Mega Con 2022 Data & AI 데이터 컨퍼런스 후기 : 데이터 직무의 채용, 커리어 패스를 중심으로

지난 6월 11일 패스트캠퍼스에서 주관한 Mega Con 2022 데이터 컨퍼런스에 참여 후 남기는 후기. 패스트캠퍼스의 메가바이트 스쿨 데이터 분석가 과정을 밟고 있어 패스트 러너 프라이빗 컨퍼런스에 참여할 수 있는 좋은 기회를 얻을 수 있었다. 연사분들이 전달해주시는 내용이 밀도 높고 놓칠 수 없어서 4시간 동안 진행되는 웨비나였는데도 완전 풀 집중해서 들었다. 데이터 관련 직무를 준비하는 사람들에게 꼭 필요한 정보들이 많았기에 (- 특히 데이터 직무 채용과 역량 관련된 부분) 도움이 되고자 아래 정리해본다. 

 

데이터 기술 산업에서 데이터 사이언스의 트렌드와 커리어 패스 - 이민용 연사

첫 세션은 뱅크 샐러드 데이터 사이언스 팀 헤드이신 이민용 연사님의 데이터기술 산업에서 데이터 사이언스의 트렌드와 커리어 패스가 주제로 진행되었다. 해외, 국내 스타트업 모두 경험이 있으셨던 만큼 유니콘 기업에서 데이터 활용의 중요성에 대한 이야기로 시작하셨는데, 대부분의 데이터가 적재되는 요즘 데이터 활용은 어느 기업에서나 중요하지만, 급변하는 트렌드의 물살을 잘 타야 하는 스타트업의 경우 데이터 기반의 의사 결정이 생존과 성장의 필수 요소일 것이다.

🔍  데이터 기반 의사결정
ㆍ 제품 개발의 모든 단계에서 데이터를 활용
    ㆍ 인사이트 도출
    ㆍ 실험 분석
    ㆍ 예상 임팩트 추정, 개발 순위 선정

데이터를 활용해 제품 개선 아이디어 도출로 퍼널 이탈을 낮추고 유저 인사이트를 파악하는 것, 이제는 기본적인 부분이 된 것 같다. 선도하는 스타트업이라면 여기에 기능에 대한 예상 임팩트를 추청해 개발 우선 순위를 선정하기도 한다. 예측은 아마 데이터 사이언티스트의 몫일 텐데, 실무에서 예측에 대한 솔루션이 어떻게 생성되고 적용되는 궁금해졌다.

기술에만 집착하는 것을 경계하기

데이터 관련 직무의 커리어 준비에 관한 이야기에서 강조하신 건 기술적인 면보다는 문제 해결 과정에서의 역량이 가장 중요하다는 것이었다. 데이터 사이언티스트로서 일을 잘하는가는 결국 복잡한 비즈니스의 문제들을 얼마나 단순하고 효과적으로 풀어내는 가, 그리고 비즈니스 임팩트를 만들 수 있는 가에 있다. 기업의 비즈니스 상황에서 어떤 것을 문제 삼고 어떤 방향으로 해결하고자 하는지가 중요하고, 기술은 그 해결 과정에서 필요한 기술을 습득하는 정도로만 필요하다는 것이다. 모든 기술을 완벽하게 잘 다루는 기능공으로서의 역할이 아닌, 문제를 효과적으로 푸는 Solver에 가까운 직무라고 할 수 있다.

커리어 역량: T Shaped Skills, 문제 해결, 커뮤니케이션

source: https://corporatefinanceinstitute.com/resources/careers/soft-skills/t-shaped-skills

앞서 언급했던 것처럼 데이터 사이언티스트 직무의 역량에서 가장 중요한 골자는 논리적이고 효과적인 문제 해결 능력이다. 사용자가 처한 문제를 명확하게 정의하고 이를 단순하고 효율적으로 해결할 수 있는 역량이 필요하다. 이러한 문제 해결 능력은 한 분야를 깊게 판 경험에서 길러질 수 있다. T-Shaped Skill은 특정 분야에 대한 깊고 전문적인 지식과 스킬을 뜻하는데, 연사님의 경험에 따르면 우물을 파듯 깊게 판 지식들이 결국에는 범용적으로 활용 가능한 인사이트로 귀결된다고 한다.

