데이터 분석가 취업을 준비하는 분들의 포트폴리오와 모의면접 답변을 점검하다 보면 Python, Pandas, Tableau, Power BI 같은 도구는 많이 적혀 있지만 정작 SQL 설명이 약한 경우를 자주 봅니다. 분석 결과 그래프는 있고 대시보드 화면도 있지만, 그 결과를 만들기 위해 어떤 기준으로 자료를 추출했는지, 어떤 조건으로 필터링했는지, 어떤 지표를 집계했는지 설명하지 못하는 경우가 있습니다. 실제 면접에서 매출이 줄어든 원인을 어떻게 확인하겠는지, 활성 사용자를 어떤 기준으로 뽑겠는지, 재구매율을 어떻게 계산하겠는지 질문하면 답변이 막히는 준비생도 많습니다. 저는 이 지점이 데이터 분석가 준비에서 매우 중요하다고 생각합니다. SQL은 단순 조회 문법이 아니라 데이터추출, 지표분석, 실무역량을 보여주는 가장 기본적인 도구입니다.
데이터추출을 할 수 있어야 분석의 시작점이 분명해집니다
- 자료를 가져오는 기준이 약한 경우
데이터 분석 포트폴리오를 검토하다 보면 시각화 결과는 깔끔하지만 분석에 사용한 자료를 어떻게 가져왔는지 설명이 부족한 경우가 많습니다. 예를 들어 매출 분석 대시보드를 만들었다고 해도 어떤 테이블에서 매출 데이터를 가져왔는지, 취소 주문은 제외했는지, 기간 조건은 어떻게 잡았는지, 고객 단위와 주문 단위를 어떻게 구분했는지 보이지 않으면 분석의 신뢰도가 약해집니다. 분석가는 결과를 예쁘게 보여주는 사람만이 아니라 분석할 대상을 정확히 정의하고 필요한 자료를 뽑아낼 수 있어야 합니다.
실제 모의면접에서 자주 확인하는 질문이 있습니다. 이 분석에 필요한 데이터를 어디서 어떻게 가져오겠는가입니다. 이 질문에 대해 단순히 DB에서 가져오겠습니다라고 답하면 부족합니다. 어떤 테이블이 필요하고, 어떤 조건을 걸어야 하며, 어떤 칼럼을 기준으로 조인해야 하는지 말할 수 있어야 합니다. 저는 이 차이가 데이터 분석가 취업 준비에서 매우 크게 드러난다고 봅니다. 분석 도구를 잘 쓰더라도 필요한 자료를 정확히 가져오지 못하면 결과의 해석이 흔들릴 수 있기 때문입니다.
- 데이터추출은 조건과 기준을 세우는 과정입니다
데이터추출은 단순히 전체 테이블을 조회하는 일이 아닙니다. 분석 목적에 맞게 필요한 범위를 정하고, 조건을 걸고, 중복을 제거하고, 서로 다른 테이블을 연결하는 과정입니다. 예를 들어 신규 가입자 분석을 한다면 가입일 기준이 필요하고, 주문 전환율을 보려면 가입자와 주문 정보를 연결해야 합니다. 매출 분석이라면 결제 완료 주문만 볼 것인지, 환불과 취소를 어떻게 제외할 것인지 정해야 합니다. 이 기준이 없으면 같은 자료를 가지고도 전혀 다른 결과가 나올 수 있습니다.
- 데이터추출 능력은 분석 질문을 쿼리 조건으로 바꾸는 힘입니다. 예를 들어 최근 30일 동안 구매한 고객을 확인한다고 했을 때 단순히 고객 테이블만 보는 것이 아니라 주문 테이블에서 결제 완료 상태인 주문을 기준으로 기간 조건을 적용해야 합니다. 고객 ID를 기준으로 중복을 제거해야 실제 구매 고객 수를 계산할 수 있습니다. 이런 흐름을 설명할 수 있어야 자료를 뽑는 능력이 단순 조회가 아니라 분석 준비 과정으로 보입니다.
