인사·총무 직무를 설명할 때 흔히 “사람을 좋아하고 꼼꼼하면 잘할 수 있는 일”이라고 말합니다.

물론 사람과 문서를 많이 다루기 때문에 커뮤니케이션과 정확성이 중요합니다. 하지만 실제 업무는 성향만으로 설명하기 어렵습니다.

인사는 채용·배치·평가·보상·육성처럼 사람과 조직의 제도를 운영하는 일에 가깝고, 총무는 조직이 일할 수 있도록 자산·문서·회의·시설·업무환경을 관리하는 일에 가깝습니다.

2026년 NCS 기반 채용에서도 인사기획, 인력채용, 인사평가, 교육훈련운영, 임금관리, 급여지급, 복리후생, 조직문화 등이 한 묶음으로 제시되는 사례가 있고, 총무·사무행정 쪽에는 비품관리, 업무지원, 문서관리, 회의운영, 사무환경 조성, 그룹웨어 활용 등이 제시됩니다.

즉 인사·총무는 단순한 지원부서가 아니라 조직이 안정적으로 움직이도록 사람과 운영체계를 관리하는 직무입니다.

1. 인사와 총무는 어떻게 다른가

인사

사람과 제도를 중심으로 봅니다.

• 채용
• 배치와 이동
• 평가
• 보상
• 급여
• 복리후생
• 교육
• 조직문화
• 노무

총무

조직 운영환경을 중심으로 봅니다.

• 문서와 계약
• 자산·비품
• 사무환경
• 회의와 행사
• 차량·시설
• 업무지원
• 그룹웨어
• 각종 행정

회사 규모가 작으면 한 팀이 둘을 같이 맡기도 하고, 규모가 크면 HRM, HRD, 노무, 총무, 자산관리 등으로 더 세분화될 수 있습니다.

따라서 공고에서 ‘인사총무’라는 이름만 보고 지원하기보다 실제 업무 비중이 사람 제도인지, 운영지원인지 확인해야 합니다.

2. 인사 담당자는 실제로 무엇을 만들어내나

채용계획과 전형자료

어떤 인력을 언제 몇 명 뽑을지 정하고, 채용공고·평가기준·면접운영 자료를 만듭니다.

인사데이터

입사, 이동, 승진, 평가, 보상, 교육 이력을 관리합니다.

데이터가 틀리면 급여나 평가처럼 민감한 문제로 이어질 수 있기 때문에 정확성이 중요합니다.

평가·보상 운영자료

평가기준, 일정, 결과 취합, 연봉·성과급 반영자료 등을 운영합니다.

급여·복리후생 자료

근태와 수당, 공제, 복리후생 신청 등과 연결되는 자료를 관리합니다.

조직문화·제도 개선안

구성원 설문, 이직률, 교육·평가 결과 등을 바탕으로 제도 개선안을 만들 수도 있습니다.

3. 총무 담당자는 실제로 무엇을 만들어내나

업무환경

사무공간, 장비, 소모품, 출입, 회의실처럼 직원들이 일할 수 있는 환경을 관리합니다.

자산·비품 관리대장

무엇을 누가 사용하고 있는지, 언제 구매·교체해야 하는지 관리합니다.

문서와 계약관리 체계

계약서, 공문, 증명서, 각종 행정자료를 정리하고 보존합니다.

회의·행사 운영

이사회, 사내행사, 교육, 방문객 대응 등 조직 운영에 필요한 일정과 자원을 준비합니다.

업무지원 프로세스

출장, 차량, 우편, 인감, 구매 등 반복적인 업무가 안정적으로 돌아가도록 절차를 정리합니다.

총무는 눈에 띄지 않을 때 가장 잘 돌아가는 직무라는 말이 있을 정도로 운영의 끊김을 줄이는 역할이 큽니다.

4. 인사 업무에서 특히 중요한 것은 무엇일까

정확성

급여, 평가, 인사발령처럼 한 번의 오류가 개인에게 직접 영향을 줄 수 있습니다.

개인정보 보호

인사정보에는 주민번호, 급여, 평가, 건강정보 등 매우 민감한 내용이 포함될 수 있습니다.

접근권한과 보안규칙을 지키는 습관이 필요합니다.

제도 이해

회사의 인사규정뿐 아니라 근로기준법과 관련 법령, 노사관계를 이해해야 하는 업무도 있습니다.

설명과 조정

인사제도는 이해관계가 큽니다.

왜 이런 기준을 적용하는지 설명하고, 현업과 경영진 사이에서 일정을 조정해야 할 수 있습니다.

5. 총무 업무에서 특히 중요한 것은 무엇일까

우선순위 관리

동시에 여러 요청이 들어오는 경우가 많습니다.

긴급한 문제와 중요한 문제를 구분해야 합니다.

기록과 표준화

누가 처리해도 같은 결과가 나올 수 있도록 체크리스트, 대장, 절차를 만드는 것이 도움이 됩니다.

비용감각

비품, 시설, 차량, 행사 등 총무업무는 비용과 연결됩니다.

단순히 싸게 사는 것이 아니라 필요한 품질과 운영안정성을 함께 봐야 합니다.

협력업체 관리

외부 업체와 계약하거나 서비스를 이용하는 일이 많을 수 있습니다.

납기, 품질, 계약조건을 확인하는 능력이 필요합니다.

6. 학사도 인사·총무 직무에 지원할 수 있을까

가능합니다.

인사·총무는 학사 수준의 신입채용이 넓게 존재하는 직무입니다.

특정 HR 분석이나 조직개발, 노무전문 분야에서는 대학원이나 전문자격이 도움이 될 수 있지만 일반적인 인사·총무 신입직무는 실제 행정·운영 능력과 조직 이해를 중요하게 보는 경우가 많습니다.

준비할 때는 다음을 보여주는 것이 좋습니다.

• 문서를 정확하게 관리한 경험
• 다수 인원을 대상으로 일정을 운영한 경험
• 개인정보나 민감자료를 안전하게 다룬 경험
• 갈등이나 요청을 조율한 경험
• Excel·ERP·그룹웨어 활용
• 규정이나 절차를 이해하고 적용한 경험

7. 포트폴리오는 무엇을 만들 수 있을까

인사·총무는 내부업무라 포트폴리오가 어렵다고 생각하기 쉽습니다.

