데이터 분석은 AI를 활용해도 됩니다.
데이터 분석을 공부하는 분들에게 요즘 자주 하는 이야기가 있습니다.
"데이터 분석은 AI를 활용해도 됩니다. 그런데 보고서만큼은 직접 작성해 보세요."
조금 이상하게 들릴 수도 있습니다.
데이터 분석의 핵심이라고 생각했던 코딩과 통계 분석은 AI에게 맡겨도 된다면서,
정작 분석이 끝난 후 작성하는 보고서는 직접 해보라고 하니 말입니다.
그런데 여기에는 이유가 있습니다.
데이터 분석을 배우는 과정에서 가장 중요하게 길러야 할 능력은
코딩이나 통계 기법을 다루는 기술만이 아니라,
데이터를 통해 문제를 이해하고 해석하는 '생각하는 힘'이기 때문입니다.
그리고 저는 이 능력이
분석 결과를 정리하고
보고서로 작성하는 과정에서 상당 부분 길러진다고 생각합니다.
2010년대 중반부터 빅데이터와 4차 산업혁명이 주목받으면서
데이터 분석에 대한 관심이 크게 높아졌습니다.
기업에서는 데이터를 활용할 수 있는 인재를 찾기 시작했고,
대학과 교육기관에서도 데이터 분석 관련 교육과정이 빠르게 늘어났죠.
이 과정에서 Python, R, SQL, 머신러닝, 딥러닝 같은 기술이
데이터 분석을 대표하는 역량으로 강조되기 시작했습니다.
물론 이런 기술들은 중요합니다.
과거에는 처리하기 어려웠던 대용량 데이터를 분석할 수 있게 되었고,
반복적인 작업을 자동화하거나 복잡한 패턴을 발견하는 것도 가능해졌으니까요.
문제는 데이터 분석이라는 일이 지나치게 기술 중심으로 이해되기 시작했다는 점입니다.
데이터 분석을 배우겠다는 사람들이 가장 먼저 고민하는 것도 대개 비슷합니다.
"Python부터 배워야 할까요?"
"SQL과 R 중에서 어떤 걸 먼저 공부해야 하나요?"
"머신러닝까지 할 줄 알아야 데이터 분석가가 될 수 있나요?"
물론 필요한 질문입니다.
하지만 저는 그보다 먼저 고민해야 할 질문이 있다고 생각합니다.
"데이터를 분석해서 무엇을 알아내려고 하는 건가요?"
이 질문에 답하지 못한다면 아무리 뛰어난 기술을 사용하더라도 의미 있는 분석으로 이어지기 어렵습니다.
데이터 분석에서 기술은 문제를 해결하기 위한 수단이지, 분석 자체의 목적은 아니기 때문입니다.
예를 들어 온라인 쇼핑몰의 구매 데이터를 분석한다고 가정해 보겠습니다.
AI에게 데이터를 제공하고 다음과 같이 요청할 수 있습니다.
"구매 전환율을 계산하고, 상품 카테고리별 차이를 분석해 주세요."
AI는 데이터를 정리하고, 필요한 계산을 수행하고, 표와 그래프를 만들어 줄 수 있습니다.
어떤 카테고리의 구매 전환율이 높고 낮은지도 비교할 수 있겠죠.
여기까지는 분석 기술을 활용해 결과를 얻는 과정입니다.
그런데 실제 데이터 분석에서는
이 다음부터가 중요합니다.
구매 전환율이 낮은 카테고리를 발견했다고 가정해 보겠습니다.
그렇다면 이런 질문들이 이어져야 합니다.
"왜 이 카테고리의 구매 전환율이 낮을까요?"
"상품 가격 때문일까요, 고객 특성 때문일까요?"
"해당 카테고리의 구매 전환율은 원래 낮았던 걸까요?"
"전환율이 낮다는 이유만으로 개선이 필요한 상품군이라고 판단할 수 있을까요?"
