A
약 60초
피처 엔지니어링 중심 분석 경험
인턴 때 물류팀 프로젝트에서 주간 수요 예측 모델을 만들어본 경험이 있습니다. 단순히 Prophet 같은 시계열 라이브러리를 쓰는 것도 고려했는데, 데이터를 먼저 뜯어봤더니 계절성보다 프로모션 이벤트가 훨씬 큰 변동 요인이었습니다. 그래서 이벤트 캘린더를 외부 피처로 추가해 XGBoost로 접근했고, 이전 단순 이동평균 대비 MAPE가 약 8%포인트 개선됐습니다. 핵심은 모델 선택보다 데이터 이해가 먼저라는 것인데, EDA 단계에서 이상치와 계절 패턴을 충분히 보지 않으면 좋은 알고리즘을 써도 결과가 어긋나더라고요. 지금은 분석 시작 전 데이터 분포와 결측 패턴부터 점검하는 것을 루틴으로 굳혔습니다.
이 결의 특징
물류팀 주간 수요 예측 모델에서 데이터를 먼저 뜯어본 후 계절성보다 프로모션 이벤트가 큰 변동 요인임을 발견한 구체 과정이 나타납니다. 이벤트 캘린더 피처 추가와 XGBoost로 MAPE 8%포인트 개선한 기록이 드러납니다.
이 결이 통하는 자리
EDA 단계에서 이상치와 계절 패턴을 점검하는 루틴을 세운 모습이 살아 있을 때 통합니다. 모델 선택보다 데이터 이해가 먼저라는 원칙이 명확해 보일 때 면접관은 '이 사람은 기계학습의 본질을 안다'고 평가합니다.