데이터·AI

실제로 하는 일

• SQL로 현업 부서가 요청한 지표나 데이터를 뽑아 전달한다
• 대시보드를 만들고, 숫자가 어긋나면 원인을 추적해 고친다
• 데이터 파이프라인이 새벽에 실패했다는 알림을 받고 원인을 찾아 복구한다
• 실험(모델·기능 변경)의 결과를 통계적으로 비교하고 유의미한지 판단한다
• 비개발자 동료·경영진에게 분석 결과를 그래프와 말로 풀어 설명한다
• 원본 데이터의 결측·중복·이상치를 점검하고 정제 로직을 짠다
• 다른 팀이 쌓은 로그·이벤트 데이터의 정의가 명확한지 확인하고 문서화한다

필요한 역량

• SQL
• Python
• Spark
• PyTorch
• Airflow
• BI 툴(대시보드 제작)
• Git
• 클라우드 데이터 플랫폼(AWS·GCP 등)

들어가는 경로

• 통계학·산업공학·컴퓨터공학 등 정량 전공 후 신입으로 데이터 직무 지원
• 마케팅·기획·운영 등 현업 부서에서 SQL과 데이터 분석을 익혀 사내 전환
• 백엔드·서버 개발자가 파이프라인 구축 경험을 쌓아 데이터 엔지니어로 이동
• 대학원(통계·머신러닝·산업공학)에서 연구 경험을 쌓고 데이터 사이언티스트로 지원
• 실제 데이터셋으로 개인 프로젝트를 끝까지 완성해 포트폴리오로 증명

성장 단계

1. 주니어1~3년주어진 요구사항대로 정확한 쿼리·파이프라인·분석을 만들어내는가
2. 미드레벨4~7년모호하게 던져진 질문을 스스로 구체화하고 답을 찾아 의사결정에 반영시키는가
3. 시니어8년 이상데이터를 다루는 조직의 구조·기준을 설계하고 여러 팀의 의사결정 방식을 바꾸는가

오해와 실제

• “데이터·AI 직무는 대부분 모델링과 딥러닝을 다룬다”

  실제 업무 시간의 큰 부분은 데이터 정제, 파이프라인 유지보수, 지표 정의처럼 눈에 띄지 않는 일에 쓰인다. 모델 성능보다 데이터 품질과 인프라 안정성이 성과를 좌우하는 경우가 훨씬 많다.

• “AI가 뜨는 시기이니 모델링 스킬만 있으면 바로 전환할 수 있다”

  기업 실무에서는 SQL로 데이터를 다루고 비즈니스 맥락을 이해하는 능력이 먼저 검증된다. 채용 과정에 실무형 SQL·데이터 처리 과제가 포함되는 경우가 흔하다.

• “데이터 분석가·데이터 엔지니어·데이터 사이언티스트는 사실상 같은 일이다”

  세 직함은 회사마다 업무 범위가 크게 다르게 섞여 쓰인다. 이직이나 지원 전에 공고의 실제 업무 내용을 문장 단위로 확인하지 않으면 기대와 다른 역할을 맡게 될 수 있다.

보상은 무엇으로 갈리는가

보상은 다루는 데이터의 규모, 그 데이터가 의사결정이나 매출에 미치는 영향력의 크기로 갈린다. 같은 '데이터' 타이틀이라도 인프라·엔지니어링에 가까운 역할과 리포트 중심의 분석 역할은 시장에서 다르게 평가받는 경향이 있다. 데이터 의존도가 높은 산업(금융, 커머스, 게임 등)과 조직의 데이터 활용 성숙도가 격차를 만드는 주요 변수다.

여기서 갈 수 있는 직무

• 백엔드3~6년차

  준비 기간이 짧다

  데이터 엔지니어링 업무에서 이미 파이프라인 서버나 배치 시스템을 구축해본 경우, 사내 백엔드팀과 협업하며 API 설계에 참여한 이력을 발판 삼아 전환한다. ML 서빙 파트를 맡아온 사람일수록 이 경로가 자연스럽다.

  그대로 쓰는 것 · SQL 및 데이터 파이프라인 설계, Python 등 서버 언어 활용 경험, 대용량 데이터 처리/API 연동 경험, 로직 검증 및 디버깅 습관

  새로 채울 것 · 웹 프레임워크(Django/Spring 등) 실무, 서비스 아키텍처·API 설계 경험, 동시성·트래픽 처리 감각

• 마케팅·그로스2~5년차

  준비 기간이 짧다

  그로스 마케팅팀과 함께 캠페인 데이터를 분석해온 데이터 분석가가 직접 캠페인을 설계·운영하는 쪽으로 넘어가는 경로다. 데이터 기반 그로스 실험을 주도한 포트폴리오가 있으면 전환이 수월하다.

  그대로 쓰는 것 · 퍼포먼스·그로스 지표 분석, 코호트·리텐션 분석 경험, 실험 설계 및 통계 해석

  새로 채울 것 · 캠페인 운영 및 매체 집행 실무, 카피·크리에이티브 감각, 마케팅 채널별 예산 운용 경험

• 기획·PM4~7년차

  준비 기간이 짧다

  데이터 분석가로서 프로덕트 지표를 설계하고 실험을 주도한 경험을 살려 그로스/프로덕트 PM으로 옮기는 경우가 많다. 분석 결과를 바탕으로 기능 제안을 직접 해본 이력이 전환의 핵심 근거가 된다.

  그대로 쓰는 것 · 지표 정의 및 데이터 기반 의사결정, 실험 설계(A/B 테스트) 경험, 이해관계자 대상 분석 결과 커뮤니케이션

  새로 채울 것 · 제품 로드맵 수립 및 우선순위 판단, 디자인·개발 조직과의 협업 리드 경험, 사업적 트레이드오프 감각

• 인프라·DevOps3~6년차

  1~2년 준비가 필요하다

  MLOps 업무로 모델 서빙 인프라와 파이프라인 자동화를 다뤄본 데이터 엔지니어가 인프라팀으로 넘어가는 경우다. 데이터 파이프라인의 배포·모니터링을 직접 운영해본 경험이 핵심 발판이 된다.

  그대로 쓰는 것 · 데이터/ML 파이프라인 인프라 운영 경험, 클라우드 환경(AWS/GCP) 활용, 쿠버네티스 기반 배치·서빙 작업 경험

  새로 채울 것 · CI/CD 파이프라인 설계 전반, 인프라 자동화(Terraform 등) 실무, 장애 대응 및 모니터링 체계 구축