추천 템플릿
데이터 사이언티스트 이력서 가이드
같은 '데이터 사이언티스트'라도 회사에 따라 실제 업무는 분석가, 실험 설계자, 모델 개발자, ML 엔지니어 사이 어딘가에 놓여요. 그래서 이력서는 내가 그 스펙트럼의 어디에서 일했는지부터 보여 줘야 해요. 모델 이야기를 쓸 때는 오프라인 지표(AUC, RMSE)와 온라인 결과(실험에서 움직인 서비스 지표)를 나누고, 실제로 배포됐는지, 배치였는지 실시간이었는지도 적어 주세요. 분석 업무라면 그 질문을 누가 가져왔고 내 분석으로 어떤 결정이 내려졌는지가 곧 성과예요. 노트북 안에서 끝난 모델과 운영 중인 모델은 전혀 다른 경험으로 읽힌다는 점을 기억해 두세요.
데이터 사이언티스트 이력서, 채용 담당자가 보는 포인트
- 1
오프라인 지표만으론 부족해요
AUC 상승이 서비스 지표로 이어졌는지 묻는 면접관이 많아요. A/B 결과가 없다면 왜 없었는지도 설명할 준비를 해 두세요.
- 2
검증 습관을 한 줄로
시간 기준 데이터 분할, 피처 누수 점검 같은 검증 절차를 한 줄 넣으면 실무에서 모델을 다뤄 본 사람으로 읽혀요.
- 3
결과를 받은 사람을 밝혀요
분석 결과를 어느 팀에 전달해 어떤 결정이 났는지 쓰면 커뮤니케이션 역량이 따로 설명하지 않아도 드러나요.
XGBoost 기반 추천 모델 개발 (AUC 0.82)
재구매 추천 모델을 XGBoost로 교체해 오프라인 AUC 0.74→0.82, 2주 A/B 테스트에서 추천 영역 클릭률이 유의하게 상승한 것을 확인한 뒤 일 배치로 전면 배포
💡 오프라인 성능과 온라인 결과, 배포 형태가 구분돼 모델이 실제 서비스에서 일한 경험임을 보여 줘요.
바로 쓰는 성과 문장 예시
채용공고 핵심 키워드
- Python
- SQL
- 머신러닝
- PyTorch
- scikit-learn
- Spark
- A/B 테스트
- 통계 분석
- BigQuery
- Airflow
- MLflow
- 피처 엔지니어링
자주 묻는 질문
데이터 사이언티스트와 ML 엔지니어 이력서가 다른가요?
DS는 모델 설계·실험·인사이트 도출에, MLE는 모델 서빙·MLOps 파이프라인·레이턴시 최적화에 초점을 맞춰요.
Kaggle 등 대회 수상을 이력서에 넣어야 하나요?
상위 3% 이내 수상이라면 유효해요. 단, 실제 서비스 데이터 기반 프로젝트가 우선순위가 더 높아요.
논문 발표 경험은 이력서 어디에 넣나요?
Publications 별도 섹션을 만들거나, Education 섹션 내 Research 항목으로 기재하세요.
지금 바로 시작하세요
로그인 없이 데이터 사이언티스트 이력서 초안을 1회 만들어 볼 수 있어요. 가입하면 더 만들 수 있어요.