DATA/AI 직무 카테고리별로 정리한 가이드북입니다.
| 직무 카테고리 | 데이터 분석가 | 애널리틱스 엔지니어 | 데이터 엔지니어 | AI 엔지니어 | 전방 배치 엔지니어 (FDE) |
|---|---|---|---|---|---|
| 직무 설명 | 다양한 데이터를 기반으로 비즈니스 결정에 필요한 인사이트를 도출하고 의사결정을 지원합니다. | 데이터 분석 영역과 데이터 엔지니어링 영역의 교차점에서 필요한 데이터 모델링과 시멘틱 레이어를 구축합니다. | 데이터를 수집하고 해당 데이터를 저장·처리하는 데이터 파이프라인을 설계 및 구축하고 운영합니다. | LLM 모델을 활용한 어플리케이션/프로덕트에 배포하여 비즈니스 가치를 창출합니다. | 고객사의 실무 현장에 파견되어 현장 밀착형 문제를 정의하고, 프로덕트 환경에 솔루션을 구현하고 운영합니다. |
| 핵심 업무 | W5H1, MECE 모델로 데이터 기반 의사결정을 지원합니다. | 데이터 품질을 신뢰할 수 있는 셀프 서비스 (Self-Service) 기반의 데이터를 활용할 수 있는 환경 을 구축합니다. | 안정적이고 확장 가능한 | ||
| 데이터 파이프라인 시스템 및 인프라 구축 | LLM 모델을 적용하여 사용자 경험을 혁신 | ||||
| 하고 비즈니스 프로세스를 효율화 | 고객 요구사항을 바탕으로 모호한 비즈니스 문제를 해결하는 솔루션을 전달합니다. | ||||
| 주요 업무 키워드 | • 비즈니스 지표 및 임팩트 측정 | ||||
| • EDA, 대시보드 구축 | |||||
| • A/B 테스트 분석 | • dbt 모델 개발 | ||||
| • 매트릭스/시맨틱 레이어 구축 | |||||
| • 데이터 품질 테스트 자동화 | • ETL/ELT 파이프라인 구축 | ||||
| • 데이터 웨어하우스 설계 | |||||
| • 배치/스트리밍 데이터 처리 | • LLM 모델 학습 및 튜닝 | ||||
| • MLOps/ LLMOps 구축 | |||||
| • LLM/GenAI 기반 어플리케이션 개발 | • 문제 기반 솔루션/시스템 아키텍처 도출• 비즈니스 문제 기반 PoC 및 MVP 제공• LLM 기반 엔터프라이즈 어플리케이션 개발/운영 | ||||
| 주요 협업 대상 | PM, 마케팅, 운영 부서 및 경영진 | 데이터 분석가, 데이터 엔지니어, PM | 백엔드 개발자, 데브옵스 개발자, 데이터 분석가 | 데이터 엔지니어, 백엔드 개발자, PM | 운영 부서 및 경영진, 인프라 엔지니어, 클라우드 아키텍트, PM |
| 평균 연봉 (US) | $75K - $120K | $90K - $140K | $100K - $160K | $120K - $200K | $230K - $240K |
| 커리어 로드맵 | Junior Analyst → Senior Analyst → Analytics Manager → Head of Analytics / CDO | Junior → Senior DAE | |||
| → Staff DAE | |||||
| → Head of Analytics Engineering | Junior → Senior DE | ||||
| → Staff/Principal DE | |||||
| → Data Architect / VP Eng | Junior → Senior AI Eng | ||||
| → Staff/Principal ML Eng | |||||
| → AI Director / CTO | Junior FDE → Senior FDE → Staff / Principal FDE → Chief Solution Architect / Distinguished Engineer | ||||
| 진입 난이도 | ★★☆☆☆ | ★★★☆☆ | ★★★★☆ | ★★★★★ | ★★★★★ |
| 핵심 기술 스택 | SQL, Python(Pandas, Numpy), Tableau/Power BI, Statistics, Excel | SQL, Python, dbt, Data Modeling, Git | SQL, Python, Spark, Airflow, Cloud (AWS/GCP/Azure) | Python (PyTorch/TensorFlow), MLOps, LLM, RAG, Docker/K8s | Frontend/ Backend / Database / DevOps / CloudOps / Agentic Stack |
| 관련 전공 | 통계학, 경영학, 경제학, 사회과학, 심리학, 금융학 | 데이터 사이언스, 소프트웨어공학 | 컴퓨터공학, 소프트웨어공학, 인프라/백엔드 | 컴퓨터공학, 수학, 통계학, AI 전공 | 컴퓨터공학, 소프트웨어공학, 데이터 과학, AI 전공 |
다양한 데이터를 기반으로 비즈니스 결정에 필요한 인사이트를 도출하고 의사결정을 지원합니다.
