한국에서 학부를 졸업했고 미국으로와서 석사과정 시작한지 1년정도 되었습니다. 전공은 학부/석사 모두 통계입니다.
한국에서도 미국에서도 직장 경력은 없고 연구실에서 리서치 인턴한게 전부입니다.

쭉 한국에서만 있다와서 영어에도 어려움이 많고, 풀타임 경력도 없는데,
학부는 한국에서 나온 외국인 학생으로 현지에서 취업하는게 거의 불가능할거라는 냉소적인 조언을 많이 들었습니다.
차라리 얼른 박사를 준비하라더군요.
그것도 방법이겠지만 잘 준비해서 현지에서 취업해 좋아하는 전공 관련 분야에서 일하다가 돌아가고 싶습니다.
하지만 지나치게 무모한 일이라면, 이도저도 아닌채로 석사만 마치고 귀국하게 되는 일이 없도록 박사 과정을 준비해야하는지 고민이 되네요.

처음 미국에 올때는 현지에서 취업이 된다면, 관련 직종의 한국에서의 대우와 비교했을때 장기적으로는 오히려 투자가치가 있다고 생각하고 도전했는데, 이런 얘기들을 너무 많이 듣다보니 제가 잘못된 선택을 한게 아닌지 조금 막막해집니다.

현실적인 조언을 부탁드립니다. 감사합니다.

주변에 석사 해서 취직 한 사람 많은데요? FANG급으로 간 사람도 있고요.

이번 여름에 회사쪽 서머 인턴을 어떻게든 구하는 게 맞지 않았나 싶은데요. 연구실 인턴이라도 있으니 그나마 다행입니다만. 되든 안되든 준비해서 찔러보는 게 맞지않나요? 내년 5월 채용은 막 시작되었습니다. 인터뷰 준비하시고 레주메 살포하세요.

윗댓분 정답 ! 열심히 하세요 길이 보일 겁니다.

한국에서 1년정도 개발자 경력이 있으면 많이 도움이 될 겁니다. 네 데이터 과학 말하는거 맞습니다. 웹 개발자 1년정도 경력 있는 상황에서 오시면 도움 많이 될거에요. 구현, 배포 하는 데이터 사이언티스트가 주류가 될 겁니다.

잠이 덜 깨서 글 재대로 안 읽고 답 달았네요. 미안해요. 경쟁은 심하지만 희망이 없지는 않으니 계속 인턴 지원하세요.

DS 잡 마켓의 규모가 어느 정도인지 아시는 분 있나요? 정확한 수치가 아니더라도 대략 이 정도이지 않을까 하는 의견도 좋습니다. CS 잡 마켓의 규모와 비교를 해주시면 더 좋겠고요. CS:DS는 10대 1 정도다, 5대 1정도다, 아니다 100대1정도다 라는 정도도 괜찮습니다. 통계는 오래 전부터 있었지만 아무래도 DS가 최근에 나온 필드라서 20대1은 되려는지 아니면 100대1보다 더 적은지 궁금합니다.

인터넷 하이테크 기업인데, data scientist가 하던 일은 항상 해왔습니다. 그런데 요즘은 따로 많이 뽑는 분위기입니다. 소프트웨어나 시스템 지식은 조금 떨어져도 그쪽 일을 집중해서 할 수 있는 인력을 원하는 것이죠. 그냥 내 옆에 있는 데이타 다루는 엔지니어링 팀의 예를 보면, 대략 100명 중 10명이 data scientist입니다. 전체 engineering org로 보면 훨씬 작은 비율이고요.

미국 석사과정이면 취업하기 쉬울텐데요… (물론 좋은 대학에서 석사과정 + 인터뷰를 잘 한다는 가정이죠). 영어는 아무리 못해도 communication은 할 수 있어야 합니다. 혼자 일하는 것도 아니고 팀끼리 일하는데 기본적인 대화는 무조건 필요하죠. 그리고 랭킹 낮은 학교면 좋은 곳으로 취업하기 어려워요. 무조건 어떻게든 커넥션으로 인턴쉽을 해서 풀타임 노리시길.

우선 위에 dd님. “미국석사 과정이면 취업하기 쉬울텐데요”는 개소리시고요. ivy 대학원 peers들 중 귀국한 얘들 수두룩하니 현실상황 모르면 함부로 씨부리지 말고 아닥 부탁드려요. 세상이 그렇게 쉬웠으면 이 질문글은 올라오지도 않았소.