커뮤니케이션 역량 또한 빠질 수 없는데, 데이터 사이언티스트는 결국 비즈니스 임팩트, 제품 임팩트를 만드는 직무이기 때문에 타 부서와의 정확한 의사소통이 중요하다. 각 부서의 인사이트를 공유하는 과정에서 언어를 이해하고 또 정확하게 전달할 수 있어야 하는 것이다.

문제 Domain
ㆍ 검색, 광고, Trust & Risk, 마켓 플레이스, 실험, 시각화, 맵데이터, 가격 등

기업에서는 위와 같은 도메인 지식을 갖춘 데이터 사이언티스트를 원한다.

 

채용 핵심: 정량화, 문제 해결 능력 어필

서류에서는 당연하게도 성과를 정량화해서 어필해야 하고, 명확하고 간결한 구조를 갖추는 게 좋다. 지원자들이 많이 놓치는 부분 중에 하나가 지원하는 회사 및 포지션에 대한 JD에 맞춰 준비하는 것인데, 기업마다 요구하는 역량이 조금씩 다르다 보니 JD만 잘 파악해도 좋은 인상을 줄 수 있다. 면접은 문제 해결에 대한 역량을 검증하는 단계. 정답이 없는 질문을 주고 이를 어떤 식으로 풀어나가는지를 보면서 지원자의 역량을 가늠하는 것 같다.

💡  면접 질문으로 검증하는 역량들
ㆍ 주어진 문제 상황을 얼마나 구체화할 수 있는가
ㆍ 액션에 대한 효과를 정의할 수 있는가
ㆍ 지표를 어떻게 활용하고 정의하는가
ㆍ 인과 관계에 대한 이해와 추정이 논리적인가

 

세션에서 가장 와닿았던 건 역시 도메인 지식에 대한 중요성이었던 것 같다. 비전공, 비개발 직무에서 데이터 분석가 직무를 준비하면서 개발 언어에 대한 지식이 뒤쳐지는 부분이 우려되기도 했는데, 비중을 놓고 봤을 때 결국에 차별되는 지점을 만들 수 있는 건 인사이트라는 것에 방점을 찍기로 했다. 물론 프로젝트를 얼마나 인사이트풀하게 풀어나가느냐는 어떻게 보면 더 어려운 문제이겠지만, 문제를 조급하게 바라보지 말고 깊게 파는 시도를 하는 게 중요할 듯. 테크 툴은 수단으로 생각하니 마음의 부담이 덜어지기도 하고, 또 한편으로는 그럼에도 해결 과정을 개진하는 데에 걸림돌이 되지 않도록 착실히 배워야겠다는 양가적인 감정이 들었다. 결론은 툴에 매몰되지 않으면서 도메인 지식을 함양하는 게 가장 이상적인 준비 방향이라는 점을 다시 한번 짚어본다.

 

데이터를 하는 사람들은 어떤 커리어를 밟아야 하는가 - 하용호 연사

대 그로스 시대에서 Tool Chain의 시대로

최근 5년 사이 접근성이 낮았던 어려운 테크들이 제품화되어 편리해지면서 모든 직군이 데이터를 직접 볼 수 있게 되었고, 여기에서 더 나아가 현재는 클라우드 툴의 고도화로 대단한 기술 능력을 탑재하지 않더라도 툴을 활용할 수 있는 시대가 되었다. 좋은 클라우드 툴들을 Chain 시켜서 적절하게 활용하는 클라우드 엔지니어가 된다면 몇 사람 분을 커버할 수 있게 된다. 두 번째 세션을 다 듣고 느낀 점은 어떤 분야든 역량 강화를 위해서는 프로그래밍이 필수 불가결한 시대라는 것.

데이터 관련 직무 채용 현황과 필요 역량

전통적인 데이터 사이언티스트는 프로그래밍, 통계, 머신러닝, 분석, 커뮤니케이션이 모두 가능했던 사람이라면 현재는 데이터 분석가, ML 엔지니어, 데이터 엔지니어로 데이터 관련 직종이 분화된 양상이다. 진입장벽은 역시 소프트웨어 엔지니어링에 기반하는데, 데이터 엔지니어 > ML 엔지니어 > 데이터 분석가 순으로 진입 장벽이 높다고 볼 수 있다.

