Nexon Intelligence Data Analyst

YBIGTA DA 9기

현업에서 맡은 업무

• 개인화 마케팅, 게임 내 이상 탐지 및 단발성 프로젝트

  소개가 가능한 프로젝트 중에서 개인적으로 재밌었던 것은 메이플스토리M의 치장아이템 추천 프로젝트였습니다. 메이플스토리M에서는 캐시를 사용해서 치장아이템을 구매할 수 있는데 치장아이템의 가짓수가 너무 많다보니 유저가 아이템 전체를 탐색하고 원하는 아이템을 선택하기가 어려운 상황이었습니다. 이를 해결하기 위해서 MF 기반의 추천모델을 사용하여 유저에게 매일 8개의 아이템을 따로 추천해오고 있고, 그 결과도 나름 성공적이어서 현재 넥슨 내에서 추천팀을 따로 꾸려 이를 포함한 추천 관련 업무가 진행되고 있습니다. 인텔리전스랩스 테크블로그에 가면 관련 내용이 있으니 찾아보는 것도 재밌을 것 같아요 ☺

Tools

• Azure Databricks나 Zeppelin의 Notebook

• git

  재사용되거나 함께 관리하는 코드는 따로 git을 통해 관리되기도 합니다.

• Deep Learning

  딥 모델을 다루는 경우, 로컬에서 GPU 머신에 접속하여 VSCode나 Pycharm 같은 IDE 에서 작업하기도 하죠. 딥모델까지 다루겠다 하면 pytorch가 여기서는 가장 범용적으로 사용되니 pytorch도 좀 알아두면 좋겠네요.

• 분산 처리

  데이터를 처리할 때에는 보통 PySpark를 사용하여 대용량 데이터를 분산처리합니다. 그런데 이런 툴에 익숙해지는 것은 그리 어려운 일이 아니기 때문에, 학생일 때에는 python을 능숙하게 사용하고 pandas나 sklearn, 다양한 모델 라이브러리를 사용할 수 있는 정도면 충분하지 않나 생각합니다.

Nexon에서 Data Analyst와 Scientist의 차이

• Data Scientist의 업무는 자연스럽게 대부분의 업무가 모델링에 한정되어 있다.

  넥슨에서 둘의 차이를 굳이 구분해보자면, 본인을 Scientist라고 생각하시는 분들은 대체로 딥모델을 어느 정도 다루고, 관련 모델링 경험이 있으신 분들이었습니다. 비정형 데이터를 다루거나, 정형데이터 중 시계열이나 추천 문제를 다루는 경우가 보통 이에 해당한다고 볼 수 있습니다. 꼭 추천 관련된 업무가 아니더라도 그래프 형태의 데이터를 다루는 경우에도 해당할 수 있겠네요.

• Data Analyst는 모델링이 주 업무가 아니면서 데이터 기반 업무나 서비스를 맡은 사람

  Analyst의 경우에는 Scientist에 비해 업무의 범위가 굉장히 넓습니다. 단순히 ETL위주의 일을 하는 경우도 있고, 특정 서비스에 대해 데이터 처리, 라이브 대응, a/b test, 관련 모델 관리까지 진행하는 경우도 많습니다. 정리를 해보자면, 모델링이 주 업무가 아니면서 데이터 기반 업무나 서비스를 맡고 있다면 다 analyst라고 봐도 되겠네요.

문제를 잘 정의하는 방법

• 가설에 대해 데이터를 활용하여 논리적으로 설명하기

  문제를 정확하게 정의하고 데이터로 단순 사실이 아닌 결론을 주장할 수 있는 ‘데이터 문해력‘을 갖춰야 합니다. 회사에서의 업무는 기본적으로 타인과의 협업이 기본이기 때문에, 논리적으로 타인을 설득할 수 있는 결과물을 내야 데이터 분석을 잘 하는 사람으로 인정받을 수 있습니다. 무슨 뜻인지 예를 들기 위해, 이탈을 예측하는 문제를 풀어야 하는 상황을 가정해보겠습니다. 가장 먼저 해야 할 일은 이탈이 무엇인지 구체적으로 정의하는 것입니다. ‘이탈‘이라는 것을 구체적으로 어떻게 정의하면 좋을까요? 유저들은 일반적으로 명시적으로 회원 탈퇴를 하거나 계정을 삭제하는 식으로 이탈하지 않습니다. 보통은 어느 날부터 갑자기 서비스를 이용하지 않는 식으로 이탈하게 되는데, 그럼 얼마나 길게 서비스를 이용하지 않아야 ‘이탈’이라고 볼 수 있을까요? ‘감‘으로 대략 일주일 정도 접속하지 않으면 왠지 이탈이라고 정의해도 될 것 같은 기분이 들었다고 해봅시다. 다른 동료나 상사가 왜 일주일을 기준으로 정했냐고 물었을 때 ‘감’으로 정했다고 말할 수는 없으니, 이를 뒷받침할 수 있는 데이터를 취합하여 ‘결론’을 말할 수 있는 형태로 재구성해야 할 것입니다. 여기서 얼마나 합리적인 근거를 제시하여 그를 통한 결론을 만들어내는지가 분석가의 주요 역량 중 하나로 볼 수 있을 것입니다.

• 스스로 문제를 정의하고 그에 대한 해답 또는 결론을 데이터를 통해 제시하는 경험

  보통 학생 때 접하는 대부분의 데이터는 X(features)와 y(label)가 정해진 데이터일 것입니다. Kaggle이나 그 외 공모전을 통해 공개되는 데이터는 보통 문제 자체가 이미 정의되어 있어 스스로 문제를 정의하고 다양한 가설을 세워보는 훈련을 해보기 어렵습니다. 데이터 공모전 중에서는 아이디어 공모전 같은 타입에 참여하거나, YBIGTA Conference 같은 기회를 통해 스스로 정의한 문제를 풀어보면 좋을 듯 하네요 🙂

좋은 데이터 분석이란?

• 모델링: 데이터 안에 내재된 패턴을 보다 잘 포착하는 모델 구조를 사용한 분석

  모델이 사용하는 Feature를 구성할 때에도 기존의 데이터를 목적에 맞게 가공하거나 도메인 지식을 활용하여 유의미한 Feature를 추가하는 것도 좋은 데이터 분석 사례로 볼 수 있겠습니다. 통계학 및 다양한 패턴인식 알고리즘에 대한 이론 지식과 이를 적절한 문제에 응용해내는 실무적 감각을 두루 갖추면 데이터 분석을 잘 하는 사람으로 볼 수 있을 듯 합니다. 반대로 좋은 데이터 분석이라고 보기 어려운 경우는 적은 비용으로 충분히 풀 수 있는 문제에 딥모델을 적용하는 등 위에서 언급한 경우의 반대 케이스로 보면 되겠죠.

• 분석: 적절한 시각화를 통해 주장하는 내용이나 인사이트를 명확히 전달되는 경우

  현업에서도 은근히 시각화를 대충 나만 알아보게 하는 경우를 많이 보는데요, 그래프의 형태나 각 요소의 색깔, 범례 등을 신경썼을 때 분석을 통해 말하고자 하는 바가 정확히 전달되더라구요.