1-1. 사전 학습 - 국비지원 과정 - 데이터 사이언스
- 원했던 직군은 data를 이용한 consulting을 하는 것이었고, 쉽게 말하면 data로 쓸만한 사람이 되고 싶었음.
- 우선 이러한 모든 베이스에는 기본적으로 데이터를 다루고, 분석할 수 있어야 한다고 생각했고, 혼자 공부하기보다 학원이나 아카데미 같은 곳을 찾아봄.
- 데이터 사이언스와 관련된 것을 배우기 위해 사전 조사를 했고, python이라는 언어가 각광받고 있으며 더더욱 필요해질 것이라는 정보를 입수, 이와 관련된 내용을 가르쳐주는 학원이나 아카데미를 찾아봄.
- 당연히 그 비용이 만만치 않았기에 국비지원 과정으로 알아봤고, 사전에 꽤나 번거로운 과정이 있었던 것으로 기억함.
- 여튼 최소 10개 정도 되는 학원을 찾아다니며 면접을 봤고, 일단 붙기는 다 붙었던 거 같음. 그러나 대부분이 java 기반의 개발자를 키우기 위한 수업이 대부분이었고, python 기반의 데이터 분석 및 데이터 사이언스 과정은 없다시피한 상황.
- 반쯤 포기하고 개발자로 공부하고, 입사해서 2년 정도 구르며 더 공부해서 포지션 바꿔야지 하는 마음으로 교재를 받았다가 다른 아카데미에서 가르치는 것을 확인하고 개강 3일 전에 교재 반납하고 면접 봄.
- 합격하고 4개월 정도에 걸쳐 python, R, SQL, POWER BI를 통한 데이터 수집, 정제, 추출, 시각화, 분석과 업무자동화를 중점적으로 배웠고 ML 등에 대해 개략적으로 배움.
1-2. 아쉬웠던 점
- Machine Learning에 대해 어설프게 배운게 아쉬워서 개인적으로 책을 사서 읽고, 따라해보면서 더 익힘.
- 아쉬웠던 점은 그 아카데미조차도 당시에는 많이 없던 데이터 사이언스 위주의 아카데미였지만, AWS나 DOCKER, APACHE와 같은 내용을 다루는 시간이 없어 추후 따로 공부하거나 익혀야 했음.
- 또한 삼성 청년 SW 아카데미와 ECOLE 42를 한국식으로 운영하는 곳에 지원했었으나 떨어진 것도 아쉬운 부분
- 카카오, 네이버, 그 외에도 코딩 테스트를 보는 회사들이 많고, 실제 업무를 하는 과정에서 보니 코딩 테스트를 위해 공부했던 여러 알고리즘이나 메모리와 속도 등의 프로세스를 고려해 코드를 짜는 것이 얼마나 중요한지 깨달았으나, 이러한 부분을 아카데미에서 가르쳐주지 않았음. 때문에 관련 교재 2권을 사서 공부하고, 인프런 인강을 하나 수강했으며, 이를 바탕으로 programmers와 hackerank에서 실제 문제를 풀어봄
1-3. 잘했던 점
- 자체적으로 프로젝트를 선정할 때, 현실적인 상황을 고려하기보다 하고 싶은 주제를 선정해 그것을 수행하기 위해 더 많이 공부하고, 찾고, 고생하면서 그런 습관을 들이다보니 실력도 동기들에 비해 빨리 늘었고 입사한 현재에도 그런 부분이 도움이 되는 것 같음.
- 단순히 아카데미 코스에만 집중하기보다 없는 시간을 짜내서 자격증 공부를 해 SQLD, GAIQ와 같은 자격증을 땀.
- 빅데이터 분석기사는 준비했었으나 코로나로 인해 연기되서 현재 다시 준비 중.
- 공부를 하면서도 실제 취업공고가 나오는 것들을 확인하며 무엇을 공부해야 하는지 자체적으로 피드백했고, 보완하기 위해 국내 데이터 공모전 데이콘, 캐글과 같은 곳에서 대회에 참여해보고 다른 사람이 올린 코드를 보고 따라하거나 하면서 계속 성장하고자 노력.
