- 질문 게시판입니다.
| Date | 23/03/10 15:01:25 |
| Name | Finboy |
| Subject | 데이터 사이언스 관련 질문 |
|
안녕하세요? 홍차넷에서 유익한 정보도 많이 얻고 즐겁게 보고 있습니다 최근 데이터 사이언스가 굉장히 핫하여 이것 저것 찾아보다가 궁금한게 있어서 글 쓰게 되었습니다. 이런쪽 종사자도 꽤 되어보이셔서… 1. 데이터 사이언스가 공공분야에서도 의미가 있어 보이나요? 2. 통계, 수학, 공학 기초 없는 문돌이가 시도해보기에는 많은 초기 비용이 예상되는데, 그정도의 가치가 있는 일처럼 보이나요? 3. 미국 석사와 한국 석사, 그리고 온라인 석사 간 차이기 큰가요? 4. 석사 없이 독학으로 익힐만한 가치가 있을까요? 정말 이 분야 전혀 모르고 관련 지식이 일천한 상태에서 올리는 질문이오니 혹 질문이 무례하게 여겨지신다면 그건 다 제 잘못이오니 양해 부탁드립니다! 0
|
|
1. 분야에 따라 다르지만 점점 퍼지고 있습니다. 사회경제쪽은 좀 느린 편이고 공학쪽은 빠릅니다. 다만 "데이터 사이언스를 한다"는 느낌으로 퍼지기보다 어 몰랐는데 이게 빅데이터야? 약간 이런 느낌이 강해요.
2. 코딩 능력이 거의 필수처럼 따라붙습니다. 엑셀 등으로 표를 잘 다루신다면 배우기가 좀더 편합니다.
3. 분야를 막론하고 MBA같은 게 아닌 한에야 석사는 국적이 크게 상관 없습니다. 다만 좋은 학교에서 따시는게 좋죠.
4. 어려운 얘기인데, 사실 데이터 사이언스는 산출물을 의미있게 내는게 중요합니다. 한동안 우리나라... 더 보기
2. 코딩 능력이 거의 필수처럼 따라붙습니다. 엑셀 등으로 표를 잘 다루신다면 배우기가 좀더 편합니다.
3. 분야를 막론하고 MBA같은 게 아닌 한에야 석사는 국적이 크게 상관 없습니다. 다만 좋은 학교에서 따시는게 좋죠.
4. 어려운 얘기인데, 사실 데이터 사이언스는 산출물을 의미있게 내는게 중요합니다. 한동안 우리나라... 더 보기
1. 분야에 따라 다르지만 점점 퍼지고 있습니다. 사회경제쪽은 좀 느린 편이고 공학쪽은 빠릅니다. 다만 "데이터 사이언스를 한다"는 느낌으로 퍼지기보다 어 몰랐는데 이게 빅데이터야? 약간 이런 느낌이 강해요.
2. 코딩 능력이 거의 필수처럼 따라붙습니다. 엑셀 등으로 표를 잘 다루신다면 배우기가 좀더 편합니다.
3. 분야를 막론하고 MBA같은 게 아닌 한에야 석사는 국적이 크게 상관 없습니다. 다만 좋은 학교에서 따시는게 좋죠.
4. 어려운 얘기인데, 사실 데이터 사이언스는 산출물을 의미있게 내는게 중요합니다. 한동안 우리나라에 전공지식(도메인 널리지라고 하죠)없이 데이터 드리븐 연구로만 뭐든지 할 수 있다는 인식이 급격히 퍼졌는데, 요즘은 생각들이 좀 바뀌었습니다. 본인의 분야가 있으시면 데이터 사이언스는 도구로 사용하시는게 좋습니다.
2. 코딩 능력이 거의 필수처럼 따라붙습니다. 엑셀 등으로 표를 잘 다루신다면 배우기가 좀더 편합니다.
3. 분야를 막론하고 MBA같은 게 아닌 한에야 석사는 국적이 크게 상관 없습니다. 다만 좋은 학교에서 따시는게 좋죠.
