[Article] Data Scientist vs Data Analyst

 Data Scientist vs Data Analyst

- '21세기 가장 섹시한 직업'의 역할과 책임, 무엇이 같고, 무엇이 다를까 

 

해당 글은 미디엄의 Data Analyst vs Data Scientist을 번역한 글입니다.

해당 글의 Author은 위 글의 저자인 Mohamed A. Warsame 입니다.

---

 

 21세기 가장 섹시한 직업이라고 불리는, 데이터 사이언스는 최근 몇 년간 가장 수요가 많은 직업으로 부상했습니다. 전 세계의 많은 기업들이 좋은 분석 역량을 갖춘 인재를 유치하기 위해 높은 급여, 명성, 영향력 행사의 특권을 제시하고 있기도 하죠. 이러한 과열된 채용 경쟁 뒤에는 우리의 삶과 일하는 방식을 바꾸는 디지털 데이터의 영향력이 증가하고 있다는 것에 주목해야 합니다. 

 

 열정 넘치는 많은 많은 사람들이 이 분야에 진입하고 싶어한다는 것에는 의심의 여지가 없습니다. 그러나, 눈을 딱 감고 데이터 사이언스와 분석으로의 모험을 떠나기 전, 지원자들은 가능한 진로에 대해 먼저 아는 것이 필요하겠죠. 새로 이 분야에 뛰어드는 사람들은 시작점과 필수 과목들에 대한 이해, 다양한 데이터 관련 분야들의 차이점, 그리고 CV는 어떻게 업데이트 되어야 하는지 먼저 알고 시작하면 좋겠습니다. 

 

 이런 고민을 하다보면, 자연스레 질문이 떠오릅니다. 데이터 사이언티스트와 데이터 애널리스트의 차이는 무엇일까요? 결국 두 직업은 모두 데이터에서 비즈니스 가치를 추출해내는 일을 하는 것처럼 보입니다. 아마 똑똑하신 분들은 공통점을 공유한다는 것이 두 직업의 호환성을 의미하는건 아니라는걸 눈치 채셨겠죠? 두 직업이 공동의 목표를 달성하기 위해 서로를 보완할 수는 있습니다. 그러나 현실 세계에서도 공통점이 있는 현상들이라 하더라도 극명한 차이점을 가지는 경우가 많듯이 이 두 직업 또한 그러합니다. 

 이 글의 목적은 그 차이점에 대해 답변을 하는 것입니다. 이론적 관점 뿐만 아니라 실제 세계에서 데이터 팀이 어떻게 일을 하는지의 관점에서 살펴보려고 합니다.  직무명과 화려한 울림에 대해서는 비밀이 아니지만(?), 현실 세계에서의 업무는 또 완전 다른 이야기이기 때문입니다. 

 

이제 두 직무의 차이점을 살펴보기 전, 공통점을 먼저 살펴볼까요! 

공통점 

두 직업이 공유하고 분리되는 지점의 속성을 확인하면, 더 쉽게 두 직무를 이해할 수 있습니다. 아래 한 블로거 Stephan Kolassa가 그린 벤다이어그램을 보세요!

 

다이어그램 출처:    https://datascience.stackexchange.com/a/2406/2853

 

이 도표에서 많은 점을 추론할 수 있습니다. 데이터 사이언티스트와 데이터 분석가의 역할은 밀접하게 관련되어 있으며 서로 인접한 사분면을 점유하고 있습니다. 이는 실제로 (데이터 분석가가 애자일 프레임워크 스쿼드의 일부로 특정 프로젝트 팀에 묶이지 않는 한) 항상 밀접한 비즈니스 팀으로 일한다는 것을 의미합니다. 꽤 논리적이죠? 두 직업 모두 비즈니스 목표를 위해 데이터를 사용하며, 통계에 대한 전문 지식이 필요합니다.

 

두 직업 모두 커뮤니케이션 사분면을 공유하고 있기도 합니다. 데이터 스토리 또는 데이터 드리븐 결정을 내리는 직관적인 툴을 만들어서 비즈니스 리더들에게 인사이트를 전달해야하기 때문이죠. 조금만 생각해보면, 데이터 사이언티스트와 데이터 애널리스트는 자신의 유용성을 스스로 증명해야한다는 것을 알 수 있습니다. 그렇기 때문에, 두 직업의 거의 대부분의 모집 공고에서 시각적, 언어적 커뮤니케이션 능력을 요구하는 것을 확인할 수 있습니다. 그 외에도 우리는 두 직업의 공통점을 똑똑한 인터넷에서 더 찾아볼 수 있을까요?  

