전현직 데이터 분석가의 고충과 Insight 모음 from LinkedIn

현업 데이터 분석가의 고충과 이를 해결할 인사이트를 가장 효과적으로 얻는 방법은 무엇일까?

One of them은 링크드인 타임라인이라고 생각한다. 정리하기, 굵은 표시는 나의 핵심점, 계속 모으기  

 

데이터 분석을 통한 인사이트 도출이 오래 걸리는 이유.  From SoonHo Chung

1. 데이터 분석을 통해 인사이트를 도출하고, 이를 통해 사업적 성과를 만들어 내는 것은 DX(디지털 전환)을 하려는 핵심 이유일 것이다. 머신러닝, 빅데이터, 그리고 인공지능(A.I.)까지 데이터를 활용한 방법들은 넘쳐나는 것 같은데 실무에서는 데이터를 활용해 인사이트를 찾는 일은 쉽지 않고, 빨리 되는 것 같지도 않다. 왜 일까? 각자 상황에 맞는 여러가지 원인이 있겠지만 보통은 다음과 같은 이유들이 있다. 

2. 우선 막상 데이터를 가지고 분석을 하려다 보니 필요한 핵심 데이터가 없는 경우이다. 다시 모아야 하는 방법 밖에 없는데 그러다 보면 시간이 많이 걸리고 데이터의 양도 충분하지 못하게 된다. 특히 오래된 회사의 경우, 보통 어딘가에 쌓여둔 데이터가 많이 있는데 사용하려고 막상 들춰보면 사용할 수 없는 ‘쓸모없는 데이터’만 넘쳐나는 경우가 많다. 이럴 때에는 데이터 클리닝이 필요한데 ETL(Extraction, Transformation, Loading) 추출, 변환, 로드의 프로세스의 과정을 거쳐 신뢰할 수 있는 데이터로 만들어야 한다. 그러나 이 또한 데이터 전문 인력과 리소스가 요구되고 시간이 많이 걸린다.  

3. 또한 열심히 데이터를 분석하다 보니 뭔가 이상한 점을 발견해서 데이터 원천을 뒤져보면 중복 및 누락을 발견하는 경우가 있다. 이는 원천 데이터에 문제가 있는 것으로 Garbage In, Garbage Out (GIGO) 표현되는데, 즉 쓰레기 데이터를 넣으면 쓰레기 결과가 나온다는 말이다. 이런 경우는 데이터가 확인 및 검증이 제대로 안되어 있어서 다시 처음부터 손봐야 한다. 그렇다 보니 제대로 된 분석을 하기 위해서는 원천데이터 부터 봐야 하는데 시간도 많이 걸리고 데이터 자체를 사용할 수 없는 경우도 생긴다.

4. 어떻게든 데이터를 잘 정리해서 활용할 수 있도록 준비했다고 가정해 보자. 이제는 실무 부서에서 데이터를 분석해 인사이트를 찾아야 하는데, 이번에는 구성원들이 데이터 분석 및 툴에 대해 익숙하지 않아서 시간이 걸리는 경우이다. 예를 들면 웹 분석을 위해 구글 애널리틱스(GA)나 어도비를 능숙히 다뤄야 하는데 교육을 통해 배우다 보면 시간이 걸린다. 상황이 이렇다 보니 데이터 분석을 전문으로 담당하는 팀에서 구성원들이 쉽게 활용할 수 있도록 태블로(tableau), 구글 데이터 스튜디오 등을 활용한 시각화된 대시보드를 만들어서 제공을 하게 된다. 그런데 실무에서 사용하다 보면 추가 요청이 계속 늘어나게 되고 이를 챙겨주다가 업무 시간의 대부분을 보내게 되고 분석 시간이 부족하게 된다. 또는 데이터 분석이라는 것이 손에 잡히는 ‘명백한 업무(tangible)’가 아니다 보니 대시보드를 만드는 것을 주요 업무 성과로 표장하는 경우도 종종 있다. 아마도 DX를 시작 했거나 초기 진행 중인 회사에서 많이들 겪게 되는 문제일 것이다. 

5. 데이터(Data)를 통해 인사이트(Insight)를 도출하기 위해서는 분석(Analysis)이 필수이다. 그리고 데이타를 통해 찾아낸 인사이트로 가치(Value)를 만드는 것이 중요한데 이는 실행(Action)이 뒷받침 되어야 한다. 즉 실제 업무에 변화를 만들고 실행이 이뤄져야 이 모든 일들의 가치가 부여 된다. 이를 도식화 한다면, Data + Analysis = Insight 이고 Insight + Action = Value 로 나타낼 수 있겠다. 

6. 제대로 된 분석을 하기 위해서는 데이터를 이해하고 기본적인 분석 도구 활용 및 통계 지식이 요구된다. 그러나 데이터 분석 업무를 하지 않았던 대부분의 직원들은 몇번의 교육으로 이를 실제 업무에 활용 하기에는 많은 어려움이 따른다. 상황이 이렇다 보니 많은 회사에서 데이터를 다룰 줄 알고 분석을 할수 있는 외부 역량 영입에 집중하게 되었고 이들의 연봉은 자연스럽게 올라가게 되었다. 그러나 데이터 전문가를 어렵게 모셔 오더라도 기존 사업에 대한 도메인(Domain) 지식이 없기 때문에 사업에 반영할 수 있는 즉각적인 인사이트 뽑아내기에는 이 또한 시간이 걸린다. 그런데 현실적인 문제는 대부분의 회사에서 데이터를 다루고 분석하는 팀과 매출 및 사업 성장을 만들어 내는 팀의 역할이 다르다. 그렇다 보니 Data-Insight-Value 로 연결되는 가치 사슬(Chain)에서 따로 놀게 되고 사업적 성과가 약해지게 된다. 