4. 어려운 얘기인데, 사실 데이터 사이언스는 산출물을 의미있게 내는게 중요합니다. 한동안 우리나라에 전공지식(도메인 널리지라고 하죠)없이 데이터 드리븐 연구로만 뭐든지 할 수 있다는 인식이 급격히 퍼졌는데, 요즘은 생각들이 좀 바뀌었습니다. 본인의 분야가 있으시면 데이터 사이언스는 도구로 사용하시는게 좋습니다.
[비전문가니 주의해주세요!]
0. 아실 수도 있겠지만 우선 데이터 사이언티스트, 데이터 엔지니어, 데이터 애널리스트의 차이를 알고 접근하시는게 좋을 듯 합니다.
그리고 우선 현 상황을 정리하시는게 좋을거 같아요.
하고 싶은게 무엇일까요? [데이터를 분석하고 싶다? 세팅하고 싶다? 모델을 구현하고 싶다? 아니면 그냥 돈을 마니 벌고 싶다?]
현재 나의 능력은 어떠한가? [통계를 좋아하는가? 코딩을 좋아하는가? 공부를 유... 더 보기
0. 아실 수도 있겠지만 우선 데이터 사이언티스트, 데이터 엔지니어, 데이터 애널리스트의 차이를 알고 접근하시는게 좋을 듯 합니다.
그리고 우선 현 상황을 정리하시는게 좋을거 같아요.
하고 싶은게 무엇일까요? [데이터를 분석하고 싶다? 세팅하고 싶다? 모델을 구현하고 싶다? 아니면 그냥 돈을 마니 벌고 싶다?]
현재 나의 능력은 어떠한가? [통계를 좋아하는가? 코딩을 좋아하는가? 공부를 유... 더 보기
[비전문가니 주의해주세요!]
0. 아실 수도 있겠지만 우선 데이터 사이언티스트, 데이터 엔지니어, 데이터 애널리스트의 차이를 알고 접근하시는게 좋을 듯 합니다.
그리고 우선 현 상황을 정리하시는게 좋을거 같아요.
하고 싶은게 무엇일까요? [데이터를 분석하고 싶다? 세팅하고 싶다? 모델을 구현하고 싶다? 아니면 그냥 돈을 마니 벌고 싶다?]
현재 나의 능력은 어떠한가? [통계를 좋아하는가? 코딩을 좋아하는가? 공부를 유지하고 할만한 재력과 지력과 끈기가 있는가? 등등]
1. 공공 분야에서도 많은 부분 오픈하고 활용하려는 움직임을 보이고 있습니다.
2. 가치가 급여나 이익같은 부분이라면, 데이터 사이언스 말고 많은 영역이 있죠. 다만 문돌이는 [통계, 수학, 공학] 외 전문 자격증이나 고스펙이 없는 이상 큰 급여를 받기 어려운 것이 현실입니다. 사실 그래서 데이터 사이언스 즈음도 아니고 위 통계, 수학, 공학을 배운 것을 증명하는 정도만 되도 매우 유의미한 가치가 있다 봅니다. 그만큼 문돌이는 돈벌기 어려운 ㅠㅠ
3,4는 제 영역이 일단 답변을 패스하겠습니다.
많은 생각 버리시고, 일단 파이썬 잡고 배우시는 걸 추천드립니다. 전 이정도 초보 선에서 컷 됐어요 ㅎ휴ㅠ
---
분명 많은 돈을 벌 기회는 데이터 사이언티스트에게 있지만,
여러 회사 전전하다 보면 이름만 들어도 아는 기업인데 GA 클릭 로그 조차 안 쌓여있는 곳이 많읍니다.[는 우리 회사 ㅠ]
보통의 기회라면 엔지니어나 애널리스트도 큰 기회가 많다 생각합니다.
큰 그림을 그리시는 것도 좋지만,
이 길이 내 길이 맞는지 우선 빠르고 간단하게 시도해보시면 더 답이 나오리라 생각됩니다!
