데이터 사이언티스트로서 직업을 얻는 법 : 자격과 기술

How to get a job as a data scientist: Qualifications & skills

데이터 사이언티스트로서 직업을 얻는 법 : 자격과 기술

 

by Aoife Geary

---

With the rise of big data comes the need for more highly skilled people to mine and interpret that data for businesses. This is the role of a data scientist, the job that Harvard Business Review called "the sexiest job of the 21st century" back in 2012.

 

빅데이터의 시대가 옴으로써 더욱 사업에 필요한 데이터들을 얻어내고 해석할 기술력이 있는 사람의 필요해졌다.
이것이 2012년에 하버드 사업 리뷰에서 "21세기의 가장 섹시한 직업" 이라 부른 데이터 사이언티스트의 역할이다.

 

 

You might like: 6 companies hiring data scientists

 

As technology continues to develop at a rapid rate, we’re seeing a number of key changes in how we work and what it means to be employed.

 

기술이 빠르게 발전해나감으로, 우리는 우리가 어떻게 일하는지 그리고 고용된다는 것이 어떤 의미인지에서 여러 중요 변화점을 보고있다.

 

 

[ Keep up on the latest thought leadership, insights, how-to, and analysis on IT through Computerworld’s newsletters. ]

 

The quicker tech evolves, the quicker the skills needed to work with that tech become obsolete. This means a renewed focus on a candidate’s potential to learn and self-educate rather than just their existing qualifications and strengths.

 

기술이 빠르게 발전할수록, 일할때 필요한 기술들이 빠르게 퇴화된다.
이것은 지원자들을 뽑을때 단지 그들이 가진 자격증이나 강점들을 보는 대신에 그들의 배움과 자습을 통한 성장 가능성을 보게 된다는 뜻이다.

 

 

One job that has greatly grown in prominence in recent years is that of the data scientist, a role Glassdoor has named the best job in the US for three consecutive years.

 

최근에 굉장히 중요해진 직업은 글래스도어(회사 리뷰 사이트)에서 3년 연속 최고의 직업이라 칭한 데이터 사이언티스트이다.

 

 

Generally, data scientists are highly skilled, can work in a number of different industries, have high earning potential and report high levels of job satisfaction in their roles. For example, UK data scientists earn an average of £50,000 per year.

 

보통은, 데이터 사이언티스트들은 굉장히 실력있고, 여러 산업에서 일할 수 있고, 높은 수입을 벌수 있고, 그리고 그들의 역할에 대한 높은 수준의 직업 만족도를 보인다.
예를 들어, 미국의 데이터 사이언티스트들은 연 평균 50000파운드를 번다.

 

 

And, according to a report by IBM, demand for data scientists will increase 28 percent by 2020.

 

그리고, IBM에 따르면 2020년엔 데이터 사이언티스트에 대한 수요가 28퍼센트 증가할 거라고 한다.

 

 

[ Looking to upgrade your career in tech? This comprehensive online course teaches you how. ]

 

 

What is a data scientist?

 

The role of a data scientist is to analyse and interpret large digital data sets and derive actionable insights from the findings.

 

데이터 사이언티스트의 역할은 커다란 디지털 데이터 셋을 분석하고 해석하며 찾아낸 것에서 활용 가능한 시각을 도출해내는 것이다.

 

 

This is different to a data engineer, whose primary role is to store and prepare that data, so someone with expertise setting up and maintaining large databases.

 

이것은 데이터들을 보관하고 준비하는 것이 가장 중요한 역할인 데이터 엔지니어와는 다르다, 그래서 전문 지식이 있는 사람이 큰 데이터 베이스를 설정하고 관리한다.

 

The skills required of a data engineer tend to be more technical, with knowledge of Hadoop, SQL and NoSQL databases.

데이터 엔지니어에게 요구되는 기술은 하둡, SQL 그리고 NoSQL 데이터베이스의 지식들 같이 더 기술적인 경향이 있다.

 

 

See also: The best data science roles live right now

 

 

Qualifications & skills

 

As with most emerging tech roles, there’s no prescribed career path or specific qualification required.

 

가장 떠오르는 기술직으로서, 정해진 커리어 방향과 특정한 자격을 요구하는 것은 없다.

 

 

Most data scientists will have a background in maths, engineering or computer science with excellent knowledge of programming.

