3초 핵심 요약
국내 데이터 산업 시장은 2025년 기준 33조 원 규모, 데이터 직무 인력 부족률은 12.2%로 데이터 사이언티스트는 1순위 필요 직무
산업별로 하는 일: 금융은 신용평가와 이상거래 탐지, 이커머스는 물류와 마케팅 최적화, 게임은 유저 행동 분석, 제조는 품질과 예지 정비
공통 스택(SQL, Python, ML/DL)에 더해 지원 산업의 '도메인 지식'이 취업 경쟁력의 결정 요인
데이터 사이언티스트 취업, 어떤 산업이 유리할까? 산업별 채용 비교
데이터 사이언티스트 취업, 어떤 산업이 유리할까요? 삼성, 카카오, 토스, 쿠팡, 넥슨의 실제 채용공고를 기반으로 금융, 이커머스, 게임, 제조 산업의 데이터 사이언티스트 업무와 요구 역량을 비교 정리했습니다.
Jul 30, 2026
Contents
1. 데이터 사이언티스트 취업 시장, 지금 어떤 상황일까2. 금융 데이터 사이언티스트 취업, 토스와 카카오뱅크토스뱅크: 신용평가와 은행 프로세스 최적화카카오뱅크: 이상거래 탐지와 규제 대응금융권에서 자주 요구하는 역량3. 이커머스와 플랫폼 데이터 사이언티스트 취업, 쿠팡과 카카오페이쿠팡: 물류, 마케팅, 공급망을 관통하는 데이터 조직카카오페이: 대안신용평가와 마이데이터 활용이커머스, 플랫폼에서 자주 요구하는 역량4. 게임과 제조 데이터 사이언티스트, 넥슨과 삼성, 현대자동차의 자리넥슨: 게임 서비스 데이터로 라이브 의사결정 지원삼성전자와 현대자동차: 제조 데이터 플랫폼 위에서의 분석게임, 제조에서 자주 요구하는 역량5. 데이터 사이언티스트 취업, 산업이 달라져도 바뀌지 않는 것💡
데이터 사이언티스트 취업을 준비하다 보면 같은 직무명을 달고 있어도 회사마다 하는 일이 다르다는 것을 느끼게 됩니다. 예를 들어, 토스뱅크의 데이터 사이언티스트와 넥슨의 데이터 사이언티스트는 사실상 완전히 다른 직업이라고 봐도 무방하죠.
요구하는 스택, 다루는 데이터의 성격, 성과를 측정하는 지표까지 산업마다 크게 달라요. 그래서 데이터 사이언티스트 취업의 첫 관문은 스펙 쌓기가 아니라 '내가 어느 도메인에서 문제를 풀고 싶은가'를 정하는 일에서 시작합니다.
이 글에서는 국내 채용이 활발한 네 개 카테고리(금융, 이커머스와 플랫폼, 게임, 제조)를 실제 기업 채용공고를 기반으로 비교해 보겠습니다. 그를 비교하기 위해 큰 취업군이라고 볼 수 있는 삼성, 카카오, 토스, 쿠팡, 넥슨, 현대자동차의 자리가 각각 어떻게 다른지 살펴볼게요.
1. 데이터 사이언티스트 취업 시장, 지금 어떤 상황일까
먼저 시장 전체 그림부터 확인해 볼게요. 데이터 사이언티스트 취업 시장을 이야기할 때 자주 인용되는 지표는 크게 세 가지입니다. 산업 규모, 인력 규모, 그리고 인력 부족률.
한국데이터산업진흥원 조사에 따르면 2024년 국내 데이터 산업 시장은 전년 대비 5.8% 성장한 30조 7,462억 원 규모로 형성됐어요. 2020년부터 2024년까지 연평균 11.3%의 성장률을 유지해 왔고, 2025년에는 33조 2,269억 원 규모(추정)로 예상됩니다. 매년 안정적으로 확장되는 시장이죠.
인력 규모도 함께 늘고 있어요. 2025년 기준 데이터산업에 종사하는 데이터 직무 인력은 159,179명, 일반산업까지 포함한 전체 데이터 직무 인력은 242,347명으로 집계됐습니다. 전년 대비 각각 4.5%, 6.1% 증가한 수치죠.
