<div id="readability-page-1" class="page"><div><p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;제가 직/간접적으로 만나본 학부졸업생 중에서 가장 정체성과 캐릭터에서 장점을 찾기 어려운 집단이 데이터 사이언스 전공이었습니다. 제 경험의 한계일수도 있지만, 대부분 그랬습니다. 학부과정이라는 짧은 기간동안 충분한 트레이닝을 하기 어렵다는 것을 이해합니다. 하지만, 변화가 없다면 시대를 거쳐한 과도기적 전공으로 남을 것만 같은 생각이 듭니다. 그래서, 제가 느껴온 레슨들을 기반으로 몇 가지 분석과 제언을 전달드리고자 합니다. 철저하게 학교 외부에서 바라본 시선이라는 점을 고려해주시면 좋겠습니다. 이 제언은, 지금까지의 부트캠프 설계/운영경험과 멘토링을 포함한 인터랙션에 기반을 두었습니다.&quot;}]}]}">제가 직/간접적으로 만나본 학부졸업생 중에서 가장 정체성과 캐릭터에서 장점을 찾기 어려운 집단이 데이터 사이언스 전공이었습니다. 제 경험의 한계일수도 있지만, 대부분 그랬습니다. 학부과정이라는 짧은 기간동안 충분한 트레이닝을 하기 어렵다는 것을 이해합니다. 하지만, 변화가 없다면 시대를 거쳐한 과도기적 전공으로 남을 것만 같은 생각이 듭니다. 그래서, 제가 느껴온 레슨들을 기반으로 몇 가지 분석과 제언을 전달드리고자 합니다. 철저하게 학교 외부에서 바라본 시선이라는 점을 고려해주시면 좋겠습니다. 이 제언은, 지금까지의 부트캠프 설계/운영경험과 멘토링을 포함한 인터랙션에 기반을 두었습니다.<p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;첫째, 데이터 사이언스 전공 구성원들은, 통계에 대한 전반적인 이해와 활용수준이 타 전공에 비해 오히려 낮은 경우가 많았습니다. 굉장히 의아했던 지점이었습니다. 되려, 경영학과 같은 인접전공의 학생들이 실용적인 관점의 통계지식이 높기도 했습니다. &quot;}]}]}">첫째, 데이터 사이언스 전공 구성원들은, 통계에 대한 전반적인 이해와 활용수준이 타 전공에 비해 오히려 낮은 경우가 많았습니다. 굉장히 의아했던 지점이었습니다. 되려, 경영학과 같은 인접전공의 학생들이 실용적인 관점의 통계지식이 높기도 했습니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;둘째, 데이터 사이언티스트라는 역할에 대한 막연한 기대 외에, 애널리틱스 전문성을 갖추기 위해 어떤 경로의 성장로드맵을 밟아야 하는지 청사진을 갖춘 경우가 적었습니다. 학과 수업을 열심히 따라갔지만, 취업시장을 뚫어낼 뾰족한 장점이 보이지 않았습니다. &quot;}]}]}">둘째, 데이터 사이언티스트라는 역할에 대한 막연한 기대 외에, 애널리틱스 전문성을 갖추기 위해 어떤 경로의 성장로드맵을 밟아야 하는지 청사진을 갖춘 경우가 적었습니다. 학과 수업을 열심히 따라갔지만, 취업시장을 뚫어낼 뾰족한 장점이 보이지 않았습니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;셋째, 데이터 사이언스 학과의 커리큘럼은, 극소수를 제외하고는 단순하게 통계학과 컴퓨터공학의 물리적 연결인 경우가 많았습니다. 이 커리큘럼을 통해 양성한 학생들에게 어떤 기대값을 가져야할지 막연합니다. 이것저것을 다 다루지만 어떤 일을 잘해낼 수 있을지에 대한 그림이 그려지지 않습니다. &quot;}]}]}">셋째, 데이터 사이언스 학과의 커리큘럼은, 극소수를 제외하고는 단순하게 통계학과 컴퓨터공학의 물리적 연결인 경우가 많았습니다. 이 커리큘럼을 통해 양성한 학생들에게 어떤 기대값을 가져야할지 막연합니다. 이것저것을 다 다루지만 어떤 일을 잘해낼 수 있을지에 대한 그림이 그려지지 않습니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;데이터 사이언티스트는 이 친구들이 졸업하는 시점에서, 신입으로 진입할 수 있는 역할이 아니라고 생각합니다. 점점 더, 데이터 에널리틱스에 대한 경험을 바탕으로 분석적 리더십을 발휘하는 경력직 직군으로 변화하고 있습니다. ‘21세기 가장 유망한 직업으로의, 데이터 사이언트스’ 를 더 이상 강조하지 않기를 오히려 제언합니다. 그 강조가 오히려 현실과의 괴리를 더욱 심층시키는 요인이 된다 생각합니다. 