<데이터 과학자 커리어를 이루기 위한 11가지 | 커리어리

<데이터 과학자 커리어를 이루기 위한 11가지 조언> 커리어리 친구들, 오늘은 데이터 과학자가 되기 위한 조언들을 조금 길지만 관련된 내용들을 정리해보았습니다. 흔히, 데이터 과학자는 성공하기 위해 광범위한 기술 및 소프트 스킬을 통합해야 합니다. 또한, 데이터 과학 엔지니어의 역할이 진화 함에 따라 기술을 최신 상태로 유지해야 함은 두말 할 나위 없겠죠? 여러분이 데이터 과학자로 가는 길에 도움이 되었으면 좋겠습니다. 🦄 데이터 과학 스킬에 대하여 20년 전만 해도 데이터 과학자는 존재하지도 않았습니다. 일부 사람들은 정보를 정리하고, 조직화하여 분석했습니다. 하지만 오늘날 우리가 존경하는 데이터 과학 전문가들은 비교적 새롭고 진화하는 경력 경로의 선두에 서 있습니다. 기업들은 데이터 엔지니어, 데이터 과학자, DevOps 엔지니어, ML 엔지니어를 전문화하여 보유하고 있으며 그 목록은 계속됩니다. 따라서, 데이터 과학 분야는 분석 접근 방식과 머신 러닝의 새로운 발전과 함께 계속해서 발전하고 있지만, 모든 일반 스타트업 전문가, 특히 풀스택 기능으로 고용되기를 원하는 사람들에게 기초가 되는 핵심 기술 세트로 데이터 과학은 여전히 남아 있습니다. 그렇다면 오늘날의 변화하는 세상에서 데이터 과학자는 무엇입니까? 그들은 일부는 수학자, 일부는 컴퓨터 과학자, 일부는 트렌드 관찰자입니다. 점점 더 많은 기업들이 경쟁력을 유지하기 위해 데이터, 빅 데이터 및 AI를 활용해야 한다는 것을 이해하고 있습니다. 다국적 전문 서비스 회사인 Accenture에서 실시한 연구에 따르면 기업 경영진의 79%가 빅 데이터를 성장 전략에 통합하지 않는 조직은 경쟁력을 잃고 잠재적으로 사업을 중단할 것이라는 데 동의합니다. 이러한 빅 데이터 중심(및 소규모 데이터) 환경에서 데이터 과학자는 유용할 뿐만 아니라 비즈니스 성공에 매우 중요합니다. 1️⃣ 정규 교육 과정 받기 (계속해서 공부하기) IT Career Finder에서 발표한 데이터에 따르면, 데이터 과학자 직책의 약 40%가 석사 또는 박사와 같은 고급 학위를 필요로 합니다. 데이터 과학자 지망생이라면 기술 및 비기술 기술은 물론, 데이터 랭글링/피처 엔지니어링, SQL 쿼리 작성 및 데이터 파이프라인 구축, 데이터 시각화를 보완하는 스토리텔링(즉, 커뮤니케이션), 머신러닝의 회귀/분류, 딥러닝 등과 같은 실용적인 응용 기술도 중요하다는 점을 명심하십시오. 2️⃣ 전략적으로 비즈니스 애플리케이션 컨텍스트를 이해하라! 이론적 토대와 학문적 역량을 갖추는 것도 중요하지만, 회사의 비즈니스 환경에 어떻게 적용하나요? 경영진, 리더십 및 비즈니스 컨텍스트 전반에 전달하는 방법에 대해 생각해 보십시오. 거꾸로 생각해서 의사 결정권자가 행동에 옮길 수 있도록 간단한 스토리로 데이터 통찰력을 전달해야 합니다. 비즈니스 이해 관계자와 협력하여 비즈니스 요구 사항을 식별하고 예상 결과를 전달합니다. 따라서, 데이터 과학자가 하는 역할은 빅 데이터 플랫폼 및 분석 도구에서 데이터 과학자 기술을 보여주어 비즈니스 통찰력을 얻게끔 하는 것이 중요합니다. 또한, 비즈니스 문제를 해결하기 위해 적절한 알고리즘을 식별 및 생성합니다. 가정을 확증하고 필요할 때 시나리오 모델을 사용할 수 있도록 실험을 하고, 수집된 데이터를 기반으로 데이터 수집, 통합 및 보존 요구 사항을 지원하는 역할 합니다. 3️⃣ CS 공대 아니다라도 학사 출신으로 기술적인 배경을 가져라. 많은 데이터 과학 후보자는 수학, 통계, 경제학, 공학 또는 컴퓨터 과학 학사 학위만 있으면서도 기술을 배울 수 있습니다. 데이터 과학자 지망생이 진정으로 전문 분야에 들어가 경쟁사보다 이력서를 높이고 싶다면, 예측 분석, 데이터 마이닝 또는 데이터베이스 관리와 같은 분석 분야의 대상 교육 프로그램이나 부트 캠프를 선택할 수도 있습니다. 