price/quantity —단가계산! 그 외일때 not in 사용 업로드중.. 서울 수수료 부가 case when에 If문 사용 like로 '서울'만 지정

컬럼 옆에 ABC는 문자로 항목이 저장되었고 123은 숫자로 저장되어 계산이 가능하다는 의미

char=문자라는 의미/ decimal=숫자로 변환 구문

SUBGUERY from 뒤에 괄호로 쿼리를 지정후에 SELECT 절에서 조건 설정해서 사용 가능 문자로 서브퀘리 네임지정하여 마무리! -- a, b

-단계별로 무엇을 제일 먼저할지 파악하고 아래부터 위로 작성 -맨아래 괄호를 위에 괄호들이 포함하는 구조

Group by로 기준 지정!

복잡하게 생각하지 말고 쿼리별 요청만 파악 후 group by로 기준 잡아서(1번 컬럼= 1, 작성한 순서 숫자로) 계산함

• 윤준석 - 광고 도메인, 유저 규모 성장 도모 그로스 도메인 DW 구축, 데이터 표준화, 자산화 업무
• 유승민 - 데이터 마트팀 리더
• 임정훈 - 토스페이 토스쇼핑 DW 구축
• 김지영 - 대출/신용 도메인 DW 구축 Q2. DAE직무 역할 담당 Q3. 토스 DAE 직무의 현업, 팀 협업 방식 Q4. 목표인 전사 Data Maturity(성숙도) 개선을 위해 시도 중인 액션과 데이터 오너십 방식 Q5. 데이터마트팀과 도메인에 배치되는 DAE의 목표의 차이점 Q6. 토스 DAE 합류 장점 Q7. 동료로 기대하는 인재 Q8. 새로운 팀원의 온보딩 진행 방법 Q9. 미래 동료에게 한마디

[아티클 요약]

Q1. DAE 직군, 토스 테이터 마트팀 인터뷰

1. 토스 Data Analytics Engineer(이하 DAE) 윤준석 토스 합류 전 직무: 데이터 사이언스 조직에서 데이터 활용 단계의 업무 이직 목적: 데이터를 제공하는 입장에서의 경험을 더 쌓기 위함 현재 업무: 빠르게 성장하고 있는 광고 도메인과 유저 규모의 성장을 도모하는 그로스 도메인의 데이터 웨어하우스(이하 DW)를 구축하고 데이터를 표준화, 자산화
2. 토스 데이터 마트팀 리더 유승민 토스 합류 전 직무: 데이터베이스, DW 관련 업무를 주로 담당했어요. 이직 목적: 데이터 영역에서 다양한 업무를 경험하고자 느끼는 점: 빠르게 성장하는 환경에서의 데이터플랫폼이 겪는 어려움과 다양한 상황들을 많이 배움
3. DAE 임정훈 토스 합류 전 직무: DW/BI 구축 및 데이터 분석 업무를 담당 이직 목적: 개인과 회사 모두의 성장을 동시에 경험할 수 있을 것이라 생각하였기 때문, 데이터 관리의 중요성을 실감. 현재 업무: 토스페이와 토스쇼핑 등의 DW 데이터를 구축하고 운영하며, 표준화 업무를 담당
4. 데이터 분석가에서 DAE 직군 전환으로 데이터 마트 팀원이 된 김지영 토스에 데이터 분석가로 입사하여, 제품 조직에서 분석 업무를 담당하였고, 이후엔 전략팀에서 유저/매출 등 전사 차원의 분석을 진행 이직 목적: 데이터 구조화 및 설계, 데이터 품질의 지속적인 관리 차원의 업무 영역 확장 현재 업무: 대출/신용 도메인 및 새롭게 구조를 잡아나가고 있는 비즈니스플랫폼 DW 구축 업무

Q2. DAE직무 역할 설명

1. 활용될 수 있는 기반 형성하는 역할: 토스에서 DAE는 각 제품팀에서 생산하는 데이터가 전사적으로 유용하게 사용될 수 있게끔 데이터를 자산화하고 관련 데이터 파이프라인을 운영
2. 데이터 분석과 비지니스 인사이트 도출 환경 형성: 데이터를 활용하는 구성원들이 분석에 필요한 데이터에 쉽게 접근하여 사용하고, 믿고 사용할 수 있는 환경을 제공하기 위해 고민하고 데이터를 구조화/설계하며, 데이터 마트를 구축, 데이터 표준정책 수립

