데이터분석가가 되려면 이렇게 준비하면 현실적입니다
처음엔 엑셀 표 하나 보는 것도 일이었습니다
얼마 전 지인이 “데이터분석가가 되려면 코딩부터 잘해야 하냐”고 물어봤습니다. 사실 저도 처음 데이터를 접했을 때는 거창한 인공지능이나 복잡한 알고리즘보다, 매출 표에서 이상하게 튀는 숫자 하나 찾는 일이 더 어렵게 느껴졌습니다. 그런데 막상 현업 이야기를 들어보면 데이터분석가는 매일 멋진 모델만 만드는 직업이라기보다, 흩어진 숫자를 읽고 사람들이 이해할 수 있는 말로 바꾸는 역할에 가깝습니다.
요즘 채용 공고를 보면 데이터분석가에게 SQL, Python, 통계, 시각화, 커뮤니케이션을 동시에 요구하는 경우가 많습니다. 처음 보는 사람 입장에서는 목록만 봐도 숨이 턱 막히죠. 근데 순서를 잘 잡으면 생각보다 현실적으로 준비할 수 있습니다. 모든 걸 한꺼번에 잘하려고 하기보다, 실제 업무 흐름에 맞춰 하나씩 쌓는 편이 훨씬 낫습니다.
데이터분석가가 실제로 하는 일
데이터분석가는 회사 안에서 질문을 숫자로 확인하는 사람입니다. 예를 들어 쇼핑몰에서 “이번 쿠폰 이벤트가 효과 있었나?”, “재구매율이 떨어진 이유가 뭘까?”, “어떤 고객군이 객단가가 높을까?” 같은 질문이 나옵니다. 분석가는 주문 데이터, 회원 데이터, 광고 데이터 등을 모아 패턴을 찾고, 그 결과를 의사결정에 쓸 수 있게 설명합니다.
업무는 대체로 세 단계로 나뉩니다. 먼저 데이터를 가져옵니다. 이때 SQL을 많이 씁니다. 그다음 데이터를 다듬고 계산합니다. 엑셀, Python, R 같은 도구가 쓰입니다. 차트나 보고서로 보여줍니다. Tableau, Power BI, Looker Studio 같은 시각화 도구를 쓰는 회사도 많고, 작은 조직에서는 엑셀이나 구글 스프레드시트만으로도 충분히 일합니다.
중요한 건 도구 자체보다 질문을 이해하는 힘입니다. “방문자가 줄었다”는 말만 듣고 바로 차트를 만드는 것보다, 신규 방문자인지 재방문자인지, 모바일인지 PC인지, 광고 유입인지 검색 유입인지 나눠보는 습관이 더 중요합니다. 데이터분석가는 숫자를 예쁘게 꾸미는 사람이 아니라, 숫자 뒤에 있는 상황을 해석하는 사람에 가깝습니다.
초보자가 준비할 기술 순서
처음부터 머신러닝 강의를 붙잡고 시작하는 경우가 꽤 많습니다. 물론 나중에는 도움이 됩니다. 하지만 입문 단계에서는 SQL과 엑셀, 기초 통계, 시각화 감각을 먼저 잡는 편이 효율적입니다. 특히 SQL은 많은 채용 공고에서 거의 기본처럼 등장합니다. 데이터베이스에서 원하는 조건의 데이터를 꺼내는 능력이 없으면 분석의 출발선에 서기 어렵기 때문입니다.
1단계: 엑셀과 스프레드시트
피벗테이블, VLOOKUP 또는 XLOOKUP, 필터, 조건부 서식, 기본 차트 정도는 익숙해지는 게 좋습니다. 실제 회사에서는 간단한 요청이 엑셀 파일로 오가는 경우가 아직도 많습니다. “지난달 대비 매출이 12% 줄었는데 어떤 카테고리 영향이 큰지 봐주세요” 같은 요청을 받았을 때, 엑셀만 잘 써도 꽤 빠르게 답을 만들 수 있습니다.
2단계: SQL
SQL은 SELECT, WHERE, GROUP BY, JOIN, CASE WHEN, 날짜 함수 정도를 반복해서 연습하면 기본 업무의 상당 부분을 처리할 수 있습니다. 예를 들어 월별 구매자 수, 첫 구매 후 30일 안에 재구매한 고객 비율, 카테고리별 평균 주문금액 같은 지표는 SQL로 뽑는 일이 많습니다. 처음엔 문법보다 “어떤 기준으로 묶고 비교할지”를 함께 생각하는 게 좋습니다.
3단계: Python과 통계
Python은 pandas, matplotlib, seaborn부터 시작하면 됩니다. 수천 행 정도의 CSV 파일을 불러와 결측치를 확인하고, 그룹별 평균을 구하고, 간단한 그래프를 그리는 수준이면 입문 포트폴리오를 만들 수 있습니다. 통계는 평균, 중앙값, 분산, 상관관계, 표본, 가설검정의 감각부터 익히면 됩니다. 공식을 외우기보다 “이 숫자를 믿어도 되는가”를 판단하는 데 초점을 두면 덜 지칩니다.