하지만 공개자료와 가상사례로 충분히 만들 수 있습니다.

• 신입사원 채용 운영계획
• 면접 평가표
• 온보딩 체크리스트
• 연간 교육·복리후생 캘린더
• 가상 근태·급여 데이터 검증표
• 비품관리대장
• 사내 행사 운영계획
• 인사 FAQ와 업무 프로세스

중요한 것은 예쁜 문서보다 누가, 언제, 무엇을, 어떤 기준으로 처리하는지 명확하게 만드는 것입니다.

8. 생성AI는 인사·총무에서 어디까지 사용할 수 있을까

생성AI는 다음 업무를 보조할 수 있습니다.

• 채용공고 초안
• 인터뷰 질문 초안
• 사내 안내문
• FAQ 정리
• 회의록 구조화
• 행사 체크리스트
• 규정 비교를 위한 질문 정리

하지만 인사·총무는 특히 개인정보와 기밀이 많습니다.

직원의 이름, 급여, 평가, 징계, 건강정보, 주민번호, 계좌정보, 계약내용을 허가 없이 외부 생성AI에 입력해서는 안 됩니다.

또 노동법이나 세법과 연결되는 내용은 AI 답변만 믿지 말고 최신 법령과 전문가 검토가 필요합니다.

9. 인사·총무 채용공고를 볼 때 체크할 것

• 채용·평가·급여 중 어떤 업무가 중심인가?
• 총무와 인사가 함께 묶여 있는가?
• 노무업무가 포함되는가?
• 급여를 직접 계산하는가, 외주를 관리하는가?
• ERP나 HR 시스템을 사용하는가?
• 총무에서 자산·시설·구매까지 담당하는가?
• 관련 법령 이해를 요구하는가?
• 자격증은 필수인가, 우대인가?
• 신입에게 어떤 반복업무와 프로젝트를 맡기는가?

마무리

인사·총무를 한 문장으로 정리하면 이렇게 볼 수 있습니다.

인사는 사람과 제도를 운영하고, 총무는 조직이 일할 수 있는 환경과 자원을 운영하는 일.

그래서 준비할 때도 “사람을 좋아합니다”보다 정확하게 처리하고, 민감정보를 지키고, 여러 요청을 조정하며, 반복업무를 안정적인 절차로 만든 경험을 보여주는 편이 더 설득력 있습니다.

—

참고 자료

• 기존 JS-Pedia Google Takeout 「인사/총무 직무, 학사 출신이 평가받는 핵심 포인트」 재구성
• NCS 공정채용: 2026년 인사기획·채용·평가·교육·임금·급여 관련 능력단위 사례
• NCS 공정채용: 2026년 총무·사무행정의 비품·문서·회의·업무환경 관련 능력단위 사례

향후 연결 콘텐츠

• HRD 직무는 교육 운영만 할까?
• 기획 직무는 실제로 무엇을 만들어내는가?
• 생성AI로 인사업무를 할 때 입력하면 안 되는 정보
• 총무 업무를 체크리스트와 시스템으로 바꾸는 방법

Article v1 출처 연결

이 원고의 공개자료 근거는 아래 Article v1 출처 목록과 연결됩니다. [S1] [S2] [S3]

금융권 취업을 생각하면 은행 창구나 투자업무를 먼저 떠올리기 쉽습니다.

하지만 금융산업에는 개인·기업 고객을 만나는 영업부터 기업신용분석, 여신심사, 리스크관리, 자산관리, 디지털·데이터까지 다양한 역할이 있습니다.

2026년 NCS 채용에서도 은행권 신입행원 채용이 이어지고 있고, 금융심사 직무에는 기업정보 수집, 산업위험, 재무상태, 경영성과, 현금흐름, 사업성·기업가치 평가 같은 능력단위가 제시됩니다.

즉 금융권은 ‘돈을 다루는 곳’이라는 설명보다 고객의 자금과 위험을 평가하고 적절한 금융서비스를 제공하는 산업으로 이해하는 편이 정확합니다.

1. 금융권에는 어떤 직무가 있나

개인금융·영업

예금, 대출, 카드, 자산관리 등 개인고객에게 금융서비스를 제공합니다.

기업금융

기업의 자금수요를 파악하고 대출, 보증, 투자, 금융상품을 제안합니다.

기업의 사업과 재무상태를 이해해야 합니다.

여신·신용심사

돈을 빌려줘도 되는지 판단합니다.

재무제표뿐 아니라 산업위험, 사업성, 현금흐름을 함께 봅니다.

리스크관리

신용위험, 시장위험, 유동성위험, 운영위험 등을 측정하고 관리합니다.

자산관리·투자

고객의 자산배분과 투자상품을 관리하거나 투자분석을 수행할 수 있습니다.

디지털·IT·데이터

모바일뱅킹, 금융플랫폼, 데이터분석, AI, 보안, 디지털서비스 기획 등을 담당합니다.

2. 금융권 직원은 실제로 무엇을 만들어내나

상담과 제안

고객 상황을 듣고 적절한 상품과 해결방법을 제시합니다.

신용분석 자료

기업정보, 재무상태, 현금흐름, 산업위험을 분석합니다.

심사의견

대출이나 보증을 승인할지, 어떤 조건을 적용할지 판단근거를 만듭니다.

리스크 보고서

포트폴리오의 위험과 손실가능성을 분석합니다.

금융상품·서비스 기획

고객수요와 규제, 수익성을 고려해 새로운 서비스를 설계할 수 있습니다.

디지털 서비스

앱, 데이터 기반 추천, 인증, 상담자동화 같은 기능을 개발·운영합니다.

3. 기업금융과 신용분석은 어떻게 움직일까

기업금융의 중요한 질문은 “이 기업이 돈을 필요로 하는 이유와 갚을 능력이 있는가?”입니다.

분석과정을 단순화하면 다음과 같습니다.

기업 이해 → 산업 분석 → 재무 분석 → 현금흐름 → 사업성 → 위험요인 → 조건 설계 → 사후관리

예를 들어 매출이 빠르게 늘어난 기업이 대출을 신청했다고 해도 단순히 성장률만 보면 안 됩니다.

