진한 칸일수록 이 직업에서 해당 지표가 높습니다.
낮음높음
각 막대는 이 주제의 0-100 도감 점수입니다. 시간축이 아닙니다.
이 직업의 보수와 AI 내성을 같은 0-100 척도로 봅니다.
두 점수는 항상 보입니다. 슬라이더를 옮기면 왼쪽(보수)과 오른쪽(AI 내성) 강조가 바뀝니다.
보수
AI 내성
점 하나: 이름 붙인 두 축 위 이 직업의 위치입니다.
이 역할에서 일하기 전까지 보통 걸리는 교육·훈련 햇수입니다.
현장에 투입되기까지 약 6년의 교육·훈련
6년
시간 순 이정표입니다. 주간 활동 격자가 아닙니다.
학업, 재교육 또는 첫 제안을 고민하는 사람과 이 직업 지도를 공유하세요.
데이터 과학자: 데이터에서 패턴을 찾고 예측 모델을 만드는 직업 — 2008년에 붙여진 이름이지만, 그 밑바탕에는 3세기에 걸친 증거 수집·검증·시각화의 역사가 있다.
데이터 과학자는 통계학, 프로그래밍, 도메인 지식을 활용해 데이터에서 패턴과 예측, 권고안을 이끌어낸 뒤, 기업이나 정부 기관, 연구팀이 실제로 행동으로 옮길 수 있는 결과로 바꾸는 사람이다. 업무는 데이터 웨어하우스에서 데이터를 뽑아내는 SQL 작성부터 데이터 정제와 재구성, 통계·머신러닝 모델 적합, 그리고 그 결과가 무엇을 뒷받침하고 무엇을 뒷받침하지 않는지 설명하는 일까지 이어진다.
이 직업명은 그 뒤에 있는 기술보다 훨씬 젊다. '데이터 과학자'라는 이름은 2008년 무렵 DJ 파틸과 제프 하머바커가 각각 링크드인과 페이스북에서 데이터팀을 꾸리며 독립적으로 정착시킨 표현이며, 통계학자 윌리엄 S. 클리블랜드가 '데이터 사이언스'를 학문 분야로 제안한 것은 2001년에 불과하다. 그러나 근본이 되는 학문 자체는 훨씬 오래되어, 존 튜키가 1960~70년대에 밀어붙인 탐색적 데이터 분석을 거쳐 로널드 피셔의 1920년대 통계학, 그리고 1662년 존 그란트의 런던 사망 기록 연구까지 거슬러 올라간다.
2012년 하버드 비즈니스 리뷰가 이를 '21세기 가장 섹시한 직업'이라 부른 기사는 10년에 걸친 기업 채용 붐과 수백 개의 새로운 대학 프로그램을 촉발했다. 그 붐은 이제 성숙기에 접어들어, 이 포괄적 직업명은 애널리틱스 엔지니어링, 머신러닝 엔지니어링, 프로덕트 애널리틱스로 분화되었고, AI 도구들은 원래 이 직업이 사람의 손으로 하리라 가정했던 정형화된 질의·정제·차트 작업의 점점 더 많은 부분을 처리하고 있다.
데이터 사이언스는 불완전한 기록을 결정으로 바꾸는 공예다. 어려운 부분은 보통 모형 적합이 아니라, 그 데이터가 정직하게 뒷받침할 수 있는 말의 경계를 고르는 일이다.
실무 데이터 사이언티스트는 웨어하우스를 조회하고, 지표 정의를 맞추며, 분포를 보고, 깨진 필드를 고치고, 불확실성을 설명한다. 모델링은 중요하지만, 결과의 신뢰는 데이터 계보·가정·대안을 드러낼 수 있을 때 생긴다. 강한 실무자는 자신만만해 보이는 차트가 잘못된 질문에 답하고 있거나, 관측된 연관이 원인의 증거가 아님을 이해관계자에게 말할 수 있다. 한국 기업에서는 ‘대시보드 요청’과 ‘실험 설계’와 ‘예측 모델’이 한 사람에게 한꺼번에 떨어지는 경우가 많다. 개인정보 보호법·가명처리·접근 권한 심사가 SQL만큼 하루를 차지하기도 한다. 좋은 하루는 AUC를 올린 날이 아니라, 잘못된 KPI로 조직이 움직이지 않게 막은 날이다. 깔끔한 노트북보다, 재현 가능한 쿼리와 문서화된 가정이 팀의 자산이 된다.
