데이터는 우리 사회를 어떻게 바꾸고 있을까?
데이터가 늘어나면 그 분야에서 무엇이 달라질까?
데이터 과학은 교육 · 의료 · 교통처럼 여러 분야에 쓰입니다. 여기서는 데이터 과학이 각 분야를 실제로 어떻게 바꾸어 놓았는지를 봅니다.
데이터 과학은 학문과 산업을 비롯한 사회 전반에 걸쳐 큰 영향을 미치고 있습니다. 변화의 모습은 분야마다 다르지만, 공통점이 하나 있습니다. 예전에는 사람의 경험과 감으로 판단하던 일을, 이제는 쌓인 데이터를 분석해서 판단한다는 것입니다. 아래 세 분야에서 이 변화를 확인하세요.
각 카드에서 「어떤 데이터를 모아서 무엇을 할 수 있게 되었는지」에 주목하며 읽으세요.
학문 분야
사람이 일일이 읽고 세던 일을 컴퓨터가 데이터로 처리한다
언어학
사람들이 인터넷에 쓴 문장을 대량으로 모아, 어떤 낱말이 언제부터 새 뜻으로 쓰이기 시작했는지 찾습니다.
예전에는 학자가 책과 녹음을 직접 읽고 들으며 세었지만, 지금은 수억 개의 문장을 한꺼번에 셀 수 있습니다.
사회학
지역별 인구 기록과 설문 응답을 함께 분석해, 어떤 문제가 어느 집단에서 늘고 있는지와 그 까닭을 짐작할 단서를 찾습니다.
「문제가 있다」는 사실뿐 아니라 「어떤 집단에서, 언제부터」 생겼는지까지 알 수 있고, 왜 생겼는지를 검토할 실마리도 얻습니다.
생명 · 과학
수많은 사람의 유전자 서열을 컴퓨터로 비교해, 같은 병을 가진 사람들에게 공통으로 나타나는 유전자 차이를 찾습니다.
실험실에서 몇 년씩 걸리던 확인 작업도, 데이터로 후보를 먼저 추리면 훨씬 빨리 끝낼 수 있습니다.
산업 분야
문제가 생긴 뒤에 대응하던 것을 미리 예측해서 예방한다
헬스 케어
스마트워치에 쌓인 심박수와 수면 기록을 분석해, 잠이 부족한 날이 이어지면 쉬라고 알려 줍니다.
병원에 가기 전에도 몸의 변화를 알아차릴 수 있습니다.
유지 보수 및 품질 관리
공장 설비의 진동과 온도를 계속 기록하다가, 평소와 다른 값이 나오면 고장 나기 전에 점검합니다.
멈춘 뒤에 고치는 것보다 멈추기 전에 부품을 바꾸는 편이 손실이 적습니다.
재고 관리 및 생산성 향상
지난해 같은 달의 주문 기록과 날씨를 보고 다음 주에 팔릴 양을 예측해, 그만큼만 들여놓습니다.
너무 많이 쌓아 두면 버리게 되고, 너무 적게 두면 품절됩니다. 그 사이를 데이터로 맞춥니다.
사회 공공 분야
한정된 예산과 인력을 어디에 쓸지 근거를 가지고 정한다
정책 결정
여론 조사와 공공 데이터를 분석해, 정책을 시행하기 전에 누구에게 어떤 영향이 갈지 검토합니다.
정책은 한번 시행하면 되돌리기 어렵기 때문에, 근거가 있는 결정인지가 특히 중요합니다.
공공 서비스 개선
교통 카드 기록으로 어느 정류장에 사람이 몰리는지 보고, 버스 노선과 배차 간격을 조정합니다.
같은 방법으로 어느 동네에 보건소가 더 필요한지도 판단합니다. 예산이 한정되어 있으니 필요가 큰 곳부터 채웁니다.
전 지구적 문제까지
데이터 과학은 지속가능발전목표(SDGs), 곧 국제 연합(UN)이 정한 2030년까지 세계가 함께 이룰 목표에도 쓰입니다. 가뭄에 대비하려면 위성 사진과 강수 기록을 분석하는 사람과 그 지역의 농업을 아는 사람이 함께 일해야 합니다. 데이터 과학은 이렇게 그 분야의 지식과 짝을 이룹니다.