 

• 데이터 분석가
  • 진입 장벽이 비교적 낮다보니 기본적으로 경쟁이 치열
  • Pain Point: 사용할 수 있는 언어가 SQL Only인 경우
  • 여기에 Python + Pandas + jupiter notebook 활용 능력을 탑재하고 데이터 분석의 앞뒤에 연결되는 영역까지 커버한다면 경쟁력 ↑
• 데이터 ML 엔지니어
  • 수요보다 공급이 많음
  • Pain Point: 대용량 프로그래밍 스킬을 탑재한 사람이 적다, 차별점이 없는 프로젝트
  • ML 한정이 아닌 일반적 백엔드를 다룬 경험, 트레이닝 데이터를 직접 준비할 능력, 실제 프로덕트를 서비스에 적용해본 경험이 있다면 경쟁력 ↑
• 데이터 엔지니어
  • 진입 장벽이 높고 필요한 스펙이 많아 공급 기근
  • 백엔드 프로그래밍부터 서버 네트워크 지식부터 AWS, GCP 데이터 스택 탑재 필요
  • 프로그래밍과 SQL 모두 사용

공급이 넘치는 데이터 분석가와 ML 엔지니어 직무를 준비한다면 어떻게 차별화해야 하는가, 앞선 세션에서도 다루어주셨지만 회사에 맞게 커스터마이징한 이력서를 준비해야 한다. 회사가 집중하고 있는 테마를 겨냥해 어필 가능한 부분을 두드러지게 구성하면 좀 더 눈에 띄는 이력서가 될 것. 프로젝트 레퍼런스를 첨부한다면 레퍼런스에 대한 포인트를 먼저 짚어주고 필요한 것만 첨부하는 방식으로 간결하게 정리해야 한다.

 

데이터 분석 직무 주니어와 시니어의 역량

데이터 분석가 실무와 연관해 필요한 구체적인 역량은 주니어 / 시니어로 나누어 아래와 같이 정리된다.

💡  주니어 데이터 분석가의 역량
ㆍ 대부분 데이터 적재가 완벽하게 되어 있지 않는 경우가 많다.
      ⇒ 데이터 적재 툴을 활용해 데이터를 수집할 수 있어야 하고, 수집 체계를 잡는 것도 할 수 있어야 한다.
ㆍ 타부서에서 요청하는 Ad hoc을 쳐내는 피상적인 업무만 하지 않도록 주의해야 한다.
      ⇒ 외부 툴 등을 활용해 데이터를 Self-Serving 할 수 있도록 하고, 스스로 Why를 놓치지 않는 소프트 스킬이 필요하다.
ㆍ  SQL 역량이 뛰어나야 함

💡  시니어 데이터 분석가의 역량
ㆍ 시니어 데이터 분석가 라면 프로그래밍에 더욱 관여되어 있을 것
     ⇒ 클라우드에서 내가 원하는 원천을 직접 사용할 수 있는 능력
ㆍ 분석을 위한 ML에도 접근
     ⇒ 클래식 ML을 분석 용도로 활용, ML을 통해 데이터 패턴을 찾아내기도
ㆍ 최사의 데이터 체계를 잡고 비즈니스 방향성을 제시
ㆍ 사내 구성원들의 데이터 접근성 높이기

 

시니어 데이터 분석가는 갖고 있는 여러 역량 중 뛰어난 방향으로 딥다이브하기도 한다. (인하우스 컨설턴트, PO, 데이터 사이언티스트 등) 

포스트 내에서는 데이터 분석가만 다루었지만 모든 데이터 직무에서 주니어에서 시니어로 넘어가면서 공통적으로 요구되는 역량은 비즈니스 본질에 대한 관심과 소프트 스킬이다. 기업에 속해 있는 분석가, 엔지니어들의 목표는 결국 비즈니스를 따라야 하기 때문. 분석을 위한 분석이 아닌 비즈니스 단계에서 풀어야 할 문제를 제시하고 해결할 수 있어야 한다.

 

어렴풋이 예상하고 있던 데이터 직군 채용의 현실을 여과없이 알려주셔서 정말 많은 도움이 되었다. 특히 실제 업무와 연관해 필요한 역량은 실제로 현업에 부딪히고 있는 데이터 분석가의 시야를 엿본 기분이었다. 데이터 분석가 쪽으로 커리어를 탄다고 프로그래밍에 대한 접근을 단절해서는 안된다는 것을 깨달았고 (문/이과식 구분은 이제 더 이상 없다는 것..ㅎㅎ) 공급이 넘치는 데이터 분석가 직무를 더 열심히 준비해야겠다는 아름답고 빡센 결론을 내본다..