데이터 사이언스 전공의 이름은 응용을 가르키고 있지만, 현장에서 필요한 응용과는 얼마나 연결될 수 있는지에 대해서는 숙고가 필요한 것 같습니다. &quot;}]}]}">데이터 사이언티스트는 이 친구들이 졸업하는 시점에서, 신입으로 진입할 수 있는 역할이 아니라고 생각합니다. 점점 더, 데이터 에널리틱스에 대한 경험을 바탕으로 분석적 리더십을 발휘하는 경력직 직군으로 변화하고 있습니다. ‘21세기 가장 유망한 직업으로의, 데이터 사이언트스’ 를 더 이상 강조하지 않기를 오히려 제언합니다. 그 강조가 오히려 현실과의 괴리를 더욱 심층시키는 요인이 된다 생각합니다.&nbsp;데이터 사이언스 전공의 이름은 응용을 가르키고 있지만, 현장에서 필요한 응용과는 얼마나 연결될 수 있는지에 대해서는 숙고가 필요한 것 같습니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;최근 2~3년간 목격한 신생전공으로서의 데이터 사이언스 학부졸업생들은, 통계학 전공생들에 비해 통계적 지식이 부족하고, 컴퓨터 사이언스 전공생들에 비해 프로그래밍 능력이 약합니다. 데이터 사이언스 전공의 취지는 둘 모두의 장점을 살리는 것이었을 겁니다. 현실은 정반대로 나타납니다. 융합전공이라는 컨셉으로, 이도저도 하는 트레이닝이 되어 나오는 모양 같다는 생각을 합니다. 밸런스의 축을 제가 설정할 수 있다면, 통계적 기초에 육할 이상을 할당하겠습니다. &quot;}]}]}">최근 2~3년간 목격한 신생전공으로서의 데이터 사이언스 학부졸업생들은, 통계학 전공생들에 비해 통계적 지식이 부족하고, 컴퓨터 사이언스 전공생들에 비해 프로그래밍 능력이 약합니다. 데이터 사이언스 전공의 취지는 둘 모두의 장점을 살리는 것이었을 겁니다. 현실은 정반대로 나타납니다. 융합전공이라는 컨셉으로, 이도저도 하는 트레이닝이 되어 나오는 모양 같다는 생각을 합니다. 밸런스의 축을 제가 설정할 수 있다면, 통계적 기초에 육할 이상을 할당하겠습니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;학생들은, 학과의 커리큘럼을 그대로 소화하면, 선망하는 직업인이 될 수 있을 거란 기대가 있습니다. 데이터 사이언스를 둘러싼 최근의 변화들은 그 기대를 처참히 무너뜨리고 있습니다. 그렇기에 학과 차원에서의 전략적인 변화를 제안합니다. 통계에 대한 기초는 탄탄하게 하면서, 애널리틱스 전문가가 될 수 있도록 선택적 강화가 필요합니다. 저는 그 선택적 강화의 요소로, 프로덕트 설계와 프로덕트 분석과 같은 비즈니스 사이드를 권장합니다. 반대의 선택지인 AI 모델링 및 활용 전문가로의 트랙도 나쁘지 않지만, 이는 AI 전공 또는 컴퓨터공학이라는 명확한 대체제가 있습니다. &quot;}]}]}">학생들은, 학과의 커리큘럼을 그대로 소화하면, 선망하는 직업인이 될 수 있을 거란 기대가 있습니다. 데이터 사이언스를 둘러싼 최근의 변화들은 그 기대를 처참히 무너뜨리고 있습니다. 그렇기에 학과 차원에서의 전략적인 변화를 제안합니다. 통계에 대한 기초는 탄탄하게 하면서, 애널리틱스 전문가가 될 수 있도록 선택적 강화가 필요합니다. 저는 그 선택적 강화의 요소로, 프로덕트 설계와 프로덕트 분석과 같은 비즈니스 사이드를 권장합니다.&nbsp;반대의 선택지인 AI 모델링 및 활용 전문가로의 트랙도 나쁘지 않지만, 이는 AI 전공 또는 컴퓨터공학이라는 명확한 대체제가 있습니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;데이터 사이언스 전공의 경쟁력을 강화하기 위해서는 통계 기반의 수치, 공학 기반의 엔지니어링, 경영 기반의 프로덕트. 이 세 가지의 요소를 밸런스 있게 연결해야만 한다고 생각합니다. HCI 의 요소도 추가 권장합니다. 데이터를 UX 관점에서 해석하고 활용하는 건 너무도 절실합니다. 데이터 사이언스 학과의 태생적 접근처럼, 물리적으로만 과목을 연결하기만 하고, 서로의 헤게머니만을 주장한다면 학생들의 미래는 더욱 암울해질 것입니다. 명확한 아웃컴이 없이 막연하게 나열된 커리큘럼만큼 위험한 것이 없습니다. 4년 내에 하기 힘들고, 덜 중요한 요소가 있다면 과감히 제하는 것도 필요합니다. 전략적인 선택과 집중이 오히려 좋은 아웃컴으로 이어집니다. &quot;}]}]}">데이터 사이언스 전공의 경쟁력을 강화하기 위해서는 통계 기반의 수치, 공학 기반의 엔지니어링, 경영 기반의 프로덕트. 