질문자님. 첫째, data analyst가 되고 싶은 겁니까 data scientist가 되고 싶은 겁니까? 둘을 거의 비슷한걸로 보시나본데 완전 다릅니다. 쉐어하는 부분이 있긴 하지만 굉장히 작은 일부분일 뿐이고요, 연봉만 다른게 아니라 요구하는 스킬셋과 하는 일도 매우 다릅니다. data scientist skillset을 적어논 이력서로 data analyst 지원하면 서류 거의 다 탈락합니다. 그 반대도 마찬가지고요. 둘 다 지원가능하게끔 이력서를 애매하게 만들어서 둘 다 지원할 생각일랑 마시기 바랍니다. 후회하게 될 겁니다.

둘째, 학부를 한국에서 졸업했건 스리랑카에서 졸업했건 이공계는 무조건 실력입니다. 서류통과률에선 영향력이 좀 작용할 수 있는건 분명한 사실입니다. 모르는 나라의 대학보단 잘 아는 자국의 대학 나온 사람이 더 판단이 잘 가는건 누가 봐도 당연하기 때문입니다. 근데 작성자님은 석사는 미국에서 하시는 모양인데 그럼 학부따윈 별 상관없습니다. 심지어 이공계 특성상 학교 출신은 훨씬 “덜” 따지기 때문에 충분히 가능합니다. 서류 통과 과정에선 학부 석사 다 미국에서 나온 사람에 비해 약간 고생할 순 있으나 미미한 수준일겁니다. 일단 통과되면 면접에서 경쟁하는 단계에선 모두가 평등합니다. DS는 크게 나눠서 2가지 타입이 있는데 둘 중 어느 쪽 DS가 되려고 하시는진 모르겠지만 면접에서 assignment 줄꺼고 그거 통과 못하면 한국학부고 하버드고 나발이고 됐고 바로 탈락입니다.

셋째, 미국에서 경력없인 취업불가능? 정말 그렇게 생각하시는지 본인에게 묻고 싶군요. 상식적으로만 생각해봐도 아니라는걸 알텐데 이런걸 왜 헷갈려 하는지 답답합니다. 그럼 새로운 인력들은 어떻게 생겨나나요? 미국 경력자들만 계속 돌고 도는걸까요? 제 경우는 인턴하나 없이 상당히 좋은 조건에 제가 하려 했던 ML DS로 취직했습니다. 제가 가졌던 경력은 한국에서 전혀 다른 직종으로 3년 일했던 것과 석사 과정에서 했던 kaggle과 학교 플젝이 다 였습니다.

넷째, 영어. 영어는 중요합니다. 영어 못하면 답 없어요. 플로우가 유창하거나 발음이 좋은건 필요없습니다. 다소 더듬더듬거리고 발음 으깨져도 전혀 상관없고요, 정말 중요한건 본인의 생각을 명확하게 표현할 수 있어야 되고 상대방이 질문했을 때 답변 제대로 잘 할 수 있어야 됩니다. 보통 이공계통은 영어가 좀 딸려도 문과쪽보단 “상대적으로” 괜찮다는게 일반적인 인식인데 DS는 다릅니다. 자신이 만든 ML/predictive 모델을 비지니스 유저들에게 명확하게 설명하고 질문에 잘 답변할 수 있어야 됩니다. 거기서 영어 못해서 찔찔대는 얘를 뽑았다간 좆된다는걸 잘 알기에 영어 딸리는 얘들은 잘 안뽑습니다. 팀원들 중 중국얘들이 몇 있는데 좀 더듬고 발음도 샙니다만, 질문에 답하는거나 자기 생각 표현할 때 보면 문법 틀려도 기 안죽고 다 설명합니다. 다 이해할 수 있게끔 설명해줍니다. 영어 안되면 노답입니다. 이 부분은 면접 때 다 보입니다.

남들이 뭐라건 본인길을 가시고 목표한 바 성취하는데 집중하시기 바랍니다. 주위에서 지도 잘 모르면서 그냥 지 느낌대로 쉽게 툭툭 뱉는 말에 휘둘리는 사람들 보면 대부분 살아남지 못합디다. 그럴 수 밖에.

음 dsa라고 해서 data scientist/analyst를 묶어서 한 그룹의 직업군으로 분류를 하고 있던데 실상은 그런 것이 아니었군요.

전통적인 rdb를 다루는 업계에서는

domain knowledge + bi 툴을 이용한 rdb의 정보 추출 및 가공 => data analyst
domain knowledge + data 표준 정의 및 db 설계 => data architect
rdb 관리 => dba

이렇게 나뉘어지지 않습니까. 큰 회사에서는 그나마 이게 나뉘어 있고 작은 회사에서는 한 사람이 모두 다 하기도 합니다만.