 

거대 AI 기술 현황 및 우리의 자세 - 주재걸 연사

세 번째 세션에서는 딥러닝과 AI에 대한 소개와 동향을 접할 수 있었다. 처음 듣는 개념들이 많아서 내용을 완벽하게 따라가지는 못했지만 흥미로운 세션이었다.

딥러닝은 인간이 사용하는 언어를 자연어로 재구성하여 기계를 학습시키는 것이다. 초기에는 태스크 목적에 따라 별도의 모델로 발달해왔지만 최근에는 자기지도학습의 발전으로 일반화 가능한 지식을 학습함으로써 다양한 분야에 적용될 수 있다고 한다. 어떤 도메인이든 데이터를 활용해 딥러닝을 적용할 수 있게 된 것이다.

 

이미지 생성 AI인 dall-e에서 'an armchair in the shape of an avocado.' 를 입력했을 때 생성되는 이미지. source: https://openai.com/blog/dall-e

딥러닝의 적용 분야는 무궁무진한데, 우리가 매일 사용하는 Face ID 부터 챗봇 시스템, 질병 자동 진단, 법률계에서는 판결 예측까지 적용될 수 있다. 숫자로 이루어진 컴퓨터가 인간의 세계를 이해하고 처리할 수 있도록 프로그래밍하는 과정이라는 점이 흥미로웠다. 웹소설 중간중간 문장을 채워두면 앞 뒤 단락을 완성해주는 자연어 생성 모델에 대한 것도 언급해주셨는데, 여러 가지 시나리오를 만들어야 하는 인터랙티브 스토리텔링 컨텐츠도 접목해볼 수 있지 않을까 하는 생각이 들었다. 인간과의 상호작용을 위해 만들어진 여러 AI 모델이 있고 지속적으로 연구 개발 중이라는 것을 세션을 통해 보다 쉽게 접근할 수 있었다.

 

현직자 네트워킹 - 김용담, 이세희 연사

마지막 세션은 실제 현직에 있는 실무자 분들과 네트워킹 세션으로 구성되어 커리어나 실무와 관련된 질문을 자유롭게 나눌 수 있었다. 두 연사 분은 각각 창업/프린래서와 직장인의 커리어 패스를 그려오셨는데 커리어 패스에 실제적으로 도움 되는 이야기들을 많이 공유해주셨다. 아래 도움이 되었던 코멘트들을 정리해두었다.

• 이력서, 포트폴리오 작업 Tip
  • 회사마다 원하는 이력서와 포트폴리오가 다르므로 회사가 원하는 인재상에 맞추어 준비하는 것이 중요
  • 개발자나 데이터 직무를 채용할 때 문제 해결 능력을 가장 중요하게 봄
  • 어떤 걸 배웠고 뭘 할 수 있는지, 프로젝트 경험 중심으로 구성, 문제점과 해결 과정 위주 정리
• 데이터 분석 직무와 전공 여부
  • 데이터 분석 분야가 생긴지 오래되지 않았기 때문에, 아직까지는 전공 분야라 할만한 게 없다
  • 전공/비전공 여부보다는 직무를 준비하면서 본인이 필요한 것들을 잘 갖추는 것이 중요하다
• 필요한 역량
  • 통계학적인 스킬을 좀 더 배운다면, 개발자와의 커뮤니케이션이 원활해질 것
  • 도메인 지식을 빠르게 학습할 수 있는 역량

마지막 세션에서도 역시나 문제 해결 능력, 지원하고자 하는 회사에 커스텀하기는 빠지지 않는 내용이었다.

 

회사 생활을 하면서 느꼈던 바는 정부나 빅테크 기업의 정책 변경에 따라 얼마든지 내 직무의 에코 시스템이 급변할 수 있다는 것, 변화에 대응하기 위해서 좀 더 본질적으로 데이터를 다루고 분석할 수 있는 역량을 키워야겠다는 것이었다. 이번 컨퍼런스를 들으면서 길을 잘 정해서 나아가고 있다는 확신이 들었다. 컨퍼런스를 통해 데이터 분석가 직무의 커리어 패스나 채용을 준비하는 자세를 좀 더 구체화할 수 있어서 참여하길 정말  x100 잘했다고 생각. 비대면 컨퍼런스였지만 실시간 Q&A가 원활하게 소통되어 네트워킹이 이루어진다는 느낌이었고, 데이터 분야의 전문가분들과 현직자 인사이트를 공유받을 수 있는 기회가 있어 운이 좋았다.