- 필요한 테이블을 연결하는 능력도 중요합니다. 고객 정보, 주문 정보, 상품 정보, 방문 로그가 각각 다른 테이블에 있다면 분석 목적에 맞게 연결해야 합니다. 예를 들어 상품별 매출을 보려면 주문 상세와 상품 정보를 연결해야 하고, 고객별 재구매를 보려면 주문 정보와 고객 정보를 함께 봐야 합니다. 포트폴리오에서 어떤 테이블을 어떤 기준으로 연결했는지 설명하면 분석 과정의 신뢰도가 높아집니다.
- 데이터추출이 강점이 되는 실제 사례
예를 들어 온라인 쇼핑몰 매출 분석을 한다고 해보겠습니다. 약한 설명은 매출 데이터를 분석했습니다입니다. 조금 더 나은 설명은 주문 데이터를 가져와 월별 매출을 계산했습니다입니다. 하지만 더 좋은 설명은 주문 테이블에서 결제 완료 상태만 추출하고, 취소와 환불 상태는 제외한 뒤, 주문일을 월 단위로 묶어 월별 매출을 계산했습니다라고 정리하는 것입니다. 여기에 상품 카테고리별 매출을 보기 위해 주문 상세 테이블과 상품 테이블을 상품 ID 기준으로 연결했다고 설명하면 훨씬 구체적입니다.
고객 분석에서도 마찬가지입니다. 활성 사용자를 분석했다고만 쓰면 기준이 불분명합니다. 최근 30일 이내 로그인 또는 구매 이력이 있는 고객을 활성 사용자로 정의했고, 로그인 로그와 주문 테이블을 고객 ID 기준으로 확인했다고 설명하면 분석 기준이 보입니다. 저는 이런 설명이 들어간 포트폴리오를 보면 지원자가 결과만 만든 것이 아니라 분석 대상을 직접 정의하고 필요한 자료를 추출해 본 경험이 있다고 판단합니다.
- 데이터추출을 포트폴리오에 정리하는 방법
포트폴리오에는 사용한 쿼리를 모두 길게 넣을 필요는 없습니다. 대신 분석 목적, 필요한 테이블, 추출 조건, 조인 기준, 제외 기준, 결과 칼럼을 간단히 정리하면 좋습니다. 예를 들어 분석 목적은 월별 매출 변화 확인, 필요한 테이블은 주문과 주문 상세, 추출 조건은 결제 완료 주문, 제외 기준은 취소와 환불, 집계 기준은 주문일의 월 단위라고 정리할 수 있습니다. 이 정도만 있어도 결과가 어떻게 만들어졌는지 이해하기 쉬워집니다.
저는 준비생들에게 분석 결과를 보여주기 전에 먼저 자료를 어떻게 만들었는지 한 문단으로 설명하라고 권합니다. 그래야 면접에서 그래프만 설명하는 것이 아니라 분석의 출발점부터 말할 수 있습니다. 데이터 분석가에게 필요한 것은 도구 사용 능력만이 아닙니다. 어떤 자료를 선택했고, 어떤 조건으로 추출했으며, 왜 그 기준이 필요한지 설명하는 능력입니다. SQL은 이 시작점을 가장 직접적으로 보여주는 도구입니다.
지표분석은 SQL로 기준을 명확히 할 때 설득력이 생깁니다
- 지표 이름은 있지만 계산 기준이 없는 경우
데이터 분석 포트폴리오를 보면 매출, 전환율, 재구매율, 이탈률, 활성 사용자, 객단가 같은 지표가 자주 등장합니다. 그런데 실제로 그 지표를 어떻게 계산했는지 설명이 부족한 경우가 많습니다. 예를 들어 재구매율을 분석했다고 적었지만 재구매를 두 번째 주문으로 볼 것인지, 일정 기간 안의 반복 구매로 볼 것인지, 취소 주문을 제외했는지 기준이 없으면 결과를 신뢰하기 어렵습니다. 지표는 이름보다 계산 기준이 중요합니다. 저는 이 부분에서 SQL 정리가 되어 있는 지원자와 그렇지 않은 지원자의 차이가 크게 드러난다고 봅니다.
모의면접에서 지표 관련 질문을 하면 준비생들이 자주 막히는 지점이 있습니다. 매출이 감소했다고 분석했지만 총매출 기준인지 순매출 기준인지 설명하지 못하거나, 사용자 수가 늘었다고 했지만 중복 방문을 제거했는지 말하지 못하는 경우입니다. 데이터 분석가는 수치를 보여주는 사람만이 아니라 수치가 어떤 기준으로 만들어졌는지 설명하는 사람입니다. 지표 기준이 흔들리면 인사이트도 흔들립니다. 그래서 SQL을 통해 집계 기준과 필터 조건을 명확히 하는 훈련이 필요합니다.
