패스트캠퍼스 데이터 분석 부트캠프 14기_4월 CampCON

 

안녕하세요🤗 패스트캠퍼스 데이터분석 부트캠프 14기 수강 중인 분석하swu입니다!

주차별 학습기록 카테고리의 글들은 읽어보셨었나요?

이번에 패스트캠퍼스 기자단에 선발되어 앞으로는 패리포터 카테고리에서도 포스팅을 올릴 예정입니다 :)

패스트캠퍼스 부트캠프에 관심있는 분들, 데이터 분석에 관심있는 분들께 제 글들이 도움이 되었으면 좋겠습니다(물론 저를 포함해서요..!ㅎㅎ)

 

---

 

 

이번 주제는 4월 말일에 진행됐었던 패스트캠퍼스의 IT 커리어 성장 컨퍼런스, CampCON의 후기입니다!

CampCON은 다양한 IT 분야의 전문가들과 함께 커리어와 기술에 대한 고민을 나눌 수 있는 행사로,
매월 PM, 개발자, AI 등 IT 직무의 연사님들을 모셔서 다양한 인사이트를 공유해 주시는데요. 지난 4월은 데이터 분석 전문 CampCON 행사였습니다. 연사자 분들은
카카오 데이터 분석가 이다희님,
넥슨 코리아 게임 UX Analyst 이며 데이터 분석 부트캠프 수료생인 신미미님께서 오셔서 데이터 분석 관련 현직 이야기와 취업 스토리를 전해 주셨습니다!

 

강연 주제는

1️⃣이다희님 [카카오 Data Analyst]

- 주제 : 데이터 분석가 커리어를 쌓는 마스터 키

 

2️⃣신미미님 [넥슨코리아 게임 UX Analyst]

- 주제 : 데이터는 어떻게 UX분석가의 무기가 되는가

- 비고 : 데이터분석 부트캠프 수료생!

 

강연은 ZOOM에서 대략 세시간 정도 이루어졌고 강연 내용부터 Q&A까지 정말 알찬 시간이었습니다. 물론 시간이 꽤 지나서 내용을 상기하는데 어려움이 있겠지만 필기해놓았던 내용을 토대로 최대한 작성해보겠습니다!

강의 자료같은 경우엔 저작권의 문제로 캡쳐본을 포스팅할 수 없는 점 양해부탁드립니다.

---

 

먼저 카카오의 데이터 애널리스트인 이다희님의 강연입니다!

 

 

연사님은 비전공자로 시작하여 마케터, 세일즈 분석가의 직무를 경험한뒤 부트캠프를 통해 데이터 분석가로 전환하셨다고 합니다. 비전공자로써 데이터 분석가를 위한 커리어를 쌓아온 과정에 대해 자세히 설명해 주셨는데

 

2015년, 스타트업인 S사에서 디지털 마케팅 인턴십을 통해 컨텐츠 마케팅과 소셜미디어를 관리하는 업무를 하고

2017년, U사에 마케팅 인턴십을 통해 시작 분석과 데이터 분석에 기반한 마케팅 전략 수집을 해보셨다고 합니다.

2018년, N사에 세일즈 분석가로 입사하여 세일즈 리포트 작성과 데이터 분석에 기반한 세일즈 전략을 수립하는 업무를 캍으셨지만 이때까지의 누적된 경험이 "엑셀을 대체할 무언가가 필요하다"고 알려주셨습니다.

 

데이터분석에 대한 지식을 채우기 위해 시각화 툴인 Tableau 관련 커뮤니티 활동과 부트캠프를 시작했고, 그 경력을 기반으로

 

2019년, P사에 데이터분석가로 입사해 태블로를 활용한 대시보드 개발 업무를 진행하셨다고 합니다.

 

 

데이터 분석가로써의 실력을 더 함양하기 위한 방안으로 사이드 프로젝트를 추천해주셨는데,

사이드 프로젝트의 진행 방식은

• 주제 선정: 내가 좋아하는 것에서 시작하자
• 데이터: 직접 크롤링 or 샘플 데이터
• 분석: 최대한 다양한 툴을 사용해보자
• 공유: 결과물은 블로그, 링크드인, 인스타그램 등 최대한 노출하자

연사님 역시 이런 사이드 프로젝트를 기반으로 카카오로 이직하여 인사 데이터 시각화와 데이터 프로덕트 개발 업무를 캍으셨다고 합니다.

 

 

당사에서 진행하는 현업 업무에 대해서도 소개해 주셨는데,

1. 데이터 프로덕트 개발
   • PM: 프로젝트 운영
   • 데이터 분석가: 기획, 시각화, 분석
   • 데이터 사이언티스트: 모델링
   • 데이터 엔지니어: 데이터 파이프라인 개발
2. 대시보드 개발
   • 서비스 담당자가 결과물을 한 눈에 파악하여 이해하기 쉽고, 활용을 잘 할 수 있도록 돕는 대시보드 개발
3. 실험과 사후분석
   • 개발한 데이터를 활용하여, 실험을 진행하여 성과 측정 및 인사이트 발견 with 사업부, 마케팅 부서
4. 데이터 활용 플랫폼 개발
   • 현업에서 지속적인 데이터 수요가 있다면 데이터를 쉽게 활용 가능하도록 시스템 개발 with PM, 데이터 엔지니어, FE 개발자

 

위에서 볼 수 있다싶이 현업엔 다양한 데이터 관련 역할이 있는데,

데이터 사이언티스트는 데이터 파이프라인 개발, 데이터 모델링, AB테스트 등 데이터를 만들어내는 역할이고,

데이터 분석가는 데이터 분석, 인사이트 발견, 데이터 시각화 등 존재하는 데이터를 활용하여 분석하는 역할입니다.