• 이익이 나는가?
• 현금은 들어오고 있는가?
• 매출채권이 과도하게 늘었는가?
• 차입금이 너무 많은가?
• 특정 고객에 매출이 집중돼 있는가?
• 산업 자체가 침체하고 있지는 않은가?

2026년 NCS 금융심사 능력단위에도 산업위험, 재무상태, 경영성과, 현금흐름, 사업성·기업가치 평가가 함께 포함됩니다.

4. 금융권에서 중요한 역량

재무제표 이해

은행원이 모두 회계전문가일 필요는 없지만 자산, 부채, 매출, 이익, 현금흐름을 읽을 수 있어야 합니다.

수치적 사고

금리, 수익률, 대손, 상환비율처럼 숫자를 자주 다룹니다.

고객 커뮤니케이션

개인·기업고객 모두 신뢰가 중요합니다.

복잡한 금융조건을 이해하기 쉽게 설명해야 합니다.

규정과 윤리

금융은 규제가 많은 산업입니다.

고객정보, 자금세탁방지, 불완전판매, 내부통제 등 규정을 지켜야 합니다.

데이터·디지털 이해

모바일 금융이 커지면서 금융상품 지식과 함께 데이터·플랫폼에 대한 이해도 중요해지고 있습니다.

5. 학사 출신도 금융권에 충분히 진입할 수 있을까

가능합니다.

은행·보증기관·정책금융기관 등에서 대졸수준 신입채용이 꾸준히 존재합니다.

다만 직무에 따라 요구조건이 달라집니다.

일반 행원과 기업금융은 학사 진입경로가 넓은 편이지만, 퀀트, 고급 리스크모델링, 투자연구, 일부 전문직은 석사 이상의 전문성을 요구할 수 있습니다.

따라서 ‘금융권’이라는 산업명보다 영업·심사·리스크·투자·디지털 중 어떤 직무인지 먼저 봐야 합니다.

6. 자격증은 얼마나 중요할까

금융권에서는 자격증이 도움이 될 수 있습니다.

투자자산운용사, AFPK, 신용분석 관련 자격 등 목표직무에 따라 의미가 달라집니다.

하지만 자격증을 많이 모으는 것이 곧 실무능력을 의미하지는 않습니다.

자격을 준비했다면 다음을 연결해 설명하는 것이 좋습니다.

• 재무제표를 어떻게 읽을 수 있게 됐는가?
• 투자위험을 어떻게 이해하게 됐는가?
• 고객 상황에 어떤 상품이 적합한지 설명할 수 있는가?

7. 포트폴리오는 어떻게 만들까

금융권도 공개자료를 이용해 실무형 결과물을 만들 수 있습니다.

• 상장기업 신용분석
• 산업위험 분석
• 기업 현금흐름 분석
• 가상 대출심사 의견서
• 금리 변화가 기업에 미치는 영향
• 금융상품 비교표
• 디지털 금융서비스 개선안

중요한 것은 투자수익률을 자랑하는 것이 아니라 어떤 정보를 근거로 위험과 기회를 판단했는지 보여주는 것입니다.

8. 경제·시사는 왜 중요할까

금융업은 경제환경 변화에 민감합니다.

금리, 환율, 물가, 부동산, 산업경기 변화가 고객과 금융기관 모두에 영향을 줍니다.

하지만 뉴스기사를 많이 외우는 것만으로는 부족합니다.

면접에서는 보통 이런 식으로 생각할 수 있어야 합니다.

경제변화 → 고객 영향 → 금융기관 위험·기회 → 대응

예를 들어 금리가 오르면 예금금리만 오르는 것이 아니라 기업의 이자부담, 대출수요, 부실위험까지 연결될 수 있습니다.

9. 생성AI는 금융업무에서 어디까지 활용할 수 있을까

생성AI는 다음을 보조할 수 있습니다.

• 산업자료 요약
• 재무분석 질문 목록
• 상담 스크립트 초안
• 금융용어 설명
• 보고서 구조화

하지만 금융은 고위험 영역입니다.

AI의 답변만으로 투자·대출·상품적합성을 판단하면 안 됩니다.

고객 개인정보, 계좌정보, 미공개 거래정보, 신용정보를 외부 AI에 입력해서도 안 됩니다.

또 금융규정과 상품조건은 수시로 바뀔 수 있어 반드시 공식자료를 확인해야 합니다.

10. 금융권 채용공고를 볼 때 체크할 것

• 개인금융인가 기업금융인가?
• 영업과 심사 중 어느 쪽인가?
• 재무제표 분석을 요구하는가?
• 금융자격증은 필수인가, 우대인가?
• 디지털·데이터 직무가 별도인가?
• 순환근무가 있는가?
• 고객대면 업무가 많은가?
• 리스크·컴플라이언스 업무가 포함되는가?
• 경제·금융 논술이나 면접이 있는가?

마무리

금융권 직무를 한 문장으로 정리하면 이렇게 볼 수 있습니다.

고객의 자금문제를 해결하면서 동시에 신용과 시장의 위험을 평가하고 관리하는 일.

그래서 학사 지원자가 경쟁력을 높이려면 자격증 개수보다 기업과 고객을 숫자로 이해하고, 위험을 설명하고, 신뢰를 지킬 수 있다는 증거를 보여주는 편이 좋습니다.

—

참고 자료

• 기존 JS-Pedia Google Takeout 「금융권 채용, 학사 졸업생이 경쟁력 높이는 법」 재구성
• NCS 공정채용: 2026년 중소기업은행 하반기 신입행원 채용
• NCS 공정채용: 2026년 금융심사역 기업신용분석 능력단위
• NCS 공정채용: 2026년 정책금융 행정사무 채용 사례

향후 연결 콘텐츠

• 회계·재무 직무는 무엇을 다루나?
• 데이터 분석가는 실제로 무엇을 하나?
• 핀테크 직무는 금융과 IT 중 어디에 가까울까?
• 생성AI를 금융업무에 사용할 때 지켜야 할 것

Article v1 출처 연결

이 원고의 공개자료 근거는 아래 Article v1 출처 목록과 연결됩니다. [S1] [S2] [S3]

데이터 직무를 찾아보면 데이터 분석가, 데이터 엔지니어, 데이터 사이언티스트, 머신러닝 엔지니어 같은 이름이 한꺼번에 등장합니다.