 

대부분의 데이터 사이언티스트들은 수학, 엔지니어링 혹은 뛰어난 프로그래밍 지식의 컴퓨터 과학에 대한 배경지식이 있어야 한다

 

 

Statistics and probability are two fundamentals of mathematics which are key to the role of a data scientist and are necessary for analysing and interpreting data, predicting patterns, making hypotheses, etc.

 

통계와 확률은 데이터 사이언티스트의 역할에 기본적인 두개의 수학이자 데이터를 분석하고 해석, 패턴을 예측, 가설을 만들어 내는 것 등에 필수적인 요소이다.

 

 

 

Technical skills

 

Data visualisation is an important component of a data scientist’s role. Presenting complex ideas and findings in a coherent and effective way is crucial, bearing in mind that business leaders and decision makers won’t always be of a technical mindset.

 

데이터 시각화는 데이터 사이언티스트 역할의 중요한 요소이다.
비즈니스 리더와 결정권자들은 항상 기술적인 마음이 아니라는것을 명심하며 일관되고 효율적인 방법으로 복잡한 아이디어와 결과를 보여주는 것이 중요하다.

 

 

Tools such as Tableau and Plotly are useful to showcase large data sets to the relevant stakeholders in the business and make the information easier to process. They also allow for team collaboration and interaction with the data.

 

Tableau나 Plotly같은 툴들은 사업에서 관계자들에게 큰 데이터셋들을 선보이는데 사용할 만 하고 정보들을 이해하기 쉽게 만들어 준다.
그것들은 또한 팀 협업과 테이터와의 상호작용을 할 수 있게 해준다.

 

 

GitHub and Kaggle are great resources for building technical experience by working on open source projects and competitions.

 

GitHub랑 Kaggle에서 오픈소스 프로젝트를 하거나 경쟁을 함으로 기술적인 경험을 얻기 좋은 곳이다. 

 

 

Data scientists need to know how to extract the most value from machine learning as it becomes more prominent in multiple sectors.

 

데이터 사이언티스트들은 여러방면에서 머신러닝이 중요해짐으로 어떻게 머신러닝에서 가장 큰 가치를 얻어낼 수 있는지 알 필요가 있다

 

 

This involves pairing algorithms with the right tools to build efficient and replicable processes based on your business goals.

 

너의 사업목표를 기반으로 효율적이고 반복 가능한 프로세스를 만들기 위해 알고리즘과 알맞은 도구를 페어링 시킬줄 아는것도 포함한다.

 

 

 

Key traits and soft skills

 

It’s not all about tech prowess, a data scientist also needs to be an accomplished problem solver and communicator.

그것은 기술적인 능력만 있는게 아니다, 데이터 사이언티스트는 문제 해결 능력과 의사소통 능력이 뛰어난 사람이 되어야 한다.  

 

 

The ability to clearly articulate findings and suggestions is a core skill here, don’t undervalue it.

여기선 깔끔하게 연구결과와 의견들을 논리정연하게 말하는 능력이 핵심기술이다, 그것을 과소평가하지 말아라.

 

 

An analytical mindset is a must, as is a curiosity about why things work in a certain way. As well as that you need to be flexible and adaptable so you can effectively incorporate new learnings and processes into your role.

 

분석적인 사고방식은 어떻게 이것들이 특정한 방식으로 작동되는지에 대한 호기심처럼 필수적이다.
또한 너가 새로운 배움과 기술들을 효율적으로 너의 역할에 통합시킬수 있게하기 위해 너는 유연하고 적응이 빨라야한다.

 

Data scientists require an always-on learning mentality and a genuine flair for investigation and innovation.

 

데이터 사이언티스들은 항상 배우는 마음가짐 그리고 탐구와 혁신을 위한 진정한 능력이 요구된다.

 

 

Immersing yourself in the tech community helps to grow your career as a data scientist, learning from industry experts and peers.

 

기술 커뮤니티에 들어가는것은 산업에서 일하고 있는 전문가들과 너와 같은 사람들에게서 배우면서 너의 데이터 사이언티스트로서의 커리어를 키우는 것을 도와준다.

 

 

Attend meetups, conferences and events and join online groups and discussions to make valuable like-minded connections.

