The RED : 데이터 사이언티스트 하용호

실무 비즈니스 환경에서 데이터 사이언티스트는 어떻게 일해야 할까?

비즈니스 가치를 만들어 왔던 '하용호'만이 강의할 수 있는 이야기를 먼저 들어보세요.

요즘 데이터 분석을 가르치는 곳은 많습니다.
하지만 단언컨대 데이터가 어떻게 비즈니스 가치를 만들어야 하는지 설명하는 건 이 강의가 최초일 것입니다.

이 강의는 데이터 사이언티스트가
실무 환경에서 어떤 문제를 겪는지, 어떤 수준의 분석이 필요한지, 어떻게 분석이 분석에 그치지 않고 액션이 될 수 있는지 배울 수 있는 강의입니다.

by 하용호

Top of Top

데이터 사이언티스트
하용호

데이터 분석 회사를 창업하고 카카오에 매각한 데이터 사이언티스트

데이터 실무자라면 누구나 읽어봤을 '그 슬라이드'의 원작자

데이터사이언티스트라는 타이틀을 달고 일하는 사람이 별로 없던 때부터 1세대 데이터 사이언티스트라고 본인을 소개하던 하용호 연사자는 SKT에 입사하면서 본격적으로 데이터 사이언티스트의 일을 시작했습니다.
이후 데이터 분석 회사를 창업하였고, 그 가치를 인정 받아 회사를 카카오에 매각, 카카오에서도 데이터 팀을 이끄는 디렉터로 커리어를 이어갔습니다.
이외에도 데이터 주니어를 위한 교육이나, 데이터 사이언스 대표 연사자로 참여하는 등 대한민국을 대표하는 데이터 사이언티스트로 활동하고 있습니다.

• 2019 ~ 현재
XYZ Venture Partners / CEO
데이터 기술과 비즈니스를 연결시켜주는 벤처투자회사 설립

• 2016 ~ 2019
카카오 / Data Value / Director
카카오에서 데이터 벨류 팀 리딩
- 광고랭킹 알고리즘
- 메시지 광고 분배 알고리즘

• 2015 ~ 2016
넘버웍스 / CEO (acquired by 카카오)
마케팅 자동화 솔루션 개발 (Data Driven Action Automation)
'Help companies to turn their data into money.'
넘버웍스를 카카오에 M&A.

• 2012 ~ 2015
SK Telecom / BigData TF / DataScientist
데이터 아키텍쳐 설계
- programming tons of MapReduce jobs for Hadoop
- make fault-tolerant job flow management system

• 2010 ~ 2012
kt hitel / Research Engineer
분산처리기술 연구
- Prism File System (distributed file system with small space overhead )
- Search Engine (distributed search engine for web scale)
- iLock (remote lock service. It looks like google's Chubby)

• 2007 ~ 2010
Tmax Soft / Research Engineer
검색엔진 기술 및 대용량 처리기술 개발
- Tibero ( database )
- Prosearch (search engine for enterprise)
- Tmax File System (distributed file system. it resembled GFS)

<자습해도 모르겠던 딥러닝, 머리속에 인스톨 시켜드립니다.>
- 누적 조회수 19만 이상

<스타트업은 데이터를 어떻게 바라봐야 할까?>
- 누적 조회수 14만 이상

Heritage Story

이 강의를 통해
배울 수 있는 주요 포인트를 짚어드립니다.

현업에서 실험하는 문화를 도입하고 전달하는 방법

연구실이나 프로젝트에서는 발견할 수 없는 현업의 문제를 해결하기 위해 분석이 아닌 실험 프로세스를 구축해야 합니다. 이로 인한 결론을 조직 내에 어떻게 전달해야 조직을 움직일 수 있을까요?

현실적인 A/B 테스트 방법론과 그로스 해킹

실험 조직이 되기 위해 필요한 현실적인 A/B 테스트와 그로스 해킹 방법론은 무엇일까요? 데이터 사이언스를 통한 의사 결정 구조를 만드는 법과 그 안에서 데이터 사이언티스트의 역할은 무엇일까요?

현업 속 머신러닝과 딥러닝의 위치

AI, 머신러닝, 딥러닝 등의 스킬셋을 현업에서 구현하기 위해선 무엇이 필요하며, 현재 현업에서는 어떤 식으로 해당 기술들이 작용하고 있을까요? 데이터 사이언티스트의 현실적인 문제를 짚어봅니다.