이 중 데이터 엔지니어는 데이터를 직접 분석하는 사람이라기보다 다른 사람들이 신뢰할 수 있는 데이터를 안정적으로 사용할 수 있도록 수집·저장·가공·전달하는 시스템을 만드는 사람에 가깝습니다.

분석가가 “이 데이터가 무엇을 의미하는가?”를 묻는다면, 데이터 엔지니어는 그보다 앞에서 “필요한 데이터가 정확하고 제때 도착하도록 어떻게 만들 것인가?”를 고민합니다.

1. 데이터 엔지니어와 분석가의 차이

데이터 분석가

주로 다음 질문에 관심을 가집니다.

• 매출이 왜 변했는가?
• 고객 행동이 어떻게 달라졌는가?
• 어떤 지표를 봐야 하는가?

결과물은 분석보고서, 대시보드, 인사이트가 될 수 있습니다.

데이터 엔지니어

주로 다음 질문에 관심을 가집니다.

• 데이터는 어디서 들어오는가?
• 누락 없이 수집되는가?
• 형식이 서로 다른 데이터를 어떻게 통합할 것인가?
• 대량 데이터를 얼마나 빠르게 처리할 것인가?
• 장애가 나면 어떻게 복구할 것인가?

결과물은 데이터 파이프라인, 데이터베이스, 데이터웨어하우스, 배치·스트리밍 작업, 모니터링 체계가 될 수 있습니다.

둘은 경쟁직무가 아니라 서로 의존합니다.

좋은 분석도 안정적인 데이터 기반이 없으면 오래 유지되기 어렵습니다.

2. 데이터 엔지니어는 실제로 무엇을 만들어내나

데이터 수집 파이프라인

웹·앱 로그, ERP, 센서, 외부 API 등 여러 시스템에서 데이터를 가져옵니다.

정제·변환 과정

날짜 형식, 코드체계, 중복, 누락 등을 처리해 다른 시스템에서 사용할 수 있는 구조로 만듭니다.

데이터베이스와 저장구조

데이터가 어떤 테이블과 구조로 저장될지 설계합니다.

논리 데이터베이스 설계와 성능확보는 2026년 NCS 기반 정보시스템 개발 직무에서도 실제 능력단위로 제시됩니다.

배치·스트리밍 처리

하루 한 번 대량 데이터를 처리하거나, 실시간에 가까운 데이터 흐름을 처리하는 작업을 구성합니다.

품질검사

레코드 수가 갑자기 줄었거나 필수값이 비어 있는 등 데이터 이상을 감지합니다.

모니터링과 장애대응

파이프라인이 실패하거나 처리시간이 길어지면 원인을 확인하고 복구합니다.

즉 데이터 엔지니어의 결과물은 데이터가 흐르는 길입니다.

3. 업무는 어떤 흐름으로 움직일까

원천 확인 → 수집 → 저장 → 변환 → 품질검사 → 제공 → 모니터링 → 개선

예를 들어 여러 매장의 판매데이터를 매일 분석팀에 제공한다고 가정해보겠습니다.

데이터 엔지니어는 이런 질문을 합니다.

1. 각 매장의 데이터 형식이 같은가? 2. 매장이 늦게 전송하면 어떻게 처리하는가? 3. 중복된 거래는 어떻게 찾는가? 4. 데이터가 누락되면 누구에게 알리는가? 5. 하루 데이터가 100배 늘어나도 처리 가능한가? 6. 과거 데이터를 다시 계산해야 하면 어떻게 하는가? 7. 민감정보는 어디에서 제거하거나 보호하는가?

이런 문제를 해결해야 분석가는 데이터를 믿고 사용할 수 있습니다.

4. 데이터 엔지니어에게 필요한 기본역량

SQL과 데이터베이스

가장 중요한 기본기 중 하나입니다.

테이블 설계, 조인, 인덱스, 트랜잭션, 쿼리 성능을 이해해야 합니다.

프로그래밍

Python, Java 등으로 데이터 처리와 자동화 작업을 구현할 수 있습니다.

언어 자체보다 파일, API, DB, 오류처리, 병렬처리 같은 실제 데이터 흐름을 구현하는 능력이 중요합니다.

Linux와 서버 기본기

데이터 시스템은 서버환경에서 운영되는 경우가 많기 때문에 파일, 프로세스, 로그, 권한, 네트워크 기초를 이해하면 도움이 됩니다.

클라우드

AWS, Azure, GCP 같은 환경에서 스토리지, 데이터베이스, 컴퓨팅 서비스를 사용할 수 있습니다.

다만 서비스 이름을 많이 외우는 것보다 어떤 구조로 데이터를 흘려보낼지 이해하는 것이 먼저입니다.

데이터 모델링

어떤 데이터를 어떤 구조로 저장해야 분석과 운영이 쉬운지 설계합니다.

운영 안정성

데이터 엔지니어는 한 번 실행되는 코드를 만드는 것보다 매일 반복돼도 실패하지 않는 구조를 만드는 일이 중요합니다.

5. 학사 출신도 데이터 엔지니어가 될 수 있을까

가능합니다.

데이터 엔지니어링은 연구직보다 소프트웨어·DB·시스템 구현과 가까운 경우가 많아 학사 출신도 프로젝트와 개발경험을 통해 진입할 수 있습니다.

다만 회사마다 요구수준이 크게 다릅니다.

대규모 분산처리, 데이터 플랫폼 아키텍처, 고성능 시스템 설계처럼 깊은 전문성이 필요한 직무는 경력이나 고급 기술을 요구할 수 있습니다.

신입이라면 다음을 보여주는 것이 좋습니다.

• SQL
• 데이터베이스 설계
• Python 기반 ETL
• API 연동
• Docker 등 실행환경
• 클라우드 기초
• 오류·재시도·로그 설계
• Git 기반 협업

6. 포트폴리오는 어떻게 만들어야 할까

데이터 엔지니어 포트폴리오는 분석 결과보다 시스템이 안정적으로 동작하는 과정을 보여줘야 합니다.

예를 들어 공개 API 데이터를 매일 수집하는 프로젝트라면 다음을 포함할 수 있습니다.

