얼마 전에 커뮤니티에서 문과 전공인데 데이터 분야로 진로를 고민하고 있다는 대학생의 글을 하나 읽었습니다.
영문 계열 전공에 경영분석을 함께 공부하고 있고 ADSP, SQLD 자격증을 취득했고 이미 머신러닝 학습 경험까지 차근차근 쌓아온 분이었어요.
고민 내용은 “데이터를 깊게 파는 직무보다는, 데이터를 활용해 인사이트를 만들고 의사결정을 돕는 역할이 더 맞는 것 같은데 신입으로는 어떤 방향으로 준비해야 할지 모르겠다.”
이 글에 멘토 답변이 꽤 많이 달렸는데, 읽다 보니 공통적으로 나오는 조언들이 있어서 정리해봅니다.
1) 기술형 데이터 직무 < 비즈니스 분석 / 마케팅 분석
여러 멘토들이 공통적으로 말한 건, 이미 본인 성향과 전공을 고려한 방향 설정은 꽤 명확하다는 점이었습니다.
문과 + 경영분석 + 데이터 활용 성향 → 비즈니스 분석가 / 마케팅 분석가 / 그로스·CRM 마케터 쪽이 적합
복잡한 모델링보다 → 데이터를 비즈니스 언어로 해석하는 역할이 더 중요하다는 점
현업에서 원하는 주니어는 모델 성능을 잘 튜닝하는 사람보다 ”그래서 이 결과로 뭘 결정해야 하죠?”에 답할 수 있는 사람이기 때문입니다. 그래서 요즘 채용 시장에서 문과 출신이 데이터 분야로 진입할 때 현실적인 포지션은 순수 데이터 사이언티스트보다는 비즈니스 분석, 마케팅 분석, CRM/그로스 쪽인 경우가 많습니다.
그런데도 많은 분들이 모델 성능, 알고리즘, 기술 스택을 더 쌓아야 하나 고민하다가 정작 본인이 강점이 될 수 있는 부분을 놓치곤 합니다.
2) 자격증은 많이 따기보다 우선순위가 중요
이미 ADSP, SQLD를 갖추고 있다면 기본기는 충분하다는 의견이 많았습니다. 추천 우선순위는 대체로 이랬어요.
- 빅데이터분석기사
- GA4
- 사회조사분석사(→ 전부가 아니라 방향에 맞게 선택)
어학도 마찬가지로 토익 800 이상 / 오픽 IM3 정도면 이후엔 실무형 경험에 집중하는 게 훨씬 효율적이라는 조언이 많았습니다.
3) 포트폴리오는 문제 정의 → 해석 → 액션 제안
전력 공모전을 예로 들면, RMSE 개선 /모델 정확도 xx% 이런 수치를 강조하는 것보다 . . . 이런 식으로
- 전력 사용량 증가 원인 가설 설정
- 시간대/공정별 소비 패턴 분석
- 운영 방식 개선 or 비용 절감 시나리오 제안
예측을 잘했다에서 그치지 않고, 그래서 이 분석이 비즈니스에 어떤 의미가 있는지를 보여줘야 한다는 것입니다.
4) 프로젝트는 개수가 아니라 ‘한 스토리’로 이어지게
GitHub + Notion에 3~4개면 충분합니다.
프로젝트 개수 욕심은 굳이 안 내도 된다는 쪽이 많았고 대신 공모전, 수업 프로젝트, 개인 분석 이걸 전부 하나의 스토리로 연결해서 “왜 이 문제를 골랐고, 어떤 판단을 했는지”가 보이게 정리해야 합니다. 특히 GitHub + Notion으로
분석 과정과 생각 흐름이 드러나게 정리하는 걸 추천합니다.
5) 추천 프로젝트 예시 (실무 친화)
실제로 여러 멘토들이 공통으로 추천한 예시는 :
- GA4 기반 마케팅 데이터 분석
- A/B 테스트 결과 해석
- 고객 세그멘테이션 & 타깃 전략 제안
- 특정 산업(유통, 플랫폼 등) 하나 정해서 공개 데이터 분석
핵심은 실제 회사에서 쓰일 법한 질문인지— 였습니다.
6) 인턴/신입 준비할 때 가장 중요한 포인트
신입/ 인턴 기준에서는 결과보다 문제 접근 방식, 왜 이런 지표를 봤는지, 분석 결과를 어떻게 의사결정으로 연결했는지를 더 중요하게 봅니다.
그래서 자격증 하나 더 따는 것보다 기존 프로젝트 하나를 더 잘 정리하는 게 낫다는 말이 꽤 공감됐어요.
문과에서 데이터 직무를 준비하면 항상 “이게 맞나?” 싶은 순간이 오는데, 이번 글과 멘토 조언들을 보면서 느낀 건
이미 방향은 맞게 가고 있는데, 불안해서 괜히 이것저것 더 쌓으려는 경우가 많다는 것 같아요.
혹시 비슷한 고민을 하고 있다면 기술을 더 쌓을지 말지를 고민하기 전에 “내 분석이 어떤 의사결정에 쓰일 수 있는지”부터 한번 정리해보는 것도 꽤 도움이 될 것 같습니다.
정리하면 . .
자격증은 커트라인을 넘길 정도까지만(GA, 빅분기, 어학)
대신 하나의 도메인(마케팅/CRM/특정 산업)을 정해 연결된 포트폴리오 스토리 만들기. 공모전, 수업 프로젝트, 개인 분석 모두 ”경영진에게 보고하는 보고서”라는 관점으로 정리해보기. 인턴 지원 시 결과보다 문제 접근 방식과 해석 과정을 강조할 것
지금 문과 전공으로 데이터·비즈니스 분석·데이터 마케팅 쪽을 고민하고 있다면, 기술을 더 쌓아야 한다는 불안보다 내가 데이터를 통해 어떤 질문을 던질 수 있는지를 먼저 생각해봐도 좋을 것 같습니다. 의외로 답은 이미 해온 경험 안에 있는 경우가 많으니까요.
🥕 취업 고민은 당근 취업 커뮤니티 「 취준의 민족 」 에서
합격자 정보도 곧 올라갈 예정이니 정회원 혜택을 놓치지 마세요!
이웃들이 공감했어요
조회 32
취업하자
1개월 전
잘 읽엇습니다. 경력으로써 공감하는 내용이고 신입분들에게 도움이 많이 될것같아요
전직 데이터분석가로써 ml쪽 의견을 더 남기자면 사실 신입분들은 머신러닝 스킬이 있어도 ml팀 가지 않는이상 활용이 쉽지 않으실거에요.
머신러닝은 문화가 안잡혀있으면 도입부터 설득해야합니다. 생각보다 회사엔 머신러닝을 모르는 직원들이 대다수고, 신뢰를 못합니다. 특히 돈이 걸린건요.
그리고 ml은 한번 예측하고 끝나는게 아닙니다. 싸이클(mlops)이 이어져야 해요. 이건 전문 수준을 갖추지 못하면 굉장히 복잡해집니다. 그래서 대부분의 중소기업이 ml을 비즈니스 적으로 활용을 못합니다. 그냥 보고서용 찍먹만 하는 수준
저는 데이터 분석 스킬을 갖추려는 분들에게 기본적인 통계쪽을 공부하는걸 권장드리고 싶네요.
실무에서 이미 상사들은 엑셀로 통계적 데이터 분석 다합니다. 엑셀이 촌스러울수 잇지만 결정권자(40~60대)가 다 엑셀로 보길원해서 어쩔수없어요.
파이썬이건 테블로건 it쪽 아니면 잘 안씁니다. 그나마 좀 쓰는게 ms의 power bi정도