<aside>
</aside>
| 직무 역할 | 기업에게 필요한 데이터를 분석하여 비즈니스 인사이트를 도출하고, 데이터 기반 의사결정을 지원하는 전문가입니다. |
|---|---|
| 핵심 미션 | W5H1, MECE 모델을 활용하여 데이터 기반의 의사결정을 지원합니다 |
| 직무 스킬 | 비즈니스 도메인 이해도 × 분석 역량 및 스킬 × 효율적인 커뮤니케이션 = 데이터 분석가 |
| 업무 내용 | 설명 | 빈도 |
|---|---|---|
| 에드혹 (Ad-hoc) 데이터 분석 | 비즈니스 팀의 긴급 데이터 요청 처리 및 분석 | 매일 |
| 대시보드 모니터링 (Monitoring) | 핵심 KPI 대시보드 확인 및 이상치 탐지 | 매일 |
| SQL 쿼리 조회 및 작성 | 데이터 추출, 정제, 집계를 위한 쿼리 작성 | 매일 |
| 대시보드/리포트 개선 및 업데이트 | 주간 비즈니스 리뷰 자료 준비 | 주 1-2회 |
| A/B 테스트 분석 | 실험 결과 분석 및 통계적 유의성 검증 | 주 1-2회 |
| 이해관계자 미팅 및 발표 | 분석 결과 공유 및 액션 아이템 도출 | 월 1-4회 |
| 프로젝트 기반 의사소통 및 리드 | 특정 주제에 대한 심층 분석 프로젝트 수행 | 월 1-10회 |
| 분석 프레임워크 개선 | 반복 분석 자동화 및 프로세스 최적화 | 분기/반기 1회 |
| 카테고리 | Tool / Skill | 숙련도 기준 | 추천 학습 리소스 |
|---|---|---|---|
| 데이터 추출 | SQL (MySQL / PostgreSQL / Oracle, MsSQL / Bigquery) | 복잡한 JOIN, Window Function, CTE 작성 가능 | Mode SQL Tutorial, LeetCode SQL |
| 프로그래밍 | Python (Pandas, NumPy) | 데이터 정제·변환·시각화 자동화 가능 | DataCamp, Kaggle Learn |
| 스프레드시트 | Excel / Google Sheets | Pivot Table, VLOOKUP, 매크로 활용 가능 | Excel Exposure, Google Sheets 공식 문서 |
| 시각화 | Tableau / Power BI / Looker Studio | 인터랙티브 대시보드 설계 및 배포 가능 | Tableau Public, Power BI Learn |
| 데이터 웨어하우스 | BigQuery / Snowflake / Redshift / Databricks | 기본 쿼리 및 데이터 탐색 가능 | Google Cloud Skills Boost, Snowflake Docs |
| 통계 | 기술통계, 추론통계, A/B테스트 | 가설 검정, 신뢰구간, p-value 해석 가능 | Khan Academy, Coursera Statistics |
| 버전 관리 | Git / GitHub | 기본 branch, commit, PR 워크플로우 가능 | GitHub Learning Lab |
| 분석 환경 | Jupyter Notebook / Colab | 분석 결과를 노트북으로 문서화 가능 | Jupyter 공식 문서 |
| 역량 항목 | 초급 (0-1년) | 중급 (1-3년) | 고급 (3년+) |
|---|---|---|---|
| SQL 활용 능력 | 기본 쿼리 (SELECT, WHERE, GROUP BY, LIMIT) 사용 가능 | Window Function, CTE, 서브쿼리 자유자재 | 쿼리 최적화, 실행 계획 분석, 대용량 데이터 처리 |
| 통계적 지식 | 평균, 중앙값, 표준편차 이해 | 가설검정, 회귀분석, A/B 테스트 설계 | 인과추론, 베이지안 분석, 실험 설계 최적화 |
| 차트 & 대시보드 활용 | 베이직 테이블 및 차트 제작 가능 | 인터랙티브 대시보드 설계 및 배포 | 조직 전체 BI 체계 설계, 데이터 민주화 주도 |
| 비즈니스 이해도 | 요구사항에 맞추어 분석 요청을 수행 | 비즈니스 맥락을 이해하고 분석 방향 제안 | 데이터 전략 수립, C-Level 대상 인사이트 제공 |
| 커뮤니케이션 능력 | 분석 결과를 효율적으로 정리하여 공유 | 스토리텔링으로 비즈니스 임팩트 전달 | 조직 문화 변화를 이끄는 데이터 리더십 |
| 프로그래밍 능력 | Pandas, Numpy 기본 문법 / 코드 작성 | 분석 자동화 스크립트 작성 | 분석 패키지/라이브러리 개발, 코드 리뷰 |
| 단계 | 기간 | 핵심 목표 | 필요 역량 | 포트폴리오 예시 |
|---|---|---|---|---|
| 입문자 | 0 - 6개월 | SQL/Python 기초 마스터 | ||
| 데이터 리터러시 확보 | 기초/중급 SQL, Python/R | |||
| Excel, 기본 통계 | 공공데이터 분석 프로젝트 | |||
| Kaggle Starter Competition | ||||