원천

어떤 API에서 무엇을 가져오는가?

저장

어떤 DB에 어떤 테이블 구조로 저장하는가?

변환

원본 데이터를 어떤 규칙으로 정리하는가?

스케줄

언제 어떻게 자동실행되는가?

오류처리

API가 실패하거나 데이터가 중복되면 어떻게 하는가?

품질검사

오늘 데이터가 정상적으로 들어왔는지 어떻게 확인하는가?

모니터링

실패했을 때 로그나 알림으로 확인 가능한가?

이렇게 만들면 단순한 데이터 수집 스크립트보다 훨씬 실무에 가까운 포트폴리오가 됩니다.

7. 데이터 엔지니어와 데이터 사이언티스트 중 무엇을 선택할까

두 직무의 차이는 ‘코딩을 하느냐’가 아닙니다.

둘 다 코딩을 합니다.

차이는 주로 무엇을 최적화하느냐에 있습니다.

데이터 엔지니어는 데이터의 안정적 수집·처리·저장·제공을 중요하게 봅니다.

데이터 사이언티스트나 분석가는 데이터에서 패턴과 예측, 의사결정 근거를 찾는 데 더 집중합니다.

시스템 구조, 자동화, DB, 서버에 관심이 많다면 데이터 엔지니어가 맞을 수 있습니다.

통계, 분석, 모델링, 비즈니스 질문에 관심이 많다면 분석·사이언스 직무가 더 맞을 수 있습니다.

8. 생성AI는 데이터 엔지니어링에서 어디까지 쓸 수 있을까

생성AI는 다음을 보조할 수 있습니다.

• SQL·ETL 코드 초안
• 오류 로그 설명
• 스키마 설계 아이디어
• 테스트 데이터 생성
• Docker 설정 설명
• 문서화

하지만 운영 데이터 시스템에서는 실수가 반복적으로 누적될 수 있습니다.

반드시 확인해야 하는 것은 다음과 같습니다.

• 중복처리가 되는가
• 재실행해도 같은 결과가 나오는가
• 오류 시 데이터가 일부만 반영되지 않는가
• 접근권한이 적절한가
• 개인정보가 잘못 노출되지 않는가
• 클라우드 비용이 과도하게 발생하지 않는가

9. 데이터 엔지니어 채용공고를 볼 때 체크할 것

• SQL과 DB를 어느 수준까지 요구하는가?
• Python·Java 등 어떤 언어를 쓰는가?
• ETL/ELT 경험을 요구하는가?
• 배치인가, 스트리밍인가?
• 클라우드를 사용하는가?
• Docker/Kubernetes 같은 운영환경을 요구하는가?
• 데이터웨어하우스나 레이크를 다루는가?
• 데이터 품질과 모니터링도 담당하는가?
• 온콜이나 장애대응이 있는가?
• 분석업무와 엔지니어링 업무 비중이 어떻게 되는가?

마무리

데이터 엔지니어를 한 문장으로 정리하면 이렇게 볼 수 있습니다.

조직의 데이터가 정확하고 안정적으로 흐르도록 수집·저장·변환·제공 시스템을 만드는 사람.

그래서 포트폴리오도 결과 그래프보다 데이터가 어디서 와서 어떻게 처리되고 실패 시 어떻게 복구되는지를 보여주는 것이 중요합니다.

—

참고 자료

• 업로드한 기존 JS-Pedia Google Takeout의 「데이터 엔지니어, 학사 졸업자가 준비해야 할 포트폴리오」 재구성
• NCS 공정채용: 2026년 국가생명윤리정책원 정보시스템 개발·운영의 DB엔지니어링 능력단위
• NCS 공정채용: 2026년 일반 전산·ICT 채용의 응용SW·DB 관련 능력단위

향후 연결 콘텐츠

• 데이터 분석가는 실제로 무엇을 하나?
• IT 개발자는 무엇을 만들어내나?
• AI 직무는 모델 개발만 할까?
• 생성AI 실무: 데이터 파이프라인 자동화에서 주의할 점

Article v1 출처 연결

이 원고의 공개자료 근거는 아래 Article v1 출처 목록과 연결됩니다. [S1] [S2]

데이터 분석가를 떠올리면 Python으로 그래프를 그리고 머신러닝 모델을 만드는 모습을 생각하기 쉽습니다.

하지만 실제 분석업무에서 가장 중요한 것은 도구보다 무슨 질문에 답하려는지입니다.

2026년 NCS 기반 데이터분석 직무기술서에는 통계조사계획, 자료처리, 기술통계, 회귀분석, 데이터 전처리, 탐색적 데이터 분석, 피처 엔지니어링, 모델링, 시각화, 결과평가 같은 업무가 폭넓게 나타납니다.

즉 데이터 분석가는 데이터를 보는 사람이 아니라 조직의 질문을 데이터로 검증 가능한 형태로 바꾸는 사람에 가깝습니다.

1. 데이터 분석가는 어떤 질문을 다룰까

회사와 부서에 따라 질문은 달라집니다.

고객

• 어떤 고객이 이탈하는가?
• 어떤 고객이 다시 구매하는가?
• 어떤 기능을 많이 사용하는가?

영업

• 매출이 왜 줄었는가?
• 어느 지역과 상품에서 차이가 나는가?
• 어떤 고객군에 집중해야 하는가?

운영

• 처리시간이 어디에서 길어지는가?
• 어떤 조건에서 오류가 많이 발생하는가?
• 자원을 어떻게 배분해야 하는가?

품질

• 불량이 언제 증가하는가?
• 공정조건과 품질의 관계는 무엇인가?

데이터 분석은 대부분 질문을 구체화하는 것에서 시작합니다.

2. 실제로 무엇을 만들어내나

분석 질문과 지표 정의

“성과가 좋아졌는가?”라고 묻는 것만으로는 분석이 어렵습니다.

성과를 매출, 전환율, 처리시간, 재구매율 중 무엇으로 볼지 정해야 합니다.

정제된 데이터

중복, 결측값, 잘못된 형식, 이상값을 확인하고 분석 가능한 형태로 정리합니다.

탐색적 분석

분포, 추세, 그룹 간 차이, 이상현상을 확인합니다.