제품 데이터 사이언티스트는 실험과 기능 성과 측정을, 응용 과학자는 예측 모형을, 의사결정 과학자는 운영·재무·정책을 맡는다. 성숙한 조직에서는 애널리틱스 엔지니어링·데이터 엔지니어링·ML 엔지니어링이 예전 제너럴리스트 일의 일부를 흡수한다. 도메인 지식은 기술 스택만큼 일을 바꾼다. 쇼핑 앱 실험과 환자 결과 연구, 사기 탐지는 같은 ‘데이터’라도 윤리·지연·비용이 다르다. 국내 채용공고는 데이터 분석가·DS·AML·ML 엔지니어를 느슨하게 섞어 쓰고, 대기업은 통계·컴공 학위를, 스타트업은 SQL·파이썬·비즈니스 임팩트를 더 세게 본다. 커머스·광고·금융·헬스케어는 규제와 라벨 품질이 달라 이직 시 포터블한 기술과 다시 배워야 할 맥락이 갈린다. 타이틀만 보고 들어오면 ‘나는 모델을 원했는데 추출만 한다’는 불만이 생긴다.
통계·컴공·수학·경제·자연과학이 모두 입구가 된다. 학위는 도움이 되지만, 면접·포트폴리오는 보통 SQL, 통계적 추론, 데이터 품질, 커뮤니케이션을 더 직접 본다. Credible한 프로젝트는 화려한 모형이 아니라 명확한 질문, 문서화된 데이터, 적절한 베이스라인, 한계를 인정하는 해석을 갖는다. 국내에서는 코딩테스트·SQL 라이브·케이스 발표가 흔한 필터고, 공공·금융은 정보처리기사·관련 자격과 보안 서약이 겹친다. 캐글 메달보다 ‘우리 로그에서 이 지표가 깨진 이유’를 설명한 경험이 실무 신뢰를 만든다. 승진은 IC로 모델링 깊이를 파는 길과, 분석 조직을 이끄는 길이 갈린다. 영어 논문 독해는 가점이지만, 한국어로 비전문가에게 위험을 번역하는 능력이 내부 정치에서 더 자주 승부를 가른다.
생성형 도구와 AutoML은 탐색적 분석 초안, 코드 스케치, 요약 문구를 빠르게 만든다. 그러나 잘못된 조인, 생존자 편향, 목표 지표의 게임화, 배포 후 드리프트를 책임지지는 않는다. 직업이 사라지기보다, ‘차트 뽑아 주는 사람’에서 ‘의사결정의 증거 기준을 설계하는 사람’으로 무게가 옮긴다. 한국에서도 경영진이 ChatGPT로 숫자를 묻기 시작하면서, DS는 더 엄격한 정의·권한·감사 가능한 파이프라인을 요구받게 됐다. 남는 일은 실험 설계, 인과와 상관의 구분, 모델 실패 모드의 비즈니스 번역, 그리고 ‘지금은 데이터가 부족하다’고 말할 용기다. 자동화는 주니어의 반복 쿼리를 줄이고, 시니어의 거버넌스·윤리·우선순위 면적을 넓힌다.
같은 직함 아래 흔한 다섯 갈래 — 전문 분야, 일터, 커리어 경로.
A/B 테스트와 북극성 지표로 제품 결정을 뒷받침한다. 커머스·콘텐츠 조직에서 수요가 크다.
예측·분류 모형을 만들고 모니터링한다. 금융·광고·물류에서 라벨과 규제가 작업을 규정한다.
모형보다 의사결정 프레임과 시나리오 분석에 무게를 둔다.
신뢰할 수 있는 테이블과 지표 계층을 만들어 DS·분석가의 기반을 깐다.
규제·측정 오차·현장 제약이 알고리즘 선택보다 먼저다. 도메인 파트너십이 핵심 기술이다.
같은 일이라도 진입 관문·지위·일상이 다릅니다. 각 언어 독자가 실제로 찾는 맥락으로 다시 썼습니다.
빅테크·스타트업이 SQL·통계·케이스 인터뷰와 주식 보상을 표준화했다. 직함 인플레이션과 실질 역할 불일치가 흔하다.
채용공고에 데이터 분석가와 데이터 사이언티스트가 느슨하게 섞인다. 네이버·카카오·쿠팡·금융·대기업 DT 조직이 수요의 중심이고, SQL·파이썬·실험/통계·비즈니스 스토리텔링이 실무 관문이다. 개인정보 보호법·가명정보·접근 권한·보안 서약이 분석 속도만큼 일을 규정한다. 정보처리기사 등은 공공·대기업에서 가점이나, 서비스 조직에서는 재현 가능한 프로젝트와 임팩트 기록이 더 세다. ‘모델 개발’을 기대하고 입사했다가 대시보드·추출에 매몰되는 미스매치가 이직 사유가 된다. 영어 논문은 가점이지만, 한국어로 임원에게 한계를 설명하는 능력이 승진을 가른다.