Q3. 토스 DAE 직무의 현업, 팀 협업 방식 담당 도메인 데이터 분석가와의 협업 ex. 제품조직(사일로)의 특정 제품 출시할 때

1. 데이터 마트 개발: 담당 데이터 분석가와 해당 제품을 분석하는 관점에서 어떠한 데이터 마트들이 생성되면 좋을지 파악하여 데이터 마트를 개발하고 전사의 활성 유저 집계나 매출이나 비용 등을 연동해요.
2. 파이프 라인 역할: 또한 실시간으로 데이터 모니터링이 필요한 상황에서는 데이터 엔지니어분들의 도움을 받아 실시간 파이프라인을 제공합니다.
3. 연동 활용: 이와 더불어 개인화나 추천 등을 목적으로, 집계한 데이터 마트를 제품에서 활용할 수 있도록 서버 개발자, DBA와도 협업하여 데이터 연동 작업

제품조직과의 협업 이외 부분

• 데이트 분석 플랫폼팀, DW팀과도 정기적인 미팅: 함께 해결해야 할 과제를 발굴해요. (e.g. Data Discovery 개선, Data Quality를 위한 Backfill 프로세스 개선 등)
• 프로젝트 단위: 데이터 매니저, 테크니컬 프로덕트 매니저(TPM) 분들과도 밀접하게 협업하고 있어요.
• 서버 개발자 및 데이터옵스 매니저분들과 주로 협업 : 비즈니스 조직과는 비즈니스/세일즈에서 활용할 수 있는 데이터를 자산화, 표준화하는 것이 주요한 목표임

Q4. 목표인 전사 Data Maturity(성숙도) 개선을 위해 시도 중인 액션과 데이터 오너십 방식 성숙도 개선 배경: 제품들은 빠른 속도로 개발되는 데이터 사일로화가 가속화되고 Data Maturity와는 멀어지기 쉬운 환경

• DW 표준안 정립, 표준 데이터 마트 구축: 토스 환경에 적합한 DW 구축 방법론으로서 토스 DW 표준안을 정립, 이에 따라 각 제품들의 주요 개념들을 명확하게 정의한 표준 데이터 마트를 빠르게 구축.

주요 소비 영역을 표준마트와 연동하는 방식으로 변화를 만듬 신규 서비스 및 기존 레거시 마트의 중요도와 우선순위에 따라 틈틈이 전환 중

• DAE 역할: Data Product 생성 포지션, 데이터 소비 주체들이 믿고 사용할 수 있게 환경 조성함. 표준 마트 구축, 데이터오너십을 갖음. 통합된 개념 정의 및 표현, 표준 준수, 문서화, 데이터 품질 모니터링을 거침
• 유지 관리용 데이터 오너십: Data Mesh 방식으로 각 도메인의 DAE는 분산된 데이터 오너십을 가짐 , 중앙 표준 관리 조적(데이터 마트팀)은 각 도메인에 표준을 전파, 교육, 모니터링 수행

Q5. 데이터 마트팀과 도메인에 배치되는 DAE의 목표의 차이점 공통 목표: 토스의 데이터 사용자들이 데이터를 쉽게 찾고 활용할 수 있는 기반을 만든다.

데이터 마트팀 DAE - 시스템 장치 마련: 데이터 품질 관리를 위한 시스템적인 장치를 마련: 도메인 DAE들과 소통하여 DW 표준안이 전사적으로 잘 안착할 수 있도록 함

도메인 DAE의 목표- 데이터의 활용도: 해당 서비스 데이터의 오너십을 가지고 데이터 설계, 도메인 차원의 DW 구축 및 운영하며 데이터가 효율적으로 활용될 수 있도록 함

Q6. 토스 DAE 합류 장점 직무 성장: 변화에 따른 데이터 환경을 만들고자 데이터 활용 방안 고민과 실행을 통한 성장

성장 내용

• 다양한 맥락, 복잡도 높은 데이터의 활용법
• 데이터 소비 방법, 효율적 소비를 위한 데이터 환경 구축방법

Q7. 동료로 기대하는 인재

• 데이터 사용자가 어떻게 하면 쉽게 데이터를 찾고, 사용할 수 있을지에 대한 고민과 실행 경험
• 재사용성과 확장성이 높도록 테이블이나 데이터 구조화 경험