"매출이나 수익성까지 함께 고려하면 다른 해석이 가능하지 않을까요?"
이러한 질문에 답하려면 처음 분석한 결과만으로는 부족할 수 있습니다.
다른 데이터를 추가로 살펴봐야 하고, 분석 기준을 변경하거나 새로운 가설을 세워야 할 수도 있습니다.
처음에는 별 의미 없어 보였던 결과가 다른 데이터와 연결되면서 중요한 단서가 되기도 합니다.
이처럼 데이터 분석은 결과를 한 번 확인하고 끝나는 일이 아닙니다.
하나의 결과를 해석하면서 새로운 질문을 발견하고,
그 질문에 답하기 위해 다시 데이터를 살펴보는 과정이 반복됩니다.
저는 이 반복적인 과정에서 분석가의 사고력이 발전한다고 생각합니다.
실무에서 데이터 분석 보고서를 작성하다 보면
꽤 많은 시간을 결과를 정리하는 데 사용하게 됩니다.
보고서 10장을 작성하기 위해 수십 개가 넘는
분석 결과와 참고 자료를 검토하는 경우도 있습니다.
그렇다고 그 내용을 모두 보고서에 담을 수는 없습니다.
어떤 결과가 중요한지 판단해야 하고,
서로 관련된 결과들을 연결해야 하며,
분석 목적과 직접적인 관련이 없는 내용은 과감하게 제외해야 합니다.
이 과정이 생각보다 어렵습니다.
예를 들어 분석 결과를 정리하면서 다음과 같은 문제를 발견할 수 있습니다.
"이 그래프는 흥미롭지만 처음 설정한 분석 목적과는 관계가 없네요."
"두 분석 결과가 서로 다르게 나왔는데, 왜 그런 걸까요?"
"통계적으로 유의미한 결과이기는 하지만 실제 사업에서는 큰 차이가 없을 수도 있겠네요."
"이 결과를 근거로 개선 방안을 제안하려면 추가 분석이 필요하겠습니다."
보고서를 작성하지 않았다면 그냥 지나쳤을 수도 있는 문제들입니다.
분석할 때는 각각의 결과를 확인하는 데 집중했다면,
보고서를 작성할 때는 결과들 사이의 관계와 전체적인 의미를 생각하게 됩니다.
따라서 보고서 작성은 단순히 분석 결과를 보기 좋게 정리하는 작업이 아닙니다.
자신이 수행한 분석을 다시 검토하고, 결과의 의미를 해석하고, 부족한 부분을 발견하는 과정입니다.
이런 점에서 저는 보고서 작성도 데이터 분석의 중요한 일부라고 생각합니다.
물론 AI를 활용해 보고서를 작성할 수도 있습니다.
실제로 ChatGPT를 비롯한 생성형 AI는 분석 결과를 요약하거나,
보고서의 목차를 구성하고, 문장을 다듬는 데 상당히 유용합니다.
굳이 이런 기능을 사용하지 않을 이유는 없습니다.
다만 데이터 분석을 배우는 사람이라면 조금 다르게 접근할 필요가 있습니다.
분석 결과를 얻은 직후 AI에게 보고서 전체를 작성해 달라고 요청하면 어떤 일이 벌어질까요?
그럴듯한 보고서는 만들어질 수 있습니다.
하지만 자신이 직접 결과를 비교하고,
무엇이 중요한지 판단하고,
논리를 구성하는 경험은 줄어들 수 있습니다.
예를 들어 AI가 다음과 같은 결론을 제시했다고 가정해 보겠습니다.
"구매 전환율 개선을 위해 가격 할인 프로모션을 확대해야 합니다."
문장 자체는 자연스럽습니다.
그런데 이런 질문을 해볼 필요가 있습니다.
"가격 할인이 효과적이라는 근거는 어디에 있나요?"
"구매 전환율이 낮은 원인이 가격이라는 사실을 확인했나요?"