 

미팅, 컨퍼런스와 행사에 참여하고 온라인 그룹과 토론에 참여해서 가치있는 비슷한 마음을 가진 사람들과의 인맥을 만들어라.

 

 

Read next: Data science courses you can apply for in 2016 from Microsoft, IBM, Udemy and more

 

 

Machine learning

 

One skill that is of growing importance in data science circles, and within the enterprise, is machine learning.

 

데이터 사이언스에서 중요성을 키워가고 있고 기업내에서도 중요한 기술은 머신러닝이다.

 

"Machine learning is a no-brainer to me. That is the true heart of data science," said Mike Ferguson, an analyst at Intelligent Business Strategies.

 

지능적 사업전략 분석가인 Mike Ferguson이 말하길 "머신러닝은 나에게 no-brainer이다. 그것은 데이터 사이언스의 진짜 심장이다."

 

 

"People want to have a pattern detection and a view into the future, so the traditional career in reporting is no longer enough, which is a key reason machine learning is critical. The days of taking data out of a database and doing the analysis somewhere else is done, the data is too big."

 

"사람들은 패턴을 감지하고 미래를 보는것을 원합니다, 그래서 기존의 방법은 더이상 충분하지 않습니다, 그것이 머신러닝이 중요하다는 핵심 이유입니다. 데이터베이스에서 데이터를 가져와 어딘가에서 분석하는 시절은 이제 끝났습니다, 데이터는 너무 큽니다."

 

 

Read next: Here's what UK developers need to know about machine learning

 

 

Employer perspective

 

Speaking with Computerworld UK, Nuno Castro, director of data science at Expedia said that a great data scientist must be "persistent, highly energetic and motivated".

 

익스피디아의 데이터 사이언스 총 책임자인 Nuni Castro가 Computerworld UK와의 인터뷰에서 말하길 좋은 데이터 사이언티스트는 반드시 "꾸준하고, 에너지 있고 의욕있어야 한다."

 

 

His advice for any prospective candidates was to: "Follow lots of other data scientists on social media - Twitter - read blogs, learn a new data science technology, practice on Kaggle or possibly enrol in an intensive data science course.

 

예비 데이터 사이언티스트들을 위한 그의 조언은 : " 소셜미디어, 트위터나 블로그를 읽음으로 다른 많은 데이터 사이언티스트들을 따라라, 새로운 데이터 사이언스 기술을 배우고, Kaggle에서 연습해라 혹은 가능한 데이터 사이언스 수업에 들어가라."

 

 

"After you’ve done that, try to get a data science internship. Make sure that you’ll be working on a cool end-to-end data science project or a deep dive on a specific piece with a measurable output, e.g. a new algorithm that you can A/B test, rather than just doing what everyone else doesn’t want to do, e.g. unit tests, though you will still learn."

 

"그것들을 다한 후엔, 데이터 사이언스 인턴쉽을 가져봐라. 멋진 end-to-end 데이터 사이언스 프로젝트 혹은 측정가능한 결과물로 특정 작업에 대해 깊이 파고드는 작업(예: 다른 사람들이 하고 싶어 하지 않는것(예: 유닛테스트)을 하는 대신, A/B 테스트를 할 수 있는 새로운 알고리즘)을 배우도록 하라."

 

 

From a technical perspective, Castro said it was better to learn using open source technologies and skills, like Java, Hadoop and SparkML. This way "when the next technology buzzword arrives you will be ready. If you spend your days working with a proprietary technology with its own programming language and workflow, how transferable is that and how will that add value to your CV?"

 

기술적인 측면에선 Castro가 말하길 자바, 하둡, 그리고 SparkML같은 오픈소스 기술들을 이용해 배운것이 더 좋았었다고 말했었다.
"나중에 기술적인 중요한 키워드가 생겨났을때 너는 준비되어야 한다. 만약에 너가 그것만의 프로그래밍 언어와 워크플로우를 가지고 있는 소유권이 있는 기술을 사용하는데 시간을 사용하면 얼마나 그경험이 다른것에서도 쓰일수 있는 일이고 그것이 어떻게 너의 이력서에 가치를 더해줄것인가?

 

 

Read next: The data scientist deficit: How to fill the need

Read next: How to get a job as a network engineer

Read next: How to get a job as a blockchain developer or engineer

Read next: How to get a tech job in the Ministry of Defence