Q8. 새로운 팀원의 온보딩 진행 방법 커리큘럼: 첫 한 달간 메이트의 시간, 리소스를 활용할 수 있는 기회 제공 메이트의 적극적인 지원으로 소프트랜딩하게 도와줌 토스의 데이터 환경, 다른 직군과 협업하는 방식은 물론, 데이터 구조화 및 DW 구성 가이드 등 A to Z를 전체적으로 경험하신 후 배치가 이루어짐

Q9. 미래 동료에게 한마디 데이터 환경을 개선하는 과정이 쉽지 않지만, 동료로 든든한 팀과 동료들과 배우면서 도전하고 성장할 분을 환영

[인사이트]

광범위한 데이터를 사용하는 토스(대기업)의 직무 구조와 DAE 직군의 역할을 디테일하게 알 수 있었다. 현업 실무자의 인터뷰를 통해 구직시 필요한 역량을 실감나게 파악할 수 있었다.

1. 가설을 검증하는 데이터의 역할, 가설을 세우는 직관의 역할
2. 데이터 기반 의사결정의 핵심
3. 직관적 데이터 분석이 고객에게 되돌려주는 가치

[아티클 요약]

1. 가설을 검증하는 데이터의 역할, 가설을 세우는 직관의 역할 - ‘데이터와 직관을 동시에 활용한다’ - 데이터 리터러시(Data Literacy) 자료 수집, CS(Customer Service)를 학습하는 일

2. 데이터 기반 의사결정의 핵심: 커뮤니케이션 with 팀 '데이터 시각화': 정보를 그래프, 차트, 지도 등 명료하게 시각화 요소로 나타내는 것, 특정 지표 추이는 시각화 도구로 '대시보드'생성

3. 직관적 데이터 분석이 고객에게 되돌려주는 가치 '눈치 빠른' 서비스로 실망시키지 않는 플랫폼 구축

[인사이트] 데이터 분석가가 가설을 세울때 유저의 입장(심리)에서 가설을 세우고 검증하는 것이며, CS를 적극 활용해야함을 배웠다. 직관적 데이터 분석의 본질은 편리함이지 않을까라는 생각이 든다. 고객은 결국 편리하게 목적을 달성하는 것을 원하기 때문이다.

[주제] 선배 데이터 사이언티스트의 조언: 커리어를 위해 인프라가 구축된 환경을 찾아야한다.

1. 어떤 역량을 특화할 것인가?
2. 어떤 업계/회사/팀에 지원할 것인가?
3. 코딩과 모델링은 얼마나/무엇을/왜 잘 해야 할까?
4. 인터뷰 준비 방법

[아티클 요약]

1. 어떤 역량을 특화할 것인가? 세 가지 성장 경로 중 한 가지 방향성에 집중할 것을 권장

1) 도메인 전문성과 네트워크를 키워 PM 또는 도메인 전문가 2) 통계 및 머신 러닝 방법론에 특화된 분석 전문가, 3) 개발 및 시스템 분석 역량을 갖춘 엔지니어

추가적으로, 커리어 경험의 깊이와 넓이의 균형을 고민할 것 -시장 트렌드 변화에 대응하기 위한 경험 쌓기

2. 어떤 업계/회사/팀에 지원할 것인가?

1) 회사의 미래에 데이터 활용의 전략적 위치 확인 (중요도) 판별 방법: 채용 규모, 매니저와 팀원 동시 채용 확인

2) 나의 능력으로 가치를 함께 만들 수 있는 포지션 확인 방법: 인터뷰에서 팀의 현재 니즈 및 전략적 방향성 확인 & 질의

3) 기업의 기술적 성장 초점도 : 유지보수가 아닌, 개선할 수 있는 환경을 찾기. 확인 방법: 공고로 회사의 기술 스택, 외부적으로 공유된 회사의 기술 역량 자료 유무 체크, 무조건 신기술을 추종하는 회사 지양 확인 관점: 조직이 회사에 어떤 기여를 하는가, 스타트업은 비지니스 성장 커브 및 건강성

3. 코딩과 모델링은 얼마나/무엇을/왜 잘 해야 할까? 필자는 '분석가'는 존재하는 데이터 파이프라인 및 인프라에서 프로그램으로 데이터를 산출하고 리포팅하는 것이라 생각함.

