미국 한인 IT 신입 Data 엔지니어 가이드 — Analyst · Scientist · Engineer (2026)

Data 직군 — Analyst → Scientist → Engineer 의 3 갈래

2026 미국 Data 직군은 3개 트랙 — Data Analyst, Data Scientist, Data Engineer + 신흥 Analytics Engineer, ML Engineer, AI Engineer 로 나뉜다. 학사 한인 신입에게 가장 진입 쉬운 자리는 Data Analyst, 학사+SQL+Python 으로 가능. Data Scientist 는 MS+ 권장, Data Engineer 는 backend 경험 + Spark/Airflow 깊이 필요. 2024-2025 AI 도입으로 단순 분석은 LLM 으로 대체되는 압박이 있는 반면, analytics engineering + ML platform + dbt + Snowflake / Databricks 같은 modern data stack 영역은 채용 활발하다.

Data 3 직군 비교 (FACT)

Data Analyst — SQL + BI tool + 비즈니스 의사결정. BS 충분. TC $80K-150K
Data Scientist — Statistics + ML modeling + experiment. MS/PhD. TC $140K-280K
Data Engineer — Pipeline ㆍ data warehouse ㆍ infra. BS+. TC $140K-280K
Analytics Engineer (신흥) — dbt + warehouse modeling + semantic layer. BS. TC $140K-220K
ML Engineer — Production ML pipeline. BS+. TC $180K-450K (FAANG)
Research Scientist (Data) — Causal inference / experiment design / new methods. PhD. TC $200K-500K

2026 Data 시장 (FACT + [INFERENCE])

FAANG Data Scientist L3 — Meta E3 약 $193K, Google L3 약 $185K
Data Engineer 시장 부족 — Snowflake / Databricks / dbt 경험자 시급 부족
Modern Data Stack 회사 — dbt Labs, Fivetran, Hex, Hightouch, Census, Astronomer (Airflow)
한국계 Data team — Coupang Seattle data org, NAVER LA, Toss US 데이터
금융 Quant Researcher — Two Sigma ㆍ Citadel ㆍ Jane Street ㆍ HRT. Senior $500K-2M+

Data Analyst — 가장 빠른 entry (FACT)

SQL 깊이 — Window function ㆍ CTE ㆍ partitioning ㆍ query optimization
Python pandas / Polars — DataFrame 조작
BI — Tableau ㆍ Looker ㆍ Power BI ㆍ Mode ㆍ Hex ㆍ Superset
Experimentation — A/B test, statistical significance, sample size
Storytelling — 데이터 → 비즈니스 액션. 가장 중요한 soft skill

Data Engineer 스택 (FACT)

Warehouse — Snowflake ㆍ BigQuery ㆍ Redshift ㆍ Databricks
Lakehouse — Databricks Delta ㆍ Iceberg ㆍ Hudi
Orchestration — Airflow ㆍ Dagster ㆍ Prefect ㆍ Mage
Transform — dbt (de facto) ㆍ SQLMesh ㆍ Spark
Streaming — Kafka ㆍ Flink ㆍ Materialize ㆍ Beam
CDC (Change Data Capture) — Debezium ㆍ Fivetran ㆍ Airbyte
Reverse ETL — Hightouch ㆍ Census
Catalog — DataHub ㆍ Amundsen ㆍ Atlan ㆍ Collibra
Quality — Great Expectations ㆍ Soda ㆍ Monte Carlo

Data Scientist 스택 (FACT)

Statistics — Hypothesis testing ㆍ Bayesian ㆍ causal inference
ML — scikit-learn ㆍ XGBoost / LightGBM ㆍ PyTorch ㆍ statsmodels
Experimentation platform — Optimizely ㆍ LaunchDarkly ㆍ Statsig ㆍ in-house A/B
NLP / CV — Hugging Face Transformers ㆍ spaCy ㆍ OpenCV
Notebook — Jupyter ㆍ JupyterLab ㆍ Colab ㆍ Hex ㆍ Deepnote

인터뷰 구조 (FACT)

Data Analyst — SQL screen (LeetCode SQL + StrataScratch) → A/B test case → Behavioral
Data Engineer — SQL + Python coding → Pipeline design + warehouse modeling → Behavioral
Data Scientist — SQL + Python ML → Case (analytics 문제) → ML modeling → Behavioral
ML Engineer — Coding + ML system design + ML concept depth → Behavioral

Portfolio — 한인 신입 Data (FACT + [INFERENCE])

Kaggle competition — Top 10% 1-2개. Bronze 이상
Tableau Public / Looker Studio Dashboard 3-5개 — 실제 데이터
End-to-end project — Scrape → warehouse → dbt model → dashboard
Blog — 분석 사례 / SQL trick / dbt pattern
오픈소스 — dbt package ㆍ Airflow plugin ㆍ Great Expectations expectation

한인 신입 Data — 추천 단계

Step 1 — SQL 깊이 + Python pandas — 학부 2-3학년
Step 2 — 트랙 결정 — Analyst / Scientist / Engineer 중 하나
Step 3 — 인턴 1-2회 — Big Tech / 스타트업 / consulting
Step 4 — Modern Data Stack hands-on — Snowflake free tier + dbt + GitHub Actions
Step 5 — Portfolio 3-5개 + blog
Step 6 — Big Tech + mid + 한국계 sweep

출처

dbt Labs, Snowflake, Databricks, Apache Airflow, Kaggle, StrataScratch (SQL interview).

※ Data 시장ㆍ도구 트렌드는 빠르게 변합니다. 본 글은 2026-05 기준 일반 가이드. 실제 지원 전 회사별 stack 확인, mock interview, 비자 변호사 자문 권장.