데이터분석가 되려면 이렇게 시작하는 방법
얼마 전 지인이 데이터분석가로 이직을 준비한다며 뭘 먼저 해야 하냐고 물어봤는데, 생각보다 많은 사람이 같은 지점에서 멈춰 있더라고요. SQL을 해야 할지, 파이썬을 해야 할지, 통계를 깊게 파야 할지부터 헷갈리는 거죠. 사실 데이터분석가는 모든 기술을 완벽하게 아는 사람이라기보다, 흩어진 데이터를 보고 사람들이 이해할 수 있는 판단으로 바꿔주는 사람에 가깝습니다.
데이터분석가가 실제로 하는 일부터 잡기
회사에서 데이터분석가는 매일 거대한 인공지능 모델만 만지는 직무는 아닙니다. 오히려 매출이 왜 줄었는지, 신규 가입자가 어디서 많이 빠지는지, 광고비를 더 써도 되는지 같은 질문을 많이 다룹니다. 예를 들어 쇼핑몰에서 지난달 구매 전환율이 3.2%였는데 이번 달 2.6%로 떨어졌다면, 단순히 숫자를 보고 끝내는 게 아니라 유입 채널, 상품 가격, 장바구니 이탈률, 재구매 고객 비중을 나눠서 봅니다.
이 과정에서 중요한 건 멋진 차트보다 질문을 잘게 쪼개는 능력입니다. “매출이 떨어졌다”를 “방문자가 줄었나”, “방문자는 같은데 구매율이 낮아졌나”, “객단가가 낮아졌나”처럼 나눠야 다음 행동이 보입니다. 그래서 데이터분석가를 준비할 때도 도구 공부와 함께 비즈니스 문제를 숫자로 바꾸는 연습이 꼭 필요합니다.
처음 배울 기술은 넓게 말고 순서대로
초보 단계에서는 이것저것 동시에 잡으면 금방 지칩니다. 먼저 SQL, 그다음 스프레드시트, 이후 파이썬과 시각화 순서가 현실적입니다. SQL은 데이터베이스에서 원하는 데이터를 꺼내는 기본 언어라서 채용 공고에도 자주 나옵니다. SELECT, WHERE, GROUP BY, JOIN, 서브쿼리 정도만 익혀도 간단한 분석 과제는 꽤 많이 처리할 수 있습니다.
스프레드시트는 생각보다 오래 살아남는 도구입니다. 실무에서는 급하게 숫자를 확인하거나 팀원과 공유할 때 엑셀이나 구글 스프레드시트를 자주 씁니다. 피벗 테이블, 필터, VLOOKUP 계열 함수, 조건부 서식 정도는 손에 익혀두면 좋습니다. 파이썬은 그다음입니다. pandas로 데이터 불러오기, 결측치 처리, 그룹별 집계, 간단한 그래프 그리기까지 이어지면 분석 작업의 폭이 넓어집니다.
- 1단계: SQL로 원하는 데이터 추출하기
- 2단계: 스프레드시트로 빠르게 확인하고 공유하기
- 3단계: 파이썬으로 반복 작업과 큰 데이터 다루기
- 4단계: 차트와 대시보드로 읽기 쉽게 보여주기
포트폴리오는 거창한 프로젝트보다 흐름이 중요
데이터분석가 포트폴리오에서 가장 아쉬운 경우는 차트만 예쁜데 판단 과정이 보이지 않는 자료입니다. 채용 담당자나 실무자는 “그래서 이 사람이 어떤 질문을 세웠고, 어떤 기준으로 데이터를 봤고, 무엇을 제안했는지”를 보고 싶어 합니다. 예를 들어 배달 앱 리뷰 데이터를 분석한다면 별점 평균만 보여주기보다, 낮은 별점 리뷰에서 자주 등장하는 단어, 지역별 불만 유형, 재주문에 영향을 줄 만한 요소를 연결해서 보여주는 편이 훨씬 낫습니다.
처음 포트폴리오는 2~3개면 충분합니다. 대신 각각의 주제가 달라야 합니다. 하나는 매출 분석, 하나는 고객 행동 분석, 하나는 콘텐츠나 서비스 이용 패턴 분석처럼 구성하면 역량이 더 넓어 보입니다. 데이터 수가 꼭 수백만 건일 필요도 없습니다. 5천 행짜리 데이터라도 질문이 선명하고 해석이 탄탄하면 좋은 자료가 됩니다.
포트폴리오에 넣으면 좋은 구성
- 분석 배경: 왜 이 데이터를 봤는지
- 질문: 확인하고 싶은 가설 2~4개
- 처리 과정: 빠진 값, 이상치, 기준값을 어떻게 다뤘는지
- 결과 해석: 숫자가 의미하는 변화나 패턴
- 제안: 담당자가 바로 이해할 수 있는 다음 행동
통계는 공식보다 감각부터 익히기
통계가 부담스러워서 데이터분석가 준비를 미루는 사람도 많습니다. 그런데 처음부터 수식에 깊게 들어갈 필요는 없습니다. 평균과 중앙값이 어떻게 다른지, 표본이 작을 때 왜 조심해야 하는지, 상관관계와 원인 관계를 왜 구분해야 하는지부터 익히면 됩니다. 예를 들어 광고를 많이 집행한 날 매출도 높았다고 해서 광고가 전부 원인이라고 말하긴 어렵습니다. 주말, 할인 행사, 계절성 같은 다른 요인이 섞여 있을 수 있으니까요.
A/B 테스트도 자주 등장합니다. 버튼 색을 바꿨더니 클릭률이 4.8%에서 5.1%로 올랐다고 해도, 방문자 수가 너무 적으면 우연일 수 있습니다. 그래서 데이터분석가는 숫자가 커 보인다고 바로 판단하지 않고, 비교 기준과 기간, 표본 크기를 같이 봅니다. 이 감각이 쌓이면 회의에서 “이 숫자는 더 확인해야 합니다”라고 말할 수 있게 됩니다.
취업 준비는 채용 공고를 읽는 것부터
데이터분석가 채용 공고를 20개만 읽어도 반복되는 요구사항이 보입니다. SQL, 데이터 시각화, 지표 설계, 커뮤니케이션, 실험 설계 같은 표현이 자주 나옵니다. 여기서 중요한 건 모든 항목을 다 잘해야 한다고 겁먹지 않는 겁니다. 주니어라면 SQL로 데이터를 뽑고, 분석 흐름을 설명하고, 결과를 문서로 전달할 수 있는지만 보여줘도 출발선에 설 수 있습니다.
이력서에는 “파이썬 가능”처럼 넓은 표현보다 “고객 구매 데이터를 월별 코호트로 나누어 재구매율 변화를 분석”처럼 행동이 보이는 문장이 좋습니다. 숫자도 넣으면 더 선명합니다. “전환율 개선 방안 제안”보다 “상품 상세 페이지 이탈 구간을 확인해 후기 영역 노출 순서 변경을 제안, 테스트 설계안 작성”처럼 쓰면 실제로 일해본 느낌이 납니다.
데이터분석가는 공부할 게 많은 직무지만, 반대로 작은 실습을 쌓기 좋은 직무이기도 합니다. 오늘 SQL 문제 5개를 풀고, 내일 공개 데이터를 하나 내려받아 피벗 테이블을 만들고, 주말에 분석 글 하나를 완성하는 식으로 가면 됩니다. 처음에는 느려도 괜찮습니다. 숫자를 보고 자기 말로 설명하는 시간이 늘어날수록, 어느 순간 데이터가 그냥 표가 아니라 이야기처럼 보이기 시작합니다.