"할인을 확대했을 때 수익성에 미치는 영향은 검토했나요?"
이런 질문에 답하지 못한다면
보고서가 아무리 잘 작성되어 있어도 분석 결과를 제대로 이해했다고 보기 어렵습니다.
AI가 만들어 준 결론을 그대로 받아들이는 것이 아니라, 그 결론이 타당한지 검토할 수 있어야 합니다.
그러려면 분석가 스스로 문제를 정의하고 결과를 해석하는 경험이 필요합니다.
그래서 저는 데이터 분석을 공부하는 단계에서는
보고서의 핵심 논리와 결론만큼은 먼저 직접 작성해 보라고 권합니다.
그다음 AI를 활용해 논리적인 비약이 없는지 확인하거나,
누락된 부분을 검토하고, 문장의 전달력을 개선하는 방식으로 활용하면 좋겠습니다.
AI를 사용하지 말라는 이야기가 아닙니다.
생각하는 과정까지 AI에게 모두 맡기지는 말자는 의미입니다.
취업을 준비하면서 데이터 분석 포트폴리오를 만드는 분들도 마찬가지입니다.
많은 포트폴리오가 분석 과정과 사용한 기술을 설명하는 데 상당한 분량을 사용합니다.
Python으로 데이터를 전처리하고, 탐색적 데이터 분석을 수행하고,
상관분석과 회귀분석을 진행하고, 시각화를 통해 결과를 확인했다는 식입니다.
물론 이런 내용도 필요합니다.
어떤 데이터를 어떤 방법으로 분석했는지 설명해야 결과의 신뢰성을 판단할 수 있으니까요.
하지만 여기서 끝난다면 아쉬움이 남습니다.
포트폴리오를 읽는 사람은 분석 기법을 얼마나 많이 사용했는지뿐 아니라, 지원자가 데이터를 어떻게 이해하고 해석하는지도 알고 싶어 할 것입니다.
예를 들어 이런 결론을 생각해 보겠습니다.
"장바구니에 여러 상품을 담은 고객의 구매 전환율이 단일 상품을 담은 고객보다 낮게 나타났습니다."
분석 결과로서는 의미가 있습니다.
하지만 보고서가 여기서 끝난다면 단순한 현상 설명에 그칠 수 있습니다.
조금 더 생각해 볼 수 있습니다.
"복수상품 장바구니에서 구매 전환율이 낮게 나타났다면, 상품 수 자체의 영향일까요? 아니면 고객이 여러 상품을 비교하거나 구매를 고민하는 행동과 관련이 있을까요?"
이렇게 질문이 발전하면 다음 분석으로 이어질 수 있습니다.
상품 카테고리의 조합을 살펴보거나,
장바구니에 상품을 담은 이후 구매까지 걸린 시간을 비교할 수도 있습니다.
그 결과를 토대로 어떤 고객에게 어떤 구매 지원이 필요한지 검토할 수 있겠죠.
물론 실제로 확인하지 않은 원인을 사실처럼 설명해서는 안 됩니다.
중요한 것은 분석 결과를 근거로 다음 질문을 제기하고,
가능한 해석을 검토하며, 실행 방향을 제안하는 과정입니다.
저는 이런 내용이 포트폴리오의 차별성을 만든다고 생각합니다.
분석 기술을 얼마나 많이 사용했는지를 보여주는 것보다,
데이터로부터 어떤 문제를 발견하고 어떻게 해석했는지를 보여주는 것이 더 중요할 수 있습니다.
데이터 분석 보고서를 작성할 때 자주 발견하는 아쉬운 점이 있습니다.
분석 기법을 설명하고, 결과를 제시한 다음, 그 결과를 다시 요약하는 것으로 보고서가 끝나는 경우입니다.
예를 들어 다음과 같습니다.
"회귀분석 결과 A 변수가 B 변수와 통계적으로 유의한 관계를 가지는 것으로 나타났습니다."