데이터 사이언티스트를 채용할 때

데이터 팀을 구축하기 위한 채용 과정에서 어떤 데이터 사이언티스트를 채용해야 할까요? 또 어떤 데이터 사이언티스트가 되면 채용에 유리할까요?

Brand-new Sight

당신의 시야를 확장시킬
하용호의 이야기를 The Red에서 만나보세요.

Point 01

데이터 사이언티스트들이 가장 많이 하는 실수

데이터 사이언스의 다양한 모델과 이론, Hard Skill에만 집중하는 대학원생을 많이 봤습니다. 실제 실무는 어떨까요? 식당을 한 번 예로 들어보겠습니다. 요리사가 다양한 레시피를 익히고 요리를 만들 수 있다고 지금 당장 돈을 벌 수 있을까요? 데이터 사이언스도 마찬가지입니다. 스킬을 배우는 것이 아니라 어떻게 해야 나의 분석이 실제 액션이 되고 가치를 만드는 지 배워야 합니다.

Point 02

깨끗한 데이터는 연구실에만 존재한다

연구나 프로젝트를 수행하는 데이터는 그야말로 '깨끗한' 데이터입니다. 실제 실무에서 그런 데이터를 얻을 수 있을까요? 유의미한 데이터를 얻을 수 있다면 그나마 다행일지도 모릅니다. 당장 데이터가 필요 없는 기업도 많고, 데이터의 절대적인 양이 부족해 편향된 경우도 많습니다. 이럴 때 데이터 사이언티스트는 어떻게 가치를 만들 수 있을지 배워봅니다.

Point 03

리포트를 만드는 일을 반복하고 있다면

데이터 분석이 리포트가 되는 회사들이 있습니다. 과거의 일을 분석하는 일에만 매진하는 데이터 팀은 가치를 만들지 못합니다. 현재를 개선하는 실험을 설계하고, 미래를 예측할 수 있다는 팀이라면 가치를 만드는 팀이 될 수 있겠죠. 데이터 팀의 방향성을 고민하는 분들이라면 이 강의를 들어보세요.

Point 04

데이터 분석 스킬보다 더 중요한 것이 있다

95점의 완성도 있는 분석을 하는 것 보다 더욱 중요한 것이 있다면 60점의 분석을 실제 현업에서 일하는 사람들의 액션으로 바꾸는 것입니다. 이 과정에서 대학원이나 여타 강의에서는 절대로 알려주지 않는 수 많은 종류의 커뮤니케이션 스킬이 필요하죠. 그것이 진짜 데이터 사이언티스트의 실무라고 할 수 있습니다. 지금까지 얻은 노하우를 바탕으로 데이터가 실제 가치가 될 수 있는 방법을 전달해 드리겠습니다.

(자동) (자동) (자동)

정가 ~~(자동)~~

현재 판매가 (자동)

12개월 무이자 할부 시 (자동)

수강 신청하기

상세 커리큘럼

1. 책에서 가르쳐주지 않는 데이터 사이언스

1) 시작하는 사람들에게, 돌아보는 사람이 해주는 이야기

- 지난 10년간 데이터 사이언스 업계의 변화
- DS, ML, 그로스해킹, 퍼포먼스 마케팅. 어떤 관계가 있나

2) 데이터 사이언스는 도대체 왜 존재하는가? 기업이 가지는 구조적 문제와 그 치료제로서 데이터

- 데이터 사이언스는 도대체 왜 존재하는가?
- 기업이 가지는 구조적 문제와 그 치료제로서 데이터

3) 백투더퓨처로 확인하는 데이터 사이언스의 역할

- 백투더퓨처로 확인하는 데이터 사이언스의 역할

4) 기술 바깥의 기술들의 중요성

- 기술 바깥의 기술들의 중요성

2. 데이터로 일하는 데 필요한 기술 밖의 기술들

1) 진짜 필요한 데이터가 제대로 남겨지게 만들기

- 가장 처음에 봐야 하는 데이터들은 무엇인가? 정말 데이터인가?
- 백엔드 플랫폼의 선택
- 새 로그를 추가해달라는 요청을 어떻게 관리해야 대 참사가 일어나지 않을까?

