데이터 과학자는 조직의 변화를 추진하는 소프트 스킬을 개발합니다.
데이터 과학자에 대한 수요가 급증하고 있습니다. 2017년 미국 신생 직업 보고서에서 LinkedIn은 “데이터 과학자 역할은 2012년 이래로 650% 이상 성장”하였으며 업종을 막론하고 “수백 개의 회사에서 해당 직책을 고용하고 있다”라고 인용했습니다. “기계 학습 엔지니어, 데이터 과학자 및 빅 데이터 엔지니어가 신생 직업의 상위를 차지하면서” 데이터 관련업 지원자 풀은 점점 더 심화되는 양상입니다.
그러나, 데이터를 사용하는 부서와 직책이 점점 더 증가함에 따라, 데이터 해독 능력의 전반적인 향상과 함께 많은 시민 데이터 과학자의 출현도 관찰되고 있습니다. Gartner가 정의한 시민 데이터 과학자란 “고급 진단 분석 또는 예측 및 규범적 기능을 사용하는 모델을 만들거나 생성할 수 있으나, 주 업무는 통계 및 분석 분야가 아닌 사람”입니다. 이들은 데이터 과학자를 대체하지는 않지만, 가설을 세우고 검증하는 데 핵심적인 파트너가 되고 있습니다.
이는 데이터 과학의 정의를 변화시키고, 기존의 데이터 전문가와 비즈니스 영역 지식 간의 경계를 희미하게 합니다. Charles Schwab의 통계 분석 관리자인 Sonic Prabhudesai는 어떻게 “데이터 과학자가 비즈니스 내부 프로세스에 보다 익숙해지고, 더 많은 비즈니스 사용자가 데이터 활용 방법을 이해하는지” 설명합니다.
오늘날, 데이터 과학자에게는 고급 통계 및 기계 학습 지식뿐 아니라, 업종에 대한 깊은 지식을 포함한 비즈니스에 대한 전략적 마인드도 요구되고 있습니다. Infosys의 최고 글로벌 데이터 과학자인 N. R. Srinivasa Raghavan 박사는 “데이터 과학은 수치 분석을 넘어, 업종의 특정 문제를 해결하기 위해 다양한 기술을 적용하는 것입니다”라고 설명하면서 “데이터 과학자에게는 자신의 인사이트가 적용될 영역에 대한 철저한 이해가 필요합니다”라고 덧붙였습니다.
알고리즘 및 모델에 의해 생성된 결과물은 적절한 맥락에서 적절한 문제를 해결할 수 있을 때에만 효과적입니다. 이는 프로세스의 시작부터 문제 기술 및 가정을 식별하고 조율하기 위해 이해 관계자와 협력하여 작업하고, 전체 워크플로우에 걸쳐 지속적으로 참여해야 함을 뜻합니다. 또한, 워크플로우 종료 시, 관련되고 실행 가능한 방식으로 비즈니스 파트너에게 결과를 전달하는 방법을 알고 있어야 함을 의미합니다.
Sonic은 “통계 모델링 및 기계 학습은 이제 데이터 과학자가 되기 위한 최소한의 필요 요건에 불과합니다”라는 의견을 밝히면서 “이런 환경에서 차별화 요소는 결국 그 분야에 종사하는 사람들이 얼마나 간단하고 실행 가능한 방식으로 자신이 발견한 사항을 전달하느냐입니다”라고 덧붙였습니다. 데이터 과학자는 단순히 결과만을 제공하는 것이 아니라, 그 결과를 어떻게 비즈니스에 적용하는가에 있어 핵심적 역할을 하게 됩니다.
셀프 서비스 분석 도구를 통해, 데이터 과학자와 고급 사용자는 모두 자신의 데이터를 탐색하고 그에 대한 더 나은 이해를 얻을 수 있습니다. 이로써 분석의 방향을 결정할 수 있는 인사이트를 얻게 되고, 궁극적으로 이는 비즈니스에 영향을 주게 됩니다.