제조·품질·고객 데이터가 강점인 조직이 많다. 합의 문화 속에서 분석가의 ‘아니오’가 조심스러울 수 있다.
GDPR과 산업 도메인이 데이터 사용을 엄격히 만든다. 자동차·제조·B2B에서 도메인 지식이 보상된다.
런던 핀테크·공공 디지털이 실험·리스크·정책 분석을 키운다. 커뮤니케이션과 윤리 감각이 기술만큼 면접에 오른다.
지역 HQ·금융이 다국가 데이터를 다루게 한다. 규제 차이와 영어 업무가 기본 환경이다.
이 직업용으로 자체 호스팅한 Commons CC/PD 이미지입니다.
모델은 통계적으로 완벽하면서도 의사결정자를 완전히 잘못된 길로 이끌 수 있다. 마감에 쫓기지 않을 때만이 아니라 질문받기 전에 먼저 그 사실을 말하는지가 실력보다 태도의 문제다.
모두가 출시하고 싶어 하는 기능이 실제로는 핵심 지표를 전혀 움직이지 않거나, 인기 있는 마케팅 채널이 사실은 이미 존재하던 수요를 그저 가로채고 있을 뿐이라는 분석 결과는 환영받지 못하며 완화하기도 쉽다. 국내 스타트업이나 대기업 데이터팀에서도 경영진이 원하는 결론과 다른 결과가 나왔을 때, 그것을 있는 그대로 보고하는 데이터 과학자가 회사의 판단이 현실과 어긋나지 않게 지켜주는 사람이며, 결과를 경영진이 듣고 싶어 하는 방향으로 살짝 다듬는 사람은 분석이라는 이름을 붙인 장식품을 만드는 셈이다. 이 불편한 보고를 계속하는 사람은 종종 회의실에서 가장 환영받지 못하는 사람이 되지만, 그 불편함이야말로 회사 전체의 판단력을 지킨다.
닷새짜리 실험이나 얇은 표본에서 나온 숫자는 겉보기엔 정밀해 보이지만 실제로는 잡음에 불과할 수 있고, 그 숫자를 근거로 결정을 내리는 사람들 중 표본 크기를 실제로 확인하는 사람은 거의 없다. 신뢰할 만한 분석가와 그렇지 않은 분석가를 가르는 것은, 확신에 찬 숫자가 이해관계자들이 원하는 것이라 해도 그 숫자가 실제 데이터가 뒷받침하는 것보다 더 확실하게 들리도록 허용하지 않는 태도다. 국내 커머스나 핀테크 기업의 A/B 테스트 문화에서도 표본이 충분히 쌓이기 전에 서둘러 결론을 내리라는 압박이 흔하며, 이 압박에 저항하는 것이 정확히 데이터 과학자의 실제 가치를 만든다.
대출을 거절하거나 이력서를 순위 매기거나 환자를 위험군으로 분류하는 모델은 그 코드를 한 번도 보지 못한 실제 사람에게 구체적인 영향을 미친다. 그 모델을 만든 사람만이 배포 전에 미묘한 편향이나 데이터 유출을 알아챌 수 있는 위치에 있는 경우가 많기 때문에, 모델이 배포된 뒤에는 남의 문제라고 넘기는 대신 그 책임을 계속 진지하게 지는 것이 실제로 피해를 막는 유일한 방법이다. 국내 채용 플랫폼이나 신용평가 모델에서도 이 책임 의식이 무너지면, 겉으로는 정확도가 높아 보이는 모델이 특정 집단에게 조용히 불리한 결과를 반복해서 만들어낼 수 있다.
구호가 아니라, 실제 업무가 요구하는 다섯 가지 구체적 자세입니다.
분포와 이상치, 결측값을 모델에 맡겨 조용히 흡수시키기 전에 먼저 직접 확인하며, 데이터에 이미 존재하는 문제를 모델이 대신 감춰줄 것이라고 가정하지 않는다. 이 확인을 건너뛴 모델은 겉보기엔 잘 작동해도 실제로는 데이터의 결함을 그대로 학습한 것일 수 있으며, 이 차이는 배포 이후 시간이 지나야 드러나고 그때는 이미 많은 결정이 그 결함 위에 쌓여 있어 되돌리기가 훨씬 어렵다.