통계·모델 결과

회귀, 분류, 군집 같은 방법을 사용할 수 있지만 모든 문제에 복잡한 모델이 필요한 것은 아닙니다.

시각화와 대시보드

결과를 다른 사람이 이해할 수 있도록 그래프, 표, 대시보드로 표현합니다.

분석 보고서

가장 중요한 산출물 중 하나입니다.

결과만 나열하지 않고 무엇을 확인했고, 무엇을 알 수 있으며, 무엇은 아직 알 수 없는지 설명해야 합니다.

3. 분석업무는 어떤 흐름으로 움직일까

문제 정의 → 데이터 확인 → 정제 → 탐색 → 분석 → 검증 → 해석 → 전달 → 후속 확인

예를 들어 “매출이 줄었다”는 요청이 들어왔다고 해보겠습니다.

분석가는 바로 예측모델을 만들기보다 다음을 확인해야 합니다.

1. 어느 기간과 비교해서 줄었는가? 2. 전체 매출인가, 특정 상품인가? 3. 고객 수가 줄었는가, 객단가가 줄었는가? 4. 특정 지역이나 채널의 문제인가? 5. 가격·프로모션·계절성 영향이 있는가? 6. 데이터 수집방식이 바뀐 것은 아닌가?

좋은 분석은 화려한 알고리즘보다 문제를 잘게 나누고 근거를 확인하는 과정에서 시작합니다.

4. 데이터 분석가에게 필요한 핵심역량

SQL

회사 데이터는 데이터베이스에 저장되는 경우가 많습니다.

원하는 데이터를 직접 조회하고 결합할 수 있어야 합니다.

Python 또는 R

데이터 정리, 분석, 시각화, 반복작업 자동화에 활용합니다.

모든 라이브러리를 외울 필요는 없지만 데이터를 불러오고 변환하고 그래프로 표현하는 기본 흐름은 익혀야 합니다.

통계

평균과 분산부터 가설검정, 상관, 회귀까지 기본개념이 필요합니다.

통계는 복잡한 수식을 외우는 것보다 결과를 잘못 해석하지 않기 위해 중요합니다.

시각화

그래프는 예쁘게 만드는 것보다 비교와 변화를 정확히 보여주는 것이 중요합니다.

도메인 이해

같은 숫자도 산업에 따라 의미가 다릅니다.

매출, 불량률, 이탈률, 생산성 같은 지표가 실제 업무에서 무엇을 뜻하는지 알아야 합니다.

커뮤니케이션

분석결과를 “통계적으로 유의합니다”에서 끝내면 부족합니다.

그래서 무엇을 해야 하는지, 무엇을 더 확인해야 하는지 설명할 수 있어야 합니다.

5. 학사도 데이터 분석가로 시작할 수 있을까

가능합니다.

2026년 NCS 기반 신규채용에서도 데이터분석 직무가 별도로 존재하고, 통계조사, 자료처리, 보고서작성, 기술통계, 회귀분석 등 실무능력이 구체적으로 제시됩니다.

다만 조직에 따라 통계·수학·컴퓨터 관련 전공이나 석사학위를 우대할 수 있습니다.

특히 고급 계량모형, 연구설계, AI 연구와 가까운 직무일수록 학위 요구가 높아질 수 있습니다.

따라서 학사 지원자는 기초통계 + SQL + 분석도구 + 실제 프로젝트를 연결해 보여주는 것이 좋습니다.

6. 좋은 포트폴리오는 어떤 모습일까

데이터 분석 포트폴리오는 모델 정확도만 보여주면 부족합니다.

다음 흐름이 보이는 것이 좋습니다.

1. 질문

무엇을 알고 싶었는가?

2. 데이터

어디서 구했고 어떤 한계가 있는가?

3. 전처리

어떤 오류와 결측을 어떻게 처리했는가?

4. 분석

왜 이 방법을 선택했는가?

5. 결과

무엇을 발견했는가?

6. 행동

이 결과를 실제 업무라면 어떻게 사용할 수 있는가?

7. 한계

이 데이터로는 무엇을 말할 수 없는가?

특히 마지막 ‘한계’를 적는 습관은 분석의 신뢰도를 높입니다.

7. 머신러닝을 꼭 해야 할까

데이터 분석가가 반드시 복잡한 머신러닝을 해야 하는 것은 아닙니다.

많은 업무는 다음만으로도 충분히 가치가 있습니다.

• SQL 조회
• 데이터 정리
• 기술통계
• 그룹 비교
• 추세 분석
• 대시보드
• 실험결과 분석

문제보다 복잡한 모델을 사용하면 설명이 어려워지고 유지관리도 힘들 수 있습니다.

중요한 것은 가장 단순한 방법으로 질문에 정확히 답하는 것입니다.

8. 생성AI는 분석업무에서 어디까지 쓸 수 있을까

생성AI는 다음 작업을 도울 수 있습니다.

• SQL 초안
• Python 코드 초안
• 오류 메시지 설명
• 그래프 선택 아이디어
• 분석 질문 분해
• 보고서 초안

하지만 분석결과를 그대로 맡기면 위험합니다.

반드시 확인해야 하는 것은 다음과 같습니다.

• 쿼리가 잘못된 행을 포함하지 않는가
• 집계 기준이 맞는가
• 통계방법이 적절한가
• 상관관계를 인과관계로 오해하지 않는가
• 데이터가 최신인가
• 개인정보나 회사데이터를 외부 AI에 입력해도 되는가

9. 데이터 분석 채용공고를 볼 때 체크할 것

• SQL을 얼마나 요구하는가?
• Python/R을 요구하는가?
• 통계분석이 중요한가?
• 대시보드 도구를 사용하는가?
• 머신러닝까지 담당하는가?
• 데이터 수집·정제 비중이 큰가?
• 보고서와 경영진 커뮤니케이션 비중이 큰가?
• 특정 산업지식을 요구하는가?
• 학력·전공은 필수인가, 우대인가?

마무리

데이터 분석가를 한 문장으로 정리하면 이렇게 볼 수 있습니다.

조직의 질문을 데이터로 검증 가능한 문제로 바꾸고, 결과를 의사결정에 사용할 수 있는 형태로 설명하는 사람.