데이터 사이언티스트의 가치: 기술의 개발로 커리어의 측면에서 안전하고 지속적인 기회를 만들기 위한 방법: 분석 스케일링은 개발된 분석 기법을 라이브러리로 공유(아카이브), 템플릿 제작, 인프라에 해당 기능 추가, 반복되는 의사결정을 단순화 및 자동화하는 모델링 구축

4. 인터뷰 준비 방법 지원하려는 회사/제품/팀에 대한 정보를 얻는 노력은 필수.

• 회사에서 어떤 인프라와 데이터를 사용하게 될 것인지
• 팀이 당면한 분석 & 엔지니어링 문제는?
• 내 스킬셋과 관심사에 부합하는 부분은?
• 지원 회사/팀/분야에 대한 공개된 자료는 어디서 찾는가?
• 내 성장 목표는 지원 회사/조직의 중장기 목표와 언라인 되는가?

[구직시 중요 사항] 이력서- 관령성이 있는 경력, 정확한 핵심 면접- 모델 설명, 평가 기법에 대한 답변

[인사이트] 데이터 사이언티스트로 현장에서 커리어 관점으로 취업준비생에게 도움이 많이 되는 내용이었다. 디자인 프로그램 툴의 AI화로 인해 일자리의 위협을 받는 것으로 직무의 안정성에 위협을 느껴, 디자이너에서 데이터 관련 직무로 취업하고자 막연하게 공부를 시작하였는데 기술의 발전으로 비슷한 상황에 놓일 수 있었다는 것을 미리 알게 되어 다행이다. 전망과 나의 성장목표를 고려하여 신중하게 방향성을 잡아야겠다.

1. 예약어 대문자 사용 SELECT, FROM, GROUP BY, HAVING, AS, AND
2. 행 구분 작성자의 의도와 코드 구조를 블록으로 파악해야 하기 때문

WHERE 절에 1=1이라는 의미 없는 조건을 부여하여 행 구분 하기도 함(응용)

3. 주석 사용 작성법: --설명 서브쿼리의 단위로 의미 작성 칼럼 이름 보고 해석의 오해가 있을 경우 추가 설명 작성 Why, How 내용 작성

4. Alias 작성 의미 부여해서 작성하기

5. 합의된 규칙으로 작성하기

• SQL 오류 해결 방안
• 질문 전 체크리스트
• 검색 방법
• 질문답변방 활용

[아티클 요약]

SQL 질문 전략

해결 방안

1. 인터넷 서칭
2. 멘토님께 질문

질문 전 체크리스트

• 코드 오탈자
• 에러메세지 확인&조치
• 문제에서 요구하는 조건 모두 작성
• WHERE 절 필터링 조건, ORDER BY 정렬 조건, SELECT 컬럼명 정의 확인
• 질문에 포함된 쿼리 실행 유무, 질문 사항 외 에러 발생 확인
• 여러 DBMS 선택할 수 있는 플랫폼을 사용 시 DBMS 문법 파악

검색 방법

1. 구글 서칭 stackoverflow 커뮤니티
2. 영문 검색 “sql window function lag lead”
3. 검색 키워드 범위 좁히기 'cube'(x) ‘postgresql cube'(o) ‘sql window function’
4. 신뢰할 수 있는 사이트 기술 커뮤니티: stackoverflow MySQL의 경우 http://dev.mysql.com/, PostgreSQL의 경우 https://www.postgresql.org/ 입니다.
5. 작성 시간 파악 최신버전 확인
6. 질문답변방 활용 슬랙 검색 이용 - 데이터리안 커뮤니티 검색으로 같은 질문 한 사람 찾기

질문 템플릿 ✔️ 질문과 관련된 강의 영상 제목과 시간대 또는 문제 링크: 강의 영상 제목과 시간대 O, 문제 링크 O ✔️ 작성한 코드: 코드 복사 붙여넣기 O ✔️ 문제 상황 서술: 문제 상황 파악을 위해 기대했던 결과, 내 시도를 통해 얻은 결과의 차이를 중심으로 작성 ✔️ 기타 추가 설명: 구글 검색어, 참고한 자료 링크 등

[인사이트] 실무에서 쿼리 오류가 뜨면 굉장히 당황하여 침착하게 오류를 해결하기 어려울 것 같은데, 미리 대비 방안을 배워둬서 든든하고 실무에서도 오류가 잦다는 것을 체감할 수 있었습니다..