- 지표는 정의와 집계 기준이 먼저입니다
지표분석을 할 때는 먼저 이 지표가 무엇을 의미하는지 정의해야 합니다. 매출은 결제 완료 금액인지, 할인 전 금액인지, 환불을 제외한 금액인지 정해야 합니다. 전환율은 방문자 대비 구매자 비율인지, 장바구니 진입자 대비 결제 완료 비율인지 기준이 필요합니다. 재구매율은 전체 구매자 중 2회 이상 구매한 고객 비율로 볼 수도 있고, 특정 기간 내 다시 구매한 고객 비율로 볼 수도 있습니다. 이 기준을 SQL로 구현할 수 있어야 분석 결과가 설득력을 얻습니다.
- 지표분석은 분자와 분모를 명확히 하는 것에서 시작합니다. 예를 들어 구매 전환율을 계산한다면 분모는 방문자 수인지, 상품 상세 페이지 방문자 수인지, 회원가입 완료자 수인지 정해야 합니다. 분자는 결제 완료 고객인지, 주문 생성 고객인지, 주문 금액이 있는 고객인지 정해야 합니다. 이 기준이 정리되지 않으면 같은 전환율이라는 단어를 사용해도 서로 다른 결과가 나옵니다. 저는 포트폴리오에서 지표 정의가 보이면 분석 신뢰도가 훨씬 높아진다고 생각합니다.
- 기간 기준과 제외 조건도 함께 정리해야 합니다. 월별 매출을 분석한다고 할 때 주문일 기준인지 결제일 기준인지, 취소와 환불은 제외했는지, 테스트 계정은 제거했는지에 따라 결과가 달라질 수 있습니다. 실제 업무에서는 이런 기준 차이로 회의에서 숫자가 맞지 않는 일이 생길 수 있습니다. SQL은 이 기준을 명확히 적용하는 도구이기 때문에 데이터 분석가 준비생이라면 조건과 집계 기준을 설명할 수 있어야 합니다.
- 지표분석이 강점이 되는 실제 사례
예를 들어 재구매율 분석을 한다고 해보겠습니다. 약한 설명은 고객 재구매율을 분석했습니다입니다. 조금 더 나은 설명은 고객별 주문 횟수를 계산해 재구매 고객을 확인했습니다입니다. 하지만 더 좋은 설명은 결제 완료 주문만 기준으로 고객별 주문 횟수를 집계하고, 2회 이상 구매한 고객을 재구매 고객으로 정의했습니다. 이후 전체 구매 고객 중 재구매 고객 비율을 월별로 비교해 재구매율 변화를 확인했습니다라고 정리하는 것입니다. 이 설명에는 지표 정의, 집계 기준, 제외 조건, 분석 방향이 함께 들어 있습니다.
전환율 분석도 좋은 사례입니다. 단순히 구매 전환율을 계산했다고 쓰는 것보다 상품 상세 페이지를 방문한 사용자 중 결제 완료 주문을 한 사용자 비율로 정의했고, 방문 로그와 주문 테이블을 고객 ID 기준으로 연결해 계산했다고 설명할 수 있습니다. 이때 같은 사용자가 여러 번 방문한 경우 중복을 어떻게 처리했는지도 중요합니다. 저는 이런 기준이 정리된 포트폴리오를 보면 지원자가 분석 결과보다 지표의 의미를 먼저 고민했다고 느낍니다.
- 지표분석을 면접 답변으로 연결하는 방법
면접에서는 특정 지표를 어떻게 계산할 것인지 자주 질문할 수 있습니다. 이때 바로 도구 이름부터 말하기보다 지표 정의를 먼저 말하는 것이 좋습니다. 예를 들어 활성 사용자를 분석해야 한다면 먼저 활성 사용자를 최근 30일 안에 로그인 또는 구매 행동이 있는 사용자로 정의할 수 있다고 말합니다. 그다음 로그인 로그와 주문 테이블에서 해당 기간 조건을 적용하고, 고객 ID 기준으로 중복을 제거해 계산하겠다고 설명하면 답변이 체계적으로 들립니다.
