Search
Duplicate
🙂

신입 데이터 분석가로서의 성장기

Tags
Data
Marc 큐피스트 데이터 클래스원
큐피스트에서 데이터 분석가로 근무한 지 어느새 4개월 차에 접어들었다. 3개월 간 정신없는 수습 기간을 보냈는데, 본인은 직무를 전환했기 때문에 회사에 대한 적응 뿐 아니라 업무 자체에 대한 적응도 도전 과제였다. 데이터 분석가로서 실무를 겪어보니 전직을 마음 먹었을 때 예상했던 것과 유사한 점도 있고 전혀 알지 못했던 것들도 있었다. 또, 같은 데이터 분석이라도 회사가 일하는 방식에 따라 업무의 범위나 깊이가 많이 달라질 수 있겠다고 느꼈다. 이번 포스팅에서는 큐피스트 데이터 클래스의 일하는 방식과 클래스원으로 업무를 수행하면서 배운 점들을 정리해보았다.
큐피스트 데이터 분석가 Marc

큐피스트 데이터 클래스가 일하는 방식

어떤 직무든 그 직무를 수행하는 팀의 성격이 매일의 업무에 큰 영향을 미치는 만큼 먼저 큐피스트 데이터 클래스의 형태와 일하는 방식을 소개하고자 한다. 조직에서 데이터팀을 구성하는 방식은 크게 두 가지 형태가 있는 것 같다. 하나는 영업, 마케팅 등 특정 기능팀에 분석가가 소속되어 해당 팀의 데이터 수요에 대응하는 형태이고, 다른 하나는 별도의 데이터팀을 꾸려 전사적으로 데이터 관련 사항에 대응하는 방식이다.
큐피스트 데이터 클래스는 후자의 형태로, 조직 내 허브(Hub)로서 프로덕트팀, 마케팅팀 등 현업에서 필요한 데이터를 전달하는 방식을 취하고 있다. 독특한 점은 허브 형태의 데이터팀이라면 흔히 지원 조직이라고 생각할 수 있는데, 큐피스트에서는 여러 팀을 지원함과 동시에 주요 지표를 살펴보면서 필요하다고 판단되는 프로젝트를 자체적으로 수행하는 독자적인 팀의 성격 역시 갖고 있다. 이 같은 능동적인 성격의 특성은 업무에 많은 영향을 주는데, 예를 들어 일정 기간 동안의 특정 지표 추이를 현업 팀에게 전달할 때 단순히 요청 받은 수치만 전달하는 게 아니라, 관련된 다른 지표에 특이 사항은 없는지 살펴보고, 눈에 띄는 변화가 있다면 그 원인은 무엇일지에 대한 의견까지 제시하기도 한다.
조직 문화 측면에서 지금까지 경험한 데이터 클래스의 문화는 '매우 높은 수준의 권한 위임'과 '클래스 리더의 헌신적인 지원'으로 요약할 수 있을 것 같다. 3개월 간 대부분의 업무에서 완전한 권한 위임이 이루어졌었고 덕분에 주어진 문제에 대해 충분히 고민해 볼 수 있었다. 때때로 잘못된 접근법으로 처음부터 다시 분석해야 하는 상황이 발생하기도 했는데, 그 때마다 클래스 리더가 가까이서 의견과 제안, 가이드를 주면서 문제를 풀어나갈 수 있게 많은 도움을 주었다. 무엇보다 그런 시행착오가 발생해도 여전히 권한을 충분히 위임받을 수 있었고, 덕분에 계속해서 분석 주제에 대해 깊게 생각해 볼 수 있었다. 이렇게 스스로 끊임없이 고민하고 판단할 수 있었던 기회와 시행 착오를 허락해 준 환경 덕분에 빠른 시간 내에 업에 대한 이해를 높이고 부족한 부분을 인지할 수 있었다.
큐피스트 데이터 클래스

논리적 사고 - 중요성을 알았지만 훨씬 더 중요한 것

큐피스트 입사 전 데이터 분석을 학습하면서 캐글(Kaggle)의 공개된 데이터의 다양한 커널을 참고하곤 했었는데, 당시 많은 커널이 분석 목적이 명확하지 않다고 느꼈었다. 이 분석을 왜 하는지, 결과적으로 어떤 정보를 얻기 위함인지 지향점이 없었고, 이런 경우 시사점 없이 현상 설명에서 끝나는 경우가 대부분이었다. 여러 커널에서 이런 공통점을 발견하면서 분석에 앞서 문제 정의가 선행되어야 함을 느꼈고, 이를 잘하기 위해서 논리적 사고가 필요하다는 걸 알게 되었다. 이후 구직 단계에서 여러 기업의 사전 과제를 접하면서 그 중요성을 한층 더 크게 느꼈는데, 경험했던 모든 과제에 주어진 데이터를 활용해 스스로 문제를 정의하고 해결책을 제시하는 문항이 포함돼 있었기 때문이다.
실무를 접해보니 논리적 사고가 예상보다 훨씬 더 중요하다고 느낀다. 현상의 원인을 분석하기 위해 관련 요소를 파악하고 세부적으로 구분해가는 과정에서 논리적 사고가 중요한데, 실무에서는 문제 상황이 모호하거나 복잡다단한 경우가 적지 않아 문자 그대로 '뛰어난' 수준의 사고력이 필요하다. 더불어 실제 업무 환경에서는 시간은 한정되어 있는 반면 분석 주제는 여러 영역을 오가기 때문에 빠르게 사고를 전환하면서 오류 없이 분석할 수 있어야 한다. 예를 들면, 서비스와 관련된 모든 지표의 한 주간 변화를 살펴보면서 특이한 변화가 발생했는지, 발생했다면 프로덕트 업데이트, 마케팅 현황 등을 살펴보면서 영향을 미칠 수 있는 요인을 가려내고 타당한 시나리오를 추론해야 한다. 그리고 이를 마치면 곧바로 글램의 가입 절차 이탈 현황을 분석하고, 다시 자연유입된 신규 유저 추이와 특이 사항을 살펴보는 등 새로운 주제들을 분석하고 판단해야 하는 상황이 계속된다. 이렇게 여러 업무를 짧은 간격으로 연이어 수행하면서 논리적 사고의 중요성을 절감했고, 밀도 높은 사고를 지속할 수 있는 정신적인 체력의 중요성도 깨닫게 되었다.
논리적 사고를 통해 맞물려 있는 각 요소 간의 연관성을 놓치지 않으면서도 여러 영역에서 필요한 데이터를 빠르게 분석할 수 있어야 한다.

