[2026년 6월 뉴스레터] 🗓️
안녕하세요 구독자님, 데이터리안 혜정입니다.
5월 한 달 잘 보내셨나요? 5월도 빠르게 지나 어느덧 상반기를 마무리하는 6월이 찾아왔네요. 오늘 뉴스레터도 찾아와 주셔서 감사드려요.
6월 뉴스레터는 많은 분들이 고민하고 궁금해하실, 'AI 시대의 데이터 분석'에 대한 소식들로 꾸려보았습니다. 당근과 토스플레이스의 AI 활용 사례부터, AI에 대한 데이터 분석가들의 솔직한 생각까지, 이번 뉴스레터에서 만나보세요.
다음 7월 뉴스레터는 첫 번째 화요일이 아닌 두 번째 화요일, 7월 14일에 발송될 예정입니다. 건강한 한 달 보내시고 7월에 다시 또 알찬 소식으로 찾아뵙겠습니다😊
|
|
|
1. 유튜브 | AI는 일 잘하는 분석가가 될 수 있을까?
2. 블로그 | 모두가 데이터를 다루는 AI 시대, 지난 1년간 당근 데이터 팀은 이렇게 달라졌습니다
3. 블로그 | 토스플레이스 데이터봇을 소개합니다: 모든 팀원이 데이터 전문가처럼 일하는 방법
4. 블로그 | 채용 공고에서 자주 보이는 분석 프레임워크 5가지 (🎁대학생을 위한 이벤트 안내) |
|
|
안녕하세요, 데이터 분석가 혜정입니다. AI의 활용 범위가 점차 확장되며, 'AI가 내 자리를 대체하게 될까?'하는 고민을 모든 직무에서 하고 있는 것 같습니다. 데이터 분석가도 크게 다르지 않은데요. 저희가 운영하는 오픈카톡방에서도 'AI가 데이터 분석가를 대체할 것인가'에 대한 이야기는 자주 나오는 주제 중 하나입니다.
그렇다면 AI는 과연 '일 잘하는 분석가'가 될 수 있을까요? 데이터 분석가들의 생각을 오늘 뉴스레터의 첫 번째 콘텐츠로 공유합니다.
⋯⋯⋯
데이터 분석가의 '조력자' 역할을 하는 AI
아직은 '일 잘하는 분석가'라기보다는, 일 잘하는 분석가의 '조력자' 정도는 될 수 있을 것 같습니다. 아직은 논리의 구멍도 많고, 또 데이터 모델링이나 성능 최적화 등 조금 더 깊은 토픽으로 들어가면 틀린 지식을 얘기할 때가 많이 있습니다.
또 새로운 질문을 던지지 못한다는 측면이 큰 한계죠. 결국에는 질문을 하는 사람이 원하는 결론, 또는 질문의 수준에 맞는 결론까지만 도달할 수 있는 것 같습니다. 얼마 전에 한 데이터 분석가 동료는 AI에 대해서 '사람이 할 수 있는 퍼포먼스에 곱하기를 해주는 것 같다'라고 얘기하시더라고요. 0 X 100을 해봤자 결과는 0이니까요. 뭐라도 알아야 남들과는 다른 결과물을 만드는 것 같습니다. '요즘 AI가 있는데 데이터 분석 교육은 왜 들어야 하나요?' 이런 질문을 해주시는 분들도 많이 계신데요. 우리가 할 수 있는 것에 '곱하기'를 해주는 특성 때문에라도 사람은 정확하고 새로운 개념을 계속 배워나가야 한다고 생각합니다.
|
|
|
'분석가'의 정의로 돌아가자
'데이터 분석가'라는 것을 우리가 어떻게 정의하는지도 중요합니다. 단순히 '주어진 질문을 SQL 쿼리로 옮기는 사람'으로 데이터 분석가를 정의하면, 지금의 기술 수준으로 대체되는 것은 시간문제입니다. 그러나 '데이터를 기반으로 비즈니스 문제를 정의하고 해결하는 데에 기여하는 사람'이라고 정의한다면, 인간이 '비즈니스를 하는 주체'인 세상 안에서는 계속 살아남을 수 있는 직군, 또는 전문 지식이 되지 않을까 생각합니다.
AI를 잘 쓰는 능력은 중요하다
그러나 앞으로 'AI를 잘 쓰는 분석가'가 일 잘하는 분석가가 되는 것은 자연스러운 흐름이지 않을까 싶습니다. 단순히 AI를 쓰는 사람이 아니라 AI를 '잘' 쓰는 사람, 즉 좋은 질문을 던지고 AI의 결과를 비판적으로 바라보는, 또 문제 해결을 위해서 AI 능력을 최대한으로 활용할 수 있는 사람이 만들 수 있는 생산성이 크기 때문에, 앞으로 경쟁력을 갖추는 데에 AI 활용 능력은 필수라고 생각합니다.