기술기반(STEM-D) 학사 학위를 갖는 것은 일반적으로 석사 또는 박사 수준의 교육을 받지 않은 경우 갈 수 있는 방법입니다. 4️⃣ 데이터 과학 전문화 과정을 선택하라. 단순함을 위해 데이터 과학에서 추구하고자 하는 전문 분야의 유형을 아는 것도 유용합니다. Harvard Business Review를 위해 작성된 한 분석에 따르면, 이러한 전문가들은 후기 경력에서 세 가지 범주 중 하나에 속하는 경향이 있습니다. 😻 비즈니스 인텔리전스: 이 범주에는 회사 데이터를 이해하기 쉬운 대시보드, 보고서 및 이메일로 구성하는 작업이 포함됩니다. 😻 의사결정 과학: 이 전문가들은 기업이 보다 현명하고 잘 지원되는 비즈니스 전략 결정을 내리는 데 도움이 되는 데이터에 중점을 둡니다. 😻 머신 러닝: 이 수직 분야의 데이터 과학자는 데이터 과학 모델을 구축 및 적용하여 정보를 영구적으로 수집하고 비즈니스 운영을 추가로 수행합니다. 따라서, ML, BI 또는 DS 중 어느 것이 더 흥미로운지 생각해 보세요. 최종 목표를 달성하는 데 가장 적합한 기술을 습득하십시오. 그런 다음 거기에 도달하기 위해 교육적, 직업적 및 장기적인 측면에서 모두 필요한 단계를 리버스 엔지니어링합니다. 5️⃣ 수학적으로, 통계적으로, 비판적으로 사고하는 경향을 가져라. 데이터 과학의 미래는 수학, 통계 및 비판적 사고가 필요한 문제 해결에 크게 도움이 되고 그 일을 진정으로 즐긴다는 것을 의미합니다. 수년 동안 숫자, 데이터 및 비즈니스 문제로 작업하는 것이 즐거울 것인지 한번 생각해보세요! 비판적 사고와 문제 해결은 개선하는 데 수년이 걸립니다. 무엇이 어디로, 왜, 그리고 그것이 큰 그림에 어떻게 들어맞는지 파악하려면 예리한 문제 해결 정신이 필요합니다. 따라서, 데이터 과학은 데이터 중심적이며 건초 더미에서 바늘을 찾고 비즈니스 가치를 최적화하기 위해 데이터로 작업하는 것입니다. 비판적 사고와 문제 해결을 최적화하는 것은 지루하고 지루하지 않은 창의적인 기술입니다. 이 모든 것이 말하지만, 데이터 과학자 지망생은 해당 분야를 진정으로 마스터하기 전에 필요한 기술 기술의 기초를 구축해야 합니다. 6️⃣ 기초 기술 배워라! 데이터 과학의 기본 기술은 프로그래밍, 데이터 시각화, 팀워크, 협업, 파이썬, 소셜 미디어 마이닝, 기본 통계입니다. 매일 또는 매주 익혀라. 참고로 프로그래밍 패턴이나 알고리즘도 일종의 암기 과목입니다. 외워서 응용하시면 됩니다. 예를 들어, 모델 배포, 머신 러닝과 인공지능의 개념, 데이터 시각화를 통한 스토리텔링, Python, R 또는 SQL로 코드 작성하는 법, 기술 지식을 일반 고객에게 번역하여 쉽게 전달하는 커뮤니케이션 능력, 자연어 처리, 고급 수학, 비즈니스 전략, 회귀/분류, 데이터 랭글링, ELT, 피처 엔지니어링 등 데이터 을 보고 직관력을 키우는 습관을 들여라. 7️⃣ 좋은 프로그래머가 되십시오 데이터 과학자는 데이터 과학 도구를 프로그래밍할 수 있어야 합니다. 데이터 프로젝트에 가장 적합한 언어를 배우고 익혀야 합니다. 일반적으로 데이터 과학과 관련된 상위 프로그래밍 언어 중 일부는 파이썬, R, 스칼라, 줄리아, C/C++, 자바, C# 언어입니다. 또한 컴퓨터 과학에서 배우는 네트워크, 보안, 데이터베이스, 알고리즘, 자료구조, 운영체제, 확률과 통계 등등 비전공자로 시작했지만 전공자못지 않게 실력을 키우십시오. 8️⃣ 모든 것을 합쳐서 해결하는 종합 능력을 가지세요. 여러분이 데이터 과학자가 되면, 조직은 여러분이 문제 해결자가 되기를 원하고 문제 진술에 대한 최상의 솔루션을 찾기를 원할 것입니다. 이러한 경우에는 무엇이 중요한지, 무엇이 중요하지 않은지, 엔지니어, 이해 관계자, 때로는 최종 사용자와 상호 작용하는 방법을 고려해야 합니다. 