1) 본인이 희망하는 직군과 이유
Data Analyst 데이터 분석가, Data Engineer 데이터 엔지니어
지금까지 깊고 완전한 이해로 다양한 경험을 했던 것은 아니였지만, 경험했던 공모전과 프로젝트를 내가 이해한 것으로 생각해봤을 때 데이터 분석을 통해 미래를 예측하고 모델링을 하는 것보다 데이터 분석으로 통해 의사결정을 하는 일들이 더욱 흥미로웠다.
예측 및 모델링을 주제로 한 프로젝트를 할 당시 '예측할 수 없다'라는 결과가 나왔을 때 데이터 분석에 큰 회의감과 좌절감을 가졌던 기억이 있다. 이때 이후 분석을 할 때마다 그때의 기억이 떠오르고, 내가 분석을 제대로 수행하지 않음으로 인해 정확도가 낮아진다는 것에 겁이 났다.
반면, 데이터를 분석하여 의사결정을 지원하는 일은 패턴을 발견하는 과정과 도출한 결과로 의사결정을 지원하는 과정에서 재미를 느끼고, 내가 분석한 결과로 비즈니스에 영향을 미칠 수 있다는 점이 가장 흥미롭다.
- SQL 자격증 준비를 하면서 데이터베이스에 흥미를 느껴 데이터베이스 관리하는 일을 해보고 싶다는 생각을 했었다.
2) Data Analyst, Data Engineer, Data Scientist 각 직군별 차이점
Data Analyst 데이터 분석가
역할: 데이터 분석가는 기업 데이터를 수집, 정제 및 분석하여 의사 결정을 지원한다.
주요 업무: 데이터 시각화, 보고서 작성, 데이터 정제, 기존 데이터의 탐색적 분석, 통계적 가설 검정, 데이터 마이닝.
도구: 주로 Excel, SQL, 비즈니스 인텔리전스 도구 (예: Tableau, Power BI), 통계 소프트웨어.
차이점: 주로 기존 데이터를 분석하고 비즈니스 의사 결정에 도움을 주며, 데이터를 시각화하고 보고서를 작성하는 역할을 한다.
Data Engineer (데이터 엔지니어)
역할: 데이터 엔지니어는 데이터 인프라를 설계, 구축 및 유지 관리하여 데이터를 수집하고 저장한다.
주요 업무: ETL 프로세스 (추출, 변환, 적재) 개발, 데이터 웨어하우스 설계, 데이터 파이프라인 구축, 데이터 품질 관리.
도구: SQL, 대규모 데이터 저장 시스템 (Hadoop, Spark, NoSQL), 데이터 파이프라인 도구 (예: Apache Nifi, Apache Airflow).
차이점: 주로 데이터 인프라와 엔지니어링 작업에 중점을 두며, 데이터 수집, 저장 및 파이프라인 구축에 관여한다.
Data Scientist (데이터 과학자)
역할: 데이터 과학자는 데이터를 사용하여 예측 및 모델링을 통해 비즈니스 문제를 해결하고 가치를 창출한다.
주요 업무: 머신러닝 모델 개발, 통계 분석, 데이터 시각화, 데이터 전처리, 인사이트 도출, 비즈니스 문제 해결.
도구: 주로 Python, R, 머신러닝 및 딥러닝 프레임워크 (예: TensorFlow, scikit-learn), 통계 도구.
차이점: 주로 데이터 모델링, 예측, 통계 및 머신러닝에 중점을 두며, 비즈니스 문제 해결과 가치 창출을 목표로 한다.
차이점
데이터분석가는 데이터를 통해 과거의 패턴을 발견하고 보고서와 시각화를 통해 인사이트를 전달하여 비즈니스 의사결정을 지원한다.
데이터 분석가가 사용하는 도구와 기술은 주로 Excel, SQL, 비즈니스 인델리전스 도구를 사용한다.
데이터 엔지니어는 데이터 인프라를 구축하고 데이터를 저장한다.
데이터 엔지니어가 사용하는 도구와 기술은 대구모 데이터 시스템 및 ETL 도구를 사용한다.
데이터 과학자는 예측 및 모델링을 통해 미래를 예축하고 문제를 해결한다.
데이터 과학자가 사용하는 도구와 기술은 머신러닝 및 통계 패키지를 사용한다.
