이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학부 졸업 프로젝트에서 배너 광고 클릭률 예측 모델을 만들었습니다. 캐글에서 공개된 광고 클릭 데이터를 써서 사용자 기기 유형, 시간대, 광고 카테고리 등 피처를 만들고 XGBoost로 학습했습니다. 처음에는 클래스 불균형 문제를 무시했다가 정확도는 높은데 클릭 예측은 거의 다 틀리는 결과가 나왔고, SMOTE로 오버샘플링한 뒤 AUC-ROC 기준으로 평가하는 방식으로 전환했습니다. 모델 성능보다 어떤 피처가 클릭에 영향을 주는지 해석하는 게 더 중요하다는 걸 발표 피드백에서 들었고, SHAP 값으로 피처 중요도를 시각화해 다시 제출했습니다. 머신러닝을 광고에 쓸 때 예측 정확도보다 비즈니스 문제가 무엇인지를 먼저 정의하는 게 핵심이라는 걸 그 경험에서 배웠습니다.
광고 클릭률 예측 모델에서 클래스 불균형 문제를 처음 마주쳤을 때 원인을 제대로 이해하는 데 시간이 걸린 경험이 있습니다. 정확도가 95%가 나왔는데 실제로 클릭 예측을 거의 못 하고 있다는 것을 알게 됐을 때, 처음에는 모델 자체가 잘못됐다고 생각했습니다.
클릭한 사람이 전체 데이터의 3% 미만이라 모델이 그냥 '클릭 안 함'만 예측해도 정확도가 높게 나온 것이라는 구조를 이해하고 나서, 평가 지표부터 바꿔야 한다는 것을 알았습니다. AUC-ROC로 지표를 교체하고 SMOTE로 클릭 샘플을 보강한 뒤에야 클릭 예측이 실제로 작동하기 시작했습니다.
정확도가 높다고 모델이 잘 작동하는 게 아니라는 것을 그 경험에서 처음 이해했습니다. 문제를 정의하는 것과 평가 지표를 정하는 것이 모델 성능보다 먼저인 이유를 그때 배웠습니다.
광고 클릭 예측 모델 발표에서 교수님이 '모델 성능보다 어떤 피처가 중요한지를 설명해야 한다'는 피드백을 주셨을 때, 그 말의 의미를 처음에는 이해하지 못했습니다. 모델 AUC가 좋으면 충분하다고 생각했는데, 광고 시스템에서 실무자가 알고 싶은 것은 어떤 조건에서 클릭이 더 많이 일어나는가라는 것을 그 피드백에서 이해했습니다. SHAP 값을 계산해 피처 중요도를 시각화하자, 시간대와 기기 유형이 클릭에 영향을 주는 주요 변수라는 것이 그래프로 보였습니다.
그 결과를 가져다 광고 타겟 설정에 어떻게 쓸 수 있는지를 같이 설명하자 발표 평가가 달라졌습니다. 모델은 도구이고 비즈니스 문제를 답할 수 있어야 그 도구가 의미 있다는 것을 그 경험에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 당근마켓 백엔드 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.