저는 데이터 분석가 준비생들에게 주요 지표 10개 정도는 직접 정의해 보라고 권합니다. 매출, 순매출, 주문 수, 구매 고객 수, 활성 사용자, 전환율, 재구매율, 이탈률, 객단가, 상품별 매출 같은 지표입니다. 각 지표마다 필요한 테이블, 계산 기준, 제외 조건, 해석 방향을 정리하면 좋습니다. 이렇게 준비하면 면접에서 숫자를 계산하는 방법뿐 아니라 왜 그렇게 계산해야 하는지도 설명할 수 있습니다. SQL은 지표를 숫자로 만드는 도구이면서 동시에 분석 기준을 명확히 하는 훈련입니다.
실무역량은 SQL을 통해 문제를 질문으로 바꾸고 검증하는 힘에서 드러납니다
- 도구는 많지만 실무 질문에 약한 경우
데이터 분석가 취업 준비생들은 Python, Pandas, 시각화 도구, 머신러닝 기초까지 폭넓게 공부하는 경우가 많습니다. 하지만 실제 업무에 가까운 질문을 던지면 SQL에서 막히는 경우가 있습니다. 예를 들어 지난달보다 매출이 줄어든 이유를 어떻게 확인할 것인지, 특정 상품의 재구매가 낮은 원인을 어떻게 볼 것인지, 신규 사용자가 어느 단계에서 이탈하는지 어떻게 확인할 것인지 질문하면 분석 흐름이 바로 나오지 않는 경우입니다. 저는 이 상황을 보면 도구 학습보다 실무 질문을 자료 조건과 지표로 바꾸는 훈련이 부족하다고 느낍니다.
실무에서 분석가는 이미 정리된 그래프만 만드는 사람이 아닙니다. 문제를 듣고, 확인할 기준을 세우고, 필요한 자료를 추출하고, 비교할 지표를 계산하고, 결과를 해석해 다음 질문으로 이어가야 합니다. 이 과정에서 SQL은 매우 현실적인 도구가 됩니다. 현업 데이터는 대부분 테이블 형태로 저장되어 있고, 분석가는 필요한 조건으로 자료를 가져와야 하기 때문입니다. 실무역량은 단순 문법 암기보다 질문을 쿼리 구조로 바꾸는 능력에서 드러납니다.
- 문제를 분석 질문으로 바꾸는 능력이 필요합니다
예를 들어 매출이 줄었다는 문제를 받았다고 해보겠습니다. 이 문제를 바로 시각화부터 하면 안 됩니다. 먼저 매출 감소가 전체 매출인지 특정 카테고리 매출인지, 주문 수가 줄었는지 객단가가 줄었는지, 구매 고객 수가 줄었는지 확인해야 합니다. 이후 기간별, 카테고리별, 고객군별, 유입 채널별로 나누어 비교할 수 있습니다. 이때 SQL은 각 기준으로 자료를 나누어 확인하는 도구가 됩니다. 문제를 세부 질문으로 나누는 과정이 실무 분석의 시작입니다.
- 실무역량은 가설을 세우고 검증하는 흐름에서 보입니다. 예를 들어 매출이 줄었다면 주문 수 감소, 객단가 감소, 특정 상품군 판매 감소, 신규 고객 유입 감소 같은 가설을 세울 수 있습니다. 각 가설을 확인하기 위해 주문 수, 평균 주문 금액, 카테고리별 매출, 신규 고객 구매 건수를 SQL로 집계해 비교할 수 있습니다. 이런 설명이 가능하면 단순히 쿼리를 작성할 줄 아는 수준을 넘어 분석 문제를 구조화할 수 있는 사람으로 보입니다.
- 실무에서는 결과보다 다음 질문이 중요합니다. SQL로 월별 매출이 줄었다는 사실을 확인했다면 그다음은 왜 줄었는지를 봐야 합니다. 특정 카테고리에서 감소했는지, 신규 고객 구매가 줄었는지, 기존 고객 재구매가 줄었는지, 할인 이벤트 종료의 영향이 있었는지 추가로 확인해야 합니다. 저는 이런 식으로 질문을 이어갈 수 있는 지원자가 데이터 분석가 면접에서 더 강한 인상을 준다고 생각합니다.
