<aside>

✅ MEMO

• 비즈니스적인 인사이트까지 고려하기

  → 왜 이 데이터를 분석했고, 이 데이터를 분석해서 어떻게 이윤을 창출할 수 있는지?

• 데이터를 봤을 때 내가 어떤 제안을 할 수 있는지 떠올리는 능력이 중요

  → 기술적인 부분은 AI가 잘 하고 있음

  → 나만 할 수 있는 독자적인 영역 구축하기

• 데이터 분석에서 이어 어떤 액션을 취할 것인지 제안까지 할 수 있어야 함

• 회사 선택 시 데이터 리터러시, 데이터 매력도를 고려하면 좋음

  → 업무의 기반이 잘 마련되어 있는지를 체크

• 내 전공이나 관심 분야를 데이터 분석에 어떻게 입히면 좋을지 고민해보기

• 데이터 분석가는 데이터를 분석만 하는 것은 기본 소양, 좋은 데이터 분석가라면 데이터들을 가지고 스토리텔링을 할 수 있어야 함

• 이력서를 작성할 때도 단순히 뭘 했는지 작성하는 게 아닌 왜 이런 것들을 했는지, 그래서 어떤 결과를 냈는지 작성하는 게 좋음 </aside>

데이터 분석가의 역할

• 데이터 분석가 = 데이터 스토리텔러

  • 분석해서 대시보드만 만든다고 끝이 아님

  • 데이터를 보고 잘 엮어서 스토리로 만들어야 함

    <aside>

    📚 도서 추천 - 데이터 스토리텔링

    </aside>

• 데이터 스토리텔링의 3가지 요소

  • 첫째, 데이터 : 정확하고 완전한 데이터에 대한 철저한 분석 (기술적/진단적/예측적/처방적 분석)

    <aside>

    • 기술적 분석 (descriptive)
      • “무슨 일이 일어났나?”
    • 진단적 분석 (dianostic)
      • “왜 이런 일이 일어났나?”
    • 예측적 분석 (predictive)
      • “미래에 어떤 일이 일어날 수 있나?”
    • 처방적 분석 (prescriptive)
      • “우리는 다음에 무엇을 해야 하나?” </aside>

  • 둘째, 내러티브: 데이터를 둘러싼 맥락, 청중에게 권장하고 영감을 주기 위한 조치에서 얻은 통찰력 전달

  • 셋째, 시각화: 데이터와 내러티브의 시각적 표현

• 데이터 분석 왜 해야 하는가?

  • 대부분의 아이디어는 단번에 성공되기 어려움 → 데이터 기반의 테스트를 통해 검증하는 과정이 필수적임

• KeyMessage

  • 대부분의 직관은 예상하지 못한 결과를 가져온다.
  • 좋은 것은 바로 출시하고, 그렇지 않은 것은 좋아지게 고쳐서 출시한다.
  • 비즈니스 목표 달성에 가장 기여할 수 있는 프로덕트 개선사항부터 검증한다.

• 데이터 기반 의사결정의 한계

  • 혁신은 없을 수 있다.
  • 직관과 경험을 과소평가한다.
  • 불완전한 데이터로 인한 잘못된 의사 결정 초래할 수 있다.

데이터 분석가 취업

<aside>

왜 신입은 뽑지 않을까?

왜 석사 이상 학위가 있는 신입은 뽑을까?

</aside>

• 학위 논문을 작성하는 과정은 데이터 분석 과정과 유사함
  • 학위가 필요해서 그런 것은 아님 → 문제를 정의하고 해결책을 제안한 경험
  • 공모전을 적극적으로 활용!
• Data Quality Specialist → 새롭게 대두 되고 있는 직무
  • 데이터 분석가의 엔트리용으로 만들어진 직업
  • 테스트 케이스를 작성하고 정의에 따라 로그 데이터가 입수되는지 모니터링
  • 로그 데이터의 결함을 빠르게 탐지하여 해결 도모
  • 로그 데이터를 활용한 데이터 분석을 진행하고 관련 대시보드 제작
  • 로그 데이터의 높은 품질을 확보하기 위한 방법 구축
• 추천 도서
  • 순서 파괴
  • 7가지 코드
  • ACE THE DATA SCIENCE INTERVIEW