 

Python 스크립트를 사용해 Google 검색어 데이터를 로드해보니 두 직무에 또 다른 공통점이 있음을 알 수 있습니다. 이 유사해보이는 직업은 최근 몇 년 동안 폭발적인 인기를 얻었습니다. 그러나 두 직무의 공통점은 여기까지입니다. 정리해보면 공통점들은 이렇게 되겠네요:  (1) 상업적 이윤 추구를 위한 데이터 통찰력 제공 (2) 우수한 커뮤니케이션 역량 (3) 폭발적인 인기 직업

 

Photo by author using Google Trends.

 

궁금해 하실까봐 말씀 드리면, 구글 트렌드 데이터는 개인들의 검색 엔진 쿼리의 편향되지 않은 표본(특정 주제에 대해 대중들의 관심을 측정하기 위해 익명화되고, 카테고라이징되고, 지리적으로 분류된)들에서 가져옵니다. 2016년부터 구글 트렌드가 크게 개선되어 모든 주제 범주에 대한 감정을 실시간으로 확인할 수 있습니다. 저는 구글 트렌드를 수 년간 활용하고 있습니다.

 

Data Analyst — Job Descriptions

자, 이제 차이점을 알아보겠습니다. 차이점을 알기 위한 가장 좋은 방법은 JD를 읽어보는 것입니다.

아래 주니어 레벨의 JD를 가져와 보았습니다.

Example data analyst job advert. Photo by author.

 

인디드의 직무 예에서 볼 수 있듯이,  일반적인 데이터 애널리스트의 역할은 컨설팅 중심입니다. 이 직무는 주로 Excel 스프레드시트 및 SQL 데이터베이스에서 데이터를 랭글링하고, A/B 테스트를 통해 통찰력 있는 결론을 추출하고, 비즈니스 조언을 제공합니다. 또, 마지막 문장에서는 Tableau와 같은 시각화 도구를 사용한 리포트가 이 피벗 테이블만큼 중요함을 보여줍니다. 반면, 데이터 모델링에 관해서는 기본적인 회귀 분석 정도로만 요구하고 있습니다. 

제 경험상, 초년생들은 비즈니스 제안을 제공하는 단계가 가장 중요하다는 점을 종종 잊는 것 같습니다. 유행하는 새로운 기술들에 관심을 가지다보면 비즈니스 관점은 사라지고, 옆길로 빠지게 되는 경우가 있습니다. 그렇기 때문에 애널리스트는 비즈니스 통찰력을 시각적으로 이해하기 쉬운 형식으로 제시할 수 있는 능력을 기르는 것이 중요합니다. 애널리스트는 인사이트에 접근할 수 있도록 하는 기술에 능한 리포터라고도 볼 수 있겠습니다.

 

Data Scientist — Job Descriptions

이제 인디드의 데이터 사이언티스트의 JD를 살펴보고 주요 차이점을 알아보겠습니다.  'must have'와 역할 책임 부분의 길이가 훨씬 더 길다는 것을 확인할 수 있습니다. 일반적으로 데이터 애널리스트보다 데이터 사이언티스트에게 훨씬 더 많은 것을 요구합니다. 이는 데이터 사이언티스트의 급여가 조금 더 높은 이유가 되겠네요. 그러나 과대 광고 뒤에 과연 실체가 있는 것을까요? 아니면 데이터 사이언스는 현대 신화에 불과한 것인가요? 

 

 

Example data scientist job advert. Photo by author.

 

솔직히 말하면, 데이터사이언티스는 분석에 관해 마법사 그 이상의 역할을 수행해내야 합니다. 데이터 사이언티스트는 생산 환경에서의 예측과 추천 파이프라인을 거의 완벽한 정확도로 만드는, 고급 프로그래밍을 사용하는 제작자여야 합니다. 애널리스트가 연구 리포터라면, 데이터 사이언티스트는 컨설팅 보다는 제품 개발에 더 신경을 씁니다. 데이터 기반의 상업적 조언을 제공하는 것도 데이터 사이언티스트에게 요구되는 역량이기도 합니다. 어떤 사람들은 데이터 사이언티스트가 수학/통계, 컴퓨터 과학 및 도메인 전문 지식의 세 가지 분야을 아우르기 위해 만들어진 직무명이라고도 합니다. 이 말을 잘 해석해보면, "데이터 사이언티스트는 소프트웨어 엔지니어보다 통계에 뛰어나고 통계학자보다 소프트웨어 엔지니어링에 더 능숙한 사람"이란 뜻이랍니다! 