그래서 준비할 때도 도구 목록보다 문제를 어떻게 정의하고, 데이터를 어떻게 확인하고, 무엇을 해석했는지를 보여주는 것이 중요합니다.

—

참고 자료

• 업로드한 기존 JS-Pedia Google Takeout의 「빅데이터 분석 직무, 학사 졸업생이 준비해야 할 실무 핵심」 재구성
• NCS 공정채용: 2026년 한국산업인력공단 데이터분석
• NCS 공정채용: 2026년 한국의약품안전관리원 통계·빅데이터분석

향후 연결 콘텐츠

• 데이터 엔지니어는 분석가와 무엇이 다른가?
• AI 직무는 모델 개발만 할까?
• 회계·재무 직무는 무엇을 다루나?
• 생성AI로 데이터 분석할 때 틀리기 쉬운 것

Article v1 출처 연결

이 원고의 공개자료 근거는 아래 Article v1 출처 목록과 연결됩니다. [S1] [S2]

IT 개발자를 설명할 때 가장 먼저 떠오르는 것은 ‘코드를 작성하는 사람’입니다.

물론 코드는 개발자의 핵심 결과물입니다. 하지만 실제 업무는 코드를 쓰는 순간보다 앞뒤 과정이 더 길 수 있습니다.

개발자의 핵심은 요구사항을 이해하고, 그것을 동작하는 소프트웨어로 구현한 뒤, 테스트하고 배포하고 유지할 수 있는 상태로 만드는 일에 가깝습니다.

실제 2026년 NCS 기반 전산·정보시스템 개발 직무기술서에서도 요구사항 확인, 데이터 입출력 구현, 인터페이스 구현, 애플리케이션 테스트, 소프트웨어공학 활용, 배포와 운영 같은 능력단위가 함께 제시됩니다.

따라서 개발자를 준비할 때는 “어떤 언어를 할 줄 아는가”만큼 무엇을 만들어봤고, 어떻게 검증하고 운영했는가를 보여주는 것이 중요합니다.

1. IT 개발자는 한 종류가 아니다

‘개발자’라는 이름 안에는 여러 역할이 있습니다.

프론트엔드 개발

사용자가 직접 보는 화면과 상호작용을 구현합니다.

웹이나 앱에서 버튼, 입력폼, 화면 전환, 데이터 표시처럼 사용자 경험과 가까운 영역을 다룹니다.

백엔드 개발

서버에서 실행되는 비즈니스 로직, 데이터 처리, 인증, API, 데이터베이스 연결 등을 구현합니다.

사용자 눈에는 잘 보이지 않지만 서비스가 실제로 동작하는 중심부를 담당합니다.

모바일 개발

iOS나 Android 환경에서 동작하는 앱을 개발합니다.

기기 기능, 앱스토어 배포, 모바일 성능과 사용자 경험까지 함께 고려해야 합니다.

시스템·플랫폼 개발

운영체제, 서버, 네트워크, 대규모 플랫폼, 내부 업무시스템처럼 시스템 수준의 안정성과 성능이 중요한 소프트웨어를 다룹니다.

임베디드·제어 소프트웨어

자동차, 로봇, 장비, 전자제품처럼 하드웨어와 연결된 소프트웨어를 개발합니다.

즉 개발자는 모두 코드를 쓰지만 어디에서 어떤 문제를 해결하는 코드인지가 다릅니다.

2. 개발자는 실제로 무엇을 만들어내나

요구사항 정리

“로그인 기능을 만들어주세요”라는 요청만으로 바로 개발하기 어렵습니다.

누가 로그인하는지, 비밀번호 정책은 무엇인지, 실패하면 어떻게 처리하는지, 권한은 어떻게 나누는지 같은 세부조건을 정리해야 합니다.

설계

화면, 데이터 구조, API, 프로그램 구성, 예외처리 방법 등을 개발 전에 정리합니다.

모든 프로젝트에서 거대한 설계문서를 만드는 것은 아니지만, 최소한 무엇을 어떻게 구현할지 합의할 수 있는 구조가 필요합니다.

코드

요구사항을 실제로 실행되는 프로그램으로 만듭니다.

좋은 코드는 단순히 동작하는 코드가 아니라 다른 개발자가 읽고 수정할 수 있어야 합니다.

테스트

정상적인 입력뿐 아니라 잘못된 입력, 경계값, 장애 상황에서도 시스템이 어떻게 동작하는지 확인합니다.

테스트 코드를 작성하거나 별도 테스트 절차를 수행할 수 있습니다.

배포 결과

개발한 기능을 실제 사용환경에 반영합니다.

빌드, 패키징, 서버 반영, 앱 배포, 설정 변경 등이 포함될 수 있습니다.

운영·개선 기록

배포 이후 오류가 발생하면 로그를 확인하고 원인을 찾습니다.

성능이 느리거나 사용자가 불편을 겪는다면 다시 개선합니다.

즉 개발자의 결과물은 코드 한 파일보다 동작하고 관리할 수 있는 소프트웨어 전체에 가깝습니다.

3. 개발 업무는 보통 어떤 흐름으로 움직일까

간단히 정리하면 다음과 같습니다.

요구사항 확인 → 설계 → 구현 → 코드리뷰 → 테스트 → 배포 → 운영 → 개선

예를 들어 쇼핑몰에 장바구니 기능을 만든다고 가정해보겠습니다.

개발자는 먼저 이런 질문을 해야 합니다.

1. 로그인하지 않은 사용자도 장바구니를 사용할 수 있는가? 2. 상품 가격이 바뀌면 기존 장바구니 가격은 어떻게 처리하는가? 3. 재고가 없으면 주문 단계에서 무엇을 보여주는가? 4. 여러 기기에서 같은 계정으로 접속하면 장바구니가 동기화되는가? 5. 장바구니 데이터는 얼마나 오래 보관하는가? 6. 오류가 나면 사용자는 어떤 메시지를 보게 되는가?

이런 질문을 처리하는 과정이 개발의 상당 부분을 차지합니다.

4. 학사 출신 개발자에게 필요한 핵심역량

프로그래밍 기본기

언어 문법만 외우기보다 함수, 객체, 자료구조, 예외처리, 파일과 네트워크 입출력 등 기본 동작을 이해해야 합니다.