중요한 건 그다음입니다. 과학기술정보통신부와 한국데이터산업진흥원 조사에 따르면 데이터산업 분야 인력 수요는 2026년까지 총 1만 8,148명이 추가로 필요할 것으로 예상됐고, 인력 부족률은 12.2%로 나타났어요. 분야별로는 데이터 과학자, 데이터 분석가, 데이터 개발자가 필요 직무로 손꼽혔죠.
요약하면 시장은 성장 중이고, 인력은 늘고 있으며, 그럼에도 여전히 데이터 사이언티스트는 부족합니다. 산업 규모의 확장 속도를 인력 공급이 따라가지 못하는 구조라, 실무 역량과 도메인 이해를 갖춘 지원자에게 기회가 열려 있는 시기예요. 그런데 그 기회가 산업별로 다른 얼굴을 하고 있다는 점이 핵심입니다.
2. 금융 데이터 사이언티스트 취업, 토스와 카카오뱅크
금융권은 데이터 사이언티스트 채용이 가장 활발한 도메인 중 하나예요. 은행, 카드, 증권, 핀테크가 모두 대량의 거래 데이터를 축적하고 있고, 이를 신용평가와 리스크 관리에 직접 활용하기 때문입니다. '금융 데이터 사이언티스트'라는 세부 직무명이 채용공고에 자주 등장할 만큼 시장이 형성돼 있죠.
토스뱅크: 신용평가와 은행 프로세스 최적화
토스뱅크 채용 페이지에 공개된 데이터 사이언티스트 공고를 보면 역할이 명확합니다. 머신러닝과 딥러닝 알고리즘을 활용해 신용평가, 상품전략, 고객 특성 파악 관련 모형을 개발하고 최적화하는 것이 핵심 업무예요. 여기에 계좌개설, 수신, 카드, 사후관리 등 은행의 모든 프로세스를 효율화하는 프로젝트까지 확장돼 있습니다.
인터넷은행 특성상 오프라인 지점이 없기 때문에, 신용평가 모형이 곧 대출 심사의 대부분을 결정해요. 모델의 정확도 0.1%가 대출 승인율과 부실률에 직접 반영되는 구조입니다. 데이터 사이언티스트가 만드는 결과물이 곧 회사의 손익 계산서에 찍히는 환경이라고 볼 수 있죠.
카카오뱅크: 이상거래 탐지와 규제 대응
카카오뱅크 데이터 사이언티스트의 주요 업무는 머신러닝 기반 이상거래 탐지 모형과 FDS(Fraud Detection System, 이상금융거래탐지시스템), AML(Anti-Money Laundering, 자금세탁방지), STR(Suspicious Transaction Report, 의심거래보고) 모형 개발이에요. 금융권의 특수성이 그대로 드러나는 영역이죠.
이 자리의 특징은 성능뿐 아니라 '설명 가능성'이 요구된다는 점입니다. 왜 이 거래를 이상으로 판단했는지, 왜 이 고객을 자금세탁 의심으로 신고했는지 규제 당국에 설명할 수 있어야 해요.
그래서 금융 데이터 사이언티스트는 최신 딥러닝 모델을 그대로 쓰기보다, 해석 가능한 모델 구조와 피처 엔지니어링에 시간을 많이 씁니다.
금융권에서 자주 요구하는 역량
통계 기반 신용평가 모형 설계 경험(Logistic Regression, GBM 계열)
SQL, Python 실무 능력과 대용량 정형 데이터 처리
금융 규제(신용정보법, AML 등)에 대한 기본 이해
모델의 성능뿐 아니라 해석 가능성을 설명할 수 있는 문서화 역량
3. 이커머스와 플랫폼 데이터 사이언티스트 취업, 쿠팡과 카카오페이
이커머스와 플랫폼 산업은 실시간으로 쌓이는 사용자 로그가 데이터의 중심이에요. 금융이 정형 데이터의 정확도를 중요시한다면, 이커머스와 플랫폼은 대규모 비정형 로그를 빠르게 처리해 의사결정으로 연결하는 속도에 방점이 찍힙니다.
쿠팡: 물류, 마케팅, 공급망을 관통하는 데이터 조직
쿠팡 채용 페이지에 공개된 데이터 사이언티스트 공고를 보면, 회사의 비즈니스 문제에 적용 가능한 분석 솔루션을 구현하는 것이 핵심 책임으로 명시돼 있어요. 마케팅, 프로덕트, 공급망, 물류 등 여러 비즈니스 도메인과 협업하는 자리로 설정돼 있죠.