⋯⋯⋯
요즘 세상이 빠르게 바뀌고, 또 사람들이 AI에 적응하는 속도도 빨라지고 있는 것 같습니다. 그런 만큼 마음을 열고 다양한 생각과 변화를 들여다보는 것이 중요하다는 생각이 들어요. 구독자님도 AI의 도움을 받아 능력을 발전시키고, 구독자님만의 강점을 잘 찾아서 키워가시면 좋겠습니다.
데이터 분석가들의 더 자세한 생각은 아래 영상에서 확인해 보세요!
|
|
|
🤖 AI는 일 잘하는 분석가가 될 수 있을까?
구독자님의 생각을 알려주세요! |
|
|
🥕
모두가 데이터를 다루는 AI 시대,
지난 1년간 당근 데이터 팀은
이렇게 달라졌습니다 |
|
|
최근 많은 조직에서 AI 활용 방법에 대해 고민하며 많은 시행착오를 겪고 있더라고요. 오늘 두 번째 글에서는 당근의 AI 활용 사례를 공유합니다. 지난 1년간 당근의 데이터가치화팀이 AI를 어떻게 받아들여 왔는지, 그리고 그 과정에서 데이터 업무 방식은 어떻게 바뀌어왔는지, 또 AI를 활용하며 주의해야 할 점은 무엇인지 소개합니다.
* 이 글의 원문은 당근 기술 블로그에 업로드된 “모두가 데이터를 다루는 AI 시대, 지난 1년간 데이터 팀은 어떻게 달라졌을까?”입니다.
⋯⋯⋯
AI는 데이터 조직 바깥의 일이 아니에요
데이터 조직에게 AI는 아직도 남의 일일까요? 당근 데이터가치화팀은 팀 전체가 모여 AI 활용 워크샵을 열고 이런 질문들을 던져봤어요.
처음엔 가벼운 상상으로 시작했지만, 이야기가 깊어질수록 분명해졌어요. 이건 먼 미래에 대한 공상이 아니라, 이미 저희의 하루하루에 들어와 있는 변화의 한 장면이라는 걸요.
AI는 데이터 업무 방식을 바꿔요
복잡한 SQL을 작성할 때 초안을 AI에게 맡기고 로직을 검토하는 방식이 자연스러워졌어요. 동시에 새로운 변화가 함께 일어나고 있어요. AI가 “구현”을 대신해 주기 시작하면서, 업무의 본질이 점점 문제 정의, 검증, 설계, 우선순위 판단 쪽으로 이동하고 있어요. 과거에는 많이 알고, 직접 빠르게 구현하는 능력이 핵심이었다면, 앞으로는 맥락을 이해하고, 결과를 검증하고, 위험을 통제하는 능력이 더 중요해지고 있어요.
-
데이터 엔지니어는 파이프라인 구현 자체보다 구조 설계와 운영 판단의 비중이 늘어나고 있어요.
-
분석가는 대시보드를 만드는 것보다 올바른 질문을 설계하고 결과를 해석하는 능력이 더 중요해지고 있고요.
-
관리자 역할도 산출물을 관리하는 것에서 검증 체계와 실행 원칙을 설계하는 쪽으로 무게가 옮겨가고 있어요.
|
|
|
주의할 점도 있어요
AI는 업무를 쉽게 만들지만, 업무를 가볍게 만들지는 않아요. 생산성이 높아지는 만큼, 품질 저하, 산출물 과신, 책임 공백의 위험도 함께 들어오거든요.
예를 들어 AI가 생성한 SQL이 문법적으로는 맞지만 비즈니스 로직을 반영하지 못하는 경우, 또는 AI가 요약한 장애 리포트가 핵심 맥락을 놓치는 경우가 있어요. 이런 상황에서 결과물을 그대로 신뢰하면 오히려 문제가 커질 수 있죠.
✔️ AI는 데이터 업무의 속도를 높이지만, 데이터 업무의 책임을 없애지는 않아요. 앞으로의 핵심 역량은 AI를 더 많이 활용하는 능력만이 아니라, AI가 만든 결과를 더 잘 검증하고 더 정확히 판단하는 능력이에요.
⋯⋯⋯
분석가로 일하며 가장 깊이 고민하는 지점 중 하나는, '모호한 실무의 질문을 어떻게 데이터로 변환할 것인가', 그리고 '어떻게 신뢰할 수 있는 분석 결과를 제공할 것인가'입니다. 기술의 발전으로 누구나 빠르고 편하게 데이터에 접근할 수 있게 된 요즘, 이 데이터를 신뢰할 수 있을지 판단하는 과정은 더 중요해지지 않나 생각합니다.