비즈니스 애널리스트는 데이터 분석, 인사이트 발견, 협업을 통해 비즈니스 전략을 수립하는 등 존재하는 데이터를 활용하여 분석 후 전략까지 수립하는 역할입니다.

역할 별 업무 성향을 비교해 보자면,

• 데이터 사이언티스트는
  • 숫자를 좋아하고
  • 문제해결을 좋아하고
  • 모델 개발을 좋아하고
  • 협업이 적은 것을 선호하는 편
• 데이터 분석가 / 비즈니스 애널리스트는
  • 넓은 시아로 생각하길 좋아하고
  • 비즈니스 기회를 발견하기를 좋아하고
  • 비즈니스 전략을 세우는 것을 좋아하고
  • 협업을 선호하고
  • 뾰족한 전문성보다는 영향력을 선호하고
  • 사업적인 감각을 키우고 싶어하는 편

이라고 할 수 있습니다.

 

 

🔎정리

1. 사이드 프로젝트: 경력보다 더 큰 무기가 될 수 있다
2. 네트워킹 & 공유: 최대한 결과물을 공유하자
3. 특별함: 자신있는 툴 1개에만 집중하는 것이 오히려 좋다

'어떤' 툴을 잘 다루고, '어느' 도메인에 관심이 많은 사람인가를 보여주어야 한다!!

---

 

다음은 넥슨코리아의 게임 UX분석가 신미미님의 강연입니다!

신미미 연사님 역시 비전공자로 한국리서치 마켓 리서처로 시작하여 패스트캠퍼스 부트캠프 수료 후 게임 UX분석가로 직무 전환을 하셨다고 합니다.

 

 

먼저 현재 활동하고 계신 UX분석가의 데이터 활용법에 대해 설명해주셨는데

업무의 모든 과정 속에 데이터가 녹아 있으며, 

 

분석가 전문성의 원천, 가장 기본이 되는 스킬인 하드 스킬(H)과 분석업무의 시작과 끝맺음을 담당하는 소프트 스킬(S)이 필요하다고 하셨습니다.

 

하드 스킬을 통해 문제 해결을 위한 가장 적합한 데이터가 무엇인지 정의하고, 분석 방법을 결정한 뒤 데이터가 수집되면 분석 업무를 수행합니다. 하드스킬은 지속적인 고민과 공부를 통한 레벨업이 필요합니다.

하지만 아무리 훌륭한 분석 결과를 내놓았더라고, 그 분석이 당면한 문제를 해결하지 못하거나 조직 내 전파되지 못한다면 좋은 성과를 냈다고 보기 어렵습니다. 이를 위해선 소프트 스킬 역시 꾸준히 길러나가야 합니다.

 

 

UX분석가가 다루는 데이터에는 상대적으로 small한 정성데이터, 좀 더 big데이터인 정량데이터가 있습니다.

• 정성데이터는
  • 표본 수가 적으며 설문이나 인터뷰등 물리적인 리서치 프로세스에 의해 수집된 데이터
  • 사용자의 활동 패턴에 숨겨진 의도나 생각 파악 가능
  • 설문의 수집/응답형태
    ■  객관식 응답
    ■  주관식 응답
  • 인터뷰의 수집/응답형태
    ■  영상/녹음
    ■  (스크립트)주관식 응답
  • 현업에서는 비정형 데이터를 다루기 위해 많은 고민을 거치고 있습니다. ChatGPT 등 생성형 AI를 활용해 효율적으로 주관식 응답을 분석하는 방법에는 무엇이 있을까요?
• 정량데이터는
  • 표본 수가 크고 사용자의 행동을 추적하기 위해 심어놓은 로그를 조회하여 수집할 수 있는 데이터
  • UX분석가는 데이터분석가와의 협업을 통해 사용자의 실제 행동 패턴까지 종합적으로 고려한 분석 실시
  • 로그 데이터의 수집/응답형태
    ■  숫자로 나타낼 수 있는 데이터 ex) 특정 행동의 횟수, 소요시간 등
  • 크롤링 데이터의 수집/응답형태
    ■  SNS, 커뮤니티 등에서 수집한 비정형 데이터
  • 현업에서는 마찬가지로 빅-스몰 데이터의 연계 분석을 위해 많은 고민을 필요로 하는데요, 효과적인 협업을 위한 데이터분석가와 UX분석가(리서처)의 역량은 무엇일까요?

 

이제는 완연한 일상이 되어버린

"데이터 기반 의사결정"의 시대에서 살아남는 법에 대해서도 말씀주셨습니다.

1. '데이터' 보다는 '의사결정'에 방점이 있음을 이해하기
2. 내가 다루는 데이터 종류에 한계 두지 않기
3. 분석 결과를 잘 '보여주는' 방법 고민하기