분석 기획 - 인지하지 못했지만 정말 중요한 것

데이터 분석 강의에는서는 특정 주제를 학습한 후 이해도나 숙련도를 증진시키기 위해 학습 주제와 직접적으로 연관된 문제가 주어진다. 그래서 배운 내용을 적용하면 해법을 도출할 수 있기 때문에 접근법에 대한 별다른 고민이 필요 없었다. 모호한 문제 상황을 어떻게 분석할 지 생각할 필요가 없었고, 그래서 분석 기획의 필요성은 머릿속에 아예 없었다.
하지만 실무에서는 분석 기획이 바로 첫 단추였고 이를 잘 수행했는지 여부가 분석의 효율성과 적합한 결론 도출까지 모든 부분을 결정지었다. 본인 역시 여러 강의를 수강했지만 주어진 문제를 푸는데 젖어있어 문제 상황과 원인, 분석 시사점을 아우르는 총체적인 가설 수립, 가설 검증을 위한 지표 정의, 지표 변화의 유의성 검증 방법 등 분석 자체를 계획해 본 적이 없었다. 그러다보니 기획 단계에서 특히 시행착오가 많았다. 한번은 글램 홈 디자인의 리뉴얼 후 변화를 분석했는데, 예상되는 변화에 대한 구체적인 가설 없이 소기의 목적을 달성했는지 확인할 수 있는 지표만 정의한 채 분석에 착수했었다. 그런데 막상 해당 지표를 집계하고 보니 단순 수치 비교 외 어떤 시사점도 도출할 수 없는 상황에 직면했다. 즉, 분석 전에는 일견 타당해보였던 지표가 사실은 적합하지 않은, 프로덕트 업데이트에서 비롯된 어떤 시사점도 이끌어 낼 수 없었던 지표였던 것이다. 그 결과 다시 처음으로 돌아가 리뉴얼로 인해 변했을 거라 예상하는 유저 행동과 그 변화를 촉발한 요인, 그로부터 도출할 수 있는 서비스에 대한 시사점을 고려한 구체적인 가설을 세웠고, 해당 가설을 검증할 수 있는 지표를 재정의해 새로이 분석했었다. 이후 몇 번의 시행 착오를 회고하면서 분석 자체를 다시 해야하는 막다른 상황은 대부분 분석을 잘못 기획했을 때였다는 걸 알게 되면서 그 중요성을 뼈저리게 느꼈다.
여담이지만 바로 기획 단계에서 흔히 이야기하는 도메인 지식이 빛을 발한다는 것도 알게 되었다. 서비스에 대한 이해도가 높을수록 유력한 가설을 세울 수 있고, 이를 통해 분석의 효율성 크게 향상시킬 수 있기 때문이다. 통계학 역시 이 지점에서 진가가 발휘되는데 방법론에 대한 깊이 있는 이해는 효율성을 제고시킬 뿐만 아니라, 상황에 맞는 가장 적합한 접근법을 취할 수 있는 토대가 되기 때문이다. 돌이켜보면 데이터 분석 학습을 막 시작했을 때는 여러 도구에 대한 숙련도를 높이는데 치중했는데, 결국에는 서비스에 대한 이해, 통계학 지식, 논리적 사고와 같은 근본이 탄탄해야 탁월한 수준의 분석을 수행할 수 있다는 사실을 알게 되었다.
데이터 분석 역시 시작점인 기획이 잘못되면 이후 모든 것들이 무의미할 수 있다.
최근 A/B 테스트 분석 결과가 제품에 적용된 적이 있는데 익숙했던 책임감이 사뭇 다르게 느껴진 순간이었다. 나의 의견이 제품에 직접적인 영향을 미치고, 그 결과 유저 경험이 전혀 달라질 수 있다는 사실이 전에 느끼지 못했던 새로운 차원의 책임감을 갖게 했다. 데이터 분석가가 된다면 의사결정에 영향을 미치는 만큼 적지 않은 부담감을 안고 일할 수 있겠다고 생각했었다. 이런 부담감은 회사마다 다르겠지만 큐피스트에서는 숙명과 같이 따라온다. 쉽진 않지만 그런 책임감을 매 순간 느낄 수 있는 환경에서 데이터를 분석한다는 건 세상에 긍정적인 영향을 미치고 싶은 분석가에겐 좋은 환경이 아닐까 싶다.
큐피스트 데이터 분석에 관한 더 많은 이야기