틀린 설명은 아닙니다.
그러나 보고서를 읽는 사람의 입장에서는 궁금증이 남을 수 있습니다.
"그래서 이 결과를 어떻게 활용해야 하나요?"
물론 모든 분석이 곧바로 실행 방안으로 연결되어야 하는 것은 아닙니다.
탐색적 분석처럼 새로운 현상을 발견하거나
후속 연구를 위한 가설을 제시하는 것만으로도 충분히 의미 있는 경우가 있습니다.
다만 비즈니스 문제를 해결하기 위한 보고서라면
분석 결과가 의사결정에 어떤 도움을 줄 수 있는지까지 고민할 필요가 있습니다.
가능하다면 결과를 설명하는 데서 한 단계 더 나아가 보세요.
이 결과가 기존의 판단을 바꿀 수 있는지, 새로운 전략을 검토할 필요가 있는지,
실행에 앞서 어떤 부분을 추가로 확인해야 하는지를 제시하는 것입니다.
단순히 "이런 분석 결과가 나왔습니다"로 끝나는 보고서와
"이러한 결과를 고려하면 앞으로 이런 방향을 검토할 필요가 있습니다"로 이어지는 보고서는
전달하는 가치가 다릅니다.
이런 차이는 어려운 통계 기법이나 화려한 시각화만으로 만들어지지 않습니다.
분석 결과를 해석하고 실제 상황에 연결하려는 고민에서 만들어집니다.
AI가 빠르게 발전하면서 데이터 분석에 필요한 기술적 장벽은 점점 낮아지고 있습니다.
과거에는 Python이나 SQL을 직접 다룰 수 있어야 수행할 수 있었던 작업들도
이제는 자연어로 요청해 처리할 수 있는 경우가 많아졌습니다.
앞으로 이런 변화는 더 확대될 가능성이 높습니다.
그렇다면 데이터 분석을 배우는 사람은 어디에 집중해야 할까요?
저는 기술을 배우는 것과 함께 데이터를 해석하고 문제를 정의하는 능력을 길러야 한다고 생각합니다.
그리고 그 능력을 기르는 효과적인 방법 중 하나가 직접 분석 보고서를 작성해 보는 것입니다.
어떤 결과를 선택할지, 무엇을 중요한 발견으로 볼지,
결과들을 어떤 순서로 연결할지, 최종적으로 어떤 메시지를 전달할지 고민해 보세요.
처음에는 시간이 오래 걸릴 수 있습니다.
분석 결과는 많은데 정작 보고서에는 무엇을 써야 할지 막막할 수도 있습니다.
하지만 그 과정이 데이터 분석을 배우는 데 중요한 경험이 될 것입니다.
데이터 분석은 AI에게 도움을 받아도 됩니다.
보고서 작성에도 AI를 충분히 활용할 수 있습니다.
다만 자신이 어떤 문제를 해결하려 했고, 무엇을 발견했으며,
왜 그런 결론을 내렸는지 정도는 스스로 설명할 수 있어야 합니다.
데이터 분석 포트폴리오든 실무 보고서든
결국 독자에게 전달해야 하는 것은 분석 기술의 목록이 아닙니다.
데이터를 통해 세상을 바라보고 문제를 이해하는 자신의 관점입니다.
기술은 분석을 수행하는 데 필요하지만,
그 분석이 왜 의미 있는지를 설명하는 일은 여전히 중요합니다.
데이터 분석을 배우고 있다면 분석 결과를 얻는 데서 멈추지 말고,
그 결과로 직접 보고서를 작성해 보시기 바랍니다.
생각보다 훨씬 많은 것을 배우게 될 것입니다.
https://cafe.naver.com/ddlelab
#데이터분석 #데이터분석가 #데이터분석공부 #데이터분석보고서 #데이터분석포트폴리오 #데이터분석교육 #ChatGPT데이터분석 #AI데이터분석 #데이터리터러시 #데이터기반의사결정