A
약 75초
경험 중심 1인칭 답변
가장 자신 있는 프로젝트는 고객 이탈 예측 모델입니다. 이커머스 데이터를 이용해서 RFM 피처를 직접 만들고 LightGBM으로 이탈 확률을 예측했습니다. 처음에는 정확도만 보다가 클래스 불균형 문제를 무시했더니 실제로 중요한 이탈 고객을 못 잡는 문제가 생겼습니다. SMOTE와 클래스 가중치 조정을 병행한 후 Recall이 실질적으로 올라갔습니다. 비즈니스 맥락에서는 정밀도보다 재현율이 중요한 이유를 데이터로 직접 확인한 경험이었습니다. 모델 성능보다 어떤 지표를 최적화해야 하는지를 먼저 결정하는 것이 ML 프로젝트의 진짜 시작이라는 것을 배웠습니다. 앞으로도 비즈니스 맥락에서 최적화할 지표를 먼저 결정하고 모델을 설계하는 방식을 유지하겠습니다.
정밀도보다 재현율이 중요한 이유를 데이터로 직접 확인한 경험이 ML 프로젝트의 본질을 이해하게 해줬습니다. 클래스 불균형 문제를 직접 경험한 것이 다음 프로젝트에서 데이터 탐색을 먼저 하는 습관의 이유입니다.
이 결의 특징
클래스불균형이라는 구체적 문제를 인식하고 오버샘플링이라는 해법을 적용한 사례로, 데이터 질 문제를 체계적으로 다루는 능력이 드러납니다.
이 결이 통하는 자리
분류 모델 기반 예측 업무나 데이터 사이언스팀에서 높이 평가합니다. 재현율 개선을 중시하는 비즈니스 문제 해결에 적합합니다.