직무별 가이드 / 데이터 사이언티스트/분석가 이력서 작성법
데이터 사이언티스트/분석가 이력서 작성법
데이터 직군 이력서는 모델 성능 숫자만으로는 차별화가 어려워요. 채용하는 쪽은 '그 분석이나 모델 때문에 누가 어떤 결정을 바꿨는지', 그리고 오프라인 지표가 실제 서비스 지표로 이어졌는지를 확인하고 싶어 해요. 분석가라면 질문을 다시 정의한 경험이, 사이언티스트라면 배포와 모니터링까지 가 본 경험이 강점이 돼요.
데이터 직군 면접관이 먼저 찾는 신호
- 1
분석·모델이 바꾼 비즈니스 결정
예산 배분, 가격, 타기팅, 출시 여부처럼 실제로 바뀐 결정이 있었는지가 가장 먼저 보여야 해요. '인사이트 도출'로 끝나면 결과가 안 보여요.
- 2
오프라인 지표와 온라인 지표의 연결
AUC나 RMSE가 전환·매출·비용 같은 서비스 지표로 이어졌는지, 이어지지 않았다면 어떻게 판단했는지를 적으면 실무 경험이 분명해져요.
- 3
실험을 설계하고 인과를 가리는 감각
A/B 테스트 설계, 표본 크기 계산, 홀드아웃 그룹, 관측 데이터의 편향을 다뤄 본 경험은 '상관을 인과로 착각하지 않는 사람'이라는 신호예요.
- 4
데이터를 믿을 수 있게 만든 일
파이프라인 정비, 지표 정의 통일, 데이터 품질 검사는 화려하지 않지만 팀 전체의 속도를 바꾸는 일이라 꼭 챙겨 적으세요.
모델 이름(XGBoost, Transformer 등)은 면접관이 가장 덜 궁금해하는 부분이에요. 어떤 문제를 어떤 기준으로 평가했고, 그 결과를 누가 썼는지를 먼저 보여주세요.
숫자는 있는데 쓸모가 안 보이는 문장들
LightGBM 기반 수요 예측 모델 개발, 정확도 92% 달성
점포별 일 수요 예측 모델(MAPE 18% → 11%)을 발주 시스템에 연결해 시범 매장 20곳의 신선식품 폐기율 7% → 5%, 이 결과로 전 매장 확대가 결정됨
💡 '정확도 92%'는 무엇을 기준으로 했는지, 좋은 숫자인지 판단할 수 없어요. 업무 지표로 이어진 결과와 그 결과로 바뀐 결정을 함께 적으세요.
SQL, Python, Tableau를 활용한 데이터 분석 및 대시보드 구축
마케팅팀의 '신규 가입이 줄었다'는 질문을 채널별 코호트로 다시 쪼개, 실제 원인이 한 광고 채널의 추적 누락임을 밝혀 잘못된 예산 삭감을 막음
💡 도구는 분석가라면 다 써요. 질문을 어떻게 다시 정의했고, 그 결과 누가 무엇을 하게 됐는지(또는 하지 않게 됐는지)가 분석가의 성과예요.
신입 vs 경력: 데이터 직군에서 증명할 것이 달라져요
| 항목 | 신입 | 경력 |
|---|---|---|
| 대표 경험 | 문제를 직접 정하고 데이터를 모아 끝까지 분석한 프로젝트, 공모전 결과물 | 실무 의사결정에 쓰인 분석, 운영 중인 모델 |
| 기술 서술 | 통계 기초, SQL, 교차 검증·데이터 누수 방지를 제대로 쓴 근거 | 실험 설계, 배포·모니터링, 데이터 파이프라인과 지표 체계 |
| 협업 증거 | 분석 결과를 비전공자에게 설명해 본 경험 | 현업 부서와 문제를 정의하고 결정까지 이어 간 경험 |
| 보여줄 숫자 | 모델 지표와 베이스라인 대비 개선폭 | 비용·매출·시간 같은 비즈니스 지표, 실험 결과 |
분석 실력을 확인시켜 주는 첨부 자료
- 분석 리포트나 노트북 1~2편 — 질문 → 데이터 → 방법 → 결론 → 한계 순서가 보이게
- GitHub 저장소 — requirements 파일과 데이터 출처 설명을 갖춰 다시 돌려 볼 수 있게
- Kaggle·공모전 기록 — 순위보다 시도한 접근과 실패한 시도를 정리한 글이 더 좋아요
- 대시보드 캡처 — 수치는 가려도 되니 어떤 지표를 어떤 구조로 보여줬는지가 보이게
- 빼야 할 것: 고객 단위 데이터가 보이는 캡처, 사내 테이블 이름과 스키마, 실제 매출 원자료
이 이력서에서 이어질 면접 질문
면접관: 오프라인 지표는 올랐는데 온라인 클릭률이 그대로라 배포를 보류하셨다고요. 원인은 뭐라고 보셨어요?
지원자: 새 모델이 이미 인기 있는 상품을 더 정확하게 맞히긴 했는데, 사용자는 그 상품을 추천이 없어도 찾아서 보던 상태였어요. 오프라인 평가가 '어차피 클릭할 상품'을 맞히는 데 점수를 주고 있었던 거예요.
면접관: 그래서 평가 방식은 어떻게 바꾸셨어요?
지원자: 인기 편향을 보정한 지표와 추천 목록의 다양성 지표를 같이 보도록 바꿨고, 다음 모델은 두 기준을 모두 통과한 뒤에야 A/B 테스트에 올렸어요.
필수 항목 체크리스트
- Python/R 사용
- SQL 활용
- 모델/분석 성과
- 시각화 경험(권장)
- 머신러닝/딥러닝(권장)
- A/B 테스트(권장)
강조 키워드
좋은 성과 문장 예시
- ✦이탈 예측 모델(AUC 0.81)로 고위험 고객군을 골라 리텐션 쿠폰 대상을 좁혀, 홀드아웃 그룹 대비 같은 이탈 방지 효과를 유지하면서 캠페인 비용 40% 절감
- ✦추천 모델 교체를 2주 A/B 테스트로 검증, 오프라인 Recall@20은 올랐지만 온라인 클릭률 변화가 없음을 확인해 배포를 보류하고 평가 기준에 다양성 지표를 추가
- ✦팀마다 달랐던 매출 집계 쿼리 30여 개를 dbt 모델로 정리해 부서 간 매출 숫자 불일치를 없애고, 주간 리포트 작성 시간 하루 → 1시간
바로 데이터 사이언티스트/분석가 이력서를 만들어 보세요
무료 · 경력 몇 줄이면 시작
지금 무료로 이력서 만들기 →