주력 언어 하나를 정해 작은 프로그램을 여러 개 만들어보는 것이 좋습니다.

자료구조와 알고리즘

모든 회사가 고난도 알고리즘 시험을 보는 것은 아닙니다.

하지만 데이터를 어떻게 저장하고 탐색할지, 시간과 메모리를 어떻게 사용하는지 이해하는 것은 개발의 기본 사고력과 연결됩니다.

데이터베이스

대부분의 서비스는 데이터를 저장합니다.

SQL, 테이블 구조, 키, 인덱스, 트랜잭션 같은 기본개념을 이해하면 백엔드뿐 아니라 다른 개발직무에서도 도움이 됩니다.

버전관리

Git과 같은 도구를 이용해 변경이력을 관리하고 다른 사람과 협업하는 경험이 필요합니다.

개인 프로젝트라도 커밋 기록을 남기면 작업과정을 보여주기 좋습니다.

테스트와 디버깅

개발자는 오류를 피하는 사람이라기보다 오류를 찾고 원인을 좁혀가는 사람에 가깝습니다.

에러 메시지, 로그, 재현조건을 정리하는 습관이 중요합니다.

협업과 설명

개발자는 기획자, 디자이너, 운영자, 다른 개발자와 계속 소통합니다.

기술적으로 맞는 말도 다른 사람이 이해할 수 있게 설명해야 실제 프로젝트가 움직입니다.

5. 학사도 개발자로 충분히 시작할 수 있을까

가능합니다.

2026년에도 공공기관과 기업의 전산·정보시스템 개발 채용에서 대졸수준 신입 경로가 존재하고, NCS 직무기술서는 요구사항 확인, 프로그래밍, 데이터 입출력, 테스트, 배포 같은 실제 개발능력을 중심으로 제시합니다.

다만 “개발은 학위보다 실력”이라는 말을 너무 단순하게 받아들이면 안 됩니다.

회사와 직무에 따라 전산·컴퓨터 관련 전공을 요구하거나 우대할 수 있고, 일부 AI·알고리즘·시스템 연구개발 직무는 석사 이상의 전문성을 요구할 수 있습니다.

중요한 것은 지원하려는 공고에서 다음을 구분하는 것입니다.

• 필수 학력
• 필수 전공
• 필수 기술
• 코딩테스트 여부
• 포트폴리오 요구
• 실제 개발업무 범위

6. 포트폴리오는 무엇을 보여줘야 할까

좋은 개발 포트폴리오는 화면이 예쁜 프로젝트만 보여주는 자료가 아닙니다.

문제

무엇을 해결하려고 했는가?

사용자와 요구사항

누가 사용할 프로그램이고 어떤 기능이 필요한가?

기술 선택

왜 이 언어, 프레임워크, 데이터베이스를 선택했는가?

구현

내가 직접 맡은 기능은 무엇인가?

문제 해결

어떤 오류나 성능문제가 있었고 어떻게 해결했는가?

테스트

어떻게 정상 동작을 확인했는가?

배포

다른 사람이 실제로 실행하거나 사용할 수 있는가?

작은 프로젝트라도 이 흐름이 보이면 단순한 강의 따라하기와 차이가 생깁니다.

7. 생성AI 시대에는 코딩 공부가 덜 중요할까

생성AI는 개발자의 코딩 속도를 크게 높일 수 있습니다.

예를 들어 다음을 도울 수 있습니다.

• 코드 초안
• 반복 코드 작성
• 오류 메시지 설명
• 테스트 케이스 아이디어
• 문서화
• 기존 코드 요약
• 리팩토링 후보 찾기

하지만 생성AI가 만든 코드를 이해하지 못한 채 붙여넣으면 문제가 생길 수 있습니다.

사람이 직접 확인해야 하는 것은 다음과 같습니다.

• 코드가 요구사항에 맞는가
• 보안 문제가 없는가
• 예외상황을 처리하는가
• 성능이 적절한가
• 사용한 라이브러리와 라이선스가 적절한가
• 테스트가 충분한가

따라서 생성AI 시대의 개발자는 코드를 덜 배우는 사람이 아니라 코드를 더 빠르게 만들되 검증하고 책임질 수 있는 사람에 가까워집니다.

8. 개발자 채용공고를 볼 때 체크할 것

• 프론트엔드, 백엔드, 모바일, 시스템 중 어느 역할인가?
• 주력 언어와 프레임워크는 무엇인가?
• 데이터베이스 경험을 요구하는가?
• API 개발 경험을 요구하는가?
• 테스트 코드나 자동화 경험을 보는가?
• 클라우드·배포 경험이 필요한가?
• 코딩테스트가 있는가?
• GitHub나 포트폴리오 제출이 필요한가?
• 전공이나 학위는 필수인가, 우대인가?
• 운영까지 담당하는가, 개발만 담당하는가?

이 질문에 답하면 ‘개발자’라는 넓은 이름이 훨씬 구체적으로 보입니다.

마무리

IT 개발자를 한 문장으로 정리하면 이렇게 볼 수 있습니다.

요구사항을 이해하고, 그것을 동작하는 소프트웨어로 구현한 뒤, 테스트하고 배포하고 유지할 수 있게 만드는 사람.

그래서 취업 준비도 언어 목록보다 무엇을 만들어봤고, 어떤 문제를 해결했고, 어떻게 검증했는지를 보여주는 방향이 좋습니다.

—

참고 자료

• 업로드한 기존 JS-Pedia Google Takeout의 「IT 개발자, 학사 출신이 갖춰야 할 핵심 역량」 재구성
• NCS 공정채용: 2026년 한국사회보장정보원 정보시스템 설계·개발
• NCS 공정채용: 2026년 신용보증기금 ICT
• NCS 공정채용: 2026년 한국중소벤처기업유통원 IT전산

향후 연결 콘텐츠

• 데이터 엔지니어는 분석가와 무엇이 다른가?
• AI 직무는 모델 개발만 할까?
• 기획 직무는 실제로 무엇을 만들어내는가?
• 생성AI로 개발업무를 시작할 때 확인할 것

Article v1 출처 연결

이 원고의 공개자료 근거는 아래 Article v1 출처 목록과 연결됩니다. [S1] [S2] [S3]