- 실무형 답변이 강해지는 실제 사례
예를 들어 면접에서 앱 사용자의 이탈 원인을 어떻게 분석할 것인지 질문받았다고 해보겠습니다. 약한 답변은 사용자 데이터를 분석해 보겠습니다입니다. 조금 더 나은 답변은 로그인 기록과 구매 기록을 확인하겠습니다입니다. 하지만 더 좋은 답변은 먼저 이탈 사용자를 최근 30일 동안 접속하지 않은 사용자로 정의하고, 이탈 전 마지막 행동이 무엇이었는지 로그 데이터를 기준으로 확인하겠습니다. 이후 가입 후 첫 방문에서 이탈했는지, 상품 상세 페이지까지 갔지만 구매하지 않았는지, 장바구니 단계에서 멈췄는지 단계별로 나누어 보겠습니다라고 답하는 것입니다.
매출 감소 분석도 마찬가지입니다. 단순히 월별 매출을 비교하겠다고 말하는 것보다 매출을 주문 수와 객단가로 나누어 보고, 카테고리별 매출과 신규 고객 구매 비중을 함께 확인하겠다고 설명하면 좋습니다. SQL로 결제 완료 주문만 집계하고, 취소와 환불을 제외한 뒤, 월별 주문 수와 평균 주문 금액을 비교하겠다고 말하면 분석 기준이 훨씬 분명합니다. 저는 이런 답변을 들으면 지원자가 실무 질문을 지표와 조건으로 바꾸는 감각이 있다고 느낍니다.
- 실무역량을 포트폴리오에 보여주는 방법
데이터 분석 포트폴리오에는 결과 그래프만 넣기보다 분석 질문, 지표 정의, 추출 기준, 쿼리 요약, 해석, 다음 분석 방향을 함께 넣는 것이 좋습니다. 예를 들어 매출 분석이라면 단순히 월별 매출 그래프를 보여주는 것이 아니라 매출 감소 원인을 확인하기 위해 주문 수, 객단가, 카테고리별 매출을 나누어 보았고, 특정 카테고리에서 감소 폭이 컸다는 해석을 붙일 수 있습니다. 여기에 추가로 해당 카테고리의 상품 노출이나 재고 여부를 확인할 필요가 있다고 적으면 다음 질문까지 이어집니다.
저는 준비생들에게 포트폴리오 하나당 최소 3개의 분석 질문을 만들라고 권합니다. 첫 번째는 현재 상태를 확인하는 질문, 두 번째는 원인을 나누어 보는 질문, 세 번째는 개선 방향을 찾는 질문입니다. 이 질문에 필요한 자료를 SQL로 어떻게 추출했는지 정리하면 실무형 포트폴리오가 됩니다. 데이터 분석가 취업에서 SQL이 중요한 이유는 단순히 데이터베이스를 다루기 위해서가 아닙니다. 문제를 분석 가능한 질문으로 바꾸고, 그 질문을 자료로 검증하는 실무역량을 보여주기 때문입니다.
- conclusion
데이터 분석가 취업 준비에서 SQL이 중요한 이유는 단순히 SELECT, WHERE, GROUP BY 같은 문법을 알고 있는지 확인하기 위해서가 아닙니다. SQL은 필요한 자료를 추출하고, 지표의 계산 기준을 명확히 하며, 실무 문제를 분석 질문으로 바꾸어 검증하는 도구입니다. 지금 데이터 분석 포트폴리오를 준비하고 있다면 그래프와 대시보드만 정리하지 말고, 어떤 테이블에서 자료를 가져왔는지, 어떤 조건을 적용했는지, 지표를 어떻게 정의했는지, 결과를 보고 어떤 추가 질문을 만들었는지 함께 정리해야 합니다. 제가 여러 포트폴리오와 모의면접 답변을 보면서 느낀 것은 분석 도구를 많이 아는 지원자보다 분석 기준을 명확히 설명하는 지원자가 더 강하게 기억된다는 점입니다. 데이터추출, 지표분석, 실무역량이 SQL 안에서 연결될 때 데이터 분석가 준비는 훨씬 설득력 있는 취업 자료가 됩니다.