당근의 데이터가치화 팀도 “AI 시대의 데이터 문화는 '누구나 물을 수 있지만, 아무 답이나 그대로 믿지는 않는 문화'가 되어야 한다"고 이야기해 주셨는데요. 지난 1년간 데이터가치화 팀이 걸어온 길과 시행착오를 아래 블로그 글 전문에서 모두 확인해 보세요.
|
|
|
😎
토스플레이스 데이터봇을 소개합니다
: 모든 팀원이 데이터 전문가처럼
일하는 방법
|
|
|
또 다른 AI 활용 사례로 토스플레이스의 사례를 소개합니다. 토스플레이스에서는 ‘판다(PANDA)’라는 데이터 분석 어시스턴트를 만들어 사용하고 있습니다. 데이터 분석가들이 하던 반복적인 추출 작업을 AI를 통해 처리하고, 분석가들을 더 밀도있는 분석을 진행하게 되었다고 이야기해 주셨는데요. 토스플레이스에서는 데이터 분석에 AI를 어떻게 활용하고 있는지, Data Analysis Team Leader 김윤아, Data Analytics Engineer 정이을님의 글을 소개합니다.
* 이 글의 원문은 토스 기술 블로그에 업로드된 “토스플레이스 데이터봇 ‘판다(PANDA)’를 소개합니다 : 모든 팀원이 데이터 전문가처럼 일하는 방법”입니다.
⋯⋯⋯
판다는 무엇이고, 왜 만들었을까요?
토스플레이스에서는 데이터 기반 의사결정이 자연스러운 문화로 자리 잡혀 있습니다. 그만큼 다양한 팀에서 매일 많은 데이터 요청을 주셨죠. 판다가 세상에 나오기 전에는, 데이터 분석가가 그 요청을 처리하기 위해 수십 개의 대시보드를 확인하거나 복잡한 SQL 코드를 직접 작성해야 했습니다. 그런데 데이터 분석 요청 내용을 살펴보았더니, 전체 요청의 70%는 복잡한 분석이 아니라 정확한 수치를 확인하는 단순 추출 작업이었습니다.
그래서 저희는 데이터 추출과 인사이트를 제공할 수 있는 데이터봇을 기획하고 만들게 되었어요. 판다를 통해 팀원들에게는 기다림 없이 바로 확인할 수 있는 데이터 경험을 제공하고, 데이터 분석가들에게는 밀도 있는 분석에 집중할 수 있는 시간을 선물할 수 있었어요.
판다는 어떻게 만들어졌을까요?
처음에는 "요즘 AI 성능이면 텍스트로 질문만 던지면 알아서 정확한 답을 해주지 않을까?"라고 생각했어요. 하지만 실제로 만들어 보니 현실은 기대와 달랐습니다.
1. 토큰 낭비
2. 일관성 없는 결과
3. 잘못된 비즈니스 로직
4. Snowflake 비용 문제
판다는 단순히 모델을 개선하는 방식이 아니라, 데이터부터 답변 구조까지 전반을 다시 설계하는 방식으로 문제를 해결했어요.
|
|
|
판다를 활용한 질문 & 답변 예시
판다를 사용한 팀원들의 반응은 어땠을까요?
판다는 출시와 동시에 예상보다 훨씬 빠르게 조직 안에 스며들었어요. 현재는 70%가 사용 중일 만큼 사내에 없어서는 안 될 소중한 팀원으로 자리 잡았습니다.
이전에는 데이터 요청 자체가 ‘조심스러운 일’이었다면, 지금은 필요한 순간 판다에게 바로 확인하는 자연스러운 행동으로 바뀌었어요. 판다는 단순히 ‘데이터를 확인하는 것’에서 ‘바로 활용하는 것’으로 실제 업무 방식 변화에도 영향을 주고 있어요.
⋯⋯⋯
판다를 사용할 것이라 예상하지 못했던 직군에서도 현재 활발하게 판다를 활용하고 있다고 하는데요. 자세한 판다의 설계 과정과 활용 방식은 블로그 글 전문에서 확인하실 수 있습니다.
|
|
|
🎯
채용 공고에서 자주 보이는
분석 프레임워크 5가지
|
|
|
구독자님은 자주 사용하는 나만의 요리 레시피가 있나요? 요리 경연 프로그램을 보면, "이 재료로 저런 요리도 만들 수 있구나!" 하고 놀랄 때가 많은데요. 데이터 분석도 이와 비슷합니다. 같은 데이터를 가지고도 어떤 방식으로 분석하느냐에 따라 전혀 다른 문제를 해결할 수 있어요. 이런 '레시피'의 역할을 하는 것이 바로 '분석 프레임워크'입니다. 요즘은 AI에게 질문만 하면 원하는 코드를 뚝딱 작성해 주는 시대이지만, 어떤 문제를 해결하기 위해 어떤 프레임워크를 적용할지, 즉 '전체적인 요리의 방향과 레시피'를 결정하는 것은 여전히 인간 분석가가 해야 할 중요한 업무입니다.