도메인 지식(domain knowledge)이란?
각 분야의 전문 지식을 말합니다. domain은 「영역 · 분야」라는 뜻입니다. 예를 들어 농업 데이터를 분석할 때, 어떤 시기에 병충해가 잘 생기는지를 아는 것이 도메인 지식입니다. 같은 숫자를 보더라도 도메인 지식이 있으면 무엇이 이상한 값인지, 어떤 결과가 말이 되는지를 판단할 수 있습니다. 그래서 데이터 과학자는 그 분야의 전문가와 함께 일하는 경우가 많습니다.
이런 분야에서도 쓰입니다
데이터 과학이 쓰이는 분야는 계속 늘고 있습니다. 세 가지를 더 소개합니다.
범죄 예방
범죄 발생 가능성이 높은 지역과 시간을 예측하여 경찰 자원을 효율적으로 배치합니다.
동물 보호
야생동물의 이동 패턴을 추적하여 자연 보호 구역을 관리합니다.
에너지 관리
필요한 에너지의 양을 예측하여 낭비 없이 공급합니다.
카드에 없는 곳으로 학교 도서관을 떠올려 보세요. 도서관에 쌓이는 기록 하나를 골라, 「예전에는 사서의 경험으로 정하던 일을 이제는 이 기록으로 정한다」의 형태로 한 문장을 만들어 보세요.
데이터를 다루는 직업에는 무엇이 있을까?
셋 다 「데이터」가 들어가는데 무엇이 다를까?
데이터 과학의 역할이 점차 커지면서 이 분야의 진로와 직업에 대한 관심도 높아지고 있습니다. 대표적인 직업 세 가지를 소개합니다.
데이터 과학자
data scientist
통계 분석과 기계학습(데이터로부터 규칙을 스스로 찾게 하는 방법)으로 데이터에 담긴 의미와 관계를 발견하고, 그 결과로 전략을 세웁니다.
「이 데이터로 무엇을 알아낼 수 있을까?」를 묻는 사람
데이터 분석가
data analyst
데이터를 분석하고 시각화하여 데이터 기반 의사 결정을 돕습니다.
「이 결과를 어떻게 보여 줘야 이해할까?」를 묻는 사람
데이터 공학자
data engineer
데이터를 수집 · 저장 · 처리하는 시스템을 설계하여 데이터가 끊기지 않고 쌓이는 환경을 구축합니다.
「데이터가 끊기지 않고 잘 흐르게 하려면?」을 묻는 사람
한눈에 비교하기
| 직업 | 주로 하는 일 | 결과물 |
|---|---|---|
| 데이터 과학자 data scientist |
통계 분석, 기계학습으로 데이터에 담긴 의미와 관계를 발견 | 예측 모델, 전략 |
| 데이터 분석가 data analyst |
데이터를 분석하고 시각화하여 의사 결정을 지원 | 보고서, 그래프, 대시보드 |
| 데이터 공학자 data engineer |
데이터를 수집 · 저장 · 처리하는 시스템을 설계하고 운영 | 데이터베이스, 데이터 처리 시스템 |
세 사람은 이렇게 이어져 일합니다
데이터 공학자
데이터가 모이고 저장될 곳을 만든다
데이터 과학자
그 데이터에서 의미와 관계를 찾아낸다
데이터 분석가
그 결과를 사람들이 이해하게 전달한다
공학자가 쌓은 데이터가 과학자의 재료가 되고, 과학자가 찾은 결과를 분석가가 사람들에게 전달합니다. 분석가가 쌓인 데이터를 직접 분석하는 일도 흔해서 순서가 늘 이렇지는 않지만, 큰 일일수록 세 역할이 함께 움직여야 합니다.
특정 분야와 결합한 직업도 있습니다
데이터 과학자 · 분석가 · 공학자는 어느 분야에서나 통하는 이름입니다. 반면 특정 분야의 지식과 데이터 과학이 결합해 생긴 직업도 있습니다. 도메인 지식이 직업 이름에 그대로 들어간 경우입니다.
생명 과학과 밀접한 직업으로, 생물 데이터를 컴퓨터로 분석하여 병이나 유전 정보를 알아내는 전문가입니다. 예를 들어 동물의 유전 정보를 조사해서 유전병이나 특별한 특징을 발견하기도 합니다.