신뢰구간이나 유보 조건을 나중에 문제 제기를 받았을 때가 아니라 처음 결과를 보고하는 그 순간에 함께 제시하며, 이해관계자가 대략적인 추정치를 정밀한 숫자로 오해하지 않도록 한다. 이 습관은 결과를 덜 인상적으로 보이게 만들 위험이 있지만, 장기적으로는 오히려 그 분석가의 신뢰를 지키며 이후 그가 제시하는 숫자에 대한 조직 전체의 믿음을 만들고 그 믿음이 다음 분석의 영향력을 결정한다.
팀이 원하는 계획을 뒷받침하는 것처럼 보이는 놀랍고 편리한 상관관계를 그대로 발표하는 대신 먼저 조사해야 할 문제로 취급하며, 결과가 팀의 바람에 잘 맞아떨어질수록 오히려 더 철저히 검증한다. 이 태도가 없으면 우연한 상관관계가 실제 인과관계로 오해받아 잘못된 의사결정으로 이어질 수 있으며, 그 오해는 몇 달 뒤 매출이나 지표가 예상과 다르게 움직일 때에야 뒤늦게 드러난다.
증거가 더 이상 지지하지 않으면 좋아하던 가설을 그대로 포기하며, 결국 검증을 통과하는 결과가 나올 때까지 데이터를 계속 다르게 잘라보는 대신 보고서에 그 사실을 명확히 밝힌다. 이 포기는 자존심의 문제이기도 해서 쉽지 않지만, 이를 지키지 않으면 분석 전체의 신뢰가 조금씩 무너지고 결국 그 분석가가 내는 모든 결과가 의심받는다.
숫자가 요청되었고 빈 화면을 보여주기 싫다는 이유만으로 억지로 숫자를 만들어내는 대신, 가용한 데이터로는 확신 있는 답을 낼 수 없다는 사실을 이해관계자에게 분명히 전달한다. 이 정직함은 그 순간 무능하게 보일 위험을 감수하는 선택이며, 그 위험을 감수하는 사람만이 장기적으로 진짜 신뢰를 얻고 다음번 그의 숫자가 더 무겁게 받아들여지며 이 신뢰는 시간이 지날수록 더 값어치를 발한다.
이력서용 표현과 실제 수행이 갈라지는 상황들입니다.
경영진은 이미 A/B 테스트가 끝나기 전에 출시일을 발표했는데, 결과는 실질적인 개선이 없다는 것을 보여준다. 분석가가 이를 그대로 보고하는지, 아니면 더 나아 보이는 보조 지표를 찾아 제시하는지가 이 직업의 실제 본질을 드러내며, 이 순간의 선택이 이후 그 분석가가 보고하는 모든 결과의 신뢰도를 결정하고 그 신뢰는 한번 무너지면 쉽게 회복되지 않는다.
전반적인 정확도는 우수해 보이지만, 인구집단이나 지역별로 나눠보면 모델이 특정 집단에서 불균형하게 실패하고 있다는 것이 드러난다. 아무도 요청하지 않았는데도 이를 먼저 확인하고 알리는 분석가와, 평균만 보고하고 넘어가는 분석가가 여기서 갈리며, 이 확인을 건너뛴 대가는 배포 이후 실제 피해자가 나타나야 드러나고 그때는 이미 되돌리기 늦었다.
3주 된 데이터셋을 근거로 확실한 연간 성장률 전망을 내달라는 요청을 받는다. 확신에 찬 숫자를 제시하는 것은 쉽고 환영받지만, 데이터가 대략적인 범위밖에 뒷받침할 수 없는 이유를 설명하는 것은 훨씬 어렵고 인기가 없으며, 이 선택이 그 분석가가 장기적으로 신뢰받을지를 결정하고 단기적인 만족보다 오래 남는다.
널리 쓰이는 지표에 미묘한 버그가 있는데, 하필 그 버그가 성과를 더 좋게 보이도록 만들고 있고 지금까지 아무도 문제를 제기하지 않았다. 이를 알리는 것은 자신의 실수를 인정하고 예전 숫자를 좋아했던 사람들을 실망시키는 일이며, 그럼에도 이를 알리는지가 그 조직의 데이터 문화 전체를 시험하고 이후 모든 지표에 대한 신뢰를 결정하며 그 신뢰는 쉽게 되돌아오지 않는다.