[아티클 요악] 데이터 분석가는 데이터에 기반해 성공 확률이 높은 의사결정을 지속적으로 하도록 돕는 사람으로 1) 데이터 기반 2) 성공 확률이 높은 의사 결정 3) 지속성을 중요하게 생각해야함

1. 데이터 기반 데이터가 흐르는 조직 만들기 1~3단계 피라미드 구조: 데이터가 흐르는 조직 > 실험, 목표 설정, 스토리텔링 분석 > 분석 고도화

• 데이터 확인 방법: BI(Business Intelligence ; 비지니스 지능) 툴 도입, 대시보드 개발, SQL 교육, 사용하기 쉬운 데이터 마트 개발, PA(ProductAnalytics) 툴 활용, 알림봇 개발

• BI: 카테고리별 분류(위계와 중요도를 시각적으로 표현하여 지표를 찾음)

• SQL 교육과 데이터 마트 쿼리 요청을 줄여주며, 데이터의 형태 파악과 깊이 있는 분석 가능

• 데이터를 모아 목적에 따라 가공한 데이터 마트를 만들어 사용하도록 유도

• 주요 지표 인지하기

1. 결과 지표 추이를 통해 예상되는 미래 상황과 목표를 고려했을 때 얼마나 잘하고 있는지 알려줌

2. 결과 지표에 선행하는 것으로 보이는 지표 소개

3. 최근 액션에 대응하는 결과를 볼 수 있는 지표가 무엇인지, 현재 상황이 어떠한지 소개

4. 성공 확률이 높은 의사결정 상황을 정확하게 해석하기 위해 여러 지표를 조합, 분석, 편향되지 않은 해석(진단)해야함. 잘못된 해석 시, 상황에 대한 해석 업데이트하고 이유를 알려야함

• 도메인 지식을 업데이트하는 것이 중요. 프레임 워크의 구조물을 파악하는 것이 잘못된 해석을 방지함

• 목표 설정과 성과 측정 체계적인 조직 운영 (목표 설정 - 실행 - 측정 - 축적)으로 성공 확룰 높이기

2. 목표 설정

1) 구조화된 로직에 과거 데이터를 활용한 예상치 2) 새로운 액션에 대한 확신 수준, 시장이나 경쟁사 상황, 불확실성을 반영한 기대치 3)의지치

성과 측정하기 통제 할 수 없는 외부 요인까지 반영하기 위해, A/B 테스트 실험 진행

3. 지속성 크게 3단계의 비지니스 사이클에 맞추어 분석해야함

1) 플래닝-기회 발굴, 아이디어 수집, 정책 설계 2) 플래닝의 결과 실행 및 배포 - 데이터 확인과 대시보드 관리 3) 성과 측정 및 후속 분석 - 인사이트 발굴 및 플래닝에 반영

[인사이트] 본질적으로 기술을 직무에 활용하는 방법이 가장 중요하다고 생각하는데, 직무의 실패 경험을 통한 인사이트를 알게되어 유익함. 비지니스 사이클과 워크 플로우를 알게 되어 도움이 되었음

1. 데이터 리터러시란?
2. 데이터/실험 기반 사고방식
3. 데이터를 탐색할 수 있는 환경
4. 서포터(분석가)

[아티클 요약]

1. 데이터 리터러시란?: 데이터를 활용하여 문제를 해결하는 능력으로, 데이터/실험 기반 사고방식이 자리 잡혀야 함.

• 데이터를 잘 정의하고 해결하는 정제 능력이 필요함
• 데이터/ 실험 기반 사고방식이 자리 잡혀야 함
• 분석 흐름대로 데이터를 탐색할 수 있는 환경이 필요함
• 분석가들의 서포트가 필요함

1. 데이터/실험 기반 사고방식: 문제 정의 - 솔루션 - 측정 지표를 만들어내는 실험 프로세스 사고방식
2. 데이터를 탐색할 수 있는 환경:

• 데이터맵: 인풋지표와 아웃풋 지표 간의 관계로 측정가능하고 컨트롤 가능해야함
• 대시보드: 흐름에 따른 지표의 현황을 확인 하는 환경

1. 서포터(분석가)

• 데이터 분석가: 데이터를 추출, 분석 후 문제를 정의하고 원인을 분석하여 액션아이템까지 도출하여 실행에 옮기는 역할
• 데이터 플랫폼: 데이터 레이크, 데이터 웨어하우스, 데이터 카탈로그

ARTICLE 02 [주제 02] 잘못된 데이터 해석 데이터 오해석을 상황별 유형에 따라 분석한 내용이다.