이름에 뜻이 담겨 있습니다. bio(생명)와 informatics(정보학)를 합쳐 생명 정보를 다루는 학문이라는 뜻입니다. informatics는 information(정보)에서 나온 말로, 우리말 「정보학」에 해당합니다.
학문 분야의 「생명 · 과학」 카드에서 유전자 서열을 비교하던 일을 맡는 사람이 이 전문가입니다. 이렇게 한 분야의 지식과 데이터를 합친 직업은 분야마다 계속 생기고 있습니다.
한 온라인 쇼핑몰에서 「주문 기록이 날마다 빠짐없이 쌓이게 한다」, 「어떤 고객이 다음 달에 떠날지 예측한다」, 「그 예측을 그래프로 만들어 회의에서 설명한다」는 일이 있습니다. 세 일은 각각 어느 직업에 가장 가까울까요?
원래 있던 직업은 어떻게 달라지고 있을까?
데이터 관련 직업이 아니면 나와 상관없는 이야기일까?
데이터 과학의 발전은 여러 분야의 직무도 크게 바꾸었습니다. 두 가지 사례를 소개합니다.
보안 경비
예전에는
건물 출입 등을 관리하였습니다.
지금은
- 이상 행동을 보이는 사람을 확인하여 위협을 식별합니다.
- 데이터 분석을 통해 사이버 보안 대응 전략을 수립합니다.
헬스케어 관리사
예전에는
환자의 임상 기록을 적어 놓고 관리하였습니다.
지금은
- 환자 데이터를 분석하여 질병을 예측합니다.
- 개인 맞춤형 서비스를 제공합니다.
두 사례에서 무엇이 공통으로 달라졌을까?
두 직업 모두 이름은 그대로인데 하는 일이 달라졌습니다. 예전에는 일어난 일을 기록하고 관리했다면, 지금은 그 기록을 분석해서 앞일을 예측합니다. 데이터 과학은 새로운 직업만 만들어 내는 것이 아니라 이미 있던 직업의 하는 일도 바꾸고 있습니다.
일하는 방식이 바뀌면서 새로 중요해진 역량도 있습니다. 문제를 해결하려면 여러 분야의 전문가와 소통하고 협력하는 역량이 필요하고, 데이터를 근거로 업무 효율과 제품 · 서비스의 품질을 높이는 능력이 중요해졌습니다.
데이터 과학이 발전한다고 해서 기존 직업이 모두 사라지는 것은 아닙니다. 보안 경비도 헬스케어 관리사도 여전히 있습니다. 다만 그 일을 하는 방식에 데이터를 읽고 활용하는 능력이 더해진 것입니다.
동네 빵집 주인은 예전에 그날 구울 빵의 양을 어떻게 정했을까요? 판매 기록이 쌓이는 계산대를 쓰게 되면 그 결정이 어떻게 달라질 수 있을지 「예전에는 ∼ 했지만, 지금은 ∼ 한다」의 형태로 말해 보세요.
진로를 정할 때도 데이터가 도움이 될까?
내 진로는 결국 내가 정하는 건데, 데이터가 무슨 소용일까?
자신에게 적합한 진로를 선택하는 과정에서도 데이터를 분석하여 도움받을 수 있습니다.
데이터로 진로를 탐색하는 과정
막막한 상태
「의사? 개발자? 아니면 다른 일?」
무엇을 기준으로 골라야 할지 알 수 없습니다.
데이터를 넣어 봅니다
비교할 근거가 생긴 상태
「이 분야의 시장 트렌드를 분석해 볼까?」
근거를 가지고 다음 행동을 정할 수 있습니다.
「데이터를 넣어 봅니다」 단계에 들어가는 데이터를 하나씩 소개합니다.
채용 트렌드
어떤 직무를 뽑는 곳이 늘고 있는지, 어떤 능력을 요구하는지를 채용 공고 데이터에서 읽어 낼 수 있습니다.
적성 검사
수많은 사람의 응답이 쌓인 결과와 내 응답을 비교하여 내 강점과 흥미가 어느 쪽에 가까운지 살펴볼 수 있습니다.
직업 만족도
실제로 그 일을 하는 사람들이 어떻게 느끼는지를 모아 놓은 데이터로, 겉으로 보이는 이미지와 실제가 얼마나 다른지 확인할 수 있습니다.
