 오는 날 주문 금액이 평균적으로 얼마나 달라지는가”, “점심 시간과 저녁 시간의 인기 메뉴는 어떻게 다른가”, “재주문 고객은 첫 주문 때 어떤 특징을 보이는가”처럼 질문을 분명하게 잡으면 훨씬 좋아집니다.

숫자도 구체적으로 보여주는 편이 좋습니다. “재구매 고객은 첫 주문 금액이 높았다”보다 “재구매 고객의 첫 주문 평균 금액은 2만 4천 원, 비재구매 고객은 1만 8천 원이었다”가 더 설득력 있습니다. 여기에 왜 그런 차이가 생겼는지 가설을 붙이면 글이 살아납니다.

비전공자가 준비할 때 자주 막히는 부분

비전공자라면 수학에서 한 번, 코딩에서 또 한 번 막히는 경우가 많습니다. 근데 이건 자연스러운 과정입니다. 처음부터 통계 공식의 증명을 전부 외우려고 하면 어렵습니다. 대신 평균이 왜 왜곡될 수 있는지, 표본이 작을 때 해석이 왜 위험한지, 상관관계가 인과관계를 뜻하지 않는 이유처럼 실제 판단에 필요한 개념부터 잡는 편이 좋습니다.

코딩도 마찬가지입니다. 문법을 완벽하게 외우는 것보다 작은 문제를 계속 풀어보는 쪽이 낫습니다. CSV 파일을 불러와서 행 개수를 세고, 특정 조건의 데이터만 남기고, 월별 평균을 구하는 식으로요. 이런 작은 작업이 모이면 실무 분석의 뼈대가 됩니다.

학습 시간은 사람마다 다르지만, 퇴근 후 하루 1시간씩 꾸준히 한다면 3개월 안에 기본 SQL과 파이썬 분석 흐름은 잡을 수 있습니다. 6개월 정도면 개인 프로젝트 2~3개를 만들 수 있고, 1년 정도 집중하면 주니어 포지션에 지원할 만한 기반을 갖추는 사람도 많습니다. 물론 속도보다 중요한 건 매주 손으로 데이터를 만지는 습관입니다.

채용 공고를 읽을 때 보는 포인트

데이터사이언티스트 채용 공고는 회사마다 의미가 조금씩 다릅니다. 어떤 곳은 분석가에 가깝고, 어떤 곳은 머신러닝 엔지니어에 가깝습니다. 그래서 공고를 볼 때 직무명을 그대로 믿기보다 실제 업무 내용을 봐야 합니다.

“대시보드 구축”, “지표 분석”, “A/B 테스트”가 많다면 비즈니스 분석 성격이 강합니다. “추천 모델”, “예측 모델”, “모델 배포”가 자주 나오면 머신러닝 비중이 큽니다. “데이터 파이프라인”, “ETL”, “클라우드”가 보이면 데이터 엔지니어링과 가까울 수 있습니다. 이 차이를 알고 지원하면 준비 방향이 훨씬 선명해집니다.

분석 중심 공고: SQL, 통계, 시각화, 커뮤니케이션을 강조
모델링 중심 공고: 머신러닝, 파이썬, 실험 설계 경험을 강조
엔지니어링 성격 공고: 데이터 파이프라인, 배포, 클라우드 이해를 강조

면접에서는 “어떤 모델을 썼는지”보다 “왜 그 방법을 골랐는지”를 자주 묻습니다. 예측 정확도가 90%였다고 말하는 것보다 기준 모델은 무엇이었고, 어떤 지표를 썼고, 실제 업무에서 그 결과를 어떻게 활용할 수 있는지 설명하는 사람이 더 믿음직해 보입니다.

데이터사이언티스트는 화려한 기술명으로만 만들어지는 직업은 아닙니다. 숫자를 읽고, 사람의 행동을 상상하고, 회사가 실제로 움직일 수 있는 제안을 만드는 일에 가깝습니다. 그래서 공부를 시작할 때도 “언젠가 어려운 모델을 만들겠다”보다 “작은 데이터를 보고 쓸모 있는 질문을 던지겠다”는 마음이 훨씬 오래 갑니다. 그런 습관이 쌓이면 어느 순간 데이터가 그냥 숫자표가 아니라 꽤 재미있는 이야기처럼 보이기 시작합니다.