이 세 가지의 요소를 밸런스 있게 연결해야만 한다고 생각합니다. HCI 의 요소도 추가 권장합니다. 데이터를 UX 관점에서 해석하고 활용하는 건 너무도 절실합니다. 데이터 사이언스 학과의 태생적 접근처럼, 물리적으로만 과목을 연결하기만 하고, 서로의 헤게머니만을 주장한다면 학생들의 미래는 더욱 암울해질 것입니다. 명확한 아웃컴이 없이 막연하게 나열된 커리큘럼만큼 위험한 것이 없습니다. 4년 내에 하기 힘들고, 덜 중요한 요소가 있다면 과감히 제하는 것도 필요합니다. 전략적인 선택과 집중이 오히려 좋은 아웃컴으로 이어집니다. <p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;통계적 기초에 대한 할당은 매우 중요하게 제안드리고 싶습니다. 의외로, 실무에 와서 가장 학습하기 어려운 분야가 통계적 지식과 활용에 대한 것입니다. 확률의 의미가 무엇인지, 의미있는 실험을 설계하기 위해서는 어떻게 접근해야 하는지, A/B 테스트를 할 때 어떤 걸 유의미하다고 할 수 있는지 등 일의 실무적 현장에서는 통계적 지식이 숨쉬는 것처럼 필요합니다. 여러가지 툴과 라이브러리가 있지만, 통계적 지식에 기반하지 않고는, 기계적 활용 이상을 벗어나기 쉽지 않습니다. 그렇기에 학부과정에서 통계적 기초를 든든히 하고, 이에 엔지니어링과 비즈니스 사이드를 적절히 얹는 것이 반드시 필요합니다. 물론, 밸런스에 대한 고려는 필요합니다.&quot;}]}]}">통계적 기초에 대한 할당은 매우 중요하게 제안드리고 싶습니다. 의외로, 실무에 와서 가장 학습하기 어려운 분야가 통계적 지식과 활용에 대한 것입니다. 확률의 의미가 무엇인지, 의미있는 실험을 설계하기 위해서는 어떻게 접근해야 하는지, A/B 테스트를 할 때 어떤 걸 유의미하다고 할 수 있는지 등 일의 실무적 현장에서는 통계적 지식이 숨쉬는 것처럼 필요합니다. 여러가지 툴과 라이브러리가 있지만, 통계적 지식에 기반하지 않고는, 기계적 활용 이상을 벗어나기 쉽지 않습니다. 그렇기에 학부과정에서 통계적 기초를 든든히 하고, 이에 엔지니어링과 비즈니스 사이드를 적절히 얹는 것이 반드시 필요합니다. 물론, 밸런스에 대한 고려는 필요합니다.<p data-app="{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;data&quot;:[{&quot;type&quot;:&quot;text&quot;,&quot;text&quot;:&quot;결론적으로, 우리는 어떤 밸런스의 인재를 양성해내야만 하는지에 대한 그림을 기반으로 커리큘럼을 조정하고 학교 외의 네트워크와 정보를 활용해 아웃사이드-인 형태의 오픈시스템을 만들어야 합니다. 그런 밸런스와 아웃컴에 대한 고려가 없다면, 이것저것을 모두 우겨넣게 됩니다. 단순하게 ‘데이터 사이언스를 전공했다‘ 가 아니라 그렇기에 ’매력적인 졸업생‘ 이 되는 방향으로의 전환이 절실히 필요합니다. 쉽지 않을 겁니다. 하지만, 반드시 필요한 절차라는 생각이 듭니다. 과도기적 전공으로 남을 게 아니라면 말이죠.&quot;}]}]}">결론적으로, 우리는 어떤 밸런스의 인재를 양성해내야만 하는지에 대한 그림을 기반으로 커리큘럼을 조정하고 학교 외의 네트워크와 정보를 활용해 아웃사이드-인 형태의 오픈시스템을 만들어야 합니다. 그런 밸런스와 아웃컴에 대한 고려가 없다면, 이것저것을 모두 우겨넣게 됩니다. 단순하게 ‘데이터 사이언스를 전공했다‘ 가 아니라 그렇기에 ’매력적인 졸업생‘ 이 되는 방향으로의 전환이 절실히 필요합니다. 쉽지 않을 겁니다. 하지만, 반드시 필요한 절차라는 생각이 듭니다. 과도기적 전공으로 남을 게 아니라면 말이죠.</div></div>

김영웅

제가 직/간접적으로 만나본 학부졸업생 중에서 가장 정체성과 캐릭터에서 장점을 찾기 어려운 집단이 데이터 사이언스 전공이었습니다. 제 경험의 한계일수도 있지만, 대부분 그랬습니다. 학부과정이라는 짧은 기간동안 충분한 트레이닝을 하기 어렵다는 것을 이해합니다. 하지만, 변화가 없다면 시대를 거쳐한 과도기적 전공으로 남을 것만 같은 생각이 듭니다. 그래서, 제가

데이터 사이언스 전공, 이대로는 안됩니다. - 과도기적 전공이 아니라, 의미있는 성장여정을 제공해야만 합니다.

댓글