2) 좋은 데이터팀은 어떻게 일하는가?

- 데이터 팀의 발전의 6단계
- 데이터팀의 핵심 목표를 정하기 위해 업의 본질 이해하는 법
- 우리 회사 비즈니스 구조로 OMTM을 정하고, 이번에 높일 풀어야할 문제 찾기
- Product Market Fit 확인하기
- 실험은 어떻게 일구어 나가야 하는가?
- 데이터 팀은 회사 전체에서 어떻게 포지셔닝해 나가야 하는가?

3) 현실에서의 머신러닝

- 0→60, 60→90 적정기술과 ROI
- 현실에서 머신러닝은 어느정도 수준까지 쓰이는가?
- 딥러닝과 현업에서 적용될 수 있는 한계 수준
- 우리 비즈니스의 고객 생애주기와 쓸 수 있는 머신러닝 기법과의 관계, 그리고 광고와 추천

3. 데이터 사이언티스트의 커뮤니케이션

1) 현업에서 진짜 풀어야할 문제를 찾아내는 법

- 밀크셰이크 문제. 모든 사람은 거짓말을 한다. 나빠서가 아니라 몰라서
- 현업과 사용자들에게 진실을 들을 수 있는 좋은 질문 전략
- 현업과 첫관계 맺기부터, 마지막 헤어짐까지 어떻게 해야하나.

2) 분석 내용 전달하기

- 비주얼라이제이션은 어떻게 간소화 되야 하는가?
- 왜 임원은 데이터팀의 발표를 끝까지 듣지 못하나?
- 뇌의 인지구조와 P.R.E.P 구조로 내용을 전달하는 법

3) 회사는 면접에서 어떤 데이터 인력을 뽑는가?

- SKT, 카카오, 그리고 많은 스타트업에서 뽑는 사람에서의 경험과 어필하는 방법
- 코딩, 백엔드 기술은 과연 어느정도 중요한가? 정말로 필요한 최소한의 기술셋은 무엇이 있나?

상세 커리큘럼 다운

그리고 한 걸음 더

강의에 대해 궁금하셨나요?
한 걸음 더 들어가봅니다.

강의는 어떤 내용으로 구성되어 있나요? 많은 책들을 보면, 현실의 데이터는 너무 지저분해서, 전처리에 대부분의 시간을 보낸다고 말하고 있습니다.
하지만 실제로 일어나는 일은, 그 지저분한 데이터조차 없는 일이 비일비재하다는 겁니다. 데이터가 존재하기만 해도 참 다행이죠. 현업에 들어가게 되면 없던 데이터를 존재하게 하는 일이 꽤 필요합니다. 데이터를 남기는 개발 부서와의 적절한 교섭도 필요하고, 그 분들에게 어떠한 형식의 데이터가 왜 필요한지에 대해서 설득력있고 모호하지 않게 잘 전달하는 것도 데이터 사이언티스트에게 필요한 자질입니다.

하지만, 데이터 분야에서는 내가 알고 있으나 말로 표현하기 어려운, 이런 식의 '내재화된 지식’을 알려주는 책은 거의 없거나, 있어도 해외 서적이어서 접근이 쉽지 않습니다. 기술과 기술 사이에 존재하는 진짜 중요한 것들. 이런 암묵지 같은 것을 녹여낸 강의라고 생각해주시면 됩니다.

이 강의만의 특별한 점이 있다면? 기존에도 물론 좋은 강의들이 많기는 합니다.
다만 마치 중학교 고등학교 수업과 비슷하게, 목적이 실무보다는 총망라에 맞추어져 있어서, 실제로 쓰이는 것보다도 훨씬 더 많은 범위를 커버하고 있습니다. 많은 커버를 하다보면, 아무래도 추상적인 내용 위주로 다루게 되고, 결국 이것을 실전에서 어떻게 적용시켜야 하는지까지 설명하기는 힘듭니다. 실전에서 필요로 하는 내용이 따로 있기도 하고요.

강의에서는, 데이터 사이언스의 역사부터 시작해서 분석한 내용을 논리적으로 전달하는 방법과 데이터 팀의 방향 데이터 사이언티스트의 기술밖의 기술의 모든 것을 알려드리는 강의입니다.

