'엑셀 함수 몇 개 쓰는 게 전부인데, 이걸로 데이터 분석가가 될 수 있을까?' 비전공으로 이 길을 알아보는 분들이 가장 먼저 던지는 질문입니다. 결론부터 말하면 됩니다. 실제로 마케터, 운영자, 영업관리자 출신이 분석가로 넘어오는 경우는 흔합니다. 다만 한 가지 오해는 짚고 가야 해요. 많은 입문 글이 'Python·SQL·통계·머신러닝을 배우세요'라고 도구를 나열하는데, 정작 합격을 가르는 건 도구 개수가 아니라 무엇을, 어떤 순서로 쌓아서, 무엇으로 증명하느냐입니다. 이 글은 그 순서에 대한 이야기입니다.
먼저 데이터 분석가가 실제로 무슨 일을 하는지부터 솔직하게 그려볼게요. 영화에서 보던 것처럼 종일 인공지능 모델을 돌리는 모습을 떠올렸다면 현실과는 꽤 다릅니다. 보통의 하루는 이렇습니다. 오전에 기획자가 '지난주에 신규 가입이 왜 이렇게 줄었죠?'라고 묻습니다. 분석가는 데이터베이스에 접속해 SQL로 가입자 수를 날짜별·유입경로별로 뽑아봅니다. 오후에는 그 숫자를 그래프로 정리해, '특정 광고 채널의 전환이 지난 화요일부터 무너졌다'는 한 문장으로 압축해 회의에서 공유하죠. 즉 분석가의 일은 화려한 모델링이라기보다, 막연한 질문을 검증 가능한 형태로 바꾸고 데이터로 답을 찾아 설득하는 일에 훨씬 가깝습니다.
도구보다 먼저, '질문하는 힘'
비전공자가 가장 자주 빠지는 함정이 바로 여기 있습니다. 마음이 급하니 강의 플랫폼부터 결제하고 Python 문법, Tableau 사용법, 통계 공식을 외우기 시작합니다. 그런데 막상 현업에서 신입에게 기대하는 첫 번째 능력은 '이 데이터로 무엇을 물어야 하는가'예요. 예를 들어 '이번 달 매출이 떨어졌다'는 보고를 받았다고 합시다. 초보는 곧장 매출 합계 쿼리부터 칩니다. 반면 일을 아는 분석가는 질문을 잘게 쪼갭니다. '어느 제품군에서 빠졌나? 신규 고객이 줄었나 기존 고객이 줄었나? 특정 지역이나 모바일에서만 그런가? 작년 같은 달과 비교하면 정말 이상한 수치가 맞나?' 이렇게 질문을 분해하는 감각이 먼저 있어야, 도구는 비로소 쓸모가 생깁니다. 도구는 답을 구하는 수단이지 그 자체가 실력이 아니에요.
6개월, 이런 순서로 쌓으세요
순서가 중요한 이유는 앞 단계가 뒤 단계의 토대가 되기 때문입니다. SQL 없이 BI 도구부터 배우면 결국 '남이 만들어준 데이터'만 만지게 되고, 통계 감각 없이 Python부터 잡으면 코드는 돌아가는데 그 결과를 해석하지 못하는 일이 생깁니다. 아래 순서를 권하는 건 그래서예요.
1단계 · 데이터로 생각하는 법
평균과 중앙값은 왜 다른지, 비율과 절대수치 중 무엇을 봐야 하는지, '상관관계가 곧 인과는 아니다'가 무슨 뜻인지, 도구가 아니라 이 감각부터 잡습니다. 두꺼운 통계책이 아니라, 뉴스 기사의 통계를 비판적으로 읽어보는 연습이면 충분합니다.
2단계 · SQL, 분석가의 모국어
현업 데이터의 대부분은 데이터베이스에 들어 있습니다. 그걸 꺼내 쓰는 언어가 SQL이고요. SELECT·WHERE·GROUP BY·JOIN, 이 네 가지만 자유로워도 실무 질문의 8할은 풉니다. 분석가 채용 공고에서 거의 빠지지 않는 항목이기도 합니다.
3단계 · 보여주고 설득하기
아무리 좋은 분석도 전달이 안 되면 묻힙니다. 스프레드시트 피벗테이블로 빠르게 탐색하고, Looker Studio나 Tableau로 의사결정자가 한눈에 이해하는 대시보드를 만드는 연습을 합니다.