0. 아실 수도 있겠지만 우선 데이터 사이언티스트, 데이터 엔지니어, 데이터 애널리스트의 차이를 알고 접근하시는게 좋을 듯 합니다.
그리고 우선 현 상황을 정리하시는게 좋을거 같아요.
하고 싶은게 무엇일까요? [데이터를 분석하고 싶다? 세팅하고 싶다? 모델을 구현하고 싶다? 아니면 그냥 돈을 마니 벌고 싶다?]
현재 나의 능력은 어떠한가? [통계를 좋아하는가? 코딩을 좋아하는가? 공부를 유지하고 할만한 재력과 지력과 끈기가 있는가? 등등]
1. 공공 분야에서도 많은 부분 오픈하고 활용하려는 움직임을 보이고 있습니다.
2. 가치가 급여나 이익같은 부분이라면, 데이터 사이언스 말고 많은 영역이 있죠. 다만 문돌이는 [통계, 수학, 공학] 외 전문 자격증이나 고스펙이 없는 이상 큰 급여를 받기 어려운 것이 현실입니다. 사실 그래서 데이터 사이언스 즈음도 아니고 위 통계, 수학, 공학을 배운 것을 증명하는 정도만 되도 매우 유의미한 가치가 있다 봅니다. 그만큼 문돌이는 돈벌기 어려운 ㅠㅠ
3,4는 제 영역이 일단 답변을 패스하겠습니다.
많은 생각 버리시고, 일단 파이썬 잡고 배우시는 걸 추천드립니다. 전 이정도 초보 선에서 컷 됐어요 ㅎ휴ㅠ
---
분명 많은 돈을 벌 기회는 데이터 사이언티스트에게 있지만,
여러 회사 전전하다 보면 이름만 들어도 아는 기업인데 GA 클릭 로그 조차 안 쌓여있는 곳이 많읍니다.[는 우리 회사 ㅠ]
보통의 기회라면 엔지니어나 애널리스트도 큰 기회가 많다 생각합니다.
큰 그림을 그리시는 것도 좋지만,
이 길이 내 길이 맞는지 우선 빠르고 간단하게 시도해보시면 더 답이 나오리라 생각됩니다!
윗분들이 좋은 말씀 해주셨으니 저는 조금은 현실적인 생각을 말씀드리면...
데이터 기반으로 사고하는 능력은 그 어떤 업무를 하시던 매우 좋고 유용한 능력이지만, [데이터 사이언스] 자체를 전문 직무로 하신다고 하는것은 완전히 다른 차원의 어려움이 있습니다. 왜냐하면 데이터 사이언스는 1) 시스템화되기 어렵고, 2) 개인의 능력에 너무나도 큰 영향을 받고 3) 수요가 생각보다 꽤 적은 직무이기 때문입니다.
기본적으로 데이터 사이언티스트에게 기대받는 것은 [아무도... 더 보기
데이터 기반으로 사고하는 능력은 그 어떤 업무를 하시던 매우 좋고 유용한 능력이지만, [데이터 사이언스] 자체를 전문 직무로 하신다고 하는것은 완전히 다른 차원의 어려움이 있습니다. 왜냐하면 데이터 사이언스는 1) 시스템화되기 어렵고, 2) 개인의 능력에 너무나도 큰 영향을 받고 3) 수요가 생각보다 꽤 적은 직무이기 때문입니다.
기본적으로 데이터 사이언티스트에게 기대받는 것은 [아무도... 더 보기
윗분들이 좋은 말씀 해주셨으니 저는 조금은 현실적인 생각을 말씀드리면...
데이터 기반으로 사고하는 능력은 그 어떤 업무를 하시던 매우 좋고 유용한 능력이지만, [데이터 사이언스] 자체를 전문 직무로 하신다고 하는것은 완전히 다른 차원의 어려움이 있습니다. 왜냐하면 데이터 사이언스는 1) 시스템화되기 어렵고, 2) 개인의 능력에 너무나도 큰 영향을 받고 3) 수요가 생각보다 꽤 적은 직무이기 때문입니다.