특징적인 건 물류와 공급망까지 데이터 사이언스가 깊이 들어가 있다는 점입니다. 상품 수요 예측, 창고 배치 최적화, 배송 경로 설계까지 모두 모델링 대상이에요.
'내가 만든 모델의 결과가 물리적인 세계의 흐름을 바꾼다'는 감각을 얻을 수 있는 환경이죠. 실시간 배송 시스템을 다뤄 보고 싶은 취업 준비생이라면 흥미를 느낄 만한 자리입니다.
카카오페이: 대안신용평가와 마이데이터 활용
카카오페이 채용공고에 따르면 데이터 사이언티스트는 카카오페이 데이터와 마이데이터를 활용해 고객 프로파일, 가맹점 프로파일, 대안신용평가, 비즈니스 예측모델 개발 등의 업무를 수행합니다. 데이터 분석을 통해 인사이트를 발굴하고, 이를 기반으로 비즈니스에 필요한 데이터와 모델을 개발하는 역할이죠.
금융 데이터 사이언티스트의 성격과 이커머스의 성격이 섞여 있는 자리예요. 은행처럼 규제와 리스크가 있지만, 플랫폼처럼 방대한 행동 데이터를 자유롭게 활용할 수 있다는 특징이 있죠.
대안신용평가는 기존 금융 데이터만으로 신용을 평가하기 어려운 고객군에게 결제, 소비 패턴을 근거로 신용을 부여하는 방식으로, 마이데이터가 열리면서 실제 서비스로 확장되고 있는 영역입니다.
이커머스, 플랫폼에서 자주 요구하는 역량
대용량 로그 데이터 처리(Hadoop, Spark)
A/B 테스트 설계와 인과 추론
추천 시스템, 수요 예측 모델링 경험
여러 유관 부서와 협업하는 커뮤니케이션 능력
4. 게임과 제조 데이터 사이언티스트, 넥슨과 삼성, 현대자동차의 자리
게임과 제조는 데이터의 성격이 극단적으로 다르지만, 두 산업 모두 데이터 사이언티스트의 역할이 뚜렷하게 자리 잡고 있어요. 취업 준비생 입장에서 상대적으로 덜 알려진 만큼 경쟁 밀도가 다른 도메인일 수 있죠.
넥슨: 게임 서비스 데이터로 라이브 의사결정 지원
넥슨 채용 페이지에 공개된 데이터 분석 직군 공고를 보면, 게임 서비스에서 생성되는 데이터를 분석해 자동화된 분석 시스템을 개발하거나, 개발, 라이브, 마케팅 등 게임 서비스 활동을 지원하는 인사이트를 제공하는 것이 핵심 역할입니다. 게임은 유저 한 명의 행동 로그가 초 단위로 쌓이는 도메인이라, 데이터의 양과 결이 다른 산업과 매우 달라요.
주요 업무는 유저 이탈 예측, 결제 전환 분석, 밸런싱 지표 설계, 어뷰징 탐지 등이에요. 흥미로운 지점은 '게임 이해도'가 도메인 지식의 핵심이라는 점이죠.
게임의 재미와 밸런스를 이해하지 못한 채 데이터만 파고들면, 결과가 라이브 서비스의 현실과 어긋나는 경우가 많거든요. 게임을 즐기는 성향이 실제 업무 성과로 연결되는 흔치 않은 자리이기도 합니다.
삼성전자와 현대자동차: 제조 데이터 플랫폼 위에서의 분석
제조업의 데이터 사이언티스트 채용은 삼성전자, 현대자동차 같은 대기업 중심으로 형성돼 있어요. 삼성전자는 반도체, 스마트폰, 가전 등 여러 사업부에서 생산 라인 데이터, 품질 데이터, 고객 사용 데이터를 축적하고 있고, 이를 활용하는 데이터 사이언스, AI 직군을 상시로 채용하고 있죠. 반도체 공정에서 발생하는 시계열 센서 데이터를 활용한 수율 개선, 불량 예측이 대표적인 업무 영역입니다.
현대자동차 CDO(Chief Data Office)는 전사 데이터 수집 정책 수립과 분석 환경 제공, 빅데이터와 AI 분석을 통한 데이터 기반 가치 창출을 담당하는 조직이에요. 자체 빅데이터 분석 플랫폼을 운용하고 있고, 예지 정비, 품질 이상 탐지, 커넥티드카 데이터 분석, 판매 예측이 모두 데이터 사이언티스트의 영역입니다.