| 주니어 | 6개월 - 2년 | 독립적 분석 수행 가능 | ||
| BI 도구 활용 능숙 | 고급 SQL, Tableau/Power BI | |||
| A/B 테스트, 기술통계 | 비즈니스 대시보드 구축 | |||
| 고객 세그멘테이션 분석 | ||||
| 시니어 | 2 - 5년 | 분석 프로젝트 리드 | ||
| 비즈니스 임팩트 창출 | 인과추론, 실험설계 | |||
| 스토리텔링, 팀 리더십 | 매출 예측 모델 구축 | |||
| 조직 OKR 대시보드 설계 | ||||
| 테크 리드/매니저 | 5년+ | 분석 조직 구축 및 운영 | ||
| 데이터 전략 수립 | 팀 관리, 전략적 사고 | |||
| 이해관계자 소통/커뮤니케이션 | 데이터 문화 구축 사례 | |||
| 데이터 전략 프레임워크 |
| 주제 | 추천 리소스 | 예상 기간 |
|---|---|---|
| SQL 기초 ~ 중급 | W3school, Leetcode/HackerRank SQL | 4주 |
| 파이썬 데이터 분석 | DataCamp / Kaggle Learn Python | 4주 |
| 기초 통계학 | Khan Academy Statistics / Coursera | 3주 |
| 시각화 & BI 도구 | Tableau Public / Power BI Community | 3주 |
| 분석 프로젝트 실습 | Kaggle / Dacon / HeartCount | 4주 |
| 비즈니스 커뮤니케이션 | Storytelling with Data / Leading with Questions / The So What Strategy | 2주 |
| 유형 | 예시 질문 | 평가 포인트 | 모범 답안 |
|---|---|---|---|
| SQL 코딩 | 월별 활성 사용자 수와 전월 대비 증감률을 구하시오 | SQL 쿼리 능숙도, 날짜 처리, 검증력 평가 | DATE_TRUNC 또는 TO_CHAR를 사용해 날짜를 월 단위로 그룹화한 뒤 COUNT(DISTINCT user_id)로 MAU를 집계합니다. 전월 대비 증감률은 LAG() 윈도우 함수로 이전 달 값을 가져와 (현재 - 이전) / 이전 * 100으로 계산합니다. NULL 처리와 첫 달 예외 케이스도 함께 고려해야 합니다. |
| 통계/분석 | A/B 테스트에서 p-value가 0.06일 때 어떻게 판단하시겠습니까? | 통계적 지식, 실무적인 판단력 | p-value 0.06은 일반적인 유의수준 0.05보다 크므로 통계적으로 유의하지 않다고 판단할 수 있습니다. 그러나 단순히 기각/채택을 결정하기보다 효과 크기(Effect Size), 샘플 수, 비즈니스 맥락을 종합해 판단합니다. 예를 들어 비용이 낮고 기대 효과가 크다면 추가 실험을 제안하거나, 베이지안 접근으로 재분석하는 방안을 검토할 수 있습니다. |
| 비즈니스 케이스 | DAU가 10% 하락했습니다. 원인을 어떻게 분석하시겠습니까? | 문제 체계적 접근, 세분화 능력, 가설 수립 역량 | 먼저 하락 시점·범위를 확인해 외부 이벤트(앱 업데이트, 마케팅 중단, 경쟁사 이슈)와 연관성을 파악합니다. 이후 플랫폼·지역·코호트별로 세분화해 특정 그룹 집중 여부를 확인하고, 퍼널 단계별 이탈률을 분석해 주요 드롭오프 지점을 찾습니다. 가설을 수립한 뒤 데이터로 검증하고, 원인에 따른 해결책(UX 개선, 재유입 캠페인 등)을 제안합니다. |
| 포트폴리오 기반 질문 | 본인이 수행한 분석 프로젝트에 대해 설명해 주세요 | 스토리텔링, 의사결정 기여도, 비즈니스 임팩트 측정 | 분석 배경(해결하려 한 비즈니스 문제)을 먼저 이야기하고, 사용한 데이터·방법론을 간결하게 설명한 다음, 분석 결과보다 의사결정에 미친 임팩트를 중심으로 스토리텔링합니다. 매출 X% 개선, 이탈율 Y% 감소 등 정량적 성과를 제시하고, 분석 과정에서 마주한 한계나 개선점도 솔직하게 언급해 신뢰도를 높입니다. 청중(비기술 직군 포함)을 고려해 시각화와 쉬운 언어로 전달하는 것이 중요합니다. |
| 회사 컬처핏 질문 | 데이터 분석가로서 가장 중요하다고 생각하는 역량에 대해 이야기해주세요. | 메타 인지, 성장 마인드셋, 팀 협업 능력 | 비즈니스 문제를 데이터 기반으로 정확하게 정의하는 '문제 정의 능력'이 가장 중요합니다. 아무리 정교한 분석도 잘못된 질문에서 출발하면 의미 없는 결과를 낳기 때문입니다. 또한 분석 결과를 이해관계자에게 설득력 있게 전달해 실제 의사결정으로 연결하는 커뮤니케이션 역량도 핵심이라고 생각합니다. |
온라인으로 배울수 있는 온라인 과정을 살펴보세요.
datarichard와 배우는 대시보드 만들기 | 데이터 리차드
AI 시대 일잘러를 만드는 비즈니스 데이터 분석 by. 데이터리차드 | 패스트캠퍼스
datarichard© All Rights Reserved.