7. 그럼 이에 해결책은? 데이터로 부터 인사이트 도출하고 이를 실행으로 옮길 ‘리더’의 역할이 더욱 중요하다고 생각한다. 그렇기에 앞으로는 데이터 리터러시(Data Literacy)라고 불리는 데이터를 사용하고 해석하고 소통하는 능력과 이를 의사 결정에 반영하는 역량이 리더로서 필수 요건이 되고 있다. 따라서 자신이 앞으로 회사에서 리더로서 성장하고 싶다면 데이터 이해에 대한 꾸준한 학습과 더불어 실제 업무에 이를 적용해 보려는 노력을 한다면 더 많은 기회가 올 것으로 본다.

 

 

[ 퇴직하고 나서, 커뮤니티 하며 느낀 데이터 분석가 특징 ] 부제 : 데이터 분석가 종특

 

1. 데이터 분석을 하는 것은 의외로 쉽다. 하지만 잘하기 위해 관점을 얻는 것은 어렵다

데이터 분석 까짓 거 sql 조금 배우고, 기초 통계 조금 배우고, 서비스 분석 조금 배우면 시작하기 어렵지 않다. 문제는 데이터 적으로 어떤 문제를 분석하고 풀어본다는 것은 일종의 데이터 분석적 업무 태도를 요구한다. 데이터 분석적 업무 태도란 질문의 실제 의도를 질문하고, 질문을 측정 가능하고 액셔너블한 질문으로 구체화시키고, 그렇게 구체화시킨 질문을 수치적으로 답해보려고 하는 노력이다. 문제는 이러한 노력은 귀찮고, 인프라도 갖추어져 있어야 하고, 또 가이드해줄 사수가 필요해서 얻기 어렵다는 것이다.

따라서 데이터를 분석하는 것은 쉬우나, 잘하기 위해 관점을 얻는 것은 힘들다


2. 데이터 분석가 포지션에 있는 사람들은 생각보다 굉장히 똑똑한 사람들이다

어찌 보면 당연하다고도 볼 수 있는데, 데이터 분석을 하다 보면 프로그래밍도 건드리고, 수학도 공부하고, Product Management 쪽도 건드리고, 관리적인 요소도 한발 걸친다. 그렇게 데이터를 잘 분석하기 위해 이것저것 모두 건드리다 보면 (더 정확히는 데이터 분석가라는 포지션이 명확히 정의된 것이 없는 상태에서 데이터 잘 사용해보려고 아득바득 이것저것 하다 보면) 다양한 관점들을 습득하게 된다. 그리고 이러한 관점은 내가 보기에 PM과 프로그래머 둘 모두와도 다른 일종의 독특한 시각을 가진다. 흠.. 머라고 해야 할까, 반쯤 서비스적인 관점인데 모든 것을 수식화 해보려는 특성을 가진 시점?이라고 할까나

가끔씩 이 사람들이 지금 실력으로 다른 포지션에 들어가면 팀장 자리까지는 단시일 내에 하기 쉽지 않을까 하는 생각이 든다 


3. 쉽게 설명하는 것을 잘 못한다

나도 그렇고, 당신도 그렇고, 당신 옆자리의 데이터 분석가 또한 그렇다. 새로운 아이디어, 새로운 수식, 새로운 관점들에 대해서 굉장히 흥미로워한다. 자신이 찾아낸 것을 아주 잘 포장해서 쉽게 타인에게 전달하는 것을 못한다. 들으면 대충 뭔 생각을 하는지는 알겠는데, 잘~ 들어야 무슨 생각인지 알 수 있다


4. 데이터 분석가는 백그라운드가 모두 다양하다

나는 커리어의 시작이 데이터 분석가였다. 하지만 다른 분석가들은 원래 데이터 사이언티스트 이거나, 마케터 이거나, PM인 경우도 있다. 그런데 또 생각해보면 데이터 분석가가 되기 위한 조건이란 것은 따로 없고, 그냥 데이터 분석을 하다 보니 이것저것 배우다가 데이터 분석가가 되는 것이 보통의 루트가 아닌가 생각한다. "데이터만 파보기에도 시간이 부족해서 데이터 분석가가 되었다" 라거나 "회사가 데이터 사용하는거 보니 복창이 터져서 데이터 분석가가 되었다" 같은 느낌이다


5. 데이터 분석에 회의적인 사람들이 있다 (바로 나)

많은 사람들이 데이터 분석가가 되고 싶어 하나, 정작 데이터 분석가들은 데이터 분석에 밝은 미래가 없다고 생각하는 사람들이 있다. 왜냐면 극히 복잡한 몇몇 업무를 제외하면 단순히 몇 주에 걸친 데이터 분석 교습을 받는 것만으로도 데이터 분석을 충분히 잘할 수 있기 때문이다. 못하는 이유는 그냥 데이터를 분석할 환경이 잘 되어있지 않아서일 뿐이다. 즉, "데이터 분석"만 하는 데이터 분석가는 사라질 것이라 예상한다

위의 글도 적고 클래스 101에서 할 강의도 준비해보고 하니,
역시 데이터 분석의 미래는 "데이터 분석" 이 아니라 "데이터 분석 환경"을 만드는 것이다.

 

 

여기서 부터 출처: 

https://brunch.co.kr/@cloud09/370

격리된 데이터 분석가

으헝헝 

프로덕트 매니저를 위한 데이터 분석가 협업 가이드 — Product Sprint 편

프로덕트 매니저를 위한 데이터 분석가 협업 가이드 — Become Best Workplace Buddies!

https://www.linkedin.com/posts/activity-6964074253612699648-sP-6?utm_source=linkedin_share&utm_medium=member_desktop_web