4단계 · Python으로 한 단계 위로
필수는 아니지만 강하게 권합니다. pandas로 엑셀로는 버거운 대용량을 다루고, 반복 작업을 자동화하며, 더 깊은 분석으로 넘어갈 수 있습니다. 처음부터가 아니라 SQL이 손에 붙은 뒤에 시작하세요.
5단계 · 포트폴리오로 증명하기
공개 데이터를 골라 '문제 정의 → 분석 → 인사이트 → 제안'까지 한 편을 끝냅니다. 강의 10개 수료증보다 끝까지 완성한 분석 1편이 면접에서 훨씬 강합니다.
비전공자가 자주 하는 세 가지 실수
수백 명의 입문 경로를 보면 실패 패턴은 신기할 만큼 비슷합니다. 첫째, 강의만 완주하고 멈춥니다. 인강을 끝내면 실력이 생긴 것 같은 착각이 들지만, 강의 수강을 넘어 취업까지 이어가려면 배운 걸 빈 화면에서 직접 써봐야 합니다. 강의를 따라 치는 것과 백지에서 스스로 쿼리를 짜는 건 전혀 다른 능력이에요. 둘째, 도구를 너무 많이 벌립니다. SQL을 어설프게 하면서 R, Python, Spark, 태블로를 동시에 건드리다 어느 것 하나 깊지 않은 상태가 됩니다. 차라리 SQL 하나를 면접에서 자신 있게 말할 수준까지 끌어올리는 편이 낫습니다. 셋째, 포트폴리오를 '예쁜 대시보드'로 착각합니다. 화려한 그래프만 잔뜩 있고 '그래서 무엇을 하자는 것인지' 결론이 없는 분석은 점수를 받지 못합니다.
포트폴리오는 '결론'이 있어야 한다
그래서 포트폴리오를 만들 때는 그래프가 아니라 한 줄의 결론에서 거꾸로 설계하는 걸 권합니다. 예를 들어 서울시 공공자전거 공개 데이터로 분석한다고 해봅시다. 단순히 '월별 대여량 추이' 그래프를 그리고 끝내면 누구나 하는 숙제입니다. 대신 '비 오는 날에는 대여가 얼마나 줄고, 그렇다면 우천 예보 시 특정 지역의 자전거 재배치 인력을 줄여도 되지 않을까?' 같은 실행 가능한 제안까지 밀어붙여 보세요. 데이터 → 발견 → 제안의 흐름이 한 편에 담기면, 그 자체가 '이 사람은 일을 시키면 답을 가져오겠다'는 증거가 됩니다. 주제는 거창할 필요 없습니다. 본인이 관심 있는 분야(게임, 커머스, 콘텐츠)의 공개 데이터 하나면 충분해요.
채용 담당자가 이력서에서 가장 먼저 보는 건 수료증 목록이 아니라 '무엇을 분석해 봤는가'입니다. 강의는 입장권일 뿐, 합격증은 스스로 끝낸 프로젝트가 만들어 줍니다.
현실적인 기간과 기대치
솔직하게 말하면, '6개월이면 무조건 취업'이라는 약속은 못 합니다. 사람마다 학습 속도가 다르고, 그 시점의 채용 시장 상황도 영향을 줍니다. 다만 직장을 병행하며 하루 1~2시간씩 위 순서를 밟으면, 6개월쯤엔 '지원서를 낼 수 있는 수준'에는 충분히 도달합니다. 합격까지는 거기서 지원·면접·보완의 시간이 더 붙는다고 보는 게 현실적이에요. 중요한 건 속도가 아니라 멈추지 않는 겁니다. 매주 쿼리 열 개라도, 차트 한 개라도 손에 남기는 사람이 결국 도착합니다.
자주 묻는 질문
수학을 잘 못하는데 괜찮을까요?
SQL과 Python 중 무엇을 먼저 배워야 하나요?
자격증(ADsP·SQLD)을 꼭 따야 하나요?
출처 · 참고
- 한국데이터산업진흥원 데이터자격검정, dataq.or.kr
- 직무 정의·요구 스킬·학습 순서는 일반적인 채용공고 경향과 실무 사례를 바탕으로 정리한 것으로, 개인·시장 상황에 따라 달라질 수 있습니다