오늘 뉴스레터의 마지막 글에서는 실무에서 마주하는 다양한 문제 상황별로, AI 시대에 우리가 꼭 알고 있어야 할 '핵심 분석 프레임워크 5가지'를 정리해 보겠습니다.
⋯⋯⋯
1️⃣ "특정 시점에 유입된 사용자들의 특징은 뭘까?"
전체 평균만 보고 어떤 문제/변화의 원인을 파악하기 어려운 상황이라면, 혹은 유입 시점별 사용자 행동의 차이를 보고 싶다면 코호트(Cohort) 분석을 활용해 보세요.
✔️ 코호트 분석: 주로 '시간의 흐름'을 기준으로 공통적인 특성을 가진 사람을 분류하는 분석 기법.
2️⃣ "우리 서비스의 매출은 어디서 발생하고 있을까?"
매출은 나지만 어떤 상품이나 고객 등에서 발생하는지 파악을 못 하고 있다면, 혹은 매출이 감소 중인데 원인을 모른다면 매출을 분석해 보세요.
✔️ 매출 분석: ARPU, ARPPU, LTV 등의 매출 지표를 이용한 분석 기법.
3️⃣ "어떤 고객이 정말 중요한 고객일까?"
혹시 모든 고객에게 동일한 메시지를 보내고 계신가요? 고객은 많은데 누구를 관리해야 할지 모른다면 'RFM 분석'을 활용해 보세요.
✔️ RFM 분석: 사용자별로 얼마나 최근에(Recency), 얼마나 자주(Frequency), 얼마나 많은(Monetary) 금액을 지출했는지에 따라 사용자 그룹을 나누어 분류하는 분석 기법.
4️⃣ "사용자들이 우리 서비스를 계속 다시 사용하고 있을까?"
앱 설치 후 서비스 가입까지 가지 못하고 사용자의 이탈이 심한가요? 아니면, 신규 가입은 많은데 매일 접속하는 사용자 수는 유지되지 않나요? 이럴 때는 '사용자 유지'를 측정하는 '리텐션(Retention) 분석'을 활용해 보세요.
✔️ 리텐션 분석: 사용자들이 우리 서비스를 일회성이 아니라 지속적으로 사용하는지, 핵심 가치를 꾸준히 경험하는지를 측정하는 분석 기법.
5️⃣ "사용자들이 어느 단계에서 많이 이탈할까?"
광고를 보고 상세 페이지까지는 들어오는데 결제 전환율이 낮다면, 혹은 특정 기능 사용률이 낮아 고민이라면 '퍼널(Funnel) 분석'을 활용해 보세요.
✔️ 퍼널 분석: 고객들이 우리가 설계한 유저 경험 루트를 따라 잘 도착하고 있는지 확인해보기 위해 최초 유입부터 최종 목적지까지 단계를 나누어서 살펴보는 분석 기법.
⋯⋯⋯
"지금 해결하려는 문제에는 어떤 분석 방법이 적절한가?"를 많이 고민하다 보면 분석 프레임워크가 훨씬 더 쉽게 이해될 거예요. 이렇게 이해한 내용을 직접 데이터에 적용해 보면서, 문제에 맞는 여러분만의 분석 레시피를 하나씩 만들어 나가시면 좋겠습니다.
각 프레임워크의 자세한 설명과 실무 사례를 아래 블로그 글에서 확인해 보세요.
|
|
|
여름 방학 데이터 분석 스킬 업그레이드!
👩🎓SQL 캠프 | 입문반 대학생 40% 할인 이벤트
데이터 분석가의 필수 역량인 SQL, 단순한 데이터 추출을 넘어 분석 프레임워크 활용법까지 한 번에 마스터해 보세요.
7월에 개강하는 SQL 데이터 분석 캠프 | 입문반을 40% 할인받아 신청하고, 이번 여름 방학이 끝날 때는 SQL 스킬, 데이터 분석 프로젝트 경험까지 양손 가득 챙겨 가세요.
이런 분께 추천해요
- 데이터 분석에 관심은 있는데 어디서부터 시작할지 막막한 대학생
- 코딩이 처음이라 "나도 할 수 있을까?" 고민 중인 분
- 인턴, 신입 지원 전에 이력서에 SQL 역량을 추가하고 싶은 분
- 방학 동안 손에 잡히는 결과물(포트폴리오)을 만들고 싶은 분
이벤트 안내
|
|
|
✨ 구독자님! 데이터리안 콘텐츠와 함께 데이터 분석 능력을 업그레이드 해봐요
|
|
|
데이터리안
데이터 분석, 데이터리안과 시작하세요
contact@datarian.io
|
|
|
|
|