다만 데이터가 진로를 대신 정해 주지는 않습니다. 데이터 기반 의사 결정은 더 나은 근거를 마련해 주는 것이지, 정답을 알려 주는 것이 아닙니다. 채용이 많은 직업이 곧 내가 잘할 수 있는 직업은 아니고, 만족도가 높은 직업이 나에게도 맞으리라는 보장은 없습니다. 데이터는 선택지를 좁히고 근거를 더하는 데 쓰고, 마지막 결정은 스스로 내려야 합니다.
한 친구가 「채용 공고가 가장 많이 늘어난 직업이니까 이걸로 정할래」라고 합니다. 이 친구가 더 살펴보아야 할 데이터는 무엇이고, 데이터만으로 정할 수 없는 것은 무엇일까요?
직접 찾아보고 표현해 볼까?
여기 실린 것 밖에도 데이터 과학 사례가 있을까?
두 가지 활동으로 배운 내용을 직접 확인합니다.
일상에서의 데이터 과학 사례 찾아보기
뉴스나 기사를 통해 일상에서 데이터와 데이터 과학이 활용된 사례를 찾아보고, 데이터 과학이 개인의 삶과 사회에 어떠한 영향을 미치는지 이야기해 봅시다.
| 사례 | 데이터 과학 | 개인의 삶이나 사회에 미치는 영향 |
|---|---|---|
| 고속도로 교통 데이터 분석 | 전국 고속도로의 연간 통행 데이터를 분석하여, 요일 · 시간 · 계절 · 날씨 · 명절에 따라 교통량과 교통 흐름이 어떻게 달라지는지 파악하여 교통 정책에 반영한다. | 교통 체증으로 인한 스트레스와 시간 낭비가 줄어들어 삶의 편의성이 증가한다. |
| 음악 · 영상 추천 서비스 | 내가 무엇을 언제까지 보고 들었는지의 기록을 분석하여, 취향이 비슷한 사람들이 좋아한 곡과 영상을 골라 보여 준다. | 원하는 콘텐츠를 찾는 시간이 줄어든다. 다만 비슷한 것만 계속 추천되어 취향이 좁아질 수 있다. |
| 감염병 확산 예측 | 날마다의 확진자 수와 사람들의 이동량을 계절과 함께 분석하여 앞으로 몇 주 동안 환자가 얼마나 늘지 예측하고 방역 정책에 반영한다. | 병상과 의료 인력을 미리 준비할 수 있어 피해를 줄일 수 있다. |
| 배달 앱 도착 시간 예측 | 주문 시각, 가게와 집 사이의 거리, 조리 시간, 날씨, 배달원 위치 데이터를 분석하여 음식이 도착할 시각을 계산한다. | 얼마나 기다릴지 알 수 있어 편리해진다. 예측이 자주 빗나가면 오히려 불신이 커진다. |
| 학교 급식 잔반 분석 | 메뉴별로 남은 음식의 양과 요일 · 날씨 데이터를 함께 분석하여 어떤 메뉴가 언제 많이 남는지 파악한다. | 인기 없는 메뉴를 조정하고 식재료 낭비를 줄여 급식의 질을 높일 수 있다. |
| 직접 찾은 사례 | 어떤 데이터를 모아 어떻게 분석했나요? | 누구에게 어떤 점이 좋아졌나요? |
사례를 찾기 어렵다면 「∼ 데이터 분석」, 「∼ 빅데이터」로 기사를 검색해 보세요. 찾은 사례가 실제로 데이터를 수집하고 분석했는지 확인하세요. 그래야 데이터 과학 사례라고 할 수 있습니다. 표의 「영향」 칸에는 좋아진 점만 있지 않고, 추천 서비스처럼 취향이 좁아지는 걱정거리도 있습니다. 찾은 사례에도 두 가지를 함께 적습니다.
관심 분야의 직업을 인포그래픽으로 설명하기
데이터 과학과 관련된 관심 분야 및 진로 희망 분야를 탐색하고, 인포그래픽으로 직업을 설명해 봅시다.
인포그래픽(infographic)이란?