기본적으로 데이터 사이언티스트에게 기대받는 것은 [아무도 모르던] 혹은 [잘못 알고 있던] 것들을 드러내서 까발리고 숫자로 증명하는 일입니다. 그러다보니 정해져 있는 일이라는게 단 하나도 없고, 매뉴얼대로 하면 얼추 따라하는게 가능한 다른 직무들과는 달리 모든 일이 새로운 프로젝트고 모든게 맨땅에 헤딩하는 일입니다.
그러다 보니 이 일을 하고자 하는 사람은 많아도, 제대로 할 수 있는 사람은 극히 드뭅니다. 새로운 문제를 찾고, 과학적으로 엄밀하게 검증하고, 이를 다른사람에게 설득하는 과정은 사실 정규 박사과정을 밟은 대학원생에게도 대단히 힘든 일입니다. 하물며 이공계도 아니시라면야...... 7~8년의 교육을 단기간에 따라잡는 것은 꽤 힘들지 않을까 하고 생각합니다.
다만 이 모든 어려움은 "데이터 사이언스"가 중심이 아니라 본인의 전문 분야를 중심으로 하되 데이터는 +a로 사용한다면 거의 없어집니다. 문제를 찾는 부분이 일단 대폭 쉬워지고, 본인이 사용할거라면 굳이 설득과정 없이 인사이트만 얻을 수 있으면 되니까요. 데이터 활용, 과학적 사고는 그 어떤 업무를 하신다고 해도 매우 유용하실 겁니다. 공부 자체는 적극 추천드립니다.
데이터 기반으로 사고하는 능력은 그 어떤 업무를 하시던 매우 좋고 유용한 능력이지만, [데이터 사이언스] 자체를 전문 직무로 하신다고 하는것은 완전히 다른 차원의 어려움이 있습니다. 왜냐하면 데이터 사이언스는 1) 시스템화되기 어렵고, 2) 개인의 능력에 너무나도 큰 영향을 받고 3) 수요가 생각보다 꽤 적은 직무이기 때문입니다.
기본적으로 데이터 사이언티스트에게 기대받는 것은 [아무도 모르던] 혹은 [잘못 알고 있던] 것들을 드러내서 까발리고 숫자로 증명하는 일입니다. 그러다보니 정해져 있는 일이라는게 단 하나도 없고, 매뉴얼대로 하면 얼추 따라하는게 가능한 다른 직무들과는 달리 모든 일이 새로운 프로젝트고 모든게 맨땅에 헤딩하는 일입니다.
그러다 보니 이 일을 하고자 하는 사람은 많아도, 제대로 할 수 있는 사람은 극히 드뭅니다. 새로운 문제를 찾고, 과학적으로 엄밀하게 검증하고, 이를 다른사람에게 설득하는 과정은 사실 정규 박사과정을 밟은 대학원생에게도 대단히 힘든 일입니다. 하물며 이공계도 아니시라면야...... 7~8년의 교육을 단기간에 따라잡는 것은 꽤 힘들지 않을까 하고 생각합니다.
다만 이 모든 어려움은 "데이터 사이언스"가 중심이 아니라 본인의 전문 분야를 중심으로 하되 데이터는 +a로 사용한다면 거의 없어집니다. 문제를 찾는 부분이 일단 대폭 쉬워지고, 본인이 사용할거라면 굳이 설득과정 없이 인사이트만 얻을 수 있으면 되니까요. 데이터 활용, 과학적 사고는 그 어떤 업무를 하신다고 해도 매우 유용하실 겁니다. 공부 자체는 적극 추천드립니다.
질문 이외의 것들에 대해 조금 더 정보를 드리려고 댓글 달아봅니다^^;;
데이터 사이언스라는 게 사실 공학자(데이터 엔지니어), 분석전공자(데이터 에널리스트), 데이터 정제하는 사람(인지능력이 있는 아무 사람), 인공지능 모델링 전문가(모델러) 이 4가지로 구성되어 있습니다.