Differences — Data Analysts vs. Data Scientists

데이터 양이 많을수록 지분(?)도 높아집니다. 기대치 역시 높아진다는 의미겠죠. 데이터 애널리스트가 첫 날 500,000개의 행과 50개의 열로 구성된 엑셀 파일을 받았다면, 데이터 사이언티스트는 아마 수 만 개의 열로 구성이 된 테라바이트의 데이터 키를 전달받게 될 것입니다 . 그리고 사람들은 데이터 사이언티스트가 그 방대한 양의 데이터에서 통찰력과 지혜의 보석을 마법처럼 발견해낼 것이라고 기대할 것입니다. 컴퓨터와 함께 남겨진 데이터 사이언티스트는 방대한 양의, 지저분하고 구조화되지 않은 데이터를 수집, 변환, 탐색 및 모델링해야 합니다. 미디움의 작가들은 이런 말도 했어요. "데이터 사이언티스트란 깊은 데이터 호수에서 쉽게 통찰력을 얻는 사람의 거의 신비한 능력을 떠올리게 하는, 21세기에 Houdini와 같은 데이터에 초자연적인 능력을 가진 사람을 칭하는 말이다. (* 해리 후디니는 헝가리 부다페스트에서 태어난 헝가리계 미국인 마술사이자, 난국 탈출 마술사, 스턴트 맨, 배우, 연기자였다. 그는 가짜 초능력자나 영매들을 잡는 일을 하기도 했었다)

 

데이터 사이언스은 훨씬 더 코딩 집약적 입니다. 데이터 사이언티스트와 데이터 애널리스트는 동일한 목표를 설정하고 데이터를 수집하지만 사용하는 접근 방식과 도구는 상당히 다릅니다. 데이터 분석가는 주로 SQL로 작업하여 데이터 청크를 스프레드시트, R Studio 및 Jupyter Notebook과 같은 프로그래밍 인터페이스에 붙여넣는 반면, 데이터 사이언티스트는 클라우드 컴퓨팅 설정(AWS, Databricks, Hadoop 등)에서 작업하는 데 익숙해야 합니다. 

 데이터 사이언티스트들은 빅 데이터라고 불리는 규모의 데이터를 수집, 처리 및 모델링합니다. 이러한 관점에서 볼 때 데이터 사이언스 직업이 왜 엄청나게 긴 목록의 기술 스택을 요구하는지 쉽게 알 수 있습니다. 큰 회사의 신입 사원은 심지어 문서화되지도 않은, 과거 레거시 스크립트 및 사용자 지정 알고리즘의 힙(heap)을 전달받고, 이를 관리 및 유지해야 할 겁니다. 이런 것들을 고려한다면, 데이터 사이언티스트에겐 고급 프로그래밍 기술이 필수 요소라는 것은 놀랍지 않습니다. 반면, 주니어 데이터 분석가에게는 갖추면 좋은 역량이겠지만요. 

 

데이터 애널리스트는 비즈니스 이해 관계자와 훨씬 더 밀접한 관련이 있습니다. 위 차이점 설명에서 언급했듯, 데이터 애널리스트의 업무는 코딩 집약도가 낮기 때문에 약간 미묘한 지점이 있습니다. 기술에 관심있는 사람이라면 기술은 복잡하기 때문에 실제와 어느 정도의 장벽이 있다는 것에 동의하시겠죠. 이러한 기술 장벽으로 인해 의사 결정자와 실무 엔지니어 및 데이터 사이언티스트 사이에 공백이 생깁니다. 이러한 공백은 PM들이 커뮤니케이션을 통해 갭을 메꿔야하겠죠. 데이터 사이언티스트가 하는 일들은 일반적으로 이해가 잘 안되는 경향이 있기에, 회사 사람들은 데이터 애널리스트에게 도움을 청하는 것을 선호합니다. 

 

제 경험상, 데이터 사이언티스트들은 더 고립되어 있습니다. 반면에 데이터 애널리스트는 Excel 스프레드시트 수정, 분석 티저로 고객 프레젠테이션 지원, 대시보드를 통해 전반적인 비즈니스 성과에 기여하는 문제를 도우면서 다른 사업부에 더 많이 관여하고 참여합니다. 따라서 이 글을 읽는 당신이 작은 변화를 만들고자 하는 컨설턴트 성향의 사람이라면, 데이터 애널리스트가 더 만족스러울 겁니다.  울타리 반대편의 잔디가 항상 더 푸르른 것은 아니라는걸 말하고 싶네요! 

Data Analysts vs. Data Scientists — 결론

데이터 사이언티스트와 데이터 애널리스트의 공통점과 차이점에 대해 알아보았습니다. 이제 우리는 두 직업에 요구하는 프로그래밍 집약도, 모델링에 사용되는 데이터의 양, 자동화 관련 정교함, 그리고 채용 공고를 통해 요구하는 학업 배경이 어떻게 다른지 알게 되었습니다. 두 직업이 다를 것이라고는 예상했지만, 공통점 역시 공유하고 있음을 알게 되었습니다. 두 직업의 본질은 결국 데이터에서 통찰력을 얻어내려는 것이죠. 

 

References

1) https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century

2) https://datascience.stackexchange.com/questions/2403/data-science-without-knowledge-of-a-specific-topic-is-it-worth-pursuing-as-a-ca

3) https://trends.google.com/trends/?geo=US