그런데 data science 직무의 핵심은 ml 모델을 바탕으로 한 ai 시스템을 만드는 것인가요? 다르게 질문하면 ml 모델을 만들 지식을 가지지 않은 사람도 data scientist라는 직무를 가질 수 있는 것입니까?

석사 과정 정도까지 전공하면 ml 모델을 만드는데 (이것이 data scientist가 되는데 필요한 core 지식이 아니라면, 이것은 무시하시고 그냥 data scientist가 되는데 필요한 조건이라고 생각해주세요) 필요한 지식은 가질 수 있는 것 같은데, 필요한 전공 과정은 아래에서 어떤 것인가요? 가장 추천하는 과정과 최상은 아니지만 이런 과정을 거쳐도 가능하다.. 라는 것 정도 짚어주시면 감사하겠습니다.

통계학사
데이터사이언스학사
통계학사/통계석사
전산학사/통계석사
통계학사/전산석사
데이터사이언스학사/데이터사이언스석사
데이터사이언스학석사통합
통계학사/데이터사이언스석사
전산학사/데이터사이언스석사

데싸의 핵심직무에 대해 얘기하기 전에 먼저 데싸부터 정의해야 될 듯 하네요. 데싸엔 크게 2가지 타입이 있는데 뭐라고 부르는진 까먹어서 그냥 다음과 같이 명명하겠습니다: 1. 통계베이스 데싸, 2. 머신러닝 베이스 데싸, 3. 머신러닝/딥러닝 개발자.

1번은 머신러닝에 대한 지식이 별 필요없습니다. 툴에 있어서도 R이나 Python도 필요없는 경우가 대부분이고 엑셀과 SQL만으로 충분한 경우가 많습니다. 대신 통계에 대해 해박한 지식이 필요하고 experiments를 많이 돌립니다. 대표적으로 a와 b 버젼의 홈페이지나 app feature에 대한 A/B testing입니다. difference가 significant한지, control group과 그렇지 않은 그룹을 어떻게 나눌거고 둘 중 어느 버젼을 채택할건지에 대한 cutoff threshold는 어떻게 정의할지 등등. A/B testing같은 experiments를 많이 해서 business decision에 대한 informed decision을 내려줍니다. 학부/석사 학력이 주류를 이룹니다.

2번은 말씀하신대로 머신러닝 알고리듬을 통해 예측모델을 만드는 것이 주업무입니다. 이쪽 데싸들도 experiments를 하지만 1번만큼 비중이 크진 않습니다. 사이드로 데이터 분석을 통해 몰랐던/유용한 정보를 찾아내는 일도 합니다. 1번보다 알고리듬과 머신러닝 모델들에 대한 높은 이해가 필요합니다. 툴 또한 R, Python을 필요로 합니다. 석사/박사 학력이 주류를 이룹니다.

3번은 모델을 개발하는 박사님들입니다. 2번은 이미 개발된 ML모델을 사용해서 밸류를 뽑는 “사용자”들이고 이 사람들은 개발하는 사람들입니다. 예를 들면, random forest 나 CNN모델을 처음 개발해낸 사람들 같은거죠. 차원이 다르죠. 그래서 3번 데싸는 다 박사만 뽑습니다.

말씀하신 데싸는 2번인 것 같네요.
2번같은 경우는 석사과정만으로도 데싸가 되기엔 충분합니다. 근데 만약 말씀하신게 3번이면 박사 필수입니다. 모델 개발은 석사따위가 접근할 수 있는 영역이 아닙니다.

학과는 매우 다양합니다. Applied Math, Analytics, Physics, Biology, Biostat, Stat, Engineering류, Computer Science 기타등등. 절대적인 학과는 없습니다.

통계베이스 데싸가 엑셀과 SQL 에 학부/석사 학력이라니 ㅋㅋㅋㅋ
A/B 테스팅은 data analyst 수준에서 끝나지만 mixed model 을 학부생이 엑셀로 하나요?? logistics 이나 glm 을 통계 지식없이 제대로 사용가능한가요? 현직에 종사하는 사람으로써 통계 컴싸 둘다 중요합니다만 회사팀 구성에 따라 케바케 입니다

1. data scientist: ML practitioner, business problem 에 관한 modeling
2. ML engineer: 데싸가 만든 모델을 production 하는 엔지니어 회사마다가 1.2. 에 나누는곳도 나누지 않는곳도 있어요
3. research scientist: 딥러닝 최전방에서 methodology를 연구개발하거나 기존 algorithm 을 domain specific 하게 바꾸는 수준 (일반인 수준이 아님)