이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 분석 수업 프로젝트에서 Tableau를 사용해 판매 데이터 대시보드를 만든 경험이 있습니다. 데이터를 보여주는 것만으로는 충분하지 않다는 것을 그때 처음 실감했습니다. 지도 시각화로 지역별 매출을 보여줬더니 발표에서 "그래서 어디가 문제예요?"라는 질문을 받았고, 숫자를 보여주는 것과 메시지를 전달하는 것이 다르다는 것을 배웠습니다. 이후 차트마다 "이 그래프가 보는 사람에게 무엇을 말하는가"를 먼저 정하고 시각화 유형을 결정하는 방식으로 바꿨습니다. 지역별 비교라면 막대 차트, 시간 흐름이라면 라인, 비율이라면 파이 대신 비율 막대를 쓰는 식이었습니다. 결과적으로 "지난 분기 대비 이 지역에서 하락이 두드러진다"는 한 문장을 차트가 직접 말하도록 설계했고, 발표 후 팀원들에게 "보기 쉽다"는 피드백을 받았습니다. 이후에도 시각화는 데이터를 예쁘게 만드는 것이 아니라 질문에 답하는 것이라는 원칙을 갖고 작업합니다.
데이터 시각화 도구를 사용한 경험 중 Power BI로 팀 성과 대시보드를 만든 경험이 가장 기억에 남습니다. 팀장이 매주 여러 보고서를 직접 취합해 현황을 파악해야 했는데, 그 과정에서 시간이 많이 소요됐습니다. 사용 도구로는 Power BI를 선택한 이유는 Excel 데이터와 연결이 쉽고, 비개발자도 필터를 직접 조작할 수 있기 때문입니다. 수신자가 스스로 원하는 기간과 팀을 선택해서 볼 수 있는 구조가 중요했습니다. 결과 전달 방식으로는 KPI별 달성률을 색상 코드(녹색/노란/빨간)로 시각화해서 한눈에 상태를 파악하도록 설계했습니다. 텍스트보다 색상이 빠른 판단을 만듭니다. 인사이트로는 특정 팀의 목표 달성률이 상반기와 하반기에 패턴이 다르다는 것을 대시보드에서 발견했습니다. 기존 월별 보고서로는 보이지 않던 계절성 패턴이었습니다. 경험 결과로는 팀장이 주간 취합 보고서 작업 시간이 절반으로 줄었다는 피드백을 받았습니다.
시각화의 핵심은 데이터를 보여주는 것이 아니라 의사결정 속도를 높이는 것입니다.
데이터 시각화 경험 중 Python의 `matplotlib`과 `seaborn`으로 학술 발표용 분석 결과를 시각화한 경험이 있습니다. 단순히 차트를 만드는 것이 아니라, 연구 결과를 논문 발표 수준으로 설명하는 것이 목표였습니다. 사용 도구로는 `seaborn`은 통계적 시각화에 강점이 있어서 분포, 상관관계, 그룹 간 차이를 나타내는 데 자주 사용했습니다.
matplotlib은 세부 스타일 조정이 필요할 때 기반으로 씁니다. 전달 방식으로는 각 그래프에 캡션을 달아 '이 그래프가 무엇을 보여주는가'를 한 문장으로 명시했습니다. 발표 중에 설명 없이도 그래프만 보고 해석할 수 있도록 하는 것이 기준이었습니다. 인사이트로는 산점도 행렬(pairplot)을 통해 예상하지 못했던 두 변수 간의 강한 상관관계를 발견했고, 그것이 분석의 방향을 바꾸는 계기가 됐습니다. 경험 결과로는 발표 후 교수님이 그래프 설계 방식이 명확하다는 피드백을 주셨습니다.
좋은 시각화는 발표자가 없어도 결과를 전달할 수 있어야 합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 CJ올리브영 데이터·AI 일반 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.