앞의 2개는 필수적으로 있어야할 인력이고 데이터 정제와 모델러는 회사 바이 회사입니다.
다르게 말하면 데이터 엔지니어만 있으면 분석할 사람이 없어서 망하고
데이터 에널리스트만 있으면 분석할 환경을 구축하지 못해 망합니다.
엔지니어와 에널리스트를 같... 더 보기
데이터 사이언스라는 게 사실 공학자(데이터 엔지니어), 분석전공자(데이터 에널리스트), 데이터 정제하는 사람(인지능력이 있는 아무 사람), 인공지능 모델링 전문가(모델러) 이 4가지로 구성되어 있습니다.
앞의 2개는 필수적으로 있어야할 인력이고 데이터 정제와 모델러는 회사 바이 회사입니다.
다르게 말하면 데이터 엔지니어만 있으면 분석할 사람이 없어서 망하고
데이터 에널리스트만 있으면 분석할 환경을 구축하지 못해 망합니다.
엔지니어와 에널리스트를 같... 더 보기
질문 이외의 것들에 대해 조금 더 정보를 드리려고 댓글 달아봅니다^^;;
데이터 사이언스라는 게 사실 공학자(데이터 엔지니어), 분석전공자(데이터 에널리스트), 데이터 정제하는 사람(인지능력이 있는 아무 사람), 인공지능 모델링 전문가(모델러) 이 4가지로 구성되어 있습니다.
앞의 2개는 필수적으로 있어야할 인력이고 데이터 정제와 모델러는 회사 바이 회사입니다.
다르게 말하면 데이터 엔지니어만 있으면 분석할 사람이 없어서 망하고
데이터 에널리스트만 있으면 분석할 환경을 구축하지 못해 망합니다.
엔지니어와 에널리스트를 같이 할 수 있는 고급인력은 부르는 게 몸값이고요.....
아마도 질문자분께서는 에널리스트 계열 정보를 원하시는 것 같습니다.
에널리스트는 보통 아래 3가지를 주된 업무로 삼습니다.
1. KPI(key performance indicator) 수립 및 추적
2. 각종 이레귤러 원인 파악
3. 인사이트 발굴
여기서 1번(KPI 수립 및 추적)에 대해서 말씀드려보면
회사 매출과 직결될 수 있는 지표들이 무엇인가
숨겨진 지표가 있었는가
해당 지표를 숫자로 표현해내는 방법 강구하기
KPI 보고서 작성
이런 업무들로 구성되어 있습니다.
업무들을 살펴보면 CEO 옆에서 정보 전달하는 역할(많은 권한을 가진 자)에 가깝습니다.
이런 업무를 위해서는 많은 부서에서 데이터를 자연스럽게(딱히 사람손을 타지 않아도 데이터가 알아서 적재되게끔)
데이터 에널리스트에게 전달되는 것이 중요합니다.
그걸 위해서 엔지니어가 필요하죠.
2번 업무(이레귤러 원인 파악)의 경우
외부 요인과 내부 요인을 구별하여 분석한 후
원인이라고 생각한 요소들에 대해서 통계적으로 유의미한 상관관계를 가지고 있는지 파악하여
보고하는 것이 목표입니다
다르게 말하면 정보수집 능력과 통계적 지식이 빡세게 요구됩니다.
이노무 윗사람들은 숫자를 좋아하기 때문에....
숫자로 이 모든 것을 표현해야합니다.
3번 업무(인사이트 발굴)
이게 사실 데이터 사이언티스트 하면 딱 떠오르는 일이지만
제일 어렵기도 하고
위 2가지 업무에 치여서 제일 하지 않는??? 업무이기도 합니다.
도메인 지식을 매우 빠삭하게 알아야하고
지표를 하나하나 발라내는 능력이 중요합니다.