제조업은 생산 라인, 품질 데이터, 차량 텔레메트리, 판매 데이터가 결합돼 있어 분석 범위가 매우 넓어요.
특히 현대차의 경우 모빌리티로 사업이 확장되면서 자율주행 데이터, 커넥티드 서비스 데이터가 추가되고 있어 앞으로 채용 규모가 더 커질 도메인이죠. 안정적인 대기업 환경에서 대규모 데이터를 다뤄 보고 싶다면 눈여겨볼 만합니다.
게임, 제조에서 자주 요구하는 역량
대규모 이벤트 로그와 시계열 데이터 분석
도메인에 대한 깊은 관심(게임에 대한 애정, 제조 공정에 대한 이해)
실험 설계와 지표 정의 능력
SQL, Python, 시각화 도구를 활용한 리포팅
5. 데이터 사이언티스트 취업, 산업이 달라져도 바뀌지 않는 것
산업별 채용공고를 비교하다 보면 한 가지 공통 패턴이 드러나요. 어느 도메인이든 데이터 사이언티스트에게 SQL, Python, 머신러닝 기본기, 대용량 데이터 처리를 요구한다는 점이죠. 이 부분은 어차피 갖춰야 하는 공통 스택입니다.
결국 지원자를 가르는 결정 요인은 그 다음에 옵니다. 바로 도메인 지식이에요. 한국데이터산업진흥원 조사에서도 반복해서 강조되는 지점입니다.
현업 담당자가 요구하는 분석의 니즈를 데이터 사이언티스트가 충분히 공감하고 이해할 때 비즈니스에서 활용 가능한 결과가 나오며, 각 도메인에 적합한 분석과 인사이트를 도출할 수 있는 도메인 전문성이 요구된다는 것이죠.
도메인 지식 없이 분석만 하면, 결과가 그 분야 전문가들에게는 이미 상식인 내용이거나, 무관한 내용을 관련 있는 것처럼 해석하는 오류로 이어질 수 있어요.
그래서 데이터 사이언티스트 취업을 준비할 때는 스택 학습과 도메인 학습을 병행해야 합니다. 금융 데이터 사이언티스트를 지망한다면 신용 리스크와 금융 규제의 기본을, 이커머스를 지망한다면 커머스 지표(전환율, LTV, CAC)를, 게임을 지망한다면 유저 리텐션과 결제 구조를, 제조를 지망한다면 공정과 품질 지표를 함께 학습해야 서류와 면접에서 설득력이 생기죠.
포트폴리오도 같은 원리예요. 캐글 상위권 성적만으로는 부족합니다. 지원하려는 산업의 공개 데이터를 활용해 도메인 문제를 정의하고 푸는 프로젝트가 훨씬 강한 신호를 줘요.
금융감독원 오픈 API로 이상거래 탐지 프로젝트를 만들거나, 공공데이터포털의 물류, 제조 데이터로 예측 모델을 구축하거나, 게임사의 공개 지표로 유저 세그멘테이션을 시도하는 식이죠.
채용 담당자가 '우리 문제를 이 사람에게 맡길 수 있겠다'고 판단할 근거를 만들어 주는 겁니다. 산업의 언어로 프로젝트를 설명할 수 있는 지원자와, 모델 성능만 이야기하는 지원자 사이의 격차는 생각보다 큽니다.
데이터 사이언티스트 취업의 방향을 정했다면, 다음 질문은 '어떻게 이 스택과 도메인 감각을 실제 프로젝트로 쌓을 것인가'예요.
이론과 포트폴리오 사이의 간격이 생각보다 크죠. 개인이 혼자서 대용량 데이터, MLOps 환경, 실무 수준의 프로젝트를 구성하기는 어렵고, 도메인 전문가와 협업하는 경험은 더더욱 개인 학습으로 확보하기 어렵습니다.
KANT의 AI 데이터 사이언티스트 트랙은 이 지점을 겨냥해 설계됐어요. MLOps 기반의 데이터, ML 모델 운영을 프로젝트 중심으로 다루면서, 통계와 인과 분석부터 데이터 파이프라인 구축까지 실무에 필요한 축을 함께 쌓아갈 수 있습니다.
지금 바로 아래 버튼을 눌러 더 자세히 알아보세요.
출처
Share article