조직에서 맡은 역할 유형에 따라 가장 많이 하는 일은 직무 설명, 상급자 수준 등에 따라 달라집니다. 9️⃣ 그외 기술적으로 더 있으면 좋은 점인데, 장기적으로 스터디 해서 습득하십시오. 반드시 필요한 기술은 아니지만 데이터 과학에서는 분명히 마주치거나 알아두면 좋은 지식들은 다음과 같습니다. 🧚🏽‍♀️ A/B 테스팅(실험) 🧚🏽‍♀️ 빅 데이터 및 대용량 데이터 세트 처리 🧚🏽‍♀️ 비즈니스 및 데이터 직관 🧚🏽‍♀️ SQL/NoSQL 및 데이터베이스 관리 🧚🏽‍♀️ 모델 설명하기(XAI) 🧚🏽‍♀️ 마이크로 소프트 엑셀 🧚🏽‍♀️ 데이터 시각화 도구(예: Tableau) 🧚🏽‍♀️ RStudio 및 Jupyter Notebook과 같은 IDE 🧚🏽‍♀️ Kaggle 및 Google Colab에 대한 이해 🧚🏽‍♀️ 가설 검정 및 회귀 분석의 개념 🧚🏽‍♀️ 높은 수준의 수학(고등학교 및 대학 1-2년 응용 수학 수준) 🧚🏽‍♀️ 추천 시스템 🧚🏽‍♀️ Shell, SSH 및 Docker에 대한 기본 지식 🧚🏽‍♀️ 일반적인 데이터 과학 도구 🧚🏽‍♀️ R의 데이터 과학을 위한 RStudio 🧚🏽‍♀️ Matplotlib 및 Seaborn과 같은 Python 데이터 시각화 라이브러리 🧚🏽‍♀️ Cloud ML 서비스, 그리고 Azure, AWS, Google Cloud Services에 대한 지식 🔟 수요를 따르십시오 데이터 과학자로서 경력이 발전함에 따라 여러분의 스킬은 산업, 회사 및 전문 분야에 따라 특별한 방식으로 연마될 수 있습니다. 목표를 달성할 때 쯤이면 데이터 엔지니어를 위한 환경이 바뀌었을 수 있습니다. Indeed에 따르면 불과 3년 만에 데이터 과학자의 채용 공고 수가 78% 증가했습니다. Glassdoor에 따르면 데이터 과학자는 미국 최고의 직업 50개 중 1위를 차지했습니다. 또한 글로벌 기업의 거의 60%가 데이터를 분석하거나 분류할 수 없습니다. 평균적인 데이터 과학자는 미국에서 $74,000 이상을 벌며 인플레이션과 약간의 전문화로 인해 이 금액은 더 높을 수 있습니다. 팬데믹 기간 동안 많은 조기 퇴직으로 인해 모든 종류의 데이터 엔지니어에 대한 수요는 여전히 강력한 것으로 간주됩니다. 또한, 데이터 과학자가 되면 기계 학습 및 인공 지능 분야에서 경력을 쌓을 수 있습니다. 1️⃣1️⃣ 부드럽고 스토리텔링적인 영업 기술을 습득하라. 데이터 과학자는 고립되어 일하는 경우가 거의 없습니다. 기업이 수익을 개선하기 위해 데이터 중심적인 기업이 되려면 그야말로 팀 스포츠입니다. 데이터 과학 역할에 관계없이 클라이언트, 개발자, 다른 데이터 분석가 및 전문가, 디자이너, 심지어 경영진과 의사 소통하고 협업해야 합니다. 스토리텔링과 영업 축적으로 다양한 청중과 기술 지식을 공유할 수 있다는 것은 성공적인 경력과 평범한 경력의 차이를 의미할 수 있습니다. 당신이 자신을 아무리 내성적이라고 생각할지라도, 현장에서 당신의 목표를 달성하는 데 도움이 되는 소프트 스킬의 힘을 무시하지 마십시오. 여러분이 어떤 배경에서 왔는지, 성별, 민족, 국가 또는 출신과 상관없이 탁월한 수준의 경쟁을 펼치고 경력 상승, 승진, 성공적인 급여 부정 등의 유리 천장을 깨뜨릴 수 있는 소프트 스킬. 우리가 데이터로 작업하는 동안 사람들은 하루가 끝나면 데이터를 사용합니다. 절대 잊지 마세요. 삶의 여러 측면에서와 마찬가지로 비즈니스에서 조직은 부분의 합입니다. 팀의 결속력과 협업력은 일반적으로 한 구성원의 지능이나 창의성보다 더 중요합니다. 팀에서 잘 일한다는 것은 경험에서 나오는 조직, 동료 및 리더십에 권한을 부여하는 것을 의미합니다.

2022년 2월 17일 오전 2:23

댓글 2

주간 인기 TOP 10

지난주 커리어리에서 인기 있던 게시물이에요!

현직자들의 '진짜 인사이트'가 담긴 업계 주요 소식을 받아보세요.

커리어리 | 개발자를 위한 커리어 SNS