스스로 철저히 데이터 기반이라고 홍보하는 회사들이 오히려 이미 내려진 결정을 뒷받침하는 근거를 찾아내라고 데이터 과학자를 압박하며, 불편한 결과를 보고하는 사람을 "팀 플레이어가 아니다"라는 말로 조용히 배제하는 경우가 있다. 국내 스타트업 업계에서도 데이터팀이 실제로는 의사결정을 검증하는 역할이 아니라 이미 내려진 결정을 정당화하는 역할로 취급되는 경우가 적지 않으며, 이 구조 안에서 정직한 보고는 승진이나 평판에 불리하게 작용하기도 한다. 이 직업이 한때 화려한 직업으로 과대 포장되면서, 밤늦게까지 데이터를 한 번 더 잘라보는 무급 초과근무가 호기심이라는 이름으로 미화되고, 근무시간 문제로 지적받지 않는 문화가 자리 잡았다. "열정 있는 사람이라면 당연히 더 파본다"는 말이 실제로는 정당한 보상 없는 노동을 감추는 역할을 한다.
높음
SQL 질의, 탐색적 차트 작성, AutoML을 이용한 표준 모델 적합, 상용구 파이프라인 코드 작성 등 정형화된 데이터 사이언스 업무의 상당 부분은 이미 자동화되었거나 AI의 도움을 받고 있으며, 그 비중은 빠르게 커지고 있다. 자동화에 저항하는 것은 모호한 비즈니스 문제를 검증 가능한 질문으로 다듬는 일, 결과가 진짜인지 통계적 우연인지 판단하는 일, 그리고 모델의 실제 결정이 잘못되었을 때 책임을 지는 일이다.
AI와 미래 →이 사이트의 전공 중, 이 직업을 졸업 진로로 적은 것들입니다.
같은 분야만이 아니라 여섯 점수 프로필이 가까운 직업입니다.
장부의 수호자: 문자 자체를 만들어낸 오래된 기술의 계승자이자, 이제는 자신을 자동화하려는 소프트웨어와 협상 중이다.
AI 내성 35 🗺️회사가 다음에 무엇을 만들지, 왜 만들어야 하는지를 결정하는 사람. 고객의 필요, 사업 목표, 엔지니어링의 한계를 하나의 공유된 계획으로 엮어내지만, 그 계획을 온전히 소유하는 사람은 따로 없다.
AI 내성 50 💻현대 사회를 움직이는 코드를 작성하고 테스트하고 유지보수하는 직업이며, AI가 자기 일상 업무를 자동화하는 모습을 가장 먼저 지켜보는 직업 중 하나다.
AI 내성 35 📣수요를 만들어내는 전문가. 폼페이의 벽화 광고와 P&G의 1931년 브랜드맨 메모에서 경매 기반의 디지털 피드 시대까지.
AI 내성 38 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🔎사람들이 제품을 어떻게 사용하는지 연구해, 관찰된 행동과 필요와 불만을 팀이 디자인의 근거로 삼을 수 있는 증거로 바꾸는 일.
AI 내성 69물질과 에너지, 공간과 시간을 지배하는 수학 법칙을 이끌어내고 검증한다. 혼자 칠판 앞에 선 연구자에서 3,000명이 공동 저자로 이름을 올리는 입자가속기 논문까지 그 모습은 다양하다.
AI 내성 65 🧬생명 그 자체를 연구하는 과학자. 린네가 손으로 종을 명명하던 시절부터 크리스퍼로 유전체를 편집하는 오늘날까지, 모든 아이디어를 살아있는 생물체에 비추어 검증한다.
AI 내성 64 🧪물질 그 자체를 만들고 측정하는 과학자 — 바빌로니아 타푸티의 증류기에서 오늘날 로봇 실험실에 이르기까지, 스펙트럼이 의미하는 바를 결정하는 것은 여전히 사람이다.
AI 내성 70 🔭바빌로니아의 점토판에서 우주 망원경까지, 우주를 측정하는 과학자 — 데이터 속 어떤 깜빡임이 발견인지는 지금도 가려내는 중이다.
AI 내성 70 🧮바빌로니아 서기관에서 필즈상 수상자와 AI 보조 증명까지: 어려운 질문을 영구적 확실성으로 바꾸는 직업, 정리 하나하나마다.
AI 내성 70 🧿컴퓨팅, 감지, 통신 및 재료 연구를 위해 양자 상태를 활용하는 장치를 구축, 측정 및 제어합니다.
AI 내성 78 🧫임상, 시험 및 건강 시스템 데이터를 사용하여 보다 안전한 치료, 연구 및 운영 결정을 위한 신뢰할 수 있는 증거를 생성합니다.
AI 내성 68