정보(information)와 그래픽(graphic)을 합친 말로, 글로 길게 설명할 내용을 그림 · 도표 · 아이콘으로 한눈에 보이게 표현한 것입니다. 지하철 노선도나 감염병 통계 그림처럼, 많은 정보를 빠르게 이해시켜야 할 때 사용합니다.
그림부터 그리면 무엇을 넣을지 정하기 어려우므로 먼저 표로 정리합니다. 아래처럼 분야와 활용을 글로 정리한 뒤 그림으로 옮기세요. 활용 칸은 「어떤 데이터로 무엇을 하는지」 형태로 씁니다.
| 분야 | 활용 |
|---|---|
| 의료 |
|
| 교통 |
|
| 스포츠 |
|
| 직접 고른 분야 | 어떤 데이터로 무엇을 하나요? |
정리한 내용을 아래처럼 한 장으로 옮기면 인포그래픽이 됩니다. 직업 이름 · 하는 일 · 관련 학과 세 가지가 들어가야 보는 사람이 이해할 수 있습니다. 분야가 달라도 틀은 같습니다. 의료 · 교통 · 스포츠 예시를 비교하며 공통된 형식을 찾아보세요.
의료 데이터 과학자
1. 하는 일
- 생체 신호 데이터를 분석하여 건강 상태를 확인한다
- 대규모 환자 데이터를 분석하여 질병을 조기에 발견하고 약물 효능을 예측한다
2. 관련 학과
교통 데이터 분석가
1. 하는 일
- 도로의 통행량 데이터를 분석하여 막히는 구간과 시간대를 찾아낸다
- 분석 결과를 신호 체계나 버스 노선 같은 교통 정책에 반영한다
2. 관련 학과
스포츠 데이터 분석가
1. 하는 일
- 경기 기록과 선수의 움직임 데이터를 분석하여 상대 팀의 패턴을 파악한다
- 선수의 훈련량과 부상 기록을 분석하여 부상 위험을 미리 예측한다
2. 관련 학과
세 예시 모두 「하는 일」이 「어떤 데이터를 분석해서 무엇을 한다」 형태로 쓰여 있습니다. 내 인포그래픽을 만들 때도 이 형태를 지키면, 그 직업이 왜 데이터 과학과 관련되는지가 분명해집니다.
「농업 데이터 분석가」라는 직업이 있다고 해 봅시다. 하는 일 칸에 「농업을 연구한다」라고 쓰면 무엇이 빠졌을까요? 「어떤 데이터로 무엇을 하는지」가 드러나게 한 줄로 고쳐 써 보세요.
핵심 정리
데이터 기반의 사회 변화
- 경험과 감으로 하던 판단을 쌓인 데이터의 분석으로 한다
- 학문은 사람이 세던 일을 컴퓨터로, 산업은 사후 대응을 미리 예측으로 바꾼다
- 사회 공공은 한정된 예산을 필요가 큰 곳부터 쓰는 근거로 삼는다
- 데이터만으로는 해석하지 못한다. 그 분야의 도메인 지식과 짝을 이룬다
데이터 과학 관련 직업
- 데이터 과학자 — 의미와 관계를 발견하여 전략 수립
- 데이터 분석가 — 분석 · 시각화로 의사 결정 지원
- 데이터 공학자 — 데이터 환경 · 시스템 구축
- 모두 데이터를 다루며 상호 협력한다
직무 변화와 진로 설계
- 기존 직업이 모두 사라지지는 않는다. 많은 직업에서 일이 기록에서 분석 · 예측으로 옮겨 간다
- 많은 직업에서 데이터를 읽는 능력과 다른 분야 전문가와 협력하는 역량이 중요해졌다
- 진로 선택에도 채용 트렌드 · 적성 검사 · 직업 만족도 데이터 활용
- 데이터는 근거를 더할 뿐, 결정은 스스로
확인 퀴즈
배운 내용을 확인해 봅시다.
데이터를 수집 · 저장 · 처리하는 시스템을 설계하여 안정적인 데이터 환경을 구축하는 직업은?
다음 설명에 해당하는 산업 분야는?
「설비의 데이터를 분석하여 고장을 사전에 예측하고, 품질 검사의 정확도와 효율성을 높인다.」
데이터 과학의 발전이 직업 세계에 미치는 영향으로 알맞지 않은 것은?
데이터를 활용한 진로 탐색으로 보기 어려운 것은?