1-4. 요약
- 어떤 직군을 가질 것인지에 대한 사전 정의가 필요함. 개발자가 될 것인지, 데이터 사이언스가 될 것인지.
- 만일 데이터 사이언스가 되려하고, 학원 등에서 배워야 한다면 해당 과정에 PYTHON, R과 같은 데이터 분석 툴은 물론, SQL이나 MYSQL과 같은 쿼리를 다루는 과정과 TABLEAU나 POWER BI와 같은 시각화 툴, AWS나 SPARK, APACHE와 같은 과정을 다루는지, 그리고 Machine Learning으로 붓꽃 분류하고 교재 하나만 사도 나오는 예제 수준의 과정만 다루는지(사실 이 부분은 이 정도만 해도 괜찮다고는 생각합니다. 한정된 시간에서 하기엔 쉽지 않거든요, 계속 공부해나가야죠.).
- 코딩 테스트를 대비한 알고리즘을 배우고, 실제 문제를 풀어보는 과정이 있는지
2-1. 사후적인 노력
- 아카데미 수료 이후, 가장 노력을 들였던 부분은 크게 두 가지로 하나는 실제 머신러닝, 딥러닝을 이용한 프로젝트를 이어나가며 자신의 github를 채우는 것.
- 처음부터 논문을 보며 코드를 짜거나 하기보다 유튜브의 여러 사람들이 올리는 것을 보며, 따라하고 조금씩 방향을 바꿔보거나 들으면서 떠오른 다른 서비스나 방향성을 도전해보는 걸 반복.
- 두 번째로는 코딩 테스트를 꾸준히 준비하며 공부하는 것.
- 이 외에도 그동안 진행한 프로젝트 등을 정리해 resume를 만들었고, 구직활동을 위해 사람인부터 원티드, 자소설닷컴, 특정 회사 채용 홈페이지 등 여러 루트로 지원하길 반복.
- 경력이 없었지만 대부분의 구인 공고가 최소 1~3년 이상의 경력직만을 구한다는 것으로 올라왔기에 일단 머리부터 들이박아보자는 생각으로 지원함.
- 이 과정에서 회사의 규모와 비전, 내가 맡을 수 있는 역할 등으로 필터링을 하긴 했으나 족히 200개는 넘는 기업에 지원했었고, 대부분 서류에서 떨어짐(애초에 경력직 구인이 대부분).
- 그래도 20개 중 한 개 꼴로 서류 합격해 1차 면접을 보거나 코딩테스트를 볼 수 있었고, 그런 것들 4개 중 한 번은 최종까지 갔었음.
- 이때 느낀 것은 회사가 투자를 적게 받아 빠듯한 스타트업이나 작은 회사, 데이터에 대한 비전이 애매한 회사일수록 서류가 빡세고, 오히려 데이터에 대한 투자 생각이 확실하거나 비전이 있을수록 서류 요건보다 그 다음 과정에서 보여주는 것까지도 고려하고자 하는 것 같다는 것.
- 실제로 카카오와 같은 대기업부터 뱅크샐러드와 같은 유니콘 기업들까지도 코딩테스트나 사전과제 제안 단계까지는 도전 가능했으나, 오히려 여유가 없는 스타트업일수록 즉시 전력으로 활용할 수 있는 인력이 절실한 것으로 여겨짐(개인적인 뇌피셜)
- 약 두 달 간의 지원-면접-탈락의 무한 반복 과정이 가장 힘들었던 순간이었던 것 같음. 하다못해 고시 공부를 하더라도 주마다 보는 시험이라도 잘보면 긍정적인 피드백이라도 있는데, 이건 노력은 노력대로 하면서 부정적인 피드백만 받게 되는 과정을 반복.