포트폴리오는 작아도 실제처럼 만드는 게 좋습니다
데이터분석가 취업 준비에서 포트폴리오는 생각보다 큰 역할을 합니다. 다만 화려한 대시보드 하나보다, 문제를 어떻게 정의했고 어떤 기준으로 분석했는지가 더 잘 보여야 합니다. 예를 들어 공공데이터 포털의 상권 데이터, 캐글의 이커머스 데이터, 서울시 지하철 승하차 데이터처럼 공개된 자료로도 충분히 연습할 수 있습니다.
좋은 포트폴리오는 보통 흐름이 명확합니다. 먼저 문제를 짧게 씁니다. 그다음 사용한 데이터와 주요 컬럼을 설명합니다. 이후 전처리 과정, 분석 기준, 발견한 인사이트, 실제로 제안할 수 있는 액션을 이어갑니다. “20대 고객의 구매 비중이 높다”에서 끝내면 아쉽습니다. “20대 고객은 객단가가 낮지만 재방문율이 높으니, 무료배송 기준을 낮춘 소액 반복 구매 캠페인을 테스트할 수 있다”처럼 행동으로 이어져야 더 설득력 있습니다.
- 주제는 너무 넓게 잡지 않는 편이 좋습니다.
- 차트는 많을수록 좋은 게 아니라, 질문에 답하는 차트만 남기는 게 좋습니다.
- SQL 쿼리와 Python 노트북은 GitHub에 정돈해두면 확인하기 편합니다.
- 분석 결과가 예상과 달랐던 부분도 솔직하게 적으면 사고 과정이 보입니다.
채용 공고를 읽는 현실적인 방법
데이터분석가 공고를 보면 요구사항이 길게 적혀 있습니다. SQL, Python, BI 도구, A/B 테스트, 로그 분석, 통계, 머신러닝까지 나열되면 괜히 지원하기 전부터 자신감이 떨어질 수 있습니다. 그런데 모든 항목을 100% 만족해야만 지원할 수 있는 건 아닙니다. 특히 신입이나 주니어 포지션이라면 핵심은 SQL로 데이터를 뽑고, 분석 결과를 명확히 설명하고, 비즈니스 질문을 이해하는 능력입니다.
공고를 볼 때는 반복해서 등장하는 단어를 체크하면 좋습니다. 커머스 회사라면 구매전환율, 객단가, 재구매율이 자주 보일 수 있습니다. 콘텐츠 서비스라면 리텐션, 체류시간, 구독 전환이 중요할 가능성이 큽니다. B2B SaaS라면 활성 사용자, 이탈률, 기능 사용률 같은 지표가 자주 나옵니다. 이 단어들이 포트폴리오 주제를 고르는 힌트가 됩니다.
연봉이나 커리어 측면에서도 기대치를 현실적으로 잡는 게 좋습니다. 데이터분석가는 산업에 따라 역할 차이가 큽니다. 어떤 회사에서는 보고서 작성 비중이 높고, 어떤 회사에서는 제품 실험 설계까지 깊게 관여합니다. 그래서 면접에서는 “분석 요청은 주로 어디서 오나요?”, “분석 결과가 실제 의사결정에 어떻게 반영되나요?”, “데이터 마트나 지표 정의는 누가 관리하나요?” 같은 질문을 해보면 업무의 밀도를 파악하는 데 도움이 됩니다.
꾸준히 성장하려면 숫자보다 질문에 익숙해져야 합니다
데이터분석가를 준비하다 보면 도구 공부에만 매달리기 쉽습니다. 물론 도구는 필요합니다. SQL을 못 쓰면 데이터를 가져오기 어렵고, Python을 모르면 반복 작업을 줄이기 어렵습니다. 하지만 시간이 지날수록 차이를 만드는 건 질문의 질입니다. 같은 매출 데이터를 봐도 누군가는 단순히 증가율만 보고, 누군가는 신규 고객과 기존 고객을 나눠서 원인을 찾습니다.
처음 3개월은 SQL과 엑셀로 작은 분석을 반복하고, 다음 3개월은 Python과 시각화로 포트폴리오를 2개 정도 만드는 식으로 계획을 잡으면 부담이 줄어듭니다. 하루에 8시간씩 몰아서 하는 것보다, 실제 데이터를 매주 하나씩 만져보는 편이 오래 갑니다. 데이터분석가는 천재적인 수학 실력보다 집요하게 비교하고 확인하는 태도가 더 자주 필요합니다.
처음부터 완벽한 분석가처럼 보이려고 애쓸 필요는 없습니다. 숫자를 보고 “왜 이렇지?”라고 묻고, 기준을 나눠보고, 다른 사람에게 이해되는 문장으로 바꾸는 연습을 계속하면 됩니다. 데이터분석가라는 직무는 결국 복잡한 데이터를 사람들의 판단에 닿게 만드는 일이라서, 차분하게 쌓은 경험이 꽤 오래 힘을 발휘합니다.