지표가 정말 원자단위까지 나눠졌다면
리그레션 등 다양한 기법을 통해서 상관관계가 높은 지표들끼리 묶어서
인과추론을 실시해보고 인과관계가 명확한 친구들을 이용하여
인사이트가 있을만한 요소들을 알아내야 합니다.
이것만 하기에도 토나오게 할 일이 많지만
데이터 에널리스트는 보통 굉장히 소수의 인원으로 구성되기 때문에
이 업무를 할 기회는 흔치 않고 잘 하기도 어렵습니다
저의 경험에 미루어 여러가지를 찌끄려보았습니다 (_ _)
도움이 되셨기를 바랍니다
데이터 사이언스라는 게 사실 공학자(데이터 엔지니어), 분석전공자(데이터 에널리스트), 데이터 정제하는 사람(인지능력이 있는 아무 사람), 인공지능 모델링 전문가(모델러) 이 4가지로 구성되어 있습니다.
앞의 2개는 필수적으로 있어야할 인력이고 데이터 정제와 모델러는 회사 바이 회사입니다.
다르게 말하면 데이터 엔지니어만 있으면 분석할 사람이 없어서 망하고
데이터 에널리스트만 있으면 분석할 환경을 구축하지 못해 망합니다.
엔지니어와 에널리스트를 같이 할 수 있는 고급인력은 부르는 게 몸값이고요.....
아마도 질문자분께서는 에널리스트 계열 정보를 원하시는 것 같습니다.
에널리스트는 보통 아래 3가지를 주된 업무로 삼습니다.
1. KPI(key performance indicator) 수립 및 추적
2. 각종 이레귤러 원인 파악
3. 인사이트 발굴
여기서 1번(KPI 수립 및 추적)에 대해서 말씀드려보면
회사 매출과 직결될 수 있는 지표들이 무엇인가
숨겨진 지표가 있었는가
해당 지표를 숫자로 표현해내는 방법 강구하기
KPI 보고서 작성
이런 업무들로 구성되어 있습니다.
업무들을 살펴보면 CEO 옆에서 정보 전달하는 역할(많은 권한을 가진 자)에 가깝습니다.
이런 업무를 위해서는 많은 부서에서 데이터를 자연스럽게(딱히 사람손을 타지 않아도 데이터가 알아서 적재되게끔)
데이터 에널리스트에게 전달되는 것이 중요합니다.
그걸 위해서 엔지니어가 필요하죠.
2번 업무(이레귤러 원인 파악)의 경우
외부 요인과 내부 요인을 구별하여 분석한 후
원인이라고 생각한 요소들에 대해서 통계적으로 유의미한 상관관계를 가지고 있는지 파악하여
보고하는 것이 목표입니다
다르게 말하면 정보수집 능력과 통계적 지식이 빡세게 요구됩니다.
이노무 윗사람들은 숫자를 좋아하기 때문에....
숫자로 이 모든 것을 표현해야합니다.
3번 업무(인사이트 발굴)
이게 사실 데이터 사이언티스트 하면 딱 떠오르는 일이지만
제일 어렵기도 하고
위 2가지 업무에 치여서 제일 하지 않는??? 업무이기도 합니다.
도메인 지식을 매우 빠삭하게 알아야하고
지표를 하나하나 발라내는 능력이 중요합니다.
지표가 정말 원자단위까지 나눠졌다면
리그레션 등 다양한 기법을 통해서 상관관계가 높은 지표들끼리 묶어서
인과추론을 실시해보고 인과관계가 명확한 친구들을 이용하여
인사이트가 있을만한 요소들을 알아내야 합니다.
이것만 하기에도 토나오게 할 일이 많지만
데이터 에널리스트는 보통 굉장히 소수의 인원으로 구성되기 때문에
이 업무를 할 기회는 흔치 않고 잘 하기도 어렵습니다
저의 경험에 미루어 여러가지를 찌끄려보았습니다 (_ _)
도움이 되셨기를 바랍니다
| 목록 |
|