- 그래도 이 과정에서 스스로를 속이거나, 없는 말을 지어내고 싶지는 않아서 오히려 면접 때 스스로도 독이 될 수도 있는 답이어도 하는 경우가 많았음. 오히려 면접관이 우려했을 정도였으나, 차피 거짓말하고 들어가봤자 얼마 안가서 스스로 나오게 될 것 같았음.
- 다만 2차 면접에 갔을 경우, 1차 면접에서 지적받은 부분-나같은 경우엔 여러 명이 같이 면접을 보는데, 말이 많으시네요-은 고치는 것이 좋을 것 같음. 추가적으로 1차 면접에선 편한 복장으로 오라고 해도, 2차 면접은 다를 수 있음. 특히 2차 면접의 경우, 회사와의 적합도를 체크하는 자리일 수도 있고 임원 면접인 경우도 있음
- 적합도를 체크하는 경우, 1차 면접과 달리 답을 맞추려기보다 어떤 문제를 해결할 때 어떤 식으로 해결하려하고, 소통하려 하는지가 주된 포인트.
- 임원 면접의 경우, 일단 깔끔하게 입고 가서 나쁠 것 하나없지만 IT 회사랍시고 임원 앞에 청바지 입고 가서 지적당할 일은 한 번씩 있음. 또 임원 면접의 경우 단 한 번의 예외도 없이, 일단 나이든 사람들은 대부분 타인의 말을 경청하고 생각하기보다 자신이 생각한 바대로 말하길 원하거나, 정말 혁신적인 수준으로 재치있는 답변을 해야 그 생각을 조금 바꿔줌. 때문에 말은 간결하고 임팩트있게 하는 것이 좋을듯함.
2-2. 입사 후 생각
- 데이터를 수집해, DB에 저장하고, streamlit이라는 모듈을 이용해 데이터를 쉽게 뽑아서 보고, 이미지와 데이터를 저장할 수도 있는 프론트 앤드작업까지를 도맡았다가, 데이터 분석가로 이직.
- 위와 같은 노력들 덕분에 여러 입사지원, 면접, 합격 발표를 들었고, 그 중에서 하나를 선택할 수 있게되었음.
- 면접을 하다보면 여러 사람들을 만나게 되고, 그 사람들로부터 업계의 상황이나 철학을 배울 수 있게 되는데, 개인적으론 그런 부분들이 꽤나 가치있는 기회의 시간들이었던 것 같음.
- 데이터에 대한 비전이 있고, 투자 계획이 확실한 대기업의 경우-삼성/현대와 같은- 신입을 뽑을 때, 굳이 당장의 실력이 아닌 성장성과 기존의 틀에 박힌 입사노력이 더 나아보임. 그 결과로서 큰 프레임 하에서 하나하나 배워가며 일을 익힐 수 있고, 높은 임금도 따라오는 긍정적인 부분이 있음.
- 스타트업의 경우, 신입조차 경력직만을 강력하게 요구할만큼 들어오자마자 하나의 큰 프로젝트에서 한 가지는 확실히 할 수 있어야 함.
- 나같은 경우엔 데이터를 수집하고, 업무를 자동화하는 부분에 강점이 있었고, 그 외에도 머신러닝이나 딥러닝에 관해 업계 전문가들 수준으로 코드를 짜진 못해도 짜여진 코드를 이해하고 부분적으로 수정하거나 디버깅하고, 의견을 나눌 수 있는 수준은 되었기에 가능했던 것 같음.
- 결정적으로 위와 같은 능력을 포트폴리오 등으로 증명해야함.
- 스타트업의 경우 보다 자유로운 분위기에서 하고 싶은 일을 도전할 수 있다는 것(능력이 된다면). 그리고 설령 chief급과도 편히 대화를 나눌 수 있다는 것 등이 매우 큰 강점인 것 같음.
# 혹여나 저와 같은 과정을 거치며 일일히 조사하거나, 고민이 생길 이들을 위해 하나씩 간략하게나마 적어봤습니다.