데이터 사이언티스트 (Data Scientist)는 데이터 분석가 (Data Analyst)보다 더 fancier한 job title인가?

 

 

오늘은 좀 dare한 주제에 대해서 한 번 이야기 해 보고자 합니다.

상담을 진행하다 보면 재미있는 현상들이 보일 때가 있습니다. 그 중 하나가 Data Analyst보다 Data Scientist가 되고 싶어하는 분들이 더 많다는 것인데요. 

더 흥미로운 점은 '그럼 왜 Data Scientist'가 되고 싶으신가요? 라고 질문을 드리면, 하시고자 하는 일이 좀 더 Data Analyst나 Data Science Manager 스러운 일들을 말씀 하시는 경우가 많습니다.

그러다가 최근에 데이터 사이언티스트가 데이터 분석가보다 좀 더 전문적인 느낌이 나고 (소위 말해 끝판왕 느낌 ㅋㅋ 이라고 casual하게 이야기해주셨습니다) 시장 대우가 더 좋기 때문입니다! 라고 이야기 해주신 분이 계셨습니다 😁

그럼 이쯤에서 우리가 생각해보아야 할 질문은 과연 정말 데이터 사이언티스트가 데이터 분석가 보다 있어보이고 fancier한 title일까요? (Is "data scientist" a fancier title for "data analyst"?)

 

Is "data scientist" a fancier title for "data analyst"?

 

첫째, 제 생각엔 직업에 귀천은 없다고 생각합니다. 저는 그저 데이터 사이언티스트와 데이터 애널리스트는 다른 직무를 수행하고 있다고 생각할 뿐입니다.

많은 사람들이 데이터 사이언티스트를 데이터 애널리스트 보다 선호하는 이유는, 바로 '데이터 애널리스트'는 상대적으로 statistical modeling이나 머신러닝을 상대적으로 덜 사용할 것이라는 편견으로부터 비롯된다고 생각합니다.

하지만, 실상을 살펴보면, 많은 데이터 사이언티스트들도 상당한 비중으로 SQL, data pooling, business ingeliigence (BI) 업무를 수행하고 있으며, 상대적으로 statistical modeling, 머신러닝 (ML)을 적게 사용하는 분들도 많습니다.

그리고 이런 업무들은 과거의 데이터 분석가 분들이 하던 일과 유사합니다. 그저 어떤 회사에서는 저런 일을 하는 사람을 데이터 분석가라고 부르기도 하고, 또 어떤 회사는 데이터 사이언티스트라고 부르기도 하는 것에 불과합니다.

따라서, 위의 질문에 대한 제 답은 '아니오'입니다. 왜냐하면, job title이 전부가 아니기 때문이죠.

 

특히 요즘 데이터 분석가에게 요구되는 역량은 과거의 그것보다 더 높은 수준의 Statistics이나 ML 지식을 요구하고 있습니다. 이미 여러분이 SQL과 Microsoft Excel을 할 줄 안다 하더라도, Employer들은 여러분이 Statistics, Regression, ML 알고리즘에 대해서 알고 있기를 기대하니깐요. 

따라서, Excel의 vlookup이나 pivot table을 사용해서 data aggregation/segments에 주로 초점을 맞추는 전통적인 분석가 (analyst)의 역할과 다르다고 이야기 할 수 있습니다. 단순히, 숫자를 제시하는 것이 아니라 가설을 세우고 그 질문에 대한 답을 찾을 수 있어야 하기 때문입니다.

우리가 흔히 이야기하는 'model'의 정의를 좀 더 넓게 생각해 본다면, 시각화 (data visualization)나 대시보드 (dashboard) 만드는 일도 어떻게 보면 모델링이라고 할 수 있습니다. 왜냐하면, 우리는 raw data에 담긴 pattern을 알아차리고 이를 인사이트로 전환하는 일을 하고 있기 때문이죠.

Learning Ray라는 책에서도 이러한 부분을 지적하고 있습니다. 

Although data scientist is a terrible term, it’s like calling hackers computer scientist. Data science practitioners probably is better fit both data analyst and data scientists.

데이터 과학자는 끔찍한 용어이지만, 이는 마치 해커를 컴퓨터 과학자라고 부르는 것과 유사하다. 데이터 애널리스트나 데이터 사이언티스트를 모두 데이터 사이언스 실무자라고 부르는 것이 더 적합하다.

- Learning Ray 중에서

 

기본적으로 데이터 사이언스 실무자의 역할은 더 다양하고 깊이가 있습니다. 데이터 사이언티스트의 역할이 반드시 리서치를 하거나 복잡한 statistical model을 만드는 것을 의미하는 것은 아닙니다. 결국 job의 핵심은 문제 상황이 주어졌을 때 올바른 방법론 (methodology)과 올바른 해결책 (solution)을 제시하는 것이니까요. 단순히 A/B testing을 하든, BI 대시보드를 만들든, Excel을 사용하든 올바르게만 사용한다면 문제 삼지 않습니다. 

연봉 이야기를 좀 해볼까요? 만약 연봉을 더 많이 받고 싶다면, 우리는 인과 추론 (causal inference) 지식을 활용해서 causal analysis도 하고 engineering 기술을 좀 더 사용해서 우리의 솔루션을 확장할 수 있다면, 좀 더 많은 연봉을 받을 수 있겠습니다.

따라서, 잡서칭 할 때 요구되는 skill set과 salary range에 좀 더 주의를 기울일 필요가 있습니다. 특히, 내가 가고 싶은 산업군, 직무, 그리고 그 해당 분야에서 자주 사용하는 skill set과 주로 사용하는 분석 / 방법론 등에 선택과 집중을 하시는 것이 중요합니다.

생각해보면 우리가 사용하는 tools와 title은 그 시대와 유행, 트렌드에 맞춰 뜨기도 하고 지기도 합니다. 하지만, 우리가 그 과정 속에서 습득한 statistics, algorithm, engineering 지식은 영원히 존재하는 것들입니다. 

당장의 Job title 보다는, 내가 궁극적으로 하고 싶은 일과 그 일에 필요한 skill과 knowledge를 습득하시는 데 집중하시면, 분명 머지앉아 여러분의 dream job은 현실이 될 것이라고 믿습니다. 감사합니다.

 

 

 

 

 

 

#영어이력서 #영문이력서 #이력서 #Cover #coverletter #resume #레주메 #데이터분석 #데이터애널리스트 #미국데이터분석석사 #미국석사 #데이터과학자 #네트워킹이벤트 #GMAT #링크드인 #미국데이터분석 #데이터사이언스 #미국 #GRE #해외취업 #데이터사이언티스트 #미국현지취업 #데이터분석석사 #글래빈 #미국데이터사이언티스트 #글래빈미국 #글래빈미국데이터사이언티스트 #브라이언 #브라이언미국데이터사이언티스트 #스테이시미국데이터사이언티스트 #미국대학원 #해외취업마스터 #미국생활 #데이터사이언스석사 #미국유학생 #유학생 #미국데이터 #애널리틱스석사 #데이터석사 #미국데이터석사유학 #뉴욕직딩 #미국유학 #미국직장인 #미국취업 #미국현지취업 #prerequisites #선수과목 #미국대학원선수과목 #리트코드 #테크니컬인터뷰 #코딩인터뷰 #leetcode