단언컨대, 기존의 데이터사이언스 강의와는 확연히 다르고 실무에서 확실히 도움을 받아가실 수 있을 겁니다.

어떤 사람이 들으면 좋을까요? 이 강의를 들으면 좋을 사람으로 2가지를 설정했습니다.
먼저, 기초적인 개별 기술에 대해서 학습은 하였으나, 그 다음 어떻게 해야 할지 어려워 하는, 데이터 주니어입니다.
현직의 많은 데이터 사이언티스트들을 만나보면, 항상 꼽히는 일하는데 있어 제일 힘든 사항은 '선배'의 부재입니다. 개별 기술은 배웠지만, 어떻게 적용하면 좋을지 가이드를 주는 사람이 없는데 그런 분들을 위한 '랜선 선배'가 되고자 합니다.

또 한가지는 데이터일이 실제로 회사에서 제대로 돌아가기 위해서는 어떠한 회사 전체적인 변화가 일어나게 되는지를 파악하고 싶은 데이터를 봐야하는 모든 사람들입니다.
데이터를 봐야하는 그로스 해커, 기획자, 마케터, CEO 등 데이터를 통해 인사이트를 발견하고 그 인사이트를 비즈니스에서 실행하고 싶은 모든 사람들이 봐야합니다.

'회사를 움직이는 데이터 사이언스' 정확히 무슨 의미죠? 많은 조직에서 일어나는 실수중에 하나가 데이터 팀이 '분석'이라는 목적만 두고 개설되는 것입니다. 이렇게 될 경우 시간이 지났을 때, 이 팀은 매우 수동적인 레포트 작성 조직으로 전락하는 경우가 많습니다.
이 팀이 듣게 되는 반응은 2가지 입니다. '내가 이미 알던건데', '그건 내 직관이랑 다른데' 어떤 대답을 내어놓아도, 수동적 참고자료로 쓰일 뿐 중요하게 사용되지 못합니다.

데이터 팀은 현업과 붙어 현재를 '실험'할 목적으로 개설되어야 합니다. 현재는 A로 고객을 대하고 있었는데 B로 고객을 대했더니, 이런 변화가 생기는구나 같은 A/B 테스트를 주도하는 팀이 되어야 합니다.

어떤 변화가 회사를 이롭게 만들고 가치를 창출할까요? 데이터와 이론으로 무장하고 그 뱡향을 안전하게 찾아나가는 팀이 되어야 합니다. 그렇지 않다면, 비싸고 힘들게 고용한 데이터 사이언티스트들을 제대로 활용하지 못하는 일이겠죠.

그런 의미에서, 이 강의는 비즈니스에서 가치를 창출할 수 있는 데이터 사이언스의 모든 내용을 담아냈습니다.

[ 주의사항 및 환불규정 ]

- 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
- 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
- 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

총 학습기간

- 정상 수강기간(유료 수강기간) 최초 1개월(30일), 무료 수강 기간은 31일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 8시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
- 수강시작일: 수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일)
- 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는해당 일정 만큼 수강 시작일이 연기됩니다.

- 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
- 수강시작 후 7일 이내, 5강 미만 수강 시에는 100% 환불 가능합니다.
- 수강시작 후 7일 초과, 5강 이상 수강 시 정상(유료) 수강 기간인 {1개월(30일)} 대비 잔여일에 대해 학원법 환불 규정에 따라 환불 가능합니다.
환불요청일 시 기준 수강시작 후 ⅓ 경과 전, 실 결제금액의 ⅔에 해당하는 금액 환불
환불요청일 시 기준 수강시작 후 ½ 경과 전, 실 결제금액의 ½에 해당하는 금액 환불
환불요청일 시 기준 수강시작 후 ½ 경과 후, 환불 금액 없음

※ 패스트캠퍼스 아이디 공유 금지 정책 안내 ※

아이디 공유란?
1개의 아이디로 여러명이 공유하여 수강하는 형태를 말합니다. 패스트캠퍼스의 모든 온라인 강의에서는 아이디 공유를 금지하고 있습니다.
동시접속에 대한 기록이 내부 시스템을 통해 자동으로 누적되며, 동시 접속 기록이 10회 이상 확인되는 경우 사전 안내없이 아이디가 차단될 수 있습니다.