직무 전환 지도
이론적으로 가능한 모든 조합이 아니라, 실제로 자주 일어나는 경로만 담았습니다. 난이도는 ‘지금 역량이 얼마나 그대로 쓰이는가’를 기준으로 합니다.
개발·데이터에서 출발
데이터·AI에서 →
- 4~7년차준비 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
- 2~5년차준비 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
- 3~6년차준비 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
- 3~6년차1~2년 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