[아티클 요약]

1. 생존자 편향의 오류: 장기간 이용 고객의 고객 이탈 비율이 높을 수록 더 좋은 서비스임 방지하는 방법: 전체 대상을 기준으로 지표를 잡을 것
2. 심슨의 역설: 퍼널 전환율, 결제 전환율, 클릭률의 지표에서 오류 방지하는 방법: 기준을 설정하여 집단을 나눠 지표를 확인하는 과정 필요 (기준: 성별, 연령대, 기기 타입, 신규/기존 여부)
3. 상관관계를 통한 성급한 일반화: 사용자의 행동과 심리를 인지적으로 구조화하여 인과관계를 파악하는 과정과 새로운 구조로 지표 간의 관계를 파악하는 과정이 필요함
4. 목적에 맞지 않는 지표 선택: 목적에 맞는 지표를 선택하여 의사소통을 해야함
5. 참고 마인드: 세이건 표준- 데이터를 특별한 주장으로 연결시키려면 근거 확보가 중요하다.

[인사이트] 데이터를 파악하기 위해 심리적인 분석 요인이 중요한 결정을 한다는 것이 흥미롭게 느껴짐. 심리적인 분석의 방법을 학습하는 방법에 대해 공부하는 시간을 가지고자 함.

[주제] 데이터 분석가는 어떤 일을 하나요?

• 데이터 분석가 직군 업무 설명
• 데이터 분석가의 업무
• 데이터 분석가의 역량

[아티클 요약]

• 데이터 분석가는 ‘기획자’의 역할을 함 (데이터 엔지니어와 사이언티스트는 ‘개발자’ 역할으로 분류)
• 데이터 분석가의 업무는 수학(Maths) & 통계학(Statistics) + 비즈니스(Business)/도메인(Domain) 전문지식(Expertise)로 구성
• 데이터 전체를 유형별로 쪼개고 그 안에서 인사이트를 발굴하는 업무를 진행하며 사내에 다양한 데이터를 분석하는 업무로, 도메인에 대한 이해의 깊이와 경험으로 업무 문제를 파악하고 신속히 해결해야하고, 이해할 수 있는 의사 소통으로 의미 있는 결론을 도출하는 역량을 지님

[인사이트]

• 데이터 분석가는 인사이트 발굴력이 중요하다는 것을 알게 되었음. 고객들이 느끼는 불편함을 찾아서 개선하거나 비용을 절감할 수 있는 포인트를 찾는점에서 수치적인 의미 뿐 아니라 창의력이 요구되는 점이 흥미로웠음.
• 창의적인 의견을 의미있는 의사 소통을 통해 설득하는 과정에 대해 자세히 알게 되어 유익함.

[주제]

데이터 분석에 대한 설명 글로, 데이터의 정의와 데이터 분석을 통한 목적, 프로세스 과정, 데이터 분석을 위한 기초 지식에 대해 작성되어있음

• 데이터의 유형 (정성적 데이터/ 정량적 데이터)
• 데이터 분석 프로세스 (1~5단계)
• 데이터 분석을 위한 기술 (수학과 통계, SQL 및 관계형 데이터, 프로그래밍 언어, 데이터 시각화, 엑셀)

[아티클 요약] 데이터는 사람들의 인식을 나타내는 정상적 데이터와 통계적인 수치를 나타내는 정량적 데이터로 나누어져있다.

기업이 시장 경쟁력을 분석하고 성과를 내는 의사결정을 위해 데이터 분석을 필수적으로 사용하는 시대가 되었다.

데이터 분석은 목표 정의, 정성적&정량적 데이터 수집, 데이터 정제, 데이터 분석, 시각화를 통한 결과 공유의 프로세스로 이루어진다.

데이터 분석을 하기 위한 역량으로 수학과 통계, SQL 및 관계형 데이터, 프로그래밍 언어, 데이터 시각화, 엑셀의 지식이 필요하다.

[인사이트]

데이터 분석을 위해 기초 지식이 필요하다는 것을 인지하였고, 활용할 수 있는 툴의 다양성과 본인의 역량을 비교하여 취약점을 파악할 수 있었습니다.